从模式到预测：野生动物疾病空间流行病学的分析框架

《Ecography》：From patterns to predictions: a framework for the spatial epidemiology of wildlife diseases

　　

野生动物疾病对生物多样性保护、公共卫生和畜牧业构成重大威胁。空间流行病学为理解疾病动态和指导政策与管理提供了稳健的框架。然而，空间方法的快速 proliferation 在很大程度上是跨学科孤立发生的，使得该领域缺乏一个统一的框架来连接这些方法并阐明其优势、局限和应用。空间流行病学工作流程包括三个主要步骤：1）空间格局的描述性分析；2）通过解释性分析探索观测到的格局；3）预测病原体的分布和传播。描述性分析，如疾病制图和聚类分析，识别空间格局并为潜在风险因素提供假设。随后，解释性分析可以将病原体存在与生态或人为驱动因素联系起来，并解释时空动态。病原体传播的驱动因素可通过机制模型进一步理解，范围从种群水平易感-感染-移除（SIR）框架到个体或群体水平的SIR方法，如复合种群模型和网络模型，这些模型可以纳入宿主行为和社会结构。分子流行病学通过遗传变异识别和系统发育图谱，可以确定疫情起源和宿主关联。最后，病原体分布和传播的预测由生态位模型（ENM）和物种分布模型（SDM）实现，这些模型基于生态、地理和/或人为因素预测潜在病原体分布，并通过机制模拟参数化病原体传播过程以预测其在空间和时间上的扩张。系统级模拟侧重于种群水平动态，而基于个体的模拟则纳入个体水平动态，为病原体传播和控制措施提供详细见解。因此，描述性分析、解释性程序和预测模型的整合为应对野生动物疾病带来的挑战和制定管理控制措施提供了一个稳健的框架。

**引言**

野生动物疾病，即野生动物中存在的病原体（世界动物卫生组织 2015），对人类和家畜健康产生影响，导致公共卫生问题和全球范围内的重大经济损失。此外，病原体可威胁濒危物种的保护工作，因为疫情可能摧毁本已脆弱的种群。流行病学研究历来侧重于人类和家畜，由于其对经济和公共卫生的直接影响，导致对野生动物在疾病动态中作用的相对忽视。此外，与野生动物工作相关的实际挑战，如样本采集、种群和个体数据收集，以及动物行为和社会动态的特征描述，是固有的。最近，“One Health”视角认识到环境和野生动物种群在新发传染病中的作用，并鼓励对其研究。在此背景下，跨学科方法成为应对这些挑战的关键工具，在“疾病生态学”视角下理解病原体与其宿主和环境的关系。这一概念的应用近几十年来不断扩大，疾病的生态学视角在野生动物管理研究中日益普遍。空间流行病学通过阐明疾病传播的空间格局、识别高风险区域和物种，并为跨不同生态系统的定向干预提供信息，为更深入理解野生动物种群之间以及野生动物-家畜-人类接口的病原体传播动态提供了关键框架。传染病系统研究日益复杂，推动了重要的方法论综合，包括数学模型及其在空间、时间和组织尺度上适用性的综述，连接宿主内动态与种群水平传播的多尺度框架，以及将病原体嵌入生态相互作用网络以预测出现风险的生态系统水平模型。尽管有这些进展，其在野生动物空间流行病学中的转化仍然分散，因为新的监测和分析工具通常跨学科并行发展，而非在综合分析框架内发展。这种分散使得该领域缺乏一个统一的综合，将可用方法联系起来，并阐明其优势、局限和应用于研究野生动物病原体空间动态的潜力。为弥补这一空白，本综述通过围绕三个关键步骤结构化的工作流程，对野生动物流行病学中的空间分析进行全面概述：1）识别和描述空间格局，2）探索这些格局并识别解释它们的因素，以及3）预测这些格局的时空行为。通过追溯该领域在这些步骤中的方法论演变，从早期描述性分析到理解与预测病原体空间动态的最新方法（图1），本综述考察了这些方法的概念基础、优势、局限和实际应用（表1），同时强调了未来方法论发展的优先事项。本工作旨在提供关键方法的入门，帮助研究人员驾驭野生动物空间流行病学的方法论格局，而非提供所有可用方法的详尽目录。

