深度神经视觉特征的地理空间建模用于预测密苏里州的肥胖率:定量研究

科学领域:

• 环境健康 环境健康
• 地理空间分析的研究.
• 机器学习 机器学习

背景情况:

• 全球肥胖流行需要创新的方法来了解其环境和社会驱动因素.
• 空间技术为分析公共卫生问题提供了新的方法.
• 这项研究的重点是利用先进的空间建模来预测肥胖率.

研究的目的:

• 开发一种可扩展的深度学习方法,用于预测肥胖患病率.
• 利用卫星图像和地理空间分析来预测密苏里州人口普查区的肥胖率.
• 使用深层卷积神经网络识别与肥胖相关的环境特征.

主要方法:

• 处理了Sentinel-2卫星图像与剩余网络-50以提取环境特征.
• 集成的提取功能与疾病控制和预防中心的肥胖数据密苏里州人口普查片.
• 采用空间滞后模型和空间自相关性来预测肥胖率并识别空间集群.

主要成果:

• 确定了密苏里州肥胖率的实质性空间聚类 (莫兰I = 0.68).
• 空间滞后模型实现了高预测精度 (R2 = 0.93),解释了93%的肥胖率变化.
• 空间关联分析揭示了不同的高和低肥胖度集群,通过choropleth地图可视化.

结论:

• 深度卷积神经网络与空间建模相结合,有效地从卫星图像中预测肥胖率.
• 该模型的准确性和空间模式识别为公共卫生干预提供了宝贵的见解.
• 未来的研究应该扩大地理范围,并将社会经济数据纳入精细的肥胖研究应用.