• Contenu principal
  • Menu
OpenEdition Books
  • Accueil
  • Catalogue de 15996 livres
  • Éditeurs
  • Auteurs
  • Facebook
  • X
  • Partager
    • Facebook

    • X

    • Accueil
    • Catalogue de 15996 livres
    • Éditeurs
    • Auteurs
  • Ressources numériques en sciences humaines et sociales

    • OpenEdition
  • Nos plateformes

    • OpenEdition Books
    • OpenEdition Journals
    • Hypothèses
    • Calenda
  • Bibliothèques

    • OpenEdition Freemium
  • Suivez-nous

  • Lettre d’information
OpenEdition Search

Redirection vers OpenEdition Search.

À quel endroit ?
  • Éditions Quæ
  • ›
  • Update Sciences & Technologie
  • ›
  • Télédétection et modélisation spatiale...
  • ›
  • Partie 2 - Analyser et prédire l’effet d...
  • ›
  • Chapitre 9 - Simulation spatiale du risq...
  • Éditions Quæ
  • Éditions Quæ
    Éditions Quæ
    Informations sur la couverture
    Table des matières
    Liens vers le livre
    Informations sur la couverture
    Table des matières
    Formats de lecture

    Plan

    Plan détaillé Texte intégral Modèles individus-centrés et spatialisés Application à la dengue à Bangkok : MO3, méthodes et données Simulations du modèle MO3 Conclusion Bibliographie Notes de bas de page Auteurs

    Télédétection et modélisation spatiale

    Ce livre est recensé par

    Précédent Suivant
    Table des matières

    Chapitre 9 - Simulation spatiale du risque de propagation de la dengue à partir de modèles comportementaux vecteurs et hôtes

    Éric Daudé, Sébastien Rey-Coyrehourcq et Alexandre Cebeillac

    p. 119-130

    Texte intégral Bibliographie Notes de bas de page Auteurs

    Texte intégral

    1Les maladies arbovirales telles que la dengue, le chikungunya et celle transmise par le virus Zika constituent un enjeu majeur de santé publique lorsqu’elles atteignent des niveaux épidémiques. À l’échelle mondiale, les épidémies sont en lien étroit avec les paramètres climatiques (température, précipitations) et les niveaux d’urbanisation des territoires, mais la compréhension de leurs dynamiques de propagation reste un défi majeur à l’échelle suburbaine. En effet, à cette échelle, l’hétérogénéité environnementale, les variations spatio-temporelles des densités de vecteurs et la mobilité des populations humaines complexifient la géographie de la maladie et de sa diffusion. La lutte contre ces virus cible principalement leurs vecteurs, essentiellement le moustique urbain Aedes aegypti. Cependant, cette lutte est compromise par la superficie des zones à traiter, la difficulté d’atteindre les lieux de présence potentielle des moustiques ou de leurs gîtes de ponte, le coût et l’effort humain requis. Si les stratégies de lutte développées dans les années 1960, qui passaient notamment par l’usage massif d’insecticides comme le DDT, sont aujourd’hui en partie inefficaces, la compréhension du système pathogène et les avancées technologiques permettent d’envisager le développement de stratégies de lutte ciblées, centrées sur le moustique vecteur, notamment en l’absence de vaccin (Hoffmann et al., 2011 ; Seixas et al., 2019). Cependant, l’identification des zones à cibler pour la lutte antivectorielle dans les grandes métropoles reste un défi majeur.

    2En épidémiologie spatiale, une des hypothèses les plus fréquentes postule que certains lieux spécifiques ont le potentiel d’être des points chauds de contamination hyperlocalisés, responsables de la multiplication des cas et à l’origine de processus d’amplification virale. Depuis ces lieux, et par la voie des mobilités humaines, d’autres lieux contribuent à la propagation virale à plus large échelle, agissant comme des nœuds de dispersion qui facilitent la propagation des pathogènes dans la ville (Daudé et al., 2015). Comment identifier ces lieux ? Ont-ils des spécificités socio-environnementales ? Comment évoluent-ils dans le temps et avec quels impacts sur la dynamique épidémiologique ?

    3À l’échelle d’une grande métropole de plusieurs millions d’habitants, l’identification de ces lieux devrait permettre un contrôle plus ciblé et moins intrusif, réduisant ainsi les foyers épidémiques, soulageant les infrastructures de soins en période épidémique et diminuant la charge économique pour les individus et la collectivité. Explorer le poids de ces facteurs — noyau de contamination locale vs dissémination via les mobilités humaines — dans la dynamique globale d’une épidémie n’est cependant pas trivial du fait des relations non linéaires qui existent entre tous ces composants et des difficultés d’accès ou de collecte des données pertinentes pour évaluer ces différents mécanismes. Pour explorer ces deux axes de recherche qui portent l’un sur le poids différencié des lieux dans l’exposition au risque de transmission et, l’autre, sur le rôle des mobilités individuelles dans la propagation du virus, la modélisation spatiale est donc particulièrement adaptée.

    Modèles individus-centrés et spatialisés

    4Différentes approches peuvent être utilisées pour modéliser et formaliser un objet ou domaine d’étude. Le choix de l’une ou de l’autre est fonction des objectifs assignés au modèle, des connaissances associées au phénomène étudié et des données disponibles pour le décrire.

    Différents types de modélisation

    5Un premier type de modèle s’appuie sur la disponibilité de données quantitatives pour en faire un résumé, une description, il s’agit des modèles statistiques. Des modèles de régression logistique multinomiale et des statistiques spatiales telles que l’auto-corrélation spatio-temporelle peuvent être utilisés pour rechercher des liens entre des clusters de cas d’une maladie, les caractéristiques socio-économiques et environnementales des quartiers et les modes d’occupation du sol. L’étude des résidus de ces modèles permet alors de rechercher des explications locales à ces écarts, pour comprendre par exemple pourquoi certains quartiers semblent davantage exposés à la maladie que la tendance générale (Zellweger et al., 2017).