**描述性流行病学**

野生动物疾病的研究在20世纪50年代和60年代获得动力，通过对野生个体的调查来检测可能威胁公共卫生或对家畜构成传播风险的病原体。一些研究包括描述性地图，指示样本和/或阳性病例的地理位置。最初，大多数研究仅指示检测到的病原体（出现）或其流行率，而未评估是否存在空间格局。然而，病原体出现自然倾向于空间聚集。聚类分析是一种描述性分析类型，最初在人类学中发展，后来在Sokal和Sneath将其形式化为定量方法后应用于流行病学。该方法通过比较病原体出现的观测空间分布与零假设（通常为随机）下的预期分布来识别空间格局。病原体出现空间聚类的识别使得在疾病监测、监视和管理中实施重点努力成为可能。空间聚类分析可作为识别病原体分布空间格局（如潜在疫情焦点）的初步步骤。尽管输出有限，这些描述性空间分析对于检测流行病学紧急情况至关重要。此外，这些研究代表了制定关于驱动病原体空间动态的潜在风险因素的定向假设的第一步。然而，描述性分析——以及更广泛的空间流行病学框架——隐含的基本假设是出现数据足够完整和无偏。在野生动物疾病研究中，监测通常是机会性的和空间异质的，这意味着检测到的格局可能反映采样工作或报告能力的变化，而非真实的潜在疾病风险。这一问题在更广泛的传染病文献中已被充分认识，研究表明疾病出现的表面热点与监测强度的代理指标（如国内生产总值或发表努力）相关。因此，从描述性分析得出的假设应随后使用更精细的统计框架（如风险因素分析）进行检验。这些方法允许将空间格局与驱动因素联系起来，并可以明确纳入解释检测概率空间偏差的协变量。

**解释性分析**

*风险因素分析*

在流行病学中，风险因素分析已用于识别与个体和种群水平感染或疾病风险增加相关的因素。早期建议认为栖息地、气候、宿主丰度和人为干扰可能影响野生动物病原体的流行病学。然而，大多数关于影响野生动物病原体出现因素的研究集中于宿主特征，如物种、年龄或性别。环境因素长期用于解释生物多样性分布，后来被纳入解释野生动物病原体分布格局。它们的纳入引入了风险因素分析的空间维度，因为样本的地理位置明确与环境条件相关联，以解释病原体存在。这类分析允许在病原体出现与野生宿主多样性之间建立大规模关联，以及环境条件如污染和土地利用，引入景观健康概念，并建议制定环境政策以进行疾病管理。在更细尺度上，风险因素分析还确定了宿主特征（如年龄、性别或身体状况）和局部栖息地特征如何影响个体和种群水平的感染风险，为局部层面的定向监视和管理提供信息。用于在野生动物疾病研究中实现风险因素分析空间方面的分析方法经历了相关演变。早期研究依赖非空间统计模型，主要是GLM（主要是逻辑或泊松回归），假设观测值独立。然而，由于野生动物疾病数据中的空间自相关，这些模型通常违反独立性假设。这导致了空间回归模型（如SAR、CAR和空间误差/滞后结构）和显式建模空间依赖性的地统计方法的实施。最近，贝叶斯层次模型——包括Besag-York-Mollié族（BYM和BYM2）和基于随机偏微分方程（SPDE）的空间和时空模型——已成为野生动物空间流行病学的核心工具，实现部分合并、不确定性传播和灵活的空间随机效应。与此同时，遥感数据和高分辨率环境协变量的可用性增加，使得机器学习（ML）和人工智能（AI）方法（如随机森林、提升回归树、GeoAI和深度学习架构）得以使用，这些方法捕获多空间尺度上风险因素之间的非线性关联和相互作用。

