山丘地区植被指数与钉螺分布的关系

目的研究云南省山丘地区钉螺分布和植被指数之间的关系。方法使用GPS定位螺点,收集螺情指标。在遥感软件中叠加螺点矢量图和中分辨率成像光谱仪植被指数图,提取归一化差异植被指数（NDVI）值,并与钉螺出现率和钉螺密度进行相关分析,建立回归方程。结果大理市45个流行村的114个螺点数据表明,95%钉螺分布在NDVI为0.414 4～0.760 7的地区,有螺框出现率、钉螺密度和NDVI值的关系季节性较强,以9月份相关系数最高,并可以初步建立回归方程。结论山丘地区植被和钉螺分布存在一定关系。     

鄱阳湖国家级自然保护区及周围湿地钉螺孳生地分布的遥感动态监测

目的研究近年来受长期低枯水位影响下的鄱阳湖国家级自然保护区钉螺孳生地时空分布。方法基于2015年10月-12月查获的螺情数据,结合2015年10月11日Landsat8OLI遥感影像反演的归一化植被指数(NDVI)和鄱阳湖湖区湖底地形(DEM),应用相关性分析法研究鄱阳湖湖区螺情与NDVI和DEM之间的关系;根据活螺平均密度在NDVI和DEM的分布规律,获得出钉螺孳生地分布的NDVI和DEM阈值范围,利用面向对象的分类法对研究区内8个时相的Sentinel-2A光学遥感影像进行钉螺孳生地提取并分析其特征。结果鄱阳湖湖区2015年秋季活螺平均密度与NDVI呈正相关性(r=0.665,P0.01),与DEM呈负相关性为(r=-0.620,P0.01);有螺框出现率与NDVI呈正相关性(r=0.742,P0.01),与DEM呈负相关性(r=-0.632,P0.01)。钉螺密度随着植被指数(NDVI)的增大而上升,8.5~11m高程为钉螺孳生的扩张区域。结论鄱阳湖湖区洲滩植被与钉螺孳生区呈现向洲滩低高程区域缓慢扩张的趋势,8.5~11m高程为钉螺孳生的扩张区域。鄱阳湖国家级自然保护区钉螺孳生地时空变化与同时期星子站水位显著相关,星子站水位越低洲滩出露越多,钉螺孳生区范围月大。     

应用ETM+遥感图像监测山区钉螺分布

目的　分析ETM 遥感卫星图像中植被指数与山区钉螺分布之间的关系 ,为进一步建立钉螺分布的遥感预测模型提供理论依据。　方法　现场测量江宁县 2 0 0 0年各钉螺孳生地经纬度 ,在ERDAS 8.5软件支持下将ETM 卫星图像中的 3、4波段合成为江宁县植被指数图层 ,利用ArcView8.0软件制作钉螺分布Vector图层 ,提取各钉螺孳生地植被指数 ;用相关性分析法和多元逐步回归分析法研究图层中植被指数与钉螺分布间的关系。　结果　山区各钉螺孳生地活螺框出现率与该钉螺孳生地缓冲区内最小NDVI值及平均NDVI值呈正相关 (r分别为 0 .3 5 6、0 .3 44,P <0 .0 5 ) ;钉螺密度与各钉螺孳生地缓冲区内最大、最小及平均NDVI值呈正相关 (r分别为 0 .418、0 .43 3、0 .44 8,P <0 .0 1)。回归分析结果显示 ,山区各钉螺孳生地活螺框出现率与平均NDVI(Nmean)有关 [Y1=160 .62Nmean(R2 =0 .67,P <0 .0 1) ] ;山区钉螺密度与平均NDVI值有关 [Y2 =9.65Nmean(R2 =0 .5 3 ,P <0 .0 1) ]。　结论　ETM 遥感卫星图像可以监测山区钉螺的分布。     

