《Artificial Intelligence in Agriculture》：RAVEN: a foundation model-based approach for predicting avian influenza outbreak risk with multi-source geospatial data
禽流感病毒（AIV）对农业、生态和公共卫生领域构成持续威胁。研究人员提出了一种基于基础模型的方法，利用多源栅格数据预测AIV疫情风险。该研究采用Vision Transformer（ViT）进行迁移学习，以克服全国性AIV监测中的数据稀缺问题，并提出了一种邻域感知栅格表示方法以捕获相邻区域间的空间依赖关系。与经典机器学习基线相比，该方法在识别加拿大高风险区域以支持基于风险的监测策略方面表现出更优性能。
禽流感病毒（AIV）在全球农业、生态和公共卫生领域构成持续且重大的威胁。高致病性禽流感（HPAI）疫情给家禽养殖业造成了严重的经济损失。2021年以来，HPAI H5病毒已在全球多个地区被检出，影响家禽、野生鸟类及越来越多的哺乳动物物种。截至2025年12月，美国自2022年以来因HPAI疫情已导致约1.84亿只禽类死亡，加拿大自2021年末以来约有1700万只禽类受到影响。多种AIV亚型的人间感染病例也有报道，临床表现从轻微症状到严重疾病不等。虽然持续的人际传播仍然罕见，但H5N1和H7N9等亚型感染人类的能力持续引发对其可能引发未来流感大流行的担忧。近期海洋哺乳动物和家畜中的感染报告凸显了宿主适应和病毒进化的持续风险。
AIV传播的规模和速度凸显了预测工具在支持早期识别和主动疾病管理方面的重要性。一旦AIV进入家禽生产系统，病毒可迅速传播，可能需要大规模扑杀以限制进一步传播。这些疫情扰乱食品供应链并导致贸易限制，加剧了生产者和政府的经济负担。传统诊断方法准确但通常较慢，因为依赖实验室检测和专业人员，这种延迟限制了早期干预和防止更大规模疫情的能力。预测建模通过利用AIV相关信息在确诊病例报告之前预测疫情可能发生的时间和地点，提供了一种补充性早期预警方法。人工智能（AI）的进展提高了整合多样化数据集和识别疫情报告前可能出现的模式的可行性。这些模型可以帮助决策者优先考虑高风险区域、分配监测资源并在疫情升级前采取预防措施。
在以往研究中，研究人员使用工程化特征与经典机器学习模型来预测未来AIV疫情风险。经典方法包括线性回归模型以及基于树的方法和集成方法，后者也能捕获非线性关系。基于树的集成方法尤其因强大的经验性能而被广泛采用。例如，贝叶斯加法回归树（BART）已被用于将不确定性纳入生态风险预测，而提升回归树（BRT）已被应用于迭代优化病毒循环的适宜性地图。决策树模型也被用于预测未来疫情风险。在更精细的空间尺度上，极端梯度提升（XGBoost）等梯度提升方法通过利用时间生产指标在农场级监测任务中表现出强大性能。更简单的概率模型，包括逻辑回归，仍然是识别广泛环境风险因素的重要基线。最近，研究探索了多层感知机（MLP）等神经网络架构来处理高维输入，例如建模与疾病传播相关的车辆移动模式。
在这些方法中，一组一致的生态和环境驱动因素以及历史记录已成为AIV风险建模的核心。湿地和水体邻近性反复被确定为主要风险因素，反映了病毒在水环境中的持久性以及水相关鸟类栖息地的关键作用。野生鸟类活动指标和家禽密度也常被纳入，物种丰富度和农场密度已被证明可以改善空间风险预测。温度、湿度和风速等天气变量经常作为预测输入出现，通常与植被和土地覆盖指标相互作用以影响疫情动态。将迁徙模式与局部生态条件相结合进一步改善了对疫情风险的时间和空间洞察。最后，来自野生和家禽的历史疫情数据也被用于捕获持续的疾病活动并改善对未来疫情风险的预测。
上述研究主要依赖通过手动特征工程创建的表格数据集。这些模型的主要数据来源，从卫星影像到土地监测记录，自然表示为高分辨率栅格。然而，创建表格数据集迫使建模方法基于手动选择来聚合这些丰富的空间数据，实际上强加了关于哪些环境因素最重要的假设。此外，表格表示无法像栅格数据那样有效捕获相邻区域之间的空间依赖关系。这一过程可能引入偏差，并使模型对研究人员可能不会想到纳入的复杂生态驱动因素视而不见。通过转向在原始栅格输入上利用深度学习的方法，可以放宽这些限制，允许模型发现人类设计的变量可能忽略的相关特征组合和隐藏预测因素。
