基于机器学习探究印度高致病性禽流感H5N1暴发的环境决定因子与时空动态

《Scientific Reports》：Investigating environmental determinants and spatiotemporal dynamics of highly pathogenic avian influenza H5N1 outbreaks in India through machine learning

　　本研究针对高致病性禽流感（HPAI）在印度反复暴发、传统监测方法存在局限性的问题，通过整合地理空间分析、机器学习建模与遥感环境数据，系统评估了HPAI H5N1的时空分布规律及关键环境驱动因素。研究发现疫情在冬季和春季高发，气温、增强型植被指数（EVI）、潜在蒸散量（PET）等环境变量是重要风险预测因子；通过随机森林（RF）与分类树（CT）模型构建的风险地图表明印度南部和东北部为高风险区，基本再生数（R0）最高达3.30。该研究为印度HPAI的精准防控提供了数据支撑，也为全球禽流感风险建模提供了可扩展的分析框架。

　　

高致病性禽流感（HPAI）病毒，尤其是H5N1和H5N8亚型，不仅对全球家禽养殖业造成严重经济损失，更因其人畜共患潜力而成为公共卫生的重大威胁。自1996年在中国广东首次发现以来，H5N1病毒通过候鸟迁徙和活禽贸易迅速扩散至欧亚多国。印度于2006年在马哈拉施特拉邦首次报告H5N1疫情，此后疫情反复发生，暴露出传统监测手段在预测与防控方面的不足。以往研究多局限于局部区域或短期观测，未能全面整合气象、地理与生态等多维数据，限制了我们对疫情驱动机制的理解。为此，印度国家兽医流行病学与疾病信息学研究所（ICAR-NIVEDI）的Suresh Kuralayanapalya Puttahonnappa团队在《Scientific Reports》上发表了一项跨学科研究，旨在通过机器学习与时空分析技术，揭示印度HPAI暴发的环境决定因子与传播动态，为优化防控策略提供科学依据。

研究团队收集了2006–2024年间印度312起HPAI疫情数据，结合全球土地数据同化系统（GLDAS）的气象数据（如气温、比湿、风速）和MODIS卫星遥感数据（如EVI、LAI、PET），采用线性判别分析（LDA）筛选关键环境变量，并运用11种机器学习模型（包括随机森林、分类树等）进行风险预测。通过空间自相关（Getis-Ord Gi*）和时空扫描统计（SaTScan）识别疫情热点与聚集区，进一步估算基本再生数（R₀）以评估传播风险。所有分析均基于R语言、ArcGIS Pro和SaTScan平台完成。

空间分布

疫情主要集中在喀拉拉邦、马哈拉施特拉邦及东北部地区，其中阿拉普扎县（喀拉拉邦）暴发次数最多（39起），其次为贾尔冈县（马哈拉施特拉邦，26起）。

时空分布

疫情呈现明显季节性高峰，1月（32.64%）和12月（13.76%）为暴发峰值期，雨季（7–8月）活动最低。年度分布上，2021年（23.04%）和2008年（22.72%）疫情最为严重。

空间自相关与时空聚类

通过Getis-Ord Gi*指数识别出46个HPAI热点县，主要分布在喀拉拉邦、马哈拉施特拉邦等7个邦。SaTScan分析进一步发现11个时空聚集区，其中7个为高风险集群（相对风险2.84–41.77）。

环境风险因子与机器学习预测

LDA分析确定气温、EVI、PET、比湿、风速等为显著关联变量。随机森林（RF）模型预测性能最优（AUC=1.00，TSS=0.96），其与分类树（CT）模型的集成结果显明，印度南部沿海与东北部湿地周边为高风险区。

传播动力学与防控启示

R₀估计值在0.75–3.30之间，马哈拉施特拉邦艾哈迈德讷格尔县R₀高达3.30，表明这些地区疫情扩散风险极高。研究指出，传统水稻-鸭养殖模式与候鸟迁徙路线的重叠加剧了病毒传播风险，建议在高风险季节加强监测、限制家禽与野生鸟类接触，并依据R₀估算提升疫苗接种覆盖率（需达10.55–69.74%）。

本研究通过多源数据融合与机器学习建模，首次在印度全域尺度系统揭示了HPAI的时空规律与环境驱动机制。其构建的风险地图与R₀估算模型不仅为印度疫情精准防控提供了实操工具，也为其他地区禽流感研究提供了可复用的分析范式。未来，可进一步整合社会经济与禽类贸易数据，深化对传播链的理解，从而在全球范围内提升人畜共患病的预警能力。