景观连通性预测加拿大慢性消耗病风险

数据集获取

源站：https://search.dataone.org/view/sha256%3Aa56f03552f09c91d4f69d6d725b697bcce6c7bad0c3a554919485473802d339b

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。

数据说明

预测野生动物种群中疾病风险的空间格局对于实施有效的控制规划至关重要。我们开发了一个风险模型，用于预测在野生种群中收获的鹿为慢性消耗性疾病阳性（CWD+）的概率，并评估了基于鹿移动的景观连通性的重要性。我们量化了鹿穿越景观的“阻力”景观连通性，类似于电流通过假设电子电路的流动。鹿移动的阻力值由步选择函数值的倒数得出，该函数值利用GPS项圈鹿的移动数据构建。最优CWD风险模型表明，风险随时间增加，骡鹿Odocoileus hemionus高于白尾鹿Odocoileus virginianus，雄性高于雌性，并且在溪流密度高和农业丰富的地区更高。基于骡鹿移动得出的连通性指标优于包含欧几里得距离的模型，高连通性与高CWD风险相关。

CWD风险模型能够很好地预测随后几年收集的独立监测数据集中CWD的发生情况。综合与应用。我们发现，景观连通性是异质景观上慢性消耗性疾病（CWD）风险空间格局的主要影响因素。因此，未来的疾病监测计划和疾病传播模型应考虑景观连通性。在杨树园地生态系统中，我们建议管理者将监测和控制工作的重点放在被农田环绕、骡鹿大量出没的河谷沿线，因为那里CWD感染风险较高。

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。