Vous êtes sur la page 1sur 10

a.

Latar belakang

Malaria adalah salah satu penyakit menular yang paling parah itu sangat
berbahaya bagi kesehatan, terutama di perbatasan daerah barat-selatan Cina.
Menurut laporan dari Proyek Surveilans Nasional [1], malaria tidak stabil dan
berfluktuasi dalam intensitas baik secara spasial maupun temporer di China.
Provinsi Linzhi terletak di tenggara bagian dari Daerah Otonomi Tibet (TAR)
China dan kota Motuo terletak di selatan provinsi Linzhi berbatasan dengan
India dan Myanmar. Sebanyak 2.296 kasus malaria dilaporkan dari provinsi
Linzhi dari tahun 1986 sampai 2008, sebagian besar disebabkan oleh Plasmodium
vivax, dan 2.227 kasus ini (97,0%) berasal dari Kota Motuo. Dalam beberapa
tahun terakhir, kejadian malaria Kabupaten Motuo tertinggi di negara ini
karena lokasinya populasi kecil sekitar 10.000 orang.

Transmisi dan prevalensi malaria dipengaruhi oleh banyak faktor, di antaranya


(variabilitas dalam) Faktor meteorologi dianggap berperan besar peran. Dengan
meningkatnya variabilitas dan kemampuan cuaca ramalan cuaca, ada ketertarikan
pada pengembangan sistem untuk peramalan malaria yang memasukkan cuaca faktor
terkait sebagai variabel penjelas. Banyak penelitian [2-9] di berbagai
belahan dunia telah menghubungkan malaria time series untuk variabel cuaca
seperti curah hujan, suhu dan kelembaban. Misalnya, malaria dikaitkan dengan
curah hujan dan suhu minimum (dengan kekuatan asosiasi bervariasi dengan
ketinggian) di Ethiopia dengan menggunakan model lag terdistribusi
polinomial. Curah hujan dan suhu maksimum pada lag empat bulan untuk berhasil
sesuai transmisi biologis model data kasus malaria di sebuah distrik di
Zimbabwe. Perbedaan malaria antar tahunan terkait dengan curah hujan dan suhu
di Afrika Selatan. Namun, yang lain tidak menemukan korelasi yang kuat atau
jelas. SEBUAH studi [10] di Sri Lanka memasukkan curah hujan sebagai linier
atau variabel penjelas non linier menjadi (musiman) auto-regressive
integrated moving average (ARIMA) model menunjukkan sedikit perbaikan dalam
prediksi malaria lebih dari model ARIMA tanpa prediktor curah hujan

Cuaca mempengaruhi kejadian malaria sebagian besarefeknya pada vektor nyamuk


dan perkembangannya dari parasit malaria di dalam vektor nyamuk. Kota Motuo
memiliki iklim tropis semi-lembab dengan banyak sinar matahari dan curah
hujan. Beragamnya geografis lanskap dan situasi iklim yang kompleks
tempat pengembangbiakan yang baik untuk nyamuk anopheles,vektor malaria.
Tanaman utama di Kabupaten Motuo adalah padi dan sebagian besar lahan
pertanian ditutupi sawah, yang sesuai untuk habitat larva Anopheles. Baru-
baru ini studi [11-13] dilakukan di daerah Moutuo Provinsi Linzhi, spesies
Anopheles termasuk An.kelompok maculatus, An. peditaeniatus, An.
barbumbrosus, dan An. kochidonitz Sebuah. pseudowillmori dipertimbangkan
satu-satunya vektor malaria dan habitat larva saja sawah dan larva tidak
ditemukan di selokan, kolam, gunung sungai dan badan air kecil lainnya.

