La lecture en ligne est gratuite
Le téléchargement nécessite un accès à la bibliothèque YouScribe
Tout savoir sur nos offres
Télécharger Lire

Risk assessment with regard to the occurrence of malaria in Africa under the influence of observed and projected climate change [Elektronische Ressource] / vorgelegt von Volker Ermert

299 pages
Risk assessment with regard to theoccurrence of malaria in Africa underthe influence of observed andprojected climate changeI n a u g u r a l - D i s s e r t a t i o nzurErlangung des Doktorgradesder Mathematisch-Naturwissenschaftlichen Fakultätder Universität zu Kölnvorgelegt vonVolker Ermertaus Kirchen/SiegKöln 2010Berichterstatter (Gutachter): Prof. Dr. A. H. FinkProf. Dr. M. KerschgensDr. A. P. MorseTag der mündlichen Prüfung: 23. November 2009AbstractMalaria is one of the most serious health problems in the world. The projected climatechange will probably alter the range and transmission potential of malaria in Africa. Inthis study, potential changes in the malaria transmission are assessed by forcing threemalaria models with bias-corrected data from ensemble scenario runs of a state-of-the-art regional climate model.The Liverpool Malaria Model (LMM) from the Geography Department of the Uni-versity of Liverpool is utilised. The LMM simulates the spread of malaria at a dailyresolution using daily mean temperature and 10-day accumulated precipitation. Thesimulation of some key processes has been modified in the model, in order to reflect amore physical relationship. An extensive literature survey with regard to entomologi-cal and parasitological malaria variables enables the calibration and validation of a newLMM version. Comparison of this version with the original model exhibits markedimprovements.
Voir plus Voir moins

Risk assessment with regard to the
occurrence of malaria in Africa under
the influence of observed and
projected climate change
I n a u g u r a l - D i s s e r t a t i o n
zur
Erlangung des Doktorgrades
der Mathematisch-Naturwissenschaftlichen Fakultät
der Universität zu Köln
vorgelegt von
Volker Ermert
aus Kirchen/Sieg
Köln 2010Berichterstatter (Gutachter): Prof. Dr. A. H. Fink
Prof. Dr. M. Kerschgens
Dr. A. P. Morse
Tag der mündlichen Prüfung: 23. November 2009Abstract
Malaria is one of the most serious health problems in the world. The projected climate
change will probably alter the range and transmission potential of malaria in Africa. In
this study, potential changes in the malaria transmission are assessed by forcing three
malaria models with bias-corrected data from ensemble scenario runs of a state-of-the-
art regional climate model.
The Liverpool Malaria Model (LMM) from the Geography Department of the Uni-
versity of Liverpool is utilised. The LMM simulates the spread of malaria at a daily
resolution using daily mean temperature and 10-day accumulated precipitation. The
simulation of some key processes has been modified in the model, in order to reflect a
more physical relationship. An extensive literature survey with regard to entomologi-
cal and parasitological malaria variables enables the calibration and validation of a new
LMM version. Comparison of this version with the original model exhibits marked
improvements. The new version demonstrates a realistic simulation of entomological
variables and of the malaria season, as well as correctly reproduces the epidemic poten-
tial at fringes of endemic malaria areas. Various sensitivity experiments reveal that the
LMM is fairly sensitive to values of its required parameters. Effects of climatic changes
on the malaria season are additionally verified by the MARA Seasonality Model (MSM).
The Garki model finally enables the completion of the malaria picture in terms of the
immune status and the infectiousness of different population groups, as well as relative
to the age-dependent prevalence structure.
◦In every case three ensemble runs were performed on a 0.5 grid. The LMM was
driven for the present-day climate (1960-2000) by bias-corrected data from the REgional
MOdel (REMO), with a land use and land cover specified by the Food and Agriculture
Organization (FAO). Malaria projections were carried out for 2001-2050 according to
the climate scenarios A1B and B1 as well as FAO land use and land cover changes. Garki
model runs were subsequently forced by the Entomological Inoculation Rate (EIR) from
the LMM. Finally, additional results relative to the malaria season were produced by
MSM.
For the present-day climate (1960-2000), the highest biting rates are simulated for
Equatorial Africa. The malaria runs show a decrease in the malaria spread from Central
Africa towards the Sahel. The length of the malaria season is closely related to monsoonii ABSTRACT
rainfall. The model simulations show a marked influence of mountainous areas causing
a complex pattern of the spread of malaria in East Africa. The malaria infected popula-
tion reveals the expected peak in children below an age of about five years. Regions of
epidemic malaria occurrence, as defined by the coefficient of variation of the annual par-
asite prevalence maximum, are found along a band in the northern Sahel. Farther south,
malaria occurs more regularly and is therefore characterised as endemic. Epidemic-
prone areas are additionally identified at various highland territories, as well as in arid
and semi-arid zones of the Greater Horn of Africa. No adequate immune protection of
the population was found for these areas.
