Автореферат и диссертация по медицине (14.02.02) на тему:Компьютерное моделирование эпизоотической ситуации с применением дистанционного зондирования Земли в системе эпидемиологического надзора за чумой

На правах рукописи

ДУБЯНСКИЙ ВЛАДИМИР МАРКОВИЧ

Компьютерное моделирование эпизоотической ситуации с применением дистанционного зондирования Земли в системе эпидемиологического надзора за чумой (на примере Среднеазиатского природного очага) 14.02.02 — эпидемиология

АВТОРЕФЕРАТ диссертация на соискание ученой степени доктора биологических наук

2 9 АПР 2015

Москва, 2015

005567968

005567968

Работа выполнена в Федеральном казенном учреждении здравоохранения «Ставропольский научно-исследовательский противочумный институт» Федеральной службы по надзору в сфере защиты прав потребителей и благополучия человека и Республиканском государственном казенном предприятии «Казахский научный центр карантинных и зоонозных инфекций имени Масгута Айкимбаева»

Научные консультанты:

доктор медицинских наук, профессор Куличенко Александр Николаевич доктор биологических наук, профессор Бурделов Леонид Анатольевич

Официальные оппоненты:

доктор медицинских наук, профессор Федоров Юрий Михайлович, заместитель директора ФКУЗ «Противочумный центр» Роспотребнадзора

доктор биологических наук Слудский Александр Аркадьевич, ведущий научный сотрудник лаборатории эпизоотологического мониторинга РосНИПЧИ «Микроб» Роспотребнадзора

доктор биологических наук, профессор, Комаров Александр Сергеевич, заведующий лабораторией моделирования экосистем ФГБУН Институт физико-химических и биологических проблем почвоведения РАН

Ведущая организация: ФКУЗ Иркутский научно-исследовательский противочумный институт Роспотребнадзора

Защита диссертации состоится « » слМГгЯ_2015 г. в «11 » часов на заседании

диссертационного совета Д 208.130.02 при Федеральном Государственном бюджетном учреждении «Федеральный научно-исследовательский центр эпидемиологии и микро-биоологии имени почетного академика Н.Ф. Гамалеи» Министерства здравоохранения Российской Федерации (ФГБУ «ФНИЦЭМ им.Н..Гамалеи Минздрава России) по адресу: 123098 г. Москва ул. Гамалеи д. 18

С диссертацией можно ознакомиться в библиотеке ФГБУ «ФНИЦЭМ им.Н..Гамалеи Минздрава России по адресу г. Москва ул. Гамалеи д. 18 и на сайте Центра vvwvv.gamaleya.org

Автореферат разослан « 5"» и^сшг^«^ 2015 г.

Ученый секретарь диссертационного совета доктор медицинских наук. (¡\ д /

профессор \Кл % Русакова Екатерина Владимировна

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ Актуальность темы исследования. Чума остается одной из наиболее опасных инфекций. По данным ВОЗ ежегодно этой инфекцией болеют 2000-3000 человек [Gage, Kosoy, 2005; Грижебовский и др., 2010], единичные случаи регистрируются в России и ряде сопредельных государств бывшего СССР. Известно, что заболеваемость людей обусловлена активностью природных очагов чумы [Дубянский М.А. и др., 1990, 1992; Ривкус Ю.З. и др., 1992], а эффективное эпи-зоотологическое обследование позволяет предупредить массовые вспышки этой инфекции путем проведения профилактических мероприятий на угрожаемых территориях. Поэтому основой эпидемиологического надзора за этой инфекцией является эпизоотологический мониторинг в природных очагах1. В то же время интенсивность и экстенсивность эпизоотологического обследования значительно уменьшилась в связи с последствиями распада СССР. В связи с этим требуется разработка новых, эффективных технологий мониторинга природных очагов чумы, основанных на объединении достижений в различных областях науки. Необходимо переходить к методам целенаправленного поиска эпизоотий, а также пространственно-временного прогнозирования их скорости и направления распространения, повышения эффективности профилактики и защиты населения при одновременном снижении экологической нагрузки на окружающую среду. Повышение эффективности эпизоотологического мониторинга и профилактических мероприятий в природном очаге чумы невозможно без получения новых знаний об эпизоотическом процессе при чуме, функционирование которого изучено далеко не полностью, а его прямое изучение почти невозможно [Солдаткин И.С., Фенюк Б.К., 1968].Требуют уточнения фрагментарные сведения о состоянии популяций сочленов триады при реализации эпизоотического процесса при чуме и получения недостающих количественных и вероятностных показателей, без которых объективная оценка экстенсивности, интенсивности и скорости распространения эпизоотии крайне затруднена, а часто даже невозможна. Мало исследована

'Эпидемиологический надоор за чумой - это комплекс мероприятий, включающий слежение за эпизоотическими проявлениями чумы в природных очагах и проведение профилактических и противоэпидемических мероприятий в природных очагах, предупреждающих заражение чумой людей и аитропонозное распространение инфек-ции[Методические указания..., 2009].

роль пространственной структуры поселений большой песчанки в развитии эпи-зоотий и сохранения Yersinia pesiis в годы спада эпизоотической активности. Необходима оценка истинной эффективности регламентированного эпизоотологиче-ского обследования.

Вышеперечисленные проблемы могут быть, в значительной степени, решены созданием имитационной компьютерной модели эпизоотического процесса при чуме, интегрирующей фактические знания о его функционировании, технологии дистанционного зондирования земли и глобального позиционирования. Созданию, исследованию и возможному применению такой модели в системе эпидемиологического надзора за чумой посвящено данное диссертационное исследование.

Степень разработанности исследования. Эпизоотический процесс при чуме в Среднеазиатском пустынном природном очаге чумы изучается на протяжении многих лет [Солдаткин, 1968; Солдаткин, Руденчик, 1971; Козлов, 1974,1978; Руденчик, 1979; Дубянский, 1983]. Проведены эксперименты по его прямому физическому моделированию и изучению структуры эпизоотий [Солдаткин И.С., Руденчик Ю.В., 1967, 1968; Свиридов Г.Г., 1969; Ротшильд Е.В., 1978; Begon М. et al., 2006, и др.],известны описывающие его основные контуры и схемы, но глубинные механизмы функционирования изучены недостаточно. Косвенно об этом можно судить на основании анализа официальных прогнозов эпизоотической активности очагов чумы, сбываемость которых далека от статистически достоверной величины - 95% [Дубянский М.А., 1983; Попов Н.В. и др., 2006, 2007, 2008, 2009, 2011, 2012] Применение методов дистанционного зондирования земли (ДЗЗ) в эпизоотологическом обследовании носили фрагментарный характер [Кузиков И. В. и др.,1975;Виноградов Б.В., Леонтьева Е.В., 1985]. Компьютерная модель эпизоотического процесса при чуме известна только одна [Солдаткин и др., 1973]. В настоящее время ее возможностей явно не хватает для изучения (прогнозирования развития) эпизоотий с использованием новых данных и методов изучения функционирования очага чумы.

Цель исследования. Создание системы компьютерного имитационного моделирования эпизоотического процесса при чуме в поселениях носителя для повышения эффективности эпизоотологического мониторинга в природных очагах этой инфекции.2

Задачи исследования:

1. Разработка методологии использования дистанционного зондирования земли (ДЗЗ) и ГИС, создание компьютерных программ для получения данных о структуре и плотности поселений большой песчанки с целью их использования в эпизоотологическом мониторинге очагов чумы и в имитационной модели эпизоотического процесса при чуме.

2. Определение исходных количественных и вероятностных характеристик эпизоотического процесса при чуме, необходимых для создания компьютерной имитационной модели на основе литературных данных и собственных исследований.

3. Разработка алгоритма имитационной модели и написание его кода на языке ЭВМ высокого уровня.

4. Проверка адекватности имитационной модели путем сравнения развития модельного и природного эпизоотического процессов при чуме.

5. Изучение пространственных закономерностей развития эпизоотического процесса в модели при различной структуре и плотности поселений большой песчанки.

6. Оценка принципиальной возможности непрерывной трансмиссии возбудителя чумы в очаге песчаночьего типа на имитационной компьютерной модели.

7. Разработка основ и апробация комплексного применения ДЗЗ, ГИС и имитационного компьютерного моделирования для изучения микроструктуры эпизоотии, ее направленного поиска и оперативного пространственного прогнозирования ее распространения с целью повы-

2 Природный очаг есть относительно автономная саморегулирующаяся паразитарная система, представляющая собой часть взаимосвязанного комплекса биогеоценозов и способная существовать без заноса возбудителя из вне неопределенно долгий срок [Кучерук, 1982].

шения эффективности эпизоотологического мониторинга и проведения заблаговременной профилактики.

Научная новизна. Впервые создана компьютерная имитационная математическая модель эпизоотического процесса при чуме на основе вероятностного клеточного автомата, в которой единицей эпизоотического процесса является сложная нора (или колония) большой песчанки. Такой подход позволяет избежать ошибок в столь мало изученной области, как количественные показатели эпизоотического процесса при чуме в биоценозе отдельной норы.

Впервые компьютерная имитационная модель эпизоотического процесса при чуме выполнена как открытая интерактивная система, с возможностью использовать для работы данные эпизоотологического обследования и ДЗЗ и управляться экспериментатором в процессе выполнения расчетов. Одним из основных параметров модели является пространственная структура поселения большой песчанки. Модель позволяет изучать эпизоотический процесс не только в разнообразных симулированных компьютером конфигурациях поселений, но и с использованием реального расположения нор в интересующих исследователя частях очага.

Впервые разработан метод оцифровки космических снимков поселений большой песчанки и переноса данных с соблюдением пропорций реального масштаба в модельное пространство.

