Vous êtes sur la page 1sur 17

Métodos em Detecção Remota e SIG para definição de classes de Susceptibilidade à transmissão de Malária em cenários de incerteza Alentejo Litoral

Carlos ÁLVARO

FCSH-UNL DGPR

carlosalvaro12@gmail.com

Henrique CERQUEIRA

FCSH-UNL DGPR

h.m.cerqueira@gmail.com

RESUMO

Historicamente endémica em Portugal, a malária foi erradicada na década de 70, porém as condições geográficas não foram alteradas, nem o vetor erradicado na totalidade. Com as mudanças climáticas globais que se assistem desde a revolução industrial, este paradigma pode sofrer alterações, torna-se então necessário que se estude as características do vetor e se criem cenários sobre o seu comportamento face as alterações que estão previstas para um futuro não muito distante. O desenvolvimento das tecnologias de informação geográfica e de observação da terra trouxeram consigo uma nova forma de olhar para o risco através da deteção remota e da análise espacial, é hoje possível analisar as características do território e modelar com maior precisão a suscetibilidade á transmissão da malária. O território do Alentejo litoral surge então como principal candidato para um estudo sobre estes efeitos, dado ter sido uma das ultimas regiões a ver se livre o flagelo da malária, em especial destaque para a bacia do Sado e dos seus arrozais, foi também no estuário do sado que se recolheram as mais importantes amostras de espécimes e ovos que permitiram estudar as suas características face ás condições ambientais.

Palavras-chave: Malária, Vetor, Mudanças, SIG, Deteção remota, Alentejo litoral

1-

Introdução

Em cenário de Mudanças Globais (alterações climáticas, mudanças do foro político e de organização das sociedades, migrações, desenvolvimento), a incerteza é talvez a questão mais fracturante no que diz respeito ao modo como as realidades são assumidas, trabalhadas e modeladas em prol de um objectivo comum. Nesse aspecto, e tendo em conta que a revolução tecnológica associada à geografia quantitativa, detecção remota e sistemas de informação geográfica veio para ficar e com cada vez mais força, há que ter estas mudanças em conta e utilizá-las de forma mais eficiente possível. Negar as evidências das alterações climáticas parece cada vez irrisório, tanto maiores são as suas pegadas e a influência humana na sua perpetuação. Por esse motivo, há que acrescentar a todo o tipo de modelações com incidência espacial e temporal uma variável de incerteza, motivada pelas várias projecções que são efectuadas aos modelos climáticos. Este trabalho tem como objectivo modelar espacialmente uma série de indicadores que permitam aferir classes de susceptibilidade à transmissão de Malária, tendo como caso de estudo o Alentejo Litoral. É importante fazer nota a que se estabelece aqui a diferença entre “susceptibilidade” e “risco”. Sabemos bem que o risco de transmissão de Malária em território português é ínfimo, por faltar o input que é população portadora da doença. Posto isto, o que este trabalho procura é representar a susceptibilidade das áreas a essa transmissão, caso esse input se verifique.

Será utilizada uma metodologia apoiada nas intenções de “custo zero”, ou seja, uma metodologia em que os dados

utilizados sejam gratuitos e de fácil implementação, para que seja possível replicar métodos com o melhor pormenor

possível em países onde o custo e a informação pormenorizada podem ser factores limitantes muito intensos, e onde a

qualidade dos resultados está seriamente comprometida.

2- Objectivos e Metodologia

Este trabalho tem como objectivo aferir, com a melhor resolução espacial possível (30 metros) classes de susceptibilidade

à transmissão de Malária para a área do Alentejo Litoral, utilizando informação geográfica disponível de forma gratuita,

ou por nós derivada através de métodos de detecção remota e análise espacial.

Foi utilizado o seguinte conjunto de dados:

Modelo Digital de Terreno, com resolução espacial de 30m; para derivar altimetria, declives, hierarquia da rede

hidrográfica;

Dados Geográficos dos CENSOS 2011, da BGRI, para obter informação relativa à densidade populacional, e

população com menos de 5 anos de idade.

Rede de Estradas, obtida na plataforma openstreetmaps, de forma gratuita, para derivar a distância-tempo a

postos de saúde.

Hospitais, Centros de Saúde e outros equipamentos relacionados com a prestação de cuidados médicos,

discriminados e geocodificados por nós próprios, à falta de informação disponível, para poder aferir a distância-

tempo de cada local ao hospital ou equipamento de saúde mais próximo.

Corine Land Cover 2018 em formado vectorial, disponível no website do Copernicus Land Monitoring Service,

de modo a definir classes de vulnerabilidade em função dos usos do solo.

Dados de temperatura e precipitação para a actualidade e para 2050 em função de diferentes cenários do IPCC,

disponíveis no portal gisclimatechange.ucar.edu

Imagens Landsat 8 para cada mês do ano 2018, de modo a derivar uma temperatura média do solo com uma

resolução de 30m, à qual serão aplicados os modelos climáticos.

O custo da informação é uma variável de extrema importância, na medida em que parte da intenção por detrás desta

investigação, é a possibilidade de esta ser replicado em países em desenvolvimento, mais estrangulados no que diz respeito

à disponibilidade de recursos financeiros para efectuar determinados levantamentos estatísticos com pormenor relevante.