Mengingat karakteristik unik dan spesialnya Faktor meteorologi di Kabupaten


Motuo semakin tinggi Kejadian malaria, mungkin berspekulasi bahwa meteorologi
tersebut Faktor utama berperan dalam transmisi malaria. Dalam makalah ini,
hubungan temporal antara faktor meteorologi dan kejadian malaria di Motuo
County diselidiki. Pemahaman yang lebih baik tentang hubungan dapat membantu
memperbaiki peramalan perubahan dalam kejadian malaria, yang akan memberi
penerangan kepada publik otoritas kesehatan tentang cara mendistribusikan
secara efektif sumber daya untuk program pengendalian malaria di nasional dan
provinsi.
Malaria telah mewabah di kota Linzhi daerah otonomi Tibet selama 20 tahun terakhir, terutama
di daerah Motou memiliki kejadian tertinggi dalam beberapa tahun terakhir. Faktor-faktor
meteorologi, seperti curah hujan, suhu dan kelembaban relatif di kota Motou lebih unik
dibandingkan daerah lainnya di Tibet dan juga bagian lain China, sehingga tujuan dari penelitian
ini adalah untuk menganalisis korelasi temporal antara penyakit malaria dan faktor meteorologi
di kota Motou, untuk mencari intervensi tertentu untuk pengendalian malaria.
b. Metode

Data meteorologi dan malaria selama tahun 1986-2009 di kota Motuo dipelajari untuk
menganalisis hubungan statistik antara rangkaian data waktu meteorologi dan data penyakit
malaria. Sementara korelasi antara penyakit malaria dan faktor meteorologi dianalisis dengan
menggunakan beberapa metode statistik. Analisis korelasi spearman dilakukan untuk mengetahui
hubungan antara kejadian malaria bulanan dan variabel meteorologi. Analisis korelasi silang
penyakit malaria tahunan dan meteorologi bulanan data deret waktu mengungkapkan jeda waktu
faktor meteorologi sebelum malaria dimana seri tersebut menunjukkan korelasi terkuat. perkalian
seasonal auto-regressive integrated moving average (SARIMA) digunakan dalam analisis cross-
correlation dengan pre-whitening yang menghilangkan musiman dan auto-correlation pada seri
data meteorologi. Analisis data yang berbeda yang disebut analisis antar tahunan dilakukan
untuk menemukan hubungan mendasar antara rangkaian data penyakit malaria dan rangkaian
data meteorologi.

BIDANG STUDI

Kota Linzhi terletak di bagian tenggara dari Daerah Otonomi Tibet. Populasi kota tersebut
sebesar 164.300 di akhir tahun 2007 (data dari Biro Statistik Tibet). Kota Linzhi memiliki iklim
tropis semi-lembab dengan banyak sinar matahari dan curah hujan. Daerah Motuo terletak di 27
36'-29 50 lintang barat dan 93 42'-96 36' bujur timur di bagian bawah Sungai Yalu
Zangbu, berbatasan dengan India dan Myanmar. Ketinggian pegunungan antara 700 dan 2.100 m
(rata-rata: 1.200 m). Sampai dengan Hari ini, kota Motuo adalah yang kota terakhir dapat diakses
di China, namun kebanyakan desa hanya bisa dijangkau dengan berjalan kaki. Menurut data dari
Proyek Pengawasan Nasional, hampir semua penderita malaria terpencar di sepanjang Sungai
Brahmaputra dengan cluster spasial (analisis terkait akan dipublikasikan di tempat lain), dimana
dihuni oleh anggota berkebangsaan Zang, Menba dan Luoba.

PENGUMPULAN DAN PENGELOLAAN DATA

Data tentang penyakit malaria diperoleh dari Pusat Pencegahan dan Pengendalian Penyakit di
provinsi Linzhi, Tibet dan Sistem Pengawasan Penyakit China. Jumlah data bulanan selaput
darah yang diperiksa untuk penyakit malaria dan yang positif malaria diperoleh dari laporan rutin
oleh provinsi Linzhi. Data dikumpulkan tersedia untuk tahun 1986-2009.

Demografi penduduk untuk daerah disediakan oleh Biro Statistik Tibet. Diasumsikan setiap
penduduk di daerah tersebut berisiko terinfeksi malaria. Data meteorologi bulanan seperti suhu
rata-rata, suhu rata-rata maksimum, suhu rata-rata minimum, kelembaban relatif dan curah hujan
dari 1986 sampai 2009 di kota Linzhi diperoleh dari Sistem Penyuluhan Data Meteorologi China
. Variabel suhu dan curah hujan diukur dalam milimeter (mm) dan celcius ( C). Ada tiga stasiun
meteorologi yang ada di sekitar daerah Motuo. Latar dari faktor meteorologi dibuat melalui
prediksi spasial menggunakan interpolasi Gaussian Kriging interpolasi. Interpolasi Gaussian
Kriging diimplementasikan dalam perangkat lunak ARCGIS9.2. Hampir Semua kasus malaria
berpusat di daerah yang relatif kecil dari daerah Motuo. Selain itu, ketinggian heterogen tidak
diperhitungkan dalam penelitian ini. Sulit untuk mendapatkan peta penyensoran jarak jauh dari
Kabupaten Motuo.