深度学习在AIV监测中的应用在大多数先前研究中受到一个关键限制的制约：数据稀缺。传统深度神经网络需要大规模数据集才能从头学习有效的特征表示。然而，AIV疫情是零星事件，导致阳性样本相对较少。在有限数据上训练高容量深度学习模型通常会导致过拟合和泛化能力差。为应对这一挑战，研究人员转向了深度学习中新兴的范式。研究人员利用迁移学习来适应一个已在庞大多样化数据集上预训练的大型模型，而非从头训练模型。这类模型被称为基础模型，即使训练数据集稀疏且不平衡，也能在其对应来源中捕获复杂模式的稳健、可泛化的表示。
在本研究中，研究人员旨在利用Vision Transformer（ViT）——一种为图像设计的基础模型——使用整合了局部和邻近生态及气候因素的多源栅格输入来预测近期AIV疫情风险。为实现这一目标，研究人员设计了一种能够处理具有不同通道数的多通道栅格的架构，允许整合多种类型的环境数据。研究人员通过将加拿大陆地领土划分为鱼网网格并将报告的疫情与相应单元格匹配来组织分析。此外，为实现监督训练，研究人员开发了一种选择无疫情网格单元子集作为负样本的策略，利用特定标准确保这些单元格对模型训练有效且信息丰富。
据研究人员所知，虽然基础模型在AIV相关子任务中已有一些有限的应用，但这是首次将基础模型应用于AIV疫情风险预测整体任务的研究。通过从工程化特征转向原始栅格输入，研究人员解决了传统建模方法的局限性，并证明迁移学习可以克服疾病监测中的数据稀缺问题。这项工作凸显了计算机视觉技术在增强人畜共患疾病早期预警系统方面的潜力。在此基础上，主要贡献如下：引入基础模型应用于AIV疫情风险预测，实现深度学习，并建立利用迁移学习进行疾病监测的端到端流程；提出一种利用邻域感知栅格窗口的新型空间表示方法，使模型能够直接从原始多源数据学习，而非依赖聚合的手动工程特征；通过在加拿大识别高风险区域的全面数据驱动评估，展示该方法相较于经典机器学习基线的明显优势；开展加拿大首个全国性AIV建模工作，明确整合全国多样景观的高分辨率生态和环境因素。
本研究依赖一个整合空间和时空信息的多源地理空间数据集来建模加拿大全国AIV疫情风险。数据集结合了基于先前研究选择的多个变量，代表影响疫情发生的潜在风险因素。每个数据源贡献景观的独特方面，从栖息地特征和天气条件到家禽密度、野生鸟类移动和人口模式，使模型能够从多样而互补的因素中学习。这些数据集被整合为统一的栅格格式，以保持空间一致性并确保不同区域和时间段之间的可比性。此外，研究人员将目标疫情记录分为两个不相交的数据集，分别建模家禽和野生鸟类中的事件。相应地，家禽数据集表示与家禽相关的疫情记录，野生鸟类数据集表示与野生鸟类相关的疫情记录。这种分离是由于这两个群体内的疫情具有不同的动态，可能难以在统一模型中捕获。尽管家禽和野生鸟类疫情被建模为单独的预测任务，但这两个系统并非被视为完全独立。研究人员在模型输入中添加了基于WAHIS的历史疫情图层，以考虑野生鸟类和家禽疫情之间的潜在联系，特别是溢出相关风险。对于家禽模型，研究人员纳入了家禽和野生鸟类既往疫情图层。对于野生鸟类模型，研究人员仅纳入野生鸟类既往疫情图层，使预测任务聚焦于野生动物相关疫情动态。
