建筑足迹数据集选择对赞比亚室内滞留喷洒疟疾防控规划的影响评估

本研究针对全球建筑足迹数据集激增但数据可比性未知的问题，以赞比亚疟疾防控中的室内滞留喷洒(IRS)规划为案例，系统评估了Ecopia、Google、Microsoft和OpenStreetMap四种建筑足迹数据集对优先区域识别的差异。结果显示不同数据集导致的优先定居点数量差异高达230%，且农村地区偏差显著，为全球卫生项目地理空间规划的数据选择提供了重要实证依据。

　　

在疟疾防控领域，室内滞留喷洒(IRS)作为核心干预手段，其效果高度依赖对居民建筑分布的精准掌握。然而在赞比亚等低收入国家，传统建筑数据采集依赖耗时耗力的实地调查，而新兴的卫星遥感建筑足迹数据集虽提供了替代方案，却存在数据质量参差不齐、覆盖差异不明等问题。这种数据不确定性直接影响到IRS干预的靶向性——当规划者无法确定25栋可喷洒建筑的最小阈值究竟覆盖哪些社区时，疟疾防控资源分配可能产生系统性偏差。

南安普顿大学世界人口研究组的Heather R. Chamberlain团队在《International Journal of Health Geographics》发表的研究，首次量化评估了建筑足迹数据集选择对IRS规划的影响。研究团队创新性地采用交叉验证方法，对比分析Ecopia、Google、Microsoft和OpenStreetMap四个主流数据集在赞比亚全国的覆盖差异，结合GRID3 v2.0定居点范围数据，通过地理信息系统(GIS)空间分析技术，系统评估了不同数据集下符合IRS条件的优先定居点数量、空间分布及建筑计数的变异程度。

研究方法上，团队首先对四个数据集的建筑多边形进行几何校准和面积过滤（保留9-330 m²的"潜在住宅建筑"），随后采用两种定居点定义方式：基于GRID3预定义定居点范围（外扩1km缓冲）和基于100m邻近度衍生的建筑集群。通过计算各数据集在每个定居点的建筑数量，将结果按0、1-5、6-24和≥25栋建筑分为四类，重点分析"Class D"（≥25栋）定居点的空间一致性。

研究结果揭示出三个关键发现：

1. 国家尺度差异显著：使用Microsoft数据时全国仅识别12,982个Class D定居点，而Ecopia数据达30,749个，差异超230%。农村地区差异尤为突出，西部省Microsoft数据识别的农村Class D定居点仅为Ecopia的21%。
2. 地理分布偏差明显：仅9,738个定居点（27%）被所有数据集共同识别为Class D，而10,123个（28%）仅被单一数据集识别。东部省辛达地区数据集间一致性最高（82%重合），而西部省某些地区重合度不足24%。
3. 资源估算波动大：假设西部省喷洒5万栋建筑，不同数据集计算的覆盖率从60.4%（Ecopia）到129.8%（Microsoft）不等，凸显资源规划风险。

讨论部分指出，这种数据依赖性可能引发卫生资源分配的马太效应——当使用Microsoft等覆盖不足的数据时，偏远农村社区更易被排除在IRS覆盖外。研究建议优先采用包含时间戳的Ecopia数据，并开发动态更新机制来追踪建筑变化。值得注意的是，所有数据集均未标注建筑功能，简单的面积阈值法可能将15-20%的非住宅建筑纳入计算，这提示未来需要融合机器学习分类算法提升数据精度。

该研究的现实意义在于，首次量化揭示了看似技术中性的数据选择如何实质影响全球卫生公平。正如作者强调，在建筑足迹数据爆发式增长的今天，决策者必须警惕"数据幻觉"——精细的多边形图层未必代表更高的准确性。研究呼吁建立数据集质量评估标准，包括明确的时空覆盖元数据、特征提取算法透明度等，这些建议已被世界卫生组织(WHO)最新版《地理空间微规划手册》采纳。对于正推进"高负担到高影响"(HBHI)疟疾战略的赞比亚等国，该研究为优化IRS靶向策略提供了关键方法论支撑，其分析框架也可扩展至疫苗接种、疾病监测等其他需要精准人口 denominator（分母）的公共卫生场景。