На модели определены количественные зависимости между пространственной структурой поселений большой песчанки и интенсивностью эпизоотии чумы. В более упорядоченных ленточных поселениях большой песчанки эпизоотии могут протекать при значительно меньшем уровне эпизоотического контакта, чем в диффузных поселениях. Это означает, что для трансмиссии микроба чумы в этих поселениях необходимо меньшее количество инфицированных блох и больных грызунов. Определены пространственные характеристики, обеспечивающие передачу возбудителя чумы в разных типах поселений. Показано, что струкгура поселения является одним из факторов, формирующих феномен «обтекания» эпизоотией участков с высокой численностью большой песчанки.

Впервые определен нижний предел количества нор большой песчанки, обеспечивающий долговременное функционирование эпизоотического процесса при чуме. Определены уровни эпизоотического контакта, при которых возможно устойчивое развитие эпизоотий в поселениях большой песчанки с различной структурой и разной плотностью обитаемых нор.

Впервые на реальном участке поселения большой песчанки была моделирована эпизоотия чумы, непрерывно текущая на протяжении 25 лет. При этом показано, что эпизоотический процесс может не прекращаться даже при очень низких (0,1 нор на га) плотностях обитаемых нор, т. е. при депрессии численности большой песчанки.

Впервые предложен научно обоснованный методический подход для оценки результатов эпизоотологического обследования очагов чумы с использованием непрерывной последовательной процедуры распознавания образов [Гублер, 1978]. На основе статиепиеских данных доказано, что при низкой интенсивности эпизоотического процесса регламентированное эпизоотологическое обследование часто не достигает разрешающей способности, достаточной для его обнаружения.

Полученные данные являются основой для создания научно обоснованных прогнозных моделей распространения эпизоотий чумы и планирования оптимальных объемов профилактических противочумных мероприятий. Модель можно использовать для имитации эпизоотического процесса в поселениях любых других грызунов-норников в разных типах очагов чумы.

Теоретическая и практическая значимость исследования. Теоретическая значимость заключается в разработке концепции комплексного использования ГИС, ДЗЗ и имитационной компьютерной модели в системе эпиднадзора за чумой, в разработке программного алгоритма модели эпизоотического процесса при чуме на основе клеточных автоматов.

Результаты исследований положены в основу нормативно-методических документов, в том числе:

Свидетельство на рационализаторское предложение № 1-а от 12 мая 1997 г. Выдано Дубянскому В.М., Поле С.Б., Классовскому Н.Л «Использование

картографического пакета программ для создания карт схем годовой отчетной документации».

Свидетельство на рационализаторское предложение № 2 от 12 мая 1997 г. выдано Дубянскому В.М. «Использование программ «Элементарная статистка» для проведения статистического анализа данных научных учреждений.

Методические рекомендации «Автоматизированный ввод эпизоотологиче-ских и эпидемиологических данных по природно-очаговым особо опасным инфекциям в ГИС АгсУ1е\у» (Утверждены директором ФКУЗ Ставропольский противочумный институт, протокол № 7 от 30. 08.2012 г.).

Электронная база данных с использованием ГИС-технологий по видовой структуре, численности носителей и переносчиков в природном очаге туляремии Ставропольского края». Часть 1. Носители (видовая структура и численность). (Утверждены директором ФКУЗ Ставропольский противочумный институт, протокол № 11 от 24. 12. 2013 г.).

Методические рекомендации «Определение площади обследованной территории и картографирование природных очагов бактериальных и вирусных инфекций при эпизоотологическом мониторинге». (Утверждены директором ФКУЗ Ставропольский противочумный институт, протокол № 3 от 22. 03. 2012 г.).

Методические рекомендации «Организация и проведение эпизоотологиче-ского обследования в сочетанных природных очагах бактериальных и вирусных инфекционных болезней в равнинно-предгорной части Республики Дагестан». (Утверждены директором ФКУЗ Ставропольский противочумный институт, протокол № 8 от 03. 09. 2013 г.).

Методические рекомендации «Организация и проведение эпизоотологнче-ского обследования Ставропольской части Прикаспийского северо-западного природного очага чумы в условиях депрессии основного носителя с применением ГИС-технологий». (Утверждены директором ФКУЗ Ставропольский противочумный институт, протокол № 10 от 13. 12. 2013 г.).

Паспорт Дагестанского равнинно-предгорного природного очага чумы. (Утвержден директором ФКУЗ Ставропольский противочумный институт, протокол №3 от 03.09.2013г.).

Электронные карты очагов чумы, созданные автором, использованы при создании электронной базы данных «Электронная карта очагов чумы стран бывшего СССР», используемой противочумными учреждениями Российской Федерации. Материалы диссертации широко используются также при чтении лекций на курсах первичной специализации и усовершенствования специалистов противочумной системы не только в России, но и в Республике Казахстан.

Коллективные монографии практической направленности:

«Краткие сведения о стационарно неблагополучных по сибирской язве населенных пунктах в Республике Казахстан (справочник)». Алматы. 2009.

«Атлас распространенности бактериальных и вирусных зоонозных инфекций в Казахстане». Алматы. 2010.

«Атлас распространения особо опасных инфекций в Республике Казахстан». Алматы, 2012.

Методолопш и методы исследования. В исследовании использованы методология, базирующаяся как на оригинальных, так и на традиционных методах: статистических, математических, эпизоотологического анализа.

Основные положения, выносимые на защиту.

1. Результаты, получаемые в компьютерной имитационной модели эпизоотического процесса при чуме, в целом качественно и количественно адекватны природному аналогу и могут быть использованы для эпидемиологического надзора в очагах.

2. Комплексное использование методов ДЗЗ, ГИС и имитационной компьютерной модели позволяет усовершенствовать эпидемиологический надзор в природных очагах чумы путем целенаправленного поиска эпизоотий и определения оптимальных территорий и объемов проведения профилактических мероприятий.

3. Разрешающая способность действующего порядка эпизоотологиче-ского обследования может быть недостаточна для обнаружения эпизоотического процесса при чуме низкой интенсивности.

4. Разработанная компьютерная модель позволяет количественно оценивать интенсивность, экстенсивность, уровень эпизоотического контакта, возможную скорость и преимущественное направление распространения эпизоотии при использовании в качестве параметров реальных данных эпизоотологического обследования. К таким данным относятся сведения о пространственной структуре поселений большой песчанки, состоянии ее популяции, численности и видовом составе блох, регистрации микроба чумы или животных с антителами к нему.

5. Пространственная структура поселений большой песчанки является детерминирующим фактором интенсивности эпизоотического процесса при чуме в ее поселениях и важна для пространственного прогнозирования распространения эпизоотии чумы и повышения эффективности полевой профилактики.

6. Трансмиссия К. резНх в поселениях большой песчанки может продолжаться неопределенно долго даже при депрессии численности этого грызуна.

7. Эксперименты на модели позволяют определить скрытые от наблюдателя параметры эпизоотии чумы: минимальное количество нор и минимальную площадь, необходимые для персистирования У. рез^я, влияние эпизоотического контакта на экстенсивность и интенсивность эпизоотии, возможные пути переживания микробом чумы депрессии его численности («межэпизоотический период») и др.

Степень достоверности и апробация результатов исследования. Материалы диссертации представлены и доложены на международных, всероссийских и региональных научных форумах, в том числе:

и

- на международных конференциях «Environment and human health workshop» (Liverpool, 2007, 2008); на IX, X, XI межгосударственных конференций стран СНГ (Волгоград, 2008, Ставрополь, 2010, Саратов, 2012); на XIV Всемирном симпозиуме по дистанционному зондированию (Natal, Brasil, 2009); на международной конференции «Zoonoes: Diseases from Nature» (Yale University, USA, 2009); на 1 ой ежегодной конференции по биобезопасности стран Центральной Азии и Кавказа (Алматы, 2009); на международной конференции «Териофауна Казахстана и сопредельных территорий» (Алматы, 2010); на международной конференции «Current issuaes of zoonotic diseases» (Ulaanbaatar, 2010); на международной научно-практической конференции «Эпидемиологический мониторинг за карантинными и зоонозными инфекциями» (Талдыкорган, 2011); на круглом столе санитарно-эпидемиологических служб Российской Федерации и Республики Казахстан, проводимого в рамках VIII Форума межрегионального сотрудничества Российской Федерации и Республики Казахстан с участием глав государств (Астрахань, 2011); на 4-ой международной конференции GEOBIA (Brazil, 2012).

- на всероссийских конференциях (Москва, 2009, 20096, 2010; Санкт-Петербург, 2011; Ставрополь, 2012).

Работа выполнялась в рамках государственных плановых тем и грантовых проектов:

1996-1997 гг. - Фонд науки Республики Казахстан. Индивидуальный проект. Грызуны в экосистеме пустынь: математическое моделирование и прогнозирование их численности и изучение экологических связей.

1998-1999 гг. Международный научно-технический центр. Проект К-159. Мониторинг качественных и количественных параметров особо опасных инфекций на примере очагов чумы Республики Казахстан.

2000-2003 гг. INCO-Copernicus. STECICA, b-II. Call identifier: ICFC599A2CR01. Чума в Центральной Азии - исследование пространственно-временной динамики.

2006-2010. Международный научно-технический центр. Проект К-788. Атлас распространения бактериальных и вирусных зоонозных инфекций в Казахстане.

2007-2008 гг. Пилотный проект «Дистанционное зондирование поселений большой песчанки в Казахстане» - совместно с университетами Ливерпуля (Великобритания), Осло (Норвегия), Антверпена (Бельгия) и Утрехта (Голландия).

2009-2011 гг. во время выполнения НИР (Казахский научный центр карантинных и зоонозных инфекций) «Паспортизация очагов карантинных и особо опасных инфекций с использованием геоинформационной системы» в рамках НТП «Разработка научно-обоснованных предложений по совершенствованию эпидемиологического надзора за карантинными и зоонозными инфекциями в Республике Казахстан».

2010-2013 гг. Проект Ливерпульского университета «Предпосылки для прогнозирования вспышек чумы в Центральной Азии», финасируемый фондом Welcom trust (Великобритания).

С 2013 г. по настоящее время. Университет Антверпена (Бельгия). «Сложные схемы взаимодействия хозяина и возбудителя: роль поведения в распространение инфекции в структурированной популяции хозяина».