Neste sentido, os sistemas de observação da terra e a informação geográfica voluntária 1 são ferramentas decisivas na

modelação de variáveis que nos possam ajudar a compreender a dispersão espacial de classes de susceptibilidade.

Por “Susceptibilidade” entende-se “a propensão de uma dada área ou unidade territorial para ser afectada pelo fenómeno

estudado, avaliada a partir das propriedades que lhe são intrínsecas” (Verde e Zêzere, 2017), ou “Disposição especial do

organismo para acusar influências exercidas sobre ele ou para adquirir doenças2 .

Há que definir a separação também entre “susceptibilidade”, “vulnerabilidade” e “risco”. A suscetibilidade é segundo o

guia metodológico para a produção de cartografia municipal de risco, a Incidência espacial de um processo perigoso.

Representa a propensão para uma área ser afetada por um processo perigoso, em tempo indeterminado, sendo avaliada

1 Ver https://www.esri.com/news/arcuser/0410/vgi.html 2 "susceptibilidade", in Dicionário Priberam da Língua Portuguesa [em linha], 2008-2013, https://dicionario.priberam.org/susceptibilidade [consultado em 02-04-2019].

através dos fatores de predisposição para a ocorrência de processos ou ações, não contemplando o seu período de retorno ou a probabilidade de ocorrência.. A “Vulnerabilidade é geralmente interpretada na área de risco e desastre referindo-se a uma série de características socialmente construídas que tornam a sociedade suscetível a danos e perdas bem como enfrentar dificuldades na recuperação autónoma” (CEPREDENAC, 2006) então, entende-se por vulnerabilidade as Condições determinadas por fatores físicos, sociais, económicos e ambientais, fatores ou processos que aumentam a suscetibilidade de uma comunidade o impacto dos perigos(UNDP, 2004). Por fim o “Risco é a probabilidade de ocorrer consequências danosas ou perdas esperadas (mortos, feridos, edificações destruídas e danificadas, etc.), como resultado de interações entre um perigo natural e as condições de vulnerabilidade local(UNDP, 2004). O risco é dado pela expressão: Risco = Perigos x Vulnerabilidade. Foram elencadas, objetivamente e em dois grupos, um conjunto de características Físicas e Socioeconómicas que ajudam a definir essa susceptibilidade. Físicas:

Temperaturas elevadas >20°C

Ambientes húmidos

Altitudes baixas

Ocupação do solo

Baixo declive

Proximidade aos corpos de água

Vegetação densa

Socioeconómicas:

Proximidade distância/tempo a hospitais;

Densidade populacional;

Prevalência de malária;

Pobreza;

Ausência ou insuficiência de medidas preventivas;

População com menos de 5 anos;

medidas preventivas; • População com menos de 5 anos; A imagem acima serve para ilustrar, dentro

A imagem acima serve para ilustrar, dentro do que é o grande grupo do “risco”, de que forma estas variáveis serão tidas em conta na definição de um modelo de “susceptibilidade”: será uma união entre os quadrantes “exposure” e “susceptibility”, que correspondem a dois tipos de factores intrínsecos, que dizem respeito – respectivamente aos que

dizem respeito ao meio ambiente (clima, topografia, corpos de água, uso do solo 3 ) e ao ser humano (densidade

populacional e população idosa e com idade inferior a 5 anos 4 ).

Obtidos os dados primários que foram elencados no subcapítulo anterior, o seu processamento foi efectuado em duas

fases principais: pré-processamento, e processamento propriamente dito.

2.1- Pré-processamento dos dados

a) Modelo Digital de Terreno

Do MDT foram derivados os declives após o mesmo ter sido topograficamente corrigido para evitar valores de pixels

isolados com valores muito superiores ou inferiores à envolvência.

com valores muito superiores ou inferiores à envolvência. Daí foram criadas cartas de declives e de

Daí foram criadas cartas de declives e de rede hidrográfica com representação topográfica, utilizando o método de Strahler

da hierarquização da rede hidrográfica, e admitindo exclusivamente os valores hierárquicos entre 3 e 5, uma vez que não

consideramos relevantes hierarquias superiores a 3 ou superiores a 5, ora por serem demasiado elevados e inclinados, ora

por serem a rede hidrográfica principal (Rios Mira e Sado e afluentes mais importantes), que estão mais bem definidos

na carta de uso do solo Corine Land Cover.

bem definidos na carta de uso do solo Corine Land Cover . b) Rede de Estradas

b) Rede de Estradas e Localização de Equipamentos de Saúde

A rede de estradas foi associada, em função da tipologia da rede viária, a uma velocidade máxima de deslocação na

respectiva estrada, como definido na seguinte tabela:

Tipo

V (kmh)

road

30

living_street

30

secondary

60

path

30

secondary_link

40

primary

90

service

40

primary_link

50

tertiary

50

residential

30

tertiary_link

30

3 A integração do uso do solo como factor relacionado com o meio ambiente e não com o ser humano, na medida em que a sua integração visa os seus efeitos sobre a potencialização dos territórios para a permissão de habitats que favoreçam os mosquitos. 4 Não será tido em conta a variável “pobreza”, uma vez que não se aplicam os óptimos de susceptibilidade dessa variável na região em estudo.