高光谱遥感技术及其在血吸虫病流行病学监测中的应用

钉螺是日本血吸虫的唯一中间宿主，日本血吸虫病的分布与钉螺，特别是感染性钉螺的地理分布相一致，有严格的地方性。在众多影响钉螺地理分布的环境因素中，植被是钉螺生存的必要条件之一。在一定的环境下，钉螺孳生地的植被影响钉螺的分布。遥感技术在植被监测与研究中具有不可替代的作用，可为螺情监测和血吸虫病流行病学研究提供有力的工具。在国内已有不少学者通过宽波段遥感技术（如MSS和TM）计算相应植被指数来监测钉螺的地理分布。但是传统的宽波段遥感在研究植被时由于其波段数少、光谱分辨率低，并且由其计算出的植被指数所能反演的信息量也较少，     

基于格网数据驱动的螺情信息空间分析与研究

目的探索湘江长沙段洲滩螺情与水源距离、土壤湿度、植被分布、汛期平均水位的关系。方法应用基于格网数据驱动的GIS空间分析方法,结合洲滩标准化植被指数、土壤湿度,对2005-2009年湘江流域长沙段的螺情信息进行分析,并对汛期平均水位与螺情反复、洲滩钉螺密度的变化关系进行分析。结果 2005年甑皮州钉螺主要分布在距最近水源40～240m的范围内,60m处分布最多。钉螺密度与水位存在较明显的正相关性。2005年甑皮州标准化植被指数范围为0～0.982,土壤湿度范围为0～0.298,植被类型分布以杂草和莎草为主。基于水源基准线作出了年度螺情变化的洲滩螺情势图,可直观了解螺情发展情况。结论利用格网数据驱动的螺情信息空间分析方法,可以更准确地反映钉螺网格所在地的植被和土壤湿度状况以及洲滩钉螺的态势,从而及时掌握流行状况。即使在人工干预的情况下,水位变化仍然是导致螺情变化的重要因素。     

湖沼地区植被改变对钉螺分布的影响

 目的研究湖沼地区植被自然状态的改变对钉螺分布的影响。方法从安徽省池州市贵池区秋浦河沿岸的14块滩地中随机选择一块滩地，选取植被均- 50 mX50 m作为研究现场，分别设计矮草组、边界组、枯草组和对照组4组不同植被状态的研究区域，半个月后调查4组的钉螺密度、土壤温度和土壤湿度，分析比较4组数据间的差异，推断植被自然状态的改变引起钉螺分布的变化情况。结果枯草组土壤湿度大，温度低，钉螺密度为0.1只10.1  m2；矮草组土壤温度高，湿度低，钉螺密度为32.1只10.1  m2；边界组钉螺密度增高（53.6只/O.l m2），但与对照组钉螺密度(48.2只10.1 m2)比较差异无统计学意义。结论人为割倒滩地植被后，钉螺将由矮草组向边界组移动，导致钉螺分布发生变化；枯草组最不适宜钉螺生存。割草覆盖法可以作为提高药物灭螺效果的辅助措施。     

湖沼地区钉螺指数的初步研究

目的利用遥感与地理信息系统(GIS)技术自动确定钉螺孳生地。方法  利用丰水期与枯水期遥感图像，分别自动计算与提取水体指数(NDWI)，两图像水体指数相减，获得“冬陆夏水”区域；在“冬陆夏水”区域计算植被指数(NDVI)，并提取有植被覆盖的区域；将提取的区域与已有螺情资料进行空间叠加对比分析。结果在鄱阳湖区，两时相中NDWI>0. 05的区域之差与NDVI>0. 20的区域的交集，为适宜钉螺孳生的区域。结论根据适宜钉螺孳生的生态条件，利用遥感与GIS技术可以快速获得钉螺的孳生地及其面积。         