Полученные результаты верифицированы с помощью статистических методов и практических полевых исследований.

Апробация диссертации состоялась на межлабораторной конференции ФКУЗ Ставропольский противочумный институт Роспотребнадзора, протокол № 1 от 14 ноября 2014 г.

Публикации. По теме диссертации опубликованы 47 научных работ, в том числе 3 коллективные монографии, опубликованные за рубежом, 26 научных статей, в числе которых 14 в изданиях, рекомендуемых «Перечнем рецензируемых научных изданий, в которых должны быть опубликованы основные научные результаты диссертаций на соискание ученой степени кандидата наук, на соискание ученой степени доктора наук ВАК РФ», 17 опубликованы в зарубежных изданиях.

Объем и структура диссертации. Диссертация написана на 319 страницах, содержит 92 рисунка, 19 таблиц и одно приложение. Список использованных источников включает 308 названий, в том числе 41 иностранных.

Место выполнения работы и личный вклад соискателя. Работа выполнялась в Казахском научном центре карантинных и зоонозных инфекций им. М. Айкимбаева и в ФКУЗ Ставропольский противочумный институт Роспотребнад-зора. Часть материала обрабатывалась автором в Университете г. Осло (Норвегия). Личный вклад соискателя состоит в участии в сборе полевого материала на протяжении 25 лет, сначала в качестве зоолога, а затем научного сотрудника и исполнителя плановых научных тем и международных проектов в различных частях Среднеазиатского пустынного природного очага чумы. Автор планировал и проводил исследования, обрабатывал и анализировал полученные результаты, обобщал их, оформлял для публикаций и внедрял в практику. Автор лично разработал компьютерную математическую модель эпизоотического процесса при чуме, в том числе написал алгоритм ее работы и запрограммировал этот алгоритм в кодах языка VB А.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

В главе 1 «Качественная и количественная характеристика эпизоотического процесса при чуме и современные подходы к его моделированию» на

основе данных научной литературы проводится анализ эпизоотического процесса при чуме, рассмотрены различные типы математических моделей, используемых при его изучении, дана оценка разрешающей способности эпизоотологического обследования на чуму, представлены сведения о применении методов дистанционного зондирования земли в эпидемиологическом надзоре за этой инфекцией.

Глава 2. Материал и методы

Место проведения исследований. Прибалхашский, Урало-Эмбинский, Пре-дустюртский автономные очаги чумы Среднеазиатского пустынного природного очага.

Объем исследованного полевого материала: в Урало-Эмбинском и Предус-тюртском автономных очагах чумы 11 долговременных стационарных площадок

общей площадью 469,9 га. Период полевых наблюдений с 1987 по 1989 годы. Глубина исследованного архивного материала по наблюдениям на этих площадках - 35 лет. В Прибалхашском автономном очаге чумы 24 шестикилометровых стационарных маршрута, 36 долговременных стационарных площадок по 4 га и 38 по 6,25 га, общей площадью 381,5га. Период наблюдений с 2007 по 2014 годы. За этот период маркированы 8054 нор с отслеживанием их статуса. Космические снимки территории очагов коммерческие Quickbird (0.6 м/пиксель), SPOT (2.5 м/пиксель) и сервиса Google Earth (0.5-2.5 м/пиксель).

Для оценки результативности принятой методики обследования и разработки параметров модели использованы архивные данные об эпизоотологическом обследовании ЛЭР «Баканасская равнина» с 1949 по 1995 гг.

Порядок работы. Изучение возможностей дистанционного зондирования Земли (ДЗЗ) для идентификации нор больших песчанок, проводилось с сентября 2007 г. Ежегодно в апреле, июне и сентябре на площадках определялись координаты и размеры всех нор больших песчанок, а также характер их использования хозяевами (обитаемая, посещаемая, необитаемая, старая, исчезающая, исчезнувшая). Одновременно фиксировали элементы ландшафта, внешне сходные с норами этого вида (такыры, голые глинистые участки), а также норы песчанок рода Meriones (более 100 таких элементов). Площадки расположены по оси Юго-Восток - Северо-Запад на протяжении 120 км и охватывают основные ландшафты очага. Для контроля полученных результатов весной 2013 г. в одном из первичных районов очага заложены 38 площадок площадью 6,25 га, которые были повторно учтены осенью 2013 и весной 2014 гг.

Статистически достоверная идентификация нор на снимках проводилась по методике [Addink et al., 2010] и авторской, основанной на анализе спектра.

Использованы авторские методы и программы оцифровки снимков и переноса структуры поселения большой песчанки в модель с соблюдением пропорций и масштаба для получения пространственных параметров распределения нор большой песчанки в модельном поле, изучения структуры эпизоотии и пространственного прогнозирования.

Неравномерность распределения нор подтверждали методом /„2 и частотными диаграммами.

Проведено пилотное изучение перемещений больших песчанок с применением ОРБ-логгеров.

Использовались методы непараметрической статистики — корреляция рангов Спирмена, вычисление информативности признака [Гублер, Генкин, 1973; Гублер, 1978; Дубянский и др., 1992], вычисление доверительного интервала биномиального распределения [Гмурман, 2002], метод Монте-Карло, методы пространственного анализа пакета программ Агс018 версии 10.

Глава 3 Оценка результатов эпизоотологического обследования

Для правильной интерпретации результатов моделирования и применении модели в эпидемиологическом надзоре за очагами чумы весьма важно оценить возможности их эпизоотологического обследования. Интенсивность обследования тестовой территории - ЛЭР «Баканасская равнина» - на протяжении рассматриваемого периода была крайне неравномерной: в категории малообследованных оказалось 23,8% секторов от их общего числа, а в категории постоянно обследуемых - 27,0%. Количество секторов, обследуемых в разные годы, также сильно варьирует. Максимальная площадь обследования была 75,7%, а минимальная 2,2%. Выявлена достоверная связь между числом обследованных и эпизоотических секторов (коэффициент корреляции рангов Спирмена Я = 0,47 (р < 0,001)). Пороговый диагностический коэффициент экстенсивности обследования - 27%. Обнаружена сильная связь между кратностью обследования и кратностью обнаружения эпизоотии - коэффициент корреляции рангов Спирмена Я = 0,800 (р = 0,01). Уверенно о наличии или отсутствии эпизоотии можно говорить лишь при 54-кратном и более частом обследовании. Расчет доверительных интервалов при разной зараженности больших песчанок показал, что низкие уровни зараженности больших песчанок в пробе могут маскировать эпизоотический процесс гораздо большей интенсивности, который, распространяясь по принципу разветвленной цепной реакции [Найден, 1970], проявляется в дальнейшем в виде острых и разлитых эпизоотий.

С помощью модели выяснено, что для выявления эпизоотии с низкой интенсивностью протекания эпизоотического процесса с вероятностью 0,95 в секторе необходимо брать от 180 до 697 проб за сезон, что практически невозможно.

Выполненные расчеты демонстрируют, что эпизоотологическое обследование, проводимое согласно действующим в Республике Казахстан нормативным документам, не достаточно для гарантированной регистрации эпизоотии чумы.

Глава 4 Описание модели эпизоотического процесса при чуме

Математическая основа модели вероятностный клеточный автомат (BKA). Модель, с интерактивно изменяемыми параметрами, была создана в среде Microsoft Excel, код написан на языке VBA. Клеткой в модели, то есть дискретной единицей эпизоотического процесса, является нора (колония) большой песчанки [Седин, 1985; Davis et al., 2007]. Масштаб одной клетки соответствует, примерно, полутора средним диаметрам норы. В клетку входит не только непосредственно территория, занятая норой, но и ее окрестности с выселками и кормовыми ходами. Поэтому допускается размещение соседствующих нор в смежных клетках, без промежутков. Модель относится к SEIR-моделям (Susceptible, exposed, infected и removed) с некоторыми специфическими отличиями. Нора в модели имеет несколько основных состояний. «Зараженная»: «заражена», но не является распространителем микроба чумы (латентный период); «заражающая»: «заражена», и может бьггь распространителем микроба чумы; «иммунная»: очистившаяся от микроба чумы и не «заражающаяся» повторно в течение определенного времени; нора, готовая к повторному «заражению»: «зараженная» ранее нора, период «иммунности» которой закончился и она может быть снова «заражена».

Теоретически достижимая площадь моделируемого участка - почти 15000 км2. Модель позволяет использовать реальную конфигурацию поселения, эффективно применять различные математические приемы в большом числе повторно-стей экспериментов при удовлетворительной скорости работы даже на стандартной ПЭВМ. Блок-схема принципиального алгоритма работы модели представлена на рисунке 1.

Разработанная модель может быть использована для исследования параметров эпизоотического процесса в симулированном поселении и моделирования эпизоотического процесса на реальной очаговой территории, изображение которой получено с использованием ДЗЗ.

Трансмиссивная передача микроба чумы считается ведущей при интерпретации результатов моделирования главным образом потому, что все известные на сегодняшний день параметры развития эпизоотий в поселениях любых носителей

Рисунок 1 - Принципиальный алгоритм работы модели эпизоотического процесса

при чуме

получены и рассчитываются на основе количественных данных, характеризующих именно трансмиссивный механизм передачи возбудителя чумы. В то же время каких-либо достоверных и пригодных для использования количественных характеристик любых других механизмов передачи, существование и периодическая реализация которых не отрицается, пока просто нет [Акиев, 1970; Бурде-лов, 2001].

При работе модели используются следующие основные понятия: □ Цикл заражения. Это период, в течение которого вновь «зараженная» колония трансформируется в «заражающую». В конце каждого цикла заражения производится обязательное сканирование рабочего пространства модели для оценки текущего состояния колоний.

□ Вероятность успеха передачи. Это вероятность успеха однократной попытки передачи микроба чумы с «заражающей» колонии на «незараженную».

