Sekarang dan Masa Depan Demam

Artikel

Berdarah di Nepal: Pemetaan Kesesuaian Iklim

dengan Model Niche Ekologis

Bipin Kumar Acharya 1,2 ID , Chunxiang Cao 1,*, Min Xu 1, Laxman Khanal 2,3,4 ID ,
Shahid Naeem 1,2 ID dan Shreejana Pandit 5

1 Laboratorium Kunci Negara Ilmu Penginderaan Jauh, Institut Penginderaan Jauh danDigital
Bumi, Akademi Ilmu Pengetahuan Cina, Beijing 100094, Cina; bipin@radi.ac.cn (BKA);
xumin@radi.ac.cn (MX); shahid.613@gmail.com (SN) 2 Universitas Akademi Ilmu Pengetahuan

Cina, Beijing 100049, Cina; laxman@mail.kiz.ac.cn 3 Institut Zoologi Kunming, Akademi Ilmu

Pengetahuan Cina, Kunming 650223, Cina 4 Departemen Zoologi Pusat, Institut Sains dan

Teknologi, Universitas Tribhuvan,

Kathmandu 44613, Nepal 5 Kanti Children's Hospital Maharajgunj, Kathmandu 44616, Nepal;

shreejanapandit@hotmail.com * Korespondensi: caocx@radi.ac.cn; Tel .: + 86-10-6480-6228

Diterima: 15 November 2017; Diterima: 17 Januari 2018; Diterbitkan: 23 Januari 2018

Abstrak: Jumlah kasus demam berdarah dan wabah di Nepal telah meningkat secara signifikan dalam
beberapa tahun terakhir. Ekspansi lebih lanjut dan perubahan rentang diperkirakan di masa depan karena
perubahan iklim global dan faktor terkait lainnya. Namun, karena penelitian spasial-eksplisit yang terbatas di
Nepal, ada pemahaman yang buruk tentang pola distribusi spasial saat ini dari daerah risiko demam
berdarah dan potensi rentang pergeseran karena perubahan iklim di masa depan. Dalam konteks ini,
sangat penting untuk menilai dan memetakan area risiko demam berdarah di Nepal. Di sini, kami
menggunakan kasus dengue yang dilaporkan dan satu set variabel bioklimatik pada pendekatan pemodelan
relung ekologis MaxEnt untuk memodelkan ceruk iklim dan memetakan daerah yang sekarang dan yang
akan datang (2050-an dan 2070-an) yang sesuai dengan iklim di bawah jalur konsentrasi yang representatif
berbeda (RCP2.6, RCP6. 0 dan RCP8.5). Perkiraan berbasis simulasi menunjukkan bahwa daerah-daerah
yang cocok secara iklim untuk demam berdarah saat ini didistribusikan di seluruh dataran rendah Tarai dari
timur ke barat dan di lembah-lembah sungai pada ketinggian yang lebih rendah. Di bawah skenario
perubahan iklim yang berbeda, area-area ini akan sedikit bergeser ke arah ketinggian yang lebih tinggi
dengan besaran dan pola spasial yang bervariasi. Populasi yang terpapar pada daerah-daerah yang cocok
secara iklim untuk demam berdarah di Nepal diperkirakan akan semakin meningkat pada tahun 2050-an
dan 2070-an pada semua skenario emisi yang diasumsikan. Temuan ini dapat menjadi instrumen untuk
merencanakan dan melaksanakan intervensi strategis untuk mengendalikan demam berdarah di Nepal.

Kata kunci: pemetaan dengue; perubahan iklim; Nepal; MaxEnt

1. Pendahuluan

Demam berdarah adalah penyakit virus yang ditularkan oleh nyamuk yang ditularkan oleh nyamuk Aedes
 betina, terutama Aedes aegypti. Dalam beberapa tahun terakhir, demam berdarah telah menjadi masalah
kesehatan masyarakat yang serius di negara tropis dan subtropis di seluruh dunia. Diperkirakan sekitar 390
juta infeksi terjadi setiap tahun dan sekitar 3,9 miliar orang berada di bawah risiko langsung penyakit ini [1].
Beban penyakit telah meningkat 30 kali lipat selama 50 tahun terakhir [2] dan jumlah negara endemik dengue
meningkat dari 9-125 dalam 40 tahun terakhir [3]. Perluasan geografis lebih lanjut dari penyakit ini
diharapkan di masa depan karena perubahan iklim, urbanisasi, dan migrasi [4].
Dengue adalah penyakit yang peka terhadap iklim. Suhu dan curah hujan adalah faktor iklim terpenting
dalam terjadinya dan penularan demam berdarah [5]. Faktor-faktor iklim ini mempengaruhi

Int. J. Environ. Res. Kesehatan Masyarakat 2018, 15, 187; doi: 10.3390 / ijerph15020187 www.mdpi.com/journal/ijerph
Jurnal Internasional Penelitian

Lingkungan dan

Kesehatan Masyarakat
Int. J. Environ. Res. Kesehatan Masyarakat 2018, 15, 187 2 dari 15

