1.本发明涉及多房棘球绦虫传播风险技术领域，更具体的说是涉及一种基于生态位模型的多房棘球绦虫自然疫源地流行区分级预测方法。
背景技术：2.目前，自然疫源性泡型包虫病是在一定地理环境条件下，环境-多房棘球绦虫-宿主间经过长期的相互作用，相互适应，并通过自然选择而形成的，其病原多房棘球绦虫通过循环于自然疫源地的特定生态系统而被保存下来。泡型包虫病病原多房棘球绦虫典型的生活史是以狐狸为主的犬科动物为终末宿主，和以啮齿动物为主的多种小型哺乳动物为中间宿主构成的野生循环。
3.但是，自然疫源性泡型包虫病疫源地地理和生态环境复杂，气候类型多样，野生狐狸和小型哺乳动物分布广泛，原本多房棘球绦虫在野生狐狸和小型哺乳动物间循环感染，由于自然疫源性泡型包虫病疫源地放牧犬数量庞大和狼的出没，加之该地域鼠害严重，放牧犬和狼均有捕食野鼠的习性而成为终末宿主，人因偶然进入自然疫源地误食多房棘球绦虫虫卵而被感染，进一步增加了中间宿主野鼠的传播和人的感染风险，导致自然疫源性多房棘球绦虫在地理环境中分布和传播呈多样性。
4.目前还没有用于预测我国多房棘球绦虫自然疫源地传播风险方法，因此，建立一种基于生态位模型多房棘球绦虫自然疫源地分级预测方法，实现自然疫源性多房棘球绦虫传播风险的早期预测预警是本领域技术人员亟需解决的问题。
技术实现要素：5.有鉴于此，本发明提供了一种基于生态位模型多房棘球绦虫自然疫源地分级预测方法，根据影响自然疫源性多房棘球绦虫传播的主要环境风险因子，分析环境风险因子在自然疫源性多房棘球绦虫生态位建模和流行风险预测中的效应，可为自然疫源性多房棘球绦虫防控决策提供科学依据，通过对多房棘球绦虫自然疫源地流行区分级方法进行相应的分级定性，填补了我国多房棘球绦虫传播风险预测技术领域空白。
6.为了实现上述目的，本发明采用如下技术方案：基于生态位模型多房棘球绦虫自然疫源地分级预测方法，包括：
7.步骤1：获取多房棘球绦虫自然疫源地监测点数据以及地理环境数据；
8.步骤2：对所述地理环境数据做logistic回归分析，筛选出地理环境风险因子数据；根据筛选的地理环境风险因子建立生态位模型；
9.步骤3：将所述监测点数据分为训练集和测试集；
10.步骤4：将所述训练集输入生态位模型并检测，获取各环境风险因子变量在多房棘球绦虫自然疫源地中的相对重要性；
11.步骤5：基于所述步骤4处理后的生态位模型对所述测试集进行分析，输出多房棘球绦虫自然疫源地流行分布情况。
12.优选的，所述步骤1中，地理环境数据包括但不限于：不同海拔、地貌、地形、植被以及气候；监测点数据包括：现场环境数据、多房棘球绦虫自然疫源地主要宿主分布数据及主要宿主多房棘球绦虫感染率数据。
13.优选的，所述步骤2中，logistic回归分析包括对采集的环境数据分别做单因素logistic回归，利用逐步回归筛选地理环境风险因子，并做多重logistic回归，筛选出地理环境风险因子变量。
14.优选的，所述生态位模型的输入格式为ascii格式，输出格式为ascii图层，所述多房棘球绦虫流行分布情况为ascii图层格式。
15.优选的，步骤5中包括：将输出的多房棘球绦虫流行分布情况转为浮点型的栅格数据，每个栅格为0～1的值，得到栅格数据图层；对所述栅格数据图层进行分层分级：
16.栅格值在0～0.25时，代表不适宜自然疫源性多房棘球绦虫的生境；
17.栅格值在0.25～0.5时，代表自然疫源性多房棘球绦虫低度流行区；
18.栅格值在0.5～0.75时，代表自然疫源性多房棘球绦虫中度流行区；
19.栅格值在0.75～1.0时，代表自然疫源性多房棘球绦虫高度流行区。
20.经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种基于生态位模型多房棘球绦虫自然疫源地分级预测方法，对多房棘球绦虫自然疫源地所筛选的环境变量数据和监测点数据进行计算和分析，同时根据多房棘球绦虫流行分布情况，将自然疫源性多房棘球绦虫潜在的流行风险区进行可视化表达，模拟出自然疫源性多房棘球绦虫分布范围、分布情况以及分布特点。这对于掌握自然疫源性多房棘球绦虫的分布以及预测其流行趋势具有重要科学意义。
