Suitable seasons: Global monthly habitat suitability for the arbovirus vectors Aedes aegypti and Aedes albopictus in 1975-2024

Cette étude présente le modèle Climademic Suitability, une approche d'apprentissage automatique qui cartographie mensuellement l'habitabilité mondiale pour les moustiques vecteurs *Aedes aegypti* et *Aedes albopictus* entre 1975 et 2024, révélant une expansion rapide de leurs zones de présence touchant désormais plus de 5 milliards de personnes.

L'essentiel

🦟 Le "Météo des Moustiques" : Une carte mondiale pour prédire où ils vont s'installer

Imaginez que vous vouliez savoir où il va pleuvoir demain. Vous regardez la météo. Mais imaginez maintenant que vous vouliez savoir où les moustiques vont pouvoir vivre et se reproduire dans le monde entier, mois par mois, depuis 1975 jusqu'à aujourd'hui. C'est exactement ce que les chercheurs de l'Institut Robert Koch (en Allemagne) ont réalisé avec leur nouveau modèle, qu'ils appellent le "Modèle Climademic".

Voici comment cela fonctionne, expliqué avec des analogies simples :

1. Le Problème : Des envahisseurs qui changent de quartier

Les deux principaux coupables sont deux espèces de moustiques : Aedes aegypti et Aedes albopictus (le tigre asiatique). Ce sont les camions de livraison de maladies dangereuses comme la dengue, le Zika et le chikungunya.
Autrefois, ils vivaient surtout sous les tropiques, comme des touristes qui ne quittent jamais la plage. Mais avec le réchauffement climatique et le commerce mondial, ils commencent à emménager dans de nouveaux quartiers (l'Europe, le nord des États-Unis, etc.). Le problème ? On ne sait pas toujours exactement où ils sont arrivés ou où ils vont s'installer ensuite.

2. La Solution : Un détective intelligent (l'IA)

Pour résoudre ce mystère, les chercheurs ont créé une intelligence artificielle (un modèle d'apprentissage automatique).

• L'analogie du détective : Imaginez un détective privé qui ne regarde que les endroits où le moustique a déjà été vu (ses "empreintes"). Il n'a pas besoin de voir où il n'est pas allé. Il apprend simplement : "Ah, quand il fait chaud, humide et qu'il y a des arbres ou des villes, le moustique est là !"
• La recette : Ce détective mélange quatre ingrédients principaux :
  1. La météo (température, humidité, pluie).
  2. Le paysage (forêts, champs, villes).
  3. La population humaine (les moustiques adorent les gens !).
  4. Les observations réelles (des données de citoyens et de scientifiques).

3. La Révolution : Une carte en "Direct"

Avant, les cartes de risque étaient comme des photos prises une fois par an. C'était flou et lent.
Ce nouveau modèle est comme une vidéo en direct. Il peut vous dire, pour n'importe quel mois de l'année (de janvier à décembre), si un endroit est "habitable" pour le moustique.

• Exemple : En mars, le moustique dort peut-être encore en Allemagne. Mais en juin, la carte montre que la température est parfaite pour qu'il s'éveille et se reproduise. En décembre, la carte indique qu'il fait trop froid, donc il repart en "hibernation".

4. Les Découvertes Surprenantes

En analysant ces données sur 50 ans, les chercheurs ont trouvé des choses inquiétantes mais importantes :

• Le "Big Bang" des moustiques : Il y a 50 ans, les zones où ces moustiques pouvaient vivre étaient limitées. Aujourd'hui, grâce au réchauffement, ces zones se sont étendues comme une tache d'huile.
• Le chiffre choc : On pensait que 5 milliards de personnes seraient exposées à ces moustiques d'ici 2050. Le modèle montre que ce chiffre a déjà été dépassé aujourd'hui !
• La double peine : Ce n'est pas seulement que le moustique avance vers le nord. C'est que les gens aussi déménagent vers ces nouvelles zones. Les régions où le moustique arrive sont exactement celles où la population explose (surtout en Asie et en Afrique). C'est comme si le moustique et l'humain couraient l'un vers l'autre pour se rencontrer.

