《Frontiers in Cellular and Infection Microbiology》：Spatiotemporal patterns and meteorological associations of mosquito density: insights from mosquito surveillance in Chengdu, China
编辑推荐：
专业术语翻译摘要
目的： 本研究旨在调查中国成都市蚊虫密度的时空分布及其与气象因素的关联，并比较不同模型的预测性能，从而为蚊媒传染病监测和预警提供科学依据。
方法： 研究人员收集了2023年至2025年成都市22个县级行政区的蚊虫监测数据，气象数据来自成都市气
专业术语翻译摘要
目的： 本研究旨在调查中国成都市蚊虫密度的时空分布及其与气象因素的关联，并比较不同模型的预测性能，从而为蚊媒传染病监测和预警提供科学依据。
方法： 研究人员收集了2023年至2025年成都市22个县级行政区的蚊虫监测数据，气象数据来自成都市气象局。采用Wilcoxon符号秩检验比较城区和乡村生境间的蚊虫密度，同时利用非度量多维尺度分析（NMDS）、置换多元方差分析（PERMANOVA）和相似性百分比分析（SIMPER）评估蚊虫群落结构的差异。应用广义加性模型（GAM）评估蚊虫密度对气象因素的非线性响应。研究人员按采集日期将数据以80:20的比例分组，比较了GAM、随机森林（RF）和极端梯度提升（XGBoost）的性能，并刻画了温度-日照时数的联合响应特征。
结果： 2023年至2025年，蚊虫密度呈现单峰季节性模式，在6月或7月达到峰值。外围地区（如崇州、都江堰和邛崃）观察到较高密度，而中心城区密度较低。三带喙库蚊（Culex tritaeniorhynchus）和淡色库蚊（Culex pipiens pallens）是两个优势种。乡村生境的蚊虫密度显著高于城区生境（P < 0.001），且城区和乡村生境间的蚊虫群落结构存在显著差异（P = 0.001）。GAM揭示了滞后1-7天的日均温度和累积日照时数与蚊虫密度之间存在显著的非线性关联（两者P < 0.001）。蚊虫密度在15.59 °C至22.44 °C之间显著增加，并在25.02 °C时达到估计峰值。模型比较显示，RF取得了最高的预测性能，其次是XGBoost。
结论： 成都市的蚊虫密度表现出显著的时空异质性，其中温度和日照时数被确定为关键的气象因素。机器学习模型显示出优于GAM的预测性能。为预防和控制蚊媒传染病，应将气象因素纳入现有的监测系统。
论文解读文章
研究背景、现存问题与研究意义
蚊虫是全球最重要的病媒节肢动物之一，可传播疟原虫、乙型脑炎病毒、登革病毒等多种病原体，每年导致超过70万人死亡。近年来，全球气候变化、城市化加速和土地利用变化促进了蚊虫的地理扩张并改变了其季节性活动模式，对蚊媒传染病的防控构成新挑战。2005年至2024年间，中国报告了超过41万例蚊媒传染病病例，主要集中在南方和西南地区。四川省位于中国西南部，气候温暖湿润，历史上曾是疟疾流行区，同时也是乙型脑炎高发区，其发病率持续高于全国平均水平。特别是自2019年报告首例本地传播登革热病例以来，该省面临日益增长的蚊媒传染病风险。因此，加强蚊虫监测和传播风险预测至关重要。
目前，蚊虫密度监测相比病例监测能更早地捕捉到种群异常变化，有助于在疾病暴发前识别潜在风险。然而，城市环境中蚊虫分布高度异质，不同地区的城市化水平、土地利用类型和小气候条件共同影响蚊虫孳生地、成蚊栖息地和宿主可获得性。此外，气象因素与蚊虫密度的关系通常是非线性的，并且存在时间滞后效应，不同气象因素间也可能存在交互作用。因此，本研究旨在利用成都市2023-2025年的蚊虫监测数据，刻画蚊虫密度、群落组成和空间分布格局，应用广义加性模型（GAM）表征非线性响应，并比较GAM、随机森林（RF）和极端梯度提升（XGBoost）三种模型的预测性能及温度-日照时数联合响应模式。研究成果有望为该区域有效控制蚊虫种群和蚊媒传染病提供基础数据。
主要关键技术方法