*局限性与未来方向*

尽管在风险因素分析中纳入空间方面取得了方法论进展，但野生动物疾病研究固有的几个局限性仍然存在。如描述性分析所述，野生动物的监测数据经常是机会性的和空间异质的，这可能掩盖协变量与病原体出现之间的真实关联。风险因素分析允许纳入监测工作的代理指标（如采样强度或报告能力）作为协变量，部分解释检测概率的空间变化。层次贝叶斯框架通过纳入高度解释性的潜在空间随机效应进一步帮助缓解这些问题，这些效应可以吸收空间结构噪声，从而改善固定效应的估计。其次，风险因素与病原体动态之间的关联可能在空间上变化，即使对相同的病原体和宿主物种也是如此。虽然贝叶斯推断增强了对风险因素分析模型中空间格局的纳入，但对协变量效应的空间变异性的显式评估仍然不常见。空间变化系数的实施也允许评估风险因素如何与疾病存在在空间上相互作用。变异划分程序量化每个因素解释的变异性比例，其空间表示可帮助识别每个区域中与病原体动态相关的主要因素。与此同时，ML和AI方法越来越多地用于捕获复杂的非线性空间格局，即使在强采样异质性下也是如此。然而，这些方法识别空间格局而不表征其空间结构，限制了其可解释性和机制推断。开发解释工具以识别AI和ML空间驱动因素，如SHAP（SHapley Additive exPlanations）和将ML或AI衍生的空间特征整合到层次框架中的混合策略，代表了具有生物学意义参数化的空间格局识别的有前途工具。例如，Fountain-Jones等（2019）使用SHAP识别非线性格局和复杂相互作用，例如狮子在年幼时对数犬瘟热病毒的更高暴露，但仅在低降雨年份。类似地，Sundaram和Stephens（2025）使用该方法识别预测埃博拉病毒溢出的因素影响的空间变化。最后，务必记住相关性不一定意味着因果关系，给定的预测因子可能作为多个潜在过程的代理。例如，降雨与牛结核病风险的增加和减少都有关联，因为水分有利于病原体的存在，而缺水可增加宿主之间的接触。因此，要推断因果关系，必须清楚了解潜在过程。路径分析和结构方程模型（SEM）为解决这一局限性提供了一个有前途的框架，通过显式建模变量之间假设的因果路径并区分直接和间接效应。当驱动因素通过生态过程的因果链起作用时，这尤其有价值。例如，SEM揭示气候波动驱动食物短缺，进而增加在农业区取食的狐蝠聚集，从而导致亨德拉病毒向马匹溢出。类似地，路径分析表明榕树栖息地适宜性和猕猴科灵长类多样性是直接影响人类埃博拉疫情风险的最接近因素，而食果蝙蝠更与病毒在野生动物中的循环相关。

