基于地理可解释人工智能(GeoXAI)的都市蚊虫密度高精度空间预测框架构建与验证

为解决传统模型在蚊虫密度空间预测中非线性关系建模不足和可解释性差的问题，研究人员开发了融合地理神经网络加权回归克里金法(GNNWRK)与SHAP解释法的GeoXAI框架。该研究在深圳和广州中心区的应用表明，GNNWRK-SHAP框架的预测误差(MAE 1.72-3.22)显著低于对比模型，同时通过空间SHAP值量化了降水和温度等变量的非线性贡献，为蚊媒疾病精准防控提供了兼具高精度与空间可解释性的决策工具。

　　

蚊媒传染病每年造成全球数百万人死亡，随着气候变化和城市化进程，埃及伊蚊(Aedes aegypti)和白纹伊蚊(Aedes albopictus)的栖息地持续扩张。传统防控面临两大瓶颈：一是地理加权回归(GWR)等空间模型难以捕捉环境变量与蚊虫密度间的复杂非线性关系；二是现有模型缺乏对变量贡献的可解释分析，可能导致误判。为此，深圳科研团队在《Applied Geography》发表研究，构建了融合地理神经网络加权回归克里金法(GNNWRK)与SHAP解释的GeoXAI框架。

关键技术包括：1)基于深圳和广州中心区(C-Guangzhou)的蚊虫滋生指数(MOI)监测数据；2)开发空间加权神经网络(SWNN)替代传统核函数，增强非线性建模能力；3)结合克里金插值处理残差空间自相关；4)采用SHAP方法量化降水(PRE)、地表温度(LST)等变量的空间异质性影响。

【高精度空间预测】GNNWRK-SHAP在测试中展现出最优性能：深圳和C-Guangzhou的均方根误差(RMSE)分别降至2.05和3.76，相对改进率(RI)达38.7%。空间加权神经网络成功捕捉到建筑密度(Built)与臭氧(O₃)的交互效应，这是传统GWR模型(q值仅0.70-0.72)未能识别的。

【变量贡献解析】SHAP分析揭示：1)降水(PRE)是主导变量(q=0.76)，其贡献呈现中心城区高、边缘区低的梯度特征；2)温度(TEM)存在阈值效应，28°C时SHAP值达到峰值；3)绿地覆盖率(Green)在城中村区域呈现负向影响，与传统认知相反。

【空间决策支持】通过生成空间SHAP热力图，研究发现广州天河商业区的蚊虫密度主要受热岛效应(LST)驱动，而深圳宝安工业区则对PM_2.5敏感。这种精细化解析为差异化防控提供了依据，如天河区需重点改善通风，宝安区应加强工业排放管控。

该研究创新性地将GeoAI与可解释人工智能(XAI)结合，不仅实现了蚊虫密度的高精度预测(R²提升至0.89)，更通过空间显式解释突破了"黑箱模型"的应用局限。提出的GNNWRK-SHAP框架可扩展至其他病媒生物监测领域，为智慧城市公共卫生管理提供了方法论范式。研究获得深圳市科技计划(JCYJ20240813095205008)和深圳市医学研究基金(B2404002)支持，Xu Guang和Lanbin Xiang为共同第一作者。