Analisis

Kejadian malaria bulanan di Kabupaten Motuo adalah diperlakukan sebagai variabel terikat, dan variabel
meteorologi seperti suhu rata-rata bulanan, suhu rata-rata bulanan maksimum, suhu rata-rata bulanan
minimum, rata-rata kelembaban relatif bulanan dan total Jumlah curah hujan adalah variabel bebas.
Statistiknya hubungan antara variabel meteorologi dan Kejadian malaria selama periode 1986-2009 di
Motuo County diperiksa. Analisis dilakukan di empat aspek: 1) Analisis korelasi Spearman; 2) analisis
korelasi silang ; 3) analisis korelasi silang dengan prewhitening; 4) analisis antar tahunan. Karena
mungkin ada auto-korelasi antara keduanya dependen dan independen variabel dari waktu ke waktu,
musiman multiplikatif auto-regresif model moving average terintegrasi (SARIMA) dengan berbeda
Parameter dibandingkan pada rangkaian waktu bulanan kejadian malaria.
1. Analisis korelasi spearman
Analisis korelasi spearman dilakukan untuk menguji hubungan antara insiden malaria bulanan
dan variabel meteorologi menggunakan software SPSS (versi 17.0, SPSS Inc., Chicago, IL).
2. Analisis korelasi silang
Korelasi silang antara kejadian malaria bulanan seri dan data waktu meteorologi bulanan
dianalisis untuk mengetahui jeda waktu faktor meteorologi sebelum penyakit malaria di mana
rangkaiannya menunjukkan korelasi paling kuat [15-19]. Deret waktu kejadian malaria
menunjukkan fluktuasi jangka panjang yang kuat di Kabupaten Motuo (Gambar 2). Namun, pada
suhu, kelembaban relatif dan deret waktu curah hujan fluktuasi jangka panjang ini tidak ada.
Karena itu, diperkirakan meteorologi itu Variabel tidak bisa menjelaskan fluktuasi jangka
panjang pada malaria, yang mungkin berhubungan dengan lainnya faktor, seperti
tindakan pengendalian malaria dan populasi perubahan. Fluktuasi ini menutupi korelasi
antara malaria dan variabel meteorologi dan sejak tidak ada informasi tentang faktor-
faktor yang mendasari yang tersedia Dalam data, fluktuasi jangka panjang perlu
dilakukan dihapus sebelum menghitung korelasi silang. Dulu diasumsikan bahwa insiden
malaria bulanan g a model musiman bentuk:

gt = mt + St + et
Dimana mt adalah tingkat rata-rata di bulan t, St efek musiman efek bulan t; dan t adalah acak
Gaussian kesalahan.
Fluktuasi jangka panjang pada malaria bulanan Seri kejadian dihitung dengan menggunakan titik
13 berpusat smoothing filter dengan bulan-bulan di ekstrem diberi setengah berat:
mt = ( 0.5gt6 + gt5 + +g + + gt+5 + 0.5gt
Smoothing dilakukan dengan menggunakan fungsi "decompose" dari paket "statistik" dalam
perangkat lunak R [20]. Dari seri de-trended t = gt- mt, secara implisit jangka panjang tren telah
dihapus Analisis korelasi silang itu diterapkan pada seri kejadian malaria de-trended dan
rangkaian waktu variabel meteorologi tertentu xt. Crosscorrelation diperkirakan malaria pada
lag l nol untuk dua belas bulan di belakang curah hujan sebagai

Korelasi silang dihitung sebagai rata-rata selama semua bulan, dan kemungkinan korelasi
variabel tergantung pada musim tidak diperhitungkan, yaitu jika curah hujan memiliki efek
positif yang kuat pada malaria pada beberapa orang bulan, dan negatif yang kuat pada orang
lain, rata-rata Korelasi silang terdeteksi bisa jadi lemah.

