Optimisation des paramètres de gestion d’une épidémie grâce à l’analyse de sensibilité

OPTIMISATION DE LA STRATEGIE DE GESTION D’UNE EPIDEMIE

Optimisation des paramètres de gestion d’une épidémie grâce à l’analyse de sensibilité

Afin d’identifier des stratégies de gestion efficaces, les résultats des analyses de sensibilité effectuées précédemment ont été étudiés. Dans un premier temps, pour chaque niveau d’agrégation du paysage, les stratégies conduisant à la meilleure VAN dans les analyses de sensibilité ont été sélectionnées. Pour évaluer leur efficacité et avoir un aperçu de l’influence du paysage, des simulations ont été réalisées avec ces stratégies sur les 3 paysages en faisant varier les paramètres épidémiologiques. Cependant, la sélection de ces stratégies est dépendante des paramètres épidémiologiques utilisés dans le plan d’échantillonnage (le plan d’échantillonnage a été réalisé avec à la fois 23 paramètres de gestion et 6 paramètres épidémiologiques, ce qui signifie que la VAN obtenue pour chaque stratégie de gestion dépend des 6 paramètres épidémiologiques utilisés). Dans un deuxième temps, pour contourner cette dépendance aux paramètres épidémiologiques de l’analyse de sensibilité, nous avons défini des cas épidémiques (un cas épidémique correspondant à une combinaison de gammes de variation des 6 paramètres épidémiologiques). Dans chaque type de paysage et pour chaque cas épidémique, la stratégie conduisant à la meilleure VAN dans les analyses de sensibilité a été retenue et des simulations ont été réalisées en faisant varier les paramètres épidémiologiques. Pour chaque type de paysage, les 10 meilleures stratégies ont ensuite été sélectionnées puis testées sur les autres paysages. Enfin, nous avons retenu les 3 meilleures stratégies correspondant aux 3 niveaux d’agrégation des paysages. Les résultats de ce chapitre sont détaillés dans la dernière partie de l’article 4 présenté dans le chapitre précédant.  

Optimisation des paramètres de gestion d’une épidémie grâce à un algorithme d’optimisation 

L’étude présentée précédemment a montré qu’il est possible d’améliorer les stratégies de gestion d’une épidémie grâce aux résultats d’une analyse de sensibilité. Néanmoins, cette méthode est limitée par le nombre de combinaisons de paramètres de gestion explorées (310.155 dans notre cas). Des stratégies plus efficaces n’ont peut-être pas été testées ; c’est pourquoi une approche permettant d’explorer tout l’espace des stratégies possibles a été utilisée. Cette approche d’optimisation est basée sur un métamodèle de krigeage. Elle permet d’explorer l’espace des stratégies possibles de manière parcimonieuse, et de s’orienter progressivement vers les combinaisons de paramètres les plus efficaces économiquement. Cependant, pour maximiser l’efficacité de cette approche dans le cadre de notre problème d’optimisation, un des défis a été de redéfinir par distorsion l’espace des paramètres (warping), en supprimant les combinaisons de paramètres qui caractérisent des gestions identiques. Cette méthode est présentée dans l’article 5, qui compare les résultats d’optimisations réalisées avec ou sans cette étape de distorsion. Dans le cadre de ma thèse, j’ai contribué à la production des résultats et à l’écriture de la partie qui traite de la description du modèle sharka et qui expose la problématique et de celle qui analyse la performance de l’étape de distorsion lors de l’optimisation de la gestion de la sharka. Nous avons ensuite appliqué cette approche au problème de l’optimisation des stratégies de gestion de la sharka. Nous avons optimisé la stratégie de gestion de cette maladie sur la base de deux critères : la moyenne de la VAN et la moyenne des 10% des VAN les plus faibles. Nous avons réalisé des optimisations pour les 3 types de paysages (avec des niveaux d’agrégation des parcelles différents, à la fois dans le cas d’épidémies émergentes (faible prévalence avant la mise en place de la gestion) et dans le cas d’épidémies installées (forte prévalence avant la gestion). L’approche d’optimisation utilisée et les résultats des optimisations sont détaillés dans l’article 6

Model description and problem set-up 

The simulation model that we analyze in this work is a stochastic, spatially explicit, SEIR (susceptible-exposed-infectious-removed) model that simulates sharka spread and management actions [including surveillance, removals and replantations 22, 26, 27]. This model is orchard-based, with a discrete time step of one week. It allows to perform simulations on landscapes composed of uncultivated areas and patches on which peach trees are grown. The patches can be more or less aggregated in the landscape however, we only use in this work the 30 landscapes with a high level of patch aggregation as described by Picard et al. [19]. During the simulation, the trees in the patches are characterized by different states. When the simulation begins, they are not infected: they are in the “susceptible” state. Then, the virus is introduced the first year of the simulation in one of the patches and spreads through orchards (new introductions can also occur during the entire simulation on all patches). The virus causes changes in tree status: from “susceptible”, they become “exposed” (infected but not yet infectious or symptomatic), “infectious hidden” (after the end of the latent period), “infectious detected” (when specific symptoms are detected on the tree during a survey), and “removed” (when the tree is removed from the patch). The model output is an economic criterion, the net present value (NPV), which accounts for the benefit generated by the cultivation of productive trees and the costs induced by fruit production and disease management [27]. In order to simulate wide range of epidemic and management scenarios, the model includes 6 epidemiological and 23 management parameters [27, 19]. In this work, we will use the 6 epidemiological parameters and only 10 management parameters to performed some optimizations quickly. Among the 23 management parameters, we removed parameters corresponding to plantation restrictions, removals, and surveillance of young orchards. The parameters we kept include distances of 3 zones for which the surveys are more or less frequent as well as their duration, the probability of the infected tree detection, and a contamination threshold which can request to increase the surveillance frequency in a focal zone. Details of management parameters used in this study are presented in Fig.1 and Table 1 (this table also includes the variation ranges of the parameters in the model). Here, we aim to optimize the management strategy of the disease (i.e. to find the combination of management parameters allowing to obtain the best NPV), taking into account the epidemic stochasticity. However, we note that some combinations of management parameters can represent the same management, which may cause problems in the optimization process. Indeed, we observe that some management parameters are not useful when other parameters have a value of 0, which means that they can take any values without modifying the simulation. For example, when a zone radius is 0, the associated surveillance frequency have no impact on the NPV (regardless its value). The methodological developments that are proposed in this work address this issue by removing the parameter combinations which lead to the same management. The parameter invariances removed from the model are listed in Table 2

Cours gratuitTélécharger le document complet

Télécharger aussi :

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *