基于GIS的PM2.5濃度空間變化及對呼吸系統疾病的影響研究

湖南科技大學（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疾病的影響研究

湖南科技大學（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疾病的影響。方法 采用GIS中的空間分析方法對某地區2009-2012年疾病統計數據和PM2.5濃度相關性進行統計分析。結果 PM2.5濃度的季節變動與人群的空間分布保持一致，與呼吸系統疾病呈現出正相關性。結論 用GIS分析PM2.5分布對人類呼吸系統疾病的影響，預測和預警效果良好，為制訂PM2.5的防控措施提供科學依據。

PM2.5呼吸系統疾病 空間分析 GIS

PM2.5已成為全球大氣環境研究的熱點，世界衛生組織（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入人體內的部位，其中PM2.5進入人體肺泡中，對人體造成極大損害［3］。研究表明：PM2.5對人群死亡率［4］、呼吸系統疾病發病率［5］、心血管功能［6］、肺功能發育［7-8］等方面產生很大負面影響。PM2.5受空氣流動影響呈現季節性變化［9］。因此研究PM2.5濃度對人類呼吸系統疾病的影響規律并提供決策依據，具有重要的意義。

國內外對于PM2.5的研究主要集中其在特征及來源［10-12］、空間分布與預測［13］等方面。國內外學者利用多種統計模擬方法對PM2.5的空間預測進行研究，Perez等［14］利用多層神經網絡線性回歸對城市PM2.5進行預測，得到神經網絡比線性回歸更具有優勢；Grivas等［15］使用遺傳算法和神經網絡結合預測PM2.5濃度研究，與Perez得到同樣結論；王敏等［16］利用BP神經網絡方法對城市PM2.5濃度空間分布進行預測，得出BP人工神經網絡預測模型可以揭示PM2.5濃度空間變異特征，也證實了普通克里金插值對于固定空間點準確預測PM2.5具有明顯優勢。以上研究都局限于采用統計模式或者傳統統計插值方法對PM2.5進行研究。本文利用某地區2009-2012年衛生統計數據和PM2.5濃度的變化情況，運用GIS中空間分析方法，進行PM2.5與呼吸系統疾病就診人數判斷和擬合分析，根據所建立的分析模型對未來狀況進行預測。研究結果為深入研究PM2.5分布對人類呼吸系統的影響，制訂PM2.5的防控措施提供科學依據。

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

當一個時間序列具有自相關性時，可以建立自回歸模型，并且對其變化趨勢進行有效地預測［17-18］。而自回歸模型的建立基于平穩時間序列數據（時間序列的平穩性是指一個時間序列的統計特征不隨時間推移而變化）。用自相關分析來判別該時間序列是否是平穩時間序列，如果不是，可用差分的方法把它轉化為平穩時間序列。其中的一個判斷方法是平穩時間序列第一個自相關系數r1比較大，與零有顯著差異而r2要比r1小，其余的自相關系數與零沒有顯著差異［19-20］。

3.呼吸系統疾病患病情況季節性預測

（1）由于時間序列是呈線性趨勢變化的，所以選擇的季節預測模型是：

其中，yt+k是t+k時期的預測值；at與bt是趨勢線性方程的系數；θk為季節性指標。

（2）求季節性指標。先分別計算季節系數，取平均數，得到季節性指標［19-20］。然后校正：先求校正系數，然后將季節性指標分別乘以校正系數，得到校正后的季節性指標。為消除季節變動和不規則變動，保留長期趨勢，將原時間序列求三點滑動平均。即：

（3）運用二次指數平滑法 ，因為該時間序列比較平穩，經過試算，取0.2時誤差較小。預測模型為：

UL144全序列PCR擴增共測定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）氨基酸序列進行進化樹分析，結果分為3個基因型，包括A型 （1例），B型 （8例），C型（1例），見圖 1。