    6Un second type de modèle s’appuie sur la formalisation de processus pour estimer notamment des valeurs qui ne sont pas connues localement ou prédire l’évolution d’un système. Un modèle gravitaire va permettre par exemple de calculer les flux de navetteurs entre différentes villes en fonction de la masse de ces villes (exprimée par le volume de leur population) et la distance qui les séparent. Ce type de modèle peut alors être utilisé pour estimer le risque de propagation d’un virus au sein d’un système urbain, voire entre pays via les vols internationaux (Salami et al., 2020).

    7Enfin, une troisième approche repose sur la modélisation de comportements, c’est-à-dire la manière de fonctionner ou de réaliser des actions d’une entité dans son environnement. Un modèle de déplacement peut ainsi décrire les mobilités quotidiennes d’un individu, contraintes par les activités qui devront être réalisées. La simulation de milliers de ces déplacements permet alors de reproduire les dynamiques collectives de mobilité au sein d’un territoire et d’y associer un mécanisme d’interaction interpersonnelle pour simuler la transmission d’un virus (Karl et al., 2014). La modélisation par système multi-agent (Treuil et al., 2008) est particulièrement bien adaptée pour ce type de problématique.

    Utilisation des modèles multi-agents en épidémiologie

    8Les systèmes multi-agents (SMA) relèvent des méthodes dites « individus-centrées ». Ils permettent d’implémenter informatiquement des modèles qui sont ensuite utilisés comme des « mondes artificiels » afin de mener des expérimentations proches de celles d’un laboratoire. Il est en effet possible, avec ces modèles, de contrôler les paramètres, de les modifier et de répliquer des séries d’expériences, par la simulation. L’observation et la mesure des évolutions et des changements d’état des agents permettent alors d’en inférer ce qui se passerait dans le monde réel dans des conditions similaires.

    9Fruit des recherches en intelligence artificielle distribuée et en robotique, les agents d’un SMA interagissent entre eux et avec leur environnement — le plus souvent selon des modes de coopération, de concurrence ou de coexistence — dans le but de résoudre des problèmes dont la complexité ne permet pas une résolution individuelle. En offrant une formalisation explicite de l’espace, du temps, des interactions, des comportements et des niveaux d’organisation, ces méthodes trouvent un terrain favorable aux questionnements géographiques, notamment dans l’étude exploratoire de phénomènes qui se propagent dans l’espace. Il s’agit alors de proposer une formalisation explicite des mécanismes fondamentaux qui concourent à la dynamique du phénomène, ceux-ci étant ensuite implémentés dans un système informatique afin d’en éprouver la validité par la simulation.

    10Dans les zones endémiques, notre première hypothèse est que les villes se caractérisent par un nombre limité de lieux qui présentent des conditions socio-environnementales favorables au maintien de populations de moustiques pendant les périodes inter-épidémiques. Cette présence peut être suffisante pour assurer une circulation locale, continue et de faible intensité des virus. Lors de changements saisonniers infra-annuels, tels que la hausse des températures et/ou les pluies de mousson, les populations de vecteurs explosent et augmentent le risque global de propagation virale. Notre deuxième hypothèse est alors que l’organisation socio-spatiale et les discontinuités au sein des villes, qui structurent les mobilités quotidiennes, sont alors à l’origine de la propagation des pathogènes qui, à partir de ces quelques foyers initiaux, se diffusent ensuite dans la zone urbaine et entraînent des épidémies de plus ou moins grande envergure. Il est donc essentiel d’identifier les réservoirs potentiels de diffusion des pathogènes, entendus ici comme un ensemble de lieux hyperlocalisés, en lien avec les facteurs environnementaux et anthropiques, pour agir efficacement contre la diffusion des épidémies.

    11L’évaluation du poids épidémiologique de ces zones est cependant un défi. En effet, les systèmes de surveillance enregistrent les cas de contamination au lieu de résidence des personnes malades, qui n’est potentiellement pas le lieu de contamination. Et tous les cas ne sont pas recensés. Ainsi, les études épidémiologiques réalisées à partir de ces seules données ont tendance à surestimer le risque local (contagion par proximité) par rapport au risque global (diffusion par sauts). C’est dans ce contexte que la modélisation et les enquêtes de terrain ciblées peuvent révéler le rôle des micro-environnements locaux et de la mobilité humaine dans la dispersion des pathogènes en milieu urbain. Un obstacle important dans la modélisation et l’acquisition de données intervient lorsqu’il s’agit de considérer l’hétérogénéité à haute résolution des environnements urbains et des conditions socio-économiques pour étudier leurs effets sur la dynamique épidémique.

    Application à la dengue à Bangkok : MO3, méthodes et données

    12Nous avons développé un ensemble de modèles intégrés au sein du simulateur MO3 (Daudé et al., 2015). Celui-ci permet de construire un modèle de simulation composé de différentes briques (figure 9.1) qui intègrent les connaissances biologiques du vecteur et les mobilités humaines quotidiennes, les dynamiques de ces deux modèles étant liées aux hétérogénéités socio-environnementales à haute résolution. Le terrain d’application de ce modèle est Bangkok, Thaïlande.

    Figure 9.1. Les principaux composants du modèle MO3.

    Image

    MOMA : le modèle des moustiques. MOMOS : le modèle des humains. MODE : le modèle de l’environnement.

    13Nous présentons dans les sections qui suivent la modélisation de l’environnement (MODE), du moustique vecteur (MOMA), des hôtes (MOMOS) et les mécanismes de transmission d’agents infectieux entre vecteurs et hôtes. La dernière section du chapitre est consacrée à l’illustration d’une simulation avec MO3 et aux méthodes d’exploration de ce type de modèle.

