Spatial generalization of epidemiological models based on the Normalized Environmental Distance NED concept

Full text

Generalización espacial de modelos
epidemiológicos basada en el concepto de
Distancia Ambiental Normalizada NED
J.M. Scavuzzo #1, M. Espinosa#2, E.A. Di Fino#2, M. Abril#2, G. Peralta#1, C.M. Scavuzzo #3
#1Famaf, Univ. Nac. de Córdoba
Haya de la torre, ciudad universitaria, Córdoba, Argentina
1 juansca1229@gmail.com
peralta.gonzalo@gmail.com
#2 Fundación Mundo Sano
CABA, Argentina
mespinosa@mundosano.org
ealvarezdifino@gmail.com
mabril@mundosano.org
#3Instituto Gulich, CONAE- Univ. Nac. De Cordoba
Ruta C45 km8, Falda del carmen, Córdoba, Argentina
scavuzzo@conae.gov.ar
Abstract—Landscape epidemiology is a new discipline that
tries to find answers to epidemiological issues, based on a
holistic and spatial view of the problem. This is usually used in
diseases transmitted by air, water and more frequently to those
transmitted by vectors, as is the case of Dengue whose vector is
a mosquito. Models of these relationships are constructed from
a set of field data and variables derived from satellites. The
problem appears in the fact that the number of places where
data is available is usually small. In this work we propose to
redefine the concept of "closeness" or more generally
"distance" to move from thinking it as a geometric or
geographical fact to evaluating it as an eco-epidemiological
fact. Thus we define the Normalized Environmental Distance
(NED) as a multidimensional distance based on environmental
variables relevant to the problem in question. In the work we
show how to calculate it based on information derived from
satellites and how to use it in the context of models for dengue.
Resumen—La epidemiologia panorámica o en inglés
“Landscape epidemiology” es una nueva disciplina que intenta
encontrar respuestas a problemas epidemiológicos basada en
una mirada holística y espacial del problema. Esta suele
utilizarse en enfermedades trasmitidas por el aire, el agua y
más frecuentemente a aquellas transmitidas por vectores,
como es el caso del Dengue cuyo vector es un mosquito.
Típicamente a partir de un conjunto de datos de campo y
variables derivadas por satélites se construyen modelos de
estas relaciones. El problema aparece en el hecho de que el
número de lugares en donde se dispone de datos suele ser
pequeño. En este trabajo nosotros proponemos redefinir el
concepto de “cercanía” o más generalmente de “distancia”
para pasar de pensarlo como un hecho geométrico o geográfico
a evaluarlo como un hecho eco-epidemiológico. Así definimos
la Distancia Ambiental Normalizada (NED) como una
distancia multidimensional basada en variables ambientales
relevantes para la problemática en cuestión. En el trabajo
mostramos operativamente cómo calcularla en base a
información derivada de satélites y cómo utilizarla en el
contexto de modelos para dengue.
I. INTRODUCTION
Los mosquitos son los vectores más importantes de
enfermedades humanas en el mundo y, en particular, el
Aedes aegypti es el principal vector de dengue,
chikungunya, zika y fiebre amarilla urbana [1]. Como no
hay vacunas para la mayoría de estos virus, y existe la
posibilidad de introducción de otros [2], el control de
vectores es la principal herramienta para mitigar la
propagación de enfermedades. La cantidad de vectores, el
virus circulante y susceptibilidad humana son factores que
influyen en la transmisión de estas enfermedades virales y
estos poseen una asociación directa o indirecta con variables
climáticas, y ambientales tales como la temperatura, la
lluvia, la vegetación, etc. En particular, en Argentina, Ae.
aegypti es el mosquito más relevante desde el punto de vista
epidemiológico. Este vector se caracteriza por su presencia
en el medio urbano, su preferencia de cría en contenedores
artificiales [3] y la resistencia de sus huevos a la desecación.
Para conocer parámetros sobre las distribuciones espaciales
y temporales de Ae. aegypti, permitiendo el conocimiento
de la actividad del vector, se utilizan a menudo las
Ovitrampas [4]. Esto es importante para determinar cuándo
y dónde aplicar acciones de control de vectores más
efectivas [5], [6].

