En Guyane, des données de captures d’Anopheles existent depuis 1902. Dans ce travail de thèse, seules les données ayant une géolocalisation précise ont été utilisées. Ces données ne sont disponibles qu’à partir de 2000. Le choix de ne considérer que les localités précises s’est avéré très restrictif. En effet, les données de présence d’An. darlingi n’ayant pas de géoloca-lisation précise entre 2000 et 2013 représentent près de 90% des données recueillies auprès de l’Institut Pasteur de la Guyane, du Service de Santé des Armées et de la Direction de la Démoustication de la Collectivité Territoriale. Ces données sont décrites par des noms de lo-calité, de route ou de rue, de zone ou de cours d’eau dont les localisations sont imprécises ou incertaines et ne peuvent pas être utilisées telles quelles pour la modélisation. Des travaux
réalisés parGraham et al.(2008) ont évalué différents modèles en se basant sur des données
précises (données originales) auxquelles des erreurs liées aux positions géographiques des sites de capture ont été ajoutées. Ces erreurs étaient tirées aléatoirement selon une distribu-tion de probabilité normale de moyenne nulle et d’écart-type de 5 km (correspondant à l’erreur spatiale supposée des données issues des musées). Avec des données environnementales
de 100 mètres de résolution, les auteurs estiment que le modèle Maxent était peu impacté par ces erreurs spatiales. Cependant, l’association d’une forte hétérogénéité spatiale de l’environ-nement dans la zone de capture avec des informations de localisation des sites de présence
imprécises ou incertaines, peut fortement dégrader la prédiction. Les travaux de Naimi et al.
(2011) ont montré que les performances des modèles étaient stables (proches des modèles
construits avec les données ne présentant pas d’erreur de localisation) lorsque la distance d’autocorrélation des variables environnementales était supérieure à trois fois l’écart-type de l’erreur de localisation.
Pour pouvoir utiliser les données de capture d’An. darlingi imprécises en Guyane, il serait donc nécessaire, dans un premier temps, d’estimer l’erreur de localisation. Ainsi, une capture réalisée dans un village présentera une erreur de localisation moindre qu’une capture réali-sée dans une ville de plus grande taille ou le long des routes nationales de Guyane. Dans un deuxième temps, l’étude de l’hétérogénéité spatiale de l’environnement de la zone de capture, au travers, notamment, de l’analyse des variogrammes des variables environnementales, per-mettrait d’intégrer à la modélisation les données imprécises satisfaisant les conditions définies parNaimi et al.(2011).
II. 2. Résolution des variables environnementales
Les captures d’Anopheles réalisées en Guyane sont souvent faites à une échelle très locale (à l’échelle d’un village, d’un quartier). En revanche, dans cette thèse, la résolution spatiale uti-lisées est de 1 000 m. À cette résolution, l’hétérogénéité spatiale de l’environnement à l’échelle de la zone d’échantillonnage ne peut être caractérisés de manière totalement satisfaisante. Une étude devrait donc être menée sur l’apport de la haute résolution spatiale (30 mètres voire 10 mètres) sur la modélisation d’An. darlingi en Guyane. Ces données permettraient-elles de cartographier des micro-habitats des espèces cibles et quelle serait la conséquence sur les cartes de prédiction ? Phillips et al. (2009) soulignent que le choix de la résolution spatiale des variables environnementales affecte le degré de généralisation des modèles. Les
travaux deGuisan et al.(2007) ont comparé différents modèles de distribution d’espèces en
utilisant des données environnementales de résolutions spatiales différentes. Ils ont montré que les arbres de régression (boosted regression tree, BRT) et Maxent permettaient d’obte-nir les meilleurs AUC parmi l’ensemble des modèles évalués, lorsqu’une résolution spatiale grossière était utilisée. Cependant, seul le modèle BRT restait insensible à l’amélioration de la résolution spatiale, alors que les performances de Maxent se sont dégradées. Ainsi, comme suggéré dans la partie I. , une modélisation de la distribution d’An. darlingi avec d’autres mo-dèles peut être envisagée, notamment avec la méthode de BRT lorsqu’un passage à une résolution spatiale plus fine sera envisageable.
II. 3. Variables météorologiques
La modélisation de la qualité d’habitat d’An. darlingi a été réalisée à partir des variables suivantes :
— les paysages et les unités géomorphologiques (GLS et GLF) ; — l’occupation du sol modifiée (LS) ;
II. Modélisation de la qualité d’habitat d’An. darlingi en Guyane
— la présence et les activités humaines altérant de manière non-permanente l’environne-ment naturel (HA_max) ;
— la longueur de route dans un pixel de 1 km2(ROADS) ;
— le pourcentage d’urbanisation dans les pixels voisins (PER_URB_NEIGH).
Bien que le choix de ne pas avoir utiliser les variables météorologiques ait été discuté dans le chapitre 3, une réflexion sur l’exploitation des séries temporelles de données météorologiques peut être menée. Entre 2000 et 2010, seuls 35 de postes de mesure de la pluviométrie au sol étaient disponibles1. De plus, la majeure partie des postes étaient situés le long du littoral.
Ringard et al.(2015) ont évalué la qualité de quatre produits satellitaires en les comparant aux données in situ sur le plateau des Guyanes, afin de pallier au manque de données in situ dans certaines zones. Une représentation de la pluviométrie journalière moyenne issue de produits satellites et d’une interpolation de données in situ est en figure 5.1. Bien que des erreurs d’estimation de la pluviométrie en fonction du régime hydro-climatique aient été notées lors de cette comparaison, de telles données satellites seraient intéressantes pour cartographier les différents régimes de pluviométrie en Guyane. En particulier, l’estimation mensuelle du nombre de jours consécutifs pour lesquels la quantité de précipitation dépasse certaine valeur peut constituer une information importante, car une pluviométrie trop conséquente dans une zone peut lessiver les gîtes larvaires et constituer un frein à la présence d’An. darlingi.
FIGURE5.1 –Spatialisation de la pluviométrie journalière moyenne de 2001 à 2012 à partir des produits satel-litaires TMPA V7, TMPA RT, PERSIANN et CMORPH et des données in situ.
Source :Ringard et al.(2015)
An. darlingi nécessite des gîtes larvaires ensoleillés mais présentant suffisamment d’ombre pour maintenir la température de l’eau dans un intervalle de valeurs favorables. Les travaux deAlbarelo et al.(2015) ont permis d’estimer l’irradiation solaire en Guyane à partir d’images satellite. La carte de la distribution spatiale de l’irradiation solaire annuelle en Guyane (figure 5.2) permet d’identifier différentes zones plus ou moins ensoleillées et pouvant éventuellement correspondre à des qualités d’habitat différents. Une telle carte pourrait donc être utilisée pour la modélisation de la qualité d’habitat d’An. darlingi.
FIGURE5.2 –Carte de l’irradiation solaire global annuelle pour 2012.
Source :Albarelo et al.(2015)