基于GIS的PM2.5濃度空間變化及對呼吸系統(tǒng)疾病的影響研究

湖南科技大學(xué)（411201）

李慧婷 李朝奎 毛建華 瞿志勇

基于GIS的PM2.5濃度空間變化及對呼吸系統(tǒng)疾病的影響研究

湖南科技大學(xué)（411201）

李慧婷 李朝奎 毛建華 瞿志勇

目的 探討大氣中PM2.5濃度空間變化及對呼吸系統(tǒng)疾病的影響。方法 采用GIS中的空間分析方法對某地區(qū)2009-2012年疾病統(tǒng)計(jì)數(shù)據(jù)和PM2.5濃度相關(guān)性進(jìn)行統(tǒng)計(jì)分析。結(jié)果 PM2.5濃度的季節(jié)變動(dòng)與人群的空間分布保持一致，與呼吸系統(tǒng)疾病呈現(xiàn)出正相關(guān)性。結(jié)論 用GIS分析PM2.5分布對人類呼吸系統(tǒng)疾病的影響，預(yù)測和預(yù)警效果良好，為制訂PM2.5的防控措施提供科學(xué)依據(jù)。

PM2.5呼吸系統(tǒng)疾病 空間分析 GIS

PM2.5已成為全球大氣環(huán)境研究的熱點(diǎn)，世界衛(wèi)生組織（WHO）把PM2.5定義為：大氣中直徑小于或等于2.5μm的大氣顆粒物，常富集有毒有害的 Pb、As、Cr以及多芳烴（PAHs）等物體［1-2］。顆粒物的大小決定其最終進(jìn)入人體內(nèi)的部位，其中PM2.5進(jìn)入人體肺泡中，對人體造成極大損害［3］。研究表明：PM2.5對人群死亡率［4］、呼吸系統(tǒng)疾病發(fā)病率［5］、心血管功能［6］、肺功能發(fā)育［7-8］等方面產(chǎn)生很大負(fù)面影響。PM2.5受空氣流動(dòng)影響呈現(xiàn)季節(jié)性變化［9］。因此研究PM2.5濃度對人類呼吸系統(tǒng)疾病的影響規(guī)律并提供決策依據(jù)，具有重要的意義。

國內(nèi)外對于PM2.5的研究主要集中其在特征及來源［10-12］、空間分布與預(yù)測［13］等方面。國內(nèi)外學(xué)者利用多種統(tǒng)計(jì)模擬方法對PM2.5的空間預(yù)測進(jìn)行研究，Perez等［14］利用多層神經(jīng)網(wǎng)絡(luò)線性回歸對城市PM2.5進(jìn)行預(yù)測，得到神經(jīng)網(wǎng)絡(luò)比線性回歸更具有優(yōu)勢；Grivas等［15］使用遺傳算法和神經(jīng)網(wǎng)絡(luò)結(jié)合預(yù)測PM2.5濃度研究，與Perez得到同樣結(jié)論；王敏等［16］利用BP神經(jīng)網(wǎng)絡(luò)方法對城市PM2.5濃度空間分布進(jìn)行預(yù)測，得出BP人工神經(jīng)網(wǎng)絡(luò)預(yù)測模型可以揭示PM2.5濃度空間變異特征，也證實(shí)了普通克里金插值對于固定空間點(diǎn)準(zhǔn)確預(yù)測PM2.5具有明顯優(yōu)勢。以上研究都局限于采用統(tǒng)計(jì)模式或者傳統(tǒng)統(tǒng)計(jì)插值方法對PM2.5進(jìn)行研究。本文利用某地區(qū)2009-2012年衛(wèi)生統(tǒng)計(jì)數(shù)據(jù)和PM2.5濃度的變化情況，運(yùn)用GIS中空間分析方法，進(jìn)行PM2.5與呼吸系統(tǒng)疾病就診人數(shù)判斷和擬合分析，根據(jù)所建立的分析模型對未來狀況進(jìn)行預(yù)測。研究結(jié)果為深入研究PM2.5分布對人類呼吸系統(tǒng)的影響，制訂PM2.5的防控措施提供科學(xué)依據(jù)。