    Modélisation de l’environnement

    14Les dynamiques de l’environnement sont simulées par le modèle MODE (Misslin et Daudé, 2016). Les agents de ce modèle sont des cellules qui représentent des portions du territoire sur lequel le modèle est appliqué. Ces cellules sont décrites par différents paramètres environnementaux qui influencent le comportement d’Ae. aegypti : les modes d’occupation du sol (végétation, eau, types de bâti, etc.), le nombre de gîtes larvaires potentiels (récipients pouvant contenir de l’eau claire), les températures de l’air et les précipitations. Les données qui permettent de quantifier ces attributs sont issues de traitements d’images satellite, de relevés de stations météorologiques et de savoirs experts. Chaque agent de l’environnement (cellule) dispose également de fonctions qui décrivent l’évolution de la quantité d’eau disponible dans les gîtes de ponte potentiels (remplissage et vidange) et la variation des températures. Ces variations sont calculées à partir des données des images thermiques MODIS (satellites Aqua et Terra). Lorsque la couverture nuageuse est trop épaisse, certains pixels sont susceptibles de présenter des valeurs nulles. Si cette situation se présente, MODE attribue aux zones concernées une valeur de température globale issue d’une station météorologique à Bangkok48. Ce sont ces mêmes stations qui fournissent quotidiennement les précipitations. La résolution spatiale d’une cellule MO3 est de 30 × 30 m, elle correspond à celle des images Landsat 8 (OLI). Cette résolution est compatible avec la superficie moyenne de l’aire de dispersion du moustique observée par des études de type marquage-libération-recapture (Sheppard et al., 1969).

    15MODE permet ainsi de produire de nombreuses données spatialisées et dynamiques (figure 9.2) qui sont utilisées par les modèles comportementaux des moustiques et des humains. Nous calculons ainsi des valeurs de température de l’air qui permettent de repérer des différentiels importants à l’échelle de Bangkok (figure 9.2a ; cf. chapitre 3), un indice de végétation (figure 9.2b) et des estimations de la distribution des populations humaines (figure 9.2c ; cf. chapitre 4). Le nombre de gîtes de ponte pour le moustique est également estimé (figure 9.2d). Une approche fondée sur la connaissance terrain et à dire d’experts a été ici privilégiée, car il est coûteux de collecter cette donnée sur le terrain. Les densités de gîtes dans l’espace urbain étant très largement liées à la présence des hommes et à leurs activités (Ooi et al., 2006), nous avons construit un indice d’abondance de gîtes de ponte potentiels basé sur les densités de ménages présentes localement (Misslin et al., 2016).

    Figure 9.2. Facteurs environnementaux constituant la niche écologique du vecteur.

    Image

    (a) La température de l’air estimée. (b) L’indice de végétation. (c) La répartition de la population humaine. (d) La répartition des gîtes larvaires potentiels.

    16Une partie de ces données spatialisées servent alors d’entrées pour le modèle du moustique (Misslin et Daudé, 2017).

    Modélisation du moustique vecteur

    17Le modèle MOMA est un modèle comportemental intégré au simulateur MO3. Il permet de simuler le développement de populations vectorielles en lien avec les caractéristiques de l’environnement (Maneerat et Daudé, 2016). La figure 9.3 présente la conception générale des transitions entre les états d’Aedes (phases aquatique et aérienne), la figure 9.4 représente les interactions entre le moustique adulte femelle et l’environnement dans le modèle.

    18Pour des simulations à l’échelle d’une ville, les phases de développement aquatique sont décrites par des modèles de stocks à une résolution spatiale de 30 × 30 m, alors que la phase aérienne est décrite par un modèle individu-centré (figure 9.3). La femelle Aedes pond généralement dans des récipients contenant de l’eau claire. Le développement de l’œuf commence au moment où il entre en contact avec l’eau. Cette phase de développement dure 2 à 3 jours selon les conditions de température de l’eau. Le moustique passe au stade larvaire au moment de l’éclosion. Les larves sont capables de se déplacer dans l’eau pour respirer et pour se nourrir. Au bout de 4 à 6 jours, la larve passe au stade de nymphe. Cette phase de développement dure entre 2 et 7 jours en fonction de la température. Le développement du moustique est jusque-là totalement contraint par la présence d’eau dans les gîtes larvaires ce qui explique le lien fort qui existe entre l’augmentation des densités de vecteurs et les précipitations. Une fois la phase aquatique terminée, le moustique passe à son stade aérien. Ici le stock de nymphes arrivées à maturité déclenche la création d’agents moustiques, seules sont simulées les femelles. Le prélèvement de sang leur permet d’obtenir l’énergie dont elles auront besoin lors de la phase d’oviposition (O). Les femelles entament leur cycle gonotrophique (Gn) au cours duquel elles sont amenées à piquer des mammifères (essentiellement des humains).

    Figure 9.3. Diagramme états-transitions du cycle de vie d’un agent Aedes, selon son stade de développement (immature ou aquatique, adulte ou aérien).

    Image

    Les flèches représentent les possibilités de transition d’un état vers un autre état.

    19MOMA, le modèle individu-centré du moustique, modélise donc la femelle adulte Ae. aegypti responsable de la transmission de virus lors de ses repas sanguins. Les activités qui modélisent le comportement du moustique sont (figure 9.4) : s’alimenter, se reproduire, se reposer, se déplacer et survivre. Ces activités sont liées à des besoins qui peuvent être assouvis selon la présence de ressources en sang et en nectar pour l’alimentation, de gîtes larvaires pour la reproduction, de zones ombragées pour le repos et de zones de circulation pour les déplacements. La survie quant à elle dépend pour l’essentiel des conditions de température, d’humidité et d’un paramètre stochastique qui factorise les dangers auxquels le moustique est exposé au quotidien (prédation notamment). Aedes agit donc selon son état biologique, défini par ses variables internes, et selon les ressources qui sont présentes dans son environnement immédiat.