Meskipun pendekatan di atas dapat menemukan korelasi yang kuat, Ini mungkin tidak sangat
berguna untuk prediksi malaria Jika penyimpangan dari mean musiman jangka panjang curah
hujan yang lemah terkait dengan penyimpangan dari rata-rata musiman jangka panjang dari
rangkaian kasus malaria. Di Selain itu, korelasi silang standar mengasumsikan pengamatan
bersifat independen, padahal kenyataannya malaria data bersifat temporal berkorelasi

3. Analisis korelasi silang prewhitening


Korelasi silang dengan musiman dan autokorelasi Dihapus dengan
pemutihan awal yang sederhana memungkinkan pendeteksian dari lag waktu
variabel meteorologi sebelum malaria, di mana perbedaan dari jangka
panjang pola musiman dalam rangkaian waktu meteorologi menunjukkan
korelasi terkuat dengan perbedaan tersebut di Indonesia seri kejadian
malaria, sambil meminimalkan efek korelasi palsu yang disebabkan oleh
autokorelasi di seri waktu Efek pre-whitening adalah mengurangi
autokorelasi dan / atau tren yang tidak terkait dalam waktu seri
sebelum perhitungan korelasi silang mereka fungsi. Pre-whitening yang
sederhana digunakan saat disana adalah pengaruh searah yang jelas
seperti antara curah hujan dan malaria

Pertama, model auto-regresif sesuai dengan penjelasannya variabel.


Variabel penjelasan yang telah dipotong sebelumnya terdiri dari
residual model pas ini, sedangkan yang sudah di-whitening Variabel
hasil terdiri dari residu dari Model yang sama diterapkan pada variabel
hasil. Dengan Dimasukkannya musiman dalam model autoregresif, prosedur
pra-pemutihan menghilangkan musiman dari Penjelasan variabel time
series, dan jumlah yang sama musiman dari deret waktu variabel
variabel. Dulu Dengan demikian kemungkinan bahwa musiman tambahan tetap
berada di Variabel time series yang telah dipotong sebelumnya.

Multiplikatif musiman auto-regresif terintegrasi bergerak rata-rata


(SARIMA) model [15,21] dengan segala kemungkinan kombinasi parameter p,
q, P, Q {0, 1, 2} dan dengan d, D {0, 1}, dievaluasi dengan
menggunakan informasi Akaike kriteria (AIC) tanpa transformasi dan
logaritma mentransformasikan data meteorologi bulanan pada periode
tersebut dari Januari 1986 sampai Desember 2009. SARIMA yang dipilih
Model ini kemudian digunakan untuk pre-whiten baik meteorologi seri
data dan deret waktu kejadian malaria.

4. Analisis antar tahunan


Analisis antar tahunan digunakan untuk menganalisis korelasi antara
seri malaria tahunan yang berbeda kejadian dan data meteorologi tahunan
yang berbeda.
Perbedaan t, k = Yt, k - Yt-1, k mencerminkan relatif perubahan kejadian antara tahun-
tahun berturut-turut [4], dimana Yt, k adalah kejadian malaria tahunan tahun t, dan k
bulan awal periode dua belas bulan juga April (k = 4) atau September (k = 9) [17].
Demikian pula, Perubahan relatif pada variabel meteorologi tertentu Periode 12 bulan
sebelum periode malaria dengan a lag satu sampai tiga bulan diwakili oleh t, l, k = Xt,
k, l - Xt-1, k, l. Malaria mengalami kemunduran Variabel meteorologi dalam urutan
pertama otomatis regresif (AR1) model:
t ,k = j kt1,k + bl,k ( t ,l,k j kt1,l,k ) + et

Koefisien korelasi Pearson antara ( t, k - k t-1, k) dan (t, l, k-k t-1, l, k) kemudian
dihitung. Karena suhu rata-rata bulanan, rata-rata bulanan suhu maksimum dan minimum rata-
rata bulanan Suhu berkorelasi erat satu sama lain, suhu maksimum rata-rata bulanan dipilih dan
yang lainnya sudah usang. Rata-rata bulanan suhu maksimum, kelembaban relatif bulanan dan
curah hujan bulanan sepanjang tahun t terakumulasi dan dirata-ratakan sebagai suhu rata-rata
tahunan rata-rata, tahunan rata-rata kelembaban relatif dan curah hujan rata-rata tahunan.