研究人员在2023年至2025年间，于成都市22个县级行政区（包括市辖区、县级市、县等）的99个固定采样点进行蚊虫监测，每月两次（上半月和下半月），采用诱蚊灯法采集雌蚊，计算蚊虫密度（只/灯·夜）。气象数据（日均温度、相对湿度、降雨量、平均风速、日照时数）由成都市气象局提供，为日分辨率。在数据分析中，研究人员使用了多种统计模型：1）采用Wilcoxon符号秩检验、非度量多维尺度分析（NMDS）、置换多元方差分析（PERMANOVA）和相似性百分比分析（SIMPER）比较城乡生境差异；2）应用广义加性模型（GAM）量化气象因素与蚊虫密度的非线性暴露-反应关系和阈值；3）使用随机森林（RF）和极端梯度提升（XGBoost）进行预测建模，并与GAM进行比较，所有模型均使用相同的预测变量集，并按采集日期以80:20比例划分训练集和测试集。
研究结果
3.1 蚊虫种群的空间分布与组成
研究发现，蚊虫密度空间分布呈现显著异质性。中心城区（如锦江区、成华区）密度较低，而周边区域（如崇州市、都江堰市）密度较高。2023-2025年间共捕获雌蚊224,996只，优势种为三带喙库蚊（Cx. tritaeniorhynchus，占63.26%）和淡色库蚊（Cx. p. pallens，占20.12%）。不同生境物种组成差异显著，畜棚的平均蚊虫密度最高（241.17只/灯·夜），其中三带喙库蚊占比最高（68.62%）。蚊虫密度呈单峰曲线，分别在2023年6月、2024年7月和2025年6月达到峰值。
3.2 蚊虫密度、空间分布和群落结构的城乡差异
通过Wilcoxon符号秩检验发现，乡村生境的蚊虫密度显著高于城区生境。空间插值显示，乡村采样点周围存在多个高密度区域，而城区密度较低且分布均匀。NMDS和PERMANOVA分析表明，城区和乡村的蚊虫群落结构存在显著分离，主要由淡色库蚊和三带喙库蚊两种优势种的差异驱动。淡色库蚊和白纹伊蚊在城区生境中相对丰度更高，而三带喙库蚊、骚扰阿蚊和中华按蚊在乡村生境中相对丰度更高。
3.3 气象关联：滞后关联与非线性响应
相关性分析显示，温度与蚊虫密度在多个滞后窗口内呈显著正相关。GAM模型结果显示，滞后1-7天的日均温度（Temp_MA1-7）和累积日照时数（Sun_Cum1-7）是显著的影响因素。导数分析表明，蚊虫密度在Temp_MA1-7达到15.59 °C时开始显著增加，在25.02 °C时达到峰值，之后缓慢下降。对于Sun_Cum1-7，蚊虫密度在38.0小时处达到局部最小值，随后上升，在52.94小时时出现显著增加。相对湿度、降雨量和风速与蚊虫密度无显著关联。
3.4 模型性能与温度-日照联合响应模式
在留出测试集上，RF模型取得了最高的预测R2（0.715），其次是XGBoost（0.642）和GAM（0.609）。RF的预测误差（RMSE和MAE）也最低。温度-日照二维联合响应曲面显示，GAM产生平滑的温度主导梯度，而RF和XGBoost则生成阶梯状曲面。尽管存在局部差异，但各模型的整体联合响应模式基本一致，在日均温度18-22 °C和累积日照10-45小时的范围内一致性更高。
讨论总结与研究结论翻译
讨论总结： 研究证实了蚊虫密度在成都市区呈现出“中心低、外围高”的空间梯度，这与城市化梯度密切相关。乡村生境蚊虫密度更高，且群落结构与城区显著不同，这主要由优势种的生态适应性差异驱动。三带喙库蚊作为乙型脑炎的主要传播媒介，在畜棚中密度极高，凸显了人-畜界面在塑造蚊媒传染病传播风险中的重要性。研究还发现，温度是驱动蚊虫密度的首要气象因素，其在15.59 °C至25.02 °C区间内促进蚊虫增长，而过高温度则会抑制。日照时数也与蚊虫密度显著相关，但其效应可能主要是相加而非与温度协同。相对湿度、降雨和风速在本研究中未显示显著关联。在预测性能方面，基于树的集成学习方法（RF、XGBoost）优于GAM，表明它们在捕捉复杂非线性关系方面的优势。总体而言，蚊虫密度对气象因素呈现清晰的非线性响应，但稳定交互作用的证据有限。
研究结论翻译： 研究结果表明，成都市的蚊虫密度表现出明显的季节变化、空间异质性和城乡群落组成的差异。温度和日照时数在选定的7天暴露窗口期内与蚊虫密度呈非线性关联。与GAM模型相比，机器学习模型在预测蚊虫密度方面表现出更优越的性能，突显了它们在复杂气象条件下预测蚊虫密度的潜力。这些发现支持将气象信息，特别是温度，纳入蚊虫早期预警系统和有针对性的病媒控制中，以降低潜在的蚊媒传染病风险。
