Совершенствование системы раннего прогнозирования суточных температур как внешнесредовых факторов риска возможных вспышек инфекционных заболеваний: сравнение результативности применения моделей ARIMA и Prophet

Али Хайдар – преподаватель кафедры здравоохранения, факультет медицины; участник группы по устойчивому развитию в сфере здравоохранения (e-mail: ; тел.: +628 589 623-96-34; ORCID: .

Маруфи Иса – академик, член Индонезийского союза здравоохранения, доктор наук в области гигиены окружающей среды, доцент кафедры гигиены окружающей среды, факультет медицины (e-mail: ; тел.: +628 133 047-77-14; ORCID: .

Инфекционные заболевания (ИЗ) являются серьезным бременем для систем здравоохранения во всем мире. Температура воздуха выступает основным драйвером биологии переносчиков ИЗ и динамики передачи патогенов. Изменения суточных температур оказывают прямое влияние на критические характеристики возбудителей ИЗ, таких как комары видов Aedes aegypti и Anopheles spp., включая темп размножения, частоту укусов и период инкубации вируса [1]. Изменение климата усугубило данную проблему посредством расширения географических ареалов тропических заболеваний за пределы их традиционных границ, создавая новые вызовы для систем здравоохранения в регионах, ранее не сталкивавшихся с подобными ИЗ. В Индонезии как стране, эндемичной по лихорадке Денге и малярии, точные модели для прогнозирования температуры воздуха могли бы значительно улучшить систему мониторинга ИЗ и усилить контроль над ними за счет внедрения более совершенных систем раннего оповещения и более сфокусированного реагирования на угрозы.

Эффективное прогнозирование температуры обеспечивает своевременное принятие мер по охране здоровья на основе доказательной медицины, давая ответственным органам возможность оптимизировать контроль над переносчиками ИЗ и профилактику заболеваний. К мерам предупреждения могут относиться применение ларвицидов в местах размножения переносчиков заболеваний, обработка помещений горячим туманом, кампании по предотвращению ИЗ в сообществах [2]. Внедрение точных моделей прогнозирования могло бы снизить бремя ИЗ путем применения проактивных, а не реактивных подходов к управлению, в особенности, когда речь идет о регионах с ограниченными ресурсами здравоохранения. Однако разработка надежных моделей прогнозирования температуры воздуха для Индонезии представляет собой довольно уникальный вызов по причине ограничений, связанных с данными, которые ставят под сомнение точность и применимость прогнозирования в планировании в рамках здравоохранения.

Сложные географические характеристики Индонезии создают существенные препятствия для сбора непрерывных данных о температурах воздуха по причине неравномерного распределения метеорологических станций на территории страны, осо- бенно в отдаленных районах, на малых островах и в горной местности. Эти пространственные разрывы, дополняемые такими проблемами, как отсутствие данных, отказы датчиков и нерегулярное обновление данных, значительно снижают надежность доступных наборов данных для анализа трендов [3]. Существуют альтернативные источники данных, такие как спутниковые измерения температур на платформах MODIS или LANDSAT, но они нуждаются в оценке достоверности по сравнению с наземными наблюдениями, поскольку между температурами в верхних слоях атмосферы и приземными температурами наблюдаются значительные отличия. Недавние достижения в данной сфере показали, что объединение наземных наблюдений с продуктами реанализа, такими как ERA5, может устранить некоторые искажения в наборах данных по температурам воздуха [4], в то время как дистанционное измерение обеспечивает ценные инструменты для мониторинга тенденций в приземных температурах [5, 6].

Традиционные подходы к моделированию временных рядов, в особенности авторегрессивные интегрированные модели скользящего среднего (ARIMA), широко применяются в прогнозировании температуры воздуха по причине относительной простоты и эффективности в работе со стационарными данными с наличием устойчивых сезонных тенденций [7]. Однако температурная динамика в тропиках зачастую демонстрирует сложные нелинейные тренды, подверженные влиянию микроклиматических вариаций и глобальных климатических явлений, таких как El Niño ‒ теплая фаза Южной осцилляции (ENSO), что потенциально ограничивает эффективность применения моделей ARIMA в подобных контекстах [8]. Альтернативу предлагают подходы с применением машинного обучения, такие как Facebook Prophet, специально созданные для обработки нелинейных трендов, множественных сезонных паттернов и аномалий во временных рядах данных [9]. Устойчивость модели Prophet к пробелам и выбросам в данных, вместе со сниженными требованиями к настройке параметров, говорит о ее потенциальной применимости в операционных приложениях для здравоохранения, где статистические знания и опыт могут оказаться ограниченными.