c. Hasil
1. Analisis korelasi spearman
Analisis korelasi spearman dilakukan berhubungan kejadian malaria bulanan hingga
meteorologi bulanan variabel (Tabel 1). Suhu rata-rata bulanan, suhu rata-rata bulanan rata-
rata, rata-rata bulanan suhu minimum, kelembaban relatif bulanan dan curah hujan bulanan
secara signifikan berkorelasi positif dengan kejadian malaria bulanan selama penelitian
periode. Di tengah variabel meteorologi, Kelembaban relatif bulanan paling erat berkorelasi
untuk kejadian malaria bulanan (r = 0,543, P <0,01). Dan curah hujan bulanan paling sedikit
berkorelasi dengan bulanan Kejadian malaria (r = 0,348, P <0,01). Ada yang dekat korelasi
antara variabel suhu yang berbeda. Koefisien korelasi untuk hubungan antara kelembaban
relatif dan suhu minimum rata-rata (r = 0,836, P <0,01) lebih besar dari pada asosiasi antara
kelembaban relatif dan dua jenis lainnya suhu.

Tabel 1. Koefisien korelasi Spearman antara variabel meteorologi, jumlah kasus malaria yang
tidak transversal dan jumlah kasus malaria berbasis logaritma
kelembaban curah Suhu suhu rata-rata suhu rata- kejadian
relatif hujan rata-rata maksimum rata malaria
minimum
kelembaban relatif 1.000 0.844** 0.794** 0.728** 0.836** 0.543**
curah hujan 0.844** 1.000 0.738** 0.675** 0.772** 0.348**
suhu rata-rata 0.794** 0.738** 1.000 0.981** 0.990** 0.518**
suhu rata-rata 0.728** 0.675** 0.981** 1.000 0.954** 0.529**
maksimum
suhu rata-rata 0.836** 0.772** 0.990** 0.954** 1.000 0.510**
minimum
kejadian malaria 0.543** 0.348** 0.518** 0.529** 0.510** 1.000
Signifikansi koefisien korelasi berbeda dari nol: ** = P <0,01.

2. Analisis korelasi silang


Korelasi silang maksimum lokal antara malaria dan malaria Variabel meteorologi
ditemukan saat meteorologi Variabel yang mendahului malaria adalah nol sampai
empat bulan (Gambar 3). Untuk suhu rata-rata, rata-rata maksimal suhu rata-rata suhu
minimum perlambatan satu bulan. Untuk curah hujan, perlambatannya dua
bulan.Koefisien korelasi itu puncak untuk hubungan antara kejadian malaria dan
masing-masing variabel meteorologi (kecuali curah hujan) setinggi 0,5. Korelasi itu
koefisien antara kejadian malaria dan curah hujan bulanan (r <0,5) relatif lebih kecil
dari dua lainnya variabel meteorologi. Korelasi silang minimum lokal antara malaria
dan setiap variabel meteorologi ditemukan saat variabel meteorologi mendahului
malaria lima sampai sepuluh bulan

Koefisien korelasi silang deret waktu variabel meteorologi bulanan dan malaria
bulanan kejadian di beberapa lag untuk Kabupaten Motuo.

3. Analisis korelasi silang prewhitening


Analisis cross-correlation dengan pre-whitening Untuk pre-whitening, model
SARIMA (p = 1, d = 0, q = 0, P = 2, D = 1, Q = 2 p = 1, d = 0, q = 0, P = 2, D = 1, Q
= 2) dipilih. Gambar 4 menunjukkan efek prewhitening pada rangkaian waktu
kejadian malaria dan meteorologi variable time series untuk Kabupaten Motuo.
Dengan seri waktu pra-pemutih, korelasi silang terlihat sama sekali berbeda dengan
korelogram silang tanpa pre-whitening Korelasi umumnya lebih lemah dengan pre-
whitening daripada tanpa. Koefisien korelasi silang untuk hubungan antara prewhitened
Suhu dan kejadian malaria berfluktuasi secara acak Koefisien korelasi lemah yang lemah
ditemukan di tertinggal nol sampai dua bulan untuk pra-memutihkan kelembaban relatif
dan curah hujan. Ada lokal maksimal pada lag nol dan satu bulan korelasi koefisien untuk
kelembaban relatif dan curah hujan masing-masing. Asosiasi negatif lemah ditemukan
tertinggal tujuh sampai sembilan bulan.