track

50

trunk_link

50

trunk

50

unclassified

50

Foram convertidas em formado matricial e atribuído a todos os pixels onde não havia estradas um valor correspondente

ao de atravessar a pé (consideramos 3km/h), e convertidos ainda de seguida para tempo de atravessamento do pixel, em

segundos. Cruzada essa matriz com a localização dos hospitais e restantes equipamentos de saúde, foi derivada uma carta que representa, em segundos, o tempo de deslocação ao hospital ou equipamento de saúde mais próximo.

c) Modelos Climáticos

Os modelos climáticos foram retirados do website “gisclimatechange.ucar.edu”, em formato pontual, e trabalhados numa tabela de modo a que cada ponto correspondesse a uma anomalia de temperatura e precipitação para cada cenário (2.6, 4.5, 6 e 8.5). Estando os dados organizados desta maneira, foi derivada uma superfície de interpolação através de módulos

de estatística espacial que, a partir de uma nuvem de pontos derivam, em função do peso de cada ponto os valores de variação espacial dessa anomalia em direcção a outro ponto. Foi criado um ficheiro com cada interpolação de cada cenário para o ano de 2050 para serem integrados no modelo final.

d) Imagens de Satélite

A utilização de imagens de satélite tem, neste estudo, a intenção de aferir o índice digital normalizado de vegetação

(NDVI) e a temperatura média do solo durante um ano. O satélite escolhido foi o Landsat 8, devido às suas resoluções espacial, espectral e temporal, que permitem ter cerca de duas imagens por mês, com 30m de resolução espacial e devido à existência de, para além das bandas do vermelho e próximo infravermelho (para calcular o NDVI), duas bandas de infravermelho térmico (bandas 10 e 11).

f) Uso do Solo e Dados Estatísticos

A cartografia de uso do solo foi descarregada directamente do website do Copernicus Land Monitoring Service 5 ,

convertida em formato matricial. Os dados estatísticos foram descarregados do portal do INE, referentes ao último

recenseamento geral da população (CENSOS 2011).

3- Enquadramento Teórico

3.1- Potenciais Vectores de Malária em Portugal

Existem várias espécies de mosquitos que fazem de Portugal o seu habitat. Destes, duas espécies são vistas como principais potenciais vectores do plasmódio da malária. “Em Portugal continental, as larvas de Anopheles atroparvus foram associadas a formas imaturas de mais de metade (20/38) de todas as espécies registadas”. Esta espécie continua a existir por toda a europa, com especial incidência nas áreas costeiras, mas também comumente encontrada em habitats de água doce. Implicado como um vector chave para a transmissão da malária durante o século XX, após erradicada a prevalência da malária através de métodos que impediam a transmissão do plasmódio para os vetores, através da sensibilização e estudo da doença, o que permitiu que se protegessem as culturas, porém a grande arma utilizada na erradicação da malária em Portugal foi o combate químico, à base de inseticida, em particular o DDT, após erradicada a

5 https://land.copernicus.eu/pan-european/corine-land-cover/clc2018

doença endémica. O mosquito ainda está presente no território nacional e continua a ser um incómodo, picando em partes da Europa.

Estudos de adequação actuais indicam que o habitat e o clima na Europa do século XXI são extensivamente apropriados para esta espécie. Existem possíveis conflitos com estratégias de conservação da natureza. Actualmente a sua distribuição geográfica vai deste o sudeste da Suécia até Portugal ao longo das costas do Atlântico e ao redor do mar Báltico e Mediterrâneo, com distribuição desigual no Sul e sudeste da Europa. Esta espécie vector identificada na Bélgica, Bósnia e Herzegovina, Bulgária, Croácia, República Checa, Dinamarca, Estónia, França, Hungria, Letónia, Lituânia, Macedónia, Moldávia, Montenegro, Países Baixos, Polónia, Portugal, Roménia, Rússia, Sérvia e Eslováquia, Eslovénia, Espanha (incluindo as ilhas Canárias), Suécia, Ucrânia e Reino Unido. Sugere-se que a espécie está ausente no Sul da Itália e da Grécia. Pensa-se ser a espécie de mosquito mais comum e abundante em Portugal. Um estudo realizado em Espanha entre 2001

e 2005 em quatro das zonas húmidas mais importantes, constatou que era a quarta espécie de mosquito mais abundante e

uma das espécies mais comuns em campos de arroz. Anopheles atroparvus foi a espécie mais abundante dos Anopheles maculipennis complexo encontrado no sudeste de Inglaterra num estudo de campo 2006. A transformação da água salobra em água doce nos países baixos na segunda metade do século XX e a poluição pesada causada por detergentes resultaram na quase extinção de Anopheles atroparvus. As medidas antipoluição e um maior investimento na conservação podem resultar no aumento da abundância das espécies no futuro. Este mosquito é geralmente zoofítico, ou seja, a sua preferência são animais, no caso do Atroparvus, animais domésticos. Porém, dependendo da disponibilidade de presas, esta espécie também picará humanos.