5. Comment ça marche concrètement ? (L'explication "Boîte Noire")

Les chercheurs utilisent une technique appelée SHAP. C'est un peu comme si on demandait au modèle : "Pourquoi as-tu dit que c'était un bon endroit pour le moustique ici ?"
Le modèle répond : "C'est surtout à cause de la température et de l'humidité de l'air (la rosée). Si c'est trop froid ou trop sec, je dis NON. Si c'est une ville avec des gens, je dis OUI, mais seulement si la météo est bonne."

6. Pourquoi c'est utile ?

Cette carte n'est pas juste un dessin joli. C'est un outil de survie pour la santé publique.

• Pour les gouvernements : Ils peuvent savoir avant l'arrivée des moustiques où envoyer les équipes pour pulvériser des insecticides ou détruire les gîtes larvaires.
• Pour vous et moi : Cela permet de mieux comprendre pourquoi on entend parler de dengue dans des pays où on ne l'attendait pas.

En résumé

Cette étude nous dit que le monde change, et les moustiques aussi. Ils ne sont plus confinés aux tropiques. Grâce à une "carte météo" intelligente, nous savons maintenant que plus de la moitié de l'humanité vit dans des zones devenues propices à ces vecteurs de maladies. C'est un signal d'alarme pour agir vite, avant que les épidémies ne deviennent la norme.

Résumé technique

Titre : Modélisation de la pertinence de l'habitat mensuelle mondiale pour les vecteurs du virus arboviral Aedes aegypti et Aedes albopictus (1975–2024)

1. Problématique

La propagation mondiale des moustiques Aedes aegypti et Aedes albopictus, principaux vecteurs des virus de la dengue, du Zika et du chikungunya, constitue un défi de santé publique croissant. Leur expansion vers des régions précédemment non endémiques, accélérée par les changements climatiques et environnementaux, augmente la charge mondiale des maladies arbovirales.

Les défis majeurs identifiés dans la littérature incluent :

• Le manque de modèles prédictifs capables de fournir des données à résolution mensuelle (la plupart des modèles existants sont annuels).
• La difficulté d'obtenir des données d'observation équilibrées (présence/absence), les données de surveillance étant souvent biaisées vers la seule présence.
• L'absence de modèles explicables permettant de comprendre les facteurs environnementaux spécifiques (climat, utilisation des sols) qui pilotent la dynamique de l'habitat à long terme.

2. Méthodologie

Les auteurs ont développé le Climademic Suitability Model, un modèle d'apprentissage automatique (Machine Learning) conçu pour prédire la pertinence de l'habitat à l'échelle mondiale avec une résolution spatiale de 0,25° (environ 31 km) et une résolution temporelle mensuelle sur la période 1975-2024.

A. Données utilisées :

• Observations de moustiques : Combinaison de plusieurs sources :
  • Base de données mondiales de Kraemer et al. (2015) pour la période 1960-2014.
  • Tableau de bord des observations mondiales de moustiques (GMOD) pour 2015-2023 (incluant des données de sciences citoyennes).
  • Données compilées pour 2024 (ECDC, GBIF, initiatives locales) pour la validation.
• Variables explicatives :
  • Climat : Données ERA5 (température de l'air, température du point de rosée, précipitations, vitesse du vent) à résolution mensuelle.
  • Utilisation des sols (LULC) : Données HILDA+ (zones urbaines, terres cultivées, forêts, etc.) jusqu'en 2019 (les données 2020-2024 sont extrapolées à partir de 2019).
  • Population : Données GHS-POP (densité de population).

B. Algorithme et Approche :

• Classification à une classe (One-Class Classification - OCC) : Pour éviter le problème du déséquilibre des classes et de l'absence de données d'absence fiables, l'étude utilise une Machine à Vecteurs de Support à une Classe (OCSVM). Ce modèle apprend uniquement à partir des données de présence pour définir la frontière de l'habitat "normal" (inlier) par rapport aux zones non adaptées (outlier).
• Deux modèles distincts :
  1. Modèle Annuel : Entraîné sur des moyennes annuelles de variables climatiques (12 mois x 4 variables = 48 features) pour capturer les tendances à long terme.
  2. Modèle Mensuel (Climademic) : Entraîné sur des valeurs mensuelles spécifiques. Pour pallier l'absence de mois exact d'observation dans les bases historiques, une approche heuristique utilise la troisième quartile (75e percentile) des conditions climatiques annuelles pour estimer les conditions optimales lors des observations.
• Apprentissage incrémental : Le modèle mensuel a été affiné séquentiellement en intégrant les nouvelles données du GMOD (2015-2023) pour mettre à jour la frontière de décision chaque année.
• Interprétabilité (SHAP) : Utilisation de la méthode SHAP (Shapley Additive exPlanations) avec l'algorithme KernelSHAP pour quantifier l'importance des caractéristiques et expliquer les prédictions locales et globales.
• Calibration : Transformation des scores de décision de l'OCSVM en probabilités via un regroupement par quantiles (méthode proposée par Que et Lin, 2024).

