《GeoHealth》:A Machine Learning-Based Dynamic SST Index for Long-Lead Malaria Prediction in the Peruvian Amazon
编辑推荐:
本研究提出了一种基于自组织映射(SOM)机器学习算法的动态海表温度(SST)指数构建框架,用于秘鲁亚马逊地区疟疾的长期预测(提前期>3个月)。该指数通过整合全热带海洋变率,显著优于传统厄尔尼诺-南方涛动(ENSO)指数,揭示了从太平洋经向模(PMM)到ENSO的生命周期演变如何通过调节当地近地面气温和比湿影响疟疾传播,为气候敏感型虫媒传染病的远程预测提供了物理机制支撑和数据驱动新范式。
摘要
疟疾在秘鲁亚马逊地区构成重大健康负担,其早期预警对于有效预防至关重要。热带海表温度(SST)变率从根本上塑造全球天气模式,也可能改变疟疾传播并潜在地提高其长期预测能力。本研究提出了一种基于机器学习的方法论,利用全面的热带SST变率进行秘鲁亚马逊疟疾预测。首先,研究表明热带SST异常与秘鲁疟疾发生之间存在广泛的显著相关性,证实了来自热带海洋的潜在可预测性。随后,应用自组织映射(SOM)合成时空变化的SST-疟疾关系,并确定了一个用于秘鲁疟疾的独特动态SST指数。与传统的厄尔尼诺-南方涛动(ENSO)指数相比,该动态SST指数在广义线性模型(GLM)中提供了更好的性能(更高的相关系数和更低的均方根误差),且提前期超过3个月。此外,该动态SST指数捕捉了ENSO生命周期从其前兆气候模态(太平洋经向模,PMM)开始的演变,并似乎通过改变当地近地面气温和比湿来影响秘鲁疟疾。这些潜在机制为使用基于机器学习的远程预测因子进行秘鲁疟疾的长期预测提供了物理上合理的基础。
1 引言
疟疾等虫媒传染病仍然是全球,特别是热带和亚热带地区脆弱人群的重大健康负担。有效的预测或早期预警系统对于当地公共卫生部门预防疟疾至关重要。环境因素(如温度和降水)直接影响媒介(即蚊子)的栖息地,从而改变疟疾传播动态。这种联系使得疟疾对气候敏感,许多研究已实现通过环境条件进行预测。然而,基于局部环境因素的预测提前期通常仅限于几周。另一方面,长期早期预警系统具有重要优势,例如能够进行更全面的干预规划、优化医疗资源分配或提高公众参与流行病预防工作的积极性。这些实际需求和益处激励流行病学家从海洋中寻找远程预测因子,因为数月前的热带海洋变率会调节大陆天气模式并改变疟疾传播,从而可能增加预测提前期。
目前确定的主要远程预测因子是厄尔尼诺-南方涛动(ENSO)。它指的是赤道中东太平洋海表温度(SST)异常增暖(厄尔尼诺)和变冷(拉尼娜)的不规则发生。ENSO事件发生在热带太平洋,但通过称为气候遥相关的过程对全球天气模式产生重大影响。捕捉ENSO相位和强度的主要指数是主要ENSO区域(如Ni?o 3.4区域:120–170°W, 5°S–5°N)的平均SST异常。该ENSO指数已被广泛且成功地用于预测许多地区的各种气候敏感型虫媒传染病,包括疟疾。
然而,仅依赖ENSO指数作为唯一远程预测因子存在局限性,疟疾的预测因子可能存在于整个热带海洋。例如,ENSO对法属圭亚那和印度西部疟疾的预测能力有限或空间不一致。首先,ENSO是地球上最大但不是唯一的气候波动。其他海盆的SST型也可以通过与ENSO相互作用或直接影响区域气候来影响全球天气模式,例如太平洋经向模(PMM)、印度洋偶极子和大西洋尼诺。其次,已经识别出不同类型的ENSO事件,其影响在不同事件之间或ENSO生命周期的不同阶段存在显著差异,使得单一的ENSO指数难以一致地捕捉ENSO与疟疾传播之间关系的全部复杂性。当前,人们主要在其预测模型中使用成熟的气候指数,而不是考虑整个热带海洋的变率。换句话说,在全球健康应用中,来自广阔热带海洋的、可能对全球气候条件和疟疾传播动态产生重大影响的预测潜力在很大程度上被忽视了。
在本研究中,我们提出了一个框架,将整个热带海洋的SST变率纳入秘鲁亚马逊疟疾预测。通过应用机器学习聚类算法(自组织映射,SOM),我们综合了时空变化的SST-疟疾关系,然后定义一个动态SST指数作为秘鲁疟疾的独特预测因子。该动态SST指数在单预测因子广义线性模型(GLM)中优于传统的ENSO指数,提前期超过3个月。我们进一步阐明了泛热带海洋动力学与亚马逊气候条件及疟疾发生之间的潜在机制,为长期可预测性提供了理论基础。此外,我们提供了开源代码,期望我们的框架在联系热带海洋与其他地区疟疾或其他气候敏感型虫媒传染病方面有广泛应用。
2 方法
2.1 数据
疟疾数据集包含2000年1月至2022年12月秘鲁亚马逊洛雷托地区每周的间日疟原虫病例数,从秘鲁疾病控制与预防中心获得。洛雷托约占全国疟疾发生的95%,包括49个区,我们使用49个区间日疟原虫病例的总数。我们使用疟疾异常值(定义为观察到的疟疾病例数减去2000-2022年每个流行病学周的长期周平均值)来分离年际变率。
对于SST,我们使用美国国家海洋和大气管理局的最佳插值SST版本2,空间分辨率为0.25°×0.25°,时间范围为1999年1月至2022年12月。对于每个网格单元,我们通过从原始SST值中减去季节变化的气候学来计算SST异常,以去除季节周期。我们将每日异常值汇总为流行病学周以与疟疾数据对齐,然后去除每个日历流行病学周的线性趋势。ENSO指数定义为Ni?o 3.4区域上经过去趋势处理的SSTA的平均值。为诊断潜在机制,我们从ERA5再分析中获取1999-2022年的气象变量,包括近地面气温、近地面比湿、总降水、平均对流层温度、中层垂直运动、高层速度势和辐散风、以及大气水平水汽输送的垂直积分。
2.2 “相关图—自组织映射—动态SST指数”框架
本研究提出了一个三步法来识别用于秘鲁亚马逊疟疾长期预测的动态SST指数。该框架的流程图见图1。
第一步是构建疟疾异常与SSTA之间的超前滞后相关图池。我们假设SST-疟疾关系随季节和时间滞后而变化。因此,我们为每对SSTA日历流行病学周和疟疾日历流行病学周计算一个相关图,时间滞后从0到53周。总共我们生成2,756个相关图。仅考虑热带海洋的SSTA。为提高稳健性,我们将数据聚合到4周窗口中进行计算。
第二步是SOM聚类。我们应用SOM将2,756个相关图聚类成具有相似空间模式的组。主要目标是通过识别具有高疟疾-SST相关性的区域的平均SSTA,来确定作为秘鲁亚马逊疟疾远程预测因子的独特SST指数。然而,高相关区域在不同的时间滞后和日历周之间差异显著,表明SST监测区域不应该是静态的。另一方面,由于噪声数据和有限样本量,为每个周和时间滞后选择不同的监测区域是不切实际的。在此,我们采用机器学习聚类算法来取得平衡。SOM以这样一种方式组织样本,即同一簇中的样本彼此之间比不同簇中的样本更相似。因此,我们将2,756个相关图输入SOM,以识别具有相似空间相关模式的簇。选择2×2配置(4个簇)。支持信息S1中提供了不同簇数的敏感性测试,表明簇数的不同选择不会改变本研究的主要结果。
第三步是动态SST指数识别。在识别出四个SOM簇后,一个有趣的发现是聚类结果的时间连续性,即同一簇中的SST-疟疾对共享相似的日历周和时间滞后。因此,我们为簇中的对选择一个恒定的SST监测区域来定义SST指数,并允许该区域在不同簇之间变化。我们将每个SST监测区域定义为在每个簇的平均相关图中具有高疟疾-SST相关性(即平均绝对相关系数大于0.25)的最大连续区域。结果,一个动态SST指数被确定为秘鲁疟疾的远程预测因子。“动态”意味着SST监测区域在不同SOM簇之间变化。