□ Коэффициент заражения колоний - количество попыток заражения колоний одной «заражающей» колонией за один цикл заражения. Термин заимствован у В. Ю. Литвина и др. [1980], однако фактически в нашем случае он аппроксимирует коэффициент заражения в понимании указанных авторов и коэффициент передачи в понимании И. С. Солдаткина и др. [1966].

□ Уровень (величина) эпизоотического контакта. Это величина вероятности успеха передачи и коэффициента заражения, при которых происходит передача возбудителя от норы к норе. В понятиях трансмиссивной теории этот показатель наиболее близок к предложенному А. А. Кузнецовым [1997].

□ Относительно дальний занос. Возможность «заражения» более или менее удаленных колоний, минуя ближайшие соседние.

Для однозначной интерпретации результатов в модели учитываются параметры сценариев, выполняющиеся с вероятностью не менее 0,999, если иное не оговаривается специально.

Первоначальные параметры и допуски модельного эпизоотического процесса - «базовая линия» - сводились к следующему.

Временные параметры и допуски. Нора большой песчанки является «зараженной» в течение 10 дней от момента попадания в нее возбудителя чумы: три дня на развитие бактериемии у заразившегося грызуна и семь дней для развития блока у пивших на нем кровь блох [по Солдаткину, 1968]. Этот же период реализуется в модели как «Цикл заражения». Нора обладает способностью «заражать» соседние норы с 11 по 50 день от начала собственного «заражения»; с 51 по 90 день она их уже не «заражает», т. е. является «иммунной» [Ротшильд и др., 1975; Ротшильд, 1978]. Повторно колония может быть «заражена» начиная с 91 дня [Новикова и др., 1971; Самсонович и др., 1971; Канатов, Новиков, 1971; Сасыкин и др., 1976].

Пространственные параметры и допуски. Распределение вероятностей «заноса» микроба чумы (рисунок 2) примерно соответствует данным прямого моделирования заноса блох в соседние норы [Солдапсин и др., 1966; Руденчик и др.,

1967] и данным по забегам большой песчанки на соседние колонии [Алексеев, 1974; Наумов и др., 1972; Дубровский, 1978; Davis et al., 2008].

Проверка в симулированных компьютером поселениях большой песчанки показала, что модельный эпизоотический процесс при чуме качественно соответст

Рисунок 2 - Вероятность заноса микроба чумы в колонии в рабочем пространстве модели

вует природному3. Возникающая в модели цикличность близка по своим параметрам естественным колебаниям интенсивности природного эпизоотического процесса, моделированная структура очажка чумы соответствует природному, в модели имитируется качественная картина фаз эпизоотического цикла: увеличение доли нор с переболевшими зверьками после осеннего или весеннего пика эпизоотии.

Глава 5 Влияние пространственной структуры поселений большой песчанки на интенсивность эпизоотического процесса при чуме в модели

В доступной литературе отсутствуют сведения о минимальной плотности колоний в поселениях различных типов, при которой возможно длительное пассирование возбудителя чумы. Поэтому первой задачей экспериментов на модели была точная и однозначная количественная оценка влияния плотности обитаемых

3 Таким образом, эпизоотический процесс моделируется в поселении больших песчанок мезоочага чумы в понимании Лавровского А.А и др. [1979],

нор в поселении большой песчанки различной пространственной структуры на развитие эпизоотического процесса при чуме.

Расчеты проводились для поселения со случайным расположением нор (упрощенно, такими можно считать диффузные и островные) и упорядоченным расположением нор (к таким можно отнести ленточный тип). В обоих случаях расположение колоний было симулировано компьютером и проведенные расчеты являются теоретической основой для дальнейшего исследования модели. Результаты моделирования продемонстрировали значимые отличия динамики уровня эпизоотического контакта и интенсивности эпизоотического процесса в упорядоченном и неупорядоченном (диффузном) типах поселений (таблица 1).

Таблица 1 - Минимальная плотность колоний, при которой возможно устойчивое развитие эпизоотического процесса при заданном уровне эпизоотического контакта

Уровень эпизоотического контакта Плотность колоний на 1 га в поселении . Статистические характеристики расстояний между колониями в неупорядоченном поселении (в ед. масштаба модели)

Диффузном Упорядоченном Среднее 1 Квартиль М Мода Медиана

0,42 6,00 0,85 0 0 0

0,5 5,00 2,77 1,22 0 0 1

0,44 4,00 2,77 1,78 0 0 1

0,53 3,00 1,22 2,7 0 0 2

0,53 2,00 4,57 1 0 3

0,57 1,50 6,40 1 0 4

0,67 0,67

1 1.33 0.44 7,33 2 1 5

2 1.11 0.23 8,09 2 0 0

3 1.00 0,17 8,99 2 0 6

4 0.89 0.14 10,11 2 0 7

5 0.78 0,11 10,11 2 0 7

6 0,78 0,11 10,11 2 0 7

7-8 0,78 0,11 10,11 2 0 7

10 0.67 0,11 15,61 4 2 11

В упорядоченных поселениях интенсивность эпизоотического процесса значимо выше (р<0,01), чем в неупорядоченных. Эпизоотия может развиваться при уровне численности в 6 раз меньшем, чем в неупорядоченном поселении (рисунок 3).

На модели рассчитаны минимальные площади, необходимые для развития эпизоотического процесса: от 8,91 га при плотности обитаемых нор 3,36 на га до 533,61 га при плотности обитаемых нор 0,74 на га. Последняя цифра соответствует известным данным о количестве нор во время снижения численности, т. е. циркуляция микроба чумы может осуществляться даже в этот период и не улавливаться при стандартном эпизоотологическом обследовании.

Используя ранее опубликованные карты-схемы, демонстрирующие пространственное распределение «зараженных» нор больших песчанок в природе, сделана попытка реконструкции на модели протекавших ранее эпизоотий, с одновременной проверкой количественного соответствия моделируемой и природной эпизоотии.

X ._. 35,0

1 S X 30,00

S с: г> § 25,00

-О 1 X J3 X 20,00

О * 15,00

ю

о 10,00

си

X з: 5,00

---Диффузное поселение

-Упорядоченное поселение

w^irAAаД/У\Л/У- з

0,00 híülilllllllHIIIIIIIIIIHIIHHIlHHIHIMIIIIllllHIIIIIIIIIIIIIII

1 19 37 55 73 91 109 127 145 163 181 199 217 235 253 271 289 307 Циклы заражения

Рисунок 3 - Интенсивность эпизоотического процесса в поселениях большой песчанки разных типов. Плотность диффузного поселения - 1,33 колоний на 1 га, упорядоченного поселения 0,44 колоний на 1 га

Установлено, что модельное и природное пространственное распределение «зараженных» нор соответствует друг другу. При реконструкции эпизоотического процесса удалось ретроспективно, глубиной 40 дней, откорректировать пространственное расположение «зараженных» нор, рассчитать уровень эпизоотического контакта летом (0,53 при плотности обитаемых нор 1,5 на 1 га), показать возможность развития эпизоотических пятен из нескольких центров, оставшихся после осенней эпизоотии. Реконструкция эпизоотического пятна позволяет повысить эффективность эпизоотологического обследования путем целенаправленного поиска «зараженных» участков.

Глава 6 Скорость распространения эпизоотии в модели

Один из неоднозначных вопросов в эпизоотологии чумы - скорость распространения эпизоотии. В доступной литературе приводятся довольно сильно различающиеся значения этого параметра. Выводы о скорости распространения эпи-зоотий, основанные на результатах только эпизоотологического обследования, оставляют много места для сомнений [Ротшильд, 1978]. Возможно, что на пути предполагаемого перемещения чумы происходит лишь активизация эпизоотии, которые не обнаруживаются обычными приемами обследования [Солдаткин и др., 1975].

Скорость распространения эпизоотий измерялась в симулированных поселениях, диффузных и упорядоченных. Было изучено 5 ситуаций с различной дистанцией и условиями заноса микроба чумы. В зависимости от моделируемой ситуации скорость колебалась от 3 км до 27,5 км в год и, как правило, была выше в упорядоченном поселении. Исследование модели показало, что одним из механизмов, обеспечивающих большую скорость распространения эпизоотии чумы в упорядоченном поселении, является повышенное количество дальних заносов возбудителя чумы. Кроме того, этот параметр нелинейно (по логистическому, степенному, полиноминальному различных порядков, законам) увеличивается при уменьшении плотности обитаемых нор, до рассчитанного на модели уровня 0,11 нор на га (рисунок 4).

о

0

5 700 |

600

Б

1 500 с

п

к 400

s

i

О

га 300

о.

j-

о 200

О. С

О

100

а о

ж

Ü

—Стандартная дистанция заноса, модифицированный алгоритм —Линейный тренд

Плотность колоний на 1 га

А

500 400

а. 200

6 5 4 3 2 1,5 1.33 1,22 1.11 1 0.89 0,78 0,67 Плотность обитаемых колоний на 1 га

-Стандартная дистанция заноса, модифицированный алгоритм

-Линия тренда -полиномиальный

Б

Рисунок 4 — Зависимость скорости распространения эпизоотии от плотности обитаемых колоний на I га в поселении упорядоченного (А) и неупорядоченного

(Б) типов.

Проведенные расчеты демонстрируют, что развитие эпизоотии в течение одного сезона или календарного года одновременно во многих местах, на расстоянии свыше 30 и более км друг от друга, невозможно объяснить последовательным передвижением эпизоотических участков в пространстве. Скорее всего, обострение эпизоотического процесса происходит сразу во многих пунктах, а до того эпизоотия развивается скрытно.

Из литературы известен факт «обтекания» эпизоотией чумы мест, плотно заселенных большой песчанкой [Найден и др., 1969 Зархидзе и др., 1971; Рапопорт и др., 1976; Ротшильд, 1978; Дубянский М.А., 1983; Бурделов и др., 1984]. Эти же авторы описали биологический механизм этого явления, а на модели продемонстрирована его пространственная составляющая. При высокой плотности обитаемых нор значительно уменьшается число дальних заносов микроба чумы. Распространение эпизоотии резко замедляется. Интенсивность эпизоотического процесса в модели на плотно заселенных участках уменьшается в 2-3 раза, а размер эпизоотического пятна может быть в 6 раз меньше и в силу этого его гораздо труднее обнаружить при эпизоотологическом обследовании.

