electricsheepafrica/africa-climate-malaria-expansion

一个合成表格数据集，将气候变量与非洲地区的疟疾发病率和扩散联系起来。旨在解决气候变化导致疟疾传播扩展到先前非流行地区所带来的综合气候健康监测数据缺口。A synthetic tabular dataset that correlates climatic variables with malaria incidence and spread in African regions. It is designed to address the data gap in integrated climate and health monitoring resulting from the expansion of malaria transmission into previously non-endemic areas driven by climate change.

搜集汇总

数据集介绍

构建方式

本数据集以气候变化驱动的疟疾传播动态为背景，针对非洲地区高海拔扩张、干旱区不确定性、城市媒介入侵及气候迁移等数据缺口，合成了包含10,000条记录的表格型数据。构建过程中，阳性病例来源于模拟的气候驱动传播情境，对照组则来自低传播环境，并通过泄漏滤除确保分类纯净。数据集在20个非洲国家、2019至2024年的时间跨度内，整合了40余项原始与工程化特征，包括气候适宜性指数、媒介压力评分、社会脆弱性评分等复合指标，所有特征均基于文献与临床指南的领域权重计算，保留原始列以支持重构与定制。

特点

该数据集具备显著的结构化优势：类别标签严格平衡（阳性与阴性各5,000例），消除模型偏差；国家采样遵循流行病学权重，反映非洲人口与疾病负担的真实分布。工程化特征如高风险疟疾标志位，通过多风险维度阈值触发设计，优先敏感性以适用于分诊筛查。初步随机森林分析表明，复合风险评分、国家指示变量及时间特征在特征重要性排名中表现突出。此外，数据集支持缺失值完整性（0%缺失）、时间一致性与噪声注入，有效防止过拟合于合成阈值。

使用方法

数据集适用于爆发预测、风险制图、干预规划及高原预警等场景。使用者可通过HuggingFace加载为Pandas DataFrame，并遵循预处理建议：对分类变量进行独热编码、对连续变量标准化、按国家分层分割以防止地理泄露。高级建模路径涵盖生存分析、多任务学习、代价敏感学习及因果推断，并推荐使用5折分层交叉验证评估泛化能力。基线性能参考显示，随机森林与XGBoost分别可达到0.82–0.88准确率与0.88–0.93 ROC-AUC，适合作为多类模型开发的基准数据源。

背景与挑战

背景概述

在全球气候变化的宏观背景下，非洲大陆正面临疟疾传播格局的深刻重塑。由Electric Sheep Africa于2024年创建的Climate-Malaria Expansion Dataset，是一个连接气候变量与非洲区域疟疾发病率及扩散的合成表格数据集。该数据集的核心研究问题在于，传统监测系统难以捕捉气候变化带来的高风险区域扩展，而高原地区、干旱地带、城市环境的气候变化正推动疟疾向非流行区蔓延。数据集包含了2019至2024年间来自20个非洲国家的10,000条样本，整合了气候适宜性、媒介压力、社会脆弱性等多维度特征，填补了气候与公共卫生综合监测数据的空白，为疟疾暴发预测、风险制图与干预资源优化提供了关键支持。

当前挑战

该数据集所应对的领域挑战在于，气候变化正以前所未有的速度改变疟疾传播模式，而现有监测体系滞后，高原和干旱区新发流行、城市入侵和气候迁移导致的数据缺口亟待填补。在构建过程中，数据集面临了多重难题：首先，真实世界中气候与疟疾的关联数据稀缺且不完整，需通过合成技术生成高保真样本；其次，需确保多源数据（如WHO、Malaria Atlas Project、IPCC）的整合与一致性，并利用领域知识与临床指南构建合理的复合评分特征；最后，在维持类别平衡的同时，必须避免特征泄漏，并引入噪声以模拟真实异质性，确保数据具有统计可靠性与可复现性。

常用场景

经典使用场景

在气候变化与公共卫生交叉的研究领域中，该数据集最经典的使用场景在于构建基于环境变量的疟疾传播风险预测模型。研究人员利用温度、降雨量、湿度等气象指标，结合蚊虫密度、海拔、土地利用等生态特征，通过随机森林、XGBoost等机器学习算法，对非洲地区疟疾的发生概率进行精准预测。数据集的平衡设计（正负样本各5000例）有效避免了类别不平衡偏差，而其包含的20个非洲国家、横跨2019至2024年的时间跨度，为捕捉气候变化驱动的疟疾传播时空动态提供了坚实的数据基础。

解决学术问题

该数据集核心解决了气候健康交叉领域中长期存在的数据断层问题——传统监测体系难以捕捉气候变化导致的高原疟疾暴发、干旱区传播不可预测性、城市媒介入侵以及气候移民带来的暴露风险等新兴挑战。通过整合气候适宜性指数、媒介压力评分、社会脆弱性评分等工程化特征，数据集为量化气候变化对疟疾传播格局的影响提供了多维分析框架。其意义在于填补了撒哈拉以南非洲地区气候变化与传染病动态关联的数据空白，使研究者能够从环境-社会-医疗复合视角审视疟疾再扩张机制。

衍生相关工作

围绕该数据集已衍生出多项具有影响力的研究范式。在方法论层面，研究人员发展了生存分析框架用于追踪气候驱动的时间序列风险轨迹，以及多任务学习模型同时预测发病和并发症类型。因果推断方法被应用于估计干预措施（如蚊帐覆盖率）的真实效应，而联邦学习架构的引入则实现了跨模拟医院节点的分布式模型训练，保护了数据隐私。在可解释性方面，SHAP和LIME技术被广泛应用于揭示气象-社会因素对个体风险贡献的交互效应，促进了临床决策中的透明化风险评估。这些衍生工作共同构建了气候流行病学中从预测到干预的可操作知识链。