    Figure 9.4. Modélisation des interactions entre le moustique femelle et l’environnement.

    Image

    Modélisation des hôtes et de leurs mobilités

    20Le modèle MOMOS décrit le composant hôte, correspondant pour l’essentiel au comportement de mobilité d’un humain (Cebeillac et al., 2017). Un agent hôte est localisé dans l’environnement dans lequel il se déplace pour réaliser ses activités. Les déplacements et changements de position dans l’espace exposent l’humain à différents risques (figure 9.5). Dans le modèle, les déplacements s’effectuent entre différents espaces d’activités (maison, école, lieu de travail, de loisir, etc.) sur la base d’un agenda de mobilité construit pour chacun des agents. Différentes sources de données sont mobilisées pour construire ces agendas : les réseaux sociaux (Twitter, Facebook) et les feuilles de temps issues d’enquêtes (Cebeillac et al., 2018). La génération des agents est réalisée à partir d’un générateur de population synthétique (voir chapitre 4), chaque agent étant caractérisé par des attributs géographiques, tels qu’un lieu de domicile et un agenda d’activités journalier. Les activités réalisées par un individu, qui déterminent les lieux fréquentés, dépendent dans le modèle de son âge, de son lieu de résidence et de son statut épidémiologique (un agent présentant des symptômes de dengue ne se déplace pas).

    Figure 9.5. Représentation de l’espace d’activité défini par Hägerstrand (1970) en contexte de santé. Dans cet exemple, quatre personnes d’un même foyer fréquentent différents lieux au cours d’une journée. Chacun de ces lieux est associé à un risque sur la santé selon l’activité qui y est réalisée et l’heure de la journée. D’après Cebeillac et Daudé (2022).

    Image

    Mécanismes de transmission du virus

    21Les agents de type moustique (m) et hôte (h) sont décrits selon leur exposition au virus (figure 9.6), comme respectivement susceptibles (Sm, Sh), exposés (Em, Eh) et infectés (Im, Ih). Seul l’agent hôte peut être immunisé (Rh), l’agent moustique restant, jusqu’à sa mort, infecté donc contagieux (Im). La transmission du virus d’un hôte infecté vers un moustique sain ou d’un moustique infecté vers un hôte sain se fait au cours d’un repas de sang pris par le moustique.

    22Ces différents états peuvent ou non modifier le comportement des agents. Par exemple il est possible de limiter, voire de stopper, les mobilités des agents-hôtes en cas de contamination afin de prendre en compte l’apparition de symptômes plus ou moins incapacitants.

    Figure 9.6. Schéma de transition entre les différents états pour un agent moustique (m) et un agent hôte (h).

    Image

    L’agent-hôte, dans l’état susceptible (Sh), peut être contaminé par le virus de la dengue à la suite d’une piqûre de femelle moustique infectée (Im) avec un risque de transmission (α). Une fois contaminé, l’hôte développe le virus durant une période (T1) appelée incubation intrinsèque puis entre dans sa phase de virémie (T2), phase durant laquelle il peut contaminer un moustique sain qui le piquerait (Sm) avec une probabilité (γ). Les moustiques Aedes contaminés entrent dans une période d’incubation extrinsèque (EIm) avant de devenir contagieux (Im).

    Simulations du modèle MO3

    23Les simulations du modèle MO3 sont multi-temporelles, un pas de temps (itération) est fixé à une minute. Le temps d’une simulation se décompose ainsi en trois échelles selon les processus : la journée, l’heure et la minute. La mise à jour des variables environnementales et le développement aquatique du moustique se font en fonction des précipitations, de l’évaporation et des températures moyennes journalières. Les mobilités des agents humains sont simulées par tranche horaire en fonction de leurs agendas et les activités des moustiques adultes en fonction des températures, de la luminosité et de leurs besoins à la minute. L’enregistrement de différents paramètres à chaque itération permet de reconstruire et d’analyser l’évolution de nombreuses dynamiques. Il est ainsi possible de suivre l’évolution des stocks de moustiques en phases aquatiques et de calculer des densités de moustiques adultes à la résolution spatiale de la cellule. Il est également possible d’identifier les différents lieux d’interactions entre les hôtes et les vecteurs, et de calculer des profils environnementaux à risque lorsque ces interactions aboutissent à des boucles de contamination. L’interface de simulation du modèle permet de visualiser l’évolution de différents indicateurs, sous formes graphiques et cartographiques (figure 9.7).

    Figure 9.7. Interface de simulation du modèle MO3.

    Image

    Des dynamiques de vie des moustiques

    24Au cours d’une itération, chaque minute, les agents moustiques explorent leur environnement et peuvent sélectionner une cible qui répond à leurs besoins et se déplacer. Si aucune cible n’est identifiée, car aucune ne peut satisfaire l’un des besoins exprimés, le moustique se déplace au hasard. Si une cible est sélectionnée, le moustique se déplace dans sa direction. Dans le mécanisme de déplacement, le coefficient de porosité associé à l’environnement joue un rôle important, car il va limiter, par exemple, le passage entre un objet spatial de type route et une maison (effet barrière), alors qu’il va faciliter le passage d’une route à un espace ouvert (effet corridor) [Maneerat et Daudé, 2016]. Nous avons par exemple simulé les dynamiques de populations de moustiques et leurs dispersions spatiales à partir de différentes configurations géographiques. L’objectif était de mesurer les effets des catégories d’usage du sol et des densités humaines sur la dispersion de moustiques depuis différents lieux d’émergence (figure 9.8).