Глава 7 Моделирование эпизоотии на протяжении нескольких эпизоотических циклов

Целью экспериментов было выяснение возможности скрытого течения эпизоотии на протяжении длительного времени и возможности ее развития при экстремально низком уровне численности больших песчанок.

Для моделирования в реальных условиях был оцифрован космический снимок, выбранный из сервиса Google Earth, площадью 900 га с общим количеством нор 1883 (2,09 на га) на территории Прибалхашского очага чумы, на границе ЛЭР «Баканасская равнина» и «Равнина Акдала». Расчеты проводились при первоначальном заражении в модели только одной норы, выбранной случайным образом. Течение модельного эпизоотического процесса представлено на рисунке 5.

При исследовании первых эпизоотических циклов обнаружилось, что ранее вычисленный теоретический уровень эпизоотического контакта является избыточным и эпизоотия может протекать при его величине 0,2. Происходит это в силу своеобразной природной структуры реальных поселений - в отличие от моделировавшейся, она не просто упорядочена в виде параллельных цепочек колоний, но и имеет довольно много промежуточных звеньев, соединяющих цепочки между собой. Такая структура является, по-видимому, более эффективной для обеспечения передачи возбудителя чумы. Эпизоотия изучалась в течение 25 симулированных на компьютере лет. Было исследовано три с половиной цикла динамики численности большой песчанки, выраженной через плотность обитаемых колоний на 1 га, в том числе два периода понижения численности и один период депрессии.

Данные моделирования подтверждают, что интенсификация эпизоотического процесса происходит на ветви спада численности. Этот момент был отмечен многими исследователями и характерен, в том числе, для реального хода эпизоотического процесса в Южном Прибалхашье. В обзоре литературы описаны возможные биологические причины этого явления. Моделирование позволило продемонстрировать вклад пространственной структуры поселения в это явление и в обратные связи в эпизоотической системе.

Количественный расчет показал, что для развития эпизоотического процесса критично, если одномоментное количество «зараженных» нор было меньше 10. Минимальный уровень одновременно «зараженных» нор, при котором эпизоотический процесс развивается стабильно, около 20.

При малом количестве «зараженных» нор проявилось влияние фактора конфигурации нор в пространстве. Эпизоотический процесс интенсифицируется, когда «зараженная» нора расположена вблизи цепочки из нескольких «незараженных» нор. В противном случае происходит торможение эпизоотического процесса, что приводит к автоколебаниям его интенсивности. Циклическое повышение интенсивности является механизмом, способствующим развитию эпизоотии при депрессии численности носителя.

Увеличение площади на которой возможно протекание эпизоотии улучшает условия течения эпизоотического процесса. При плотности от 0,2 обитаемых нор на 1 га, эпизоотия может развиваться при увеличении пространственного параметра модели в 4 раза, по сравнению с «базовой линией» (900-1200 м), что вполне преодолимо для больших песчанок. Другое условие - уменьшение времени, в течение которого нора имеет статус «иммунной» -с семи циклов заражения до пяти. На основании данных моделирования, можно предположить, что при очень низком уровне численности больших песчанок их иммунитет укрепляется, песчанки реже погибают от чумы и быстрее выздоравливают или усиливается их подвижность, и зверьки чаще посещают необитаемые норы, которые в модели также имеют статус «иммунных», или увеличиваться частота передачи микроба чумы «неблокированны-ми» блохами [Сулейменов Б.М., 1995; Ващенок B.C., 1999], что сокращает время цикла заражения.

Расчеты показали, что в период депрессии численности больших песчанок обнаружение эпизоотии возможно если интенсивность обследования составит не менее десяти проб на сектор, причем с вероятностью не выше 0,25.

В итоге можно считать подтвержденным на модели предположение, что эпизоотический процесс функционирует непрерывно даже при очень низком уровне численности большой песчанки, как это было в 1981-1988 годах в Южном Прибалхашье. Примеры обнаружения микроба чумы при депрессии численности большой песчанки приводятся и в литературе [Дятлов и др., 1971]. Поэтому можно с большой долей уверенности считать, что только сложности обнаружения эпизоотии при низком уровне численности грызунов приводят к видимому межэпизоотическому периоду. Обнаружение зараженных чумой зверьков почти сразу после начала выхода популяции большой песчанки из депрессии также свидетельствует в пользу версии о продолжении циркуляции микроба чумы среди больших песчанок (либо других грызунов) на фоне их низкой численности. Моделирование эпизоотии продемонст-

рировало поддержку трех гипотез существования возбудителя чумы в межэпизоотический период: 1) эпизоотический процесс продолжается в виде цепочки острых спорадических случаев; 2) эпизоотический процесс перемещается по территории вслед за несколько повышенной численностью носителей и переносчиков — «кочующая» чума. Для «кочующей» чумы достаточно относительно кратковременного и незначительного превышения численности носителей и переносчиков над уровнем глубокой депрессии, в том числе на небольших площадях (несколько десятков га); 3) сохранение чумы в группах обитаемых нор, с повышенной локальной плотностью, расположенных в стациях переживания.

Глава 8 Комплексное использование ГИС, ДЗЗ и математического моделирования в эпиднадзоре за чумой Продемонстрированные на модели зависимости распространения эпизоотии от пространственной структуры поселения больших песчанок и вычисленные показатели эпизоотического процесса при чуме могут быть применены для направленного поиска эпизоотии. С учетом того, что изначально для моделирования имелось минимальное количество параметров, его задачей было определение преимущественной области поиска эпизоотии. Использовались данные стандартного эпизоотологического обследования, при котором не велся поколониальный учет отловленных грызунов и их эктопаразитов. Осталось неизвестным, из каких конкретно нор были добыты зараженные зверьки, были ли еще «зараженные» норы на данном участке. Поэтому «зараженной» в модели считалась произвольная нора, отмеченная в точке взятия пробы. Расчеты сделаны для четырех участков. Пример пространственного прогноза продемонстрирован на рисунке 6. Точка выделения микроба чумы («кар280509-2»), в следующем от исходного сезоне, практически идеально легла на границу возможной величины эпизоотического пятна и попала в сектор преимущественного распространения эпизоотии.

Рисунок 6 - тестовый участок № 1 -Вероятная граница распространения эпизоотии

-Преимущественные направления распространения, вычисленные на

модели.

Очерченные на модели эпизоотические пятна для 4 участков хорошо совпали с реальными участками эпизоотии. Это еще раз подтверждает количественную и качественную адекватность модельных параметров природным.

Данная методика позволяет, как минимум, выделить границы эпизоотического пятна, или очажка, по терминологии Е.В. Ротшильда [1978] и описать мелкую структуру эпизоотии. Это само по себе позволит проводить обследование более упорядоченно. Принципиально возможен целенаправленный поиск эпизоотии по результатам прошедшего обследования. При этом основное внимание должно быть уделено району вероятной границы эпизоотического пятна в секторе преимущественного распространения эпи-

зоотии. Подобные расчеты имеют определенное эпидемиологическое значение, так как позволяют предположить направление дальнейшего продвижения эпизоотии и получить больше данных для принятия решения о заблаговременной профилактике.

Качественный скачок, произошедший в последнее десятилетие в развитии ГИС и ДЗЗ, позволяет приступить к использованию этих технологий в эпидемиологическом надзоре за особо опасными инфекциями. Принципиальная схема концепция комплексного использования ГИС, ДЗЗ и имитационной компьютерной модели в эпиднадзоре за чумой представлена на рисунке 7. Координаты нор большой песчанки, из которых добывается материал для лабораторного исследования, отмечаются с помощью ОР8-навигатора и передаются в ГИС, на карту поселения, созданную на основе ДЗЗ. Пока эпизоотия не обнаружена, информационный поток и оперативное управление

Рисунок 7 - Схема совершенствования эпиднадзора с использованием ГИС и ДЗЗ. Тонкие стрелки - малый контур. Толстые стрелки - большой контур.

обследованием будут идти по «малому контуру»: целенаправленный забор материала полевыми группами эпизоотологического обследования, исследование материала в лаборатории, оперативное руководство обследованием на основании данных ДЗЗ. При обнаружении норы, вовлеченной в эпизоотический процесс при чуме, управление обследованием переходит на «большой» контур. На модели симулируется возможное развитие эпизоотии, с учетом конкретной структуры поселения носителей и других географических и биологических показателей, важных для эпизоотического процесса. Карта поселения большой песчанки является основным пространственным параметром компьютерной модели эпизоотического процесса при чуме. Согласно плану обследования, в модель закладывается период времени, для которого симулируется эпизоотическая обстановка, в целях направленного поиска эпизоотии, наиболее полного выявления ее структуры, границ и оперативного прогнозирования пространственного направления ее развития. С помощью доступных в очаге средств связи (мобильной, спутниковой, нарочным одновременно с доставкой полевого материала) осуществляется постоянный обмен информацией по «большому контуру» между группами эпизоотологического обследования, лабораторией, специалистом (врачом или зоологом), ответственным за моделирование, руководством, с целью оперативной корректировки плана обследования. В соответствии с расчетом на модели, группа эпизоотологического обследования направляется на участок наибольшей вероятности обнаружения возбудителя чумы. Полученный из лаборатории результат обследования наносится на карту и помещается в модель. В случае положительного результата проводится новый расчет на модели, с учетом обнаруженного эпизоотического участка, для оконтуривания эпизоотического пятна и поиска нового пятна. Если результат обследования участка отрицательный, проводится корректировочный расчет места его поиска.