4. Analisis antar tahunan


Dari tabel 2, terlihat bahwa keduanya berbeda-beda rata-rata kelembaban relatif dan rata-
rata tahunan yang berbeda curah hujan menunjukkan korelasi positif yang signifikan dengan
perbedaan kejadian malaria tahunan Positif yang signifikan koefisien korelasi (r) adalah 0,451
(P <0,05) dan 0,432 (P <0,05) untuk curah hujan rata-rata tahunan yang berbeda dan masing-
masing membeda rata-rata kelembaban relatif. Koefisien korelasi negatif yang kuat antara
suhu rata - rata tahunan rata - rata dan Kejadian malaria tahunan yang berbeda signifikan (r =
- 0,668, P <0,01).

Tabel 2 Koefisien korelasi momen Pearson maksimum dan minimum Pearson, mulai bulan
dan lag (jumlah bulan yang disebabkan oleh time series kasus malaria) dimana maksimum
atau minimum terjadi, dan signifikansi koefisien regresi untuk variabel meteorologi yang
berbeda dan malaria tahunan yang berbeda seri waktu kasus (n = 22), dikoreksi untuk
korelasi regresif orde pertama

Distrik Minumim Maksimum


r Dimulai bulan (lag) r Dimulai bulan (lag)
Selisih rata - rata suhu maksimum
rata - rata dan. perbedaan malaria -0.668** 9(1) 0.286 4(3)
tahunan insidensi
Perbedaan rata - rata kelembaban
relatif rata - rata dan. perbedaan -0.382 4(3) 0.432* 9(1)
kejadian malaria tahunan
Selisih curah hujan tahunan dan.
perbedaan kejadian -0.207 4(3) 0.451* 9(1)
malaria tahunan
r = koefisien korelasi product moment Pearson.
Signifikansi koefisien regresi berbeda dari nol: * = P <0,05, ** = P <0,01.

d. Diskusi
parasit menentukan penularan penyakit. Banyak faktor, seperti jenis vektor dan kelimpahan,
perilaku manusia, kekebalan populasi, sosial dan ekonomi status dan tindakan pengendalian,
diketahui memiliki pengaruh yang signifikan terhadap penularan malaria [2,4,22-24]. Variabel
meteorologi dianggap sebagai faktor lingkungan untuk peningkatan risiko malaria karena
dampaknya pada inkubasi Plasmodium laju dan aktivitas vektor nyamuk [25].

Korelasi spearman dilakukan berhubungan bulanan Kejadian malaria ke berbagai meteorologi


bulanan variabel. Dari Tabel 1, dapat dilihat bahwa meteorologi variabel, seperti kelembaban
relatif, suhu, curah hujan, dan kejadian malaria menunjukkan positif yang kuat korelasi yang
signifikan Di antara variabel meteorologi, Kelembaban relatif dan kejadian malaria menunjukkan
korelasi terbesar (0,543, P <0,01). Korelasi itu koefisien untuk asosiasi untuk curah hujan dan
Kejadian malaria adalah 0,348 (P <0,01). Korelasi itu koefisien antara suhu dan kejadian malaria
sedikit lebih kecil dari koefisien antara relatif kelembaban dan kejadian malaria. Itu masuk akal
untuk menyimpulkan bahwa kelembaban relatif mempengaruhi aktivitas Nyamuk langsung,
seperti menggigit dan tingkat pemuliaan Kelembaban relatif berkorelasi erat dengan suhu dan
curah hujan dan itu adalah hasil dari suhu, curah hujan dan faktor lingkungan lainnya.