Пробел в исследованиях становится очевидным при изучении ограниченного числа работ, в которых проводится сравнительный анализ применения мето- дов традиционной статистики и инновационных подходов на основе машинного обучения для прогнозирования температуры воздуха в тропических регионах. Несмотря на теоретические преимущества модели Prophet для моделирования нелинейных временных рядов, сравнение ее эффективности с моделями ARIMA напрямую обсуждается в малом количестве исследований, в особенности относительно прогнозирования температуры воздуха в Индонезии, которая отличается уникальными климатическими особенностями. Более того, относительная результативность данных моделей по разным горизонтам прогнозирования остается недостаточно изученной, несмотря на критическую важность как краткосрочных, так и долгосрочных прогнозов для различных аспектов здравоохранения.

В рамках данного исследования предпринята попытка восполнить этот пробел путем проведения системного сравнительного анализа результативности и эффективности моделей Facebook Prophet и ARIMA для прогнозирования суточных температур в регионе Сурабайя, Индонезия, как на краткосрочный (1–2 года), так и долгосрочный (4–5 года) периоды.

Цель исследования – разработка практических рекомендаций для органов здравоохранения по внедрению систем раннего оповещения в рамках контроля ИЗ на основе анализа температуры воздуха путем определения наиболее эффективного подхода для различных контекстов прогнозирования. Результаты данного исследования внесут определенный вклад в доказательное принятие решений по контролю над климат-чувствительными заболеваниями, что потенциально поможет снизить бремя ИЗ за счет совершенствования целенаправленных профилактических мероприятий и более эффективного распределения ресурсов в условиях их ограниченности.

Материалы и методы. Исследование проводилось в муниципалитете Сурабайя. Город Сура-байя, столица Восточной Явы, расположен на северном побережье острова Восточная Ява, между 7°9' и 7°21' южной широты и 112°36' и 112°54' восточной долготы. Посты наблюдения расположены на приморской метеорологической станции Танд-жун Перак (-7.20530; 112.73530, высота 3 м)¹. Эта станция была выбрана по причине доступности большого объема исторических данных и стандартизованных протоколов сбора данных в соответствии с рекомендациями Всемирной метеорологической организации.

Данные о среднесуточных температурах за период с 01.01.2019 по 31.12.2024 были получены из открытой базы данных Агентства по метеорологии, климатологии и геофизике Республики Индонезия2. Данные были загружены в Excel. Очистка данных производилась в Microsoft Excel путем удаления че- тырех наблюдений с пробелами в массиве данных, которые были исключены из анализа. Предварительная обработка данных включала в себя стандартизацию форматов данных в ISO 8601 (гггг-мм-дд) для расчетной совместимости и анализа набора данных на возможное наличие выбросов методом межквартильного размаха. Данные были разделены на две группы: обучающая выборка (2019–2023) и проверочная выборка (2023). Данные в обучающей выборке затем разделили на две категории: краткосрочный (2022–2023) и долгосрочный (2019–2023) набор данных. Целью данной группировки являлась проверка соответствия модели требованиям работы с наборами данных различной длины, что дало возможность более полной оценки ее результативности.

Дизайн эксперимента, конфигурация моделей и показатели оценки результативности. Модели прогнозирования были сформированы посредством применения Facebook Prophet и авторегрессивного интегрированного скользящего среднего (Auto Regressive Integrated Moving Averages) в программном пакете R. Точность модели оценивалась при помощи расчета среднеквадратической ошибки (RMSE) и средней абсолютной ошибки (MA). RMSE рассчитывается как квадратный корень из среднего значения квадратов разности между действительными и прогнозируемыми значениями по следующей формуле:

' у)2

RMSE = А——— ,        (1)

где n – число наблюдений, y’ – прогнозируемое значение, y – действительное значение.

Средняя абсолютная ошибка (MAE) рассчитывается как среднее значение абсолютных разностей между прогнозируемыми и действительными значениями. Она дает возможность измерения ошибки прогнозирования в тех же единицах, что и наблюдаемая переменная. Формула для расчета:

Е n X^х - - х|

MAE =          1,              (2)

n где n – количество наблюдений, xi – прогнозируемое значение, x – действительное значение.