    25Ces simulations ont permis d’une part de vérifier la cohérence des distances moyennes parcourues par des cohortes de moustiques virtuels en zone urbaine au regard des données de terrain et de la littérature et, d’autre part, de mettre en relation ces distances relativement faibles (quelques dizaines de mètres et jusqu’à plusieurs centaines de mètres pour les plus élevées) avec les configurations locales d’usage du sol et les densités humaines. Ainsi, la zone très peuplée et au bâti très dense du bidonville (figure 9.8, au centre de la zone) connaît une faible dispersion des cohortes de moustiques, au contraire des zones plus périphériques, moins denses et caractérisées par des successions de résidences et de jardins dans lesquels les moustiques, de proche en proche et en fonction de leurs besoins, peuvent parcourir de plus grandes distances au cours de leur vie.

    Figure 9.8. Motifs de déplacement d’agents-moustiques dans un quartier de Delhi (Inde).

    Image

    Chaque tache de couleur correspond à la trace des déplacements d’un moustique au cours de sa vie.

    26Plus de 50 paramètres et variables sont utilisés dans le modèle MO3 développé dans le langage de programmation multi-paradigme Scala49. Ce niveau de détail rend la calibration et la validation particulièrement complexe. En effet les combinaisons possibles de paramètres rendent quasiment impossible l’exploration systématique de leurs domaines de variation. La validation du modèle moustique a par exemple été réalisée selon deux critères : le savoir expert et les données d’enquêtes (Maneerat et Daudé, 2017). Les recherches se poursuivent pour étudier les comportements de ce modèle, le calibrer et explorer différents scénarios de lutte antivectorielle.

    Exploration du comportement du modèle

    27Les données de calibration utilisées sont des données issues de la surveillance vectorielle et des données épidémiologiques, les unes devant permettre de calibrer et de valider le modèle moustique, les autres d’éprouver l’hypothèse du rôle des mobilités humaines dans la dispersion de la maladie à l’échelle d’une ville. La reconstruction d’un monde virtuel à partir d’un certain nombre de proxys et de faits stylisés observés dans la réalité produit des résultats qui nécessitent malgré tout une évaluation pour pouvoir être rapportés à la réalité. En effet, un modèle à lui seul ne saurait capturer l’ensemble des phénomènes complexes à l’œuvre dans la réalité. Une validation à l’échelle micro et macro des processus est nécessaire pour s’assurer de la cohérence et de la robustesse des résultats produits par ces données issues de la simulation générée en vue de répondre, non pas à toutes les questions, mais bien à cet ensemble de questions spécifiques pour lequel les mécanismes et paramètres ont été sélectionnés. Les modèles dans MO3 mobilisent chacun un grand nombre de paramètres et de mécanismes en interaction, ce qui génère en sortie une variété et un volume de comportements et de données impossible à énumérer et donc à évaluer sans passer par des méthodes plus ciblées.

    28Pour faire face à cette combinatoire gigantesque — sur des modèles dont une exécution dure potentiellement plusieurs minutes voire plusieurs heures —, nous faisons appel à des algorithmes d’exploration (algorithmes évolutionnaires) et à la plateforme OpenMOLE (Reuillon et al., 2013) capable d’exploiter le parallélisme offert par les infrastructures HPC (High Performance Computing). Les modèles MO3 bénéficient ainsi à la fois des infrastructures de la grille de calcul européenne (4 000 cœurs) et des moyens de calcul intensif haute-performance du mésocentre régional de Normandie, le CRIANN (10 000 cœurs), et cela pendant plusieurs semaines, afin d’exécuter et d’évaluer la cohérence et les résultats de simulations sur ces questions.

    Conclusion

    29MO3 est un simulateur basé sur des modèles comportementaux à haute résolution spatiale et temporelle. Il décrit un système pathogène complexe pour étudier les facteurs environnementaux et anthropiques de la diffusion de la dengue. En phase de développement, MO est utilisé tout au long du projet du même nom pour guider la collecte de données et les expérimentations sur le terrain et, à terme, pourrait être employé pour identifier les stratégies de contrôle vectoriel les plus efficaces pour une évaluation in situ de celles-ci à partir des algorithmes d’optimisation.

    Bibliographie

    Des DOI sont automatiquement ajoutés aux références bibliographiques par Bilbo, l’outil d’annotation bibliographique d’OpenEdition. Ces références bibliographiques peuvent être téléchargées dans les formats APA, Chicago et MLA.

    Format

    • APA
    • Chicago
    • MLA
    Maneerat, S., & Daudé, Éric. (2017). Étude par simulation à base d’agents des effets des discontinuités intra-urbaines à Delhi sur la dispersion des moustiques Aedes aegypti, vecteurs de la dengue, de la fièvre jaune, du chikungunya et du virus Zika. OpenEdition. https://doi.org/10.4000/cybergeo.28078
    Maneerat, Somsakun, and Éric Daudé. “Étude Par Simulation à Base d’agents Des Effets Des discontinuités Intra-Urbaines à Delhi Sur La Dispersion Des moustiques Aedes Aegypti, Vecteurs De La Dengue, De La fièvre Jaune, Du Chikungunya Et Du Virus Zika”. Cybergeo. OpenEdition, May 23, 2017. doi:10.4000/cybergeo.28078.
    Maneerat, Somsakun, and Éric Daudé. “Étude Par Simulation à Base d’agents Des Effets Des discontinuités Intra-Urbaines à Delhi Sur La Dispersion Des moustiques Aedes Aegypti, Vecteurs De La Dengue, De La fièvre Jaune, Du Chikungunya Et Du Virus Zika”. Cybergeo, OpenEdition, 23 May 2017. Crossref, https://doi.org/10.4000/cybergeo.28078.

