背景技术
鼠疫是由耶尔森氏鼠疫杆菌所致的烈性传染病,为一种自然疫源性人和动物共患病,其传染性强,病死率高,我国将其列为甲类传染病管理。由于人直接接触感染鼠疫的动物或受染疫蚤类叮咬而感染鼠疫,在一定条件下,可酿成人间鼠疫的流行,危害严重。因此对于鼠疫自然疫源地的确定和动物鼠疫流行状况的监测具有重要意义。
鼠疫的暴发、流行、潜伏均与特定区域的生态环境密切相关,在一定的地理和生态环境内形成自然疫源地。在20世纪80年代,纪树立等根据疫源地的地理位置、景观特征、主要宿主、媒介以及病原体的性状等,将中国的鼠疫疫源地划分为10个,判定在中国17省(区)234个县(市、旗)境内存在鼠疫疫源地(纪树立,1988)。2000年,由卫生部和中国科学院共同主持,全国地方病防治办公室和中国科学院地理研究所合作编制完成《中华人民共和国鼠疫与环境图集》,用地图集的形式第一次直观、科学地表述了到1996年止我国鼠疫的分布规律、流行特点、发病因素及其与环境的关系(刘云鹏等,2000)。近来年第11和12个鼠疫自然疫源地也被相继研究发现(刘振才等,2001;张贵等,2002;蒋卫等,2005)。
但对于我国鼠疫监测的现状而言,根据卫生部2005年印发的全国鼠疫防治“十一五”规划(2006年-2010年),目前国家级鼠疫监测点仅有40个,鼠疫监测人员与监测点数量上存在严重不足。近些年来,利用空间信息技术对于鼠疫疫源地的确定与监测有了一定的发展,主要研究成果有:
黄宁波等尝试应用3S(Geographic Information System,GIS;GlobalPositioning System,GPS;Remote Sensing,RS;简称3S)新技术对鼠疫疫源地进行监测工作与鼠密度的分布研究等(黄宁波等,2000;马家奇等,2007;房静等,2008)。李海蓉在其博士学位论文中运用GIS和多元数理统计方法,系统分析150年来我国鼠疫流行的时空迁移规律,对鼠疫与环境变化间的关系进行了初步研究(李海蓉,2003)。Adjemian等利用生态位模型(GARP),选取了湿度、高程、降水等环境变量对13种与鼠疫相关的跳蚤媒介的分布进行了预测研究与分析(Adjemian等,2006)。Neerinckx等研究了撒哈拉以南非洲地区的鼠疫分布,以该地区的45处人间鼠疫点,结合25个环境变量(气温、降水及NDVI等),利用生态生境模型(ENM)对该地区鼠疫的地理分布和生态生境进行了研究与预测(Neerinckx等,2008)。Holt等在美国加州卫生部门及其他机构收集的鼠疫监测数据的基础上,以1984-2004年间的啮齿动物及鼠疫疫点数据等,利用Maxent模型结合不同气候情景对鼠疫的未来分布进行预测(Holt等,2009)。
但目前对于鼠疫的研究技术方法等主要集中于对鼠疫菌的生物学特性研究(Deng et al.,2002;俞东征,2003;Parkhill,2003;蒋卫,2005;门兴元等,2007;贺雄,王虎,2010),以及特定鼠疫自然疫源地内宿主动物和传播媒介的流行病学和疫源地的个案调查(周立志等,2000;田富彰等,2000;张贵等,2002;刘振才等,2001,2002;张安宁等,2003;王祖郧等,2004;田德喜等,2005;于心,2007),对遥感等空间信息技术在鼠疫研究中的应用仅有部分前瞻性的分析研究(高崇华等,1998;杨林生等,2000;李海蓉,2003;房静等,2001,2008),而没有综合考虑鼠疫自然疫源地的地理环境特征,尤其是借助遥感和地理信息系统等空间信息技术进行鼠疫疫源地的预测分析。
通过已有的监测点进行鼠疫的常规监测,不仅浪费人力物力,而且监测范围有限且不能够早期发现新疫点,而遥感和地理信息系统等空间信息技术具有快速获取大范围与鼠疫宿主动物相关的地表参数信息和进行复杂地理要素空间分析的能力,能够有效应用于鼠疫疫源地研究中。
目前已有的对于鼠疫疫源地的确定主要是按照县级行政区划进行的,即某一个地区确定有鼠疫疫情后,则整个县认定为疫源县,这不足以反映鼠疫疫源地的真实自然分布状况。另一方面目前对于鼠疫的监测利用传统的技术手段,不仅浪费人力与物力,而且监测范围有限,不能够及时有限的将监测力量分布于疫源地。遥感和地理信息系统等空间信息技术具有快速获取大范围地表信息的能力,但是如何有效的利用遥感手段进行鼠疫疫源地的有效监测,确定监测指标体系,并基于已有的调查数据进行鼠疫疫源地的空间预测分析是摆在众多研究人员面前的一道难题。
发明内容
为解决上述问题,本发明提供一种鼠疫自然疫源地空间分布预测方法,主要利用了:
1)利用HJ星、WordClim数据、ASTER GDEM数据进行疫源地内主要宿主动物适宜的生境参数的反演与获取;
2)通过利用Google Earth进行宿主动物的野外实地调查数据的空间位置矢量化。
3)引入GARP生态位模型方法,通过矢量化的宿主动物分布数据结合不同的生态环境变量,以一系列分布准则进行宿主动物的潜在地理分布预测;
4)利用GIS空间分析工具选取最优模型集进行叠加运算,并将结果进行百分数转化与分级,得到鼠疫疫源地的空间分布预测。
本发明基于环境与灾害监测小卫星(HJ-1)遥感数据,结合鼠疫监测点的宿主动物实地调查数据,以及从HJ-1卫星和其他数据源得到的环境变量,通过引入规则集合遗传算法(GARP),实现了对于鼠疫疫源地的空间分布预测,提高了对鼠疫的积极监测和预防技术水平。
具体实施方式
下面结合附图对本发明做进一步描述。