При необходимости планируются и проводятся профилактические мероприятия, определение объема и эффективности которых могут быть также оптимизированы. Участок, на котором планируется полевая профилактика,

отмечается на спутниковом снимке. С помощью инструментов ГИС автоматически рассчитывается площадь обрабатываемого участка и количество нор большой песчанки на нем. Эти данные позволяют точно оценить предстоящие трудозатраты, расход инсектицидных средств, горюче-смазочных материалов и т. д. Координаты каждой обработанной норы фиксируются ОР8-навигатором, затем результаты выгружаются в ГИС. Наложение точек - координат отработанных нор на карту-снимок участка позволят без выезда в поле точно определить эффективность профилактических мероприятий и подобрать места для проведения контроля целевой эффективности обработок.

Таким образом, использование комплекса современных технологий, включающих ГИС, ДЗЗ и моделирование эпизоотического процесса позволит усовершенствовать эпиднадзор в природных очагах чумы и решать следующие задачи: оперативное управление эпизоотологическим обследованием; направленный поиск эпизоотии чумы; компьютерный прогноз развития эпизоотической ситуации и эпидемиологического риска в режимах реального времени и реального пространства; определение районов и объемов полевой профилактики чумы на более высоком уровне научного обоснования; картографирование поселений носителей инфекции в эпидемически опасных районах, а в будущем, может быть, и более крупных участков очага чумы; пересмотр эпизоотологического и эпидемиологического районирования на основе ГИС-анализа.

Заключение

Созданная компьютерная имитационная модель эпизоотического процесса при чуме, позволяет изучать эпизоотии как в симулированных, так и в реальных поселениях большой песчанки. Легкость отображения реальной пространственной структуры поселений в поле модели делает ее удобной для изучения пространственных закономерностей эпизоотического процесса в зависимости от конфигурации поселения, плотности и распределения в нем нор, наличия и направленности «экологических русел». Следует подчеркнуть, что хотя модель и разрабатывалась применительно к большой песчанке,

однако связано это было не столько с видовыми особенностями этого грызуна, задействованными в модели, сколько с тем, что большая песчанка является практически идеальным видом для спутникового мониторинга поселений. Сам же принцип «клетка-нора» и используемые в модели эпизоотологиче-ские параметры не несут никакой видоспецифической нагрузки. Поэтому данную модель нетрудно использовать для имитации эпизоотического процесса в поселениях любых других грызунов-норников.

При кажущейся простоте модели, реальное количество отрабатываемых взаимосвязей весьма велико и, фактически, при моделировании осуществляется много факторный анализ эпизоотического процесса при чуме. Понятия, используемые в модели, по своему биологическому смыслу аппроксимируют сразу несколько взаимосвязанных факторов различной этиологии, влияющих на эпизоотический процесс.

Впервые в практике моделирования эпизоотического процесса космические снимки поселения большой песчанки формализовывались с помощью пространственных статистических методов в ГИС и совмещались с плоскостной конфигурацией модели. Описываемый подход позволяет оценивать развитие эпизоотических событий в реальных поселениях большой песчанки с точки зрения риска возникновения эпизоотий, направления, скорости их продвижения и уже сегодня может стать основой для пространственно-временного прогнозирования эпизоотической ситуации в природном очаге чумы с песчанками - носителями Кре^ю. Итоги моделирования могут быть отображены в интуитивно понятном визуализированном виде и становятся более доступными для понимания специалистов.

Модель имеет большой потенциал для усовершенствования. Ведется работа по проверке возможности использования фактического размещения необитаемых и посещаемых нор, имеющих особое эпизоотологическое значение [Бурделов и др., 1984, 1984а]. Планируется включение в модель так называемых второстепенных носителей - прежде всего, других грызунов-

норников и хищных млекопитающих. Код модели планируется переписать на быстром кроссплатформенном языке Python, используемом в ГИС Arclnfo.

Методы ДЗЗ и глобального позиционирования впервые относительно широко применялись в исследовании очага чумы. Для диссертации использованы такие аспекты применения этих методов как: многолетний мониторинг за состоянием нор большой песчанки; использование приборов глобального позиционирования для изучения передвижений носителей чумы; картографирование ареала большой песчанки и поиск поселений различного типа; использование методов ДЗЗ для отображения структуры поселений большой песчанки в качестве параметра компьютерной математической модели эпизоотического процесса при чуме; разработка концепции использования ДЗЗ в совершенствовании эпидемиологического надзора за чумой.

Это позволило перейти от абстрактного моделирования к прикладному, изучать структуру эпизоотии и ее зависимость от реальной структуры поселений больших песчанок. В результате впервые удалось смоделировать течение эпизоотического процесса при чуме на протяжении длительного периода (25 лет) с использованием в качестве параметра реального участка поселения этих грызунов. Моделирование позволило подтвердить ряд известных ранее параметров эпизоотии и определить некоторые недоступные при прямом наблюдении в природе количественные и качественные характеристики эпизоотического процесса при чуме. Продемонстрировано, что эпизоотический процесс при чуме может развиваться при весьма низком уровне эпизоотического контакта. Разнос «зараженных» агентов может происходить многократно из одной и той же норы, в которой достаточно «зараженных» блох [Руденчик, 1979; Солдаткин, Руденчик, 1988; Ващенок, 1999; Эйгелис и др., 1986]. Это значительно увеличивает количество «цепочек заболевания», которые являются одним из решающих критериев при проверке гипотезы трансмиссивного механизма энзоотии чумы. Многократный разнос особенно важен для функционирования эпизоотического процесса при минимальной плотности носителя, увеличивая шансы «заражения» следующей норы.

Выяснено, что эпизоотический процесс при чуме может развиваться как в небольших поселениях с редко расположенными норами (расстояние в масштабе модели 300 м) так и в компактных группах. Минимальное количество нор, в которых развивалась эпизоотия при заданных параметрах модели равно 25. Изучая пространственное распределение нор различного статуса на реальных эпизоотических участках и моделируя его изменения, удалось получить важный, ранее неизвестный параметр - уровень эпизоотического контакта в летний период (0,53). С помощью модели, возможно, восстановить предысторию развития исследуемого эпизоотического пятна, дифференцировать отдельные эпизоотические пятна в поселении, изучать их структуру, вести направленный поиск эпизоотий. Следующий важный параметр - площадь, доступная для функционирования эпизоотического процесса. Наблюдения за поведением эпизоотических пятен в модели показали, что при депрессии численности грызунов эпизоотия довольно часто представляет собой небольшое постоянно перемещающееся на места с незначительным повышением плотности нор а поселении, пятно. Чем больше площадь поселения, тем больше вероятность длительного существования такого пятна при минимальной средней плотности обитаемых нор. Например, при увеличении модельного поля в четыре раза, стабильное течение эпизоотического процесса удалось симулировать при плотности обитаемых нор 0,09-0,1 на 1 га в течение шести лет. Наблюдения в модели за поведением эпизоотических пятен во время глубокой депрессии численности, показали, что при упорядоченной структуре вероятность переноса микроба чумы от цепочки к цепочке (группе) нор, увеличивается, по сравнению с неупорядоченной структурой поселения. Циклическое кратковременное повышение интенсивности эпизоотического процесса способствует развитию эпизоотии при депрессии численности носителя.

Изучение на модели скорости распространения эпизоотии чумы показало, что ее регистрация на площадях, больших 900 кв. км. в течение года не может объясняться перемещением, а является одномоментной или последо-

вательной активизацией эпизоотического процесса на обследуемой территории.

Принципиальная схема совершенствования эпиднадзора с использованием комплекса ГИС, ДЗЗ и математического моделирования позволит повысить эффективность мониторинга за очагами чумы, а, следовательно, эпидемиологического надзора за этой инфекцией, на всех этапах: от планирования эпизоотологического обследования до планирования и проведения полевой профилактики и интенсифицирования поиска эпизоотий чумы. Появляется возможность оперативно оценить ареал и площадь, занимаемую основным носителем чумы на подведомственной противочумному учреждению территории. Упрощаются работы по картографированию и пространственному анализу закономерностей существования и передвижения эпизоотий чумы в аридной зоне, уточнению районов длительного сохранения возбудителя и путей его диссеминации.

Анализ разрешающей способности эпизоотологического обследования очагов чумы на примере Южного Прибалхашья и модельных расчетов, показал, что вероятность регистрации эпизоотического процесса при чуме низкой интенсивности может бьггь ничтожна (выражаться в сотых долях). Во время так называемого межэпизоотического периода трансмиссивная передача возбудителя чумы может продолжаться, по крайней мере, на площадях порядка первичного района. Сомнения в трансмиссивной теории возникают, по мнению автора, по следующим причинам: заниженная оценка наблюдателями численности носителей, даже в период депрессий; как показали приведенные в тексте диссертации примеры, обследуется меньшая часть территории очага с невысокой интенсивностью; завышенная оценка разрешающей способности эпизоотологического обследования и остроты возможных эпизоотий; завышенные оценки уровней численности носителей и переносчиков, необходимых и достаточных для передачи микроба чумы.

Выводы

1. Симулированная эпизоотия в пространственно-временной имитационной статистической модели по всем основным параметрам развивается подобно природным аналогам, результаты моделирования могут быть использованы для эпидемиологического надзора в очагах.

2. С использованием данных эпизоотологического обследования и моделирования, статистическими методами доказано, что интенсивность и экстенсивность принятого эпизоотологического обследования в Среднеазиатском пустынном природном очаге не позволяют достоверно определять отсутствие зараженных чумой животных или их эктопаразитах на обследуемой территории. Применение компьютерной модели интегрированной с данными ДЗЗ повышает эффективность поиска эпизоотических проявлений для контроля обстановки в очаге.

3. Использование имитационной компьютерной модели эпизоотического процесса в комплексе с данными ДЗЗ позволяет оперативно управлять эпизоотологическим обследованием, прогнозировать развитие эпизоотической ситуации и вести направленный поиск эпизоотий в режимах реального времени и реального пространства, определять оптимальные объемы и районы полевой профилактики чумы для максимально эффективной защиты населения, что является новым качественным уровнем заблаговременной профилактики чумы.

