在土壤温度条件下使用随机森林和粒子群优化算法预测土壤传播的虫病 (STH) 的物种分布的新型混合模型

科学领域:

• 环境科学 环境科学
• 流行病学 流行病学
• 计算生物学 计算生物学

背景情况:

• 土壤传播的菌病 (STH) 是尼日利亚普遍存在的被忽视的热带疾病,其传播与土壤污染有关.
• 生态因素,特别是土壤温度,极大地影响STH卵的发育,生存和地理分布模式.
• 现有的流行病学研究强调了陆地表面温度对STH患病率的影响.

研究的目的:

• 调查生态因素,特别是土壤温度对尼日利亚STH分布的影响.
• 开发和评估一种新的混合模型,以更好地预测STH分布.
• 将混合模型的预测精度与传统机器学习算法进行比较.

主要方法:

• 为特征选择和超参数优化,开发了一种集随机森林 (RF) 和粒子集群优化 (PSO) 的混合模型.
• 该模型使用了ESPEN的数据集,重点关注尼日利亚的地理区域和STH数据.
• 使用准确度指标评估预测性能,并与传统的射频和人工神经网络 (ANN) 模型进行比较.

主要成果:

• 拟议的RFPSO混合模型实现了91.40%的预测准确度.
• 这显著优于传统的随机森林 (87%) 和人工神经网络 (80.97%) 模型.
• 整合PSO用于特征选择和优化,显著提高了模型准确性.

结论:

• 与传统方法相比,混合RFPSO模型在模拟STH分布方面表现出优异的性能.
• 通过这种先进的建模方法将土壤温度数据纳入,大大提高了预测准确度.
• 这种混合方法代表了预测寄生虫疾病分布的重大进步.