3.2- Limites e Restrições Ambientais

Em Portugal, Anopheles atroparvus é encontrado principalmente em habitats de água doce, ao longo das margens do rio

e piscinas rochosas, reservatórios de água de cimento e campos de arroz, mas também em obras de sal e locais de

reprodução salobra nos limites dos pântanos. Prefere lugares de reprodução bem expostos ao sol, mas onde alguma sombra

é fornecida pela vegetação. Os valores de pH variam de 5 a 8 (com uma média de 6,2) e a temperatura da água varia entre

16,2 e 34,2 º C. Estudos que investigam a adequação do clima e do habitat em Portugal sugerem que as restrições ambientais não mudaram nos últimos 70 anos e que estas estão relacionadas com a temperatura, humidade, precipitação anual e a presença de corpos de água e vegetação. Em Portugal, Anopheles atroparvus é a única espécie de mosquito implicada na transmissão da malária. Nos países da União Europeia e do espaço económico europeu, a malária foi erradicada desde 1975 e a grande maioria casos de malária relatados são importados. No entanto, há um risco de que os casos importados possam actuar como uma fonte de outras infecções em regiões habitadas por Anopheles atroparvus, embora o risco desta ocorrência seja baixo. Em Portugal, ao contrário do que acontece com o resto da europa, esta espécie tem um período de hibernação muito curto para os elementos do sexo feminino do atroparvus. Em regiões portuguesas onde médias mensais das temperaturas médias diárias são geralmente superiores a 10º C, Anopheles atroparvus não parece hibernar. As fêmeas continuam a alimentar- se durante os meses de Inverno.

3.3- Alterações Climáticas e Distribuição do Vector

Há que compreender que “os limites espaciais da distribuição e actividade sazonal é sensível aos factores climáticos, assim como a capacidade local de controlar a doença”. Então, torna se claro que algum efeito poderá ocorrer na distribuição e na actividade caso existam alterações climáticas que mudem os padrões comportamentais da espécie vector. Segundo Patz e Kovats (2005), identificam se seis áreas de preocupação no que respeita a saúde humana desencadeadas pelas mudanças climáticas. Esta lista inclui as ondas de calor, o aumento do nível médio das águas do mar, inundações e secas mais frequentes, desnutrição causada pelos efeitos na agricultura, os efeitos do el niño e por fim e foco deste trabalho, a malária em latitudes e altitudes mais elevadas. Epidemiologistas acreditam que devido ao aumento da temperatura média do globo, mais áreas que anteriormente não eram propensas para a sobrevivência dos vectores se tornem mais favoráveis, e mesmo aquelas que já tem o vector presente como é o caso de português irão verificar um aumento na intensidade e duração da sua actividade anual. “Visto

nesta luz, a mudança climática tem o potencial para intensificar o fardo global de certas doenças, incluindo a malária, e a inter-relação reversa ganhos de desenvolvimento. A Organização Mundial da saúde e a Organização Meteorológica Mundial identificou a malária como uma das mais doenças sensíveis, com uma riqueza de evidências sugerindo associações significativas entre as mudanças temperatura, chuva e humidade e malária.” (Klutse et al. 2014). Razões para que exista uma incidência alta nas regiões tropicais é o clima adequado, que não só favorece a sobrevivência

e prevalência do vector como do próprio plasmódio em si, que também se relaciona com as condições meteorológicas. A

temperatura circundante também afecta o desenvolvimento de plasmódio dentro do mosquito e diminui com o aumento da temperatura. Entretanto em umas circunstâncias mais frias, este tempo do desenvolvimento pode exceder a extensão de vida total de um mosquito. Consequentemente a esperança de vida total do mosquito é muito importante; diminui com temperaturas muito elevadas.” (Nabi, S., & Qader, S., 2009) Os efeitos que o clima tem sobre a susceptibilidade á transmissão da malária levam muitos a crer que o aquecimento global resultará indiscutivelmente na disseminação para locais onde anteriormente não existia ou havia sido erradicada. Estas crenças resultam da atribuição do aumento recente da incidência da malária em territórios onde esta era mais baixa, em altitudes e latitudes maiores. No entanto, os efeitos do aquecimento global na disseminação da malária são discutíveis pois existem muitos outros factores que podem explicar o aumento da incidência de malária. É muito difícil estimar os efeitos da temperatura sobre a malária e prever o impacto futuro do aquecimento global devido à complexa epidemiologia da doença e outros factores associados a ela.

4- Processamento dos Dados

4.1- Modelo de Susceptibilidade: Variáveis e Ponderações

Dentro do modelo de susceptibilidade no qual se vai focar esta análise, podemos dividir as variáveis em estudo e integradas nesse modelo em dois grandes grupos: as endógenas e as exógenas. Por “endógenas” entendemos todo o conjunto de variáveis que não sofrem variação ao longo do ano, enquanto que as “exógenas” representam as variáveis que sofrem variações no espaço relativamente abruptas.

Variáveis Endógenas:

- Altitude

- Declives

- Uso do Solo

- Distância-tempo a Equipamentos de Saúde

- Distância aos Corpos de Água

Variáveis Exógenas

- Temperatura de Superfície

-

- Precipitação

NDVI

a) Variáveis Endógenas

As ponderações e classificações foram apuradas após uma pesquisa bibliográfica relativamente extensa no que diz respeito

às condições ideais de sobrevivência e propagação de mosquitos transmissores de malária. Com essa pesquisa, e tendo

em atenção os dados que eram possíveis de derivar por nós de forma gratuita, chegámos ao conjunto de variáveis

supracitado.