populasi nyamuk (kelangsungan hidup dan perkembangan), perbanyakan virus (replikasi) dan interaksi
vektor-inang (laju menggigit) [6]. Peningkatan suhu mengubah kapasitas vektor dengan mengurangi durasi
laju perkembangan nyamuk, kompetensi vektor, dan periode inkubasi ekstrinsik [7-9]. Suhu dan tingkat curah
hujan yang tepat penting untuk menyediakan lingkungan yang diperlukan untuk pengembangan vektor
nyamuk, tetapi ekstrem termal dan curah hujan deras berhubungan negatif dengan penyakit ini [10]. Oleh
karena itu, distribusi geografis global dari demam berdarah telah ditentukan oleh garis lintang sebagai proksi
terhadap suhu, sedangkan, pada skala lokal, distribusinya telah dibatasi oleh ketinggian sebagai proksi untuk
variasi termal [11].
Masalah perubahan iklim tetap menjadi salah satu titik fokus kontroversial dalam beberapa dekade
terakhir. Baru-baru ini, para ilmuwan sebagian besar sepakat untuk menghubungkan pemanasan global
dengan peningkatan konsentrasi gas rumah kaca di atmosfer. Menurut laporan Panel Internasional tentang
Perubahan Iklim (IPCC) baru-baru ini, suhu global rata-rata telah meningkat sebesar 0,85 ◦C dari 1880-2012
dan kemungkinan akan meningkat lebih lanjut dengan minimum 0,3-1,7 ◦C (jalur konsentrasi konsentrasi
(RCP) 2.6) dan maksimum 2.6 hingga 4.8 ◦C (RCP8.5) pada akhir abad ini relatif terhadap suhu 1986–2005
[12]. Karena hubungan yang erat dengan faktor-faktor iklim, banyak ahli berhipotesis bahwa kejadian demam
berdarah akan meningkat di masa depan dengan memperluas jangkauan geografis[13-17].Peningkatan suhu
global dapat menyebabkan pergeseran latitudinal dan altitudinal dalam relung ekologis penyakit menular
yang ditularkan melalui vektor [14]. Peningkatan dalam pemahaman kami tentang bagaimana perubahan
iklim dapat berkontribusi pada ekspansi geografis nyamuk dan penyakit ke daerah baru sangat penting untuk
mendukung otoritas kesehatan masyarakat untuk pengawasan yang efektif dan strategi pengendalian.
Beberapa upaya telah dilakukan sebelumnya untuk memetakan distribusi demam berdarah diglobal [1],
regional [18skala], nasional, dan sub-nasional [19]. Sistem Sistem Informasi Geografis (SIG) dan Remote
Sensing (RS) dan baru-baru ini, pendekatan pemodelan distribusi spesies berdasarkan relung (SDM)
ekologis telah membuat terobosan luar biasa dalam bidang ini, terutama dalam ketersediaan data
geospasial, kapasitas komputasi dan kekuatan visualisasi. SDM menawarkan beberapa keunggulan
dibandingkan teknik pemetaan tradisional (data didorong pemetaan choropleth deskriptif dan metode
interpolasi spasial analitis) [20]. Berbeda dengan teknik pemetaan tradisional, SDM dapat menghasilkan peta
yang lebih akurat dan kuat bahkan dengan dataset yang tidak lengkap dan berisik [19,20]. Ini adalah
keuntungan paling penting dari SDM dalam pemetaan penyakit karena pengumpulan data penyakit sulit
karena pelaporan yang kurang, kesalahan diagnosis dan masalah etika identitas pribadi. SDM menjalin
hubungan antara lokasi penyakit yang diketahui dengan kovariat lingkungan yang potensial, kemudian
memprediksi penyebarannya dalam ruang dan waktu. Dengan menggunakan metode ini, beberapa penelitian
sebelumnya [1,19,21] dapat memperluas pemahaman kita tidak hanya pada distribusi demam berdarah saat
ini tetapi juga pada kemungkinan dampak perubahan iklim di masa depan [21]. Studi tersebut berhasil
mengidentifikasi faktor risiko yang terkait dengannya. MaxEnt, Boosted Regression Tree (BRT), Random
Forest adalah beberapa algoritma pembelajaran SDM mesin yang banyak digunakan. Antara lain, MaxEnt,
yang membutuhkan data keberadaan-saja (bukan ada / tidaknya) banyak digunakan di antara metode
pemetaan karena kinerja prediksi yang kuat dibandingkan dengan metode kontemporer lainnya [22].
Kasus demam berdarah telah dilaporkan setiap tahun dari dataran rendah selatan Tarai di Nepal sejak
kemunculannya pada tahun 2004. Pada tahun 2010 dan 2013, Nepal mengalami dua wabah besar dengan
917 kasus yang dikonfirmasi dan lima kematian, dan masing-masing 642 kasus yang dikonfirmasi [23].
Statistik ini diyakini tidak dilaporkan dan prevalensi demam berdarah dianggap jauh lebih tinggi [24]. Dataran
rendah Tarai khususnya distrik Chitwan dan Jhapa adalah kabupaten yang paling parah terkena dampak
wabah tersebut. Baru-baru ini penyakit ini telah dilaporkan dari bukit pertengahan yang lebih tinggi. Nepal
adalah salah satu negara yang rentan dari perspektif perubahan iklim global. Wilayah ini telah mengalami
pemanasan sebesar 1,5 ◦C dalam 25 tahun terakhir dengan tingkat yang jauh lebih tinggi dibandingkan
dengan rata-rata global dan diperkirakan akan lebih hangat dan lebih basah di masa depan karena
perubahan iklim [25]. Dalam konteks ini, demam berdarah cenderung bergeser ke ketinggian yang lebih
tinggi [26] sebagai respons terhadap perubahan iklim tersebut. Penelitian baru-baru ini mendokumentasikan
keberadaan A. aegypti hingga 2000 m di atas permukaan laut (dpl) [27] dan semua serotipe virus dengue
beredar di antara inang, vektor dan lingkungan di negara tersebut [28,29]. Masalah demam berdarah dapat
diantisipasi menjadi jauh lebih buruk di
Int. J. Environ. Res. Kesehatan Masyarakat 2018, 15, 187 3 dari 15

masa depan. Namun, penilaian risiko spasial berbasis iklim masih kurang di Nepal, baik untuk saat ini dan
untuk masa depan. Untuk mendukung strategi pengawasan dan pengendalian demam berdarah, sangat
penting untuk memiliki penilaian pemetaan seperti itu. Untuk mengatasi kekurangan ini, kami memetakan
daerah-daerah yang cocok secara iklim saat ini dan masa depan dari demam berdarah di Nepal berdasarkan
laporan kasus-kasus demam berdarah yang dikumpulkan dari berbagai sumber dan seperangkat variabel
bioklimatik menggunakan model niche ekologis. Berdasarkan model, kami memperkirakan proporsi orang /
daerah yang berisiko terkena penyakit.

2. Bahan dan Metode

2.1. Study Area

Nepal adalah sekitar terletak antara lintang 26◦ sampai 30◦ Utara dan longditude dari 80◦ ke 88◦ Timur di
lereng selatan pegunungan Himalaya pusat (Gambar 1).Total wilayah negara adalah 147.181 km2. Ada
perbedaan ketinggian yang luar biasa mulai dari 60 m di atas permukaan laut (dpl) di dataran rendah selatan
hingga 8848 m dpl di Himalaya di utara. Berdasarkan gradien ketinggian, Nepal dibagi menjadi Tarai, Chure,
Mahabharat dan Himalaya sebagai zona fisiografi yang luas dari selatan ke utara. Iklim Nepal adalah monsun
subtropis yang luas yang ditandai oleh variasi musiman yang besar dalam suhu, curah hujan, dan
kelembaban. Pada skala lokal, gradien ketinggian utara-selatan mengontrol iklim Nepal. Bagian selatan
panas sepanjang tahun, sedangkan gunung-gunung tinggi di utara tetap beku sepanjang tahun. Nepal
menerima curah hujan tahunan rata-rata 1600 mm, 80% di antaranya terjadi selama empat bulan basah
(Juni-September) dari periode musim hujan setelah musim panas. Musim dingin di Nepal relatif dingin dan
kering dan hanya menerima sekitar 20% dari curah hujan tahunan dari arah barat. Distribusi spasial curah
hujan juga bervariasi karena variasi topografi yang tajam. Sisi angin selatan menerima lebih banyak curah
hujan dibandingkan dengan sisi angin bawah utara [30].
 Gambar 1. Wilayah studi yang menunjukkan gradien ketinggian dan lokasi kasus demam berdarah yang
dilaporkan di Nepal.

2.2. Data Demam

Berdarah

Lokasi keberadaan subjek penelitian adalah dataset penting pertama untuk pemodelan relung ekologi. Di
bidang ekologi penyakit, beberapa penelitian menggunakan data entomologis, yaitu lokasi keberadaan
vektor; sedangkan, penelitian lain menggunakan dataset epidemiologi, yaitu, lokasi keberadaan kasus
penyakit yang dilaporkan. Data epidemiologis dianggap lebih representatif dari kesesuaian aktual mengingat
keterkaitan yang melekat pada individu yang terinfeksi [19,31,32]. Oleh karena itu, kami menggunakan
dataset epidemiologi dalam penelitian ini. Kami mengumpulkan data demam berdarah terutama dari tiga
sumber berbeda, karena,
Int. J. Environ. Res. Kesehatan Masyarakat 2018, 15, 187 4 dari 15

cakupan lengkap data demam berdarah tidak tersedia dari satu sumber seperti catatan pemerintah. Sebagian
besar dari mereka diambil dari file daftar baris; buku catatan alamat pasien di Divisi Epidemiologi dan
Pengendalian Penyakit (EDCD), Departemen Layanan Kesehatan, Pemerintah Nepal. Demikian pula, kami
juga mengumpulkan lokasi kehadiran demam berdarah dari portal surat kabar nasional. Sumber ketiga data
demam berdarah adalah peta kesehatan geoportal (http://www.healthmap.org/en/). Semua sumber data
dikonfirmasi kasus demam berdarah yang dilaporkan kepada otoritas berdasarkan tes laboratorium. Data
demam berdarah dari dua sumber pertama adalah data tingkat alamat tanpa lampiran geolokasi, jadi, kami
melakukan geocode menggunakan Google API (Application Programming Interfaces) di R (Catatan
Tambahan S1). Akhirnya, 178 lokasi geolokasi dengue disaring berdasarkan kisi satu kilometer persegi dan
duplikasi dihapus, mempertahankan 124 lokasi keberadaan dengue (Tabel S1) untuk pemodelan niche
ekologis (ENM).