2.3 用于预测因子比较的广义线性模型
为评估动态SST指数在长期疟疾预测中提供的可预测性,我们应用了具有负二项响应的广义线性模型。GLM是一种对数线性回归模型,将普通线性回归扩展到非高斯结果。结果可以遵循指数族分布。传染病计数通常表现出过度离散,因此我们假设疟疾病例数服从负二项分布。
我们使用自然对数作为连接函数,假设疟疾异常的对数与动态SST指数之间存在线性关系。我们为每个提前期拟合单独的模型。为进行比较,也使用ENSO指数构建了类似模型。为防止过拟合,我们执行自助法交叉验证:在10,000次迭代中,每次随机选择80%的年份进行训练,并在剩余的20%上进行测试。然后我们基于测试集预测的皮尔逊相关和均方根误差比较模型。配对t检验评估动态SST指数是否在迭代中产生与ENSO指数显著不同的性能。
3 结果
3.1 秘鲁疟疾与ENSO区域外的SSTA存在高相关性
我们生成了2,756个相关图,以全面捕捉时空变化的SST-疟疾关系。如图2所示,相关图揭示了热带SST异常与秘鲁亚马逊疟疾异常之间存在显著正相关。在经典ENSO区域内,SSTA和疟疾在某些季节和时间滞后下强烈共变,这与已知的厄尔尼诺/拉尼娜对亚马逊气候和疟疾传播的影响一致。然而,在其他情况下,最强的相关性出现在ENSO区域之外,例如在副热带东北太平洋上空。ENSO区域内显著相关性的消失表明,仅依赖静态ENSO指数可能会忽略其他海盆提供的可预测性。换句话说,纳入整个热带海洋对于更好地预测气候敏感型虫媒传染病是必要且有益的。
3.2 自组织映射综合SST-疟疾关系并识别动态SST指数
此外,这些相关图表现出显著的空间变率。例如,当将第17-20周(约5月)的SSTA与第1-4周(约1月)的疟疾在36周滞后联系起来时,显著相关性出现在热带和副热带太平洋。相比之下,将第5-8周(约2月)的SSTA与第17-20周(约5月)的疟疾在12周滞后相关联时,几乎在任何地方都没有显著相关性。这种SST-疟疾关联的多样性和相似性促使我们使用机器学习聚类算法来综合复杂的时空模式。
将SOM应用于2,756个相关图得到四个不同的簇。不同簇中的疟疾-SST对显示出不同的空间模式,每个都有独特的高相关区域。当我们在日历周与提前期矩阵中绘制簇成员资格时,我们看到每个簇内的地图形成连续的块。换句话说,同一簇中的疟疾-SST对在时间上是连续的,并且在不同簇之间可以找到清晰的边界。值得注意的是,没有向机器学习算法提供日期信息,因此聚类结果的时间连续性强调了此处SOM方法的稳健性。
此外,前三个簇都包括具有相同日历SST周但不同时间滞后的疟疾-SST对。它们的高相关区域对应于一个季节性的推进:从早期的东南副热带太平洋向西南扩展,朝向中部热带太平洋,到年底几乎覆盖整个热带太平洋。这种三阶段扩张暗示了ENSO从其前兆气候模态的发展。从PMM到ENSO的推进及其如何影响秘鲁亚马逊疟疾传播的潜在机制将在后续章节中说明。我们以两种方式进行SOM聚类的敏感性测试。首先,改变SOM簇的数量一致地重现了PMM到ENSO的推进,尽管分解为不同数量的阶段。其次,重采样敏感性测试在四次随机迭代中在75%的年份上训练SOM,在日历周与提前期矩阵中产生相似的三阶段结构。这些结果证实了从PMM到ENSO发展再到秘鲁疟疾发生的联系是一个稳定特征。
SOM结果有效地总结了复杂的SST-疟疾关系,并暗示了疟疾预测中动态SST指数的必要性。相应地,我们定义了“动态SST指数”,具有三个随季节变化的监测区域,以适应季节性变化的疟疾-SST最高相关性区域。