研究方法

1.回歸分析

2.PM2.5濃度變化地理過程的自回歸模型

當(dāng)一個(gè)時(shí)間序列具有自相關(guān)性時(shí)，可以建立自回歸模型，并且對其變化趨勢進(jìn)行有效地預(yù)測［17-18］。而自回歸模型的建立基于平穩(wěn)時(shí)間序列數(shù)據(jù)（時(shí)間序列的平穩(wěn)性是指一個(gè)時(shí)間序列的統(tǒng)計(jì)特征不隨時(shí)間推移而變化）。用自相關(guān)分析來判別該時(shí)間序列是否是平穩(wěn)時(shí)間序列，如果不是，可用差分的方法把它轉(zhuǎn)化為平穩(wěn)時(shí)間序列。其中的一個(gè)判斷方法是平穩(wěn)時(shí)間序列第一個(gè)自相關(guān)系數(shù)r1比較大，與零有顯著差異而r2要比r1小，其余的自相關(guān)系數(shù)與零沒有顯著差異［19-20］。

3.呼吸系統(tǒng)疾病患病情況季節(jié)性預(yù)測

（1）由于時(shí)間序列是呈線性趨勢變化的，所以選擇的季節(jié)預(yù)測模型是：

其中，yt+k是t+k時(shí)期的預(yù)測值；at與bt是趨勢線性方程的系數(shù)；θk為季節(jié)性指標(biāo)。

（2）求季節(jié)性指標(biāo)。先分別計(jì)算季節(jié)系數(shù)，取平均數(shù)，得到季節(jié)性指標(biāo)［19-20］。然后校正：先求校正系數(shù)，然后將季節(jié)性指標(biāo)分別乘以校正系數(shù)，得到校正后的季節(jié)性指標(biāo)。為消除季節(jié)變動(dòng)和不規(guī)則變動(dòng)，保留長期趨勢，將原時(shí)間序列求三點(diǎn)滑動(dòng)平均。即：

（3）運(yùn)用二次指數(shù)平滑法 ，因?yàn)樵摃r(shí)間序列比較平穩(wěn)，經(jīng)過試算，取0.2時(shí)誤差較小。預(yù)測模型為：

UL144全序列PCR擴(kuò)增共測定11例陽性 （其中1例IH-6氨基酸編碼提前終止），陽性率45.8%。應(yīng)用MEGA5.05軟件對本研究10例陽性樣本 （剔除IH-6）氨基酸序列進(jìn)行進(jìn)化樹分析，結(jié)果分為3個(gè)基因型，包括A型 （1例），B型 （8例），C型（1例），見圖 1。

結(jié)果與分析

1.呼吸系統(tǒng)疾病季節(jié)變化規(guī)律分析

將收集到的呼吸系統(tǒng)疾病患病人數(shù)進(jìn)行整理統(tǒng)計(jì)。按季度對收集的2009至2012年患病人數(shù)進(jìn)行統(tǒng)計(jì)。如圖1。

表1 2009-2012年呼吸系統(tǒng)疾病狀況滑動(dòng)平均數(shù)

圖1 2009-2012年不同時(shí)段病人人數(shù)統(tǒng)計(jì)

結(jié)果顯示，夏季患呼吸系統(tǒng)疾病人數(shù)較少，冬季最多。夏季溫度較高，空氣對流運(yùn)動(dòng)較強(qiáng)，有利于空氣中大氣微粒物的流動(dòng)與擴(kuò)散，與此同時(shí)，夏季降水較多，雨水能起到?jīng)_刷掉空氣中大量顆粒物的效果，從而提高空氣質(zhì)量［21］；所選地區(qū)其他季節(jié)氣候較干燥，空氣相對濕度不大，較夏季降雨量偏少，而且冬季空氣對流比較少，顆粒物擴(kuò)散慢，顆粒物濃度較高，推斷空氣中顆粒物濃度的增加對呼吸系統(tǒng)疾病有一定的影響作用。