Largely due to land surface degradation, REMO simulates a prominent surface warm-
ing and a significant reduction in the annual rainfall amount over most of tropical Africa
in either climate change scenario. Assuming no future human-imposed constraints on
malaria transmission, changes in temperature and precipitation will alter the future ge-
ographic distribution of malaria. In the northern part of sub-Saharan Africa, the preci-
pitation decline will force significant decreases of the malaria transmission in the Sahel.
In addition to the withdrawal of malaria transmission along the fringe of the Sahara, the
frequency of malaria occurrence will be reduced for several grid boxes of the Sahel. As a
result, epidemics in these more densely populated areas will become more likely, in par-
ticularly as adults lose their immunity. The level of malaria prevalence farther south will
remain stable for most areas. However, the start of the malaria season will be delayed
and the transmission is expected to cease earlier.
Most pronounced changes in Africa are found for East Africa. Significantly higher
temperatures and slightly higher rainfall cause a substantial increase in the season length
and parasite prevalence in formerly epidemic-prone areas. Territories formerly unsuit-
able for malaria will become suitable under the warmer future climate. The simulations
indicate changes in the highland epidemic risk. At most grid boxes malaria transmission
will stabilise below about 2000 m. At these altitudes the population will improve their
immune status. In contrast, malaria will climb to formerly malaria-free zones above
these levels enforcing the probability of malaria epidemics.Zusammenfassung
Die Malaria stellt eine der gefährlichsten Krankheiten der Welt dar. Höchstwahrschein-
lich werden sich die Ausbreitung und das Übertragungspotenzial der Malaria in Afrika
unter dem Einfluss des projizierten Klimawandels verändern. Aus diesem Grund ver-
sucht die vorliegende Studie potenzielle Veränderungen in der Malariaübertragung abzu-
schätzen. Drei unterschiedliche Malariamodelle werden hierzu mit korrigierten Ensem-
bleläufen eines auf dem Stand der Wissenschaft befindlichen regionalen Klimamodells
betrieben.
Verwendung findet zunächst das sog. „Liverpool Malaria Model (LMM)“ vom Geo-
graphischen Department der Universität Liverpool. Das LMM simuliert die Verbreitung
der Malaria auf Tagesbasis und wird lediglich durch die Tagesmitteltemperatur und die
10-tägig akkumulierte Niederschlagsmenge angetrieben. Um Vorgänge in der Natur bes-
ser widerzuspiegeln wurde im LMM die Simulierung einiger wichtiger Prozesse ver-
ändert. Eine intensive Literaturrecherche in Bezug auf entomologische und parasitolo-
gische Malariavariablen ermöglicht die Kalibrierung und die Validierung einer neuen
LMM Version. Der Vergleich dieser neuen Version mit dem ursprünglichen Modell of-
fenbart deutliche Verbesserungen. Die neue Modellversion zeigt eine realistische Simu-
lation von entomologischen Variablen, der Malariasaison und reproduziert korrekt das
Epidemiepotenzial am Rande endemischer Malariagebiete. Zahlreiche Sensitivitätsstu-
dien zeigen, dass das LMM sensitiv bzgl. unterschiedlichen Modelleinstellungen rea-
giert. Zusätzlich wird der Effekt der Klimaänderung auf die Malariasaison mit Hilfe
des sog. „MARA Seasonality Models (MSM)“ überprüft. Durch die Berücksichtung des
Immunstatus und der Infektiösität von unterschiedlichen Bevölkerungsgruppen als auch
der altersabhängigen Struktur der Malariaprävalenz durch das sog. Garki Modell wird
schließlich das Malariabild vervollständigt.
◦Die Modelle wurden jeweils für drei Ensembleläufe auf einem 0.5 Gitter betrieben.
