Risikokarte für Puumala-Hantaviruskrankungen 2023 (Datensatz)

Das Puumalavirus-Prognosemodell modelliert das Auftreten von humanen PUUV-Infektionen auf Basis der Daten von 2006–2021. Es umfasst 78 Kreise bundesweit und kann das zukünftige humane Infektionsrisiko anhand von Wetter- und Phänologie-Daten vorhersagen. Das Ausbruchsrisiko ist eine neu definierte binäre Größe, welche die jährlichen lokalen Ausbrüche vorhersagt. Die vorhergesagten Inzidenzwerte (Anzahl Infektionen / 100.000 Einwohnern) und Risikoklassen leiten sich aus dem Ausbruchsrisiko und historischen Inzidenzwerten ab.

Citation proposal
(2023) . Risikokarte für Puumala-Hantaviruskrankungen 2023 (Datensatz). https://gdk.gdi-de.org/geonetwork/srv/api/records/23bafbdd-108d-476c-85a7-6de5301cd85f

Simple

Alternate title: Puumala-Hantavirusprognose (Datensatz)

Date ( Creation ): 2023-04-05

Date ( Publication ): 2023-04-05

Date ( Revision ): 2023-07-12

Status: On going

Point of contact

Umweltbundesamt - Anke Geduhn (wissenschaftliche Mitarbeiterin )

Wörlitzer Platz 1 Dessau-Roßlau IV 1.4 Gesundheitsschädlinge und Ihre Bekämpfung 06844 Deutschland

+49-340-2103-0

Website: https://www.umweltbundesamt.de

Maintenance and update frequency: Annually

Maintenance note: Die Risikokarte wird jährlich im Herbst für das Folgejahr aktualisiert.

Name: filegdb-featureClass

Version: 10.8.1

GEMET - Concepts, version 2.4 ( Discipline )

Hantavirus
Puumalavirus
PUUV
Prognose
Vorhersage
Infektionsrisiko
Ausbruch
Ausbruchsrisiko
Rötelmaus
Nagetier
Risikokarte
Infektion

Keywords ( Place )

Deutschland

Keywords ( Temporal )

2023

Keywords ( Stratum )

opendata

Spatial scope

National

Resource constraints

No information provided.

Resource constraints

No information provided.

Resource constraints

No information provided.

Resource constraints

No information provided.

Resource constraints

No information provided.

Resource constraints

No information provided.

Resource constraints

No information provided.

Resource constraints

No information provided.

Resource constraints

No information provided.

Resource constraints

No information provided.

Resource constraints

No information provided.

Resource constraints

No information provided.

Resource constraints

No information provided.

Resource constraints

No information provided.

Resource constraints

No information provided.

Resource constraints

No information provided.

Resource constraints

No information provided.

Resource constraints

No information provided.

Resource constraints

No information provided.

Resource constraints

No information provided.

Resource constraints

No information provided.

Resource constraints

No information provided.

Resource constraints

No information provided.

Resource constraints

No information provided.

Resource constraints

No information provided.

Resource constraints

No information provided.

Classification: Unclassified

Use limitation: Nutzungsbedingungen: Dieser Datensatz kann gemäß der Lizenz "Datenlizenz Deutschland Namensnennung 2.0" (https://www.govdata.de/dl-de/by-2-0) genutzt werden.

Access constraints: Other restrictions

Use constraints: Other restrictions

Other constraints: { "id": "dl-by-de/2.0", "name": "Datenlizenz Deutschland Namensnennung 2.0", "url": "https://www.govdata.de/dl-de/by-2-0", "quelle": "Umweltbundesamt" }

Distance: 1000 m

Denominator: 1000000

Metadata language: German

Character set: UTF8

Topic category

Health

Geographic identifier: DE

Version: 6.11.2

Distribution format

application/gpkg (1.3.1 )

Point of contact

Umweltbundesamt - Anke Geduhn (Fachbegleitung )

Wörlitzer Platz 1 Dessau-Roßlau IV 1.4 Gesundheitsschädlinge und Ihre Bekämpfung 06844 Deutschland

+49-340-2103-0

Website: https://www.umweltbundesamt.de

OnLine resource: Datensatz-Puumalavirus-Prognose-2023
Datensatz-Puumalavirus-Prognose-2023

OnLine resource: Weitere Informationen zum Vorhersagemodell
Weitere Informationen zum Vorhersagemodell

OnLine resource: Infektionsschutz - Hantavirusprognose
Infektionsschutz - Hantavirusprognose

Hierarchy level: Dataset

Other

Statement: Die dargestellten Risikokarten basieren auf einer Modellierung des Risikos eines PUUVAusbruchs in einem Landkreis. Aus historischen Inzidenzwerten wird dann die prognostizierte Inzidenz und die Risikoklasse abgeleitet. Die Risikomodellierung erfolgt einmal im Jahr im Herbst/Winter und sagt das Risiko von humanen PUUV-Infektionen im Folgejahr vorher. Das Risiko wird für alle Landkreise berechnet, in denen im Zeitraum 2006–2021 mindestens 20 Infektionen gemeldet wurden und die Inzidenz in mindestens einem Jahr über 2 Infektionen pro 100.000 Einwohnern lag. PUUV-Ausbrüche folgen i.d.R. nach der Mast der Rotbuche (Fagus sylvatica), welche ein stark erhöhtes Vorkommen der Rötelmaus begünstigt. Deshalb fließt die Blühstärke der Rotbuche ins Vorhersagemodell mit ein. Weiter dienen Wetterparameter als Prädiktoren für das humane PUUV-Infektionsrisiko, da die Schwankungen der Rötelmauspopulationen stark mit den Wetterparametern der beiden vorangegangenen Jahre korrelieren. Für die Modellierung verwendete Daten pro Landkreis: 1. Wetterparameter auf monatlicher Basis aus den zwei vorangegangenen Jahren [Deutscher Wetterdienst: Climate Data Center (CDC). https://opendata.dwd.de/] 2. Blühstärke der Rotbuche aus dem vorangegangenen Jahr [Schneck, D.: Das Blühen der Waldbäume. In: AFZ-DerWald] 3. Humane PUUV-Inzidenzen (jährliche Infektionen pro 100.000 Einwohner) [Robert Koch-Institut: SurvStat@RKI 2.0. https://survstat.rki.de] Das Modell wurde von Dr. Orestis Kazasidis am Julius Kühn-Institut Münster im Rahmen des Ressortforschungsplanes – Forschungskennzahl 3720 48 401 0 entwickelt und durch das Bundesministerium für Umwelt, Naturschutz, nukleare Sicherheit und Verbraucherschutz finanziert. Eine neue Größe, das „Ausbruchsrisiko“, bestimmt die kreisbezogenen Ausbrüche, in denen die historischen Inzidenzwerte über einem bestimmten Schwellenwert liegen. Das optimale Modell mit sechs Variablen bewies eine Vorhersagekraft mit über 82% Genauigkeit im Zeitraum 2006–2021. Zur Unterscheidung der Ausbrüche wurde ein Support-Vector-Machine-Klassifikator mit einem linearen Kernel verwendet. Ein heuristisches Verfahren zum Durchsuchen des mehrdimensionalen Variablenraums sorgte für die Einschränkung der Anzahl von Prädiktoren im endgültigen Modell, was die Gefahr einer Überanpassung verringerte.