恙虫病（scrub typhus）是由恙虫病东方体（Orientia tsutsugamushi，Ot）感染引起的自然疫源性疾病，以鼠类为主要传染源，经恙螨幼虫叮咬传播^[1-2]。恙虫病作为一种媒介生物传染病，其分布与当地媒介恙螨的种类和数量，以及宿主动物生存的生境有关^[3]。构成恙虫病自然疫源地的生境条件主要是次生植被，包括次生灌丛和杂草丛，这些生境既适合宿主动物栖息，又适于媒介恙螨的孳生，更适于宿主动物和媒介恙螨保存病原体^[4]。

平谷区位于北京市东北部，山区、半山区占了2/3的土地面积，林木覆盖率高达57%，森林覆盖率为36%，在48 000 hm²森林中，40%为经济林，60%为生态林。农业资源中以“平谷大桃”最为著名。平谷区现有桃园面积14 667 hm^2[5]，广泛分布在山区和平原，林地与果园地表的植被因管理人员不同而存在差别。疏于管理的果园、林地以及两者的过渡地带地表遍布杂草，丰富的植被环境为恙虫病的宿主动物和媒介恙螨提供了栖息场所。平谷区2008年报告首例恙虫病感染病例，2008－2021年共报告恙虫病病例1 186例，2008－2015年病例数逐渐上升，2015年后开始下降，2019－2021年呈波动状态。发病高峰月份主要集中在9－11月，属秋季型疫区^[6]。发病数较多的镇依次为王辛庄镇、大兴庄镇、金海湖镇、南独乐河镇和山东庄镇。以往研究基本可以确定平谷区为恙虫病自然疫源地^[7]。

近年来，应用遥感技术或构建统计模型探究恙虫病流行相关环境因素的研究较多，其中包括土地利用类型（尤其是植被）的研究，如Lerdthusnee等^[8]将从卫星图像中提取的一般土地覆盖类别与动物宿主和体外寄生病媒的数据进行可视化关联，发现恙虫叮咬的危险区域集中在灌木区的交错带和稻田的某些地点。Wardrop等^[9]构建多元回归模型发现农田和植被镶嵌的比例与我国台湾地区恙虫病发生率呈正相关。吴义城^[10]构建生态位模型发现在土地利用类型上，人造用地中恙虫病发生风险最大，其次为阔叶林地带、混合耕地及草地灌木丛林地带。孙烨^[11]构建增强回归树生态统计模型发现耕地覆被面积比例对我国北方自然疫源地恙虫病传播存在显著影响。李文^[12]在云南和广东省分别使用时空地理加权回归模型，分析得出土地利用类型变化对恙虫病发病影响最大。

上述许多研究均对恙虫病的发生与土地利用类型的关系进行了探索，但大多是大空间尺度范围的，小尺度范围的研究较少，而且尚未得出确定性结论。为探究北京市平谷区恙虫病发病与土地利用类型的关系，本研究选择平谷区累计发病数最多的5个镇，采用基于面向对象分类的随机森林算法对这5个镇2016、2018和2021年的高分辨率遥感影像数据进行地物分类，提取特征地物，分析恙虫病发病率与土地利用类型之间的关系，为恙虫病的科学防控提供依据。

2016和2018年遥感影像数据来自北京二号卫星，2021年来自高分二号卫星数据，均购自二十一世纪空间技术应用股份有限公司，融合处理后的影像分辨率为0.8 m。2016年遥感影像拍摄于2016年5月6日，2018年遥感影像拍摄于2018年4月27日，2021年遥感影像拍摄于2021年4月14日。

ASTER GDEM V2 30 m分辨率全球数字高程数据来源于地理空间数据云。应用R 4.1.1软件分割高程数据，使之与切割的子影像匹配。

平谷区恙虫病报告病例数据来自中国疾病预防控制信息系统。2016、2018和2021年平谷区5个镇的恙虫病病例数据见表 1。

表 1 北京市平谷区5个镇3年恙虫病病例数、常住人口和人口密度 Table 1 Number of cases of scrub typhus, usually resident population, and population density in the 5 townships of Pinggu district, Beijing in 2016, 2018, and 2021

表选项

人口数据来源于北京市平谷区2021年统计年鉴。2020年底5个镇的常住人口和人口密度见表 1。

用TrimbleeCognition Developer V9.0.1软件对遥感影像进行地物分类，首先将每年的影像分成多个大小合适的子影像。每个子影像采取同样的处理进程。应用多尺度分割算法，尺度参数设置为58个像素，形状因子设置为0.1，颜色因子为0.9，紧致度和平滑度因子均设置为0.5；蓝、绿、红、近红外4个波段的权重设为1，高程数据权重设为0。在分类时参考高程值划分林地。