*传播动力学模型*

流行病学中的动态模型起源于20世纪初，旨在通过数学参数化加深对病原体传播动态的理解。这导致了Kermack和McKendrick（1927）开发的区室模型，称为SIR或SEIR模型（易感、暴露、感染和移除）。该方法能够量化传播参数并识别驱动病原体传播动态的关键因素，如基本繁殖数（R?），这在理解病原体在宿主群落中的持续性方面非常有用。尽管SIR模型最初作为非空间框架提出，缺乏个体位置与病原体传播之间的关联，但空间的纳入代表了一个关键的方法论进步。与风险因素分析相反，空间区室模型不仅揭示病原体出现格局与潜在驱动因素之间的关联，还阐明这些驱动因素影响病原体空间动态的过程。例如，相关性研究确定了补充投喂与疾病风险之间的关联，而Becker等（2018）利用SIR模型探索驱动这种相关性的潜在过程，揭示资源可用性如何吸引扩散个体从而增加局部聚集。将空间成分纳入SIR模型的初始方法是扩散模型（将空间视为连续体）和基于晶格的模型（将空间离散为斑块）。这些技术能够参数化病原体传播速度或R?等过程。然而，这些方法在种群水平上运作，从而忽略个体差异，限制了其识别病原体空间动态机制的能力。为克服这一局限性，复合种群方法将种群划分为单独的子种群或群体，每个群体有其自身的传播动态，而疾病传播也可通过移动或接触在群体之间发生。它作为SIR模型的集合运作，纳入不同群体内和群体间病原体动态的变异性。该方法也已应用于媒介传播疾病，如西尼罗病毒，通过耦合宿主（如鸟类）和媒介（如蚊子）内病原体动态的独立SIR模型，并通过宿主-媒介传播模型连接。网络分析在流行病学中实施（源于社会学）在捕捉传播动态的异质性方面更进一步。它将个体或群体视为由边连接的节点，并允许为两者分配属性，从而将个体特征和关系属性视为传播动态的修饰因素。网络分析已广泛应用于野生动物疾病研究以调查病原体传播。通过捕捉种内和种间关系中的接触模式和社会结构，它有助于识别关键宿主、传播途径和潜在热点。例如，Triguero-Oca?a等（2020）在个体水平上应用网络分析（节点=个体），使用GPS项圈数据研究西班牙干旱地区野生动物与家畜之间的相互作用（边=相互作用），识别出牛和黇鹿混合群体的形成，对牛结核病传播具有潜在影响。相反，Grange等（2014）在种群水平上使用该方法（节点=种群）评估通过个体转移（边=转移）连接的短翅水鸡种群，强调了个体在孤立种群之间转移相关的病原体传播风险，并识别了疾病监测的关键地点。最近的方法论发展已使网络分析走向更机制的传播表征，明确整合宿主移动、行为状态和环境背景。通过隐马尔可夫模型（HMM）分析的高分辨率GPS（有时还包括加速度计数据）现在允许推断接触期间的行为状态（如觅食、休息或过境），从而构建传播概率随相互作用类型变化的网络。同时，精细尺度的时空环境信息可与个体存在和接触发生的地点和时间相关联。这些数据流已被纳入新兴的建模框架，包括移动驱动的动态接触网络，以及整合空间利用、行为和环境协变量的层次模型。这些模型允许根据接触、宿主、环境及其相互作用方式的特点，为每次接触分配独特的传播风险或概率。例如，Dougherty等（2022）整合了Maxent模型以模拟炭疽病原体芽孢杆菌的环境生态位，HMM推断斑马的行为状态，以及特定行为的阶梯选择函数评估移动期间的栖息地选择。该框架揭示斑马在觅食时更可能选择炭疽风险高的区域。

*局限性与未来方向*

网络模型需要大量输入数据。用于收集构建这些模型所需信息的现场方法通常昂贵且耗时，并且不能持续追踪个体的空间和时间。因此，传播通常简化为基本接触率和每次接触的均匀传播概率。这种简化需要对驱动病原体传播的过程做出强烈假设，这可能远离现实并引入潜在偏差。此外，传播参数的时空变异性，加上野生动物数据的稀疏和异质性，给模型输出带来了相当大的不确定性。新兴方法提供了有前途的方向，整合接触、行为和环境数据，但未来的发展应侧重于显式纳入这种不确定性的方法，确保模型输出反映变异性和潜在偏差。此外，ML方法（如神经网络）可以揭示野生动物接触网络内复杂的非线性关系，检测高风险传播途径和关键宿主，补充机制网络模型。

*分子流行病学*

分子流行病学基于病原体的遗传分型和亚型。尽管在人类流行病学中应用广泛，但在2000年之前很少在野生动物疾病研究中实施。分子流行病学不仅识别病原体的遗传变异，还识别其系统发育——这些变异之间的相关程度。除了在研究宿主-病原体相互作用和疫苗开发中的证明价值外，分子流行病学在研究野生动物病原体的时空动态方面具有巨大潜力。关键在于，在多个个体或物种中识别出相同的病原体变异表明它们之间存在流行病学联系。例如，它已被广泛用于追踪家畜和野生动物之间的病原体传播。系统地理学，在此背景下是病原体系统发育的空间表示，可帮助识别疾病爆发或扩张路线的潜在原因，以及检测新的传播事件。分子信息也可以提供直接传播证据，补充基于接触的方法。例如，它可以被实施到接触网络中，其优点是网络的链接或边指的是病原体传播实际发生的地方，而不是不一定意味着传播的接触。例如，VanderWaal等（2014）在肯尼亚的家畜-野生动物界面使用大肠杆菌亚型构建网络，将边定义为共享相同亚型的个体。该方法确定了格兰特瞪羚作为网络内高度连接的物种，以及斑马作为连接不同群体和物种的关键桥梁。如果样本采集日期可用，甚至可以确定传播方向，从而构建“谁感染了谁”的传播树，并识别跨个体和物种的传播途径。例如，Kamath等（2016）使用黄石公园布鲁氏菌的时空遗传数据重建了麋鹿、野牛和家畜（牛和家养野牛）之间48年的传播序列，揭示疫情如何随时间传播，并确定麋鹿为水库和家畜感染的来源。分子技术也已应用于媒介传播疾病的研究，以识别媒介取食的物种并基于潜在传播途径构建网络。此外，宿主、媒介和病原体的遗传特征可与生物地理和环境变量整合，以识别景观特征如何塑造病原体遗传多样性及其扩张流动，从而基于遗传分化识别生物地理障碍，并检验关于病原体传播模式和速度的假设。