2.3. Variabel Prediktor

Kami mengambil 19 variabel bioklimatik (versi 1.4) dalam resolusi spasial 30 arc kedua (Tabel 1) dari
database iklim global WorldClim (http://www.worldclim.org) [33] untuk mewakili kondisi bioklimatik saat ini.
Dataset ini dihasilkan oleh interpolasi menggunakan spline smoothing plate dari iklim yang diamati dari
stasiun cuaca di seluruh dunia untuk periode 1950-2000, dengan lintang, bujur dan ketinggian sebagai
variabel independen [33]. Data ini adalah variabel yang bermakna secara biologis yang menangkap rentang
tahunan, musim, dan faktor pembatas yang berguna untuk pemodelan niche (seperti suhu bulanan dan
triwulanan dan curah hujan ekstrem) [33]. Ketinggian tidak secara eksplisit digunakan dalam konstruksi
model karena telah digunakan sebagai kovariat dalam produksi data Worldclim [34].

Tabel 1. Variabel prediktor yang digunakan dalam pembangunan model niche.

Singkatan Deskripsi

Bio1 Suhu Rata-Rata Tahunan Bio2 Rentang Diurnal Rata-rata (Rata-rata bulanan
(suhu maksimum-menit temp)) Bio3 Isotermal (P2 / P7) (×100) Bio4 Suhu Musiman
(standar deviasi × 100) Bio5 Max Suhu Bulan Terang Bio6 Min Suhu Bulan Terdingin
Bio7 Suhu Rentang Tahunan (P5-P6) Bio8 Rata-rata Suhu Kuartal Terbasah Bio9
Rata-rata Suhu Kuartal Paling Tergerak Bio10 Rata-rata Suhu Kuartal Terpanas Bio11
Rata-rata Suhu Kuartal Terdingin Bio12 Curah Hujan Tahunan Bio13 Curah Hujan
Bulan Terbasah Bio14 Curah Hujan Bulan Terkencang Bio15 Curah Hujan Musiman
(Koefisien Variasi) Bio16 Curah Hujan Triwulan Terbasah Bio17 Curah Hujan Triwulan
Paling Drive Bio18 Curah Hujan Triwulan Terpanas Bio19 Curah Hujan Triwulan
terdingin
 Untuk memperkirakan dampak kondisi iklim masa depan yang masuk akal [12], kami memilih Model
Sistem Iklim Komunitas (CCSM) ) mewakili tiga lintasan konsentrasi gas rumah kaca di masa depan , juga
dikenal sebagai jalur konsentrasi representatif (RCP2.6, RCP6.0 dan RCP8.5), untuk dua periode waktu yang
berbeda (2050-an dan 2070-an) sebagaimana diadopsi oleh Panel Internasional tentang Perubahan Iklim
(IPCC) dalam Laporan Penilaian kelima (AR5) ). RCP terpilih mewakili empat kemungkinan skenario emisi
gas rumah kaca mulai dari rendah (RCP2.6) hingga tinggi (RCP8.5) yang berkaitan dengan peningkatan nilai
pemaksaan radiatif global pada tahun 2100 relatif terhadap nilai pra-industri (2,6, 4,5, 6,0 dan 8,5 w). / m2),
masing-masing. Data proyeksi iklim di masa depan juga diunduh dari Worldclim geoportal
(http://www.worldclim.org/).
Int. J. Environ. Res. Kesehatan Masyarakat 2018, 15, 187 5 dari 15

2.4. Pemodelan dan Validasi

Kami menggunakan pendekatan pemodelan Maximum entropy (MaxEnt) [35] menggunakan perangkat
lunak MaxEnt mandiri. MaxEnt adalah program pembelajaran mesin yang menggunakan data hanya
kehadiran untuk memprediksi distribusi berdasarkan prinsip entropi maksimum. Prinsip dasar model MaxEnt
adalah memperkirakan distribusi potensial suatu spesies dengan menentukan distribusi entropi maksimum
(yaitu, yang paling dekat dengan seragam), dengan kendala yang ditimbulkan oleh distribusi spasial yang
diamati dari spesies dan kondisi lingkungan [35] .
Kami menggunakan 124 lokasi keberadaan dengue dan satu set lapisan raster bioklimatik sebagai input
untuk menjalankan model. Karena data bioklimatik dalam Worldclim diturunkan dari serangkaian suhu dan
curah hujan yang sama, variabel-variabel tersebut dapat menunjukkan multikolinieritas [33]. Kontribusi relatif
dari masing-masing variabel prediktif, yang biasanya ditafsirkan menggunakan tabel kontribusi variabel dan
uji jackknife, dipengaruhi oleh korelasi yang tinggi di antara variabel prediktor [19]. Akibatnya, variabel kausal
yang lebih ekologis dapat dikeluarkan dari model jika variabel berkorelasi lainnya menjelaskan variasi dalam
variabel respons lebih baik dalam hal statistik [36]. Oleh karena itu kami menghitung koefisien korelasi
Pearson untuk menghilangkan variabel yang sangat berkorelasi menggunakan nilai ambang korelasi> | 0,7 |
(Tabel S2). Lebih lanjut, kami menilai kontribusi statistik masing-masing variabel dengan menghitung model
univariat dan mengamati area di bawah kurva (AUC) dari statistik karakteristik operasi penerima (ROC)
(Gambar S1). Kami juga mempertimbangkan kepentingan biologis variabel dalam pendekatan pemilihan
variabel. Secara keseluruhan, pendekatan pemilihan variabel kami mirip dengan Ren et al. [37] dan TuanMu
et al. [38]. Akhirnya, kami memilih tiga variabel: suhu rata-rata kuartal terbasah (bio8), suhu rata-rata kuartal
terdingin (bio11) dan musim hujan (bio15) untuk menjalankan model akhir. Untuk studi tingkat nasional, tiga
hingga empat variabel bioklimatik ditemukan menjadi yang terbaik dalam menggambarkan ceruk ekologis
demam berdarah [19]. Akhirnya, tiga variabel terpilih dikonversi ke format ASCI (American Standard Code for
Information Interchange) dan digunakan sebagai variabel prediktor untuk mengembangkan model MaxEnt
akhir. Untuk mensimulasikan area yang sesuai dengan iklim di bawah kondisi iklim yang memungkinkan di
masa depan, variabel yang sama (bio8, bio11, dan bio15) ditetapkan sebagai input dalam direktori lapisan
proyeksi.
Untuk mengevaluasi kinerja model, kami membagi data secara acak ke dalam pelatihan (75%) dan set
data validasi (25%). Kemudian, kami menggunakan ambang batas AUC independen untuk memperkirakan
kinerja model. AUC mengukur kinerja prediktif model dengan membandingkan kemampuan prediksi model
dengan prediksi acak. Nilai AUC berkisar dari 0 hingga 1 di mana 0,5 menunjukkan prediksi acak dan nilai
yang lebih tinggi sesuai dengan model yang lebih baik [35]. Untuk memperhitungkan ketidakpastian yang
ditimbulkan oleh pelatihan dan pemisahan set validasi, 30 model diproduksi oleh 30 run ulangan
menggunakan pendekatan validasi silang [37]. Deviasi maksimum, minimum dan standar dari replikasi
digunakan untuk mengevaluasi kemungkinan bias yang dihasilkan karena pemisahan data yang sewenang-
wenang. Semua data digunakan untuk membuat prediksi akhir. Hubungan fungsional nonlinier antara
demam berdarah dan faktor iklim dievaluasi melalui pemeriksaan kurva respons. Kurva respons
menunjukkan bagaimana sumbu y (respons sebagai indeks relatif kejadian) berhubungan dengan perubahan
di sepanjang sumbu x (satu prediktor tunggal ketika semua yang lain dipertahankan konstan dan dikoreksi
untuk). Kepentingan relatif dari masing-masing variabel lingkungan dalam model dievaluasi dengan uji
Jackknife dan tabel kontribusi variabel. Output logistik digunakan dalam MaxEnt, yang menghasilkan peta
berkelanjutan dengan perkiraan probabilitas kehadiran antara 0 dan 1.
Akhirnya, peta kesesuaian iklim diproduksi dengan nilai mulai dari 0 (benar-benar tidak cocok) hingga 1
(kondisi yang paling menguntungkan) yang direklasifikasi menjadi tidak sesuai (<0,297), cukup cocok (0,297-
0,45) dan sangat cocok (> 0,45) berdasarkan ambang kehadiran persentil ke 10 (0,297) [39] dan area
kehadiran pelatihan minimum (0,45) selama 30 iterasi model. Kami melakukan ini untuk kondisi iklim saat ini
dan di masa depan dalam berbagai skenario emisi dan periode waktu yang berbeda. Untuk mengevaluasi
potensi pergeseran altitudinal dari ceruk iklim, kami overlay peta kesesuaian iklim saat ini dan di masa
mendatang dengan model elevasi digital Shuttle Radar Topographic Mission (SRTM) (DEM)
(http://www.cgiar-csi.org/data) / srtm-90m-digital-elevation-database-v4-1) dan mengekstraksi
Int. J. Environ. Res. Kesehatan Masyarakat 2018, 15, 187 6 dari 15