根据国家标准《土地利用现状分类》（GB/T21010－2017）综合整体影像，结合实际分析需要，将地物分成了林地、水体、建筑物、绿地、裸土、荒地、道路7大类。分类的详细定义见表 2。分类过程分为选取样本、配置最邻近特征、将样本转换为类别、对样本训练、应用到整个影像、去除小图斑、手工纠正、合并和结果导出9个过程。2021年的影像对照4月19－20日平谷区现场考察全球定位系统（GPS）定点、照片及目视解译进行样本选择，其他2年在目视解译的基础上选择样本。选择样本后配置最邻近特征，特征值选取了4个波段的均值。之后将样本转换为类别，应用随机森林算法对样本进行训练，再执行全部影像的分类。去除 < 400个像素的对象，对照原始影像进行手工纠正，将分类完成的地物进行合并处理，导出含类别名称的分类结果（.shp格式文件），最后在ArcGIS 10.7软件中进行当年所有子影像的合并。

表 2 北京市平谷区5个镇地物分类影像及特征 Table 2 Images and features of object categories in the 5 townships of Pinggu district, Beijing

表选项

精度评价选用误差矩阵法。ArcGIS10.7软件创建随机点并进行目视解译判读类别，与分类结果进行相交，导出属性表，Excel 2019软件创建分类结果与目视解译的误差矩阵，计算总体分类精度和Kappa系数。总体分类精度是被正确分类的数据点个数与数据集中所有点个数的百分比；Kappa系数利用了整个误差矩阵的信息，通常被认为能够更准确地反映整体的分类精度。总体分类精度和Kappa系数越接近1，可认为分类结果越好。

应用ArcGIS 10.7软件计算每年分类对象的面积，按乡镇边界裁剪分类结果；Excel 2019软件创建数据透视表计算每年各地物总面积和与非林地面积（当年总面积－林地面积）的比值，计算2016、2018、2021年各地物的变化幅度，Excel 2019软件绘制折线图分析5个镇的恙虫病发病率和地物面积与非林地面积比值的变化趋势，应用SPSS 17.0软件对5个镇3年的总体、各年份、各乡镇的发病率数据与7项指标（裸土/非林地、建筑/非林地、林地/非林地、道路/非林地、绿地/非林地、荒地/非林地、水体/非林地）进行Spearman秩相关分析，P < 0.100为差异有统计学意义。

平谷区5个镇2016、2018和2021年的遥感影像分类结果见图 1。从左往右5个镇分别为大兴庄镇、王辛庄镇、山东庄镇、南独乐河镇和金海湖镇。大部分绿地、荒地和裸土均位于去除林地之外的平原丘陵地区。分类结果的总体分类精度和Kappa系数见表 3。总体分类精度均 > 80%，Kappa系数为0.600~0.800，分类结果较为准确。

图 1 北京市平谷区5个镇2016、2018和2021年遥感影像分类结果 Figure 1 Classification results of remote sensing images of the 5 townships in Pinggu district, Beijing in 2016, 2018, and 2021

图选项

表 3 北京市平谷区5个镇2016、2018和2021年遥感影像分类结果精度评价 Table 3 Accuracy evaluation of classification results of remote sensing images of the 5 townships in Pinggu district, Beijing in 2016, 2018, and 2021

表选项

平谷区5个镇3年总的地物面积、构成比及变化见表 4。从3年平均面积来看，林地约占总面积的58.38%，比重较稳定；绿地约占15.06%，且呈现递减的趋势；裸土约占12.30%，荒地约占1.71%，均呈现增加的趋势。2018年与2016年相比绿地减少面积最多，2021年与2018年相比绿地减少面积仅次于林地。

表 4 北京市平谷区5个镇2016、2018和2021年遥感影像分类地物总面积、构成比及面积变化 Table 4 Total area, composition ratio, and area changes of objects on remote sensing images in the 5 townships of Pinggu district, Beijing in 2016, 2018, and 2021

表选项

平谷区5个镇3年的3种地物面积占非林地面积比见表 5。可见除金海湖镇2021年裸土占非林地比例有所下降外，其他镇的裸土占非林地比例均呈上升趋势。3年中裸土/非林地的增加幅度中大兴庄镇最小，为8.97%，王辛庄镇最大，为20.06%。3年中所有镇的绿地占非林地比例均呈下降趋势，王辛庄镇的下降幅度最大，为23.11%，大兴庄镇下降幅度最小，为12.87%。除金海湖镇2018年荒地占非林地比例有所下降外，其他乡镇的荒地占非林地比例均呈上升趋势。2016－2021年的增加幅度中金海湖镇最小，为0.67%，其他镇均在4.00%以上。

