DETECT

remote sensing
random forest
lars
bayesian network
neural network
svm
Réalisé pour

Institut Pasteur de Guyane

Date de publication

31 décembre 2015

Objectif

Modélisation spatio-temporelle du risque entomologique de la dengue en Guyane par des données météorologiques et de télé-détection.

Plus d’info

Activités

  • Revue de la littérature
  • Comparaison des algorithmes d’apprentissage automatique avec R : Lasso, Incremental Forward Stagewise, Forward Stepwise (lars), ElasticNet (elasticnet), Forêts aléatoires (randomForest), Gradient Boosting Machine (gbm), Réseaux bayésiens (bnlearn), SVM (svm), Réseaux de neurones (nnet)
  • Comparaison des variables sélectionnées et des performances prédictives sur données brutes ainsi que sur données brutes après traitement des corrélations
  • Rédaction d’un article

Article

Bailly, Sarah, Vanessa Machault, Samuel Beneteau, Philippe Palany, Camille Fritzell, Romain Girod, Jean-Pierre Lacaux, Philippe Quénel, et Claude Flamand. 2024. « Spatiotemporal Modeling of Aedes aegypti Risk: Enhancing Dengue Virus Control through Meteorological and Remote Sensing Data in French Guiana ». Pathogens 13 (9). https://doi.org/10.3390/pathogens13090738.

Partenaires