*局限性与未来方向*

尽管分子流行病学在野生动物疾病研究中已证明有用，但其实施受到技术挑战、时间限制和高成本的阻碍。因此，大多数野生动物疾病研究仍依赖血清学检测而非遗传分析。此外，虽然测序技术变得更快、更具成本效益，但将这些数据与流行病学和生态模型整合在方法论上仍然复杂。鉴于遗传测序在参数化病原体传播和识别关键驱动因素方面的潜力，未来的发展可能集中于整合遗传数据集与疾病风险定量模型（如风险因素分析、网络模型或基于个体的模型）的综合框架，有助于减少传播推断中的不确定性。这些方法包括贝叶斯系统动力学模型、基于合并的方法和时间分辨系统发育重建，即使在稀疏采样下也能估计传播率、识别源和汇，并重建病原体的时空传播。

**预测性分析**

*疾病分布建模*

生态学中的物种分布建模可追溯到20世纪初。这些模型有多种名称，最广为接受的是物种分布模型（SDM；Elith和Leathwick 2009）和生态位模型（ENM；Peterson 2001）。这些术语经常互换使用，尽管越来越多的共识是ENM旨在模拟潜在生态位（即存在适合物种出现的条件的地方），而SDM旨在模拟实际生态位或实际分布（Peterson和Soberón 2012）。该方法在研究新兴病原体方面具有巨大潜力，能够识别其潜在未来传播和当前但未知的分布。其原理与风险因素分析类似：将病原体出现与可解释其分布的因素相关联（图3；Peterson 2007）。然而，风险因素分析侧重于风险与因素之间的关联，而ENM和SDM主要服务于预测目的。因此，它们通常寻求更简单的拟合——主要基于环境因素——可以预测病原体在超出校准所用地理区域或时间段的分布，而非旨在识别影响病原体出现的所有因素的完美拟合。病原体分布建模在概念和分析上比动物或植物建模更复杂，因为它涉及多个代理（如宿主、病原体和媒介）之间的相互作用。因此，Johnson等（2019）确定了两种主要方法：1）黑盒，即对病原体出现进行建模，假设其捕获底层相互作用；2）基于组件，即对涉及的组件（病原体、宿主、媒介）进行建模，将生态位视为这些组件生态位的交集。后一种方法能够更准确地识别潜在传播和扩张位点。然而，它需要对病原体、其传播机制和所有相关组件有透彻了解，因为忽略相关物种可能导致风险低估。联合物种分布模型（JSDM）通过同时建模多个相互作用物种扩展了基于组件的方法，考虑了共享的环境响应和物种之间的相关性。这允许更好的预测，并帮助识别共现是由于环境还是真正的生物相互作用。例如，Veitch等（2020）将JSDM应用于鹿鼠的体外寄生虫，揭示了螨、蝇和蚤之间的正负关联，显示宿主特征和寄生虫生活史如何塑造共现格局。该方法还改善了记录较少的物种或病原体的输出。例如，Mowry等（2025）展示了如何使用JSDM克服稀疏数据，通过联合建模多个媒介物种的分布，使用人类疾病记录（比直接媒介出现数据更广泛可用）作为媒介存在的代理，以及记录良好的相关媒介物种的出现数据。除JSDM外，集成SDM通过组合多个算法的预测提供了改善预测稳健性的补充方法，减少了对任何单一方法假设的依赖，并提高了跨背景的转移性。此外，空间显式捕获-再捕获（SCR）模型代表了一种未充分利用但有前途的工具，可同时估计种群密度、空间疾病流行率和传播概率，同时明确考虑不完全检测。例如，Ketwaroo等（2025）将SCR应用于感染牛结核病的欧洲獾，以估计空间显式流行率和密度，检查它们之间的关系，并评估感染对生存和空间利用的影响。

