vegetation variability, malnutrition, and armed conflict ... · vegetation variability,...

Vegetation variability,  malnutrition, and armed conflict 

in the Horn of Africa

Pedram Rowhani (McGill University)Olivier Degomme (CRED –

UCLouvain)

Debarati Guha‐Sapir (CRED –

UCLouvain)Eric Lambin (UCLouvain & Stanford)

KlimaCampus, Hamburg University, November 20, 2009

Climate change‐famine‐war

Study area

4 million km²

supporting 56 million people 

3 of the world’s poorest countries hit by 

conflicts and famines (> 6 million IDP)

• Sudan (states‐wilayat):

Southern Sudan since early 1980’s; 

Darfur, war opposing nomad Arab 

militia to different local non‐Arab 

groups

• Ethiopia (zones):

The Ogaden province; Border dispute 

with Eritrea; Involved in insurgency in 

Somalia

• Somalia (regions‐gobollada):

No permanent national government

Data•

Complex Emergency Database (CE‐DAT): Global Acute Malnutrition 

(GAM) represents the proportion of children below 2 standard deviation 

from the average ratio weight‐over‐height

•

MODIS: Vegetation variability (SCV), production (iEVI), land 

degradation (decreases in iEVI)

•Armed Conflicts database, version 3‐2005: Conflicts with at least 25 

battle deaths/year, LAT/LONG and Radius

• Gridded Gross Domestic Product (GDP) 

•Road density

Global Acute Malnutrition (GAM)The nutritional status of a population is one of the basic indicators 

to assess the severity of a humanitarian crisis.

The weight and height of children between 6 and 59 months are 

measured and the results are used as a proxy indicator for the 

general health of the entire population. 

Global Acute Malnutrition (GAM) = weight‐for‐height index less than 

‐2 standard deviations from the mean weight of a reference 

population of children of the same height and/or having oedema.Thresholds:

<5% = acceptable5% to 9.9% = poor10% to 14.9% = serious>15% = critical

First day of data collected by MODIS on the TERRA platform

Remote sensing

MODerate resolution Imaging  Spectroradiometer (MODIS)

• MODIS data– Geo‐location ~ 50 m – 250 –

1000 m resolution– Enhanced radiometric quality– Real‐time atmospheric correction– Designed for vegetation 

monitoring

• MOD43B4– Feb 2000 – DEC 2006– 1 km resolution– 16‐day composites– BRDF corrected reflectance 

products (Schaaf et al. 2002)

Global MODIS Enhanced Vegetation Index

L C CGEVI

blue2red1nir

rednir

ρρρ

ρρ

Vegetation variability (1)

• Change Vector– Difference of annual 

profile vectors

Change Vector

EVI Profiles

12 IICV

I1 I2

CV

Vegetation variability (2)Sum of the absolute values of the Change Vector (SCV)

Linderman et al., 2005

n

i

refi

yeari II

1SCV(year)

• Changes in amount of EVI

• Changes in phenology  and/or timing of activity

Vegetation variability (3)

Mean SCV 2000‐2006 period at 1km resolution (SCV/iEVI(ref))

Vegetation availability / Degradation

integrated EVI

(iEVI)  

Six year profile

1000

1500

2000

2500

3000

3500

4000

4500

1 9 17 25 33 41 49 57 65 73 81 89 97 105 113 121 129 137

Time

EVI

23

1jjEVIiEVI

Land degradation (iEVI)

MethodLogistic regressions:1.Malnutrition ~ f(Conflict)2.Malnutrition~f(SCV,iEVI,degradation,GCP,Roads)3.Conflict~f(SCV,iEVI,degradation,GCP,Roads)

Administrative & 

Village level

Results (1)  malnutrition ~ conflict

Logistic

regression

model results

measuring

the relationship

between

GAM

and conflict

(pseudo‐R2 = 0.19, model chi‐square = 0.0008,

area under

ROC = 0.74, AIC = 46.506)

In the Horn of Africa, GAM values over 15 are 

11.7 times more likely

to be

found

in conflict

areas.

Results

(2) Malnutrition

•

Regions

with

unpredictable

vegetation

productivity

have an increased

likelihood

of acute malnutrition.

• Malnutrition

is

15.4

times more likely

to be

found

in a poor

area.

• The likelihood

of observing

malnutrition decreases

with

road density.

Multivariate

logistic

regression

model results

analyzing

the spatial

distribution of conflict

(pseudo‐R²

= 0.23/0.04, area under

ROC = 0.81/0.64)

Variable Parameter estimate Standard error P-value Odds ratio

admin. unit village admin. unit Village admin. Unit village admin. unit village

Intercept 22.61 7.36 9.85 2.06 0.0217 0.0003 - -

log10 GCP -3.57 -0.87 1.36 0.258 0.0089 0.0007 0.0283 0.419

Roads -53.55 25.28 0.0341 5.5·10-24

SCV 17.38 8.66 0.0446 3.55·1007

Results (3) Armed conflict

Multivariate logistic regression model results analyzing the spatial

distribution of conflict

(pseudo‐R2 = 0.08/0.13, area under ROC = 0.71/0.74)

• Better economic situation reduces likelihood of armed conflict. 

• Armed conflicts are more likely in regions with

more vegetation. 

•

Interannual variability in

vegetation

and land degradation do not 

explain the presence of conflict

in the Horn of Africa.

Variable Parameter estimate Standard error P-value Odds ratio

Admin. unit village admin. unit Village admin. unit village admin. unit village

Intercept 7.235 2.108 4.08 2.63 0.0762 0.01 1387.06 8.23

log10 GCP -1.089 0.548 0.0471 0.3366

iEVI 3.6·10-05 5.73·10-05 1.50·10-05 1.16·10-05 0.0163 8.04·10-07 1.00004 1.00007

Conclusions • Malnutrition and armed conflict are closely related

•

Direct association between interannual variability in vegetation 

productivity and malnutrition

• Vegetation variability indirectly associated with conflict

•

Short‐term land degradation not related to malnutrition and 

armed conflict

•

Better economic situation found in peaceful areas with low 

levels of malnutrition (scale independent)

• High vegetation production associated with conflict

• Different processes at different scales

• Data quality/availability!!!

Thank you!

Pedram.rowhani‐ardekani@mcgill.ca