2.呼吸系統(tǒng)疾病人群空間分布

對收集到的疾病數(shù)據(jù)，根據(jù)常德市衛(wèi)生局記錄的病人提供的家庭地址，以及相應(yīng)的郵編，手機(jī)號碼等個(gè)人信息，實(shí)現(xiàn)病人住址的空間化。因?yàn)槭占暮粑膊?shù)據(jù)有限，所以以常德市所包含的縣區(qū)為單位來統(tǒng)計(jì)數(shù)據(jù)。結(jié)果證實(shí)，武陵區(qū)、鼎城區(qū)這兩個(gè)地區(qū)病人人數(shù)比較高。

3.呼吸系統(tǒng)疾病患病狀況與顆粒物濃度相關(guān)分析

選取PM2.5的濃度為要素x，呼吸系統(tǒng)疾病患病人數(shù)為要素y。所獲取的PM2.5濃度為日數(shù)值。計(jì)算得到 rxy＝0.8482，p＜0.05。結(jié)果表明，PM2.5的濃度與呼吸系統(tǒng)疾病患病人數(shù)存在正相關(guān)關(guān)系。

4.PM2.5濃度變化地理過程的自回歸模型分析

一階自相關(guān)系數(shù)

由此得到其一階自相關(guān)系數(shù)具有高度的顯著性。同理，得到 r2＝0.5377，當(dāng) α＝0.001時(shí)，r0.001＝0.7800。所以其二階自相關(guān)系數(shù)相關(guān)性并不顯著。對于該序列可以建立一階線性自回歸模型。用最小二乘法來估計(jì)模型參數(shù)：

得到：

計(jì)算出＾φ0＝704.2147，＾φ1＝0.9658。擬合自回歸方程為：＾yt＝704.2147+0.9658yt-1，計(jì)算得，F(xiàn)＝23.099。由于F＞＞F0.01（1，13）＝9.07，該一階自回歸方程在置信水平下是顯著的。

5.呼吸系統(tǒng)疾病患病情況季節(jié)性預(yù)測

2013年度的呼吸系統(tǒng)患病人數(shù)為：

為評價(jià)預(yù)測模型的精度，本文中采用了均方差（MSE）、平均絕對誤差（MAE）、相關(guān)系數(shù)三個(gè)評價(jià)指標(biāo)。MSE、MAE越小，表明預(yù)測結(jié)果越準(zhǔn)確；R2越接近1，表明預(yù)測值與觀測值相關(guān)或越接近。結(jié)果如表2。

表2 基于評價(jià)指標(biāo)的預(yù)測精度檢驗(yàn)結(jié)果

結(jié) 論

1.本文以季度為時(shí)間單位對收集到的數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析，同時(shí)，采用ArcGIS軟件將病人空間分布可視化表達(dá)。統(tǒng)計(jì)表明：冬季呼吸系統(tǒng)疾病發(fā)病人數(shù)最多。

2.PM2.5濃度變化與呼吸系統(tǒng)疾病患病人數(shù)變化有直接正相關(guān)關(guān)系。因此，降低顆粒物的濃度能減少呼吸系統(tǒng)疾病的患病率。

3.通過預(yù)測模型精度各指數(shù)評價(jià)，可得到模型精度比較高。

4.受以下兩點(diǎn)條件的制約，模型精度有待進(jìn)一步探究：

（1）呼吸系統(tǒng)疾病發(fā)病情況影響因素錯(cuò)綜復(fù)雜，本研究只是針對近年來空氣質(zhì)量惡化的同時(shí)呼吸系統(tǒng)疾病發(fā)病狀況顯著增加這一情況進(jìn)行質(zhì)疑，進(jìn)而對霧霾形成的一大主要成因PM2.5與呼吸系統(tǒng)疾病發(fā)病狀況之間的關(guān)系進(jìn)行探討。以此建立的模型必定無法充分說明呼吸系統(tǒng)疾病趨勢的具體變化。因此需要進(jìn)行更加充分的現(xiàn)場調(diào)查和分析，從而全面深入了解呼吸系統(tǒng)疾病患病的影響因素提高預(yù)測模型的質(zhì)量。

（2）自回歸模型需要的歷史數(shù)據(jù)比較容易獲得，但存在一定的滯后性，使得異常條件下的預(yù)測存在較大的誤差，若能與其他方法聯(lián)合進(jìn)行預(yù)測，應(yīng)該會(huì)取得更好的效果。

［1］孫志豪，崔艷平.PM2.5對人體健康研究概述.環(huán)境科技學(xué)報(bào)，2013，26（4）：75-78.