El concepto interdisciplinario de epidemiología del
paisaje ha permitido generar algunos progresos en la
epidemiología del dengue y otras enfermedades transmitidas
por vectores y zoonóticas como el chagas, la malaria, la
leishmaniasis y el hantavirus. Esta herramienta se centra en
producir mapas de riesgo predictivos espaciales y
temporales basados en características del paisaje junto con
datos de campo [7], [8], [9], [10], [11], [12]. [13], [14].
Estos estudios en Latinoamérica, donde se utiliza la
tecnología espacial en problemas epidemiológicos, están
inspirados en trabajos pioneros llevados a cabo en EE. UU.
y Europa [15], [16]. [17], [18].
Con base en esas ideas y resultados, en 2011, Argentina
comenzó a desarrollar un proyecto operacional (sistema de
alerta temprana de salud, HEWS), útil tanto para las
autoridades de salud como para los investigadores.
Básicamente éste es un mapeo de riesgo dinámico del
dengue para todas las ciudades del país (en el producto de
riesgo a nivel nacional cada ciudad es representada por un
punto con un riesgo determinado para cada año), basado en
tecnología geoespacial en un contexto interdisciplinario e
interinstitucional [13]. Esta plataforma se desarrolló
utilizando software de código abierto (OSS) para generar un
servicio gratuito. En este sistema, el riesgo se evalúa en
cuatro componentes que son: el entomológico, el viral, el
componente relacionado con las actividades de control y
finalmente el ambiental. Mientras que los tres primeros
componentes se generan con el aporte de información de los
agentes de salud que trabajan en cada ciudad, el cuarto se
evalúa a partir de datos satelitales. Específicamente este
componente ambiental, en esa versión inicial del sistema, se
evalúa con una probabilidad estacionaria de presencia de
vectores (igual para todo el tiempo) más un componente
relacionado con el número de ciclos virales, que son una
función de la temperatura, y luego es diferente para cada
ciudad y para cada año. Ese mapa de probabilidad (mapa de
probabilidad de presencia de especie - modelo de nicho) es
claramente una gran simplificación y se puede mejorar en
base a datos satelitales continuos del medio ambiente.
Variables como precipitación, temperatura, han
demostrado, con una variabilidad local, influenciar el
desarrollo de mosquitos, su supervivencia y actividad de
oviposición y por ende la abundancia de vectores. En
particular trabajos previos como los de Estallo [8], [19]
utilizan información satelital para estimar la evolución
temporal de la abundancia de vectores. En base a estas
ideas, German y colaboradores [20], desarrollan una
metodología completa para generar estos modelos de
manera automática y basada en información de libre acceso.
En particular este trabajo utiliza productos del sensor
(MODIS) a bordo del satélite de observación de la Tierra
Terra y Aqua pues es uno de los más adecuados para esta
aplicación particular, debido a su resolución temporal,
espectral y espacial. Este proporciona un conjunto de
productos pre-procesados y de libre acceso [21].
Específicamente, los productos de vegetación (índice de
vegetación de diferencia normalizada) y temperatura
(temperatura de la superficie terrestre) derivados de MODIS
son ejemplos de variables de percepción remota utilizadas
en aplicaciones epidemiologicas [13], [22] incorporadas en
[20]. Otra variable ambiental obtenida de satélite que es
relevante para este problema e incorporada, es el Índice de
Agua de Diferencia Normalizada (NDWI) que evalúa de
alguna forma el contenido de agua de la cubierta.
Adicionalmente, incorpora una estimación de la
precipitación desde el espacio a partir de las misiones
(TRMM) y (GPM) [23].
