使用地球观测测量和时空深度学习建模预测疟疾爆发:南亚2000年至2017年的案例研究

科学领域:

• 流行病学 流行病学
• 环境科学 环境科学
• 数据科学数据科学数据科学

背景情况:

• 疟疾是导致死亡的主要原因,全球一半人口面临风险,主要是在非洲和南亚.
• 预测疟疾爆发是具有挑战性的,因为各种空间时间风险因素.
• 数据驱动的方法可以为疟疾提供特定位置的早期预警系统.

研究的目的:

• 开发和验证数据融合方法,用于预测巴基斯坦,印度和孟加拉国的疟疾发病率.
• 为了准确的预测,利用地理引用的环境因素和多维时空长期短期记忆 (M-LSTM) 模型.
• 为本地疟疾爆发预测创建特定国家模型.

主要方法:

• 开发了一种使用地理参考环境因素 (温度,降雨量,NDVI,夜间灯光) 的数据融合方法.
• 在2000-2016年的数据上训练了一种多维时空长期短期记忆 (M-LSTM) 模型,并对2017年进行了验证.
• 使用来自人口和健康调查的地区级疟疾发病率数据,以及来自AReNA和NOAA的环境数据.

主要成果:

• M-LSTM模型实现了高预测准确度:巴基斯坦为80.6%,印度为76.7%,孟加拉国为99.1%.
• 记录了低根平均平方误差 (RMSE):7×10−4 (巴基斯坦),4.86×10−6 (印度) 和1.32×10−5 (孟加拉国).
• 地理空间分析显示,高疟疾率与高温,降雨量和植被相关,与夜间灯光相反.

结论:

• 远程感知到的环境因素可以有效预测疟疾爆发.
• 先进的建模技术可以同时预测跨时间和大地理区域.
• 这些工具可以赋予区域决策者早期疟疾爆发管理的权力.