    Cette bibliographie a été enrichie de toutes les références bibliographiques automatiquement générées par Bilbo en utilisant Crossref.

    Cebeillac A., Daudé É., 2022. Mobilité quotidienne et diffusion des épidémies. in Valley J. (ed.), Mobilité quotidienne et santé, London, ISTE Science publishing LTD.

    Cebeillac A., Daudé É., Huraux T., 2017. Where? When? And How Often? What Can We Learn on Daily Urban Mobilities From Twitter Data and Google Map in Bangkok (Thailand) and Which Perspectives For Dengue Studies? Netcom, Networks and Communication Studies, 31 (3-4), 283-308.

    Cebeillac A., Daudé É., Vaguet A., 2018. Spatial discontinuities, health and mobility. What do the Google's POIs and Tweets tell us about Bangkok's (Thailand) Structures and Spatial Dynamics? International Review of Geomatic, 28 (4), 389-407.

    Daudé É., Vaguet A., Paul R., 2015. La dengue, maladie complexe. Natures Sciences Sociétés, 23 (4), 331-342.

    Hägerstrand T., 1970. What about people in regional science? Papers of Regional Science Association, 24, 7-21.

    Hoffmann A.A., Montgomery B.L., Popovici J., Iturbe-Ormaetxe I., Johnson P.H., Muzzi F., Greenfield M., Durkan M., Leong Y.S., Dong Y., Cook H., Axford J., Callahan A.G., Kenny N., Omodei C., Mcgraw E.A., Ryan P.A., Ritchie S.A., Turelli M., O’Neill S.L., 2011. Successful establishment of Wolbachia in Aedes populations to suppress dengue transmission. Nature, 476 (7 361), 454-457.

    Karl S., Halder N., Kelso J.K., Ritchie S.A., Milne G.J., 2014. A spatial simulation model for dengue virus infection in urban areas. BMC Infectious Diseases, 14, 447.

    Maneerat S., Daudé É., 2016. A spatial agent-based simulation model of the dengue vector Aedes aegypti to explore its population dynamics in urban areas. Ecological Modelling, 333, 66-78.

    Maneerat S., Daudé É., 2017. Étude par simulation à base d’agents des effets des discontinuités intra-urbaines à Delhi sur la dispersion des moustiques Aedes aegypti, vecteurs de la dengue, de la fièvre jaune, du chikungunya et du virus Zika. Cybergéo : European Journal of Geography, doi:10.4000/cybergeo.28078 .

    10.4000/cybergeo.28078 :

    Misslin R., Daudé É., 2016. Génération d’environnements artificiels pour la simulation spatiale d’arboviroses en milieu urbain : application à la dengue et au virus Zika, in Actes du colloque SAGéo, Conférence internationale de Géomatique et Analyse Spatiale, décembre 2016, Nice, 389-402.

    Misslin R., Daudé É., 2017. An environmental suitability index based on the ecological constraints of Aedes aegypti, vector of dengue. Revue Internationale de Géomatique, 27, 481-502.

    Misslin R., Telle O., Daudé É., Vaguet A., Paul R.E., 2016. Urban climate versus global climate change-what makes the difference for dengue? Annals of the New York Academy of Sciences, 1382 (1), 56-72.

    Ooi E.E., Goh K.T., Gubler D.J., 2006. Dengue prevention and 35 years of vector control in Singapore. Emerging Infectious Diseases, 12 (6), 887-893.

    Reuillon R., Leclaire M., Rey-Coyrehourcq S., 2013. OpenMOLE, a workflow engine specifically tailored for the distributed exploration of simulation models. Future Generation Computer Systems, 29 (8), 1981-1990.

    Salami D., Capinha C., Martins M., Sousa C.A., 2020. Dengue importation into Europe: A network connectivity-based approach. PLoS One, 15 (3), e0230274.

    Seixas G., Paul R.E.L., Pires B., Alves G., Jesus A. de, Silva A.C., Devine G.J., Sousa C.A., 2019. An evaluation of efficacy of the auto-dissemination technique as a tool for Aedes aegypti control in Madeira, Portugal. Parasit Vectors, 12 (1), 202.

    Sheppard P., Macdonald W., Tonn R., Grab B., 1969. The dynamics of an adult population of Aedes aegypti in relation to dengue haemorrhagic fever in Bangkok. Journal of Animal Ecology, 38, 661-702.

    Treuil J.-P., Zucker J.-D., Drogoul A., 2008. Modélisation et simulation à base d’agents - Exemples commentés, outils informatiques et questions théoriques, Paris, Dunod, 352 p. (coll. Sciences Sup).

    Zellweger R.M., Cano J., Mangeas M., Taglioni F., Mercier A., Despinoy M., Menkes C.E., Dupont-Rouzeyrol M., Nikolay B., Teurlai M., 2017. Socioeconomic and environmental determinants of dengue transmission in an urban setting: An ecological study in Noumea, New Caledonia. PLOS Neglected Tropical Diseases, 11 (4), e0005471.

    Notes de bas de page

    48 https://aqicn.org/city/thailand/bangkok/thai-meteorological-department-bangna/vn/wxqa.com

    49 https://www.scala-lang.org/

    Auteurs

    • Éric Daudé

      Géographe, directeur de recherche au CNRS affecté à l’UMR IDEES (Normandie Université). Ses travaux portent sur l’étude des vulnérabilités des territoires et des populations à différents aléas (environnementaux et technologiques), les stratégies de gestion des risques (contrôle vectoriel) et des crises (évacuations massives de population) à partir de la conception de modèles de simulation spatiale et l’exploration de scénarios d’aléas.