本研究的 ground truth 数据来自世界动物卫生组织（WOAH）通过世界动物卫生信息系统（WAHIS）提供的官方AIV疫情报告。在加拿大，确诊的HPAI疫情由加拿大食品检验局（CFIA）按照高致病性禽流感国际报告要求向WOAH报告。在本研究中，疫情按照WOAH指南定义为在特定流行病学单元内出现至少一例确诊病例。病例确认基于CFIA认可实验室使用实时RT-PCR进行的分子诊断检测。这些记录代表加拿大全国家禽和野生鸟类物种中经核实的高致病性禽流感（HPAI）疫情。数据集时间跨度为2021年11月至2026年5月，包括该时间段内报告的所有确诊HPAI病例。本研究仅考虑感染高致病性AIV毒株的禽类物种疫情。记录经过筛选仅保留禽类相关数据，物种被分为家禽和野生鸟类两组以反映其不同的生态和流行病学动态。为实现空间建模，所有确诊病例位置均进行地理配准并映射到基于NAD83（EPSG:3347）坐标系统的统一10 km × 10 km鱼网网格上。如果某网格单元包含至少一例确诊病例，其活跃期与从该采样日期开始的定义标记窗口（30天）重叠，则该网格单元在给定采样日期被标记为阳性。具体而言，当疫情发生在同一网格单元且要么在采样日期已经持续，要么在随后的预测窗口内开始，则被视为阳性匹配。这种基于网格的映射为定义疫情区域和促进与其他空间数据图层的对齐提供了基础。
为训练模型，研究人员依赖监督学习方法，需要正样本和负样本，使模型能够学习区分疫情条件和非疫情条件。在研究中，正样本由特定疫情事件定义，即从WAHIS报告的HPAI疫情中获得的位置-时间对。由于监测数据仅为存在数据且不提供明确的缺席记录，研究人员使用通常称为伪缺席生成的启发式方法构建负样本。该方法在先前使用仅存在监测数据的研究中被广泛使用。在本研究中，伪缺席使用混合时空策略生成为无疫情的位置和时间对。空间伪缺席捕获相同时间条件下附近的网格单元，而时间伪缺席捕获同一网格单元在无疫情时期的记录。这使模型能够从地理或时间相关的对比中学习。
本研究中的数据层选择基于先前研究和专家知识，以确保每个数据集贡献与疫情风险预测相关的重要环境、生态、人为和流行病学因素，重点关注气候、农业、人口和历史疫情相关因素。所有使用的数据集均为加拿大或国际官方存储库的最新版本。此列表包括家禽密度、人口集群和湿地地图等代表基线地理条件的空间数据，以及天气数据、野生鸟类观测和历史疫情记录等时空数据。
家禽和人口数据来自加拿大统计局，代表静态空间变量。家禽数据来自2021年农业普查，包括家禽数量、农场数量以及蛋类和肉类生产量，捕获加拿大全国家禽养殖活动的强度。人口数据集来自2016年网格化加拿大统计局产品，包括总人口、农村和城市人口密度。湿地数据来自加拿大湿地清查（CWIM3A），这是一个10米分辨率的全国数据集，由加拿大农业及农业食品部利用多源卫星影像（包括Sentinel-1、Sentinel-2、ALOS PALSAR-2和SRTM数据）生产。该数据集通过Google Earth Engine平台上的基于对象的随机森林分类生成。湿地分类方案包括五种类型：泥炭沼泽、矿质泥炭沼泽、草甸沼泽、灌木沼泽和浅水。这些湿地特征直接用于模型中以代表支持候鸟和留鸟物种的自然栖息地。气象、野生鸟类观测和WAHIS历史疫情数据集是本研究中使用的时空数据源。ECMWF的ERA5再分析数据提供温度、湿度、降水、降雪、太阳辐射和叶面积指数等日变量。研究人员还获取了风的u和v分量并从中计算风速和风向。eBird数据集由康奈尔鸟类学实验室开发，提供公民科学家报告的时空野生鸟类观测数据。使用每日聚合的鸟类观测计数和物种分布，并通过交叉参考CFIA疫情记录与eBird物种列表计算高风险物种比例。WAHIS数据集由世界动物卫生组织维护，提供家畜和野生动物中重要流行病学疾病的官方全球动物卫生记录。本研究提取相关禽流感疫情记录用于代表历史疫情活动。
预处理涉及多个步骤，在模型整合前标准化和对齐所有空间和时空数据集。每个数据集被投影到通用坐标参考系统（EPSG:3347/NAD83）并重采样以匹配用于疫情标记的10 km × 10 km网格分辨率。来自ERA5和eBird的时间数据按日期同步以确保天气条件、鸟类观测和疫情记录之间的一致性。对每个变量进行数据归一化以减轻尺度差异。最后，所有栅格图层被聚合为固定大小的图像，每个图像代表一个单元格及其在空间和时间上的邻近单元格，允许模型纳入周围单元格的时空依赖关系。