附图说明
21.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
22.图1附图为本发明提供的流程示意图。
具体实施方式
23.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
24.本发明实施例公开了一种基于生态位模型多房棘球绦虫自然疫源地分级预测方法，包括：步骤1：获取多房棘球绦虫自然疫源地监测点数据以及地理环境数据；步骤2：对地理环境数据做logistic回归分析，筛选出地理环境风险因子数据；根据筛选的地理环境风险因子建立生态位模型；步骤3：将监测点数据分为训练集和测试集；步骤4：将训练集输入生态位模型并检测，获取各环境风险因子变量在多房棘球绦虫自然疫源地中的相对重要性；步骤5：基于步骤4处理后的生态位模型对测试集进行分析，输出多房棘球绦虫自然疫源
地流行分布情况。maxent(maximum entropy modeling)生态位模型也称为最大烦模型。利用物种存在点数据预测物种分布的最为常见的建模工具，广泛应用于生物多样性的研究，其原理是基于最大熵原理。最大熵原理，是从有限己知信息出发来推断未知的分布的一种方法。maxent生态位模型现己从传统的生物多样性，生物保护，生物入侵等领域扩展到自然疫源性疾病空间流行病学的研究领域。因此，本发明采用maxent生态位模型用于预测多房棘球绦虫的地理分布。
25.在本实施例中，步骤1中，地理环境数据包括但不限于：不同海拔、地貌、地形、植被、气候。其中，气候包括平均气温、年均降水量、年均日照时数、年均水汽压以及年均相对湿度；植被包括植被覆盖率以及植被类型。监测点数据包括：现场环境数据、疫源地多房棘球绦虫主要宿主(野生狐狸、狼、放牧犬、流浪犬、青海田鼠和高原鼠兔)分布数据及主要宿主多房棘球绦虫感染率数据。
26.在本实施例中，步骤2中，本发明对采集的地理环境数据(不同海拔、地貌、地形、植被、气候)先进行单因素分析，利用逐步回归筛选变量，筛选出一部分变量，将有意义的变量放入方程进行多因素分析。即先进行单因素分析和逐步回归筛选变量能够筛掉一些可能无意义的变量，之后进行多因素分析，能够保证结果更加可靠。本发明对采集的地理环境数据分别做单因素、逐步回归以及多重回归时，主要满足多房棘球绦虫自然疫源地主要宿主分布数据及主要宿主多房棘球绦虫感染率数据与采集的地理环境数据存在回归关系，且呈高度正相关条件，筛选出地理环境风险因子变量。
27.在本实施例中，步骤3中，随机选取75％的监测点数据作为建立模型训练集，其余25％的监测点数据作为测试集。
28.在本实施例中，模型的输入格式为ascii格式，输出格式为ascii图层，将多房棘球绦虫自然疫源地环境变量的地理环境数据(不同海拔、地貌、地形、植被、气候等地理环境特征)、多房棘球绦虫自然疫源地主要宿主(野生狐狸、狼、放牧犬、流浪犬、青海田鼠和高原鼠兔)分布数据、主要宿主多房棘球绦虫感染率数据转化成maxent软件所要求的ascii格式文件，其他参数设置为默认值，生态位模型输出的多房棘球绦虫流行分布情况格式为ascii图层。
29.在本实施例中，步骤5中包括：在arcgis软件中利用转换工具将输出的多房棘球绦虫流行分布情况转为浮点型的栅格数据，每个栅格为0～1的值，得到栅格数据图层；对栅格数据图层进行分层分级：
30.栅格值在0～0.25时，代表不适宜自然疫源性多房棘球绦虫的生境；
31.栅格值在0.25～0.5时，代表自然疫源性多房棘球绦虫低度流行区；
32.栅格值在0.5～0.75时，代表自然疫源性多房棘球绦虫中度流行区；
