疫情期间波兰城市县与乡村县的土地利用特征与COVID-19病例及死亡人数：一种机器学习方法

《BMC Public Health》：Features of the land use and COVID-19 cases and deaths in urban and land counties in Poland throughout the pandemic: a machine learning approach

　　

摘要

背景

该研究探讨了土地利用类型和人口密度对COVID-19病例及死亡人数空间分布的影响。研究通过分析波兰380个行政单位的公开数据集，这些数据涵盖了整个疫情期（从2020年3月至2023年6月），从而分析了影响COVID-19病例和死亡人数的关键土地利用因素。目前，这种关联尚未通过机器学习方法得到系统性的阐明。

方法

研究采用了基于多层人工神经网络结构的机器学习模型。根据县区类型、人口密度以及不同的土地利用类型（农业用地、森林用地、城市建成区、休闲用地、住宅用地、交通用地和工业用地），建立了三个独立的模型来预测COVID-19的病例数、死亡人数以及病死率。同时还进行了全局敏感性分析。

结果

研究结果显示，城市地区与农村地区的COVID-19发病率存在明显差异，这充分体现了土地利用的影响。在预测COVID-19病例方面，具有最佳性能的模型为隐藏层包含12个神经元且采用双曲正切激活函数的模型：测试集的R²值为0.977，平均绝对误差为1596.8人，均方根误差为4158人。而在预测COVID-19死亡人数方面，表现最稳定的模型为隐藏层包含11个神经元且采用S形激活函数的模型——测试集的R²值为0.984，平均绝对误差为26.9人，均方根误差为42.3人。

结论

研究结果表明，通过将环境、社会经济和建筑环境这三类数据作为输入，并运用人工智能方法，可以构建出用于预测病毒性感染的优质模型。因此，该模型可成为分析疫情传播的有效工具，有助于各国政府及地方当局在未来降低感染和死亡风险。