Анализ проводился в программной среде R с применением пакетов prophet, tseries и forecast . Для создания моделей Facebook Prophet и ARIMA models в среде R применялись настройки по умолчанию.

Соответствие этическим требованиям.

В рамках данного исследования применялись исключительно метеорологические данные, находящиеся в открытом доступе; участие людей не предусмотрено. Следовательно, данное исследование не требует одобрения локального комитета по этике. Сбор и ис- пользование данных осуществлялись в соответствии с рекомендациями Агентства по метеорологии, климатологии и геофизике Республики Индонезия.

Результаты и их обсуждение. Тренды временных рядов данных о суточных температурах. Анализ данных о среднесуточных температурах в Сурабайе за период 2019–2024 гг. выявил отчетливые временные паттерны, характеризующиеся как сезонными колебаниями, так и межгодовой вариабельностью. Температурные ряды колебались в пределах 6,4 °C в течение всего анализируемого периода с минимальным значением 26,0 °C, зарегистрированным в январе 2019 г., ноябре 2021 г. и ноябре 2022 г., и максимальным значением 32,4 °C, зарегистрированным в ноябре 2023 г. Эта разница между минимумом и максимумом температур представляет примерно 22,7 % вариации относительно минимальной температуры, указывая на значительную термальную нестабильность тропической городской среды. Спектральная декомпозиция временных рядов выявила доминирующую годовую цикличность со вторичными полугодовыми гармоничными компонентами, что отражает создаваемую муссонами сезонность, типичную для прибрежных регионов Юго-Восточной Азии. На рис. 1 изображена месячная прогрессия температур за весь анализируемый период, показывающая как повторяющиеся сезонные паттерны, так и заметные межгодовые различия, в особенности во время периодов перехода между сезоном дождей и сухим сезоном.

Рис. 1. Среднемесячные температуры за период 2019–2024 гг.

Результативность модели Facebook prophet. Характеристики краткосрочного прогнозирования. Применение модели Facebook Prophet для анализа краткосрочного набора данных (2022–2023 гг.) выявило специфические поведенческие характеристики при захвате динамики температур. Как показано на рис. 2, А1, модель формировала прогнозы с относительно консервативными сезонными амплитудами, сохраняя значения среднесуточных температур в пределах более узкого диапазона, чем тот, который наблюдался для действительных данных. Количественная оценка оболочки прогнозирования показала, что 87,3 % действительных наблюдений оказались в пределах 95 % доверительных интервалов модели, что говорит о разумной, но не оптимальной калиб- ровке оценок неопределенности. Технический анализ выявил, что колебания были распределены симметрично вокруг нулевых значений без видимых шаблонов автокорреляции при лагах 1–20 (Ljung-Box Q = 18,72, p = 0,54), что свидетельствует об эффективном обнаружении временных зависимостей. График квантилей показал близкое совмещение между эмпирическими и теоретическими распределениями с незначительными отклонениями в верхней части графика, что указывает на потенциальную недооценку событий, связанных с экстремально высокими температурами.

Характеристики долгосрочного прогнозирования. При работе с более длительным набором исторических данных (2019–2023) модель Facebook Prophet продемонстрировала существенно иное поведение. На рис. 2, А2, показано, как модель идентифицировала и воспроизводила четкие сезонные паттерны с периодическими температурными минимумами и максимумами, эффективно отображая повторяющийся годовой цикл. Декомпозиция подобранной модели выявила три основных компонента: 1) постепенно повышающийся тренд, равный 0,07 °C/год; 2) годовая сезонность, составляющая ± 1,2 °C вариации; 3) недельные эффекты, вносящие вклад, равный ± 0,15 °C, в малые колебания. Несмотря на улучшенное представление сезонности, график остатков все еще содержал явные периодические всплески, наблюдаемые в месяцы муссонного перехода (апрель – май и октябрь – ноябрь), что указывает на систематические ошибки прогнозирования во время этих метеорологически сложных периодов. По сравнению с краткосрочной моделью, график квартилей показал более тесное общее совмещение с теоретическими значениями, отражая более устойчивую оценку параметров при работе с большим набором данных.

