由欧洲航天局 2010年1月至2018年12月期间，印度综合疾病监测方案发布的每周流行病学报告中报告的霍乱疫情数量，该研究选择了印度的40个沿海地区
仅显示报告霍乱发病率数据的地区，所有七个基本气候变量(ECV)数据集均可用
信用:坎贝尔等人
, 2020 从地球轨道卫星上获取的气候数据，结合机器学习技术，有助于更好地预测霍乱的爆发，并有可能挽救生命
霍乱是一种水传播疾病，由摄入被霍乱弧菌污染的水或食物引起，霍乱弧菌可在世界上许多沿海地区发现，尤其是在人口稠密的热带地区
负责任的病原体通常生活在温暖的温度、中等盐度和混浊度下，并可能被水中的浮游生物和碎屑所庇护
全球变暖和极端天气事件的增加正在导致霍乱的爆发，霍乱是一种影响1
全世界每年有3 00万至400万人死亡，死亡人数高达143 000人
一项新的研究表明，如何预测霍乱在印度沿海地区的爆发，成功率为89%，这是首次用海面盐度来预测霍乱
昨天发表在《国际环境研究和公共卫生杂志》上的这项研究重点是预测北印度洋霍乱的爆发，在2010-16年期间，超过一半的全球病例都是在北印度洋报告的
霍乱发病率的环境驱动因素之间的关系是复杂的，并且随季节变化，具有不同的滞后效应，例如来自季风季节的滞后效应
机器学习算法可以通过学习识别大型数据集的模式来帮助克服这些问题，以便做出可测试的预测
艾米·坎贝尔在欧空局气候办公室为期一年的研究生培训期间领导了这项研究
艾米和她的合作者在普利茅斯海洋实验室(PML)使用了一种在环境科学应用中流行的机器学习算法——随机森林分类器——它可以识别长数据集上的模式，并做出可测试的预测
将随机森林模型的性能指标结果应用于印度沿海报告霍乱爆发的各个地区的未见过的测试数据
研究期间未报告霍乱疫情的沿海地区和非沿海地区显示为灰色
信用:坎贝尔等人
, 2020 该算法针对2010年至2018年印度沿海地区报告的疾病爆发进行了培训，并学习了与欧空局气候变化倡议(CCI)生成的六个卫星气候记录的关系
通过包括或去除不同季节的环境变量和子设置，该算法确定了预测霍乱爆发的关键变量，如地表温度、海面盐度、叶绿素a浓度和海平面与平均值的差异(海平面异常)
艾米·坎贝尔说:“该模型显示出了令人鼓舞的结果，并且使用不同的霍乱监测数据集或在不同的地点开展这项工作有很大的空间
在我们的研究中，我们测试了不同的机器学习技术，发现随机森林分类器是最好的，但是还有更多的技术可以研究
“测试纳入社会经济数据集的影响将是有意义的；遥感数据可用于建立记录，以说明对霍乱发病率很重要的人为因素，例如获得水资源的机会
" 该研究及其新见解为英国霍乱研究所-国家应急反应中心霍乱传播途径和解决方案工具项目做出了贡献，该项目由PML大学的合著者玛丽-范妮·拉科特领导，旨在评估气候变暖和极端气候对适合霍乱弧菌的栖息地的影响
作为播客演示项目的一部分，这项研究的结果将在2021年《气候公约》第二十六次缔约方会议上通过网络预测工具进行展示
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