Estos modelos temporales antes citados se basan en la
generación de relaciones empíricas entre datos satelitales y
los datos de campo (del vector). Esto significa que solo
pueden construirse modelos en lugares donde esté
disponible esta información de campo. En este marco, y
con el objetivo final de mejorar la aplicación operativa
presentada por Porcasi y colaboradores en 2012 [13], nos
planteamos en este trabajo el objetivo específico de generar
una metodología para espacializar los modelos temporales
generados siguiendo la metodología de German 2018 [20],
basados en el concepto de Distancia Ambiental
Normalizada (NED).
II. MATERIALES Y METODOS
A. El Problema
A partir de la disponibilidad de datos de campo en N
localidades diferentes, se generan, siguiendo la metodología
presentada en [20], N modelos lineales diferentes que
relacionan la ovoposición a variables ambientales derivadas
de datos satelitales (LST_night, LST_day, NDVI, NDWI,
PREC) del tipo.
Ovip j=βj+∑Coef ji × Env❑
(
J
)
(1)
Donde
Coef ji
representa los coeficientes del modelo de la
ciudad J para la variable i, y Env_Var_i(J) representa la
variable ambiental i evaluada en la posición correspondiente
a la ciudad J. Es decir para cada ciudad J, tendremos un
conjunto diferente de coeficientes, que son los que generan
un ajuste óptimo de los datos disponibles. Aquí llamaremos
a estos N modelos M1, M2, M3… MN. Modelos más
sofisticados a este lineal, están siendo testeados [24], pero el
concepto de espacializacion de modelos temporales
puntuales sería aplicable y generalizable directamente sea
cual fuese el modelo temporal utilizado.
Dada esta configuración, el problema es: ¿Qué modelo
utilizar en una nueva ciudad (no incluida en las N
anteriores), para así tener una estimación de la abundancia
del vector, para cualquier otra ciudad? En nuestro caso
particular, en la región norte de Argentina donde no
tengamos datos de campo.
La primera idea para extrapolar los modelos obtenidos, sería
usar, para un punto/pueblo adicional localizado en la
posición X, un modelo MX igual al modelo conocido de la
ciudad más cercana geográficamente (vecino más cercano)

es decir MX = MJ donde J corresponde a la ciudad más
cercana.
Una mejora en este enfoque sería usar un promedio de los N
modelos conocidos ponderados por el inverso de la
distancia de este nuevo punto X a cada una de las ciudades J
donde tenemos un modelo. Es decir, el modelo de la ciudad
más cercana pesará más y el de la más alejada pesará
menos, es decir:
(2)
Donde Lj representa la distancia normalizada de la ciudad J
a X (la localización geográfica de la nueva ciudad).
El problema de estas ideas es que realmente es más
razonable pensar que el comportamiento del
vector/mosquito en una ciudad en el punto X será más
coincidente con el de una ciudad que es más similar
ambientalmente y no la que está más cerca. En ese sentido,
deberíamos usar (en el esquema del vecino más cercano) el
modelo de la ciudad J que posea un medio ambiente más
similar al del pueblo ubicado en X. En otras palabras, así
como “más cerca”, significa típicamente coordenadas
geográficas (o posiciones) similares; en el sentido
ecológico/ambiental, podemos pensar "más cerca" como
que sus variables ambientales son similares. De esta forma
aparece naturalmente el concepto de Distancia Ambiental.
B. La Distancia Ambiental Normalizada (NED)
El concepto de Distancia Ambiental, si bien no es
completamente nuevo, no ha sido utilizado en el contexto de
la epidemiologia. Una revisión exhaustiva de bases de datos
bibliográficas de revistas indexadas nos arroja que solo
existen 11 publicaciones con “Environmental Distance” en
su título. El más citado de estos, es el trabajo de Hirzel [25]
quien utiliza esta idea en el contexto del estudio de ecología
y distribución de especies. Con un enfoque similar,
podemos encontrar las contribuciones de Krasnova, Mendez
y Faber [26], [27], [28]. En estos trabajos el concepto de
nicho ecológico está ligado naturalmente a la idea de
compartir condiciones ambientales que hacen de un lugar
determinado un sitio apto para que una determinada especie
pueda desarrollarse. Una acepción completamente diferente
de “Distancia Ambiental” puede encontrarse por ejemplo en
[29], donde esta se relaciona a la percepción cognitiva del
ser humano con su entorno.
