高分辨率GIS与机器学习融合的城市登革热精准防控：印度博帕尔案例研究

本研究针对城市化进程中登革热防控难题，创新性结合高分辨率地理信息系统（GIS）与机器学习（ML）技术，以印度博帕尔为样本，构建了基于建筑密度、道路网络和温度因子的神经网络预测模型（AUC=0.921）。该研究为城市传染病精准防控提供了可推广的技术范式。

　　

登革热作为全球增长最快的蚊媒传染病，近50年发病率激增30倍，其中南亚地区尤为严重。城市化进程创造的"热岛效应"和建筑密集区，为埃及伊蚊提供了理想繁殖环境。传统防控依赖气候监测，却忽视了道路密度、建筑布局等景观因素对病毒传播的微观影响。印度博帕尔作为典型热带城市，其地形破碎、湖泊星罗棋布的特征更形成了复杂的微气候环境。尽管已有研究证实气温、湿度与登革热的相关性，但如何整合多维环境数据进行精准预测，仍是公共卫生领域的重大挑战。

印度国家环境健康研究所的研究团队创新性地将城市空间划分为643个1平方公里网格单元，整合OpenStreetMap建筑数据、WorldPop人口分布和温度记录等多源信息。通过比较支持向量机（SVM）、随机森林等6种机器学习算法，首次在区域尺度验证了神经网络模型对登革热空间预测的优越性。该成果发表于《Acta Tropica》，为发展中国家城市传染病防控提供了可复制的技术框架。

研究采用三大关键技术：1）基于GIS的空间离散化处理，将城市转化为可计算的地理单元；2）机器学习模型优选策略，通过ROC曲线下面积（AUC）等5项指标评估模型性能；3）特征重要性分析，量化各环境因子的贡献度。数据来源于2012-2022年博帕尔市确诊的登革热病例及同期环境监测数据。

【研究结果】
• 模型比较：神经网络以AUC 0.921的显著优势超越随机森林（0.898）等传统算法，其分类准确率达75.5%，精准捕捉了病例的空间聚集特征。
• 关键驱动因子：建筑覆盖率（23.7%贡献度）、道路密度（19.3%）和人口密度（18.1%）构成核心预测变量，颠覆了温度主导的传统认知。
• 微气候影响：日最低温与最高温的交互作用形成特殊传播窗口，湖泊周边区域呈现显著的空间异质性。

【结论与意义】
该研究突破性地证实：城市景观改造产生的人工热环境，比气候背景值更能解释登革热的局地暴发模式。神经网络模型成功解构了建筑-道路-人口构成的"城市传播三角"，其预测精度较传统方法提升21%。方法论层面，研究开创了发展中国家利用开源地理数据（OSM）进行疾病建模的先例，所开发的模型可直接集成至公共卫生决策系统。实践价值在于：1）指导市政部门精准投放灭蚊资源；2）为城市规划提供流行病学约束条件；3）建立可迁移至其他热带城市的预警框架。作者特别指出，该方法未来可扩展至寨卡病毒等同类蚊媒传染病的防控体系。