As classificações tiveram como origem, fundamentalmente, dois textos: “Mapping and Modelling Malaria Risk Areas

Using Climate, Socio-Demographic and Clinical Variables in Chimoio, Mozambique6 , e “Risco Potencial De

Transmissão De Malária Em Portugal Continental7 . Nas variáveis endógenas, o tratamento das classificações teve que

ser muito cuidado, uma vez que um documento trata o caso de Moçambique, que climaticamente é muito diferente do

Litoral Alentejano, e o caso mais parecido é aplicado a todo o território de Portugal Continental que, por abranger o país

inteiro tem uma classificação própria por apreço à globalidade dos valores. Nos casos em que não nos foi possível derivar

classes com sentido óptimo (nomeadamente na altitude e distância-tempo a Equipamentos de Saúde) os dados foram

classificados em quintis.

A tabela abaixo demonstra as ponderações e classificações atribuídas pelo primeiro grupo de investigação mencionado.

De todas estas variáveis, apenas a densidade populacional, os casos registados de prevalência de Malária e a distância às

estradas não constam, um por problemas encontrados no processamento dos polígonos e dados do INE, o outro por pura

e simplesmente não termos disponíveis, e o último por termos considerado mais relevante trocar esta variável por uma

análise de distância-tempo (utilizando as estradas) a todos os Hospitais e Equipamentos de Saúde da região e um pouco

mais afastado (uma vez que a área de influência de um hospital ou centro de saúde não ser impedida por um limite

administrativo imaginário como é a fronteira do Alentejo Litoral.

6 Ferrao, J.L.; Niquisse, S.; Mendes, J.M.; Painho, M. Mapping and Modelling Malaria Risk Areas Using Climate, Socio- Demographic and Clinical Variables in Chimoio, Mozambique. Int. J. Environ. Res. Public Health 2018, 15, 795. 7 Gomes, Eduardo (2010). “Risco Potencial De Transmissão De Malária Em Portugal Continental”, Lisboa: FCSH- UNL, disponível na www em; https://run.unl.pt/handle/10362/4156

Pesos finais Variável Temperatura Precipitação Ocupação do Solo Altitude Distancia a corpos de água Declive

Pesos finais

Variável Temperatura Precipitação Ocupação do Solo Altitude Distancia a corpos de água Declive NDVI Distância a Hosp. e Equip. de Saúde

Peso %

23,7

22,1

13,3

12,3

12,3

8,2

4,5

3,6

A tabela acima discrimina as ponderações finais utilizadas pelo nosso modelo de cálculo.

b) Variáveis Exógenas

As variáveis exógenas não constam de nenhum dos modelos de análise com que nos deparámos, pelo que a sua integração

foi totalmente feita por nós após um longo período de tentativa e erro, com a agravante de querermos ainda integrar

cenários de alterações climáticas para a definição de incrementos marginais de risco e susceptibilidade à Malária para o

Alentejo Litoral.

O NDVI e a temperatura foram obtidos através de ferramentas de Detecção Remota: utilizando imagens de Landsat 8 sem

nuvens (meses de Abril, Junho, Julho, Agosto, Setembro, Outubro, Novembro e Dezembro) para o ano de 2017. O modelo

utilizado para definir a temperatura de superfície está esquematizado na imagem abaixo, e o NDVI faz parte do processo:

na imagem abaixo, e o NDVI faz parte do processo: Os valores de precipitação encontram-se disponíveis
na imagem abaixo, e o NDVI faz parte do processo: Os valores de precipitação encontram-se disponíveis

Os valores de precipitação encontram-se disponíveis gratuitamente no website da WMO para cada mês e com uma

resolução espacial de 1000m e foram reclassificados em quintis, uma vez que não conseguimos estabelecer uma relação

directa e ponderável entre valores específicos de precipitação e a prevalência do mosquito, e portanto tivemos em conta

que precipitação a mais ou a menos eram prejudiciais à sua proliferação, e os valores intermédios como óptimos de

sobrevivência.

c) Modelos Climáticos

Como remate final ao nosso modelo, e parte fracturante da relevância do nosso trabalho integrámos uma série de modelos

climáticos para aferir de que forma as alterações climáticas podem aumentar ao diminuir a susceptibilidade do Alentejo

Litoral à transmissão de malária.