Telah diteliti suhu dan curah hujan memainkan peran penentu faktor lingkungan dalam
penularan malaria Tapi pengaruhnya tidak langsung atau linier. Tapi suhu dan curah hujan
mungkin tidak mempengaruhi penularan malaria secara linier dan cara langsung Terutama
faktor curah hujan yang mempengaruhinya Penularan malaria lebih kompleks. Curah hujan
Sering ditimbun genangan air kecil yang berfungsi sebagai nyamuk tempat berkembang biak dan
meningkatkan kelembaban, yang ditingkatkan kelangsungan hidup nyamuk Namun, hubungan
antara Kelimpahan nyamuk dan curah hujan tidak linier.

Mencirikan pola temporal malaria klinis memberikan wawasan tentang pendorong


penting penyakit ini, termasuk variabel meteorologi seperti curah hujan dan suhu yang
mempengaruhi pola musiman itu mempengaruhi tren jangka panjang. Deret waktu
kejadian malaria dan meteorologi variable time series sudah tinggi korelasi silang pada
kelambatan dan kelambatan panjang. Positif korelasi silang maksimum diamati antara
malaria dan suhu rata-rata, maksimal rata-rata suhu, suhu minimum rata-rata dan relatif
kelembaban pada lag satu bulan. Tapi ini teramati antara malaria dan curah hujan pada lag
dua bulan. Meskipun variabel malaria dan meteorologi menunjukkan korelasi silang tinggi di
Kabupaten Motuo, variasi dari Pola kejadian malaria bulanan normal menunjukkan keterbatasan
korelasi silang dengan variasi dari pola variabel meteorologi bulanan normal, dan oleh karena itu
Variabel meteorologi mungkin memiliki penggunaan terbatas untuk memprediksi malaria.

Studi ini memastikan bahwa suhu tubuh sangat tinggi mempengaruhi dengan malaria dan respon
malaria dengan cepat Saat suhu bervariasi. Itu bisa dimengerti bahwa biasanya ada perkiraan
periode 1 bulan di jalannya siklus infeksi malaria dari jentik nyamuk menjadi nyamuk menular
hingga gigitan nyamuk manusia dan akhirnya manusia berkembang gejala malaria. Koefisien
korelasi untuk asosiasi antara jumlah kasus malaria bulanan dan sinkron Kelembaban relatif
lebih kecil dari pada asosiasi antara jumlah kasus malaria bulanan dan relatif bulanan
sebelumnya Koefisien korelasi untuk hubungan antara kejadian malaria bulanan dan suhu rata-
rata bulanan rata-rata sama dengan korelasi untuk hubungan antara bulanan jumlah kasus malaria
dan kelembaban relatif Ini juga tersirat Prevalensi malaria itu sensitif terhadap suhu perubahan.
Bisa ditafsirkan bahwa kelembaban relatif juga memiliki pengaruh besar dalam siklus hidup nyamuk dan
perilaku menggigit manusia. Tapi koefisien korelasinya untuk hubungan antara kasus malaria bulanan
Jumlah dan curah hujan lebih kecil dari pada korelasi koefisien antara faktor meteorologi lainnya dan
jumlah kasus malaria bulanan Curah hujan menunjukkan kompleks berhubungan dengan kejadian
malaria. Curah hujan adalah yang terkecil mempengaruhi faktor dengan lag lag dua bulan, yang Efek lag
lebih lama dari pada suhu dan kelembaban. Dapat disimpulkan bahwa curah hujan mempengaruhi
malaria jumlah kasus melalui meteorologi dan lingkungan lainnya. Hubungan antara kelimpahan nyamuk
dan curah hujan tidak linier. Curah hujan sering mengarah ke genangan air kecil yang berfungsi
sebagai tempat pembiakan nyamuk dan meningkatkan kelembaban, yang meningkatkan
kelangsungan hidup nyamuk. Curah hujan yang melimpah dan akumulasi air permukaan
mungkin membersihkan atau menghancurkan kerapatan nyamuk.

