机器学习算法用于评估欧洲传播病原体的风险

科学领域:

• 生态生态学 生态生态学
• 流行病学 流行病学
• 机器学习 机器学习

背景情况:

• 传播的病原体对全球健康构成重大风险.
• 有效的疾病管理需要了解跨大地理区域的流行病学.
• 预测模型需要整合非生物因素,宿主数据,植被和土地利用.

研究的目的:

• 整合欧洲关于和宿主息地适宜性的数据.
• 评估五种用于预测分布的机器学习算法 (MLA).
• 为了确定最佳的MLA预测四个关键的物种的分布.

主要方法:

• 采用覆盖欧洲的20公里网格,包括植被,水,息地碎片化,森林密度,草,不透气性,温度和缺水数据.
• 开发并包括了162种宿主物种的分布模型.
• 五个MLA (随机森林,神经网络,天真海湾,梯度提升,AdaBoost) 使用已知的tick坐标进行了培训.

主要成果:

• 随机森林和梯度增强在预测和宿主环境方面表现出最高的准确性.
• 法律法官有效地确定了环境利基内的特征匹配组合.
• 土地覆盖面和土地利用变量显著提高了预测准确度,仅仅是气候数据.

结论:

• 灵活的MLA驱动模型比传统方法具有优势.
• 这些发现有可能扩展到其他地区和宿主组合.
• 立法机关对生态推断和为早期预警系统开发自动化季节性预测工具显示出承诺.