表 5 北京市平谷区5个镇2016、2018和2021年遥感影像分类地物面积占非林地比例（%）及变化幅度（%） Table 5 Ratio of object area to non-forest land area and magnitude of change(%)on remote sensing images in the 5 townships of Pinggu district, Beijing in 2016, 2018, and 2021

表选项

综合5个镇总的地物面积占非林地的比值，2016、2018和2021年恙虫病总发病率与各个指标的Spearman相关分析结果均无统计学意义（均P > 0.100），故2年作为一组分析。由图 2可见，2018年与2016相比，平谷区5个镇恙虫病发病率与绿地/非林地均下降，相关性分析显示2016和2018年恙虫病发病率与绿地/非林地呈正相关（r=0.576，P=0.082）。而2021年与2018年相比发病率与裸土/非林地、荒地/非林地均上升，但相关性分析结果二者这2年无相关性（r=0.055，P=0.881；r=0.455，P=0.187）。

图 2 北京市平谷区5个镇2016、2018和2021年3种类型地物总面积占非林地面积比例与恙虫病发病率的关系 Figure 2 Relationship between the ratio of three types of total object area to non-forest land area and the incidence of scrub typhus in the 5 townships of Pinggu district, Beijing in 2016, 2018, and 2021

图选项

按乡镇来看，由图 3可见，2018年与2016年相比，5个镇恙虫病发病率与绿地/非林地均呈下降趋势，2018、2021年则无明显规律。相关性分析结果见表 6，可见南独乐河镇和山东庄镇的发病率与裸土/非林地呈负相关（r=-1.000，P < 0.010），与绿地/非林地呈正相关（r=1.000，P < 0.010），与荒地/非林地呈负相关（r=-1.000，P < 0.010），但金海湖镇的发病率与荒地/非林地呈正相关（r=1.000，P < 0.010）。

图 3 北京市平谷区5个镇2016、2018和2021年3种类型地物面积占非林地面积比例与恙虫病发病率的关系 Figure 3 Relationship between the ratio of three types of object area to non-forest land area and the incidence of scrub typhus in the 5 townships of Pinggu district, Beijing, in 2016, 2018, and 2021

图选项

表 6 北京市平谷区5个镇2016、2018和2021年恙虫病总发病率与各类型地物与非林地面积比的相关性检验结果 Table 6 Correlation between the total incidence of scrub typhus and different types of object-to-non-forest land area ratio in the 5 townships of Pinggu district, Beijing in 2016, 2018, and 2021

表选项

按不同年份看，由表 7可见，2016年5个镇的恙虫病发病率与建筑/非林地呈负相关（r=-0.900，P=0.037），2018年发病率与水体/非林地呈负相关（r=-0.900，P=0.037），2021年发病率与水体/非林地呈正相关（r=0.900，P=0.037）。

表 7 北京市平谷区5个镇2016、2018和2021年恙虫病总发病率与各类型地物与非林地面积比的相关性检验结果 Table 7 Correlation between the total incidence of scrub typhus and different types of object-to-non-forest land area ratio in the 5 townships of Pinggu district, Beijing in 2016, 2018, and 2021

表选项

本研究基于高分辨率遥感影像数据，对平谷区恙虫病发病数较多的5个镇进行地物分类，用较为精细的尺度分析了地物面积及占比与恙虫病发病率之间的联系和相关性。

2016、2018和2021年的林地面积较稳定，绿地面积及占比呈现下降趋势，而裸土和荒地面积及占比呈现上升趋势。研究的5个镇中林地面积占总面积的60%左右，且3年的变化不大，这与北京市生态涵养区的建设密不可分。但平原丘陵地区受人类活动影响较大，可能出现部分林地或农田抛荒，再进行播种的情况，所以绿地占比下降，裸土和荒地相应增加。也可能是影像采集时处于春耕时期，农民对土地进行了翻耕，故裸土的占比增加。影像采集时间的先后差异可能也会对分类产生一定影响。

总体来看，恙虫病发病率与各个地物的面积及其占非林地的比例分析结果均无相关性，考虑可能是各个镇存在不同趋势，故分不同乡镇和年份来分析。2016、2018年，5个镇恙虫病发病率与绿地/非林地呈正相关，推测绿地面积占比降低，适宜宿主动物和媒介恙螨生存的环境相应减少，居民活动时接触宿主和媒介恙螨的可能性减小，故发病率随之下降。而2018、2021年，发病率与绿地/非林地的关系呈相反趋势，但分析结果无相关性，考虑到可能受新型冠状病毒肺炎疫情影响，在一定程度上限制了人们出行，所以2020年的病例数较少，也可能是中间间隔2年，其中的联系被弱化。