Untuk seri pra-memutihkan, korelasi silang terlihat sama sekali berbeda dengan korelasi silang tanpa
prewhitening. Dengan tren dan musiman telah dihapus oleh Pra-pemutihan, tidak ada tren yang jelas
dalam korelasi silang koefisien antara suhu dan kejadian malaria (Gambar 4). Bisa diartikan bahwa
pengaruhnya Suhu terhadap kejadian malaria adalah langsung dan memang berubah dengan musim
Koefisien korelasi lemah yang lemah ditemukan di tertinggal nol sampai dua bulan untuk prewhitened
kelembaban relatif dan curah hujan. Ada lokal maksimal pada lag nol dan tiga bulan korelasi
koefisien untuk kelembaban relatif dan curah hujan masing-masing. Asosiasi negatif yang lemah
ditemukan pada ketinggalan tujuh sampai sembilan bulan. Curah hujan dan kelembaban relatif
hampir mencapai arah yang sama. Karena terkena curah hujan, koefisien korelasi silang antara
kelembaban relatif dan kejadian malaria hampir sama dengan curah hujan saat tren dan musiman
telah dihapus Karena Kelambatan pendek ketika variabel meteorologi mempengaruhi malaria
Penularannya, sulit dilakukan malaria jangka panjang yang akurat prediksi insiden menggunakan
variabel meteorologi. Dalam Analisis cross-correlation dengan pre-whitening, bisa kita lihat
bahwa curah hujan positif berkorelasi dengan malaria bila lag jika dari 0 sampai 5 bulan dan
negatif berkorelasi dengan malaria saat lag adalah dari 6 sampai 12 bulan. Dan ini bisa dibawa
ke dalam saat melakukan prediksi malaria kasar atau melakukan tindakan untuk pengendalian
malaria tahun depan.

Dari tabel 2, dapat dilihat bahwa keduanya berbeda kelembaban rata-rata tahunan dan tahunan
yang berbeda curah hujan rata-rata menunjukkan korelasi positif yang signifikan dengan
kejadian malaria tahunan yang berbeda. Kuat negatif koefisien korelasi antara perbedaan tahunan
suhu maksimum rata-rata dan tahunan yang berbeda Kejadian malaria cukup signifikan. Analisis
antar tahunan menunjukkan bahwa perubahan dalam variabel meteorologi memiliki pengaruh
yang besar terhadap kejadian malaria. Umumnya berbicara, meningkatkan curah hujan dan
kelembaban relatif tersirat kejadian malaria meningkat. Tapi ini tidak kasus ketika suhu rata-rata
tahunan berubah.
Temuan ini harus dipertimbangkan dalam malaria di masa depan pencegahan dan pengendalian proyek
dalam pengembangan mode transmisi malaria spatiotemporal di Indonesia Linzhi Prefecture juga. Pada
tahun 2009, Rencana Aksi Penghapusan malaria diajukan oleh Depkes. Jadi dalam situasi seperti itu,
bagaimana cara mendistribusikan sumber daya secara efektif adalah terlalu penting bagi pihak
berwenang, terutama yang istimewa daerah seperti Tibet.

Kesimpulan

Variabel meteorologi adalah lingkungan yang penting peran dalam transmisi malaria di
Kabupaten Motou. Relatif Kelembaban adalah faktor pengaruh terbesar, yang mana
mempengaruhi kelangsungan hidup nyamuk secara langsung. Hubungan antara kejadian malaria
dan curah hujan sangat kompleks dan itu tidak secara langsung dan linier. Kelambatan suhu dan
kelembaban relatif serupa dan lebih kecil dari itu curah hujan Karena kelambatan variabel
meteorologi Mempengaruhi transmisi malaria pendek, sulit untuk melakukan ramalan kejadian
malaria jangka panjang yang akurat menggunakan variabel meteorologi. Efek bervariasi tahunan
Variabel meteorologi seperti curah hujan dan kelembaban relatif Mungkin digunakan untuk
memprediksi malaria.

Keterbatasan penelitian ini


Diakui bahwa kemungkinan besar ada ketidaksempurnaan dalam data mengingat bahwa mereka
diperoleh dari sistem pengawasan pasif. Menurut tahun 2005 laporan nasional, diperkirakan hanya 1/18
(5,6%) kasus di China diberitahukan [26] dan bahkan itu Motuo County adalah daerah yang mudah
diakses di China, tapi Sebagian besar desa hanya bisa dicapai dengan berjalan kaki. Diagnosa malaria
juga tidak sempurna, dan sebagian besar kasus malaria didiagnosis berdasarkan gejala klinis.