区域AIV视觉编码器网络（RAVEN）设计用于处理上述多源栅格输入以预测未来AIV疫情风险。该模型利用预训练的基础模型，特别是Vision Transformer（ViT），作为骨干网络将输入栅格编码为嵌入向量，捕获其空间和时空动态以及底层特征交互。嵌入向量随后用于对每个潜在疫情中心进行分类。架构采用模块化设计，在馈送到预训练的ViT-B/16编码器之前融合投影的栅格输入。ViT骨干的预训练权重有助于缓解数据稀缺问题，但也带来了显著限制。ViT的输入首先由其tokenizer处理，该tokenizer期望3通道输入，因为模型最初是在具有3个颜色通道的自然图像数据集上预训练的。为解决这一问题，研究人员用栅格卷积分词器替换ViT的tokenizer，从头学习补丁嵌入，同时保持预训练编码器权重不变。tokenizer首先通过两个3×3卷积层处理每个栅格，中间包含批量归一化和非线性激活。该操作将每个栅格投影为32通道特征图。然后研究人员沿通道轴连接特征图，并将结果馈送到1×1卷积层进行跨栅格特征融合。结果是包含来自每个来源和邻近位置特征的64通道特征图。这种方法在计算机视觉和遥感中已被广泛用于使基于RGB的预训练模型能够处理多通道科学影像。融合后的栅格随后由ViT骨干处理。ViT首先将每个栅格划分为16×16像素补丁，并将每个补丁展平为768维潜在表示向量。这些补丁向量被线性投影到潜在空间以形成token序列。然后研究人员向token添加正弦位置编码，编码每个补丁的相对位置并使模型能够区分栅格中的空间结构。最后，一个称为[CLS] token的特殊标记被添加到序列前端，允许模型聚合栅格中的全局信息。该序列被传递到Transformer编码器，其中每一层采用多头自注意力机制，使模型能够捕获长程空间依赖关系并捕获栅格内所有补丁之间的交互，随后是逐token的MLP。多头自注意力机制通过计算每个补丁token应多大程度关注序列中的每个其他token来工作，允许模型捕获局部和长程空间交互。该层专门设计为使模型能够捕获相邻单元格之间的连接和交互。对于每个注意力头，token序列被线性投影为查询（Q）、键（K）和值（V）矩阵，注意力权重使用缩放点积公式计算。多头注意力在h个头之间并行重复此操作，使模型能够学习互补的空间关系。产生的头输出被连接并线性投影以形成传递到后续Transformer层的最终表示。在多头自注意力操作之后，每个token通过逐token的MLP进一步精炼其表示。该组件由两个全连接层组成，中间包含非线性激活，独立应用于序列中的每个token。MLP的目的是引入非线性变换，扩展模型在注意力混合后捕获复杂特征交互的能力。与注意力机制一起，它使每个Transformer块能够迭代丰富从栅格补丁编码的空间表示。产生的嵌入向量随后通过两层MLP，研究人员称之为模型的分类头。MLP的输出通过Sigmoid激活函数获得正类的可能性。研究人员应用二元交叉熵损失函数训练模型。
对于伪缺席生成过程，基于先前发表文献，研究人员生成负样本以在缺乏经核实真实缺席记录的情况下代表无疫情条件。目标是选择与确诊病例足够接近的伪缺席以提供信息丰富的训练示例，同时避免与已知疫情活动重叠的位置或时间段。为实现这一目标，研究人员使用了混合时空伪缺席生成策略。对于每个阳性疫情样本，研究人员生成N=5个伪缺席样本。其中四个作为空间负样本生成，一个作为来自同一网格单元的时间负样本生成。空间负样本从与阳性样本相同日期的邻近网格单元中采样。候选单元格使用曼哈顿距离定义，仅考虑距离阳性样本1至3个网格单元的单元格。如果候选空间负样本的30天预测窗口与WAHIS数据集中的任何确诊病例重叠，或平移后的网格单元位置落在加拿大领土之外，则被排除。剩余有效候选者在不放回的情况下随机采样。为生成时间负样本，研究人员保留与阳性样本相同的网格单元但从整个WAHIS研究期间采样不同日期。此外，在每个疫情发生前排除30天疫情前缓冲期，因为在此期间环境和流行病学条件可能已经有利于疫情出现。有效时间候选者随后在不放回的情况下随机采样。空间组件避免过于遥远或容易区分的负样本，而时间组件提供同位置无疫情对比并排除疫情间隔和30天疫情前时期以减少潜在标签噪声。这一设计创建了更具挑战性和监测相关性的分类设置，其中疫情和非疫情样本可能共享相似的地理和环境背景。