Für das heutige Klima (1960-2000) wurde das LMM hierbei mit korrigierten Daten des
REgionalen MOdells (REMO) laufen gelassen, die wiederum auf einer Landnutzung
und Landoberfläche der „Food and Agriculture Organization (FAO)“ beruhen. Malaria-
projektionen wurden anschließend für den Zeitraum 2001-2050 mit REMO-Daten der
Klimaszenarien A1B und B1 berechnet. In diesem Fall sind die Klimaszenarien durch
FAO-Szenarien der Landnutzung und Landoberflächen entstanden. Danach wurde dasiv ZUSAMMENFASSUNG
Garki Modell mit Hilfe der entomologischen Inokulationsrate des LMM betrieben. Zu-
sätzliche Ergebnisse bezüglich der Malariasaison wurden schließlich durch das MSM
produziert.
Für das heutige Klima (1960-2000) werden die höchsten Stechraten für das äqua-
toriale Afrika simuliert. Die Malarialäufe zeigen einen Abfall in der Malariaverbreitung
von Zentralafrika bis zum Sahel. Hierbei steht die Länge der Malariasaison im engen
Zusammenhang mit dem Auftreten des Monsuns. Die ostafrikanischen Hochländer ver-
ursachen außerdem ein komplexes Muster in der Malariaverbreitung. Wie erwartet treten
in den ersten fünf Lebensjahren die höchsten Malariaprävalenzen auf. Epidemieregionen
werden durch den Variationskoeffizienten der maximalen jährlichen Malariaprävalenz
definiert. Solche Gebiete sind entlang eines Streifens im nördlichen Sahel zu finden.
Weiter südlich tritt die Malaria regelmäßiger auf und ist deshalb als endemisch cha-
rakterisiert. Epidemiegebiete werden ebenso für zahlreiche Hochländer sowie für aride
und semi-aride Regionen des Großen Horns von Afrika identifiziert. Für diese Gebiete
konnte kein angemessener Immunschutz in der Bevölkerung gefunden werden.
In den REMO-Simulationen verursacht hauptsächlich die Degradation der Land-
oberfläche in beiden Klimaszenarien einen deutlichen Temperaturanstieg und eine si-
gnifikante Reduzierung der Jahresniederschläge über großen Teilen tropischen Afri-
kas. Falls der Mensch die Malariaverbreitung in der Zukunft nicht merklich beeinflusst
wird der Klimawandel die zukünftige Malariaübertragung stark verändern. Der Nieder-
schlagsrückgang wird eine signifikante Reduzierung der Malariaübertragung im Sahel
verursachen. Zusätzlich zum Rückzug der Malaria entlang der Grenze zur Sahara wird an
einigen Gitterpunkten im Sahel die Häufigkeit des Malariaauftretens herabgesetzt. Diese
bevölkerungsreicheren Gebiete werden somit häufiger mit Epidemien rechnen müssen,
da in diesen Regionen vor allem Erwachsene ihre Immunität verlieren werden. Weiter
südlich bleibt das Malarianiveau für die meisten Gebiete stabil, allerdings wird sich der
Start der Malariasaison verzögern und es wird ein früheres Ende der Malariaübertragung
erwartet.
In Afrika werden die stärksten Veränderungen für Ostafrika projiziert. In früheren
Epidemiegebieten verursachen signifikant höhere Temperaturen und leicht erhöhte Nie-
derschläge einen beträchtlichen Anstieg in der Länge der Saison und in der Prävalenz
des Malariaparasiten. In Regionen die zuvor für die Malaria ungeeignet waren kann
sich die Malaria in einem wärmeren zukünftigen Klima verbreiten. Die Simulationen
offenbaren deutliche Veränderungen des Epidemierisikos der Hochländer. Für die meis-
ten Gitterboxen stabilisiert sich unterhalb von etwa 2000 m die Malariaübertragung. In
diesen Höhenbereichen wird die Bevölkerung eine bessere Immunität aufweisen. Das
Risiko für Malariaepidemien steigt jedoch oberhalb dieses Niveaus, da die Malaria in
diese Höhenlagen zukünftig erstmals vordringen kann.Contents
Abstract i
Zusammenfassung iii
Abbreviations xi
Symbols xiii
1 Introduction 1
2 State of research, objectives, and overview 5
2.1 The Climate of Africa . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.1.1 The climate of West Africa . . . . . . . . . . . . . . . . . . . . 6
2.1.2 The climate of the Greater Horn of Africa . . . . . . . . . . . . 7
2.1.3 Interannual variability of precipitation . . . . . . . . . . . . . . 10
2.2 IPCC SRES scenarios . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.3 Climate change projections . . . . . . . . . . . . . . . . . . . . . . . . 16
2.3.1 Global climate projections . . . . . . . . . . . . . . . . . . . . 16
