机器学习模型的应用用于对印度阿萨姆州经典猪瘟的风险估计和风险预测

科学领域:

• 兽医流行病学 兽医流行病学
• 环境科学 环境科学
• 机器学习应用 机器学习应用

背景情况:

• 经典猪瘟 (CSF) 对猪群和经济构成重大威胁.
• 了解气候与疾病的关系对于预测和管理CSF疫情至关重要.
• 之前的研究还没有充分探索CSF与印度阿萨姆州环境因素相关的时空动态.

研究的目的:

• 使用机器学习模型开发CSF的早期预警系统.
• 调查气候变量与阿萨姆邦CSF空间发生之间的关系.
• 确定高风险地区,了解疾病传播动态,以便有效控制.

主要方法:

• 利用了2005-2021年的CSF发病率数据.
• 应用线性差异分析 (LDA) 以确定重要的环境和遥感风险因素.
• 采用机器学习模型 (随机森林,分类树分析,梯度增强机) 进行基于气候的疾病建模.
• 创建了风险地图,并计算了高风险集群区的基本繁殖数 (R0).

主要成果:

• LDA确定了空气温度,增强的植被指数,陆地表面温度,潜在的蒸发率和风速为CSF的重要风险因素.
• 风险地图显示,阿萨姆州的西部和东部地区是具有重大热点的高风险地区.
• 计算的R0值在1.04到2.07之间,证实了阿萨姆州东部和西部的更高易感性.
• 随机森林,分类树分析和梯度提升机表现出强大的预测性能.

结论:

• 机器学习模型有效地根据气候和环境因素预测CSF风险.
• 该研究为阿萨姆邦的CSF传播动态和时空模式提供了宝贵的见解.
• 开发的早期预警系统和风险地图可以帮助实施有针对性的控制措施,以减轻CSF爆发造成的经济损失.