每个栅格图层表示为224×224栅格，覆盖以目标网格单元为中心的50 km × 50 km区域。因此，模型能够观察和捕获单元格与其各个方向直接相邻单元格之间的空间依赖关系。对于天气和野生鸟类观测等时空来源，研究人员在预测日期之前的两个回溯窗口（前7天和前30天）计算特征。这些窗口总结了每个单元格周围的近期环境和生态条件。此外，时间特征使用7天和14天的预测滞后生成，以分别评估模型提前一周预测疫情和在更具挑战性的两周预测场景下的能力。家禽数据集最终包含6570个样本，包括1095个阳性样本和5475个阴性样本，而野生鸟类数据集最终包含4148个样本，包括700个阳性样本和3448个阴性样本。
数据集使用基于时间的分割来评估时间泛化能力。日期在2023年12月31日或之前的样本用于训练，2024年1月1日至2024年12月31日的样本用于验证，2025年1月1日及以后的样本留出用于测试。每次训练运行在两个数据集上均进行50个epoch。所有实验使用批次大小为8。训练期间应用加权随机采样以解决类别不平衡并确保阳性和阴性样本的等量暴露。RAVEN使用ImageNet预训练的ViT-B/16骨干进行栅格特征提取。tokenizer模块使用高斯误差线性单元（GELU）激活在输入投影中引入非线性。为保留预训练期间学习的一般视觉表示并避免对相对较小的疫情数据集过拟合，骨干权重保持冻结，而可训练的RAVEN组件被优化。对于最终实验，每个数据集和预测视野配置在30个随机种子上进行训练。研究人员使用Adam优化器，非预训练模块的固定学习率为10?3，权重衰减系数为10??。模型在PyTorch中实现，并在加拿大数字研究联盟提供的具有40 GB显存的NVIDIA H100 GPU上训练。
由于数据集高度不平衡，研究人员在分析中依赖精确率、召回率和F1分数，更重视召回率和F1分数。研究人员还报告了接收者操作特征曲线下面积（AUROC）和精确率-召回率曲线下面积（AUPRC）以评估模型在不同决策阈值下的性能。AUPRC在此设置中尤其相关，因为它强调类别不平衡下正类的性能。模型间性能差异的统计显著性使用Wilcoxon符号秩检验评估，确保多次运行中报告结果的稳健性。
为评估提出的RAVEN框架的有效性，研究人员实施了几个基线模型进行比较。这些基线模型包括先前AIV风险预测和相关生态建模任务中广泛使用的传统和集成机器学习算法。所选模型为MLP、随机森林（RF）、RUSBoost、AdaBoost和XGBoost。为确保与RAVEN的一致和公平比较，研究人员将栅格通道所代表的相同输入特征传递给基线模型。由于这些模型需要表格输入，每个样本使用从中心网格提取的特征值表示。超参数基于网格搜索和交叉验证进行调优，并参考先前文献报告的最优配置。所有基线模型在与RAVEN相同的训练、验证和测试分割上评估。
RAVEN在家禽数据集上7天滞后时达到89.46%的准确率，14天滞后时达到89.06%的准确率。相应的F1分数分别为64.79%和62.85%。这些结果可能暗示预测因素出现与实际疫情之间存在潜伏期，更接近7天。在家禽数据集中，AdaBoost和RUSBoost排名第二（F1分数约54%），其次是XGBoost和随机森林，而MLP显示出显著较低的F1分数。对于野生鸟类数据集，RAVEN在7天滞后时达到91.3%的准确率，14天滞后时达到88.67%的准确率，F1分数分别为73.12%和63.83%。这些发现证实RAVEN有效捕获不同数据集中的生态和空间动态，在野生鸟类预测中观察到更高性能。滞后效应分析显示，7天特征滞后相较于14天特征滞后略微提高了召回率和F1分数，表明RAVEN成功纳入时间依赖关系以进一步提前预测疫情。总体而言，这些结果确立了RAVEN作为全国性禽流感疫情风险预测的稳健、数据高效且可泛化的模型。
