Os Sistemas de Informação Geográfica e Detecção Remota na Determinação das Regiões de Risco por Malária na Guiné-Bissau

A malária é uma doença infecciosa complexa, que resulta do “vírus” plasmodium, e manifesta-se sob cinco tipos distintos de espécies protozoários (plasmodium vivax, plasmodium ovale, plasmodium falciparum, plasmodium malariae e plasmodium Knowlesi), atacando sobretudo os glóbulos vermelhos. Considerada a quinta maior causa de morte por doenças infecciosas em todo o mundo após doenças respiratórias, VIH/SIDA, doenças diarreicas e tuberculose, no continente africano, a malária é considerada a segunda causa do aumento da mortalidade, após VIH/SIDA. No caso particular da Guiné-Bissau, esta constitui a principal causa do incremento da morbilidade e da mortalidade naquele país, onde, em 2012 foram notificados 129.684 casos de paludismo, dos quais 370 resultaram em óbitos. Partindo da realidade acima constatada, em particular, da complexidade e o impacto global da doença associada a uma forte mortalidade e morbilidade, concluiu-se ser necessário abordar esta temática, utilizando os SIG e a DR no sentido de determinar as regiões de elevado risco. Entendeu-se serem necessárias novas abordagens e novas ferramentas de análise dos dados epidemiológicos e consequentemente novas metodologias que possibilitem a determinação de áreas de risco por malária. O presente estudo, pretende demonstrar o papel dos SIG e DR na determinação das regiões de risco por malária. A metodologia utilizada centrou-se numa abordagem quantitativa baseada na hierarquização das variáveis. Pretende-se, assim abordar os impactos da malária e simultaneamente demonstrar as potencialidades dos SIG e das ferramentas de Análise Espacial no estudo da disseminação da mesma na Guiné-Bissau.

Mapping the Pasture Steppe in Bayankhongor, Mongolia: comparison of classification methods, using Landsat-8 and geophysical data

Grasslands in semi-arid regions, like Mongolian steppes, are facing desertification and degradation processes, due to climate change. Mongolia’s main economic activity consists on an extensive livestock production and, therefore, it is a concerning matter for the decision makers. Remote sensing and Geographic Information Systems provide the tools for advanced ecosystem management and have been widely used for monitoring and management of pasture resources. This study investigates which is the higher thematic detail that is possible to achieve through remote sensing, to map the steppe vegetation, using medium resolution earth observation imagery in three districts (soums) of Mongolia: Dzag, Buutsagaan and Khureemaral. After considering different thematic levels of detail for classifying the steppe vegetation, the existent pasture types within the steppe were chosen to be mapped. In order to investigate which combination of data sets yields the best results and which classification algorithm is more suitable for incorporating these data sets, a comparison between different classification methods were tested for the study area. Sixteen classifications were performed using different combinations of estimators, Landsat-8 (spectral bands and Landsat-8 NDVI-derived) and geophysical data (elevation, mean annual precipitation and mean annual temperature) using two classification algorithms, maximum likelihood and decision tree. Results showed that the best performing model was the one that incorporated Landsat-8 bands with mean annual precipitation and mean annual temperature (Model 13), using the decision tree. For maximum likelihood, the model that incorporated Landsat-8 bands with mean annual precipitation (Model 5) and the one that incorporated Landsat-8 bands with mean annual precipitation and mean annual temperature (Model 13), achieved the higher accuracies for this algorithm. The decision tree models consistently outperformed the maximum likelihood ones.