4. С помощью модели количественно продемонстрировано и статистически подтверждено, что структура и конфигурация поселения большой песчанки детерминируют развитие эпизоотического процесса при чуме. В упорядоченном (ленточном) поселении эпизоотия чумы может развиваться при плотности обитаемых колоний в шесть-семь раз меньшей, чем в неупорядоченном (диф-

фузном) поселении. Интенсивность эпизоотического процесса при чуме в два и более раза выше в упорядоченном, чем в неупорядоченном поселении.

5. При средней плотности обитаемых колоний даже незначительное (на 1) изменение уровня эпизоотического контакта может привести к сильному (в 2,3 раза) изменению эпизоотической ситуации.

6. Согласно данным моделирования, минимальная площадь поселения, на которой эпизоотический процесс может протекать в течение нескольких лет при низком уровне численности большой песчанки (0,1 обитаемая колония на 1 га), составляет 3600 га. В течение короткого промежутка времени, до Зх месяцев, эпизоотия может продолжаться даже в небольших группах нор (от 30 до 400) на локальных участках (9- 534 га).

7. В модельных экспериментах доказано, что эпизоотический процесс при чуме в поселениях большой песчанки может протекать непрерывно даже во время так называемых «межэпизоотических» периодов, в том числе и на фоне глубокой депрессии численности большой песчанки. При этом эпизоотический процесс такой низкой интенсивности практически невозможно обнаружить при стандартном эпизоотологическом обследовании.

8. Моделирование эпизоотии свидетельствует о возможности трех гипотез существования Yersinia pestis в межэпизоотический период: эпизоотический процесс может развиваться в виде цепочки острых спорадических случаев; возможно сохранение возбудителя чумы в группах обитаемых нор, с повышенной локальной плотностью, расположенных в стациях переживания; эпизоотия может перемещаться по территории вслед за несколько повышенной численностью носителей и переносчиков («кочующая» чума), причем в этом случае достаточно относительно кратко-

временного и незначительного превышения численности носителей и переносчиков над уровнем глубокой депрессии на небольшой (несколько десятков га) площади. 9. В большой серии экспериментов на модели показано, что в поселениях большой песчанки возможно поддержание непрерывного эпизоотического процесса с помощью классического трансмиссивного механизма передачи возбудителя чумы.

Список работ, опубликованных по теме диссертации

1. Айкимбаев А. М., Лухнова Л. Ю., Оспанов К. С., Бекенов Ж. Е., Пазы-лов Е. К., Темиралиева Г. А., Жумадилова 3. Б., Мека-Меченко Т. В., Дубянский В. М. Краткие сведения о стационарно неблагополучных по сибирской язве населенных пунктах в Республике Казахстан (справочник). Алматы. 2009.100 с.

2. Атлас распространенности бактериальных и вирусных зоонозных инфекций в Казахстане. Под редакцией проф. Л.А. Бурделова. От ФКУЗ «Ставропольский противочумный институт» Роспотребнадзора В. М. Дубянский. Алматы. 2010. 122с. (рус., каз., англ.)

3. Атлас распространения особо опасных инфекций в Республике Казахстан. Под редакцией д.б.н., проф. Л.А. Бурделова. От ФКУЗ «Ставропольский противочумный институт» Роспотребнадзора В. М. Дубянский, О. В. Семенко. Алматы, 2012.232 с. (рус., каз.)

4. Бурделов Л. А., Дубянский В. М-, Davis S., Addink Е. A., De Jong S. М., Агеев В. С., Leirs Н., Stenseth N. С., Begon М., Heier L., Мека-Меченко В. Г., Поле Д. С., Сапожников В. И., Алипбаев А. К. Перспективы использования дистанционного зондирования в эпиднадзоре за чумой // Карантинные и зоонозные инфекции в Казахстане. Алматы. 2007. № 1-2(15-16). С.11-17.

5. Бурделов Л. А., Мека-Меченко Т. В., Дубянский В. М., Лухнова Л. Ю., Жумадилова 3. Б., Кузнецов А. Н., Куница Т. Н., Оспанов Б. К., Садовская В. П., Мека-Меченко В. Г. ГИС-технологии и дистанционное зондирование в изучении природных очагов инфекционных болезней в Казахстане // в кн. Териофауна Казахстана и сопредельных территорий. Матер, международной научной конф. Алматы. 2009. С. 18 -22.

6. Бурделов Л. А., Дубянский В. М., Мека-Меченко В. Г., Семенко О. В., Садовская В. П. О причинах рецентного расширения ареала большой песчанки (Rhombomys opimus Licht.) в Казахстане / Зоологические и

охотоведческие исследования в Казахстане и сопредельных странах. Матер, международной научно-практ. конф. Алматы. 2012. С. 69-73.

7. Бурделов С. А., Дубянский В. М., Кочубей Н. Г. Зависимости вероятности выявления эпизоотии чумы от интенсивности обследования. // В кн. «Экологические аспекты эпизоотологии и эпидемиологии чумы и других особо опасных инфекций (Талдыкорган)». Матер, научн. конф. Алматы. 1996. С. 78-79.

8. Дубянский В. М. Изменение конфигурации поселений большой песчанки на Приэмбинской равнине // Эпидемиология, микробиология и иммунология бактериальных и вирусных инфекций. Тез. докл. обл. научн. конф. молодых ученых. - Ростов-на-Дону. - 1989. - С. 172-173.

9. Дубянский В. М. Интервальная оценка интенсивности чумного эпизоотического процесса // Карантинные и зоонозные инфекции в Казахстане. Алматы. 2008. № 1-2 (17-18). С. 52-57.

10. Дубянский В. М. К вопросу о методах математического моделирования и прогнозирования в экологии грызунов // 8е1еу1та. Алматы, 19961997. С. 199-202.

11. Дубянский В. М. О возможности сохранения чумного микроба в годы депрессии большой песчанки в Южном Прибалхашье // Актуальные проблемы предупреждения и ликвидации последствий чрезвычайных ситуаций в области санитарно-эпидемиологического благополучия населения государств - участников СНГ. Матер. X межгосуд. научно-практ. конф. Ставрополь. 2010. С. 52-53.

12. Дубянский В. М. Предварительная оценка минимума плотности обитаемых колоний большой песчанки, необходимого для развития чумного эпизоотического процесса в модели // в кн. Териофауна Казахстана и сопредельных территорий. Матер, международной научной конф. Алматы. 2009. С. 133-136.

13. Дубянский В. М. Романов В. И. Некоторые особенности многолетнего режима использования нор большими песчанками // Матер, межгос. конф. «Профилактика и меры борьбы с чумой». Алматы, 1994. С. 88-89

14. Дубянский В. М., Абдулина В. 3., Классовский Н. Л., Айкимбаев А. М., Поле С. Б., Темиралиева Г. А., Агеев В. С., Карпов А. А., Краснова 3. В. Опыт создания электронной базы эпизоотологических данных на основании первичной документации эпидотрядов // Карантинные и зоонозные инфекции в Казахстане. Алматы, 2001. В. 3. С. 299-301.

15. Дубянский В. М., Бурделов Л. А. Возможности дистанционного зондирования в мониторинге природных очагов чумы Центральной Азии // Седьмая всероссийская открытая ежегодная конференция «Современные проблемы дистанционного зондирования Земли из космоса». Москва, ИКИ РАН, 16-20 ноября 2009 г. Сборник тезисов конференции. Интернет: Ьйр:/М902лк1.г55}.ги/Фе5е5-сшД11е515.р1?1ё=1731

16. Дубянский В. М., Бурделов Л. А. Компьютерная модель чумного эпизоотического процесса в поселениях большой песчанки ШютЬотуэ оршшг: описание и проверка адекватности. Зоол. жури. 2010. Т. 89. Л» 1. С. 79-87.

17. Дубянский В. М., Бурделов Л. А. Опыт наблюдения за состоянием колоний большой песчанки (ЮютЬотуэ ортиБ) с использованием ДЗ в очагах чумы Республики Казахстан // Восьмая всероссийская открытая ежегодная конференция «Современные проблемы дистанционного зондирования Земли из космоса» Москва, ИКИ РАН, 15-19 ноября 2010 г. ЬНр:/^902лк1.г55!.ш/А1е5е5-с£1/Й1е5!5.р1?!с1=2061 по состоянию на 15.10.2010.

18. Дубянский В. М., Бурделов Л. А. Совершенствование эпиднадзора с использованием дистанционного зондирования, ГИС и моделирования // Биобезопасность и бактериальные/вирусные зоонозные инфекции. Первая ежегодная конференция ассоциации биобезопасности стран Центральной Азии и Кавказа. 18-20 мая 2009 г. С. 11.

19. Дубянский В. M., Бурделов Л. А., Поле С. Б., Мека-Меченко В. Г., Малахов Д. В. Об использовании дистанционного зондирования для мониторинга поселений грызунов - носителей зоонозных инфекций // Актуальные проблемы предупреждения и ликвидации последствий чрезвычайных ситуаций в области санитарно-эпидемиологического благополучия населения государств - участников СНГ. Матер. X межгосуд. научно-практ. конф. Ставрополь. 2010. С. 53-54.

20. Дубянский В. М., Дубянская Л. Д. К вопросу о степени синхронности в ходе численности большой песчанки (Rhombomys opimus Licht) в нескольких географических популяциях // Selevinia. 1994. № 3. С. 93-95.

21. Дубянский В. М., Казимиров А., Поле С. Б., Классовский Н. Л. Программа картографического обеспечения информации по природной очаговости «Automap» // Матер, научно-практ. конф., посвященной 100-летию противочумной службы в России, Саратов, 1997. С. 40.

22. Дубянский В. М., Поле С. Б., Бурделов Л. А., Классовская Е. В., Сапожников В. И. Зависимость выявления чумы на Баканасской равнине от полноты эпизоотологического обследования // Карантинные и зоо-нозные инфекции в Казахстане. Алматы. 2007. № 1-2 (15-16). С.62-66.