Si se relaja la búsqueda a la aparición de “Environmental
Distance” en el título, palabras claves o resumen de los
trabajos, se pueden encontrar 164 contribuciones que
pertenecen primordialmente a las áreas de ciencias de la
tierra, genética, agricultura y ciencias biológicas. Solo 10
están declaradas como ligadas a la medicina, pero esto es a
través de estudios genéticos. Aquí podemos encontrar solo
un par de contribuciones [30], [31] que indirectamente
relacionan, a través de las ideas de la eco-epidemiologia y la
distribución de especies vectores de malaria, las ideas de
“Distancia Ambiental” con la problemática epidemiológica.
C. La solucion propuesta
Entonces, para poder aplicar estas ideas, que biológicamente
aparecen como razonables, necesitamos definir las variables
involucradas en el concepto "similitud ambiental" y luego
definir una distancia ambiental. Para el primer caso,
utilizamos las 19 variables bioclimáticas incluidas en
WorldClim [32], construidas a partir de una gran serie de
tiempo, que son: temperatura media anual, rango diurno
medio, isotermia, estacionalidad de la temperatura,
temperatura máxima del mes más cálido, temperatura
mínima del mes más frío, rango anual de temperatura,
temperatura media del cuarto más húmedo, temperatura
media de Cuarto más seco, temperatura media del cuarto
más cálido, temperatura media del trimestre más frío,
precipitación anual, precipitación del mes más húmedo,
precipitación del mes más seco, precipitación estacional,
precipitación del trimestre más seco, precipitación del
trimestre más seco, precipitación del trimestre más frío y la
altitud. Además nosotros incluimos valores medios de
NDVI de MODIS (índice de vegetación normalizada de
MODIS durante un período de 10 años). Una vez
seleccionadas las variables podemos definir una distancia
generalizada
Dist
(
x1− x2
)
entre dos posiciones geográficas
arbitrarias x1 y x2, basada en estas variables ambientales
como:
Dist
(
x1− x2
)
=
√
(
∑
(
vk1− vk 2
)
2
)
(3)
Donde V_k son las 19 variables bioclimáticas más altitud
y NDVI medio.
De esta manera, podemos estimar la distancia ambiental
de cada ciudad con una ubicación X, y nuestras 4 ciudades
modeladas Js, y volver a calcular el método de
extrapolación de la ecuación (2) pero ahora usando la
distancia ambiental (aquí hemos tomado N=4 ya que en la
realidad contamos solo con 4 ciudades modeladas que son
Pampa del Indio, Clorinda, Tartagal y Puerto Iguazú).
Operativamente, para calcular las distancias, definimos
una región de 20 km alrededor de cada ciudad J, para
caracterizar las variables de estas ciudades (como una media
de los píxeles en el buffer). Luego utilizamos la
probabilidad de membresía a cada clase del software ENVI
para calcular la NED de cada píxel a cada una de las 4
ciudades modeladas.
Cabe mencionar aquí que por normalizada entendemos
que la suma de las inversas (es decir los pesos con los que
cada modelo individual interviene) sea igual a 1.
Mx=∑Mj/Lj
1=∑1/Lj

III. RESULTADOS
Como un ejemplo de las variables ambientales utilizadas
en el cálculo de la NED algunas de ellas son presentadas en
las figuras 1 y 2. La figura 1 muestra en RGB la temperatura
media anual, el rango de temperatura y la precipitación
anual. Aquí claramente puede apreciarse por un lado la
zonificación de la región de estudio marcando áreas
ambientalmente similares y diferentes, así como la baja
resolución espacial de los productos WordClime utilizados.
De una manera similar la figura 2 presenta en RGB el
NDVI de modis promedio de enero, NDVI de modis
promedio de julio y el DEM.