Модели ARIMA. На рис. 2, B1 и B2, представлены результаты прогнозирования, полученные при помощи моделей ARIMA. Модель ARIMA (0, 1, 2) для краткосрочных данных (см. рис. 2, B1) может захватывать колебания температур, формируя относительно устойчивый тренд с минимальными колебаниями на протяжении всего анализируемого периода. Однако в конце 2023 г. возникает заметный восходящий тренд. Модель учитывает нестационарную природу данных путем однократного дифференцирования ( d = 1). Очевидно, график остатков соответствует распределению близкому к нормальному с центрированием около нуля. Помимо этого, график поля настройки атрибутов показывает, что большинство лагов остаются в пределах доверительных интервалов.

Как показано на рис. 2, B2, прогнозы, полученные при помощи модели ARIMA (4, 0, 3) для долгосрочного набора данных, отображают долгосрочные паттерны температур с более выраженными сезонными колебаниями за анализируемый период. Модель

Рис. 2. Прогнозирование температуры, остатки, график квартилей и график поля настройки атрибутов: A1 – модель Facebook Prophet для краткосрочного прогнозирования; A2 – модель Facebook Prophet для долгосрочного прогнозирования; B1 – модель ARIMA для краткосрочного прогнозирования;

B2 – модель ARIMA для долгосрочного прогнозирования

успешно отслеживает сезонные пики и минимумы за многолетний период. Остатки долгосрочной модели также центрируются около нуля и выглядят нормально распределенными, хотя и с немного большей дисперсией, чем в случае краткосрочной модели. График поля настройки атрибутов показывает более устойчивые авто- корреляции, чем в краткосрочной модели, а несколько лагов находятся за пределами доверительных интервалов.

Сравнительная оценка моделей. Количественное сравнение точности прогнозирования в разрезе моделей и временных горизонтов выявило устойчивые паттерны результативности (таблица). Модели

Показатели оценки результативности для моделей прогнозирования температур для различных периодов данных

Модель	Период данных	RSME	MAE
Facebook Prophet	Краткосрочный	0,8365391	0,6734179
	Долгосрочный	0,8310967	0,6645106
ARIMA (авторегрессионное интегрированное скользящее среднее)	Краткосрочный	0,6943945	0,5326206
	Долгосрочный	0,692543	0,5397073

ARIMA превзошли по результативности модели Facebook Prophet как в краткосрочном, так и в долгосрочном сценарии, со значениями ошибок 17,0 % (RMSE) и 20,9 % (MAE) для краткосрочного прогнозирования и 16,7 % (RMSE) и 18,8 % (MAE) для долгосрочного прогнозирования. Это устойчивое преимущество для каждого показателя ошибок и временного горизонта говорит о наличии убедительных доказательств более высокой прогностической мощности моделей ARIMA в данном контексте их применения. При каждом подходе к моделированию долгосрочный набор данных показал незначительные улучшения в результативности моделей Facebook Prophet (снижение на 0,7 % для RMSE, и на 1,3 % для MAE) по сравнению с краткосрочным прогнозированием. Модели ARIMA продемонстрировали пренебрежимо малое различие между временными горизонтами (снижение на 0,2 % для RMSE, повышение на 1,3 % для MAE для долгосрочного набора данных).

Моделирование с использованием ARIMA на обучающей и проверочной выборках. Моделирование температурных данных путем сравнения обу- чающей и проверочной выборок показано на рис. 3. Модель ARIMA отображает температурные колебания за период 2019–2023 гг. с учетом регулярных сезонных паттернов и краткосрочных вариаций. Прогноз на 2024 г. демонстрирует относительно устойчивый тренд с выравниванием прогнозируемой линии. Затененная площадь представляет собой доверительные интервалы (ДИ), где более темные области обозначают 95 % ДИ, а более светлые – более широкий спектр неопределенности. Остатки выглядят случайным образом рассеянными около нуля без каких-либо четких паттернов с течением времени, что указывает на способность модели эффективно обнаруживать базисную структуру. График поля настройки атрибутов не имеет значимых лагов после нескольких первых точек, это свидетельствует, что все последующие корреляции минимальны. Также на графике не отмечены значимые всплески, что говорит об отсутствии корреляции между остатками. Ошибки RMSE и MAE для данного прогнозирования составляют 1,249872 и 1,03723 соответственно.