nilai ketinggian masing-masing piksel yang sesuai iklim. Kemudian, kami merencanakan nilai-nilai ini dan
menghitung nilai tengah, maksimum, dan minimum untuk memahami batas ketinggian ceruk iklim demam
berdarah. Dengan ini, kami menilai distribusi pixel yang cocok untuk iklim dengue sepanjang gradien
ketinggian termasuk batas altitudinal atas dan bawah. Kami menggunakan dataset populasi berbasis grid
yang tersedia pada resolusi satu kilometer piksel untuk tahun 2010 yang dikumpulkan di worldpop geoportal
(http://www.worldpop.org.uk/) untuk memperkirakan populasi manusia yang terpapar saat ini di ceruk iklim
dengue. Potensi paparan populasi manusia di masa depan terhadap demam berdarah untuk tahun 2050-an
dan 2070-an diperkirakan dengan interpolasi linear berdasarkan tingkat pertumbuhan populasi tahunan
sensus nasional 2011 [40] Nepal.

3. Hasil

Model MaxEnt yang dikembangkan dalam penelitian ini menunjukkan kinerja yang baik dengan AUC
pelatihan rata-rata 0,8815 ± 0,0419 dan uji rerata AUC sebesar 0,8815 ± 0,057 dari validasi silang 30 kali
lipat yang menunjukkan prediksi kuat distribusi daerah dengue yang sesuai dengan variabel yang dipilih.
(Gambar 2). Kontribusi relatif dari masing-masing variabel lingkungan ke model MaxEnt ditunjukkan pada
Gambar 3. Bio8 menyumbang 61,16% dari kontribusi relatif terhadap model, diikuti oleh bio11 (29,26%) dan
bio15 (9,56%). Uji Jackknife model MaxEnt dari variabel penting menunjukkan bahwa bio8 (suhu rata-rata
kuartal terbasah) adalah variabel dengan gain tertinggi ketika digunakan dalam isolasi. Ini menunjukkan
kontribusi kuat bio8 terhadap pengembangan model yang memiliki informasi paling berguna di antara
variabel-variabel. Lebih lanjut, penghilangan bio8 menurunkan gain model. Hasil seperti itu menunjukkan
bahwa ia memegang informasi terbanyak untuk distribusi demam berdarah di antara variabel yang digunakan
untuk pengembangan model (Gambar 2).
Gambar 2. Area rata-rata di bawah kurva (AUC) selama 30 ulangan MaxEnt dijalankan. Garis merah adalah nilai
rata-rata dan bilah biru mewakili plus dan minus satu standar deviasi.

Gambar 3. Variabel kepentingan dengan uji Jackknife. Bilah biru, aqua dan merah mewakili hasil model yang
dibuat dengan masing-masing individu, semua variabel yang tersisa dan semua variabel masing-masing.
Int. J. Environ. Res. Kesehatan Masyarakat 2018, 15, 187 7 dari 15

Menurut plot kurva respons (Gambar S2), bio8 dalam kisaran 25–28 ◦C, bio11 antara 13,5–16,5 ◦C dan
bio15 antara 105–135 ◦C ideal untuk tentukan area yang cukup cocok untuk demam berdarah. Demikian
pula, untuk menjadi ceruk iklim sangat cocok, kisaran kritis variabel-variabel ini harus dalam kisaran 28-30
◦
C, 16,5-17,5 ◦C dan 135-145 ◦C, masing-masing.
Gambar 4 menunjukkan distribusi spasial wilayah yang saat ini cocok untuk demam berdarah di Nepal.
Ini didistribusikan ke seluruh dataran rendah selatan Tarai; dari timur ke barat dan juga di beberapa lembah
sungai yang kurang tinggi di daerah Bukit dan Gunung. Distribusi daerah yang cocok adalah kontinu dari
timur ke barat kecuali di pertengahan barat di sekitar kabupaten Dang (lihat Gambar 4). Chure, yang terletak
tepat di utara Tarai dataran rendah, berperilaku sebagai batas utara demam berdarah dengan pengecualian
lembah sungai rendah di wilayah perbukitan. Menurut model kami, sekitar seperempat (24,43%) wilayah
negara saat ini secara iklim cocok untuk demam berdarah (9,33% cukup cocok, dan 15,09% sangat cocok).
Daerah yang cukup cocok umumnya diamati di margin utara daerah yang sangat cocok, namun, mereka
bercampur di banyak bagian Tarai barat. Daerah yang cocok secara iklim diamati menurun dengan
meningkatnya ketinggian dari selatan ke utara (Gambar S3). Konsentrasi tertinggi piksel area yang sesuai
secara iklim diamati dalam kurang dari 300 m dpl dan terendah dalam 800-900 m dpl.
 Gambar 4. Distribusi spasial saat ini daerah yang cocok untuk demam berdarah di Nepal diperoleh dari
pendekatan pemodelan MaxEnt.

Perkiraan wilayah distribusi yang diprediksi diberikan pada Gambar 5 dan untuk tahun 2050 dan 2070
dalam berbagai skenario emisi disajikan pada Gambar 6. Daerah yang secara iklim cocok untuk demam
berdarah akan meningkat pada tahun 2050-an dan 2070-an di bawah keempat RCP, namun besarnya
peningkatan akan bervariasi berdasarkan pada skenario waktu dan emisi. Total area yang cocok secara iklim
akan meningkat dengan jumlah yang lebih besar di bawah skenario emisi yang sangat tinggi (RCP8.5)
dibandingkan dengan stabilisasi sedang (RCP6.0) dan skenario emisi mitigasi (RCP2.6). Proporsi area yang
cukup cocok akan meningkat, dan area yang sangat cocok tetap konstan pada tahun 2050 di bawah
RCP2.6. Namun, proporsi area yang sangat cocok akan meningkat, dan area yang cukup sesuai tetap
konstan pada tahun 2070. Tetapi, dalam dua skenario emisi lainnya, proporsi area yang sangat cocok akan
meningkat sementara proporsi area yang cukup cocok tetap hampir konstan.

Gambar 5. Distribusi wilayah yang diprediksi di Nepal secara iklim cocok untuk demam berdarah saat ini dan
di masa depan. Bilah hijau, kuning dan merah masing-masing mewakili daerah yang tidak cocok, cukup cocok,
dan sangat cocok.