    • Sébastien Rey-Coyrehourcq

      Ingénieur de recherche à l’UMR IDEES, expert dans la construction et l’exploration de modèles de simulation multi-agents, mais également dans la création et l’utilisation sur ces modèles de simulations d’outils et de méthodes innovantes d’exploration (OpenMOLE, MGO) appuyées par le calcul intensif.

    • Alexandre Cebeillac

      Postdoctorant à l’Institut Pasteur et hébergé à l’UMR IDEES (Normandie Université). Ses travaux portent essentiellement sur l’étude des mobilités humaines, notamment en contexte d’épidémies de dengue. Il s’appuie sur la collecte, l’analyse et le traitement de données massives et variées, allant de traces numériques géolocalisées aux images satellite, et participe à la production de modèles multi-agents.

    Précédent Suivant
    Table des matières

    Creative Commons - Attribution - Pas d'Utilisation Commerciale - Pas de Modification 4.0 International - CC BY-NC-ND 4.0

    Le texte seul est utilisable sous licence Creative Commons - Attribution - Pas d'Utilisation Commerciale - Pas de Modification 4.0 International - CC BY-NC-ND 4.0. Les autres éléments (illustrations, fichiers annexes importés) sont « Tous droits réservés », sauf mention contraire.

    Voir plus de livres
    Paroles de chercheurs

    Paroles de chercheurs

    Environnement et interdisciplinarité

    Évelyne Brun, Jean-François Ponge et Jean-Claude Lefeuvre

    2017

    La question des échelles en sciences humaines et sociales

    La question des échelles en sciences humaines et sociales

    Sébastien Boulay et Sylvie Fanchette (dir.)

    2019

    Systèmes agraires et changement climatique au Sud

    Systèmes agraires et changement climatique au Sud

    Les chemins de l'adaptation

    Hubert Cochet, Olivier Ducourtieux et Nadège Garambois (dir.)

    2019

    Les terres agricoles face à l’urbanisation

    Les terres agricoles face à l’urbanisation

    De la donnée à l’action, quels rôles pour l’information ?

    Roel Plant, Pierre Maurel, Éric Barbe et al. (dir.)

    2018

    Sociologie des changements de pratiques en agriculture

    Sociologie des changements de pratiques en agriculture

    L’apport de l’étude des réseaux de dialogues entre pairs

    Claude Compagnone

    2019

    Construire des politiques alimentaires urbaines

    Construire des politiques alimentaires urbaines

    Concepts et démarches

    Caroline Brand, Nicolas Bricas, Damien Conaré et al. (dir.)

    2017

    Services écosystémiques et protection des sols

    Services écosystémiques et protection des sols

    Analyses juridiques et éclairages agronomiques

    Carole Hermon (dir.)

    2018

    Manger en ville

    Manger en ville

    Regards socio-anthropologiques d’Afrique, d’Amérique latine et d’Asie

    Nicolas Bricas, Olivier Lepiller, Audrey Soula et al. (dir.)

    2020

    La santé globale au prisme de l'analyse des politiques publiques

    La santé globale au prisme de l'analyse des politiques publiques

    Sébastien Gardon, Amandine Gautier et Gwenola Le Naour

    2020

    Agroforesterie et services écosystémiques en zone tropicale

    Agroforesterie et services écosystémiques en zone tropicale

    Recherche de compromis entre services d’approvisionnement et autres services écosystémiques

    Josiane Seghieri et Jean-Michel Harmand (dir.)

    2019

    Méthodes d'investigation de l'alimentation et des mangeurs

    Méthodes d'investigation de l'alimentation et des mangeurs

    MIAM

    Olivier Lepiller, Tristan Fournier, Nicolas Bricas et al. (dir.)

    2021

    Télédétection et modélisation spatiale

    Télédétection et modélisation spatiale

    Applications à la surveillance et au contrôle des maladies liées aux moustiques

    Annelise Tran, Eric Daudé et Thibault Catry (dir.)

    2022

    Voir plus de livres
    1 / 12
    Paroles de chercheurs

    Paroles de chercheurs

    Environnement et interdisciplinarité

    Évelyne Brun, Jean-François Ponge et Jean-Claude Lefeuvre

    2017

    La question des échelles en sciences humaines et sociales

    La question des échelles en sciences humaines et sociales

    Sébastien Boulay et Sylvie Fanchette (dir.)

    2019

    Systèmes agraires et changement climatique au Sud

    Systèmes agraires et changement climatique au Sud

    Les chemins de l'adaptation

    Hubert Cochet, Olivier Ducourtieux et Nadège Garambois (dir.)

    2019

    Les terres agricoles face à l’urbanisation

    Les terres agricoles face à l’urbanisation

    De la donnée à l’action, quels rôles pour l’information ?

    Roel Plant, Pierre Maurel, Éric Barbe et al. (dir.)

    2018

    Sociologie des changements de pratiques en agriculture

    Sociologie des changements de pratiques en agriculture

    L’apport de l’étude des réseaux de dialogues entre pairs

    Claude Compagnone

    2019

    Construire des politiques alimentaires urbaines

    Construire des politiques alimentaires urbaines

    Concepts et démarches

    Caroline Brand, Nicolas Bricas, Damien Conaré et al. (dir.)

    2017

    Services écosystémiques et protection des sols

    Services écosystémiques et protection des sols

    Analyses juridiques et éclairages agronomiques

    Carole Hermon (dir.)

    2018

    Manger en ville

    Manger en ville

    Regards socio-anthropologiques d’Afrique, d’Amérique latine et d’Asie

    Nicolas Bricas, Olivier Lepiller, Audrey Soula et al. (dir.)

