CHANGEMENT CLIMATIQUE ET RESURGENCE DE LA PESTE A MADAGASCAR : UNE APPROCHE EXPLORATOIRE BASEE SUR LE DEEP LEARNING
Résumé
La peste, considérée comme une maladie du passé dans d’autres pays, est une maladie endémique à Madagascar, avec 75% des cas mondiaux de peste signalés à l’OMS. Elle présente chaque année une recrudescence saisonnière entre le mois d’Août et le mois d’Avril, surtout sur les Hautes Terres centrales situées à plus de 800 mètres d’altitude. Parallèlement, Madagascar figure parmi les pays les plus vulnérables au changement climatique. Cette recherche explore le lien entre les variations climatiques et la résurgence de la peste, tout en évaluant l’apport de la méthode du Deep Learning de l’Intelligence Artificielle pour améliorer la prédiction des risques épidémiques. L’étude s’appuie sur l’analyse des données climatiques des régions d’Analamanga et de Bongolava sur une période de 35 ans (1982–2017). Les résultats montrent une augmentation progressive des températures et une diminution de la pluviométrie. L’analyse des cas de peste enregistrés entre 2012 et 2017 révèle une hausse significative des cas lorsque l’anomalie de température atteint entre +2 °C et +2,5 °C, associée à une pluviométrie inférieure à 100 mm (p-value < 0,05). Pour mieux anticiper ces flambées, cette recherche propose une approche innovante basée sur le Deep Learning. Le modèle combine des données climatiques (température, pluviométrie), environnementales (altitude, déforestation, feux de brousse) et épidémiologiques historiques afin de prédire la prévalence de la peste dans le temps et l’espace. Cette approche d’épidémiologie climatique vise à renforcer l’alerte précoce, à améliorer la stratégie de prévention et la surveillance épidémiologique. En combinant intelligence artificielle, données climatiques et santé publique, nous voulons faire de notre solution un outil stratégique de décision sanitaire, et contribuer concrètement à la résilience de Madagascar face au changement climatique. La vision c’est d’utiliser les technologies pour sauver des vies.
Peste, Changement Climatique, Deep Learning, Alerte precoce, Surveillance épidémiologique
References
BIBLIOGRAPHIE [FGK 2017] B. Florian, P. Guéna, C. Kikuchi, A. Marin, 2017, Actuel Moyen Âge, 1ère Edition Arkhê [CAR 2004] F. Carlos, 2004, Changement climatique et santé humaine : Risques et mesures à Prendre, Organisation Mondiale de la Santé, Organisation Météorologique Mondiale, Programme des Nations Unies pour l’Environnement, Ed. by Anthony J. McMichael; p. 6-8 [MEF 1992] Ministère des Eaux et Forêts de Madagascar, 1992, Les feux de brousse dans la région d’Itasy, Dégâts partiels d’un champ de reboisement d’Ambatofolaka, 121p. [DCM 2001] Direction de la Communication du Ministère de l’Environnement de Madagascar, 2001, Communication Nationale sur les Changements Climatiques ;p. 31-34 [MGC 2005] Musser, G.G. and Carleton, M.D., 2005, Superfamily Muroidea. In: Wilson, D.E. and Reeder, D.M., Eds., Mammal Species of the World: A Taxonomic and Geographic Reference, The Johns Hopkins University Press, Baltimore [BAM 1914] Bacot, A.W., Martin, C.J, 1914, Observations on the mechanism of the transmission of plague by fleas. J. Hygiene Plague Suppl. 3 [CHA 2002] S. Chanteau, 2002, Atlas de la peste à Madagascar, Paris :IRD.p.11-17 [NAT 2018] T. Nathalie, 2018, Deep Learning et Agriculture. Edition CHAIRE AgroTIC, p. 5-18 [HSB 2008] A. Hmich, A. Sahel, A. Badri, B. Oukarfi, 2008, Modélisation non linéaire d’un processus, en présence de perturbations aléatoires, par réseaux de neurones. University of Hassan II Casablanca, 249 p. [YLC 2018] Y. Le Cun, 2018, La prochaine révolution de l’Intelligence Artificielle, USI Paris [AAS 2018] T. Artières, S. Ayache, R. Sicre,2018, Deep Learning, QARMA, p.16 [MUN 2018] R. Munos, 2018, Apprentissage par renforcement. INRIA Lille – Nord Europe, p. 2-5. [AMD 2018] C. Ambroise, S. Donnet, 2018, Deep Lear
