ドローンによる地理空間予測モデリングにより,ペルーのクスコ高原でFasciola hepaticaの感染リスクが特定されました

科学分野:

• 環境科学 環境科学
• エピデミオロジー エピデミオロジー
• 機械学習 (Machine Learning) とは,機械学習 (Machine Learning) について学ぶことです.
• リモートセンシング (リモートセンサー)

背景:

• ファシオリアシス (fascioliasis) は,農業社会,特にペルーのアンデス山脈で蔓延する見捨てられた熱帯病です.
• ターゲットを絞った監視と制御戦略には,環境リスクの詳細な特定が必要です.
• この研究では,ファシオリアシスのリスクを予測するために,ドローンから得られたデータの使用を調査しました.

研究 の 目的:

• 人間と羊のFasciola hepatica感染症の予測モデルを開発する.
• リスク予測のために,ドローンから派生した環境,地形,気候のインデックスを利用する.
• アンデス山脈の農村地域におけるファシオリアシスリスクの精細な確率マップを作成する.

主な方法:

• ペルーのクスコのHuayllapataコミュニティで横断的な研究が行われました.
• 環境指標を導き出すために,高解像度ドローン調査 (マルチスペクトルおよび熱) が使用されました.
• 機械学習モデル (ランダムフォレスト,XGBoost,ディープラーニング) を訓練し,標準と空間クロス検証を使用して評価しました.

主要な成果:

• 人間のファシオリアシスの罹患率は21.3%で,羊の罹患率は80%に達した.
• 機械学習モデル,特にRandom ForestとXGBoostは,感染を予測する上で高いパフォーマンスを示しました.
• 発生した確率マップは,感染リスクの空間的な有意な変動を示し,局所的なホットスポットを強調した.

結論:

• ドローンから得られたデータを統合した機械学習モデルは,人間と羊のFasciola hepatica感染の発生を効果的に特定しました.
• ランダムフォレストとXGBoostのモデルは,特に空間クロス検証下で,堅実なパフォーマンスを示しました.
• 無人飛行器 (UAV) ベースのアプローチは,局所的なファシオリアシスリスクマッピングとターゲットを絞った介入のために実現可能である.