“There is much evidence of associations between climatic conditions and infectious diseases. Malaria is of great public

health concern, and seems likely to be the vector-borne disease most sensitive to long-term climate change.” (WHO,

s.d) 8

“Red cell disorders and malaria, Haldane observed, were prevalent among people living in warm climates of European,

North African, and West Asian countries that surround the Mediterranean Sea (collectively called the Mediterranean

Basin).” (ASD Clinical News, 2019) 9

A integração dos modelos climáticos será feita através da interpolação das anomalias em relação à actualidade para o ano

de 2050 para dois cenários do IPCC: 4,5 e 8,5. Esta anomalia será somada à temperatura e precipitação actual para obter

8 Disponível na www em: https://www.who.int/globalchange/climate/summary/en/index5.html

9 Disponível na www em: https://www.ashclinicalnews.org/features/blood-beyond-borders-malaria-thalassemia- mediterranean-basin/

a estimativa dos valores mensais para esse período. Serão integrados no modelo tal como se de dados efectivos de temperatura se tratassem, por uma questão de coerência e cálculo ceteris paribus.

d)

Reclassificação

Precipitação Os dados da precipitação foram recolhidos por mecanismos de observação da terra, são dados internacionais, com uma resolução de 1km e foram retirados da base de dados da World Climate Organization. Estes dados foram então interpolados para obtermos uma resolução de 30m. A sua classificação teve por base a tabela de (meter referencia aqui), para adequar a tabela aos nossos dados foi preciso converter os valores da tabela, que estavam em totais mensais, para médias diárias, e obtivemos a seguinte classificação.

Precipitação média diária

Classe

< 15 mm 15 - 23,33 23, 34 - 33,33

1

3

5

> 33,33

1

Esta classificação mostra que existe um óptimo de precipitação, em que abaixo de 15mm dia o mosquito não se desenvolve bem, e com mais de 33,33 mm dia, o excesso de água também prejudica o seu desenvolvimento. O óptimo de precipitação para o Anopheles é entre 23,34 e 33,33. Esta tabela de reclassificação vai incidir sobre as projecções do IPCC, que representam a anomalia, ou seja, o desvio dos valores que resultará se algum destes cenários se concretizarem, para obtermos os valores, somaram se os dados da precipitação de 2016 da WCO com os dados das anomalias do IPCC. Temperatura Os dados da temperatura foram recolhidos com base em técnicas de detecção remota sobre uma imagem de satélite Landsat 8, que permitiu obter com uma resolução de 30m a temperatura à superfície. Para fazer a reclassificação baseamo- nos na tabela () e na consulta do portal do European centre for Disease Prevention and Control – “Anopheles atroparvus factsheet for experts”. Esta pesquisa sobre as características deste tipo de mosquito em especial permitiu elaborar uma classificação mais adequada ao clima português. Esta pesquisa também permitiu descobrir o ótimo da temperatura para o desenvolvimento do mosquito, que se situa entre os 25 e os 27, então com base em outra reclassificações e tendo este conhecimento, e o facto de em Portugal em especial se poder encontrar o Anopheles Atroparvus até a temperaturas tão baixas como os 10 graus Celcius, contruiu se a seguinte tabela.

Temperatura °c

Classe

 

< 10

1

10 -15 2

10

-15

2

15

- 20

3

20

- 25

4

25

- 27

5

27

- 30

4

30

- 35

3

> 35

2

Para as projecções, à semelhança com o que se fez com a precipitação, somaram se os valores da anomalia aos valores que resultaram da extracção da temperatura das imagens de satélite e efectuaram se classificações com base na mesma tabela para ambos os cenários. NDVI

O NDVI é o índice retirado por métodos de detecção remora sobre a vegetação, varia entre 0 e 1 e dá-nos o vigor da

vegetação no terreno, quanto mais próximo do 1 mais actividade clorofilina existe, quando mais próximo de -1 menos actividade clorofilina. Como o mosquito se desenvolve melhor em ambientes com vegetação, utilizou se a tabela, desdobrando as classes de -1 a -0,2777 e a classe 0,255 a 0,1 em duas (0,355 0,5 e 0,5 a 1). O resultado foi a seguinte tabela de reclassificação.

NDVI Valor Classe -1 - -0,2777 -0,2778 - 0 0 - 0,255 0,255 - 0,5
NDVI Valor
Classe
-1 - -0,2777
-0,2778 - 0
0 - 0,255
0,255 - 0,5
0,5 - 1
1
2
3
4
5

Pesos finais Para o cálculo da carta de susceptibilidade, cruzaram se todas as variáveis, atribuindo a cada uma delas um peso específico que tem por base o contributo que cada uma destas variáveis tem para a propagação do mosquito ou para a susceptibilidade

á sua picada. Com base na mesma tabela e a pesquisa bibliográfica efectuou se uma tabela personalizada, em que

comparativamente a tabela de base para este trabalho tem algumas alterações, em particular na ocupação do solo, que decidiu se atribuir um peso maior, e a inexistência da variável densidade populacional e prevalência da malária, pelo que

se se distribuiu os seus pesos respectivos com as variáveis temperatura, precipitação e ocupação do solo. Por fim algumas operações de arredondamento para que o total fosse 100% retiraram peso residual das classes do NDVI e Distancia tempo aos hospitais.

Pesos finais

Variável

Peso %

Temperatura

23,7

Precipitação

22,1

Ocupação do Solo

13,3

Altitude

12,3

Distancia a corpos de água

12,3

Declive

8,2

NDVI

4,5

Distancia a centros de saúde

3,6

3,6

4.2- Cálculo Final

O cálculo final é relativamente simples: tendo todas as variáveis classificadas de 1 a 5, foram introduzidas numa soma ponderada com os pesos relativos que estão discriminados na tabela do capítulo anterior. Este cálculo foi feito para os valores médios anuais, e para cada um dos 8 meses nos três cenários possíveis (actual, 4,5 e 8,5), de forma a obter informação relativa à actualidade, ao como a globalidade dos valores vai alterar nas próximas décadas, e discriminar alguma alteração na sazonalidade (que será discriminada numa animação da apresentação em aula deste texto).