Fig. 1. RGB: BIO1 = temperatura media anual, BIO7 = rango anual de
temperatura (BIO5-BIO6) y BIO12 = precipitación anual
Fig. 2. RGB: NDVI de modis promedio enero, NDVI de modis promedio
de julio y DEM
El resultado de las distancias ambientales normalizadas
calculadas, de cada pixel a cada una de las 4 ciudades se
presenta en la figuras 3, 4, 5 y 6. Es importante tener en
cuenta que la inversa de distancia ambiental normalizada
(1/NED) nos dice qué tan similar es una ciudad en
comparación con las otras tres.
Claramente por estar normalizada, no es una medida de
similaridad en términos absolutos. Así, por ejemplo, en la
figura 4 los píxeles con valores cercanos a 1 significan que
estos lugares son ambientalmente mucho más parecidos a
Iguazú que a Tartagal o Clorinda o Pampa del Indio.
Fig. 3. 1/NED a Clorinda
Sólo como ejemplo, la inversa de la distancia normalizada
(1/NED) de Tucumán, Corrientes y Salta se describen en la
tabla 3. Estos valores son presentados de una manera
diferente en la figura 7 donde se intenta graficar con más
claridad la contribución que tendrán cada uno de los 4
modelos previamente desarrollados, cuando se intenten
modelar estas 3 nuevas ciudades.
Fig. 4. 1/NED a Iguazu
Fig. 5. 1/NED a pampa del Indio

Fig. 6. 1/NED a Tartagal.
TABLE 1: 1/NED DE 4 NUEVAS CIUDADES A LAS 4 LOCALIDADES
PREDEFINIDAS
INVERSA DE LA DISTANCIA AMBIENTAL NORMALIZADA
PUERTO
IGUAZÚ
CLORINDA PAMPA DEL
INDIO
TARTAGAL
TUCUMÁN 0.197 0.011 0.388 0.402
CORRIENTES 0.491 0.466 0.039 0.002
SALTA 0.112 0.005 0.133 0.749
IV. CONCLUSIONES
El presente trabajo pretende generar una contribución al
objetivo de construir pronósticos dinámicos para la
población de vectores, utilizando productos satelitales. Se
aborda el problema de cómo generalizar espacialmente
modelos ajustados para ciertas localidades específicas.
PIG
CLO
PAI
TAR0
0,5
1
TUC
CORR
SAL
Fig. 7. Contribución que tendrían los modelos para Salta, Corrientes y
Tucumán de los 4 modelos disponibles.
Para ello se propone una metodología basada en ideas
ecológicas incorporando el concepto de distancia ambiental
normalizada. Se ha mostrado que el mismo si bien es
novedoso es conceptualmente simple. Se describe un
método simple para calcularlo y ejemplos de su
implementación especifica de la estimación de este
parámetro en función de un conjunto de variables
ambientales relevantes para la ecología del vector del
dengue.
Cabe resaltar que esta idea de interpolación ambiental
que se plantea aquí para modelos relacionados a la
epidemiologia, podría también ser utilizados a la hora de
contar con datos puntuales de otras variables (por ejemplo
rendimiento en la producción agrícola) donde la distancia
espacial no refleje tan adecuadamente la similaridad entre
sitios como lo es la distancia ambiental.
REFERENCES
[1] G. Liang, X. Gao, E.A. Gould. “Factors responsible for the
emergence of arboviruses; strategies, challenges and limitations for
their control”. Emerg. Microbes & Infection. 4, e18, .2015.
[2] P.F. Vasconcelos, C.H. Calisher. “Emergence of human arboviral
diseases in the Americas, 2000-2016”. Vector Borne Zoon. Dis. 16:
2016, pp. 295─301.
[3] L.M. Rueda, P.J. Patel, R.C. Axtell, R.E. Stinner. “Temperature
dependent development and survival rates of Culex quinquefasciatus
and Aedes aegypti (Diptera: Culicidae)”. Journal Medical
Entomology 27(5): 1990, 892–898.
[4] M. Espinosa, F. Polop, C.H. Rotela, M. Abril, C.M. Scavuzzo.
“Spatial pattern evolution of Aedes aegypti breeding sites in an
Argentinean city without a dengue vector control programme”.
