Прогнозируется, что изменение климата окажет пагубное воздействие на такие развивающиеся страны, как Нигерия, Гаити и Йемен. Эти эффекты включают нехватку продуктов питания из-за увеличения численности насекомых и вредителей, перемещение населения и распространение болезней. Всемирная организация здравоохранения охарактеризовала изменение климата как фактор, увеличивающий опасность болезней:
Он устраняет существующие угрозы - будь то вспышка холеры, распространение вируса Зика в новые географические районы или серьезное недоедание, сопровождающее засуху, - и усиливает их. Риски знакомы, но их влияние усиливается по частоте и серьезности. Изменяющийся климат может расширить распространение инфекционных заболеваний, особенно передаваемых комарами и другими переносчиками, и вызвать появление других. Возникновение вируса Нипах и вируса Ханта в качестве возбудителей заболеваний человека было связано с экстремальными погодными явлениями, которые вынудили животных-хозяев покинуть свои экологические ниши и вторгнуться в населенные пункты.
Есть хорошие исторические свидетельства связи между климатическими условиями и инфекционными заболеваниями. В частности, малярия - это трансмиссивное заболевание, на которое, по прогнозам, значительно повлияет глобальное потепление.
В предыдущем посте мы рассмотрели, как изменение климата влияет на урожайность таких культур, как рис и пшеница. В этом посте мы проведем простой исследовательский анализ общедоступных данных об изменении климата, предоставленных datahub, и глобальных данных о смертях от малярии, предоставленных ourworldindata.org.
Начнем с импорта библиотеки Python Pandas:
import pandas as pd
Первый набор данных, который мы рассмотрим, - это годовые данные о глобальной температуре. Мы можем прочитать данные в фрейм данных и распечатать первые пять строк:
df_global_temp = pd.read_csv("annual_temp.csv") print(df_global_temp.head())
Затем мы можем отфильтровать наши данные, чтобы получить только записи, соответствующие источнику NASA GISTEMP:
df_global_temp = df_global_temp[df_global_temp['Source'] == 'GISTEMP'].reset_index()[["Source", "Year", "Mean"]] print(df_global_temp.head())
Затем мы можем построить график зависимости среднегодовой температуры от времени. Далее мы импортируем пакет визуализации python «seaborn» и строим линейный график временного ряда:
import seaborn as sns sns.set() sns.lineplot(df_global_temp['Year'], df_global_temp['Mean']) plt.ylabel("Mean") plt.title("Average Global Mean Temperature")
Затем мы можем посмотреть на среднюю заболеваемость малярией на 1000 человек, предоставленную ourworldindata.org. Давайте прочитаем данные incidence-of-malaria.csv в фрейм данных и посмотрим на первые пять строк:
pd.set_option('display.max_columns', None) df_malaria = pd.read_csv("incidence-of-malaria.csv") print(df_malaria.head())
Мы также можем посмотреть на уникальный набор регионов:
from collections import Counter print(set(df_malaria['Entity'].values)) print("NUMBER OF REGIONS: ", len(set(df_malaria['Entity'].values)))
Набор данных включает только 4 точки на регион, всего 127 регионов. Данных по регионам немного, поэтому к любому анализу следует относиться с недоверием. Зная, что развивающиеся регионы более уязвимы перед рисками, связанными с изменением климата, было бы полезно сузить наши рамки. Журнал Time заявил, что Нигерия, Гаити, Йемен, Филиппины и Фиджи столкнутся с самыми серьезными последствиями изменения климата.
Имея это в виду, мы можем начать с рассмотрения заболеваемости малярией в Нигерии:
df_malaria = pd.read_csv("incidence-of-malaria.csv") df_malaria = df_malaria[df_malaria['Entity']=='Nigeria'].reset_index()[["Entity", "Code", "Year", 'Incidence of malaria (per 1,000 population at risk) (per 1,000 population at risk)']] print(df_malaria.head())
Затем мы можем построить график заболеваемости малярией в Нигерии за 2000–2015 годы:
sns.lineplot(df_malaria['Year'], df_malaria['Incidence of malaria (per 1,000 population at risk) (per 1,000 population at risk)']) plt.ylabel("Malaria incidents in Nigeria (per 1,000 population at risk)") plt.title("Malaria incidents in Nigeria")
Затем мы можем наложить среднюю глобальную среднегодовую температуру (масштабированную с коэффициентом 100 для ясности) и заболеваемость малярией в Нигерии:
df_global_temp = df_global_temp[df_global_temp['Year'] <= 2015] sns.set() sns.lineplot(df_global_temp['Year'], df_global_temp['Mean']*100) plt.ylabel("Mean") sns.lineplot(df_malaria['Year'], df_malaria['Incidence of malaria (per 1,000 population at risk) (per 1,000 population at risk)']) plt.ylabel("Malaria Incidence (Orange)/Global Mean Temperature Scaled by 100 (Blue)") plt.title("Malaria Incidence in Nigeria and Global Mean Temperature")
Хотя мы видим, что снижение заболеваемости малярией начинает выходить на плато с повышением средней температуры, связь между потеплением климата и плато заболеваемости малярией не очень убедительна.
Мы также можем взглянуть на Гаити:
df_malaria = df_malaria[df_malaria['Entity']=='Haiti'].reset_index()[["Entity", "Code", "Year", 'Incidence of malaria (per 1,000 population at risk) (per 1,000 population at risk)']] print(df_malaria.head())
sns.set() sns.lineplot(df_malaria['Year'], df_malaria['Incidence of malaria (per 1,000 population at risk) (per 1,000 population at risk)']) plt.ylabel("Malaria Incidence in Haiti (per 1,000 population at risk)") plt.title("Malaria Incidence in Haiti")
Данные по Гаити еще менее убедительны. Мы можем наложить данные о температуре и малярии:
df_global_temp = df_global_temp[df_global_temp['Year'] <= 2015] sns.set() sns.lineplot(df_global_temp['Year'], df_global_temp['Mean']*100) plt.ylabel("Mean") sns.lineplot(df_malaria['Year'], df_malaria['Incidence of malaria (per 1,000 population at risk) (per 1,000 population at risk)']) plt.ylabel("Malaria Incidence in Haiti (per 1,000 population at risk)/Global Mean Temperature Scaled by 100 (Blue)") plt.title("Malaria Incidence in Haiti and Global Mean Temperature")
Чтобы сделать какие-либо выводы из данных на этом этапе, потребуется гораздо более исчерпывающий анализ. На этом мы завершим наш анализ, но не стесняйтесь взглянуть на заболеваемость малярией в других регионах, а также на некоторые другие данные об изменении климата, доступные в DataHub. Наборы данных и код в этом посте доступны на GitHub. Спасибо за чтение!