結果與分析

1.呼吸系統疾病季節變化規律分析

將收集到的呼吸系統疾病患病人數進行整理統計。按季度對收集的2009至2012年患病人數進行統計。如圖1。

表1 2009-2012年呼吸系統疾病狀況滑動平均數

圖1 2009-2012年不同時段病人人數統計

結果顯示，夏季患呼吸系統疾病人數較少，冬季最多。夏季溫度較高，空氣對流運動較強，有利于空氣中大氣微粒物的流動與擴散，與此同時，夏季降水較多，雨水能起到沖刷掉空氣中大量顆粒物的效果，從而提高空氣質量［21］；所選地區其他季節氣候較干燥，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疾病有一定的影響作用。

2.呼吸系統疾病人群空間分布

對收集到的疾病數據，根據常德市衛生局記錄的病人提供的家庭地址，以及相應的郵編，手機號碼等個人信息，實現病人住址的空間化。因為收集的呼吸疾病數據有限，所以以常德市所包含的縣區為單位來統計數據。結果證實，武陵區、鼎城區這兩個地區病人人數比較高。

3.呼吸系統疾病患病狀況與顆粒物濃度相關分析

選取PM2.5的濃度為要素x，呼吸系統疾病患病人數為要素y。所獲取的PM2.5濃度為日數值。計算得到 rxy＝0.8482，p＜0.05。結果表明，PM2.5的濃度與呼吸系統疾病患病人數存在正相關關系。

4.PM2.5濃度變化地理過程的自回歸模型分析

一階自相關系數

由此得到其一階自相關系數具有高度的顯著性。同理，得到 r2＝0.5377，當 α＝0.001時，r0.001＝0.7800。所以其二階自相關系數相關性并不顯著。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模型參數：

得到：

計算出＾φ0＝704.2147，＾φ1＝0.9658。擬合自回歸方程為：＾yt＝704.2147+0.9658yt-1，計算得，F＝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.呼吸系統疾病患病情況季節性預測

2013年度的呼吸系統患病人數為：

為評價預測模型的精度，本文中采用了均方差（MSE）、平均絕對誤差（MAE）、相關系數三個評價指標。MSE、MAE越小，表明預測結果越準確；R2越接近1，表明預測值與觀測值相關或越接近。結果如表2。

表2 基于評價指標的預測精度檢驗結果

結 論

1.本文以季度為時間單位對收集到的數據進行統計分析，同時，采用ArcGIS軟件將病人空間分布可視化表達。統計表明：冬季呼吸系統疾病發病人數最多。

2.PM2.5濃度變化與呼吸系統疾病患病人數變化有直接正相關關系。因此，降低顆粒物的濃度能減少呼吸系統疾病的患病率。

3.通過預測模型精度各指數評價，可得到模型精度比較高。

4.受以下兩點條件的制約，模型精度有待進一步探究：

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

（2）自回歸模型需要的歷史數據比較容易獲得，但存在一定的滯后性，使得異常條件下的預測存在較大的誤差，若能與其他方法聯合進行預測，應該會取得更好的效果。

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

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

［3］黃怡民，付川.我國PM2.5污染特征的研究進展.重慶三峽學院學報，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.天津市某社區老年人PM2.5暴露痕量元素健康風險評估.環境科學研究，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特征及來源.環境監測管理與技術，2012，24（1）：25-28.

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

［12］李旭芳，初鈞晗，于令達，等.北京市城區單監測點 PM2.5質量濃度變化特征.北京師范大學學報（自然科學版），2011，47（3）：258-261.

［13］郭濤，馬永亮，賀克斌.區域大氣環境中PM2.5／PM10空間分布研究.環境工程學報，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人工神經網絡的城市PM2.5濃度空間預測.環境污染治理，2013，35（9）：63-70.

［17］林炳耀.計量地理學概論.北京：高等教育出版社，1985.

［18］徐建華.計量地理學.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間序列數據挖掘系統.中國礦業大學學報，2003，32（3），284-288.

［20］Box GEP，Jenkins GM.時間序列分析預測與控制.北京：中國統計出版社.1997.

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

鄧 妍）