编辑推荐：
推荐
为解决传统人口普查在热带农村地区因成本高、卫星图像定居点被遮挡等问题导致的小范围人口数据缺失，研究人员开展两步贝叶斯分层建模（TSBHM）研究，整合健康干预数据与定居点数据。结果显示相对误差率降低 32%-73%，为资源分配等提供可靠数据支撑。
论文解读
在人口快速变化与资源精准分配需求激增的当下，传统人口普查的局限性日益凸显。每十年一次的全国人口和住房普查不仅耗时耗力，在偏远、冲突或植被茂密地区，完整 enumeration 难以实现，导致数据陈旧、缺失问题突出。尤其在热带农村地区，卫星图像因树冠和云层遮挡，难以准确识别定居点，而定制化微人口普查（microcensus）虽能填补数据空白，却面临高昂的物流成本与操作复杂性，这些瓶颈严重制约了小范围人口数据的及时获取，影响灾害响应、疫苗接种规划等公共事务的有效性。
为突破这一困境，英国南安普顿大学（University of Southampton）的研究团队开展了一项创新研究，相关成果发表在《Nature Communications》。研究针对健康干预活动中常规收集的人口数据（如疟疾防控中的蚊帐发放前人口统计）和部分观测的卫星定居点数据，开发了两步贝叶斯分层建模方法（Two-Step Bayesian Hierarchical Modelling，TSBHM），旨在通过统计建模校正数据偏差，提升小范围人口估算的准确性。
主要技术方法
研究主要采用以下关键技术：
- 贝叶斯分层建模（Bayesian Hierarchical Modelling，BHM）：作为基础框架，用于整合多源空间数据。
- 集成嵌套拉普拉斯近似与随机偏微分方程（INLA-SPDE）：实现空间随机效应的高效计算，量化模型参数的不确定性。
- 模拟研究与真实数据验证：通过模拟不同数据缺失场景测试模型性能，并在巴布亚新几内亚（Papua New Guinea，PNG）应用疟疾调查数据（涵盖 16,903 个普查单元（Census Units，CUs））进行实证分析。
研究结果
模拟研究：TSBHM 的误差控制优势
在模拟不同比例的定居点观测缺失（20%-100%）和调查覆盖（20%-100%）场景中，传统 BHM 模型的均方根误差（RMSE）随定居点观测率下降显著上升，而 TSBHM 通过第一步校正定居点数据偏差，使相对误差率降低 32%-73%。例如，当定居点观测率为 50% 时，TSBHM 的 RMSE 较 BHM 降低约 40%，且 95% 可信区间更窄，显示出更强的抗数据缺失能力。
巴布亚新几内亚实证：数据偏差校正与精度提升
将 TSBHM 应用于 PNG 的疟疾防控调查数据（包含城市结构列表（USL）和蚊帐发放前 enumeration），结合 Planet 卫星的定居点强度数据（分辨率约 4.77 米），结果显示：
- 误差率降低：与 BHM 相比，TSBHM 的全国人口估算相对误差率降低 32%，总人口估计为 1178 万（95% CI：1164 万 - 1203 万）。
- 空间分布特征：人口密度与距主干道距离（cov7）、灌木区边缘距离（cov16）呈正相关，与距市场距离（cov8）呈负相关，表明人口集中于远离高速公路但靠近市场的农村地区。
- 模型稳定性：TSBHM 的交叉验证指标（MAE、RMSE、Abias）均显著优于 BHM，且不确定性空间分布显示森林覆盖区的估算精度提升明显。
结论与讨论
本研究通过 TSBHM 方法，成功将健康干预活动的常规人口数据与卫星定居点数据结合，有效克服了热带地区卫星观测偏差问题。模拟与实证结果均表明，该模型在数据缺失场景下仍能保持较高估算精度，为缺乏最新普查数据的国家（如刚果民主共和国）提供了可推广的解决方案。研究强调，健康干预与人口建模的 “良性循环”—— 利用模型优化资源分配，同时通过活动收集的数据更新模型 —— 可进一步提升数据时效性。尽管 TSBHM 在计算复杂度上对统计能力有较高要求，但其通过不确定性量化为政策制定提供的可靠依据，对实现可持续发展目标（SDGs）中公平的资源分配、灾害响应和公共卫生规划具有里程碑式意义。未来研究可进一步探索将定居点数据的不确定性纳入第二步建模，以提升更高分辨率（如 100 米网格）的估算性能。