为进一步检查两个模型的互补优势和局限性，研究人员对RAVEN和AdaBoost产生不同预测的代表性案例进行了定性失败分析。对于家禽示例，RAVEN通过整合空间分布的家禽、近期WAHIS、湿地、野生鸟类和农村人口模式正确识别了阳性样本，而这些模式未被AdaBoost的有限特征完全表示。然而，阴性家禽案例包含类似的风险相关信号组合，导致RAVEN过度泛化并产生假阳性。对于野生鸟类示例，RAVEN正确拒绝了阴性样本，尽管存在局部WAHIS和野生鸟类指标，表明更广泛的空间排列有助于将孤立风险信号与更一致的疫情模式区分开来。相反，RAVEN遗漏了阳性野生鸟类案例，其中相关WAHIS和近期野生鸟类信号稀疏且集中在中心位置附近。这表明当周围栅格缺乏类似强支持模式时，局部时间证据可能被低估。这一分析凸显了RAVEN的核心权衡：空间整合可以恢复分布式多源风险模式并抑制孤立指标，但也可能在风险相关景观中过度预测或在决定性证据高度局部化时预测不足。
通道重要性分析显示，在湿地通道中，水在家禽数据集中最重要，而矿质泥炭沼泽在野生鸟类数据集中贡献最高。在天气栅格中，湿度、风相关变量、降水和太阳辐射是最有影响的通道之一，表明模型捕获了与病毒持久性、移动和暴露相关的环境条件。对于宿主相关栅格，家禽通道重要性分布在多个生产类型中，鸭、火鸡、蛋孵化场、母鸡和肉鸡相关通道在两个数据集中名列前茅。野生鸟类栅格主要由30天观测计数通道驱动，特别是总观测数和高风险物种观测数，而7天图层贡献较小。人口通道在家禽数据集中显示更强的农村信号，在野生鸟类数据集中显示更强的总人口和农村人口信号。WAHIS栅格进一步表明，历史疫情存在通道，特别是家禽任务中的农场相关存在和野生鸟类任务中的野生鸟类存在，提供比大多数近期通道更强的信号。这些模式与先前研究和关于AIV传播动态的专家观察大致一致，并支持RAVEN使用来自栖息地、天气、宿主可用性、人口背景和先前疫情历史的互补信号的解释。
为评估不同栅格来源组的贡献，研究人员进行了消融研究，逐步引入新来源。模型首先使用静态栅格评估，然后添加天气栅格，随后添加野生鸟类观测栅格，最后纳入WAHIS历史疫情栅格以形成RAVEN全来源配置。对于家禽数据集，静态栅格提供有限基线，F1分数为12%，AUPRC为19%，AUROC为56%。添加天气栅格将AUPRC提高至20%，AUROC提高至58%，但未改善阈值敏感指标。添加野生鸟类观测栅格产生类似模式，AUPRC小幅增加至21%，但分类指标改善有限。在添加WAHIS历史疫情栅格后观察到最强改善。RAVEN全来源配置达到89%准确率、68%精确率、58%召回率、62% F1分数、62% AUPRC和79% AUROC。这些结果表明历史疫情信息对家禽疫情预测贡献最大。对于野生鸟类数据集，静态栅格配置达到40% F1分数、27% AUPRC和78% AUROC，显著优于家禽数据集。天气栅格的贡献在当前配置下不太明显，这可能反映组合多个天气变量引入的噪声或冗余。相反，添加野生鸟类观测栅格将召回率从51%提高至84%，AUPRC从26%提高至35%。这表明野生鸟类观测帮助模型捕获阳性野生鸟类疫情样本，尽管较低的精确率和准确率表明更多假阳性。RAVEN全来源配置在所有指标上提供最佳平衡，达到88%准确率、56%精确率、73%召回率、63% F1分数、61% AUPRC和88% AUROC，再次暗示历史疫情记录的重要性。基于通道重要性分析中近期WAHIS存在通道被确定为RAVEN预测最强贡献者之一，研究人员在14天预测视野进行了补充反向消融。与原始累积消融不同，反向分析使用任务特定WAHIS历史作为起始配置，然后评估观测、天气和静态栅格组的贡献。对于家禽预测，WAHIS历史提供强初始表示，仅使用家禽历史的AUPRC值为64.62%，使用家禽和野生鸟类联合历史的AUPRC值为65.21%。添加野生鸟类观测栅格将AUPRC提高至66.72%。最强排名性能通过组合WAHIS历史、野生鸟类观测与静态人口、家禽和湿地栅格而排除天气获得。该配置达到68.80%的AUPRC和81.88%的AUROC。相对于仅联合WAHIS历史，AUPRC增加约3.6个百分点，在所有30次配对运行中均观察到改善。相对于WAHIS加观测，添加静态栅格将AUPRC提高约2.1个百分点。