更全的杂志信息网

空气污染物浓度与呼吸系统疾病的关系研究*

更新时间:2009-03-28

随着中国经济快速发展,空气质量日益恶化,人体在呼吸的同时也将空气中的有害污染物带入体内,空气污染已成为影响人体健康的主要因素之一[1]。20世纪90年代以来,国内外学者普遍采用时间序列的方法分析空气污染物暴露对疾病的影响,研究表明空气污染物与呼吸系统疾病的发生与发展存在显著相关性[2]。相比国外,我国对空气污染物与呼吸系统疾病的研究相对较少,主要是因为呼吸系统疾病门诊人数数据不易收集[3]。关于空气污染物与呼吸系统疾病的关系研究中,方法集中在利用广义相加模型分析空气污染物对呼吸系统疾病的相对危险度(RR)以及滞后天数[4],而采用反向传输(BP)神经网络的时间序列方法分析空气污染物与呼吸系统疾病的关系的研究较为缺乏[5]

杭州市位于长江三角洲南段,人口密集,空气污染主要源于汽车尾气、工业排放、建筑扬尘等[6]。近年来由于杭州市汽车数量增多,汽车尾气排放使得空气质量下降,严重危害居民身体健康。研究杭州市的空气质量状况及变化特点,能够支持政府相关部门制定科学合理的环境质量标准并采取针对性的措施治理空气污染,同时提高公众对空气污染状况的关注度。然而该区域对空气污染与居民健康影响方面的研究较少,且主要集中在PM10、NOx等某种空气污染物与居民健康效应的相关性分析[7-8]。本研究引入PM2.5数据研究其与呼吸系统疾病门诊人数的关系,采用国际上通用的基于时间序列的广义相加模型与BP神经网络模型相结合的方法,对前人方法进行改进,研究杭州市一种或多种空气污染物的混合作用与居民呼吸系统疾病的暴露—反应关系,并预测呼吸系统疾病门诊人数。

选用粘性较好的医用胶布(大部分医用胶布厚度约为0.25mm)先在每块汽封(轴封)块两端各贴一道胶布,离汽轴封块端部约20mm,所贴层数根据间隙标准确定。多层胶布叠贴时应呈阶梯型,自高向低的顺序应与转子旋转方向相同。盘动转子时应缓慢,一般盘一周即可,根据胶布接触情况判断汽封径向间隙。过多盘动转子容易造成胶布接触假象,影响对间隙判断的准确性。

1 材料与方法

1.1 研究资料

1.1.1 呼吸系统疾病数据

“牌子一挂,加分到手,考核完成,后面就不管了。”“合作社有没有用先不管,先把牌子挂了应付考核再说,而且成立合作社也不用花多少钱,成本也低。”

收集2013年10月28日至2016年8月31日杭州市4家三级甲等综合医院的门诊病例,根据国际疾病分类标准(ICD-10)[9]进行分类整理,筛选出编码为J00至J99的呼吸系统疾病病例,从中选取感冒、咳嗽、上呼吸道感染、咽炎、鼻炎日门诊数作为本研究的呼吸系统疾病的研究数据,剔除家庭住址、就诊科室、疾病诊断等信息,保留就诊日期,病例资料共计30 281例。

1.1.2 大气环境监测数据

2013年10月28日至2016年8月31日杭州市大气环境监测数据来源于杭州市环境监测中心,从杭州市10个监测站点(见图1)收集PM10、PM2.5、NO2、SO2、CO浓度数据,共24 192组数据,包括PM10、PM2.5、NO2、SO2浓度的小时平均值。10个监测站点各污染物浓度日均值的算术平均值代表杭州市各污染物浓度的总体日均值。研究期间,杭州市空气质量为优的天数仅有183 d。

  

1—滨江;2—西溪;3—下沙;4—卧龙桥;5—浙江农大;6—朝晖五区;7—和睦小学;8—临平;9—城厢;10—云栖

 

图1 杭州市10个空气质量监测站点分布情况Fig.1 Distribution of 10 air quality monitoring stations

1.1.3 气象数据

收集2013年10月28日至2016年8月31日杭州市每日最高、最低和平均气温,数据由杭州市气象局提供。

1.2 统计分析

本研究采用时间序列方法中的泊松广义相加模型(GAM)[10]分析空气污染物浓度与呼吸系统疾病发病人数之间的关系,采用平滑样条函数排除日呼吸系统疾病门诊人数的长期趋势和气温影响,根据最小信息准则(AIC)[11],确定平滑样条函数自由度取值,同时引入星期哑元变量排除周期效应。将时间、气温、星期哑元变量引入模型,通过残差图判断残差是否呈随机平稳白噪分布,若残差不独立,模型需重新调整[12]。具体模型如式(1)[13]所示:

2013年10月28日至2016年8月31日杭州市PM2.5、PM10、NO2和SO2的日均浓度、日均气温统计结果见表1。

1.2.2 广义相加模型建模分析

青海省海西州德令哈市民族学校的索卫华对海西地区民族中学学生数学学习中导致数学基础较差的社会环境、家庭教育、教师的知识面及传授方法等智力和非智力因素进行了剖析.中央民族大学苏傲雪对全国31所内地新疆高中班学校的932名教师和1 873名学生进行了问卷调查和测试,对影响内地新疆班学生数学学业成绩的因素作了统计分析.云南曲靖师范学院孙雪梅综合应用调查测试、作业分析、口头报告和比较研究方法,从表征视角调查了七年级彝族学生数学学习现状,发现七年级彝族学生在解决数学问题上的数学表征水平发展不均衡,而七年级彝族学生与同年级汉族及其他少数民族学生没有显著差异.

1.2.1 单因素描述分析

log(E(Yt))=α+factor(DOW)+βXt+s(t,df)+s(Zt,df)

(1)

式中:E()为数学期望函数;Yt为响应变量Yt时的呼吸系统疾病门诊人数;t为时间,d;α为截距;factor()为将变量转化为因子型数据的函数;DOW为星期哑元变量;β为空气污染物的回归系数;Xtt时空气污染物质量浓度,μg/m3df为自由度;s()为非参数平滑样条函数;Zt为在t时的平均气温,℃。

建立模型后,将滞后0~6 d的空气污染物浓度逐一引入模型进行拟合,分析空气污染物的滞后效应。采用AIC进行模型拟合优度检验,AIC值越小,模型拟合精度高。

1.2.3 BP神经网络模型建模分析

BP神经网络模型是一种前馈神经网络,包括输入层、隐蔽层和输出层。通过调节各层中的连接权值和阈值来引导神经网络学会训练样本,以期使网络预测输出不断逼近期望输出。该网络包括两个过程:信号向前传递和误差反向传播[14]。各层节点值及权值如式(2)至式(6)所示:

第一次在库·汉斯的信中看到了苏珊娜的名字,您永远不会完全知道,我亲爱的,这不经意的一句话从我的生活里带走了什么。

x={x1,x2,…,xn}

(2)

y={y1,y2,…,ym}

(3)

O={O1,O2,…,Ol}

(4)

V={V1,V2,…,Vn}

(5)

W={W1,W2,…,Wl}

(6)

式中:x为BP神经网络的输入值,共计n个值;y为隐含层的输出值,共计m个值;O为输出层的输出值,共计l个值;V为输入层到隐含层之间的权值向量,共计n个向量,V1Vn各有m个分量;W为隐含层到输出层之间的权值向量,共计l个向量。BP神经网络模型的拓补结构如图2所示。

PM2.5、PM10、CO、NO2、SO2和气温数据利用函数transig()进行归一化处理,作为BP神经网络模型的输入向量,呼吸系统疾病门诊人数作为输出向量,选用4层神经网络,采用改进的BP算法traingdx()训练网络。BP网络结构为:输入层6个神经元,两个隐蔽层分别包含15、10个神经元(经过nntool工具箱多次调试确定);输出层1个神经元。利用仿真函数Sim()仿真残差序列[15-16]

等等,我打电话。所长急切地东张西望,忽然看到旁边两个小孩手里拿了玩具水枪在那里互射,哧哧的。所长顾不得许多,抢过来,对着牛皮糖一阵猛射,火苗立刻被浇灭,牛皮糖身上的布也湿了一片。他气急败坏,连忙再打火,却怎么也打不着了。

徐州传统地方戏曲梆子戏在2008年被列为国家级非物质文化遗产,江苏梆子剧院有限公司(前身江苏省梆子剧团),现已实行企业化管理。梆子戏在徐州、河北地区目前仍继续上演,有一批固定观众。

  

注:x0y0分别输入值、隐含层输出值的初始值。

 

图2 BP神经网络模型的拓补结构Fig.2 Extension structure of BP neural networks model

2 结 果

2.1 单因素描述分析结果

用单因素描述分析方法初步分析PM2.5、PM10、NO2、SO2、平均气温的相关关系。

表3为空气污染物PM2.5、PM10、SO2和NO2与呼吸系统疾病门诊人数间的关系,反映出PM2.5、PM10、NO2、SO2每升高1个四分卫间距(IQR,分别对应0.039、0.063、0.023、0.014 μg/m3)时,居民呼吸系统疾病门诊人数的RR相应变化情况。PM2.5、PM10、NO2和SO2的RR分别在滞后3、2、4、3 d达到最大值,分别为1.030(95% CI:1.016~1.045)、1.063(95% CI:1.043~1.084)、1.053(95% CI:1.016~1.091)、1.025(95% CI:1.003~1.048),具有统计学意义(P<0.05)。因此,PM2.5、PM10、NO2和SO2对呼吸系统疾病的影响存在滞后效应。

