Klimatdata från satelliter som kretsar runt jorden, kombinerat med maskininlärningstekniker, hjälper till att bättre förutsäga utbrott av kolera och potentiellt rädda liv.

Kolera är en vattenburen sjukdom som orsakas av intag av vatten eller mat som är förorenad med bakterien Vibrio cholerae, som finns i många kustområden runt om i världen, speciellt i tätbefolkade tropiska områden. Den ansvariga patogenen lever i allmänhet under varma temperaturer, måttlig salthalt och grumlighet, och kan hysas av plankton och detritus i vattnet.

Global uppvärmning och en ökning av extrema väderhändelser driver på utbrott av kolera – en sjukdom som drabbar 1,3 till 4 miljoner människor varje år över hela världen och orsakar upp till 143 000 dödsfall. En ny studie visar hur kolerautbrott i kustområdena i Indien kan förutsägas med 89 % framgång, i den första demonstrationen av att använda havsytans salthalt för att prognostisera kolera.

Forskningen som publicerades i går i International Journal of Environmental Research and Public Health fokuserar på att förutsäga utbrott av kolera runt norra Indiska oceanen, där mer än hälften av de globala fallen av sjukdomen rapporterades under perioden 2010-16.

Förhållandet mellan miljöfaktorerna bakom koleraincidensen är komplexa, och varierar säsongsmässigt, med olika fördröjda effekter, till exempel från monsunsäsongen. Algoritmer för maskininlärning kan hjälpa till att övervinna dessa problem genom att lära sig känna igen mönster över stora datamängder för att göra testbara förutsägelser.

Studien leddes av Amy Campbell under en årslång examenspraktik hos ESA Climate Office. Amy, tillsammans med hennes medförfattare vid Plymouth Marine Laboratory (PML), använde en maskininlärningsalgoritm som är populär i miljövetenskapliga tillämpningar – den slumpmässiga skogsklassificeraren – som kan känna igen mönster över långa datamängder och göra testbara förutsägelser.

Algoritmen tränades på sjukdomsutbrott som rapporterats i kustdistrikt i Indien mellan 2010 och 2018, och lärde sig sambanden med sex satellitbaserade klimatrekord genererade av ESA:s Climate Change Initiative (CCI).

Genom att inkludera eller ta bort miljövariabler och delinställningar för olika årstider, Algoritmen identifierade nyckelvariabler för att förutsäga kolerautbrott som markytans temperatur, salthalt vid havsytan, klorofyll-a koncentration och havsnivåskillnad från genomsnittet (havsnivåanomali).

Amy Campbell sa, "Modellen visade lovande resultat, och det finns ett stort utrymme för att utveckla detta arbete med hjälp av olika koleraövervakningsdatauppsättningar eller på olika platser. I vår studie, vi testade olika maskininlärningstekniker och fann att den slumpmässiga skogsklassificeraren var den bästa, men det finns mycket fler tekniker som skulle kunna undersökas.

"Det skulle vara intressant att testa effekten av att inkludera socioekonomiska datamängder; fjärranalysdata skulle kunna användas för att utveckla register för att ta hänsyn till mänskliga faktorer som är viktiga för koleraincidensen, till exempel tillgång till vattenresurser."

Studien och dess nya insikter har bidragit till UKRI-NERC Pathways Of Dispersal for Cholera And Solution Tools (PODCAST)-projektet ledd av medförfattaren Marie-Fanny Racault vid PML, som utvärderar effekterna av klimatuppvärmning och klimatextremer på livsmiljöer som är lämpliga för Vibrio cholerae.

Resultaten från studien kommer att demonstreras vid UNFCCC:s COP26-möte 2021 via ett webbaserat prognosverktyg som en del av PODCAST-DEMO-projektet.