23. Дубянский В. М., Поле С. Б., Классовский Н. Л. Эколого-статистическая характеристика динамики весенней численности большой песчанки в географических популяциях Среднеазиатского природного очага чумы // Вестник КазНУ им. аль-Фараби. Серия экологическая. 2003. №2. С. 127-131.

24. Дубянский В. М., Бурделов Л. А., Мека-Меченко В. Г. Перспективы использования дистанционного зондирования в полевой профилактике чумы // Управление численностью грызунов-вредителей (Pest management) и проблемы сохранения биологического разнообразия. Материалы Российской научно-практической конференции с международным участием, 17-18 ноября 2009 г., Москва. Москва, ИПЭЭ РАН, 2009. С.19-21.

25. Дубянскнй В. М. Концепция использования ГИС-технологий и дистанционного зондирования в эпиднадзоре за чумой // Врач и информационные технологии. 2012. № 3. С. 42-46.

26. Дубянский В. М. Об использовании анализа спектра для распознавания колоний больших песчанок на космических снимках // Карантинные и зоонозные инфекции в Казахстане. Алматы. 2011. № 1-2 (23-24). С. 69-73.

27. Дубянский В. М. Оценка вероятности выявлений эпизоотий чумы при минимальном уровне интенсивности эпизоотического процесса, рассчитанном путем его моделирования // Проблемы особо опасных инфекций. 2011. № 2 (108). С. 19-21.

28. Дубянский В. М., Бурделов JI. А. ГИС в системе профилактики чумы в Республике Казахстан // ArcReview. № 4 (55). 2010. С. 8.

29. Дубянский В. М., Бурделов JI. А. О возможности математического моделирования чумного эпизоотического процесса в ГИС-пространстве // В кн. «Современные технологии в реализации глобальной стратегии борьбы с инфекционными болезнями на территории государств — участников Содружества Независимых Государств». Матер. IX междунар. научн.-практ. конф. государств СНГ. Волгоград. 2008. С. 195-197.

30. Дубянский В. М., Малецкая О. В. Методика оценки биологической опасности внутренних и внешних угроз в субъекте Российской Федерации // Проблемы особо опасных инфекций. Вып. 1 (111). Саратов. 2012. С. 39-42.

31.Дубянский В.М. Минимальное количество колоний большой песчанки {Rliombomys opimusliM., 1823, rodentia, cricetidae), необходимое для развития эпизоотий чумы в модели. // Проблемы особо опасных инфекций. Вып. 1 (111). Саратов. 2012. С. 39-42.

32. Дубянский В. М., Бурделов Л. А., Мезенцев В. М., Семенко О. В. Результаты пилотных исследований использования новых технологий в эпиднадзоре за особо опасными инфекциями // Современные техноло-

гии в совершенствовании мер предупреждения и ответных действий на чрезвычайные ситуации в области общественного здравоохранения санитарно-эпидемиологического характера: Матер. XI Межгосуд. науч-но-практ. конфер. (16-17 октября 2012 г., Саратов). - Саратов, 2012. -С. 80-81.

33.Дубянский В.М., Куличенко А.Н., Семенко О.В., Малецкая О.В., Мезенцев В.М. Совершенствование эпидемиологического надзора за инфекционными болезнями с использованием геоинформационных систем. // ЖМЭИ. 2014. Xsl. С. 85-91.

34. Классовская Е. В., Davis S., Leirs Н., Stenseth N. С., Begon М., Дубян-ский В. М., Бурделов Л. А., Агеев В. С., Сапожников В. И., Алипбаев А. К. Пороговая модель для прогнозирования эпизоотий чумы на одном из участков Южного Прибалхашья и ее проверка в 2004-2006 гг. // Карантинные и зоонозные инфекции в Казахстане. Алматы. 2007. № 1-2(15-16). С.18-29.

35. Мека-Меченко Т. В., Некрасова Л. Е., Садовская В. П., Дубянский В. М., Лухнова Л. Ю.,Бегимбаева Э. Ж., Пазылов Е. К., Мека-Меченко В. Г., Избанова У. А. Географическая информационная система (ГИС) в микробиологическом мониторинге чумы // Карантинные и зоонозные инфекции в Казахстане. Алматы. 2011. № 1-2 (23-24). С.120-126.

36. Попов Н. В., Безсмертнын В. Е., Матросов А. Н., Кузнецов А. А., Князева Т. В., Попов В. П., Вержуцкий Д. Б., Немченко Л. С., Шилова Л. Д., Дубянский В. М., Малецкая О. В., Топорков В. П., Топорков А. В., Адамов А. К., Кутырев В. В. Эпизоотическая активность природных очагов чумы Российской Федерации в 2011 г. и прогноз на 2012 г. // Проблемы особо опасных инфекций. В. 1(111). 2012. С. 5-10.

37. Попов Н. В., Безсмертнын В. Е., Топорков В. П., Кузнецов А. А., Матросов А. Н., Князева Т. В., Попов В. П., Вержуцкий Д. Б., Кор-зун В. М-, Чипанин Е. В., Дубянский В. М., Малецкая О. В., Гри-

горьев M. П., Балахонов С. В., Куличенко А. Н., Кутырев В. В. Эпизоотическая активность природных очагов чумы Российской Федерации в 2012 г. и прогноз на 2013 г. // Проблемы особо опасных инфекций. В. 1 (115). 2013. С. 5-10.

38. Addink Е.А., S.M. de Jong, S.A. Davis, V. Dubyanskiy & H. Leirs, 2009, Using very high resolution remote sensing to monitor and to combat outbreaks of bubonic plague in Kazakhstan. XIV Brazilian Remote Sensing Symposium, Natal RN, Brazil. April 25-30. Режим доступа: www.dsr.inpe.br 8 pp.

39. Addink E.A., S.M. de Jong, S.A. Davis, V. Dubyanskiy, L.A. Burdelov

6 H. Leirs. 2010. The use of high-resolution remote sensing for plague surveillance in Kazakhstan. Remote Sensing of Environment 114, Iss. 3. pp. 674-681.

40. Dubyanskiy V. M. Modelling plague spread in the different kind settlements of Great Gerbil (Rhombomys opimus Licht., 1823, Rodentia, Cricetidae) // Current issuaes of zoonotic diseases. International conference. 29 March 2010. Ulaanbaatar, 2010. Pp. 92-99.

41.Dubyanskiy V.M., Burdelov L.A. A computer model of plague epizootic process in the great gerbil (Rhombomys opimus) settlements: Description and test for adequacy. Biology Bulletin, Volume 37, Number

7 (2010), 733-740, DOI: 10.1134/S1062359010070095.

42. Vladimir Dubyanskiy, Leonid Burdelov and J. L. Barkley (2012). Introduction to the Computer Modeling of the Plague Epizootic Process, Automation, Dr. Florian Kongoli (Ed.), ISBN: 978-953-51-0685-2, InTech, DOI: 10.5772/48011. Режим доступа: http://www.intechopen.com/books/automation/introduction-to-the-computer-modeling-of-the-plague-epizootic-process

43. Kausrud, K. L., Viljugrein, H., Frigessi, A., Begon, M., Davis, S., Leirs, H., Dubyanskiy, V. & Stenseth, N. C. (2007) Climatically-driven synchrony of gerbil populations allows large-scale plague outbreaks. Pro-

ceedings of the Royal Society of London, Series B, vol. 274, pp 19631969.

44. Stenseth, Nils Chr., Samia, Noelle I., Viljugrein, Hildegunn, Kausrud, Kyrre Linné, Begon, Mike, Davis, Stephen, Leirs, Herwig, Dubyanskiy, V. M., Esper, Jan, Ageyev, Vladimir S., Klassovskiy, Nikolay L., Pole, Sergey В., Chan, Kung-Sik. Plague dynamics are driven by climate variation. Proc Natl Acad Sci U S A 2006 August 29; 103(35): 1311013115. Published online 2006 August 21. doi: 10.1073/pnas.0602447103.

45. Wilschut L. I., E. A. Addink, S. M. de Jong, S. A. Davis, A. Laudisoit, L. A. Burdelov, V. Dubyanskiy, V. S. Ageyev, V. G. Meka-Mechenko, M. Begon, 2012, Classification using objects from high and low resolution images. An example of burrow system and rodent habitat mapping in Kazakhstan // Proceedings of the 4th GEOBIA, May 7-9, 2012. - Rio de Janeiro, Brazil. - P. 469-473 (режим nocTvna:www.inpe.br/geobia2012).

46.Wilschut, L. I., Addink, E. A., Heesterbeek, J. A. P., Dubyanskiy, V. M., Davis, S. A., Laudisoit, A., M.Begon, Burdelov, L. A., Atshabar, В. B. and de Jong, S. M. 2013a. Mapping the distribution of the main host for plague in a complex landscape in Kazakhstan: An object-based approach using SPOT-5 XS, Landsat 7 ETM+, SRTM and multiple Random Forests. - International Journal of Applied Earth Observation and Geoinformation 23: 81-94.

47.Wilschut L. I., E. A. Addink, Heesterbeek J. A P., Heier L., Laudisoit A., Begon M., Davis S., Dubyanskiy V. M., Burdelov L. A., de Jong S. M. Potential corridors and barriers for plague spread in central Asia. // International Journal of Health Geographies 10/2013; 12(1):49. D01:10.1186/1476-072X-12-49.

ДУБЯНСКИЙ ВЛАДИМИР МАРКОВИЧ

Компьютерное моделирование эпизоотической ситуации с применением дистанционного зондирования Земли в системе эпидемиологического надзора за чумой (на примере Среднеазиатского природного очага) 14.02.02-эпидемиология

АВТОРЕФЕРАТ диссертация на соискание ученой степени доктора биологических наук

Подписано в печать Об. 03. 15. Формат 60x841/16. Гарншура Times New Roman Cyr. Бумага офсетная. Печать офсетная. Уч. Изд. 3.12.Усл. печ. 2,79 Тираж 100 экз. Заказ 18.

Отпечатано в ООО кЛитера» 355000 г. Ставрополь, пр. Карла Маркса.60. тел.: (89624) 43-44-66