33.栅格值在0.75～1.0时，代表自然疫源性多房棘球绦虫高度流行区。本发明利用maxent软件对多房棘球绦虫自然疫源地所筛选的地理环境风险因子变量和监测数据进行计算和分析，同时根据自然疫源性多房棘球绦虫流行分布情况，利用arcgis软件进行专题制图，将自然疫源性多房棘球绦虫潜在的流行风险区进行可视化表达，模拟出自然疫源性多房棘球绦虫分布范围、分布情况以及分布特点。
34.本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置
而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
35.对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
技术特征：1.基于生态位模型多房棘球绦虫自然疫源地分级预测方法，其特征在于，包括：步骤1：获取多房棘球绦虫自然疫源地监测点数据以及地理环境数据；步骤2：对所述环境数据做logistic回归分析，筛选出各地理环境风险因子变量；根据所述各地理环境风险因子变量建立生态位模型；步骤3：将所述监测点数据分为训练集和测试集；步骤4：将所述训练集输入生态位模型并检测，获取各地理环境风险因子变量在多房棘球绦虫自然疫源地中的相对重要性；步骤5：基于所述步骤4处理后的生态位模型对所述测试集进行分析，输出多房棘球绦虫自然疫源地流行分布情况。2.根据权利要求1所述的基于生态位模型多房棘球绦虫自然疫源地分级预测方法，其特征在于，所述步骤1中，地理环境数据包括但不限于：不同海拔、地貌、地形、植被以及气候；监测点数据包括：现场环境数据、多房棘球绦虫自然疫源地主要宿主分布数据以及主要宿主多房棘球绦虫感染率数据。3.根据权利要求1所述的基于生态位模型多房棘球绦虫自然疫源地分级预测方法，其特征在于，所述步骤2中，logistic回归分析包括对采集的环境数据分别做单因素logistic回归，利用逐步回归筛选地理环境风险因子，并做多重logistic回归，筛选出地理环境风险因子变量。4.根据权利要求1所述的基于生态位模型多房棘球绦虫自然疫源地分级预测方法，其特征在于，所述生态位模型的输入格式为ascii格式，输出格式为ascii图层，所述多房棘球绦虫自然疫源地流行分布情况为ascii图层格式。5.根据权利要求4所述的基于生态位模型多房棘球绦虫自然疫源地分级预测方法，其特征在于，步骤5中包括：将输出的多房棘球绦虫流行分布情况转为浮点型的栅格数据，每个栅格为0～1的值，得到栅格数据图层；对所述栅格数据图层进行分层分级：栅格值在0～0.25时，代表不适宜自然疫源性多房棘球绦虫的生境；栅格值在0.25～0.5时，代表自然疫源性多房棘球绦虫低度流行区；栅格值在0.5～0.75时，代表自然疫源性多房棘球绦虫中度流行区；栅格值在0.75～1.0时，代表自然疫源性多房棘球绦虫高度流行区。
技术总结本发明公开了一种基于生态位模型多房棘球绦虫自然疫源地分级预测方法，包括：S1：获取多房棘球绦虫自然疫源地监测点数据以及地理环境数据；S2：对地理环境数据做logistic回归分析，筛选出地理环境风险因子数据；根据筛选的地理环境风险因子建立生态位模型；S3：将监测点数据分为训练集和测试集；S4：将训练集输入生态位模型并检测，获取各环境风险因子变量在多房棘球绦虫自然疫源地中的相对重要性；S5：基于S4处理后的生态位模型对测试集进行分析，并输出多房棘球绦虫自然疫源地流行分布情况。本发明根据地理环境风险因子，可对多房棘球绦虫自然疫源地流行区进行相应的分级定性，填补了我国多房棘球绦虫传播风险预测技术领域空白。域空白。域空白。
技术研发人员：付永 孟茹 王国超 郭志宏 朵红 张学勇 李志 沈秀英 马怡隽
受保护的技术使用者：青海省畜牧兽医科学院
技术研发日：2022.03.15
技术公布日：2022/7/5
