Mapping internal connectivity through human migration in malaria endemic countries | Nature
▻https://www.nature.com/articles/sdata201666?error=cookies_not_supported
#flowmap #Afrique #malaria #réseau #relation #connectivité #couleur #data
Mapping internal connectivity through human migration in malaria endemic countries | Nature
▻https://www.nature.com/articles/sdata201666?error=cookies_not_supported
#flowmap #Afrique #malaria #réseau #relation #connectivité #couleur #data
Mapping internal connectivity through human migration in malaria endemic countries
►http://www.nature.com/articles/sdata201666
Mapping internal connectivity through human migration in malaria endemic countries : Scientific Data
►http://www.nature.com/articles/sdata201666
Estimating internal migration flows between administrative units
Following Garcia et al. a gravity model-based approach was used to estimate the total number of people migrating from one administrative unit to any other administrative unit, between 2005 and 2010, within each malaria endemic country located in Africa, Asia, Latin America and the Caribbean
#migrations_internes #santé #paludisme #afrique #amérique_du_sud #inde etc. #cartographie #mobilité #complexité_visuelle #recherche #visualisation
@severo
pour la population voir aussi du même auteur Alessandro Sorichetta ▻http://www.nature.com/articles/sdata201545
@louca toi qui cherchait des manières de représenter les flux de migrations, ça peut t’intéresser. Cela dit, sur la carte d’Amérique du Sud, c’est peu lisible je trouve. En gros toutes les capitales départementales/provinciales sont reliées par des traits rouges. Ça voudrait dire qu’il y a beaucoup de trafic entre toutes les villes, j’en doute cela dit, parce que ce sont des villes de tailles très différentes.
Effectivement, le graphe relie tous les centroïdes des unités administratives immédiatement inférieures aux pays (et non pas leurs capitales).
Mais bien que les flux soient bien identifiés entre origine et destination, le graphe qui les représente n’est pas orienté. C’est un peu déroutant…
La quasi étanchéité des frontières nationales me paraît suspecte... L’absence de flux entre le sud du Mali, le sud-ouest du Burkina et le nord de la Côte d’Ivoire est juste délirante.
Bon, je vois que la méthode s’intitule « Estimating internal migration flows between administrative unit » et a lieu « within each malaria endemic country » ... C’est une approche qui me paraît totalement invalide - je me demande même commente elle a pu être retenue.
une piste pour améliorer ce type de graphiques : l’algorithme #FDEB
▻https://github.com/upphiminn/d3.ForceBundle
►http://bl.ocks.org/Fil/e7c39340eba09b7315759e960ce3a3f9
Excellent !
à comparer avec l’exemple suivant (sans le « bundling »)
▻http://bl.ocks.org/Fil/2255f5e79b2fc88efacc6df0ea108142
Je me demandais comment étaient estimées les valeurs des flux entre les villes. C’est ... compliqué :
▻http://www.nature.com/articles/sdata201666#methods
@fil : tu as reproduit les calculs, en te basant sur les données suivantes ?
▻http://www.nature.com/articles/sdata201666#data-records
Pour le « bundling », c’est beaucoup plus clair, mais ça fait apparaître des lignes courbes, qui ressemblent à des routes, ce qui peut induire en erreur.
Autre truc qui m’a paru bizarre : on dirait que les points ne sont pas les villes principales, mais les centroïdes des départements (où il n’y a personne en général).
En fait je dirais même qu’il y a trop de points ou pas assez (35 points) : il existe 9 départements et 112 provinces, et aucune autre division administrative entre les deux.
Le fichier de données ne dit pas grand chose :
▻http://bl.ocks.org/Fil/raw/338173f684c195696b440993713d287a/ce64e58f8abc767da7d0201c7c98663add099399/BOL_5yrs_InternalMigFlows_2010.csv
ISO,NODEJ,NODEI,LONFR,LATFR,LONTO,LATTO,PrdMIG
BOL,101,103,-64.75520521,-18.96055212,-65.32139438,-18.84782587,480.9150057
Pas d’information de ce que sont ces points (NODEJ, NODEI).
cc @louca
Bonne idée, le résultat est beaucoup plus agréable et compréhensible.
Mapping Plasmodium falciparum Mortality in Africa between 1990 and 2015 — NEJM
▻http://www.nejm.org/doi/full/10.1056/NEJMoa1606701
(où l’on voit que les #frontières restent des barrières en matière de santé)
Les frontières administratives sont certainement des délimitations entre des niveaux différents de soins et de couverture médicale mais aussi entre les différents protocoles de collecte de l’information. De ce point de vue l’élément clé de tout l’article c’est évidemment la #cause_de_décès, or celle-ci est connue de façon essentiellement déclarative : l’#autopsie_verbale (cf. ce document de l’OMS de 2009, Normes d’autopsie verbale, établissement et attribution de la cause de décès ▻http://apps.who.int/iris/bitstream/10665/44056/1/9789442547214_fre.pdf )
Par ailleurs, je ne comprends pas bien comment se fait le passage des nombres bruts de décès aux taux de mortalité. Il ne semble pas dépendre de la connaissance de la population au niveau des mailles géographiques mais résulter du modèle (passage par la part des décès dûs à la malaria dans le total des décès).