Distribusi spasial dari area yang cocok secara iklim di sepanjang gradien ketinggian (Tabel 2) akan
diubah di bawah semua skenario emisi perubahan iklim di masa depan dibandingkan dengan distribusi saat
ini (Gambar 6).

Tabel 2. Distribusi wilayah iklim yang cocok di sepanjang gradien ketinggian.

Lintasan Iklim Tahun Min (m dpl) Berarti (m dpl) Maks (m dpl)

Saat Ini 61 239 894 RCP2.6 2050 61 338 1060 RCP2.6 2070 61 324 1167 RCP6.0
2050 61 390 1183 RCP6.0 2070 61 411 1297 RCP8.5 2050 61 398 1249 RCP8.5
2070 61 464 1388
Int. J. Environ. Res. Kesehatan Masyarakat 2018, 15, 187 8 dari 15
Int. J. Environ. Res. Kesehatan Masyarakat 2018, 15, 187 9 dari 15
 Gambar 6. Distribusi spasial wilayah yang cocok untuk demam berdarah di Nepal pada tahun 2050-an dan
2070-an di bawah berbagai skenario emisi gas rumah kaca.

Tidak seperti penurunan cepat yang seragam dengan peningkatan ketinggian dalam distribusi saat ini,
daerah yang cocok secara klimaks akan semakin konstan dari 400-800 m dpl di sebagian besar RCP
(Gambar S4). Pergeseran maksimum diamati untuk tahun 2070-an di bawah skenario emisi yang sangat
tinggi (RCP8.5) di mana batas ketinggian altitudinal atas daerah yang sesuai iklim akan mencapai hingga
1400 m dpl dibandingkan dengan di bawah 900 m dpl di bawah distribusi saat ini. Ketinggian rata-rata ceruk
iklim DBD akan bergeser hingga 464 m dpl dalam skenario emisi perubahan iklim terburuk dibandingkan
dengan 239 m dpl dari ketinggian rata-rata saat ini.
Hasil kami juga menunjukkan bahwa 70,7% (14,7% di daerah yang cukup cocok dan 56% di sangat
cocok) dari populasi manusia Nepal saat ini terkena ceruk iklim demam berdarah ketika grid
Int. J. Environ. Res. Kesehatan Masyarakat 2018, 15, 187 10 dari 15

data populasi dilapis dengan model MaxEnt saat ini (Gambar 7). Proporsi populasi yang terpapar akan
semakin meningkat di semua RCP dibandingkan dengan populasi yang terpapar saat ini dengan sedikit
variasi di antara tahun-tahun dan skenario emisi diasumsikan. Sebagai contoh, sekitar 80% dari populasi
akan tinggal di daerah yang sesuai dengan iklim pada tahun 2050-an dalam skenario emisi mitigasi
(RCP2.6). Itu akan pergi di atas 90% di bawah skenario emisi yang sangat tinggi (RCP8.5).

Gambar 7. Proporsi populasi manusia di bawah risiko demam berdarah di masa sekarang dan di masa depan. Bilah
kuning mewakili populasi manusia yang terpapar pada area yang cukup cocok, bilah merah pada area yang
sangat cocok dan bar magenta mewakili total populasi manusia.

4. Diskusi

Dalam penelitian ini, kami memetakan area yang cocok saat ini dan masa depan yang cocok untuk
demam berdarah di Nepal menggunakan kasus dengue yang dilaporkan dan satu set variabel bioklimatik
berdasarkan pendekatan pemodelan niche ekologis MaxEnt. Kemudian, kami memperkirakan populasi
manusia saat ini dan di masa mendatang pada risiko penyakit berdasarkan model kesesuaian iklim. Selain
itu, kami menilai perubahan ceruk iklim dari demam berdarah sepanjang gradien elevasi dengan melapiskan
model area yang sesuai dengan iklim saat ini dan masa depan kami dengan SRTM DEM.
Hasil model kami menunjukkan bahwa suhu, terutama suhu rata-rata kuartal terbasah (bio8) diikuti oleh
suhu rata-rata kuartal terdingin (bio11) adalah kendala utama pada distribusi ceruk iklim demam berdarah di
Nepal. Dua variabel ini menyumbang hampir 90% dari model. Kami mengamati tanggapan nonlinier dari
variabel iklim yang konsisten dengan penelitian sebelumnya [15]. Menurut kurva respons model kami, suhu
rata-rata kuartal terbasah harus 25-30 ◦C dan suhu rata-rata kuartal terdingin harus 14-18 ◦C agar menjadi
daerah yang cocok secara iklim. Kisaran suhu ini mencerminkan kondisi termal yang diperlukan untuk
pengembangbiakan dan pengembangan vektor nyamuk selama musim kawin dan melindungi telur dan larva
mereka selama musim dingin. Rentang ini bersamaan dengan beberapa penelitian sebelumnya [41,42].
Hasil penelitian ini menunjukkan bahwa saat ini diprediksi daerah yang cocok secara klimaks secara
efektif menangkap distribusi yang diamati dari demam berdarah di Nepal. Model kami memetakan semua 23
kabupaten Tarai di Nepal sebagai daerah yang cocok secara iklim untuk demam berdarah. Dataran rendah
selatan yang panas dan lembab cocok tidak hanya untuk demam berdarah tetapi juga untuk penyakit yang
ditularkan oleh nyamuk lainnya seperti chikungunya, malaria, dan ensefalitis [26,43]. Sebagian besar kasus
demam berdarah dan wabah besar sejauh ini dilaporkan sejak kemunculannya berasal dari dataran rendah
Tarai ini [44]. Sebanyak 917 laboratorium mengonfirmasi kasus demam berdarah dan lima kematian
dilaporkan dari Chitwan distrik dataran rendah selama wabah 2010 berjumlah 71% dari total kasus yang
dilaporkan dari seluruh negara. Tiga distrik Tarai dataran rendah — Chitwan,
Int. J. Environ. Res. Kesehatan Masyarakat 2018, 15, 187 11 dari 15

