为了疾病生态学的物种分布建模:一项多层次的案例研究,针对巴西的杆杆菌病宿主牛
Alyson L Singleton1, Caroline K Glidden2,3, Andrew J Chamberlin4
1Emmett Interdisciplinary Program in Environment and Resources, Stanford University, Stanford, California, United States of America.
PLOS global public health
|August 2, 2024
概括
物种分布模型 (SDM) 通过分析宿主分布,有效地绘制疾病风险图. 这项研究强调,虽然机器学习方法的性能相对较高,但专家验证对于准确评估巴西杆菌病风险至关重要.
科学领域:
- 生态生态学 生态生态学
- 流行病学 流行病学
- 计算生物学 计算生物学
背景情况:
- 物种分布模型 (SDM) 对于评估传染病风险至关重要,特别是在具有非人类宿主的动物性疾病中.
- 公众健康问题 - - 石病是通过淡水牛传播的,因此它们的分布对于风险测绘至关重要.
- 关于SDM各种计算方法的最佳应用的方法学问题仍然存在.
研究的目的:
- 评估和比较不同机器学习 (ML) 方法的性能,以建模牛分布.
- 评估地理范围和存在数据类型对关键牛物种SDM准确性的影响.
- 确定影响巴西杆杆菌病载体息地的关键环境和生物气候决定因素.
主要方法:
- 通过使用高分辨率环境数据 (气候,水文,LULC,土壤) 对牛SDM进行MaxEnt,随机森林和提升回归树的比较.
- 通过使用专家收集的和公开可用的存在数据,在全国,区域和州的地理范围评估模型.
- 评估模型性能,使用交叉验证指标和适应性图的定性差异,并结合专家知识.
主要成果:
- 所有ML方法的交叉验证性能都相当,但适用性图显示出显著的质量差异,需要专家验证.
- 土地使用/土地覆盖 (LULC) 和生物气候变量在不同牛物种和空间尺度上具有不同的重要性.
- 使用公开数据的SDM实现了与使用专家收集数据的SDM相比的可比预测精度 (AUC).
结论:
- 由于ML方法之间的定性差异,SDM适用性地图需要与当地专家知识进行验证.
- 公开可用的数据可以有效地用于模拟牛分布,与专家收集的数据相比较.
- 这项研究为将SDM应用于动物传染病提供了方法指导,并增强了对巴西杆菌病风险因素的理解.
