Dispersal heterogeneity is an important process that can compensate for downstream advection, enabling aquatic organisms to persist or spread upstream. Our main focus was the effect of year-to-year variation in larval dispersal on invasion spread rate. We used the green crab, Carcinus maenas, as a case study. This species was first introduced over 200 years ago to the east coast of North America, and once established has maintained a relatively consistent spread rate against the dominant current. We used a stage-structured, integro-difference equation model that couples a demographic matrix for population growth and dispersal kernels for spread of individuals within a season. The kernel describing larval dispersal, the main dispersive stage, was mechanistically modeled to include both drift and settlement rate components. It was parameterized using a 3-dimensional hydrodynamic model of the Gulf of St Lawrence, which enabled us to incorporate larval behavior, namely vertical swimming. Dispersal heterogeneity was modeled at two temporal scales: within the larval period (months) and over the adult lifespan (years). The kernel models variation within the larval period. To model the variation among years, we allowed the kernel parameters to vary by year. Results indicated that when dispersal parameters vary with time, knowledge of the time-averaged dispersal process is insufficient for determining the upstream spread rate of the population. Rather upstream spread is possible over a number of years when incorporating the yearly variation, even when there are only a few good years featured by some upstream dispersal among many bad years featured by only downstream dispersal. Accounting for annual variations in dispersal in population models is important to enhance understanding of spatial dynamics and population spread rates. Our developed model also provides a good platform to link the modeling of larval behavior and demography to large-scale hydrodynamic models.

Background: Influenza A presents a major public health issue in Ontario, affecting the population with regular seasonal outbreaks that lead to health and economic burdens. This study uses a collection of historical data on Influenza A cases which dates back to 2015. Objectives: Utilizing a data-driven approach, this study aims to enhance short-term forecasting of Influenza A cases. By predicting the number of cases over a 14-day horizon, we intend to provide actionable insights for public health officials to implement timely and effective interventions. The model seeks to differentiate impacts on pediatric and adult populations, thereby optimizing resource allocation and intervention strategies tailored to demographic-specific needs. Methods: Utilizing the R package tscount, tailored to count time series data, we modeled the number of Influenza A cases. This package supports generalized linear models, which are pivotal for predicting time-dependent phenomena and allow for the inclusion of past values and covariates into the models. The analysis was segmented by age group to refine predictions. Results: The model accurately forecasted 14-days of Influenza A cases for both pediatric and adult populations. Predictive performance was assessed using the Root Mean Square Error (RMSE) and Mean Absolute Error (MAE), which upheld the model's efficacy in short-term forecasting within acceptable error thresholds. Conclusions: The developed forecasting model proves effective for short-term predictions, providing insights into outbreak trends and severity. These predictions are crucial for optimizing resource distribution, informing public health advisories, and enhancing community preparedness.