Jhapa, dan Parsa — sangat terpengaruh oleh wabah demam berdarah besar lainnya pada tahun 2013 yang
mencakup sekitar 83% dari total kasus yang dilaporkan di seluruh negara. Daerah yang cukup cocok
umumnya didistribusikan di margin utara daerah yang sangat cocok. Daerah-daerah ini bertepatan dengan
wilayah pelaporan sporadis kasus demam berdarah. Namun, model kami sedikit konservatif di barat,
terutama untuk distrik Rupendehi, Kailali dan Kanchanpur di mana daerah yang dipetakan sebagai cukup
cocok juga diharapkan sama dengan daerah yang sangat cocok karena iklim panas dan lembab yang
berlaku. Selain itu, model kami tidak memprediksi lembah Kathmandu sebagai iklim yang cocok saat ini
meskipun pelaporan terus menerus demam berdarah [23,45]. Kasus-kasus demam berdarah dan vektor
penyakit telah dilaporkan pada ketinggian lebih tinggi (1800 m dpl) [46,47] dalam beberapa tahun terakhir. Ini
menunjukkan sedikit ketidakcocokan pada model kami di sepanjang tepi. Analisis ketidakpastian dari model
ceruk ekologis sebelumnya menunjukkan ketidaksesuaian yang lebih tinggi umumnya di sepanjang tepi [48]
dibandingkan dengan daerah inti. Hasil yang tidak sesuai seperti di sepanjang tepi ceruk bioklimatik dengue
juga diamati di Tanzania [49], seperti penelitian kami. Namun, kasus demam berdarah yang dilaporkan dari
lembah Kathmandu dapat merupakan kasus impor dari dataran rendah Tarai dan kabupaten tetangga seperti
Dhading dan Nuwakot; yang mungkin karena sering bepergian orang ke ibukota negara di mana layanan
administrasi dan medis terpusat. Meskipun demikian, validasi model kami menunjukkan (AUC tinggi) tingkat
akurasi model yang tinggi. Seperti beberapa penelitian sebelumnya [1,14,18,49], penelitian kami juga
menyarankan perubahan halus pada area yang sesuai dengan iklim saat ini untuk tahun 2050-an dan 2070-
an. Menurut model kami, batas atas ceruk iklim demam berdarah akan mencapai 1400 m dpl dibandingkan
dengan batas saat ini 900 m dpl. Lembah Kathmandu akan secara iklim cocok untuk demam berdarah di
tahun 2050-an dan 2070-an yang memberikan ancaman lebih lanjut ke ibu kota yang berpenduduk padat.
Namun besarnya perubahan akan bervariasi sesuai dengan skenario emisi yang diasumsikan. Sebagai
contoh, ini akan menjadi minimum di bawah RCP2.6 dan maksimum di bawah RCP8.5. Area yang
diproyeksikan untuk perluasan jangkauan diharapkan terutama di sepanjang sisi dan mendekati distribusi
saat ini [50]. Pergeseran altitudinal dari area yang cocok secara iklim untuk demam berdarah umumnya
konsisten dengan pemodelan iklim lainnya yang melaporkan pergerakan spesies ke garis lintang dan
ketinggian yang lebih tinggi sebagai respons terhadap pemanasan [51]. Area yang cocok sedang berubah
menjadi area yang sangat sesuai mengindikasikan kemungkinan wabah demam berdarah yang besar dan
sering terjadi di area ini di masa depan. Menyebarkan keempat serotipe virus dengue di antara vektor, inang,
dan lingkungan juga meningkatkan risiko infeksi berurutan dengan serotipe demam berdarah yang berbeda
dan demam berdarah dengue [28,29]. Perkiraan kami menunjukkan bahwa populasi yang hidup dengan
risiko demam berdarah cenderung meningkat secara signifikan di masa depan, yang konsisten dengan
penelitian yang dilakukan sebelumnya pada skala global [14]. Dalam skenario emisi terburuk (RCP8.5),
populasi yang berisiko terkena demam berdarah diperkirakan sekitar 90% pada tahun 2070-an yang cukup
besar dibandingkan dengan nilai prediksi dunia sebesar 52% pada tahun 2085. Ini menunjukkan lebih banyak
sumber daya akan dibutuhkan untuk mengatasi demam berdarah di masa depan, yang bisa menjadi
tantangan besar bagi otoritas kesehatan masyarakat di Nepal. Studi kami mendefinisikan untuk pertama
kalinya batas spasial saat ini dan masa depan dari ceruk iklim demam berdarah di Nepal. Oleh karena itu,
penelitian ini memberikan informasi dasar penting yang diperlukan untuk merancang pengawasan dan
mengalokasikan sumber daya yang langka secara efektif. Namun, ada beberapa keterbatasan yang terkait
dengan penelitian ini yang harus dipertimbangkan saat menafsirkan hasil kami. Misalnya, ketersediaan data
kasus demam berdarah di Nepal terbatas. Oleh karena itu, kami menggunakan portal surat kabar dan peta
kesehatan dengue sebagai sumber alternatif data kasus demam berdarah. Karenanya, keakuratan model
kami bergantung pada keakuratan laporan. Lebih lanjut, model kami hanya menunjukkan area yang sesuai
dengan iklim. Meskipun iklim yang cocok diperlukan untuk penularan demam berdarah, beberapa faktor
sosial ekonomi dan iklim non-iklim lainnya diperlukan untuk terjadinya epidemi. Pentingnya faktor-faktor non-
iklim tersebut meningkat dengan meningkatnya resolusi penelitian [52]. Hasil pemodelan sangat tergantung
pada pilihan variabel input [53] dan pendekatan pemodelan yang diadopsi [34]. Oleh karena itu, hasil
pemetaan mungkin tidak cocok ketika model dikalibrasi berdasarkan variabel iklim lainnya. Demikian pula,
seperti model spasial lainnya, penelitian kami tidak dapat menginterpretasikan jendela risiko temporal untuk
area tertentu, misalnya, apakah daerah yang cocok secara iklim memiliki risiko demam berdarah sepanjang
tahun atau hanya dalam beberapa bulan dalam setahun. Beberapa penelitian telah menunjukkan bahwa

Int. J. Environ. Res. Kesehatan Masyarakat 2018, 15, 187 12 dari 15

jendela temporal risiko akan melebar karena perubahan iklim [18,54]. Bergantung pada iklim, beberapa area
mungkin rawan dalam waktu singkat sementara area lain lebih lama. Studi masa depan harus fokus pada
periode risiko temporal bersama dengan risiko spasial. Demikian pula, kami mengasumsikan pertumbuhan
populasi berkelanjutan yang, pada kenyataannya, mungkin tidak benar.

5. Conclusions

Dalam studi ini, kami memetakan daerah saat ini dan masa depan yang cocok secara klimaks untuk
demam berdarah di Nepal untuk pertama kalinya berdasarkan pendekatan pemodelan relung ekologis
MaxEnt dengan menggunakan kasus dengue yang dilaporkan dan serangkaian variabel bioklimatik. Hasil
kami menunjukkan bahwa sekitar seperempat wilayah Nepal, terutama di dataran rendah selatan Tarai, saat
ini cocok untuk demam berdarah. Ini akan berkembang ke utara di masa depan sebagai respons terhadap
perubahan iklim. Perkiraan kami menunjukkan bahwa 70% dari total populasi saat ini berisiko terkena
demam berdarah dan itu akan meningkat lebih lanjut (hingga 90%) di masa depan karena perubahan iklim.
Hasil bersama dengan peta yang dihasilkan dalam penelitian ini dapat memandu otoritas kesehatan untuk
menerapkan strategi pengawasan dan pengendalian demam berdarah yang efektif di Nepal.

Materi Tambahan: Berikut ini tersedia secara online di http://www.mdpi.com/1660-4601/15/2/187/s1, Catatan S1. Kode R
digunakan untuk geocoding tingkat alamat titik kejadian dengue menggunakan Google API; Tabel S1: Lokasi kehadiran
demam berdarah; Tabel S2: Matriks korelasi variabel bioklimatik; Gambar S1: Jackknife dari keuntungan pelatihan yang
diatur; Gambar S2: Kurva respons untuk variabel iklim terkait dengan distribusi demam berdarah; Gambar S3: Distribusi
piksel yang cocok untuk Iklim Sekarang dengan ketinggian gradien; Gambar S4: Distribusi piksel yang cocok untuk Iklim
Masa Depan di jalur konsentrasi yang berbeda di sepanjang ketinggian gradien.

Ucapan Terima Kasih: Karya dalam makalah ini didanai oleh Dana Khusus untuk Penelitian Ilmiah Hutan dalam
Kesejahteraan Publik (No. 201504323). Akademi Ilmu Pengetahuan Tiongkok (CAS) dan Akademi Ilmu Pengetahuan
Dunia (TWAS) diakui untuk pemberian beasiswa Presiden CAS-TWAS kepada Bipin Kumar Acharya, Shaid Naeem, dan
Laxman Khanal untuk penelitian PhD mereka. Kami mengakui dukungan Divisi Epidemiologi dan Pengendalian Penyakit
(EDCD), Departemen Layanan Kesehatan, Pemerintah Nepal untuk memberikan kami data kejadian demam berdarah
untuk distrik Jhapa dan Chitwan.

