Demo en vivo · África
La endemicidad de la malaria en un globo vivo.
Tasa anual de parasitación por Plasmodium falciparum en niños de 2 a 10 años (PfPR₂–₁₀) en 1,46 millones de celdas — observada por el Malaria Atlas Project y predicha por el modelo ConvLSTM2D de GeoVita a partir de nueve años de historia ambiental.
PfPR₂–₁₀ mide la endemicidad (prevalencia), no la incidencia clínica. Las superficies del MAP son referencias basadas en modelos; los pronósticos complementan, pero nunca sustituyen, la vigilancia epidemiológica.
Comparativa de modelos
Seis modelos entrenados, dos referencias honestas.
Cada enfoque se evaluó dos veces: en bloques de 250 km geográficamente separados (transferencia espacial) y en un periodo 2022–2024 intacto (pronóstico de años futuros).
01
Mejor transferencia espacial
ConvLSTM2D fue el primero en regiones no vistas: RMSE 0,022, r 0,993, NSE 0,986.
02
Una referencia exigente
En 2022–2024, la persistencia simple fue la primera en conjunto; ConvLSTM2D fue el mejor modelo entrenado, sin diferencia clara de RMSE entre ambos.
03
Humedad, viento, agua en el dosel
La humedad específica, la velocidad del viento, la intercepción del dosel y la temperatura del aire aportaron más señal predictiva; el año anterior fue el más relevante.
RMSE por modelo — VC espacial
Menor es mejor
- Modelo
- Referencia
Error de pronóstico por horizonte (RMSE)
ConvLSTM2D lidera a un año vista; la referencia de persistencia lo alcanza a medida que crece el horizonte.
- ConvLSTM2D
- Persistence
- Otros modelos
Qué impulsa el pronóstico de ConvLSTM2D
Aumento del RMSE al permutar cada predictor (importancia por permutación). Dependencia predictiva, no causalidad. ΔRMSE ×10⁻³.
Qué años importan más
Aumento del RMSE al permutar todos los predictores de un año de retardo. ΔRMSE ×10⁻³.
Caso de estudio · alta resolución
Encontrar hábitats larvarios ocultos a 10 cm.
En Qaleh-Ganj, al sureste de Irán, un modelo digital de superficie generado con 189 imágenes aéreas UltraCam se fusionó con mapas de uso y tipo de suelo para localizar depresiones que retienen agua donde pueden desarrollarse larvas de Anopheles, dentro del radio de vuelo del mosquito.
- 01Imágenes aéreas estéreo → nube densa de 8.100 millones de puntos → MDS y ortomosaico
- 02Extracción de depresiones con profundidad, área y volumen
- 03Clasificación SVM de usos y tipos de suelo (los lechos limosos y arcillosos retienen agua)
- 04Filtro a un buffer de vuelo de 1,5 km → mapa jerarquizado de alto riesgo
- resolución de la imagen
- 10 cm
- depresiones de alto riesgo identificadas
- 223
- hábitats persistentes confirmados en campo
- 12 / 14
- kappa de la clasificación
- 0,93
Las capas gruesas SRTM, NDVI y NDWI no detectaron la mayoría de los hábitats temporales — una evidencia de por qué GeoVita combina el cribado satelital con evaluaciones aéreas y con dron de alta resolución.
Youssefi et al. (2022), International Journal of Applied Earth Observation and Geoinformation.
Leer artículo¿Lo quieres para tu región?
Codiseñamos pilotos con socios, datos y validación locales.