环境遥感替代指标与山丘地区钉螺分布的关系

目的探讨影响山丘地区钉螺分布的常用环境遥感指标。方法使用TM遥感图像提取云南省大理市85个螺点的植被指数（NDVI）、地表温度（LST）和湿度指数（Wetness）并进行统计分析,同时进行土地利用的分类;利用ArcGIS9.2的权重适宜性模型将LST、NDVI、Wetness、钉螺密度、土地利用类型赋值后叠加分析,并计算大理市钉螺适宜分布范围。结果提取的LST、NDVI、Wetness值均呈近似正态分布,螺点大部分分布在各遥感替代指标均数附近,并向两端逐渐减少,90%以上的螺点分布在代表庄稼及草地的类别中;权重适宜性模型可将大理市环境表达为最不适宜钉螺环境（0～14分）、次适宜钉螺环境（15～21分）和最适宜钉螺环境（22～26分）。结论环境遥感指标直观反映影响山丘地区钉螺分布的环境因素,结合地理信息系统软件及现场调查资料可以描述、判断和预测钉螺的分布,并应用到山丘型血吸虫病流行区的防治中。     

应用知识决策树分类遥感影像识别鄱阳湖区钉螺孳生地

目的 探讨基于专家知识的决策树分类方法分类TM遥感影像识别鄱阳湖区钉螺孳生地。方法收集分类的地面样本点，分析同时期的鄱阳湖洲滩植被与钉螺分布关系数据，对同一时相的TM遥感影像，选取合适的试区，分析试区典型地物和地面样本点的光谱特征，形成用于分类的专家经验性知识，然后采用基于知识模型的专家决策分类方法分类识别钉螺孳生地。结果将试区分为6类，分别是苔草群落、荻草群落、藤草群落、藻类水体、河流和湖水体、滩地。对照同时期螺情资料，苔草群落为钉螺主要孳生地，在荻草群落和藤草群落地带偶然发现钉螺，但密度极低。采用基于混淆矩阵的方法评价分类结果精度，苔草群落、荻草群落和藤草群落的制图精度分别是87．69％、81．36％和94．44％，用户精度为86．36％、91．43％、84．16％，三者之间存在一定的错分现象，这主要是由于三者有一定的混生现象。另外，10月份是滩地植被生长旺盛的季节，它们的光谱在各个波段上均有相似之处，产生一定的错分，对本研究的最终结果不会造成较大的影响。结论在分析与TM遥感影像同一时相地面样本点的基础上，可采用基于知识模型的专家决策树分类方法分类遥感影像识别钉螺孳生地。     

环境因子对钉螺生长发育与分布的影响

钉螺是日本血吸虫的唯一中间宿主,钉螺的生长发育和分布与多种环境因素密切相关,改变环境因素可影响钉螺的生存、繁殖及其分布,从而达到有效控制钉螺的目的.该文系统介绍了温度、湿度、植被、土壤、气候、水文、光线等环境因子对钉螺生态的影响.     

基于最大熵模型和遥感的两种钉螺孳生地提取方法的比较

目的探索最大熵模型在提取钉螺孳生地方面的应用。方法根据鄱阳湖地区采集的钉螺孳生地数据和相关环境因素构建最大熵生态位模型并生成鄱阳湖地区钉螺孳生地分布图;利用鄱阳湖地区丰水期和枯水期的Landsat7 ETM+遥感图像,根据改进的归一化水体指数及归一化植被指数的相关阈值提取钉螺孳生地;通过受试者工作特征曲线、灵敏度和特异度指标对两种方法的提取结果进行评价和比较,并应用刀切法对影响钉螺孳生因素的重要性进行分析。结果遥感方法的受试者工作特征曲线下面积值仅为0.56,灵敏度为0.23,特异度为0.89,而最大信息熵生态位模型的受试者工作特征曲线下面积值为0.88,所提取钉螺孳生地分布图的灵敏度为0.89,特异度为0.74。鄱阳湖地区钉螺孳生地主要集中分布在永修县东北部、余干县西北部,鄱阳县西南部以及新建县中部,而影响钉螺孳生的最主要环境因子是高程,其次是陆地表面温度。结论基于最大熵模型的钉螺孳生地提取方法较基于遥感技术的提取方法更为准确可靠,对于相关部门有针对性地选择钉螺孳生重点区域开展防治措施有一定指导意义。     