Kontribusi Penulis: Bipin Kumar Acharya memimpin penelitian ini. Dia membuat konsep penelitian; mengumpulkan,
mengolah, dan menganalisis data, dan menyusun naskah. Shaid Naeem, Laxman Khanal dan Shreejana Pandit
berkontribusi dalam pemrosesan data dan peningkatan naskah. Min Xu dan Laxman Khanal membantu dalam pemodelan
dan penulisan. Chunxiang Cao mengawasi penelitian dan berkontribusi dalam perbaikan naskah.

Konflik Kepentingan: Penulis menyatakan tidak ada konflik kepentingan.

References

1. Bhatt, S.; Gething, PW; Brady, OJ; Messina, JP; Farlow, AW; Moyes, CL; Drake, JM; Brownstein, JS; Hoen, AG;
Sankoh, O.; et al. The global distribution and burden of dengue. Nature 2013, 496, 504–507. [CrossRef] [PubMed] 2.
Messina, JP; Brady, OJ; Scott, TW; Zou, C.; Pigott, DM; Duda, KA; Bhatt, S.; Katzelnick, L.; Howes, RE; Battle, KE; et al.
Global spread of dengue virus types: Mapping the 70 year history. Trends Microbiol. 2014, 22, 138–146. [CrossRef]
[PubMed] 3. Wilder-Smith, A.; Murray, NAE; Quam, M. Epidemiology of dengue: Past, present and future prospects.
Clin. Epidemiol. 2013, 5, 299. [CrossRef] [PubMed] 4. Wilson, ME; Chen, LH Dengue: Update on Epidemiology. Curr.
Menulari. Dis. Rep. 2015, 17. [CrossRef]
[PubMed] 5. Naish, S.; Dale, P.; Mackenzie, JS; McBride, J.; Mengersen, K.; Tong, S. Climate change and dengue: A
critical and systematic review of quantitative modelling approaches. BMC Infect. Dis. 2014, 14, 167. [CrossRef] [PubMed]
6. Barbazan, P.; Guiserix, M.; Boonyuan, W.; Tuntaprasart, W.; Pontier, D.; Gonzalez, J.-P. Modelling the effect
of temperature on transmission of dengue. Med. Dokter hewan. Entomol. 2010, 24, 66–73. [CrossRef] [PubMed] 7. Gage,
KL; Burkot, TR; Eisen, RJ; Hayes, EB Climate and Vectorborne Diseases. Saya. J. Prev. Med. 2008,
35, 436–450. [CrossRef] [PubMed] 8. Mills, JN; Gage, KL; Khan, AS Potential Influence of Climate Change on
Vector-Borne and Zoonotic Diseases: A Review and Proposed Research Plan. Mengepung. Health Perspect. 2010, 118,
1507–1514. [CrossRef] [PubMed]
Int. J. Environ. Res. Public Health 2018, 15, 187 13 of 15

9. Lambrechts, L.; Paaijmans, KP; Fansiri, T.; Carrington, LB; Kramer, LD; Thomas, MB; Scott, TW Impact of daily
temperature fluctuations on dengue virus transmission by Aedes aegypti. Proc Natl. Acad. Sci. USA 2011, 108, 7460–
7465. [CrossRef] [PubMed] 10. Méndez-Lázaro, P.; Muller-Karger, F.; Otis, D.; McCarthy, M.; Peña-Orellana, M.
Assessing Climate Variability Effects on Dengue Incidence in San Juan, Puerto Rico. Int. J. Environ. Res. Public Health
2014, 11, 9409–9428. [CrossRef] [PubMed] 11. Brady, OJ; Johansson, MA; Guerra, CA; Bhatt, S.; Golding, N.; Pigott,
DM; Delatte, H.; Grech, MG; Leisnham, PT; Maciel-de-Freitas, R.; et al. Modelling adult Aedes aegypti and Aedes
albopictus survival at different temperatures in laboratory and field settings. Parasit. Vectors 2013, 6, 351. [CrossRef]
[PubMed] 12. Intergovernmental Panel on Climate Change (Ed.) Climate Change 2013—The Physical Science Basis:
Working Group I Contribution to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change;
Cambridge University Press: Cambridge, UK, 2014; ISBN 978-1-107-41532-4. 13. Åström, C.; Rocklöv, J.; Hales, S.;
Béguin, A.; Louis, V.; Sauerborn, R. Potential Distribution of Dengue Fever under Scenarios of Climate Change and
Economic Development. EcoHealth 2012, 9, 448–454. [CrossRef] [PubMed] 14. Hales, S.; de Wet, N.; Maindonald, J.;
Woodward, A. Potential effect of population and climate changes on
global distribution of dengue fever: An empirical model. Lancet 2002, 360, 830–834. [CrossRef] 15. Colón-González, FJ;
Fezzi, C.; Lake, IR; Hunter, PR The Effects of Weather and Climate Change on Dengue.
PLoS Negl. Trop. Dis. 2013, 7, e2503. [CrossRef] [PubMed] 16. Ying, Z.; Peng, B.; Hiller, JE Climate Change and the
Transmission of Vector-Borne Diseases: A Review.
Asia. Pac. J. Public Health 2008, 20, 64–76. [CrossRef] [PubMed] 17. Banu, S.; Hu, W.; Hurst, C.; Tong, S. Dengue
transmission in the Asia-Pacific region: Impact of climate change and socio-environmental factors: Dengue transmission in
the Asia-Pacific region. Trop. Med. Int. Health 2011, 16, 598–607. [CrossRef] [PubMed] 18. Liu-Helmersson, J.; Quam,
M.; Wilder-Smith, A.; Stenlund, H.; Ebi, K.; Massad, E.; Rocklöv, J. Climate Change and Aedes Vectors: 21st Century
Projections for Dengue Transmission in Europe. EBioMedicine 2016, 7, 267–277. [CrossRef] [PubMed] 19. Machado-
Machado, EA Empirical mapping of suitability to dengue fever in Mexico using species
 distribution modeling. Appl. Geogr. 2012, 33, 82–93. [CrossRef] 20. Escobar, LE; Craft, ME Advances and Limitations
of Disease Biogeography Using Ecological Niche
Modeling. Front. Mikrobiol. 2016, 7. [CrossRef] [PubMed] 21. Cardoso-Leite, R.; Vilarinho, AC; Novaes, MC; Tonetto,
AF; Vilardi, GC; Guillermo-Ferreira, R. Recent and future environmental suitability to dengue fever in Brazil using species
distribution model. Trans. R. Soc. Trop. Med. Hyg. 2014, 108, 99–104. [CrossRef] [PubMed] 22. Padilla, O.; Rosas, P.;
Moreno, W.; Toulkeridis, T. Modeling of the ecological niches of the Anopheles spp. in Ecuador by the use of geo-
informatic tools. Spat. Spat Temp. Epidemiol. 2017, 21, 1–11. [CrossRef] [PubMed] 23. Government of Nepal, Ministry of
Health and Population, Department of Health Services. DOHS Annual Report, 2013–2014. Annual Report, 2013–2014;
Government of Nepal, Ministry of Health and Population, Department of Health Services: Kathmandu, Nepal, 2015. 24.
Sharma, SP Dengue outbreak affects more than 7000 people in Nepal. BMJ 2010, 341, c5496. [CrossRef]
[PubMed] 25. Khadka, D.; Pathak, D. Climate change projection for the marsyangdi river basin, Nepal using statistical
downscaling of GCM and its implications in geodisasters. Geoenviron. Disasters 2016, 3. [CrossRef] 26. Dhimal, M.;
Ahrens, B.; Kuch, U. Climate Change and Spatiotemporal Distributions of Vector-Borne Diseases
in Nepal—A Systematic Synthesis of Literature. PLoS ONE 2015, 10, e0129869. [CrossRef] [PubMed] 27. Dhimal, M.;
Bhusal, C. Impacts of Climate Change on Human Health and Adaptation Strategies for Nepal.
J. Nepal Health Res. Council 2010, 7, 140–141. [CrossRef] 28. Pun, SB Dengue—An Emerging Disease in Nepal. J.
Nepal Med. Assoc. 2011, 51, 203–208. 29. Malla, S.; Thakur, GD; Shrestha, SK; Banjeree, MK; Thapa, LB; Gongal, G.;
Ghimire, P.; Upadhyay, BP; Gautam, P.; Khanal, S.; et al. Identification of All Dengue Serotypes in Nepal. Muncul.
Menulari. Dis. 2008, 14, 1669–1670. [CrossRef] [PubMed] 30. Nayava, J. Rainfall in Nepal. Himal. Rev. 1980, 12, 1–18.
Int. J. Environ. Res. Public Health 2018, 15, 187 14 of 15

