Avaliação de Algoritmos de ç gModelos de Distribuição de

Espécies para Predição de Risco de Eclosão de Mosquitos Aedes de Eclosão de Mosquitos Aedes

spp.spp.

Líliam César de Castro Medeiros

CCST CCST

Objetivo:

Avaliar o desempenho de l i d M d l dalgoritmos de Modelos de

Distribuição de Espécies,

para classificar altas densidades de criadouros de mosquitos Aedes em uma escala fina node mosquitos Aedes em uma escala fina no arquipélago das Bermudas

Identificar covariáveis ambientais que t ib lt lê i dcontribuem para a alta prevalência de

mosquitos nesta escala

O Arquipélago das Bermudas

Possui: Área < 54 km2Área < 54 kmClima subtropical

Invernos suavesVerões quentes e úmidos

Os Mosquitos Aedes

Por serem importantes vetores de arboviroses humanas, a determinação precisa de áreas que são propensas a

produzir altas densidades de mosquitosé crítica para o desenvolvimento de

t té i d iti ã t lestratégias de mitigação e controle

Os Mosquitos Aedes

Informações sobre presença e densidade de espécies

A amostragem por ovitrampas permite a captação de ovos a partir de pequenos criadouros e têm sido usados com frequência para monitorar populações de Aedes

Os dados de amostragem são usados como estimadores de presença decomo estimadores de presença, de atividade ou de tamanho de populaçõesnas vizinhanças das armadilhas

Fontes de Erros inibição da oviposição pela presença de componentes químicas na água

l ã d h bit tseleção de habitateventos de oviposição múltipla nas ovitrampas

Modelos de Distribuição de Espécies(SDMs – Especies Distribution Models)

Também conhecidos como environmental niche modelling,

(SDMs – Especies Distribution Models)

Também conhecidos como environmental niche modelling, ecological niche modelling, fundamental niche modelling, ou simplesmente niche modelling

Frequentemente utilizados para produzir mapas de predição de riscosproduzir mapas de predição de riscos em escalas grosseiras (continentais, nacionais, estaduais ou di t it i )distritais)

Figura:http://web.unbc.ca/~johnsoch/Dr_Chris_Johnson_UNBC_Res_Proj.htm

Slide de: Silvana Amaral, Cristina Bestetti Costa, Fábio Iwashita, Arimatéa Ximenes, Dalton M. Valeriano

Modelagem de Distribuição de Espécies

Podem usar dados de

presençapresença/ausência dados quantitativosdados quantitativos

Bermuda’s Islands, 2006-2007

Desafio para a aplicação de SDMs!!!

Variáveis bioclimáticas não podem ser usadasdevido à falta de variabilidade na regiãodevido à falta de variabilidade na região

Área < 54 km2

Pixels < 100m

Bermuda’s Islands, 2006-2007

Pontos positivos: a presença de um extensivo programa semanala presença de um extensivo programa semanal de monitoramento de ovitrampas

a quase exclusiva presença de uma única espécie de mosquitos nos criadouros,

d lbo Aedes albopictus, com ocasional presença de Aedes aegyptide Aedes aegypti

a disponibilidade dos registros de presençade mosquitos por 2 anos consecutivos, nos quais a populaçãoparece permanecer constante, o que permite que áreas de l ifi ã j d j t d d dclassificação sejam comparadas com o conjunto de dados

como uma medida de robustez dos algoritmos

Bermuda’s Islands, 2006-2007

Aplicados e avaliados 5 Modelos de Distribuição de Espéciesde Espécies

BioclimBioclimDomainGARPGARPMaxEntRegressão LogísticaRegressão Logística

BioClim

Modelo bioclimático que compara a atual distribuição de uma espécie com uma quantidade de variáveis climáticas,

d i d l (hi b ) d ãproduzindo um envelope (hipercubo) que descreve a atuação das variáveis climáticas na variação de uma espécieOs parâmetros do envelope climático podem ser usados para p p p pestimar mudanças potenciais na distribuição, subordinadas aos vários cenários de mudanças climáticas

Figura: Elith & Leathwick, 2009

Domain

Usa uma medida de similaridade calculada ponto-a-ponto para atribuir valores de classificaçãoatribuir valores de classificação para as localidades candidatas, com base no recorte mais similar do espaço ambientaldo espaço ambiental

