一个机器学习框架用于估计使用地球观测数据在加拿大东部建立黑腿种群的概率
Hamid Ghanbari1,2, Kevin Siebels1,2, Ariane Dumas1,2
1Modelling Hub Division, Applied Public Health Sciences Directorate, Science and Policy Integration Branch, Public Health Agency of Canada, Quebec, Canada.
PloS one
|September 22, 2025
概括
气候变化正在扩大的范围. 使用地球观测数据的机器学习模型准确地预测了黑腿 (Ixodes scapularis) 的建立,有助于绘制莱姆病风险图.
科学领域:
- 生态与环境科学 生态与环境科学
- 流行病学 流行病学
- 地理空间分析的研究.
背景情况:
- 作为莱姆病 (Lyme disease,简称LD) 的载体的 Ixodes scapularis ,由于气候变化,正在加拿大扩散.
- 有效的公共卫生策略需要准确预测种群的建立.
研究的目的:
- 开发和评估一种机器学习 (ML) 框架,用于估计黑腿种群的建立概率.
- 从地球观测 (EO) 数据中确定影响建立的关键环境预测因素.
主要方法:
- 使用了一个全面的ML框架,整合了活跃的监视数据.
- 从多个空间尺度上的EO数据中推导出环境预测变量.
- 评估了各种ML算法,XGBoost显示最佳性能.
主要成果:
- XGBoost模型在预测建立方面实现了高灵敏度 (0.83) 和特异性 (0.71).
- 通过使用在监测地点1公里半径内的环境数据,实现了最佳的预测性能.
- 关键预测因素包括温度变量 (度日,最高温度),土壤特性 (泥土,SOC,pH) 和土地覆盖 (宽叶/混合森林,低城区).
结论:
- 机器学习与开放访问的EO数据集成,为LD风险映射提供了准确和可更新的方法.
- 这种方法支持在气候变化中对莱姆病和其他传播疾病的公共卫生管理.