31. Eisen, L.; Lozano-Fuentes, S. Use of Mapping and Spatial and Space-Time Modeling Approaches in Operational
Control of Aedes aegypti and Dengue. PLoS Negl. Trop. Dis. 2009, 3, e411. [CrossRef] [PubMed] 32. Ostfeld, R.; Glass,
G.; Keesing, F. Spatial epidemiology: An emerging (or re-emerging) discipline.
Trends Ecol. Evol. 2005, 20, 328–336. [CrossRef] [PubMed] 33. Hijmans, RJ; Cameron, SE; Parra, JL; Jones, PG;
Jarvis, A. Very high resolution interpolated climate
surfaces for global land areas. Int. J. Climatol. 2005, 25, 1965–1978. [CrossRef] 34. Holt, AC; Salkeld, DJ; Fritz, CL;
Tucker, JR; Gong, P. Spatial analysis of plague in California: Niche modeling predictions of the current distribution and
potential response to climate change. Int. J. Health Geogr. 2009, 8, 38. [CrossRef] [PubMed] 35. Phillips, SJ; Anderson,
RP; Schapire, RE Maximum entropy modeling of species geographic distributions.
Ecol. Model. 2006, 190, 231–259. [CrossRef] 36. Wei, J.; Zhang, H.; Zhao, W.; Zhao, Q. Niche shifts and the potential
distribution of Phenacoccus solenopsis (Hemiptera: Pseudococcidae) under climate change. PLoS ONE 2017, 12,
e0180913. [CrossRef] [PubMed] 37. Ren, Z.; Wang, D.; Ma, A.; Hwang, J.; Bennett, A.; Sturrock, HJW; Fan, J.; Zhang,
W.; Yang, D.; Feng, X.; et al. Predicting malaria vector distribution under climate change scenarios in China: Challenges
for malaria elimination. Sci. Rep. 2016, 6, 20604. [CrossRef] [PubMed] 38. Tuanmu, M.-N.; Viña, A.; Winkler, JA; Li, Y.;
Xu, W.; Ouyang, Z.; Liu, J. Climate-change impacts on understorey bamboo species and giant pandas in China's Qinling
Mountains. Nat. Clim. Chang. 2012, 3, 249–253. [CrossRef] 39. Slater, H.; Michael, E. Predicting the Current and Future
Potential Distributions of Lymphatic Filariasis in Africa Using Maximum Entropy Ecological Niche Modelling. PLoS ONE
2012, 7, e32202. [CrossRef] [PubMed] 40. Central Bureau of Statistics (CBS). National Population Census 2011;
Household National Report. Available online: http://cbs.gov.np/sectoral_statistics/population/national_report (accessed on
19 September 2017). 41. Morin, CW; Comrie, AC; Ernst, K. Climate and Dengue Transmission: Evidence and
Implications.
Mengepung. Health Perspect. 2013, 121, 1264–1272. [CrossRef] [PubMed] 42. Gubler, DJ Epidemic dengue/dengue
hemorrhagic fever as a public health, social and economic problem in
the 21st century. Trends Microbiol. 2002, 10, 100–103. [CrossRef] 43. Pandey, K.; Pandey, BD; Chaurasiya, RR;
Thakur, M.; Neupane, B.; Shah, Y.; Ngwe Tun, MM; Morita, K. Evidence of Chikungunya virus circulation in the Terai
region of Nepal in 2014 and 2015. Trans. R. Soc. Trop. Med. Hyg. 2017, 111, 294–299. [CrossRef] [PubMed] 44.
Department of Health Services (DOHs). Annual Health Report (2015/2016). Available online: http://dohs.
gov.np/wp-content/uploads/2016/06/Annual_Report_FY_2071_72.pdf (accessed on 13 October 2017). 45. Adhikari,
S.; Neupane, B.; Rijal, KR; Banjara, MR; Uphadhaya, BP; Ghimire, P. Burden estimation of dengue at National Public
Health Laboratory, Kathmandu. Asian Pac. J. Trop. Dis. 2015, 5, 289–292. [CrossRef] 46. Gupta, BP; Adhikari, A.;
Rauniyar, R.; Kurmi, R.; Upadhya, BP; Jha, BK; Pandey, B.; Manandhar, KD Dengue virus infection in a French traveller
to the hilly region of Nepal in 2015: A case report. J. Med. Case Rep. 2016, 10. [CrossRef] [PubMed] 47. Dhimal, M.;
Ahrens, B.; Kuch, U. Species composition, seasonal occurrence, habitat preference and altitudinal distribution of malaria
and other disease vectors in eastern Nepal. Parasit. Vectors 2014, 7, 540. [CrossRef] [PubMed] 48. Zhang, L.; Liu, S.;
Sun, P.; Wang, T.; Wang, G.; Zhang, X.; Wang, L. Consensus Forecasting of Species Distributions: The Effects of Niche
Model Performance and Niche Properties. PLoS ONE 2015, 10, e0120056. [CrossRef] [PubMed] 49. Mweya, CN; Kimera,
SI; Stanley, G.; Misinzo, G.; Mboera, LEG Climate Change Influences Potential Distribution of Infected Aedes aegypti Co-
Occurrence with Dengue Epidemics Risk Areas in Tanzania. PLoS ONE 2016, 11, e0162649. [CrossRef] [PubMed] 50.
Ebi, KL; Nealon, J. Dengue in a changing climate. Mengepung. Res. 2016, 151, 115–123. [CrossRef] [PubMed] 51.
González, C.; Wang, O.; Strutz, SE; González-Salazar, C.; Sánchez-Cordero, V.; Sarkar, S. Climate Change and Risk of
Leishmaniasis in North America: Predictions from Ecological Niche Models of Vector and Reservoir Species. PLoS Negl.
Trop. Dis. 2010, 4, e585. [CrossRef] [PubMed]
Int. J. Environ. Res. Public Health 2018, 15, 187 15 of 15

52. Arboleda, S.; Jaramillo-O, N.; Peterson, AT Mapping Environmental Dimensions of Dengue Fever Transmission Risk
in the Aburrá Valley, Colombia. Int. J. Environ. Res. Public Health 2009, 6, 3040–3055. [CrossRef] [PubMed] 53. Rödder,
D.; Schmidtlein, S.; Veith, M.; Lötters, S. Alien Invasive Slider Turtle in Unpredicted Habitat:
A Matter of Niche Shift or of Predictors Studied? PLoS ONE 2009, 4, e7843. [CrossRef] [PubMed] 54. Campbell, LP;
Luther, C.; Moo-Llanes, D.; Ramsey, JM; Danis-Lozano, R.; Peterson, AT Climate change influences on global
distributions of dengue and chikungunya virus vectors. Philos. Trans. R. Soc. B Biol. Sci. 2015, 370, 20140135.
[CrossRef] [PubMed]

© 2018 by the authors. Penerima Lisensi MDPI, Basel, Swiss. Artikel ini adalah artikel akses
terbuka yang didistribusikan berdasarkan syarat dan ketentuan lisensi Creative Commons
Attribution (CC BY) (http://creativecommons.org/licenses/by/4.0/).