Рис. 3. Моделирование с использованием ARIMA на обучающей и проверочной выборках

Сравнительный анализ эффективности моделей ARIMA и Facebook Prophet для прогнозирования температуры воздуха в Сурабайе, проведенный авторами данного исследования, выявил несколько важных аспектов для их возможного применения в управлении рисками климат-чув-ствительных заболеваний. Эмпирические доказательства в виде рассчитанных авторами значений ошибок показывают, что модели ARIMA обладают устойчивым преимуществом по результативности в разрезе разных временных горизонтов, поскольку рассчитанная для них среднеквадратическая ошибка RMSE ниже на 16,7–17,0 %, а средняя абсолютная ошибка MAE – на 18,8–20,9 % по сравнению с моделями Prophet. Эта разница в результативности противоречит теоретическим ожиданиям, что гибкость модели Prophet при работе с нелинейными структурами должна принести более высокие результаты в прогнозировании тропического климата.

Более высокая результативность модели ARIMA в данном контексте может быть объяснена несколькими факторами, связанными со специфической динамикой температур, наблюдаемой в Сурабайе. Во-первых, несмотря на теоретические концепции об ограниченности применения моделей ARIMA к нелинейным паттернам, данный анализ выявил относительно стабильную сезонность температурных рядов в Сурабайе с умеренными вариациями между годами, что вполне совместимо с базисными предположениями о результативности моделей ARIMA. Во-вторых, явное моделирование структуры автокорреляции в моделях ARIMA выглядит способным отражать краткосрочные зависимости от суточных температур более эффективно, чем декомпозиционный подход модели Prophet. Эти результаты согласуются с исследованием V.I. Kontopoulou et al. [10], которое продемонстрировало постоянную релевантность модели ARIMA для внешнесредовых временных рядов с четко выраженной сезонностью, а также дополняют исследование E. Ürkmez [11] в части важности надлежащей дифференциации в достижении стационарности для сезонных данных.

В то время как модель Prophet показала результаты ниже модели ARIMA по количественным оценкам, качественная оценка выявила отчетливые поведенческие характеристики, которые заслуживают внимания. Модель Prophet продемонстрировала более высокую способность к явному моделированию и визуализации сезонных компонентов, что повышает интерпретируемость результатов моделирования для пользователей, не являющихся специалистами в статистике. Однако эта визуальная интерпретируемость не привела к повышению точности прогнозирования, увеличивая риск объединения сложности модели с результативностью прогнозирования. Эксплицитный декомпозиционный подход модели Prophet согласуется с результатами исследования F. Oktavia и A. Witanti [12], которые подчер- кивают сильные стороны данной модели, такие как ее способность разделять компоненты тренда и сезонности. Тем не менее наши эмпирические результаты показывают, что экономная структура моделей ARIMA обеспечивает более эффективное прогнозирование как в краткосрочной, так и долгосрочной перспективе, что согласуется с исследованием H. Fan et al. [14], которые описали подобные преимущества модели ARIMA для краткосрочного метеорологического прогнозирования.

Стабильная результативность модели ARIMA в разрезе различных периодов обучения обеспечивает практические преимущества для операционного внедрения. При минимальной разнице в точности между моделями, обученными на данных за два года и за пять лет, модель ARIMA демонстрирует устойчивую результативность даже на ограниченном наборе исторических данных. Эта характеристика является особенно ценной в индонезийском контексте, где развертывание новых станций мониторинга в регионах, где ранее наблюдения отсутствовали, первоначально может генерировать только краткосрочные наборы данных. В исследовании A. Sulasikin et al. [14] отмечается теоретическая устойчивость модели Prophet при работе с отсутствующими данными и всплесками, но анализ, представленный авторами данной статьи, говорит о сопоставимой устойчивости моделей ARIMA при применении для анализа температурных данных с минимальными требованиями к предварительной обработке.

Практическая значимость улучшенного прогнозирования температуры воздуха выходит за рамки метеорологической точности и затрагивает управление рисками инфекционных заболеваний. Колебания температуры напрямую влияют на жизненный цикл комаров, скорость развития патогенов и динамику передачи инфекции [15]. Результат данного исследования в достижении уровня средней абсолютной ошибки для модели ARIMA ниже 0,53 °C представляет собой точность прогнозирования в пределах порогов термальной чувствительности, которые могут повлиять на скорость передачи вируса Денге ( ± 1,0 °C), что свидетельствует о потенциальной значимости таких прогнозов для решения задач здравоохранения. Раннее прогнозирование температурных условий, благоприятных для размножения вирусов, может способствовать проактивному внедрению мер контроля до момента интенсификации передачи. Модели, интегрирующие прогнозирование температур и надзор над инфекционными заболеваниями, показали высокую эффективность прогнозирования относительно вспышек лихорадки Денге [16], подчеркивая значимость точного прогнозирования температуры для планирования задач здравоохранения.