2.3.2 Regional climate projections for Africa . . . . . . . . . . . . . 17
2.4 Malaria biology . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.4.1 The parasite cycle . . . . . . . . . . . . . . . . . . . . . . . . 21
2.4.2 Immunity . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.4.3 Superinfection . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.4.4 Parasite clearance . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.4.5 Detectability of malaria parasites . . . . . . . . . . . . . . . . . 25
2.4.6 Heterogeneous biting . . . . . . . . . . . . . . . . . . . . . . . 26
2.5 Distribution of malaria transmission . . . . . . . . . . . . . . . . . . . 26
2.6 Malaria factors . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28vi CONTENTS
2.6.1 Climatic factors . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.6.2 Other factors . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.7 Malaria modelling . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.7.1 Classic malaria models and successors . . . . . . . . . . . . . . 32
2.7.2 Malaria models related to environmental variables . . . . . . . 33
2.7.3 Climate- and weather-driven malaria models . . . . . . . . . . 35
2.8 Changes in malaria occurrence . . . . . . . . . . . . . . . . . . . . . . 37
2.8.1 Observed malaria changes . . . . . . . . . . . . . . . . . . . . 37
2.8.2 Projected malaria changes . . . . . . . . . . . . . . . . . . . . 38
2.9 Objectives and Overview . . . . . . . . . . . . . . . . . . . . . . . . . 41
3 Data 45
3.1 DMN precipitation data . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.2 Synoptic station data . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.3 GSOD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.4 CLImatological NOrmals (CLINO) . . . . . . . . . . . . . . . . . . . 47
3.5 GHCN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
3.6 The ‘Institut de Recherche pour le Développement’ data set (IRD) . . . 49
3.7 PREC/L . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
3.8 The Climatic Research Unit data set (CRU) . . . . . . . . . . . . . . . 51
3.9 The ECMWF 40-year ReAnalysis data set (ERA40) . . . . . . . . . . . 52
3.10 Present-day runs and climate projections from REMO . . . . . . . . . . 53
3.10.1 REMO simulations . . . . . . . . . . . . . . . . . . . . . . . . 53
3.10.2 Land use and land cover changes . . . . . . . . . . . . . . . . . 54
3.11 Entomological and parasitological data . . . . . . . . . . . . . . . . . . 55
3.12 Data overview . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
4 Validation of meteorological model data 57
4.1 REMO precipitation versus IRD . . . . . . . . . . . . . . . . . . . . . 57
4.1.1 Monthly and annual rainfall . . . . . . . . . . . . . . . . . . . 57
4.1.2 Frequency distribution of 10-day accumulated precipitation . . 60
4.2 REMO precipitation versus CRU . . . . . . . . . . . . . . . . . . . . . 62
4.3 ERA40 temperatures vs. station data . . . . . . . . . . . . . . . . . . . 64
4.4 REMO temperatures vs. station data . . . . . . . . . . . . . . . . . . . 66
4.5 REMO temperatures vs. ERA40 . . . . . . . . . . . . . . . . . . . . . 67
5 Malaria modelling 69CONTENTS vii
5.1 Liverpool Malaria Model (LMM) . . . . . . . . . . . . . . . . . . . . . 69
5.1.1 Gonotrophic cycle . . . . . . . . . . . . . . . . . . . . . . . . 70
5.1.2 Egg deposition . . . . . . . . . . . . . . . . . . . . . . . . . . 73
5.1.3 Mosquito Mature Age (MMA) . . . . . . . . . . . . . . . . . . 76
5.1.4 Survival of immature mosquitoes . . . . . . . . . . . . . . . . 76
5.1.5 Survival probability of adult mosquitoes (p ) . . . . . . . . . . 78d
5.1.6 Dry season survival of the mosquito population . . . . . . . . . 82
5.1.7 Sporogonic cycle . . . . . . . . . . . . . . . . . . . . . . . . . 83
5.1.8 Human blood index (a) . . . . . . . . . . . . . . . . . . . . . . 84
5.1.9 Mosquito-to-human transmission efficiency (b) . . . . . . . . . 85
5.1.10 Human Infectious Age (HIA) . . . . . . . . . . . . . . . . . . 86
5.1.11 Recovery rate (r) . . . . . . . . . . . . . . . . . . . . . . . . . 87
5.1.12 Gametocyte prevalence (sPR) . . . . . . . . . . . . . . . . . . 88