Geospatial Health, Vol. 11 (3), 2016, pp. 307-317.
[5] C. Rotela, L Lopez, M. Frias, G. barbas, A. Lighezzolo, X. porcasi,
M. Lamfri, C.M. Scavuzzo, D. Gorla. “Analytical report of the 2016
dengue outbreak in Córdoba city, Argentina”, Geospatial health,
2017, pp. 226-236.
[6] WHO. 2016. “Dengue and severe dengue”. Fact sheet N°117.
http://www.who.int/mediacentre/factsheets/fs117/en/http://www.wh
o.int/mediacentre/factsheets/fs117/en/
[7] M. Espinosa, D. Weinberg, C.H. Rotela, F. Polop, M. Abril, C.M.
Scavuzzo. “Temporal Dynamics and Spatial Patterns of Aedes
aegypti Breeding Sites, in the Context of a Dengue Control Program
in Tartagal (Salta Province,Argentina)”. PLoS Neglected Tropical
Diseases, Vol. 10 (5), 2016.
[8] E.L. Estallo, F.F. Ludueña-Almeida, A.M. Visintin, C.M. Scavuzzo,
M.V. Introini, M. Zaidenberg, W. R. Almirón. “Prevention of
dengue outbreaks through aedes aegypti oviposition activity
forecasting method”. Vector-Borne and Zoonotic Diseases, 11 (5),
2011, pp. 543-549.
[9] S. Arboleda, N. Jaramillo, A.T. Peterson. “Mapping environmental
dimensions of dengue fever transmission risk in the Aburrá Valley,
Colombia”. Int J Envron Res Public Health 6, 2009, pp. 3040-3055.
[10] F. Polop, C. Provensal, C.M. Scavuzzo, M. Lamfri, G. Calderón, J.
Polop. “On the relationship between the environmental history and
the epidemiological situation of Argentine hemorrhagic fever”.
Ecological Research, Vol. 23 (1), 2008, pp. 217-225.
[11] X. Porcasi, G. Calderón, M. Lamfri, J. Polop, M. Sabattini, C.M.
Scavuzzo. “Predictive distribution maps of zoonoses reservoir
rodents in a southern America”. Masto Neotrop 12, 2005, pp. 199-
216.
[12] X. Porcasi, S.S. Catalá, H. Hrellac, C.M. Scavuzzo, D.E. Gorla.
“Infestation of rural houses by Triatoma infestans (Hemiptera:
Reduviidae) in southern area of Gran Chaco in Argentina”. J Med
Entomol 43, 2006, pp. 1060-1067.
[13] X. Porcasi X, C.H. Rotela, M.V. Introini, N. Frutos , S. Lanfri, G.
Peralta, E.A. De Elia, M.A. Lanfri, C.M. Scavuzzo. “ An operative
dengue risk stratification system in Argentina based on geospatial
technology”. Geospatial Health. Vol. 6, 2012, pp. 31-42.
[14] C.H. Rotela, F. Fouque, M. Lamfri, P. Sabatier, V. Introini, M.
Zaidenberg, C.M. Scavuzzo. “Space-time analysis of the dengue
spreading dynamics in the 2004 Tartagal outbreak, Northern
Argentina”. Acta Tropica, Vol. 103 (1), 2007, pp. 1-13.

[15] D.J. Rogers. “Satellite imagery, tsetse and trypanosomiasis in
Africa”. Prev. Vet. Med. 11, 1991, pp. 201–220.
[16] L.R. Beck, B.M. Lobitz, B.L. Wood. “Remote sensing and human
health: new sensors and new opportunities”. Emerg Infect Dis 6,
2000, pp. 217-227.
[17] S.I. Hay. “An overview of remote sensing and geodesy for
epidemiology and public health application” . Adv Parasitol 47,
2000, pp. 1-35.
[18] A. Tran, X. Deparis, P. Dussart, J. Morvan, P. Rabarison , F. Remy,
L. Polidori, J. Gardon. “Dengue spatial and temporal patterns,
French Guiana”. Emerg Infect Dis 10, 2004, pp. 615-621.