Внедрение систем раннего оповещения, основанных на прогнозировании температур, сталкивается в Индонезии с серьезными вызовами, связанными с ограничениями инфраструктуры данных. Агентство по метеорологии, климатологии и геофизике Республики Индонезия сообщает об операционных затруднениях на более чем 30 % метеорологических стан-ций3, что создает значительные географические пробелы в мощностях мониторинга. Эти недостатки наборов данных напрямую влияют на результативность модели, поскольку наш анализ фокусировался на данных единственной, хорошо обслуживаемой метеорологической станции, в которых отсутствует информация о разнообразных микроклиматических условиях городской среды Сурабайи, не говоря уже о разнообразной топографии всей Индонезии. Всемирная метеорологическая организация определяет Индонезию как регион с особенно неровным покрытием касательно сбора климатических данных [17], что подчеркивает необходимость создания расширенных систем мониторинга для обеспечения устойчивости моделей прогнозирования.

Помимо проблем с непосредственным доступом к данным, дополнительные метеорологические вызовы связаны с временной глубиной исторических записей. Период анализа данного исследования (2019–2024) охватывает только пять лет, что совершенно недостаточно для фиксирования таких погодных событий, как, например, эффекты El Niño ‒ теплой фазы Южной осцилляции (ENSO), которые действуют в течение длительного времени и оказывают существенное влияние на климатические условия в Индонезии [18, 19]. Это ограничение потенциально снижает устойчивость обнаружения тренда и может привести к неадекватному отображению всего спектра температурной вариабельности, что важно для понимания динамики передачи инфекций. Результативность модели может значительно отличаться во время сильного влияния явлений, связанных с El Niño или La Niña, которые не представлены в нашей обучающей выборке. Это подчеркивает необходимость использования данных за более длительный период времени для создания действительно устойчивых систем прогнозирования.

Понимание потенциальных выгод для здравоохранения от применения более совершенных методов прогнозирования температур требует усиленной интеграции между метеорологическими прогнозами и системами мониторинга заболеваний. Температура воздуха напрямую влияет на биологию переносчиков и размножение патогенов [20], обеспечивая механистическую взаимосвязь между климатом и риском заболеваний, что может обеспечить информационную основу целевого вмешательства. Несмотря на то что Индонезия находится в числе пяти стран наиболее эндемичных по лихорадке Денге во всем мире4, вопрос явной взаимосвязи между изменениями температуры и заболеваемостью в Индоне- зии остается малоизученным, создавая критический пробел в знаниях о зависимостях в системе «климат – здоровье». Развитие данного направления в исследованиях требует междисциплинарного сотрудничества с участием метеорологов, эпидемиологов и практикующих врачей для разработки интегрированных систем раннего оповещения, которые превращают более совершенные прогнозы изменения температур в рабочие стратегии профилактики заболеваний.

Значимость для управления рисками инфекционных заболеваний. Использование преимуществ улучшенного прогнозирования температур для решения задач здравоохранения потребует усиленной интеграции метеорологических прогнозов и систем мониторинга заболеваний. Температура воздуха играет важнейшую роль в формировании поведения москитов и размножении патогенов. Патогены инфекций, распространяемых переносчиками, такие как вирусы малярии, лихорадки Денге, Зика и лихорадки Западного Нила, обычно достигают пика размножения при средних температурах воздуха (23–29 °C), в то время как температуры ниже или выше данного диапазона снижают эффективность передачи за счет негативного влияния на жизненный цикл комаров и патогенов [21, 22]. Хотя многочисленные исследования в Индонезии изучали взаимосвязь между погодой и инфекционной заболеваемостью, число работ, посвященных использованию метеорологических данных для разработки систем раннего оповещения, остается ограниченным. Это в особенности касается исследований с применением методов машинного обучения. Развитие данного направления исследований потребует сотрудничества специалистов по метеорологии, эпидемиологии и здравоохранению для разработки систем раннего оповещения, способных трансформировать точные прогнозы изменения температур в практические стратегии профилактики заболеваний [23, 24].

