使用气候数据和AI预测霍乱疫情
霍乱疫情：从地球轨道卫星获取的气候数据，结合机器学习技术，有助于更好地预测霍乱疫情，并有可能挽救生命。
霍乱是一种水源性疾病，是由于摄入被霍乱弧菌污染的水或食物而引起的，霍乱弧菌可在世界许多沿海地区发现，特别是在人口稠密的热带地区。
霍乱疫情爆发，欧空局将人工智能与有利环境知识联系在一起
负责任的病原体通常生活在温暖的温度，适度的盐度和浊度下，并且可以被水中的浮游生物和碎屑所掩藏。
全球变暖和极端天气事件的增加正在推动霍乱的爆发。霍乱是一种疾病，每年在全世界影响1.3至4万人，并造成多达143 000人死亡。
一项新的研究表明，在使用海面盐度预测霍乱的第一个演示中，如何可以预测印度沿海地区的霍乱暴发成功率为89％。
昨天发表在《国际环境研究与公共卫生杂志》上的研究重点在于预测印度洋北部霍乱的暴发，据报道，该病在2010-16年间报告了全球一半以上的霍乱病例。
霍乱发生的环境驱动因素之间的关系很复杂，并且随季节而变化，具有不同的滞后效应，例如从季风季节开始。
机器学习算法可以通过学习识别大型数据集的模式以进行可预测的预测来帮助克服这些问题。
霍乱暴发研究是由艾米·坎贝尔（Amy Campbell）在ESA气候办公室进行为期一年的研究生培训期间进行的
艾米（Amy）和她在普利茅斯海洋实验室（PML）的合著者一起使用了一种在环境科学应用中流行的机器学习算法-随机森林分类器-可以识别长数据集上的模式并做出可测的预测。
该算法针对2010年至2018年印度沿海地区报道的疾病暴发进行了培训，并了解了与欧空局气候变化倡议（CCI）生成的六个基于卫星的气候记录之间的关系。
通过包含或删除环境变量以及不同季节的子集，该算法确定了预测霍乱暴发的关键变量，如地面温度，海面盐度，叶绿素a浓度和海平面与平均值的差异（海平面异常）。
艾米·坎贝尔（Amy Campbell）说：“该模型显示出令人鼓舞的结果，并且使用不同的霍乱监测数据集或在不同位置进行这项工作的范围很大。
在我们的研究中，我们测试了不同的机器学习技术，并发现随机森林分类器是最好的，但是还有更多的技术可以研究。
“测试包含社会经济数据集的影响将很有趣； 遥感数据可用于开发记录，以说明对霍乱发生非常重要的人为因素，例如获取水资源。”
该研究及其新见解为PML共同作者Marie-Fanny Racault领导的UKRI-NERC霍乱和解决工具扩散途径（PODCAST）项目做出了贡献，该项目正在评估气候变暖和极端气候对栖息地的影响适用于霍乱弧菌。
作为PODCAST-DEMO项目的一部分，研究结果将在26年的UNFCCC COP2021会议上通过基于网络的预测工具进行展示。
这是由ESA-未来地球联合计划支持的，并与Future Earth的Health Knowledge-Action网络合作进行。
欧洲航天局领导发现新的霍乱爆发
ijerph-17-09378-v2另请参阅：
COVID-19毒品，在国际空间站上继续进行对雷姆昔韦的试验