*局限性与未来方向*

病原体分布建模，特别是野生动物病原体，面临几个关键局限性。ENM和SDM主要应用于广泛地理区域，而这一尺度的野生动物健康数据通常稀缺，尽管基于其他组件（如媒介和宿主）的建模可以提供对病原体出现潜在风险的一定见解。此外，大多数应用于病原体的ENM和SDM依赖非生物因素而非生物相互作用，后者在这些模型中的实施不太发达。然而，生物成分在流行病学模型中可能比在生态模型中更相关，特别是对于直接传播的病原体，可能导致不可靠的预测。此外，ENM和SDM通常假设病原体对环境条件的响应在时间和空间上是恒定的。因此，将模型投影到远离校准条件的区域或气候情景会显著降低其可靠性。JSDM的最新进展为解决病原体分布建模中的当前局限性提供了有前途的途径，有助于捕获传统ENM和SDM中通常被忽视的生物相互作用，并改善稀疏数据的预测。未来的工作应侧重于将JSDM与其他生态和流行病学信息（如移动模式（集成移动模型）或媒介动态）整合，以提高预测准确性并更好地代表驱动病原体分布的机制。还应指出，尽管该方法取得了进展，病原体分布建模仍常依赖源于兽医流行病学的方法，本质上是将风险因素分析空间化，而非应用ENM或SDM。一些作者将其归因于流行病学家和兽医一方与生态学家和生物地理学家另一方之间缺乏合作。

*疾病动态模拟*

用于研究野生动物病原体的模拟始于上述区室模型的发展。这些模型基于病原体出现的时空动态参数化，通过连续或离散空间模拟病原体扩张。简单模拟只需要传播速度，但纳入额外参数可更全面理解其对病原体传播的影响，改善控制措施评估。野生动物疾病传播的早期模拟在很大程度上依赖自上而下的方法，其中系统级参数（如出生、死亡或感染率）被参数化，影响系统中的代理。相比之下，基于个体的模型（ABM），也称为基于个体的模型（IBM），最初在社会学中发展，主要遵循自下而上的方法，其中构成系统的代理的参数化升级为系统级效应。ABM由代理（如个体）、它们存在的环境（如土地利用）和控制代理（如出生和死亡）、环境（如退化）及其相互作用（如资源消耗）的过程组成。例如，每单位时间的新感染率可以直接纳入自上而下的模型。然而，在ABM方法中，每个代理感染的可能性可以分解为接触感染个体的概率和接触后感染的概率。这些概率同时受代理移动模式、接触特征或环境条件的影响。因此，ABM能够实施行为、移动和个体特殊性的复杂性。因此，尽管更复杂和计算密集，它们提供了更精细和更机制的疾病动态表示，能够将空间传播格局分析为个体水平过程的涌现结果。此外，ABM不限于纯自下而上的逻辑；系统级参数也可以与个体水平规则一起纳入单一建模框架。两种建模方法的例子可见于北美洲白尾鹿和骡鹿的慢性消耗性疾病（CWD）研究。自上而下的模型已用于近似疾病对种群统计的影响并测试管理干预措施（如扑杀）。ABM已纳入宿主行为方面（如群体动态），使研究人员能够更好地估计通过采样收获个体检测疾病的概率，并识别实施疾病控制措施的关键时刻。