5- Resultados e Discussão

Efectuado o cálculo final para as médias anuais de 2017 e 2050 segundo os cenários 4,5 e 8,5 do IPCC, foram obtidas as três seguintes cartas:

para as médias anuais de 2017 e 2050 segundo os cenários 4,5 e 8,5 do IPCC,
para as médias anuais de 2017 e 2050 segundo os cenários 4,5 e 8,5 do IPCC,
Os resultados apresentaram para surpresa do grupo uma diminuição geral da suscetibilidade a transmissão da

Os resultados apresentaram para surpresa do grupo uma diminuição geral da suscetibilidade a transmissão da malária nos cenários 4.5 e 8.5. Esta surpresa resulta da discussão que tem havido em que muitos especialistas defendem que com as alterações climáticas a suscetibilidade a transmissão da malária aumente também, então tendo isto em conta, reviu se toda a metodologia utilizada para apontar as possíveis causas para este resultado. A primeira causa prende-se com os dados de satélite disponíveis, foram descartadas as imagens de janeiro, fevereiro, março, e maio, pelo que não se produziram cartas de suscetibilidade para estes meses, então as médias dizem respeito apenas a oito meses do ano, o que coloca limites à evolução sequencial prevista do risco, uma vez que há um défice de 33% de dados relevantes disponíveis para o modelo. Esses meses de inverno à semelhança dos de verão viriam a sua temperatura média aumentar para níveis eventualmente óptimos, aumentando assim o risco, e somando aos meses das estações intermédias resultariam, porventura, num aumento da média anual. O trabalho sobre imagem de satélite encontra um forte entrave na nebulosidade, razão essa que levou o grupo a descartar essas imagens. Outros motivos prendem se com as interpolações estatísticas sobre nuvens de pontos que têm um grande erro associado. Não obstante, a metodologia em que o grupo se baseou não estava ajustada aos níveis de precipitação de Portugal continental, o que poderá ter afetado o resultado final, já que a precipitação tem uma grande ponderação e, com as características climáticas de Portugal continental e do litoral alentejano, talvez seja menos importante trabalhar em valores médios de precipitação, mas sim com medidas de dispersão adaptadas as chuvas erráticas e inconstantes, com a existência de meses inteiros sem uma gota de chuva. Por fim, colocou se a hipótese que um clima mais quente e menos húmido fosse de facto desfavorável ao desenvolvimento do vector.

A variação sazonal vem por si oferecer pistas sobre o que poderá acontecer e do porque ser tão significativa a importância dos meses que não foram incluídos no modelo.

Após os resultados das médias anuais terem surpreendido, o gráfico da variação sazonal oferece uma

Após os resultados das médias anuais terem surpreendido, o gráfico da variação sazonal oferece uma luz sobre o que possivelmente poderá ser o efeito negativo das alterações climáticas para a propagação do vetor no Alentejo litoral. Inicialmente pensava-se que o pico da sua atividade seria nos meses mais quentes, tal não se verificou mesmo para o ano de 2017, antes pelo contrário, observam se mínimos, que só voltam a ser rivalizados pelos meses de novembro de dezembro. Em vez de uma curva semelhante à curva normal para o ano inteiro, esta observa-se apenas de julho a dezembro, com o seu pico em setembro para o ano de 2017, apesar de não existirem dados para afirmar que o mesmo acontece com os primeiros seis meses do ano, pensa-se que com os valores elevados de abril seguidos de valores baixos no mês de junho a tendência seja igual.

É nesta variação sazonal que os efeitos das alterações climáticas podem ser observados analisando as curvas dos anos de 2017, 2050 cenário 4.5 e 2050 cenário8.5. Os resultados da suscetibilidade para os cenários 4.5 e 8.5 mostram um “avanço” do pico de outono para meses habitualmente mais frios, se em 2017 o pico da segunda metade do ano era em setembro, no cenário do IPCC 8.5 o pico já é em outubro, tendo o cenário 4.5 mostrado quase que um equilíbrio entre ambos os meses. Pensamos que o mesmo se suceda com a diminuição da área com suscetibilidade máxima do mês de junho e o ligeiro aumento que se regista em abril, porém é difícil ter a certeza na ausência do mês de maio.

