夜雨聆风
告别软件操作!用AI 智能体制作标准规范的流行病学地图
“ 一张精致而专业的流行病学地图，即使训练有素的FETP学员也需要花上小时级的时间才能完成。现在，AI 智能体能让每一位现场流行病学家在几分钟内独立完成。
一、真实的痛点
真实的痛点，其实在于：获取最新、准确的行政区划边界数据本身就不容易。很多时候只能依赖零散来源自行整理，而手工绘制不仅技术门槛高、效率低，还难以保证规范性。同时，操作相对友好的桌面 GIS 软件（如MapInfo，ArcGIS，Tableau）往往需要商业授权，成本不菲；而像 QGIS、R 等开源工具虽然功能强大，却存在较为陡峭的学习曲线，使不少流调人员望而却步。
这个痛点，在全国绝大多数现场流行病学家都遇到过。要知道，现场流行病学家最擅长的是疾病调查，而不是制图。但一张规范、清晰、可直接引用的流行病学地图，恰恰是疫情分析与决策及暴发报告的核心要素之一。
二、流行病学地图究竟难在哪里？
流行病学地图不是普通地图，它有自己的专业规范：
点图（Spot Map）
-
每个病例用标准化符号标注（按严重程度、发病时间分类） -
聚集区需用虚线圈标注，注明病例数 -
必须有比例尺、指北针、图例 -
底图需简洁，不能喧宾夺主
面积图（Choropleth Map）
-
按行政区划展示发病率/罹患率 -
颜色分级需遵循统计学原则 -
必须与真实地理坐标精确对齐
难点不在于”画”，在于三个壁垒：
-
地理配准：手绘草图没有坐标系，必须与真实地理位置对齐，否则病例点会标错位置 -
坐标精度：像素与经纬度换算若不借助专业工具，误差可能让聚集区偏移数公里 -
软件门槛：QGIS、ArcGIS 等专业 GIS 软件学习曲线陡峭，非专业人员难以驾驭
三、AI 智能体的介入：从”会用工具”到”指挥工具”
这次实验使用 Claude AI 智能体 + QGIS-MCP 构建了一套全新的流行病学制图工作流。
核心逻辑是：
流行病学家描述需求 ↓AI 智能体理解意图，自动调用 QGIS 工具 ↓QGIS 执行专业 GIS 操作（加载数据、配准、渲染、标注） ↓输出符合规范的成品地图流行病学家不需要学习任何 GIS 软件。 只需告诉 AI：”我有一批东南亚病例的经纬度，请绘制一张病例分布点图，按严重程度分类，标注聚集区，加比例尺和指北针。”
四、实战演示：从零到专业地图
成果一：全球分级统计图（Choropleth Map）
模拟全球流感样疾病发病率，AI 智能体全程自动完成数据下载、图层关联、配色渲染、图例生成：
非洲撒哈拉以南、东南亚高发区以深红色清晰呈现；欧洲、大洋洲低发区为浅黄色。整张图信息层次分明，可直接用于学术报告。
“ 💡 专业细节：配色断点采用分位数分级而非等距分级——当发病率数据呈偏态分布时，分位数能确保每个色带覆盖相近数量的国家，避免等距分级人为夸大高发区的视觉比重。图例最高级标注明确范围”640–990（高）”，不留开放端。地图叠加每30°纬线 / 60°经线的经纬度网格，左下角比例尺注明”赤道处有效”，页脚完整标注数据来源与投影坐标系（WGS 84, EPSG:4326）——以上均为 CDC/EIS 流行病学地图规范的必备要素。
成果二：病例点图（Spot Map）——从错误到精准
这一步踩了一个重要的坑，也是最有价值的教训。
第一版：聚集区圈标错了位置
最初用简单线性公式换算像素坐标，渲染结果令人哭笑不得：曼谷聚集区的虚线圈标在了泰国湾里，清迈聚集区漂到了缅甸西部。
原因在于：QGIS 渲染时会根据输出图片长宽比自动调整实际显示范围，简单线性换算完全忽略了这一变换。
第二版：调用 QGIS 原生坐标变换
# ❌ 错误方式（线性近似，忽略渲染器长宽比调整）x = (lon - lon_min) / (lon_max - lon_min) * 图片宽度# ✅ 正确方式（QGIS 原生变换，精确到像素）m2p = settings.mapToPixel()pt = m2p.transform(QgsPointXY(lon, lat))x, y = int(pt.x()), int(pt.y())通过调用 QGIS 渲染器自身的坐标变换函数，精度问题彻底解决：
曼谷聚集区（n=20）和清迈聚集区（n=8）的虚线圈，准确落在泰国国土内对应位置。
这个细节，正是 AI 辅助制图中”专业性”的核心体现。普通脚本可以画图，但无法保证地理精度。
最终成品规范要素一览
|
|
|
|---|---|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
五、深度思考：AI 制图的边界在哪里？
AI 能做好的
✅ 标准化图层加载与样式设置，精确、可复现✅ 批量病例点一次性渲染，不出错✅ 比例尺、指北针、图例的自动计算与绘制✅ 修改一句话，1分钟内出新版本
仍需人工判断的
⚠️ 地理配准控制点选取：手绘草图配准时，哪个路口可作为控制点，需要实地经验⚠️ 分级断点的流行病学意义：断点选择直接影响读者对疫情严重程度的判断，不能完全交给算法⚠️ 地图叙事逻辑：一张好的流行病学地图在”说一个故事”，故事主线仍需流行病学家把握
六、实践指引：不同场景怎么用？
场景一：教室 / 飞机 / 餐厅座位图
无需 GIS，直接用 Python + matplotlib 生成规范座位图。只需提供座位编号和病例状态，AI 即可生成符合发表标准的图表。
场景二：村庄 / 社区病例分布
-
现场拍摄村庄草图，识别 3～4 个地标（学校、水井、主干道交叉口） -
用手机 GPS 记录地标坐标 -
AI 完成地理配准，生成病例点图
场景三：区县 / 省级疫情分布
提供行政区划代码 + 发病率数据表，AI 自动关联地图，10分钟内出图。
数据准备清单
-
必须有：病例的地理位置信息（经纬度 / 地址 / 座位编号） -
建议有：发病日期、严重程度、可能的感染来源 -
加分项：现场照片或草图中的地标信息
七、写在最后
流行病学地图，从来不是一个制图问题，而是一个信息传达问题。
一张好的地图，能让卫生官员在10秒内理解疫情的空间分布规律，能让决策者看到哪个区域需要立即干预，能让公众清晰了解风险边界。
AI 智能体的价值，不是替代流行病学家的专业判断，而是消除制图的技术门槛，让流调人员把精力真正用在疾病调查本身。
从手绘草图到专业地图，这条路曾经需要一个 GIS 工程师。
现在，它只需要一个会提问的流行病学家。
你在传染病调查中遇到过哪些制图难题？欢迎在评论区留言，我们下期继续探讨。
本文所有地图均为模拟数据，使用 Claude AI 智能体 + QGIS 4.0 + qgis-mcp 生成。数据来源：Natural Earth 世界边界，模拟流行病学数据仅供演示。