了解多个因素对欧洲Ixodes ricinus丰富性的贡献,跨越20年,使用不同的机器学习算法

科学领域:

• 生态与环境科学 生态与环境科学
• 载体传播疾病流行病学
• 计算生物学 计算生物学

背景情况:

• 伊克索德·里辛斯 (Ixodes ricinus) 的丰富程度受到复杂的生物和非生物因素的影响,但趋势仍然不明确.
• 之前的机器学习 (ML) 研究预测 abundance面临的局限性,如短时间,小样本大小和狭窄的地理范围.
• 解决这些局限性对于准确的种群预测和疾病预防至关重要.

研究的目的:

• 通过将多个ML模型应用于Ixodes ricinus发生情况的大型长期数据集来克服之前研究的局限性.
• 确定最有效的ML模型和数据聚类技术,以预测的数量.
• 确定影响欧洲 Ixodes ricinus 丰度的关键环境和息地因素.

主要方法:

• 利用了 27,150 个 Ixodes ricinus 出现记录的综合数据集,覆盖了 30 个欧洲国家的 20 年.
• 应用了11个预测性ML模型与三种数据聚类技术相结合,以分析地理,时间,气候和息地数据.
• 使用规范化根平均平方误差 (NRMSE),散射指数 (SI),平均绝对百分比误差 (MAPE) 和R2指标评估模型性能.

主要成果:

• 聚合层次集群 (AC) 和线性回归 (LR) 模型在预测 Ixodes ricinus 丰度方面表现出卓越的表现.
• 土地使用和降雨量成为影响繁殖的最重要因素,而温度则起到相对较小的作用.
• 使用随机森林 (RF) 模型,通过测量因子排除后预测误差增加来评估特征的重要性.

结论:

• 该研究确定了土地利用和降雨作为 Ixodes ricinus 丰富的主要驱动因素,为生态建模提供了洞察力.
• 有效的ML模型 (AC和LR) 和强大的数据集对于准确的种群预测至关重要.
• 这些发现为在欧洲管理种群和减轻传播疾病风险的有针对性的干预提供了基础.