A todas as localidades candidatasA todas as localidades candidatas são associados valores de similaridade, e thresholds ou intervalos de contorno, definidos ,pelo usuário, que determinam as áreas mapeadas

(Carpenter et al., 1993)

GARP - Genetic Algorithm for Rule-Set Prediction

Algoritmos genéticos:

Implementados como uma simulação de computador em queImplementados como uma simulação de computador em que uma população de representações abstratas de solução é selecionada em busca de soluções melhoresA evolução é realizada por meio de gerações e geralmente seA evolução é realizada por meio de gerações e geralmente se inicia a partir de um conjunto de soluções criado aleatoriamente

A cada geração, a adaptação de cada solução na população é avaliada, alguns indivíduos são selecionados para a próxima geração e recombinados oupróxima geração, e recombinados oumutados para formar uma nova populaçãoA nova população então é utilizada comoA nova população então é utilizada como entrada para a próxima iteração do algoritmo

GARP - Genetic Algorithm for Rule-Set Prediction

Um modelo GARP é um conjunto aleatório de regrasUm modelo GARP é um conjunto aleatório de regras matemáticas as quais podem ser lidas como condições ambientais limitantes

Cada regra é considerada como um gene

O conjunto de genes é combinado inicialmente de maneira aleatória para gerar muitos modelos possíveis para descrever o potencial de ocorrência das espécieso potencial de ocorrência das espécies

(Wikipédia; Stockwell & Peters, 1999)

MaxEnt

Na teoria da informação, a entropiarefere-se à incerteza de uma distribuiçãorefere se à incerteza de uma distribuição de probabilidade

Informalmente: quanto mais “espalhada” a distribuição deInformalmente: quanto mais espalhada a distribuição de probabilidade, maior incerteza ela irá refletir

medida de entropiamedida de entropia

Assim, maximizar a entropia significa determinar a distribuição com maior grau de similaridade entre suasdistribuição com maior grau de similaridade entre suas probabilidades, ou que seja mais parecida com a uniforme e diferindo dela apenas devido às restrições

(Mattos & Veiga, 2002; Kapur & Kesavan, 1992; Shannon, 1948)

MaxEnt: Problema de Otimização

Maximizar a entropia(dist. discretas)

Ocorrências das espécies

Regras associadas às variáveis ambientais

MaxEnt encontra a distribuição de probabilidade de máxima entropia que se ajusta com os dados de presença fornecidos,

(Mattos & Veiga, 2002; Shannon, 1948; Phillips et al., 2004, 2006)

entropia que se ajusta com os dados de presença fornecidos, com base nos dados ambientais

Regressão Logística

Análise da relação entre a probabilidade do sucesso da variável resposta e as variáveis explicativasp p

http://statmaster.sdu.dk/courses/st111

Objetivo:

Avaliar o desempenho de l i d M d l dalgoritmos de Modelos de

Distribuição de Espécies,

para classificar altas densidades de criadouros de mosquitos Aedes em uma escala fina node mosquitos Aedes em uma escala fina no arquipélago das Bermudas

Identificar covariáveis ambientais que t ib lt lê i dcontribuem para a alta prevalência de

mosquitos nesta escala

Seleção das Variáveis Ambientais

Com base na disponibilidade e expectativa dos fatores influenciadores na população de mosquitos:

distância para edificaçõesdistância para estradasd id d d l ã hdensidade da população humana

elevação acúmulo de águainclinação acesso da equipe de limpeza a locais íngremes

distância

t Aspectopara a costa Aspecto

Variáveis que Não Foram Selecionadas

Canopy densityCanopy density

EvapotranspiraçãoEvapotranspiração

Condições de mic o climaCondições de micro-clima

Ab dâ i d i i tAbundância de recipientes descartados

Dados de Ovos Aedes (2006-2007)

292 ovitrampas - semanaisValores de prevalência (frequência de ovitrampasValores de prevalência (frequência de ovitrampas positivas) mostraram-se estáveis e não foram encontradas diferenças sigificativas

Classificação de ovitrampas: positivas para altas densidades se apresentaram valores acima da média p

dados de presença = positivas p/ altas densidades de mosquitos f d t t d ≥ 6= os ovos foram detectados em ≥ 6 semanas

em cada ano

dados de ausência = negativas p/ altas densidades de mosquitos = caso contrário

Calibragem Validaçãoç

Conjuntos de treinamento com 75% das observações

Conjuntos de testes consistindo de 25% dos dadosdos dados

O processo foi realizado in DIVA-GIS Versão 5.2.0.2O processo foi realizado in DIVA GIS Versão 5.2.0.2