5.1.13 Human-to-mosquito transmission efficiency (c) . . . . . . . . . 89
5.1.14 Issues regarding the age-dependence of malaria . . . . . . . . . 89
5.2 Garki model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
5.3 MARA Seasonality Model (MSM) . . . . . . . . . . . . . . . . . . . . 95
6 Calibration, validation, and sensitivity tests of the LMM 97
6.1 LMM calibration and validation . . . . . . . . . . . . . . . . . . . . . 97
6.1.1 Calibration of the LMM . . . . . . . . . . . . . . . . . . . . . 98
6.1.2 Validation of the final LMM setting . . . . . . . . . . . . . . . 103n
6.2 LMM sensitivity tests . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
6.3 LMM versus LMM . . . . . . . . . . . . . . . . . . . . . . . . . . . 112n o
7 Malaria simulations for the present-day and future climate 117
7.1 REMO climate projections for Africa . . . . . . . . . . . . . . . . . . 117
7.2 Present-day malaria distribution . . . . . . . . . . . . . . . . . . . . . 119
7.2.1 LMM runs based on IRD/ERA40 (1968-1990) . . . . . . . . . 119n
7.2.2 Evaluation of LMM runs based on REMO (1960-2000) . . . . 122n
7.2.3 Garki model simulations based on LMM runs (1960-2000) . . 131n
7.2.4 Malaria seasonality from the MSM (1960-2000) . . . . . . . . 134
7.3 Malaria projections for 2001-2050 . . . . . . . . . . . . . . . . . . . . 137
7.3.1 LMM projections based on REMO . . . . . . . . . . . . . . . 137n
7.3.2 Garki model projections based on LMM . . . . . . . . . . . . 146n
7.3.3 MSM projection of the malaria seasonality . . . . . . . . . . . 151
7.3.4 A1B versus B1 . . . . . . . . . . . . . . . . . . . . . . . . . . 152viii CONTENTS
8 Summary, discussion, and future prospects 153
8.1 Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 153
8.2 Discussion and future prospects . . . . . . . . . . . . . . . . . . . . . 155
8.2.1 Calibration and sensitivity of the LMM . . . . . . . . . . . . . 156n
8.2.2 Performance of the malaria models . . . . . . . . . . . . . . . 157
8.2.3 Uncertainty of the applied climate projections . . . . . . . . . . 159
8.2.4 Evaluation of the malaria projections . . . . . . . . . . . . . . 160
8.2.5 Neglected factors and future extensions of the LMM . . . . . . 162
8.2.6 Final remarks . . . . . . . . . . . . . . . . . . . . . . . . . . . 164
Appendices I
C Data processing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . I
C.1 Configuration of GSOD time series . . . . . . . . . . . . . . . I
C.2 Generation of time series at synoptic stations . . . . . . . . . . III
C.3 Bias-correction of REMO precipitation . . . . . . . . . . . . . IV
C.4 Bias-correction of REMO temperatures . . . . . . . . . . . . . VI
C.5 The ensemble mean . . . . . . . . . . . . . . . . . . . . . . . . VI
C.6 The 360-day year . . . . . . . . . . . . . . . . . . . . . . . . . VII
C.7 Grid transformation . . . . . . . . . . . . . . . . . . . . . . . . VII
C.8 The Wilcoxon-Mann-Whitney rank-sum test . . . . . . . . . . VIII
D Entomological and parasitological malaria variables . . . . . . . . . . . XI
D.1 Human biting ratio (HBR) . . . . . . . . . . . . . . . . . . . . XII
D.2 Circumsporozoite protein rate (CSPR) . . . . . . . . . . . . . . XII
D.3 Entomological inoculation rate (EIR) . . . . . . . . . . . . . . XII
D.4 Asexual parasite ratio (PR) . . . . . . . . . . . . . . . . . . . . XIII
D.5 Malaria seasonality . . . . . . . . . . . . . . . . . . . . . . . . XIII
D.6 Data table convention . . . . . . . . . . . . . . . . . . . . . . . XV
D.7 Entomological and parasitological data . . . . . . . . . . . . . XVII
D.8 Parasitological data assigned to synoptic stations . . . . . . . . XXVIII
D.9 Entomological data assigned to synoptic stations . . . . . . . . XXIX
D.10 Duration of the gonotrophic cycle (n ) . . . . . . . . . . . . . . XXXg
D.11 Produced eggs per female mosquito (#E ) . . . . . . . . . . . . XXXIp
D.12 Development of immature mosquitoes . . . . . . . . . . . . . . XXXII
D.13 Daily survival probability of adult mosquitoes (p ) . . . . . . . XXXIVd
D.14 Sexual Parasite Ratio (sPR) . . . . . . . . . . . . . . . . . . . XXXVII
D.15 Human-to-mosquito transmission efficiency (c) . . . . . . . . . XLI