［2］邵龍義，時(shí)宗波，黃勤.都市大氣環(huán)境中可吸入顆粒物的研究.環(huán)境保護(hù).2000（1）：24-29.

［3］黃怡民，付川.我國PM2.5污染特征的研究進(jìn)展.重慶三峽學(xué)院學(xué)報(bào)，2013，29（145）：105-109.

［4］Zeger SL，Dominicl F，Mcdermott A，et al.Mortality in the medicare population and chronic exposure to fine particular air pollution in urban centers（2000-2005）.Environmental Health Perspectives，2008，116（12）：1614-1916.

［5］Zhang JJ，Hu Wei，Wei FS，et al.Children's respiratory morbidity prevalence in relation to air pollution in four Chinese cities.Environmental Health Perspectives，2002，110（9）：961-967.

［6］Vallejo M，Lerma C，Infanet O，et al.Personal exposure to particulate matter less than 2.5 um in Mexico City：a pilot study.Journal of Exposure Analysis and Environmental Epidemiology，2004，14（4）：323-32.

［7］Gauderman WJ，Avol E，Gilliand F，et al.The effect of air pollution on lung development from 10 to 18 years of age.New England Journal of Medicine，2004，351（11）：1057-1067.

［8］Jedrychowski WA，Perera FP，Maugeri U，et al.Effect of prenatal exposure to fine particulate matter on ventilatory lung function of preschool children of non-smoking mothers.Paediatric and Perinatal Epidemiology，2010，24（6）：492-501.

［9］王釗，韓斌，倪天茹，等.天津市某社區(qū)老年人PM2.5暴露痕量元素健康風(fēng)險(xiǎn)評估.環(huán)境科學(xué)研究，2013，26（8）：913-918.

［10］董海燕，古金霞，姜偉，等.天津市顆粒物中元素化學(xué)特征及來源.環(huán)境監(jiān)測管理與技術(shù)，2012，24（1）：25-28.

［11］孫玉偉，周學(xué)華，袁琦，等.濟(jì)南市秋末冬初大氣顆粒物和氣體污染物污染水平及來源.環(huán)境科學(xué)研究，2012，25（3）：245-252.

［12］李旭芳，初鈞晗，于令達(dá)，等.北京市城區(qū)單監(jiān)測點(diǎn) PM2.5質(zhì)量濃度變化特征.北京師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2011，47（3）：258-261.

［13］郭濤，馬永亮，賀克斌.區(qū)域大氣環(huán)境中PM2.5／PM10空間分布研究.環(huán)境工程學(xué)報(bào)，2009，13（1）：147-150.

［14］Perez P，Trier A，Reyes J.Prediction of PM2.5 concentrations several hours in advance using neural networks in Santiago，Chile.Atmospheric Environment，2000，34（8）：1189-1196.

［15］Grivas G，Chaloulakou A.Artificial neural network models for prediction of PM10 hourly concentrations，in the Greater Area of Athens，Greece.Atmospheric Environment，2006，40（7）：1216-1229.

［16］王敏，鄒濱，郭宇，等.基于BP人工神經(jīng)網(wǎng)絡(luò)的城市PM2.5濃度空間預(yù)測.環(huán)境污染治理，2013，35（9）：63-70.

［17］林炳耀.計(jì)量地理學(xué)概論.北京：高等教育出版社，1985.

［18］徐建華.計(jì)量地理學(xué).北京：高等教育出版社，2006.

［19］沈斌，姚敏，溫長洋.一種基于混合模型的時(shí)間序列數(shù)據(jù)挖掘系統(tǒng).中國礦業(yè)大學(xué)學(xué)報(bào)，2003，32（3），284-288.

［20］Box GEP，Jenkins GM.時(shí)間序列分析預(yù)測與控制.北京：中國統(tǒng)計(jì)出版社.1997.

［21］楊維.北京城區(qū)PM2.5濃度空間變化及對呼吸健康影響.首都師范大學(xué)碩士學(xué)位論文，2013.

鄧 妍）