*局限性与未来方向*

自上而下和自下而上的方法都受限于结果与参数化期间所做的假设密切相关。这限制了自上而下模型在新条件下的适用性——不同于模型校准所用的条件——因为源自不同系统的参数化可能产生不可靠的预测。ABM的自下而上性质提供了更大的灵活性来克服这一限制：通过在更精细的机制分辨率下运作并在个体水平参数化过程，ABM可以产生涌现格局而无需先验参数化，这在新颖或了解较少的系统中是一个主要优势。然而，当涌现结果无法直接与观测数据比较时，验证变得更具挑战性。更根本的是，ABM的主要局限性是计算。一个复杂野生动物系统的完全现实表示需要参数化大量过程并运行许多重复模拟以校准参数、分析敏感性和表征随机变异性，很快变得计算上难以处理。在实践中，ABM因此必须简化并面向特定目标，这可能意味着省略影响目标涌现格局的因素或机制，最终降低预测能力并限制可理解的传播动态分辨率。此外，代理水平的不精确参数化可能传播为系统水平的不准确预测，使得对物种、病原体和环境的透彻了解尤为重要。因此，必须考虑病原体是否是多宿主的，或它可能引起的宿主移动模式或接触结构变化等因素。类似地，在评估控制措施时，重要的是考虑其对代理行为的影响，如扑杀时扩散或社会破坏。为提高模拟结果的可靠性，可使用实证研究校准和验证自上而下和自下而上的方法，确保流行病学和生态过程及其相互作用被现实地表示。此外，开发参数化和敏感性分析的标准框架可帮助量化模型预测中的不确定性，提高其可靠性。

**结论**

选择空间流行病学中适当的分析方法需要平衡病原体特征（新兴与地方性、直接与间接或媒介传播等）、感兴趣的空间和时间尺度以及研究的具体目标。没有一种方法普遍最优；每种方法都提供了一个互补的视角，必须在其概念和方法论范围内理解。此外，组合方法允许利用其优势，更全面地理解跨空间尺度的病原体动态（图4）。描述性方法如疾病制图或聚类分析在所有系统和尺度上仍然至关重要，提供病原体格局的初始视图并生成关于潜在风险因素的早期假设。风险因素分析随后实现假设检验和病原体与生态及人为变量之间关联的量化，尽管受数据可用性和相关-因果模糊性的限制。机制框架通过显式参数化传播过程加深对病原体动态的理解。根据其结构，它们在不同组织水平上表示传播。种群水平SIR模型主要量化病原体传播，但其聚合结构限制了其捕捉地方性持续机制的能力。相比之下，基于网络的模型强调可维持地方性病原体或促进新兴病原体传播的行为和社会相互作用。然而，其对媒介传播疾病的适用性有限，因为此类系统中的传播由媒介生态而非直接宿主接触驱动，尽管与分子数据整合可部分解决这一限制。此外，虽然网络分析理论上可以扩展，但它在社会结构和行为在传播动态中起更强作用的局部或群落水平最有效。预测方法如ENM和SDM在广泛空间尺度上强大，可投影当前或未来环境条件下潜在或实际病原体分布。然而，它们对非生物预测因子的强烈依赖和对生物相互作用的有限纳入降低了其对直接传播病原体或精细尺度流行病学动态的可靠性。尽管这些模型在研究新兴和研究不足的病原体方面具有巨大潜力，但它们可能不适用于已知分布的地方性病原体。相反，ABM在空间尺度的另一端运作，整合个体行为、环境异质性和反馈机制以模拟传播动态。其详细参数化能更深入理解疾病动态和评估控制策略，但这些参数对大规模疾病动态的潜在影响和计算约束限制了其在广泛尺度上的可行性。本文提出的框架以及更广泛的空间流行病学的一个跨领域局限是隐含假设出现数据足够完整和无偏。正如本综述所讨论的，野生动物监测经常是机会性的和空间异质的，意味着分析输出可能部分反映报告能力的变化而非真实的潜在疾病风险。研究人员应在此约束下解释结果，并在可能的情况下纳入明确解释检测概率空间变化的协变量或模型结构。最终，野生动物空间流行病学的进展可能较少取决于新分析工具的激增，而更多取决于现有工具如何有效地组合和解释。研究人员不应孤立地选择方法，而应旨在将描述性、探索性和预测性方法整合为可互操作的元模型，能够跨尺度连接过程。实现这一整合需要在流行病学和生态过程的定义上具有概念一致性，在模型和数据跨病原体和空间尺度组合上具有技术互操作性，以及确保统计结果在生物学和流行病学上有意义的验证策略。随着方法日益复杂，其正确应用将依赖于对每个学科假设和局限的更深入理解。通过促进概念透明性和真正的跨学科性，空间流行病学可以从分散的方法论进展走向一个稳健统一的框架，更有效地为野生动物疾病管理、保护和政策提供信息。