Опыт использования MaxEnt-модели для ранжирования территории Прикаспийского песчаного природного очага чумы (43) по риску регистрации эпизоотий

Цель работы – ранжирование территории Прикаспийского песчаного природного очага чумы (43) по риску возникновения эпизоотий с использованием MaxEnt-модели.

Материалы и методы. При создании модели использованы архивные данные Ставропольского противочумного института, Дагестанской, Элистинской, Астраханской противочумных станций по эпизоотическим проявлениям чумы в очаге за последние 35 лет. Преобразованы в систему координат 615 архивных точек выявления чумы (с 1980 по 2015 г.). Для построения MaxEnt-модели использованы 87 общедоступных биоклиматических переменных BioClim. Погодно-климатические факторы базы BioClim являются усредненными за многолетний период.

Результаты и обсуждение. Полученная MaxEnt-модель имеет очень высокую степень достоверности (AUC=0,975) с достаточно большой прогностической способностью (AUC=0,973). Согласно полученной модели, Прикаспийский песчаный природный очаг чумы имеет неоднородную структуру по вероятности регистрации эпизоотий и может быть разделен на пять зон. Наиболее значимыми факторами для модели являются следующие показатели: средняя температура самого влажного квартала, солнечное излучение в ноябре, средняя температура самого сухого квартала, количество осадков в самом холодном квартале, скорость ветра в мае, количество осадков самого влажного квартала и средняя температура воздуха в сентябре. Полученные данные дают возможность для целенаправленного поиска эпизоотий чумы и в дальнейшем могут быть использованы для корректировки границ изучаемого природного очага.

1. Бектурганова М.Б., Литвиненко М.Ю., Маховых И.А., Немилостев Н.Д., Пономаренко А.С., Рудер В.П., Сартин С.А., Шоканова Д.К., Щукина В.Н. Основные направления применения данных ДЗЗ в Северо-Казахстанской области. Актуальные вопросы современной науки. 2013; 29:34–49.

2. Kitron U., Kazmierczak J.J. Spatial analysis of the distribution of Lyme disease in Wisconsin. Am. J. Epidemiol. 1997; 145(6):558–66. DOI: 10.1093/oxfordjournals.aje.a009145.

3. Thomson M.C., Connor S.J., Milligan P.J., Flasse S.P. The ecology of malaria – as seen from Eart-observation satellites. Ann. Trop. Med. Parasitol. 1996; 90(3):243–64. DOI: 10.1080/00034983.1996.11813050.

4. Hielkama J.U., Roffey J., Tucker C.J. Assessment of ecological conditions associated with the 1980/81 desert locust plague upsurge in West Africa using environmental satellite data. Int. J. Remote Sens. 1986; 7(11):1609–22.

5. Rahman A., Kogan F., Roytman L., Goldberg M., Guo W. Modelling and prediction of malaria vector distribution in Bangladesh from remote-sensing data. Int. J. Remote Sens. 2011. 32(5):1233–51. DOI: 10.1080/01431160903527447.

6. Addink E.A., de Jong S.M., Davis S.A., Dubyanskiy V., Leirs H. Using very high spatial resolution remote sensing to monitor and combat outbreaks of bubonic plague in Kazakhstan. In: Anais XIV Simpósio Brasileiro de Sensoriamento Remoto. Natal, Brasil, 25–30 abril 2009. INPE. P. 7529–36.

7. Бурделов Л.А., Дубянский В.М., Davis S., Addink E.A., de Jong S.M., Агеев В.С., Leirs H., Stenseth N.C., Begon M., Heier L., Мека-Меченко В.Г., Поле Д.С., Сапожников В.И., Алипбаев А.К. Перспективы использования дистанционного зондирования в эпиднадзоре за чумой. Карантинные и зоонозные инфекции в Казахстане. 2007; 1-2:11–7.

8. Дубянский В.М. Концепция использования ГИСтехнологий и дистанционного зондирования в эпиднадзоре за чумой. Врач и информационные технологии. 2012; 2:42–6.

9. Ралль Ю.М. Палеогенезис природных очагов чумы в связи с географией носителей-грызунов. В кн.: Воронов А.Г., Страутман Ф.И., редакторы. Проблемы зоогеографии суши. Львов: Изд-во Львов. ун-та; 1958. С. 216–20.

10. Попова А.Ю., Кутырев В.В., редакторы. Атлас природных очагов чумы России и зарубежных государств. Калининград: РА Полиграфычъ; 2022. 348 с.

11. Онищенко Г.Г., Кутырев В.В., редакторы. Природные очаги чумы Кавказа, Прикаспия, Средней Азии и Сибири. М.: Медицина; 2004. 191 с.

12. Phillips S.J., Dudík M. Modeling of species distributions with Maxent: new extrension and a comprehensive evaluation. Ecography. 2008; 31(2):161–75. DOI: 10.1111/j.0906-7590.2008.5203.x.

13. Phillips S.J., Anderson R.P., Schapire R.E. Maximum entropy modeling of species geographic distributions. Ecol. Modell. 2006; 190(3-4):231–59. DOI: 10.1016/j.ecolmodel.2005.03.026.

14. Fick S.E., Hijmans R.J. WorldClim 2: new 1-km spatial resolution climate surfaces for global land areas. Int. J. Climatol. 2017; 37(12):4302–15. DOI: 10.1002/joc.5086.

15. Kriticos D.J., Jarošik V., Ota N. Extending the suite of BIOCLIM variables: a proposed registry system and case study using principal components analysis. Methods Ecol. Evol. 2014; 5(9):956– 60. DOI: 10.1111/2041-210X.12244.

16. Araújo M.B., Pearson R.G., Thuiller W., Erhard M. Validation of species-climate impact models under climate change. Glob. Change Biol. 2005; 11(9):1504–13. DOI: 10.1111/j.1365-2486.2005.01000.x.

17. Дубянский В.М., Халидов А.Х. Эколого-эпизоотологическая дифференциация природных очагов чумы. Проблемы особо опасных инфекций. 2021; 4:62–6. DOI: 10.21055/0370-1069-2021-4-62-66.