6- Notas Finais e Pistas Futuras

Este relatório conclui uma investigação de alguns meses sobre os fatores que influenciam a distribuição espacial da malária bem como do seu vetor. O Alentejo litoral constitui um território teste para este tipo de estudo perfeito pelas suas condições climáticas morfológicas. Os resultados apesar dos problemas de dados oferecem pistas sobre efeito que as alterações climáticas irão ter neste território Português, apesar de não termos tido como resultado aquele que era esperado, isto deve-se a dois motivos em especial. O primeiro, parte da premissa sobre a qual este trabalho foi elaborado, a de que os meses quentes do verão são aqueles em que a suscetibilidade deverá ser mais elevada, no entanto, os resultados de 2017 mostraram que os ótimos de sobrevivência do vetor se situam nos meses intermédios da primavera e do outono. O segundo resulta das falhas nos dados utilizados, que tiveram uma influencia importante no resultado final, dado que a premissa estava errada, os meses que não foram incluídos por questões técnicas incontornáveis, que se julgava não terem uma grande influência no resultado final, comprometeram uma análise mais detalhada da distribuição das condições de

sobrevivência e ótimos de atividade para o vetor. A metodologia utilizada seguiu outras metodologias que foram utilizadas, tendo sido em alguns casos adaptada a realidade portuguesa, e em outros casos optou-se por se deixar a classificação consultada, estes casos ocorrem por não existir informação suficiente que permita fazer essa adaptação, como é o caso da precipitação, que se deixou os valores de referência utilizados para Moçambique, o que teve certamente influência no resultado final.

Apesar dos problemas que foram encontrados e de todas as limitações que os dados disponíveis, ao incorporar os cenários 4.5 e 8.5 do IPCC para 2050 mostraram uma tendência de mudança nas condições de propagação do Anopheles Atroparvus derivada das alterações que se prevê que o clima irá ter neste território. Então se esta tendência for real, poder- se á esperar que no Alentejo Litoral se assista a um aumento da intensidade de mordidelas de mosquito nos primeiros meses da primavera e nos meses intermédios do outono, explicado pelo aumento da temperatura e a diminuição da precipitação. O aumento da temperatura e diminuição nos meses médios, que atualmente se encontram fora dos ótimos de desenvolvimento desta espécie vector, fará com que estes se aproximem, quer por colocar a temperatura próxima do ideal, quer por diminuir a precipitação, que antes seria demasiado abundante para que a água estagnasse.

Ao fazer previsões os resultados são sempre incertos com algum erro associado, os modelos são sempre muito sensíveis aos dados, por isso uma investigação e investimento numa infraestrutura de dados coerente e de qualidade é importante para este tipo de estudos. A criação de novas metodologias e a exploração de resultados, mesmo que não sejam os espectáveis permitirá que os territórios de preparem para a mudança de realidades, pois estas mudanças ainda não são compreendidas no seu todo, e com tantas variáveis em jogo, é importante que não se deixe escapar as novas tendências da reorganização ambiental em Portugal e no mundo.

7-

Bibliografia

Lopez, J., Reyes, I., et al (coord). (2014). Plan Regional Para La Reduccion De Desastres PRRD 2006-2015,

disponível na www em:

http://www.cepredenac.org/application/files/8714/9866/7804/Plan_Regional_de_Reduccion_de_Riesgo_de_Desastres_

PRRD_2014_-_2019.pdf . consultado em Março de 2019

Ferrao, J., Niquisse, S., Mendes, J., & Painho, M. (2018). Mapping and Modelling Malaria Risk Areas Using Climate, Socio-Demographic and Clinical Variables in Chimoio, Mozambique. International Journal of Environmental Research and Public Health; Gomes, Eduardo. (2010). Risco potencial de transmissão de malária em Portugal Continental. Faculdade de Ciências Sociais e Humanas, Universidade Nova de Lisboa; Hassaan, M. A., Abdrabo, M. A., & Masabarakiza, P. (2017). GIS-Based Model for Mapping Malaria Risk under

Climate Change Case Study: Burundi. Journal of Geoscience and Environment Protection, 05(11), 102117;

Land

Surface

Temperature

Model.

(2015).

Obtido

em

fevereiro

de

2019,

de

https://www.arcgis.com/home/item.html?id=bd13c860a9b14c7bab0dca6ee2100cb6;

 

Malaria:

Causes

and

Risk

Factors.

(2018).

Obtido

em

Fevereiro

de

2019,

de

https://www.verywellhealth.com/malaria-causes-and-risk-factors-4160670;

Moss, W. J., Hamapumbu, H., Kobayashi, T., Shields, T., Kamanga, A., Clennon, J., Glass, G. (2011). Use of remote sensing to identify spatial risk factors for malaria in a region of declining transmission: a cross-sectional and longitudinal community survey. Malaria Journal, 10; Paul, P., Kangalawe, R. Y. M., & Mboera, L. E. G. (2018). Land-use patterns and their implication on malaria transmission in Kilosa District, Tanzania. Tropical Diseases, Travel Medicine and Vaccines; Protopopoff, N., Van Bortel, W., Speybroeck, N., Van Geertruyden, J.-P., Baza, D., D’Alessandro, U., & Coosemans, M. (2009). Ranking Malaria Risk Factors to Guide Malaria Control Efforts in African Highlands. PLoS ONE; WHO | Malaria. Obtido em abril de 2019, de https://www.who.int/malaria/en/;

UNDP, Reducing Disaster Risk, A Challenge for Development (2004). Obtido a 22 de maio de 2019 em

https://www.undp.org/content/undp/en/home/librarypage/crisis-prevention-and-recovery/reducing-disaster-risk--a-

challenge-for-development.html

CEPREDENAC - Plan Regional Para La Reduccion De Desastres PRRD 2006-2015 (2006)