3.3 动态SST指数在疟疾预测中优于ENSO指数
我们接下来比较动态SST指数与传统ENSO指数在与疟疾异常的相关性方面的表现。如图4a的相关矩阵所示,动态SST指数在几乎所有季节和提前期都与疟疾异常保持显著正相关。而如图4b所示,ENSO指数有更多不显著和较弱的相关性,特别是在簇1月份期间。差异矩阵突出了动态SST指数在所有季节都表现出与秘鲁疟疾异常更高的相关性,在1月至3月改进最为明显。这表明在1月至3月期间,副热带东北太平洋的SSTA在改变秘鲁疟疾方面比ENSO区域的SSTA起着更重要的作用。
为了进一步量化动态SST指数是否是更好的预测因子,我们建立了用于秘鲁疟疾预测的广义线性模型,分别使用动态SST指数和ENSO指数作为唯一预测因子。对于两个指数,为所有预测提前期构建了GLM。我们通过10,000次迭代自助交叉验证中的20%测试集评估它们的样本外技能。图4d和4e显示,使用动态指数的模型在所有提前期实现了更高的中位数相关性和更低的RMSE。配对t检验证实这些改进是显著的。例如,当动态SST指数领先疟疾异常30周时,基于动态SST指数的预测能相对更好地捕捉秘鲁疟疾异常的年际变化。在自助交叉验证中,测试集的预测均值与基于所有数据训练的模型的预测结果一致。这表明预测结果对用于模型拟合的特定数据集不敏感。我们也意识到预测与观测在许多时期的不匹配,例如疟疾爆发期、强化的疟疾干预期和COVID-19大流行期,暗示了非气候因素在疟疾传播中的重要作用。此外,为证明动态SST指数与秘鲁亚马逊不同地区疟疾病例的一致正相关,我们提供了跨不同地区的相关图。
3.4 动态SST指数在秘鲁疟疾预测中的潜在机制
在本节中,我们从气候动力学角度探讨动态SST指数如何影响秘鲁亚马逊的疟疾发生。如上所述,高相关区域的三阶段西南向扩张很好地捕捉了ENSO从PMM开始的发展。PMM,一种副热带-热带相互作用气候模态,通常被认为是来自副热带地区的ENSO前兆。在北半球冬季或春季,PMM的SST增暖起始于加利福尼亚沿海。在北半球夏季,由于风-蒸发-SST反馈,SST增暖向西南延伸至中部热带太平洋。由此产生的SST增暖和中部热带太平洋上空的异常西风可能有助于随后秋冬季节厄尔尼诺事件的发展。动态SST指数很好地捕捉了从前一个冬季到下一个冬季的PMM到ENSO的整个生命周期。
由于蚊子和人类生活在陆地上,它们无法感受到太平洋海水的变暖或变冷。它们能感受到的是周围的环境。因此,我们进一步诊断以动态SST指数为代表的太平洋SST变化如何通过改变亚马逊当地的气候条件来影响疟疾传播。动态SST指数与提前数月的近地面气温呈正相关。具有3个月提前期的相关图显示,SST增暖可以通过赤道大气罗斯贝波和开尔文波加热整个热带大气,这可以直接提高亚马逊的近地面气温。增暖效应持续全年。温度升高可能通过为蚊子提供有利的生活条件来促进疟疾传播,这得到了疟疾异常与近地面气温(特别是日最低温度)正同期相关性的支持。
同时,热带太平洋SST增暖也增强了从大西洋到亚马逊的水汽输送,并增加了亚马逊地区的近地面比湿。增加的水汽输送和湿度也可能通过为蚊子提供更潮湿的生活条件来促进疟疾传播,这得到了疟疾异常与水汽输送和比湿正同期相关性的支持。对降水的影响远弱于其他环境条件。一方面,增强的水汽输送可以增加降水。另一方面,中部热带太平洋的SST增暖将增强当地对流性降雨并调节太平洋沃克环流,导致亚马逊地区出现异常下沉运动并抑制该地区的降水。这两种补偿效应导致秘鲁亚马逊上空的净降水响应较弱。疟疾异常与降水的相关性在整个亚马逊地区也显示出比其他气候变量更弱的相关性。总之,太平洋上较暖的SST导致亚马逊地区更