Выводы данного исследования о способности моделей ARIMA формировать надежные прогнозы даже при использовании ограниченного набора исторических данных особенно ценны для совершенствования систем раннего оповещения о вспышках лихорадки Денге на территориях с неразвитой структурой мониторинга. Модели способны формировать прогнозы для конкретных районов с указанием наилучшего времени для уничтожения личинок, привлекать сообщества к участию в профилактических кампаниях и способствовать распределению ресурсов задолго до пиковых периодов передачи инфекции, что обеспечивает эффективность усилий по контролю, несмотря на бюджетные ограничения. Точные прогнозы темпера- туры могут обеспечить своевременное и более эффективное вмешательство в рамках программ контроля над переносчиками в периоды, когда способность комаров переносить инфекцию достигает своего пика [25, 26]. Путем интегрирования прогнозов температуры на основе моделей ARIMA и данных мониторинга популяций москитов организации здравоохранения могут улучшить обнаружение очагов и картирование риска, а регулярное обновление моделей ARIMA с применением новых данных может способствовать развитию адаптивного управления рисками при изменении климатических условий. В целом результаты нашего исследования подчеркивают, что достоверное прогнозирование изменений температур может служить практическим и масштабируемым инструментом улучшения контроля над климат-чувствительными инфекциями в Сурабайе, Индонезия.

Потенциал для обобщения результатов данного исследования имеет несколько ограничений. Во-первых, представленный анализ был сфокусирован исключительно на моделях ARIMA и Prophet и не включает такие новинки машинного обучения, как случайный лес, нейросети с кратковременной и долговременной памятью, а также гибридные методы, которые могли бы помочь добиться более высокой результативности за счет применения непараметрического распознавания паттернов. Во-вторых, предложенные модели рассматривают температуру воздуха как изолированную переменную и не учитывают дополнительные метеорологические факторы (влажность, осадки) или особенности городской среды, которые влияют на локальный микроклимат. В-третьих, оценка фокусировалась исключительно на точности прогнозирования, а не на эффективности вычислений, масштабируемости или простоты внедрения. Именно вышеперечисленные факторы могут оказать влияние на внедрение инструмента в оперативную деятельность организаций здравоохранения в случае ограниченности их технических возможностей. Наконец, в моделях не учитывалось влияние теплой южной осцилляции (ENSO).

Выводы. Модель ARIMA показала более высокую результативность по сравнению с моделью Facebook Prophet в прогнозировании суточных трендов температур воздуха в Сурабайе, Индонезия, как для краткосрочного, так и долгосрочного горизонта прогнозирования. Несмотря на теоретические ожи- дания, что гибкость модели Prophet поможет ей более эффективно отображать динамику тропического климата, явное моделирование ARIMA со структурой автокорреляции оказалось более эффективным для выявления относительно стабильных сезонных температурных трендов в Сурабайе. Модели ARIMA обеспечивали постоянную результативность вне зависимости от длины обучающей выборки анализируемого периода данных, показывая устойчивую прогнозную способность даже при работе с ограниченным набором исторических данных. Это является весьма ценной характеристикой для операционного внедрения в регионах, где мониторинговые сети находятся на первоначальном этапе формирования. При уровне ошибок прогнозирования, не превышающем 0,55 °C, прогнозы ARIMA отличались точностью в пределах порогов термальной чувствительности, соответствующих динамике передачи вируса лихорадки Денге, что делает их потенциально ценным инструментом управления рисками инфекционных заболеваний. Однако практическое применение данных моделей в здравоохранении требует решения значительных проблем, связанных с инфраструктурой данных, интеграции с системами мониторинга заболеваний и адаптации к более долгосрочным вариациям климатических условий, которые не были включены в период, анализируемый в данном исследовании. В будущих исследованиях следует сосредоточиться на изучении гибридных подходов к моделированию, которые учитывают дополнительные метеорологические переменные, анализируют взаимосвязи между прогнозами температуры воздуха и заболеваемостью, а также на разработке процедур внедрения таких подходов в практику для трансформации улучшенных прогнозов в практические действия, предпринимаемые организациями здравоохранения. Эти действия включают своевременное принятие мер контроля переносчиков инфекций, картирование риска вспышек заболеваний и интеграцию систем раннего оповещения в процедуры управления риском инфекционных заболеваний.

Финансирование. Спонсором исследования является Университет генерала Содермана.