分乡镇来看，金海湖镇的发病率与荒地/非林地呈正相关，推测可能是因为其总面积最大，荒地面积占比也是5个镇中较大的，人群接触这些荒草地的机会更大，虽然人口密度最低，但金海湖风景区为北京地区水域面积最大的综合性水上娱乐场所，水体周围植被茂密，零散分布着果园、落叶苗圃和荒草地，周边居民在附近游玩时可能有接触恙螨的机会，进而增加发病风险。南独乐河镇和山东庄镇的人口密度接近，地理位置接近，各地物的变化趋势相近。其中，裸土/非林地与发病率呈负相关可能是因为裸土代表的生境是管理较好的果园和农田，地表经过翻土和除草，不适合宿主和媒介的生存，因此裸土/非林地增加，发病率下降。绿地/非林地与发病率呈正相关，绿地代表的生境是管理较好的果园和菜地，较适合鼠类宿主生存，相对来说人的活动也多，故人和宿主动物、媒介恙螨的接触机会更高，所以绿地/非林地增加，发病率上升。但荒地/非林地与发病率呈负相关与预期结果相反，可能是2个镇增加的荒草地较少有人接触，故对恙虫病的发病影响较小，其具体原因有待进一步探讨。大兴庄镇和王辛庄镇的恙虫病累计发病数是平谷区最多的，人口密度也是较大的，但这2个镇的发病率与上述3个指标之间均无相关性，可能是因为这3年的病例数据能反映的信息太少，故未得出有意义的结论，后续还应持续关注这2个镇。

分不同年份来看，2016年5个镇总的发病率与建筑/非林地呈负相关，建筑/非林地增加，发病率降低。推测可能原因为建筑物的相对面积增加，适合宿主动物和媒介恙螨生存的环境减少，人类接触的机会减少，故发病率降低。2018年发病率与水体/非林地呈负相关，水体/非林地增加，发病率降低。推测可能原因为水体的相对面积增加，适合宿主动物生存的湿润环境增多，会减少其活动区域，进而降低人感染的风险。但2021年恙虫病发病率与水体/非林地呈正相关，水体/非林地增加，发病率增加，与2018年的结果相反。考虑可能原因为人类活动接触这些区域的机会多，进而增加人的发病，其具体原因还有待研究。其他指标与发病率之间的相关性均无统计学意义，考虑可能是病例样本量过少导致，在小尺度研究中存在一定局限性。

近年来有很多研究应用遥感技术探索植被与病媒传染病之间的联系，如王增亮等^[13]应用高分辨率遥感影像探测钉螺孳生地，常变蓉等^[14]探究了土地利用对钉螺分布的影响。在恙虫病与土地利用的研究中，Jin等^[15]发现植物型土地利用（包括水稻田、农林）与韩国恙虫病发病率持续上升有关，但除个别高发区外，土地利用变化对发病率无直接影响。Zheng等^[16]得出温度、相对湿度、海拔和植被指数是影响恙虫病流行的主要因素的结论。Kuo等^[17]分析得出我国台湾地区恙虫病发病率与较高的归一化植被指数呈正相关。上述几个研究均对恙虫病与土地利用，尤其是与植被相关的指数进行了探索，可见恙虫病的发病与植被相关的土地利用有一定的联系。本研究中病例高发区的大兴庄镇和王辛庄镇未得出有意义的结论，但是在不同年份和乡镇也得到了一些结果，可见恙虫病的发病率与疫源地的生境之间确实存在联系，与上述研究存在一致性，但由于本次选取的数据量较小，未得出其确切的原因，还需进一步研究。另外，考虑到自然疫源性疾病受多种自然环境和社会环境的综合影响，单一考虑土地利用这一因素存在不足，后续会继续加入其他影响因素进行探索。

本研究的意义在于通过遥感影像分析建立土地利用类型（尤其是植被相关的）与自然疫源性疾病恙虫病发病率之间的联系，研究结果提示公众在出行时要做好自身防护，尽量少接触荒草地等恙虫病宿主和媒介恙螨可能存在的生境。局限性在于去现场考察次数较少、时间较短，导致分类分析时样本数量较少，除现场考察样点外的其他样本均是目视解译挑选的，可能存在一定误差。另外，恙虫病的病例数据只能精确到乡镇级别，无法做更细致的探索。遥感影像的分类方法，后续可以尝试分层分类。

利益冲突  无