[19] E.L. Estallo, E.M. Benitez, M. Lanfri, C.M. Scavuzzo, W. Almiron.
“MODIS Environmental Data to Assess Chikungunya, Dengue, and
Zika Diseases Through Aedes (Stegomia) aegypti Oviposition
Activity Estimation”. IEEE Journal of Selected Topics in Applied
Earth Observations and Remote Sensing, 2016.
[20] A. German, M.O. Espinosa, M. Abril, C.M. Scavuzzo, 2018.
“Exploring Satellite Based temporal forecast modelling of Aedes
aegypti oviposition from an operational perspective”. Int. Journ.
Rem. Sensing, 2018 (in press).
[21] A.J. Tatem , S.J. Goetz, S.I. Hay. “Terra and Aqua: new data for
epidemiology and public health”. Int J Appl Earth Obs 6, 2004, pp.
33-46.
[22] B. Butt, W.D. Turner, A. Singh, L. Brottem. “Use of MODIS NDVI
to evaluate changing latitudinal gradients of rangeland phenology in
Sudano-Sahelian West Africa”. Remote Sensing of Environment
115(12), 2011, pp. 3367–3376.
[23] C. Kummerow, W. Barnes, T. Kozu, J. Shiue , J. Simpson. “The
tropical rainfall measuring mission (TRMM) sensor package”.
Journal of Atmospheric and Ocean Technology, vol 15,1998, pp.
809-817.
[24] J.M. Scavuzzo, F. C. Trucco, C. B. Tauro, A. German, M. Espinosa
and M. Abril, "Modeling the temporal pattern of Dengue,
Chicungunya and Zika vector using satellite data and neural
networks," 2017 XVII Workshop on Information Processing and
Control (RPIC), Mar del Plata, 2017, pp. 1-6.
[25] A.H. Hirzel, R. Arlettaz. “Modeling Habitat Suitability for Complex
Species Distributions by Environmental-Distance Geometric Mean”
Environmental Management, 32 (5), 2003, pp. 614-623.
[26] B.R. Krasnova, D. Mouillotb, G. I. ShenbrotaIrina, S. Khokhlovac,
M. V. Vinarskid, N. P. Korallo-Vinarskayae, R. Poulinf. “Similarity
in ectoparasite faunas of Palaearctic rodents as a function of host
phylogenetic, geographic or environmental distances: Which matters
the most?”. International Journal for Parasitology, Vol. 40, 7, 2010,
pp. 807-817.
[27] M. Mendez, H.C. Rosenbaum, A. Subramaniam, C. Yackulic, P.
Bordino. “Isolation by environmental distance in mobile marine
species: molecular ecology of franciscana dolphins at their southern
range”. Mol Ecol. 19(11), 2010, pp. 2212-28.
[28] O. Farber, R. Kadmon “Assessment of alternative approaches for
bioclimatic modeling with special emphasis on the Mahalanobis
distance”. Ecological Modelling 160, 2003, pp. 115-130.
[29] D.R. Montello. “The perception and cognition of environmental
distance: Direct sources of information”. Lecture Notes in Computer
Science (including subseries Lecture Notes in Artificial Intelligence
and Lecture Notes in Bioinformatics), 1329, 1997, pp. 297-311.
[30] A.J. Tatem, R.W. Snow, S. Hay. “Mapping the environmental
coverage of the INDEPTH demographic surveillance system
network in rural Africa”. Tropical Medicine and International
Health, 11 (8), 2006, pp. 1318-1326.
[31] M. Altamiranda-Saavedra, J.E. Conn, M.M. Correa. “Genetic
structure and phenotypic variation of Anopheles darlingi in
northwest Colombia Infection”. Genetics and Evolution, 56, 2017,
pp. 143-151.
[32] R.J. Hijmans, S.E. Cameron, J.L Parra, P.G. Jones, A. Jarvis.
“Very high resolution interpolated climate surfaces for global land”
International Journal of Climatology, 25 (15), 2005, pp. 1965-1978.