遥感技术快速确定鄱阳湖区血吸虫病易感地带的探讨

目的探讨钉螺孳生环境和钉螺密度与遥感指数值之间的定量关系。方法选择鄱阳湖区有螺洲滩一块．采用系统（20m×10m）和环境抽样两种方法对洲滩进行钉螺调查，同时对查螺时间段的遥感影像进行影像解析．分别提取NDVI、GVI、GEMI、PVI、MSAV12指数，并结合螺情资料进行分析。结果不同指数值均能区别反映有螺孳生环境和无螺环境。钉螺密度的自然对数值与各指数值之问存在着正相关关系（P〈0．01）：并建立了钉螺密度的自然对数值（Y）与综合指数值间（X）的综合数学模型。结论遥感数值能反映钉螺数量分布，但用综合指数建立的数学模型所反应的数据与实际调查结果更为接近。     

Remote sensing and spatial statistical analysis to predict the distribution of Oncomelania hupensis in the marshlands of China

Remote sensing and spatial statistical analysis were employed to predict the distribution of Oncomelania hupensis, the intermediate host snail of Schistosoma japonicum, in the marshlands of Jiangning county in China. Surrogate indices related to environmental factors in the marshlands were derived from a Landsat 7 ETM+ image, and the relationship between environmental covariates and the density of O. hupensis was analyzed by stepwise regression models and ordinary kriging. Although stepwise regression demonstrated that O. hupensis densities of live snails in the marshlands related significantly to the modified soil-adjusted vegetation index, wetness and land surface temperature, the correlation coefficient was low (0.282). Therefore, spatial patterns of the regression residual were investigated by the semi-variogram method, and the spatial variation of O. hupensis density attributed to the spatial autocorrelation was estimated by ordinary kriging. The regression model of the snail density and ordinary kriging of its spatial variation were then combined with the aim of improving the prediction of O. hupensis. Following this approach, the prediction indeed improved considerably (0.852). Our results show that it is possible to predict the distribution of O. hupensis in these marshlands by using remotely sensed environmental indices, and that spatial statistical analyses are capable of improving prediction accuracy. These findings are of relevance for mapping and prediction of schistosomiasis japonica in China, and hence the national control programme.     

Use of satellite remote sensing and geographic information systems to model the distribution and abundance of snail intermediate hosts in Africa: a preliminary model for Biomphalaria pfeifferi in Ethiopia

Geographic information system (GIS) risk models for the snail-borne diseases caused by Schistosoma spp. and Fasciola spp. have recently been developed based on climate and satellite-retrieved data on temperature and vegetation coverage. By using these models, it was possible to describe a relationship between vegetation index (Normalized Differences Vegetation Index (NDVI)), land surface temperature (T(max)) and disease prevalence, but little reference was made to the distribution of the corresponding intermediate host snail. Presence of the intermediate host snail is a key factor determining distribution of the disease in sub-Saharan Africa and a good snail distribution mode would probably mirror the endemic area of schistosomiasis. In the present analysis, it was shown that snail distribution data corresponds with schistosomiasis prevalence data in relation to a forecast model based on NDVI and T(max) data derived from the Advanced Very High Resolution Radiometer (AVHRR) onboard the National Oceanic and Atmospheric Administration satellite series. The 'best fit' model included NDVI values from 125 to 145 and a T(max) data range of 10-32 degrees C. This model included 92.3, 90.4 and 94.6% of the positive snail sample sites in GIS query overlay areas extracted from annual, dry season and wet season composite maps, respectively. For other sites in Africa, other NDVI and T(max) ranges may be more appropriate, depending on the species of snail present, a topic that will be examined in further studies.     