    2020

    La santé globale au prisme de l'analyse des politiques publiques

    La santé globale au prisme de l'analyse des politiques publiques

    Sébastien Gardon, Amandine Gautier et Gwenola Le Naour

    2020

    Agroforesterie et services écosystémiques en zone tropicale

    Agroforesterie et services écosystémiques en zone tropicale

    Recherche de compromis entre services d’approvisionnement et autres services écosystémiques

    Josiane Seghieri et Jean-Michel Harmand (dir.)

    2019

    Méthodes d'investigation de l'alimentation et des mangeurs

    Méthodes d'investigation de l'alimentation et des mangeurs

    MIAM

    Olivier Lepiller, Tristan Fournier, Nicolas Bricas et al. (dir.)

    2021

    Télédétection et modélisation spatiale

    Télédétection et modélisation spatiale

    Applications à la surveillance et au contrôle des maladies liées aux moustiques

    Annelise Tran, Eric Daudé et Thibault Catry (dir.)

    2022

    Voir plus de chapitres

    Chapitre 4 - Du recensement au bâtiment : génération de populations synthétiques

    Alexandre Cebeillac, Olivier Gillet et Éric Daudé

    Introduction générale

    Thibault Catry, Éric Daudé, Nadine Dessay et al.

    Chapitre 3 - Estimation des températures de l’air à partir d’images satellite et de stations météorologiques

    Barbara Boufhal, Alexandre Cebeillac et Éric Daudé

    Voir plus de chapitres
    1 / 3

    Chapitre 4 - Du recensement au bâtiment : génération de populations synthétiques

    Alexandre Cebeillac, Olivier Gillet et Éric Daudé

    Introduction générale

    Thibault Catry, Éric Daudé, Nadine Dessay et al.

    Chapitre 3 - Estimation des températures de l’air à partir d’images satellite et de stations météorologiques

    Barbara Boufhal, Alexandre Cebeillac et Éric Daudé

    Accès ouvert

    Accès ouvert

    ePub

    PDF

    PDF du chapitre

    Acheter

    Édition imprimée

    Éditions Quæ
    • amazon.fr
    • decitre.fr
    • mollat.com
    • leslibraires.fr
    • placedeslibraires.fr

    48 https://aqicn.org/city/thailand/bangkok/thai-meteorological-department-bangna/vn/wxqa.com

    49 https://www.scala-lang.org/

    Télédétection et modélisation spatiale

    X Facebook Email

    Télédétection et modélisation spatiale

    Vous pouvez vous connecter à votre bibliothèque à l’adresse suivante : https://freemium.openedition.org/oebooks

    Suggérer l’acquisition à votre bibliothèque

    Si vous avez des questions, vous pouvez nous écrire à access[at]openedition.org

    Télédétection et modélisation spatiale

    Vérifiez si votre bibliothèque a déjà acquis ce livre : authentifiez-vous à OpenEdition Freemium for Books.

    Vous pouvez suggérer à votre bibliothèque d’acquérir un ou plusieurs livres publiés sur OpenEdition Books. N’hésitez pas à lui indiquer nos coordonnées : access[at]openedition.org

    Vous pouvez également nous indiquer, à l’aide du formulaire suivant, les coordonnées de votre bibliothèque afin que nous la contactions pour lui suggérer l’achat de ce livre. Les champs suivis de (*) sont obligatoires.

    Veuillez, s’il vous plaît, remplir tous les champs.

    La syntaxe de l’email est incorrecte.

    Référence numérique du chapitre

    Format

    Daudé, Éric, Rey-Coyrehourcq, S., & Cebeillac, A. (2022). Chapitre 9 - Simulation spatiale du risque de propagation de la dengue à partir de modèles comportementaux vecteurs et hôtes. In A. Tran, E. Daudé, & T. Catry (éds.), Télédétection et modélisation spatiale. Versailles: Éditions Quæ. Consulté à l’adresse https://books.openedition.org/quae/42924
    Daudé, Éric, Sébastien Rey-Coyrehourcq, et Alexandre Cebeillac. « Chapitre 9 - Simulation spatiale du risque de propagation de la dengue à partir de modèles comportementaux vecteurs et hôtes ». In Télédétection et modélisation spatiale, édité par Annelise Tran, Eric Daudé, et Thibault Catry. Versailles: Éditions Quæ, 2022. https://books.openedition.org/quae/42924.
    Daudé, Éric, et al. « Chapitre 9 - Simulation spatiale du risque de propagation de la dengue à partir de modèles comportementaux vecteurs et hôtes ». Télédétection et modélisation spatiale, édité par Annelise Tran et al., Éditions Quæ, 2022, https://books.openedition.org/quae/42924.

    Référence numérique du livre

    Format

    Tran, A., Daudé, E., & Catry, T. (éds.). (2022). Télédétection et modélisation spatiale. Versailles: Éditions Quæ. Consulté à l’adresse https://books.openedition.org/quae/42729
    Tran, Annelise, Eric Daudé, et Thibault Catry, éd. Télédétection et modélisation spatiale. Versailles: Éditions Quæ, 2022. https://books.openedition.org/quae/42729.
    Tran, Annelise, et al., éditeurs. Télédétection et modélisation spatiale. Éditions Quæ, 2022, https://books.openedition.org/quae/42729.
    Compatible avec Zotero Zotero

    1 / 3

    Éditions Quæ

    Éditions Quæ

    • Plan du site
    • Se connecter

    Suivez-nous

    • Flux RSS

    URL : https://www.quae.com

    Email : serviceclients@quae.fr

    Adresse :

    RD 10

    78026

    Versailles

    France

    OpenEdition
    • Candidater à OpenEdition Books
    • Connaître le programme OpenEdition Freemium
    • Commander des livres
    • S’abonner à la lettre d’OpenEdition
    • CGU d’OpenEdition Books
    • Accessibilité : partiellement conforme
    • Données personnelles
    • Gestion des cookies
    • Système de signalement