Focalización de escenarios para la evaluación de enfermedades que inciden en la sostenibilidad de alimentos
Barra lateral del artículo
Contenido principal del artículo
Resumen
La focalización de escenarios despliega un proceso ordenado para crear un conjunto de narrativas posibles que, describen potenciales evoluciones de áreas clave en condiciones de incertidumbre, frecuentemente acompañados de gráficos. Contribuye a explorar rangos de futuros creíbles y posibles. El contenido del escenario está basado en variables seleccionadas y su interacción, y el escenario se define en términos de estos factores claves o descriptores. En ese sentido el objetivo que se persigue es desarrollar una propuesta para aplicar el análisis de escenario en el estudio de las enfermedades ganaderas de mayor prevalencia que inciden en la sostenibilidad de alimentos en Cuba frente al cambio climático. Los factores claves empleados son cantidad de animales susceptibles a enfermedades que prevalecen frente a altos niveles de humedad relativa promedio, alta temperatura media del día, como variables climáticas y cantidad total de animales enfermos al final del periodo de evolución de la enfermedad. Para cada escenario se construyen 3 funciones destinadas a mostrar un comportamiento posible de la enfermedad en estudio. El proceso para la construcción de las funciones se basa en técnicas de inteligencia artificial, tales como los conjuntos borrosos y las metaheurísticas. Los escenarios construidos muestran concordancia con otros modelos matemáticos y computacionales desarrollados para el caso nacional, lo cual es importante pues en una modelación en condiciones de incertidumbre, como es esta, la coincidencia de modelos basados en enfoques diferentes es positiva y puede dar más seguridad para apoyar la toma de decisiones.
Detalles del artículo
Citas
Betancourt, K.; Ibrahim, M.; Villanueva, C. y Vargas, B. (2005). Efecto de la cobertura arbórea sobre el comportamiento animal en fincas ganaderas de doble propósito en Matiguás, Matagalpa, Nicaragua. Liv. Res. Rural Develop. 17 (7). Disponible en: URL: http://www.lrrd.org/lrrd17/7/beta17081.htm
Chowell G, Luo GR, Sun K, Roosa K, Tariq A, Viboud C. (2019). Real-time forecasting of epidemic trajectories using computational dynamic ensembles. Epidemics. 30:100379. https://doi.org/10.1016/j.epidem.2019.100379. [Epub ahead of print]
Chowell G. (2017). Fitting dynamic models to epidemic outbreaks with quantified uncertainty: A primer for parameter uncertainty, identifiability, and forecasts, Infectious Disease Modelling, https://doi.org/10.1016/j.idm.2017.08.001.
Duarte, C.M. (2006). Cambio Global. Impacto de la Actividad Humana sobre el Planeta Tierra. España: ESIC. (Citado por Bono, 2008).
Giner, RA.; Fierro, LC. Y Negrete, LF. (2011). Análisis de la Problemática de la Sequía 2011-2012 y sus Efectos en la Ganadería y Agricultura de Temporal. México: Comisión Nacional de Zonas Áridas (CONAZA), SAGARPA. 11 pp. Disponible en: URL: http://www.conasa.gob.mx/boletin5.pdf
Guoping Zhang et al. (2020). Forecasting and Analysis of Time Variation of Parameters of COVID-19 Infection in China Using An Improved SEIR Model. Public meteorological service center of China Meteorological Administration. 2020. https://www.researchsquare.com/article/rs-16159/v1
Hayden C. Metsky, et al. (2020). CRISPR-based COVID-19 surveillance using a genomically-comprehensive machine learning approach.bioRxiv preprint doi: https://doi.org/10.1101/2020.02.26.967026
IPCC (2007). Fourth Assessment Report (AR4). Intergovernmental Panel on Climate Change. Disponible en: URL: http://ipcc-wg1.ucar.edu/index.html.
IPCC (2022). Contribución del GT-I del IPCC a la sexta evaluación sobre Cambio Climático. Intergovernmental Panel on Climate Change.
Kennedy J, Eberhart RC. (1995). Particle swarm optimization. In IEEE International Conference on Neural Networks, pp. 1942-1948.
Kosow H, Gaßner R. (2008). Methods of future and scenario analysis. Overview, assessment, and selection criteria. DIE Research Project “Development Policy: Questions for the Future”, p. 133. Studies/Deutsches Institut für Entwicklungspolitik. ISSN 1860-0468. p. 133.
Li Yan, et al. (2020). Prediction of criticality in patients with severe COVID-19 infection using three clinical features: a machine learning-based prognostic model with clinical data in Wuhan. medRxiv preprint medRxiv.
Malik Magdon-Ismail. (2003). Machine Learning the Phenomenology of COVID-19 From Early Infection Dynamics. arXiv: 2003.07602v2
Muhammad Amer, et al. (2011). Development of fuzzy cognitive map (FCM)-based scenarios for wind energy. International Journal of Energy Sector Management. 5(4):564-584, 1750-6220. 2011. DOI 10.1108/17506221111186378.
Nelson, G.H.; Rosegrand, M.W.; Koo, J.; Robertson, R.; Sulser, T.; Zho, T.; Ringler, C.; Msangi, S.; Palazzo, A.; Batka, M.; Magalhaes, M.; Valmanta-Santos, R.; Ewing, M. y Lee, D. (2009). Cambio Climático. El Impacto en la Agricultura y los Costos de Adaptación. Inst. Internacional de Inv. sobre Políticas Alimentarias IFPRI, Washington, D.C. 30 pp.
Sorousha Moayer y Parisa A. Bahri. (2009). Hybrid intelligent scenario generator for business strategic planning by using ANFIS. Expert Systems with Applications, 36:7729-7737.
Tian-Mu Chen, et al. (2020). A mathematical model for simulating the phase-based transmissibility of a novel coronavirus. Infectious Diseases of Poverty, 9:24. https://doi.org/10.1186/s40249-020-00640-3
Viboud C, Simonsen L, Chowell G. (2016). A generalized-growth model to characterize the early ascending phase of infectious disease outbreaks. Epidemics, 15: 27-37.
Wu JT, Leung K, Leung GM. (2020). Nowcasting and forecasting the potential domestic and international spread of the 2019-nCoV outbreak originating in Wuhan, China: a modelling study. TheLancet. January 31, 2020. https://doi.org/10.1016/S0140-6736(20)30260-9
Zixin Hu, Qiyang Ge, Shudi Li, Li Jin, Momiao Xiong. (2020b). Artificial Intelligence Forecasting of COVID-19 in China. 2020. arXiv preprint arXiv:2002.07112.