本发明以青藏高原喜马拉雅旱獭鼠疫自然疫源地的甘肃省阿克塞县的疫源地预测为例,通过对上述技术方案中所涉及的各不同数据的处理与分析实现来详述本发明方法的具体实施过程。
阿克塞县作为青藏高原喜马拉雅旱獭鼠疫自然疫源地的典型地区之一,喜马拉雅旱獭是该疫源地的主要宿主动物。
如图1所示,具体的技术流程主要分为以下四个部分:
1、疫源地内主要宿主的生境参数的反演与获取
1)利用HJ星数据进行植被湿度和干旱指数的反演与提取。
具体所用数据及参数获取过程如下:
利用HJ-1星的CCD相机和红外多光谱相机(IRS)数据产品,并反演提取了全局植被湿度指数(GVMI,Global Vegetation MoistureIndex),温度植被干旱指数(TVDI)。
HJ-1星的CCD和IRS产品的数据特征参数如下:
生境参数的反演与获取,其中各相关参数计算方法如下:
a)Ceccato利用SPOT Vegetation数据研究植被水的反演工作,提出了一个新的GVMI指数(Ceccato,2002),用SWIR取代了植被指数NDVI中的RED,其定义如下:
利用HJ星进行全局植被湿度指数的计算时,使用HJ-1星的CCD相机的第4波段和红外多光谱相机的第2波段计算,公式如下:GVMI=((CCD4+0.1)-(Infrared2+0.02))/((CCD4+0.1)+(Infrared2+0.02))
其中,CCD4指HJ-1星的CCD相机的第4波段的数据;Infrared2指红外多光谱相机的第2波段的数据,即上表中编号为6的波段。
b)由植被指数(NDVI)和地表温度(Ts)计算得到温度植被干旱指数TVDI:
式中Ts为表面温度;Tsmin=a1+b1NDVI为Ts-NDVI特征空间(如图2所示)的最低温度,即湿边;Tsmax=a2+b2NDVI,为某一NDVI对应的最高温度,即干边。
其中a1,b1,a2,b2为干边和湿边拟合函数的系数。对于每个像元,利用NDVI确定Tsmax和Tsmin,再根据像元Ts在Ts-NDVI梯形中的位置,计算温度植被干旱指数TVDI。
2)通过WorldClim数据库(1950-2000年)提取气象要素
WorldClim由美国加州Museum of Vertebrate Zoology大学的Robert J.Hijmans,Susan Cameron和Juan Parra发起的,并与Peter Jones和Andrew Jarvis(CIAT),以及Karen Richardson(Rainforest CRC)合作建立起来的一个可免费下载全球范围的气象栅格数据的网站(http://www.worldclim.org/),其分辨率为0.0083×0.0083°(在赤道附近约为1*1km)(Hijmans et al.,2005)。
其中的全球气候栅格数据(1km分辨率)共19层数据,本发明选取了年均温(Annual Mean Temperature)、最暖月最高温(MaxTemperature of Warmest Month)、最冷月最低温(Min Temperature ofColdest Month)、年降水量(Annual Precipitation)、最湿月降水量(Precipitation of Wettest Month)、最干月降水量(Precipitation of DriestMonth)这6个数据层来表征气象因素条件,并提取阿克塞县的相应变量层。
3)通过ASTER GDEM数据提取待研究区域的地形地貌信息
ASTER GDEM(先进星载热发射和反射辐射仪全球数字高程模型)是由美国航天局(NASA)与日本经济产业省(METI)在2009年6月共同推出的最新30m分辨率的地球电子地形数据,该数据是根据NASA的新一代对地观测卫星Terra的详尽观测结果制作完成的。利用ENVI(The Environment for Visualizing Images)4.5软件的Topographic工具,输入高程数据,通过对高程数据的二次曲面拟合进行坡度与坡向的提取,得到研究区域的坡度与坡向。
2、宿主动物位置矢量化
通过利用Google Earth进行宿主动物的野外实地调查数据的空间位置矢量化。目前已有的实地调查数据主要是对于地名的简单记录,没有精确的地理经纬度信息。通过将地名点放入Google Earth中得到中心点位置,然后以此为基准点在其周边随机选取2-3个点,并记录每个点在Google Earth中显示的经纬度坐标信息,最终将所有点的坐标信息统一导入ArcGIS9.2软件得到宿主动物的位置分布图。
3、结果预测
利用GARP(Genetic Algorithm for Rule-set Production)模型,通过已发现的喜马拉雅旱獭分布数据结合不同的生态环境变量,以一系列分布准则进行宿主动物的潜在地理分布预测。其中50%的宿主动物数据作为训练数据,50%作为结果验证;环境变量选取得到的各环境变量数据层(分辨率均重采样为1km);通过GARP模型共产生1000个模型与预测结果。
选取模型预测结果最好的100个模型组成最优模型结果集,通过GIS空间分析工具将100个模型结果进行等值叠加运算,并将结果进行百分数转化与分级。最后将宿主动物的潜在分布区的概率分为0-40%,40-80%和80-100%三个级别,如图3所示。潜在分布为80-100%的概率区域是喜马拉雅旱獭最可能的潜在分布区,已有调查也表明该区域的旱獭出没情况。