Environmental factors contributing to southern house mosquito presence in Clark County, Nevada, using machine learning
Notice bibliographique
Résumé
Abstract The southern house mosquito (Culex quinquefasciatus), a prevalent specie in the southern United States, is a primary vector for diseases including West Nile virus, St. Louis encephalitis, and lymphatic filariasis. In this study, we applied a multi-step machine learning approach to investigate environmental factors influencing the annual presence of Culex quinquefasciatus in Clark County, Nevada, using data from the Global Biodiversity Information Facility spanning 1980 to 2023. Our methodology integrated recursive feature elimination to select top predictors, gradient boosting classifier (GBC) gain-based importance for ranking, shapley additive explanations to capture nonlinear relationships and enhance interpretability, and Spearman correlations to assess monotonic relationships. Among the combination of over twenty temperature and precipitation indices analysed, our results indicate that increased frequency of winter conditions with minimum temperatures below 0 °C significantly reduces the annual presence of Culex quinquefasciatus (Spearman correlation = −0.42, p <0.05). Conversely, a decrease in the frequency of abnormally wet conditions was found to promote Culex quinquefasciatus proliferation. Among the climatic factors, fewer cold days ranked highest, contributing 16.57% to the GBC model’s climatic feature importance, which highlights the critical role of warmer winters in the proliferation of Culex quinquefasciatus. However, when accounted for, urbanization emerged as the dominant factor driving the increased presence of Culex quinquefasciatus, outpacing climatic factors with a 75.96% contribution in the GBC model. Overall, our findings highlight warmer temperatures, reduced precipitation, and increased urbanization as key drivers of Culex quinquefasciatus presence in Clark County. This insight is crucial for informing targeted vector control strategies and public health interventions in urban desert regions, such as Clark County, where environmental and anthropogenic factors converge to increase the risk of mosquito-borne disease transmission.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».