这些结果表明观测和静态来源在历史疫情活动之外贡献预测信息。对于野生鸟类预测，仅野生鸟类WAHIS历史产生强性能，F1分数为73.00%，AUPRC为74.27%，AUROC为95.45%。添加静态栅格提高了准确率、精确率、召回率、F1和AUROC，包括F1从73.00%提高至76.00%，而AUPRC保持在73.96%相似水平。野生鸟类观测和天气的贡献因配置而异。天气在添加到WAHIS和观测栅格时将AUPRC从59.38%提高至68.11%，但当所有来源组组合时这一改善未能保留。这些发现表明来源贡献并非严格可加，且最具信息量的组合在家禽和野生鸟类预测之间不同。
本研究提出了RAVEN，一种基于基础模型的方法，利用多源生态和环境栅格数据预测禽流感疫情。与传统依赖从生态和环境来源提取的工程化表格特征的方法不同，RAVEN直接操作栅格输入，保留每个数据层的空间结构及其邻域上下文。这种设计允许模型学习空间依赖关系和跨层交互，而这些可能通过手动特征提取而丢失。鉴于AIV数据集的有限和不平衡性质，从头训练这种具有空间表达能力的深度模型是不可行的。通过微调预训练的Vision Transformer，RAVEN利用基础模型学习到的可泛化表示，即使在严重数据稀缺下也能实现稳健性能。在召回率、F1分数、AUPRC和AUROC方面，RAVEN始终优于传统机器学习基线。鉴于加拿大地理和气候多样性，疫情风险在各省、生态区和迁徙路线之间差异很大，这些增益尤其显著。这种性能增益可能由深度学习架构相较于传统机器学习在捕获复杂模式方面的固有优势驱动。神经网络通常通过其大量可学习权重提供更大的容量来建模非线性交互。此外，通过微调基础模型，RAVEN受益于预训练表示，提供了比仅在有限任务特定数据上训练的模型更优越的起点。此外，基线模型依赖缺乏邻近单元格信息的表格数据，而RAVEN利用保留空间依赖关系的栅格输入。虽然一些基线达到匹配的准确率甚至更好的精确率分数，但这是在显著较低的召回率下发生的，表明它们在类别不平衡设置下遗漏了更多确诊病例样本。为进一步理解这些性能差异，研究人员分析了模型的混淆矩阵。传统机器学习方法如AdaBoost倾向于遗漏更多真实疫情，特别是在风险信号分布在空间而非集中在单个网格单元内的区域。这些遗漏案例通常发生在受影响区域边缘或过渡区域，表格表示无法捕获邻近区域的信息。相反，RAVEN减少了假阴性并在两个数据集中提供了敏感性和假阳性误差之间更强的平衡。通过使用邻域感知栅格输入和预训练空间表示，RAVEN能够纳入周围空间上下文并识别经常被基于单元格的特征工程模型忽视的新出现或空间弥散疫情模式。第一项消融研究描述了按预先指定顺序引入栅格来源组时性能如何变化。每个来源组基于AIV文献中确定的环境、生态、农业、人口和流行病学风险因素预先选择。静态栅格提供来自湿地、家禽分布和人口的空间上下文，天气和野生鸟类观测栅格代表环境和生态条件，疫情历史栅格提供来自近期报告活动的流行病学上下文。在此累积序列中，全来源配置产生最强整体性能。通道重要性分析进一步量化了每个来源的贡献，并确定近期疫情存在是特别强的预测信号，推动了补充反向消融。补充反向消融从任务特定疫情历史开始，评估其余来源组的定向添加和省略。产生的性能模式表明每个来源的贡献取决于预测任务和与其组合的来源。对于家禽预测，保留家禽和野生鸟类WAHIS历史、野生鸟类观测和静态栅格而省略组合天气组的配置达到68.80%的AUPRC，而全来源配置为62.80%。对于野生鸟类预测，将静态栅格添加到野生鸟类WAHIS历史提高了准确率、召回率、F1、AUROC和校准Brier分数，同时保持相似的AUPRC。这些发现并不表明被省略的风险因素在流行病学上无信息。相反，它们表明当前模型实现的预测贡献取决于不同空间尺度、时间分辨率、相关结构和可用性水平的信息如何表示和组合。因此，结果确定了任务特定来源整合作为RAVEN内进一步优化的机会。这在 nationwide 设置中尤其相关，其中家禽生产、湿地分布、迁徙路径、天气条件、疫情频率和监测覆盖率在加拿大各地区差异很大。