湖沼型地区钉螺种群的空间格局分析

目的 探讨湖沼型地区钉螺种群的空间格局。 方法 2005年10月、 2006年4月及11～12月, 随机选取安徽省池州市贵池区秋浦河沿岸的4块滩地设框查螺, 分别计算钉螺的平均拥挤度(m*)、 平均密度(m)、 聚集指标［包括: 扩散系数(C)、 扩散型指数(I_δ)和聚集度指数(m*/m)］、 Taylor的(lg S²-lg m)回归指数以及Iwao的m*-m回归指数。 结果 不同时间4块滩地钉螺的C、 Iδ和m*/m指数均＞1; Taylor的lg S²-lg m回归指数中的lg m与lg S²有明显的线性关系(r=0.972, P＜0.01), lg a=0.602, b=1.427; Iwao的m*-m回归指数中的 m*与m呈明显的线性关系(r=0.984, P＜0.01), α＝2.367, β＝1.617。 结论 湖沼型地区钉螺种群的空间格局为聚集分布, 分布的基本成分是个体群。     

鄱阳湖区洲滩植被与钉螺空间分布关系的研究

目的探讨鄱阳湖区洲滩植被分布与钉螺孳生地的空间分布规律,以更好地利用遥感技术对洲滩钉螺孳生地进行监测。方法选择鄱阳湖区血吸虫病流行村附近的洲滩为调查点,用传统方法进行植被和钉螺调查,卫星定位仪（GPS）记录调查点的经纬度,并利用ArcGIS软件把地面调查数据矢量化。运用遥感图像处理软件PCI9.0,对鄱阳湖区春季枯水期的卫星TM图像进行几何校正和非监督分类。然后,把矢量化的地面数据与卫星图片叠加,进行钉螺孳生地与植被关系的空间分布分析。结果鄱阳湖区洲滩植被可以被划分成3类地表类别,其中单一优势植被区为钉螺主要孳生类别,湿生植被区和混合杂草区为少螺或无螺类别。结论洲滩植被分布规律与钉螺孳生地关系密切,呈片状和带状分布,应用遥感技术能快速确定鄱阳湖区洲滩的钉螺孳生地。     

基于监督式机器学习模型的 上海市小尺度湖北钉螺扩散趋势预测研究

目的　采用监督式机器学习模型预测上海市小尺度湖北钉螺扩散趋势,为钉螺精准防控提供依据。方法　利用2016年上海市钉螺调查资料和钉螺分布相关气候、地理、植被、经济社会等数据,构建决策树、随机森林、广义推进模型、支持向量机、朴素贝叶斯、k⁃近邻和C5.0等7种机器学习模型预测上海市钉螺扩散风险。采用受试者工作特征曲线下面积（area under the curve,AUC）、F1值（F1⁃scores）和准确率（accuracy,ACC）等指标评价7种模型预测性能,并选择最优模型对上海市钉螺扩散环境因素和风险区进行预测。结果　成功建立了7种可用于预测上海市钉螺扩散风险的机器学习模型,其中随机森林模型（AUC = 0.901,F1 = 0.840,ACC = 0.797）和广义推进模型（AUC = 0.889,F1 = 0.869,ACC = 0.835）预测效果较好。随机森林模型显示,对上海市钉螺扩散影响较大的气候变量主要包括干燥度（11.87%）、≥ 0 ℃年积温（10.19%）、湿润指数（10.18%）和年均降雨量（9.86%）;植被变量主要包括第一季度植被指数（8.30%）和第二季度植被指数（7.69%）。气候变量中,干燥度< 0.87、≥ 0 ℃年积温在5 550 ~ 5 675 ℃、湿润指数> 39%、年均降雨量> 1 180 mm,易发生钉螺扩散;植被因子中,第一季度植被指数> 0.4、第二季度植被指数> 0.6,易发生钉螺扩散。结合水利片区和乡（镇）行政地图,上海市钉螺扩散风险区域主要分布在10个街道（镇）,涉及浦南西片区、浦南东片区和太南片区等3个水利片区。结论　监督式机器学习模型可用于预测小尺度范围钉螺扩散风险并可评估导致钉螺扩散的环境因素。上海市钉螺扩散风险区主要分布在松江区西南部地区、金山区西北部地区和青浦区东南部地区。