基于扩散过程的二维流行病预测模型构建及其在COVID-19时空传播中的应用

针对传统单点流行病模型难以捕捉空间传播的局限，兰州大学黄建平团队开发了整合扩散过程的二维预测模型（GPEP-2），通过引入疫苗接种、控制措施和季节性参数化方案，实现了COVID-19病例时空分布的高精度预测（兰州2022年预测评分76.5%，全国2023年70.7%），为公共卫生策略制定提供了科学依据。

　　

在全球化的今天，传染病的传播早已突破地理边界。从2009年H1N1流感、2014年埃博拉疫情到持续肆虐的COVID-19大流行，传统单点流行病模型（如SIR/SEIR）的局限性日益凸显——它们虽能刻画局部病例的时间动态，却难以捕捉病原体通过现代交通网络实现的跨区域扩散。更棘手的是，环境因素（如PM_2.5浓度）、气候季节性变化（5-15°C温度区间集中73.8%的COVID-19病例）与人类活动（如春运期间人口流动）共同构成了复杂的传播驱动网络。如何构建能同时整合时空维度和多因素影响的预测系统，成为公共卫生决策的迫切需求。

针对这一挑战，兰州大学大气科学团队创新性地将气象预测方法引入流行病学研究。基于GPEP-2（Global Prediction System for Epidemiological Pandemic）框架，研究人员首次建立了包含扩散项的二维方程组模型。该模型将人群划分为7类状态（易感者S、受保护者P、潜伏期E、感染者I、隔离者Q、康复者R和死亡者M），通过数学定理证明了方程组的适定性（Theorem 1），并开发了三大参数化方案：疫苗接种方案通过保护率α和疫苗有效率η量化免疫效果；控制措施方案采用指数衰减函数模拟政策干预下感染率β和扩散率D的动态变化；季节性方案则利用温度概率密度函数（PDF）关联气候与病毒活性。

关键技术方面，研究团队运用了跨学科方法：1）统计动态预测技术，通过历史数据反演模型参数初值，再结合实时数据优化；2）多源动态集合预测（MDEP），整合初始预测与动态调整结果以应对突发传染源；3）空间降尺度方法，将省市级病例数据分解至1°×1°网格，结合人口密度、GDP等协变量建立泊松分布模型。这些技术的协同应用，使模型能同时处理时空异质性数据。

研究结果

1. 模型验证：在理想网格模拟苏州疫情（2022年2月），累计病例预测误差仅7.5%；空间分布显示控制措施能有效限制扩散范围（图5）。

2. 兰州疫情预测：采用MDEP方法后，累计病例预测准确率从83.4%（7月10日）提升至92.5%（7月28日）；空间评分（BS）达76.4%，成功捕捉到城关区的集中爆发（图9）。

3. 全国尺度应用：对2023年5月发热门诊数据的预测显示，模型能准确反映华南地区（占全国病例59.31%）与西北地区（1.84%）的空间异质性，30天预测的宏观评分（MS）超80%（图15）。

讨论与意义
该研究首次实现了大气科学与流行病学的方法论融合，其创新性体现在：1）通过扩散项量化了病原体随人口流动的跨区域传播；2）参数化方案将环境-社会因素纳入统一框架；3）MDEP方法提升了对多传染源疫情的适应性。尽管存在初始值敏感性和数据降尺度精度等局限，但模型为气候变暖背景下的新发传染病预警提供了工具支持。未来通过耦合生物气溶胶传输模型，该系统有望进一步揭示PM_2.5等污染物对呼吸道病毒传播的放大效应。正如作者黄建平（Huang JP）团队强调，这种"数值天气预报式"的预测范式，或将重塑全球公共卫生应对体系。

（注：全文基于《Infectious Disease Modelling》刊载的原始研究，所有数据与结论均来自黄建平、闫伟等作者的工作）