Predictive Modelling of Tick Distribution: A Machine Learning Approach to <i>Ixodes ricinus</i> Abundance
Notice bibliographique
Résumé
ABSTRACT The resurgence of tick‐borne diseases necessitates predictive frameworks that integrate both high accuracy and ecological relevance. This study develops a comprehensive machine learning pipeline to forecast the occurrence of Ixodes ricinus , a principal tick vector in Europe, leveraging high‐dimensional climatic, environmental, and land‐use datasets. We assembled and cleaned regional occurrence datasets from the United Kingdom and wider European repositories, to create a harmonized database comprising over 27,000 verified occurance record. To represent local tick presence and reduce spatial bias, we transformed the point data into 20 km‐wide hexagonal grid cell duplicates. The framework that integrates hexagonal spatial binning, binary transformation, and spatially aware absence selection maintains a balanced 1:2 ratio to minimize sampling bias and spatial autocorrelation. Spatial interpretation was strengthened by adopting DBSCAN with geodesic (haversine) distance, which identifies density‐based clusters and noise points and avoids the Euclidean‐distance constraints inherent to K‐Means. Each observation was paired with dynamic environmental and land‐use variables, including monthly rainfall, NDVI, temperature, and annual land cover. Models were trained and evaluated using stratified fivefold cross‐validation and optimized through RandomizedSearchCV, ensuring efficient exploration of hyperparameter spaces. Comparative evaluation across Random Forest, CatBoost, Gradient Boosting, AdaBoost, and Support Vector Machine classifiers demonstrated high predictive accuracy, with Random Forest achieving an ROC–AUC of 0.941% and F1‐score of 0.882%. Incorporating spatial constraints and temporally aggregated features improved ecological realism and generalisation, addressing prior limitations in temporal dynamics and sampling bias. Feature importance analysis revealed NDVI, rainfall, and temperature as dominant predictors, aligning with ecological expectations. The study centres on tick occurrence, establishing a scalable and robust framework poised to support early warning systems and enable data‐driven surveillance of tick populations across Europe.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| 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 tête enseignante, 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 ».