3. Contributions Clés

• Première modélisation mensuelle globale : Fourniture de cartes de pertinence de l'habitat à une résolution mensuelle pour 50 ans (1975-2024), permettant d'analyser la saisonnalité intra-annuelle.
• Approche "One-Class" robuste : Élimination du besoin de générer des données d'absence artificielles (pseudo-absences), réduisant ainsi les biais potentiels liés à la sélection de zones non observées.
• Explicabilité approfondie : Identification claire des drivers environnementaux dominants grâce à l'analyse SHAP.
• Mise à jour en temps quasi réel : Le cadre permet une intégration annuelle de nouvelles données de surveillance pour mettre à jour les modèles.

4. Résultats Principaux

A. Variabilité Saisonnière et Validation :

• Le modèle capture correctement les cycles saisonniers : expansion vers le nord en été boréal et vers le sud en été austral.
• Validation sur 2024 : Le modèle atteint une précision de 91 % pour Ae. albopictus et 95 % pour Ae. aegypti sur les données de validation 2024.
• Les cartes montrent une adéquation qualitative avec les observations réelles, bien que le modèle tende à surestimer légèrement la présence dans certaines régions froides (ex: Europe du Nord, Canada) où l'espèce pourrait survivre si introduite, mais n'est pas encore établie.

B. Changements à Long Terme (1975-2024) :

• Redistribution globale : Expansion des habitats adaptés dans l'est des États-Unis, l'Europe centrale et méridionale, le sud du Brésil, l'Asie de l'Est et l'Australie orientale.
• Contraction : Réduction de la pertinence dans l'ouest des États-Unis, le nord du Brésil, de grandes parties de l'Afrique et l'Australie occidentale.
• Facteurs déterminants : L'analyse SHAP révèle que la température et la température du point de rosée sont les deux facteurs les plus influents. Les zones où la pertinence a diminué correspondent souvent à une baisse de la température du point de rosée. Les changements d'utilisation des sols (ex: conversion de pâturages en forêts) expliquent également certaines expansions locales.

C. Impact Démographique :

• Seuil de 5 milliards dépassé : Le modèle indique que plus de 5 milliards de personnes vivent actuellement dans des zones devenues plus adaptées aux deux espèces depuis les années 1970.
• Ce seuil, précédemment projeté pour 2050, a été atteint bien plus tôt, coïncidant avec les régions à plus forte croissance démographique (Asie et Afrique).
• Environ 34 % de la population mondiale (2,7 milliards de personnes) vit dans des zones où l'habitat est adapté toute l'année.

5. Signification et Implications

• Préparation aux épidémies : Ce modèle offre un cadre pour la surveillance vectorielle en temps quasi réel et la projection de scénarios climatiques, essentiels pour la préparation aux épidémies de dengue, Zika et chikungunya.
• Planification de la santé publique : L'identification précoce des zones où les conditions deviennent favorables permet une intervention proactive (contrôle vectoriel) avant la colonisation effective.
• Compréhension écologique : L'étude démontre que l'expansion des vecteurs n'est pas seulement due au réchauffement global, mais à une interaction complexe entre température, humidité (point de rosée) et changements d'utilisation des sols.
• Limites et Perspectives : Le modèle ne distingue pas les populations établies des introductions transitoires et suppose une stabilité de l'utilisation des sols pour 2020-2024. Les auteurs prévoient d'intégrer davantage de covariables climatiques et de projeter les distributions futures sous différents scénarios climatiques.

En résumé, le Climademic Suitability Model représente une avancée majeure dans la modélisation des risques vectoriels, transformant des données complexes en informations actionnables pour la santé publique mondiale face à l'accélération des changements environnementaux.