COVID-19死亡社会经济人口风险预测空间建模数据

数据集获取

源站：https://doi.org/10.5061/dryad.4j0zpc8j1

标准获取流程：

1. 访问源站链接，注册/登录账号；
2. 进入数据集详情页，按页面指引申请权限或直接下载；
3. 部分平台提供 SDK，例如：
   • OpenDataLab: pip install openxlab 后 openxlab.dataset.get(...)
   • ModelScope: pip install modelscope 后 modelscope download
   • 天池: 登录后页面提供直链下载
     以源站「数据下载/使用文档」页面为准。

数据集大小约 134.0 MB。

数据说明

背景：2020年初，2019冠状病毒病（COVID-19）在美国迅速蔓延，呈现出显著的地理变异性。尽管已有若干研究探讨了不同因素与COVID-19的预测关系，但很少有研究在精细地理尺度上考察COVID-19死亡的时空变化。方法：本分析旨在考察COVID-19死亡在社会经济、健康、人口和政治因素方面的时空变化。我们对卫生与公众服务部（HHS）各区域应用了多元回归，并在全国县级层面应用了地理加权随机森林（GWRF）模型。分析基于三个独立时间段的数据，分别对应美国不同病毒变异株的传播期：疫情暴发至2021年5月、2021年5月至2021年11月、以及2021年12月至2022年4月。此外，还使用局部和全局Moran’s I检验统计量考察了空间自相关性。

结果：针对三个时间窗口内所有地区的多变量回归结果表明，现有的用于灾害准备的社会脆弱性度量（SVI）可预测COVID-19死亡率较高。相比之下，GWRF模型对特征重要性和预测提供了更为稳健的评估，揭示了局部特征在预测中的价值，例如肥胖率，这一点在粗粒度分析中被掩盖。空间自相关表明存在正空间聚类，呈现出从自由派县的低死亡正聚类（冷点）到保守派县的高死亡正聚类（热点）的演变趋势。结论：GWRF结果表明，更为细致的建模策略有助于确定空间变异，而区域建模方法可能无法捕捉沿边界区域的特征聚类。空间显式建模方法，如GWRF，提供了更为稳健的特征

数据加载示例（图像类）

from PIL import Image
import glob, os

files = (glob.glob(os.path.join(path, "**", "*.png"), recursive=True)
       + glob.glob(os.path.join(path, "**", "*.jpg"), recursive=True)
       + glob.glob(os.path.join(path, "**", "*.tif"), recursive=True))
print("图像文件数:", len(files))
img = Image.open(files[0]); print("尺寸/模式:", img.size, img.mode)

# torchvision Dataset 方式:
# from torchvision import datasets
# ds = datasets.ImageFolder(path)  # 要求 子目录=类别

目录组织与标注格式以源站说明和下载后实际文件为准。