30 ti õ 30 subamostras de treinamento/testes30 repetições 30 subamostras de treinamento/testes para cada conjunto de dados

Padronização: saídas reescalonadas para 0-1, dividindo cada pixel pelo valor máximo dos pixels

Metodologia de Análise de Desempenho

Segundo a área abaixo da curva ROC (AUC), usando a ferramenta online JLABROC4 (WWW.jrocfit.org)( j g)A AUC pode variar de 0 a 1: completa discordância variando até perfeita concordância Diferenças entre valores de AUC obtidas de cada subamostra com cada algoritmo foram testadas pelo ANOVA Um subsequente procedimento de diferenças honestamenteUm subsequente procedimento de diferenças honestamente significantes Tukey-Kramer (HSD) foi utilizado para avaliar diferenças entre paresOs valores de AUC obtidos do conjunto de dados de 2007Os valores de AUC obtidos do conjunto de dados de 2007 falharam no teste de normalidade goodness-of-fit (Shapiro-Wilk test) e foram transformados (y ’ = -1/y) para encontrar

l d dnormalidade

perfeita concordância

Desempenho dos Modelos

AU

C

Bioclim Domain GARP LogReg MaxEnt

completa discordância

Bioclim Domain GARP LogReg MaxEnt

Desempenho dos Modelos

Desempenho dos Modelos

Usando ambos os conjuntos de dados completos, a qualidade de ajuste para cada dos 2 melhores modelos indica j pdesempenhos aceitáveis para cada conjunto de dados

Checagem de Robustez dos Algoritmos

Uma correlação espacial entre as predições de classificações para 2006 e 2007 para cada subamostra e cada algoritmo p p gfoi executada usando IDRISI (REGRESS Module)A estatística obtida falhou no teste qualidade de ajuste de normalidade (Shapiro-Wilk test) e nenhuma transformaçãonormalidade (Shapiro-Wilk test) e nenhuma transformação satisfatória de normalidade foi encontradaPara comparações aos pares, procedimentos bootstrap foram utilizados para produzirem 95% de intervalos de confiança após 10.000 réplicas usando S-plus Versão 8.0.4Intervalos de confiança não sobrepostos foram consideradosIntervalos de confiança não sobrepostos foram considerados estatisticamente diferentesA menos especificado o contrário, análises estatísticas foram executadas usando JMP Versão 7 0executadas usando JMP Versão 7.0

Robustez dos Modelos Alta robustez: consistente coma alta correlação espacial entrea alta correlação espacial entre o risco predito para os 2 anos

consecutivos

Importância das Variáveis R ã L í ti M E tpara Regressão Logística e MaxEnt

Importância das Variáveis R ã L í tipara Regressão Logística

20072006 2007

Importância das Variáveis para MaxEnt

Cálculos de contribuições das variáveis em MaxEnt são sensíveis a correlações entre variáveis

Se 2 variáveis são importantes, MaxEnt atribuirá uma grande

2007

p , gcontribuição para uma delas e uma baixa contribuição para a outra

2006 2007

Importância Individual de Cada Variável para MaxEnt

Interaçõescomcomoutras variáveis

Obtenção de Mapas de Classificação de RiRiscos

Foram utilizados os conjuntos de dados completos para ambos os anos e os valores de AUC como indicadores deambos os anos e os valores de AUC como indicadores de qualidade de ajuste para os 2 modelos que tiveram o desempenho melhor, de acordo com o critério AUC descrito

Foi comparado o desempenho global dos algoritmos baseados nos mapas de classificação de riscos e AUCsp ç

Avaliação dos Mapas de Risco para MaxEnt e Regressão Logísticapara MaxEnt e Regressão Logística

Regressão Logística MaxEnt

2006

2007

Concordância em algumas áreas de baixo risco: aeroporto, uma grande reserva natural e as ilhas pequenas. Essas áreas dividem características como proximidade à costa, pequena elevação, pequena inclinação, pequena população e pequena prevalência de características relacionadas aos humanos, como estradas e edificações

Regressão Logística MaxEnt

2006

2007

Obrigada pela paciência!!!Obrigada pela paciência!!!