基于梯度的可解释性结果提供了RAVEN如何整合生态、气候、人为和流行病学信息以得出预测的更广泛视图。研究人员将这些模式解释为模型级指标，表明哪些输入通道对采样预测贡献更强，而非将其视为生态机制的直接证据。模型不依赖单一主导因素，而是将重要性分布在多个输入组中。例如，湿地结果确定水在家禽任务中为最强湿地贡献者，矿质泥炭沼泽在野生鸟类任务中为最强湿地贡献者。在天气栅格中，湿度、风相关变量、降水和太阳辐射显示相对较高的贡献。WAHIS疫情存在通道也贡献强烈，表明近期疫情活动被模型用作流行病学上下文。野生鸟类观测较长聚合窗口的突出表明模型使用多周观测摘要的信息而非仅最短观测窗口。同样，农村人口的相对强贡献与家禽相关通道组合表明人口和家禽密度图层在某些预测中一起使用。WAHIS结果进一步表明疫情存在通道，特别是家禽任务中的农场相关存在和野生鸟类任务中的野生鸟类存在，比大多数近期通道贡献更强。因此，这些结果应被解释为模型从可用栅格输入中学习到的关联，而非AIV传播机制的因果确认。尽管RAVEN展示了强大性能，但几个局限性需要进一步讨论。首先，野生动物疫情报告本质上是稀疏的且在各地区不均衡，确诊病例的缺失不一定意味着感染的真正缺席。尽管使用了时空伪缺席生成策略，该过程可能仍未产生真实世界条件的良好表示。时空不相交评估本可以帮助量化这一局限性。然而，在数据约束下不可行，因此优先考虑时间分离，因为任务本质上是预测导向的。其次，模型目前依赖基于快照的环境输入而非连续时间序列。由于AIV动态受短期天气事件、迁徙波和快速变化的生态条件影响，缺乏显式时间建模可能限制对瞬态风险因素的敏感性。第三，虽然评估使用按时间顺序的时间分割，但相邻栅格窗口仍可能在不同时间段共享空间信息。空间分块或联合时空验证将提供对地理泛化更严格的评估。第四，虽然多源方法增强了空间推理，但其对其他地理区域的泛化能力尚未测试。监测质量、环境组成和物种行为的差异可能需要区域特定校准。最后，梯度和注意力图等可解释性方法提供有价值的见解，但不建立因果关系，可能过度简化复杂生物过程。未来工作应通过扩展模型并纳入时间模型（如循环神经网络）来显式跟踪随时间演变的环境和生态趋势，以解决这些局限性。添加候鸟路径、牲畜运输网络和更高分辨率天气序列可能进一步增强预测能力。未来工作还应分解广泛来源组，特别是跨多个回溯窗口表示的天气变量，并评估任务特定和自适应融合策略。此类分析可以确定哪些文献支持的风险因素在不同地理和流行病学设置中最具信息量，同时保留RAVEN的模块化多源设计。改进伪缺席生成与不确定性感知或概率采样方法可能减少标签噪声并增强模型可靠性。未来评估还应比较替代采样策略、每个阳性样本的负样本数量和空间偏移范围，以量化模型性能对伪缺席设计的敏感性。此外，本研究的可解释性分析限于基于梯度的通道重要性和所选示例的定性检查。未来研究可以评估额外的可解释性方法并在更大预测集上更系统地应用它们，以获得对模型行为的更全面理解。此外，探索域适应技术可以使RAVEN跨大陆泛化，实现更广泛的全球AIV监测应用。最后，整合更先进的可解释性框架，如基于概念的解释或反事实分析，可以帮助展示生态因素如何在模型内交互并为决策者提供更可操作的见解。
本研究提出了RAVEN，一种整合多源栅格数据预测未来AIV疫情风险的深度学习框架。通过在深度学习架构中利用AIV相关数据，RAVEN为早期预警系统提供了稳健基础。模型在多个预测区间上始终优于传统机器学习基线，展示了学习表示相对于手动特征工程的价值。此外，可解释性分析表明模型的空间注意力与已知生态因素一致，验证了其学习有意义模式的能力。研究结果还凸显了对农业生物安全和野生动物疾病管理的更广泛意义。基础模型方法即使在有限数据下也展示出有效性，表明其在支持及时监测和知情决策的操作性早期预警系统中的潜力。随着预测性AI模型的不断发展，整合时间建模、不确定性估计和区域特定适应对于在真实世界监测框架中部署至关重要。总体而言，这项工作为将先进AI方法纳入国家和区域疾病控制策略提供了基础，有助于对AIV和相关新兴威胁做出更主动和基于证据的响应。