在赵忠尧将极大的科研热情投入到中国核事业时,人到中年的他被打成“右派”!作为世界顶尖物理学家,赵忠尧有十几年时间没有机会好好搞研究。1973年,中国高能物理研究所成立,已经是71岁的赵忠尧,终于恢复工作。他性格乐观、开朗,与世无争,保持良好的生活习惯,坚持锻炼身体,直至70岁还学习游泳。他于1998年5月28日逝世,享年96岁。这正应了孔子所说的“仁者寿”这句话。

2.2 空气污染物与气温的相关分析结果

Through personification and symbolization, lot of local oral literature advised us that, human being should harmoniously coexist with nature, take good care of animals and keep yourself from evil.

2.3 空气污染物与呼吸系统疾病门诊人数关系

2.3.1 单污染物模型

清单计价的基础也是定额,不过这个定额不是定额计价中的定额,而是企业定额[2]。虽然国家在力推清单计价模式,但如果没有企业定额作为支撑,工程量清单的综合单价还只是由若干个地方定额子目组成,这样做出来的清单报价,也只是穿了马甲的定额而已,不能真正体现企业自主报价。

研究期间,杭州市PM2.5、PM10、NO2和SO2日均值分别为62.25、94.94、46.59、18.92 μg/m3,日均气温为17.57 ℃,平均日门诊人数为32例。

2.3.2 双污染物与多污染物模型

表2为研究期间杭州市空气污染物浓度和气温之间的相关性分析,PM2.5、PM10、NO2和SO2之间存在两两显著正相关(PM2.5与PM10相关性最强,相关系数(R)为0.925),且4者与气温均呈显著负相关。气温与各空气污染物存在较强关联,说明气温可能是研究空气污染物对居民健康影响的重要因素之一。

由表4可以看出,在双污染物模型中,分别以SO2、NO2作为协同污染物时,PM2.5对呼吸系统疾病门诊人数的RR与单污染物模型相比略有增加,具有统计学意义;以PM2.5作为协同污染物时,SO2和NO2对呼吸系统疾病门诊人数的RR与单污染物模型相比也有所增加,也具有统计学意义。在多污染物模型中,以SO2和NO2共同作为协同污染物时,PM2.5对呼吸系统疾病门诊人数的RR与双污染物模型变化情况类似。

 

1 研究期间内杭州市空气污染物和气温1)Table 1 Descriptive statistics on air pollutant and temperature in Hangzhou during the research period

  

类别指标均值±标准差最小值P25中位数P75最大值PM2.5/(μg·m-3)62.25±1.508.0037.0054.0076.00369.00 PM10/(μg·m-3)94.94±2.0311.0057.8085.00120.30438.00 空气污染物NO2/(μg·m-3)46.59±0.6811.0034.0044.0057.00110.00 SO2/(μg·m-3)18.92±0.443.0010.0016.0024.0078.00 气象因素空气质量指数85.1±1.318.058.077.0102.0395.0 气温/℃17.57±0.33-4.5010.0019.0025.0034.00

注:1)P25和P75分别为序列从小到大排列后位于25%和75%分位的数值。

 

2 杭州市空气污染物与气温间的相关分析1)Table 2 Correlations between air pollution variables and temperature in Hangzhou

  

指标PM2.5PM10NO2SO2气温PM2.51.000 PM100.925∗∗1.000 NO20.686∗∗0.712∗∗1.000 SO20.629∗∗0.675∗∗0.745∗∗1.000 气温-0.230∗∗-0.142∗∗-0.342∗∗-0.410∗∗1.000

注:1)**表示P<0.01。

 

3 呼吸系统疾病门诊人数RR及其95%置信区间(CI)的单污染物模型1)Table 3 RR and 95% CI of respiratory system diseases outpatient visits in single-pollutant model

  

指标滞后天数/d0123456PM2.51.0241.0251.0261.030∗1.0231.0291.027PM2.5的95% CI1.010^1.0381.011^1.0401.012^1.0411.016^1.0451.009^1.0371.015^1.0441.013^1.041PM101.0481.0561.063∗1.0591.0571.0581.054PM10的95% CI1.028^1.0681.036^1.0761.043^1.0841.039^1.0791.037^1.0771.038^1.0781.034^1.074NO21.0351.0371.0331.0341.053∗1.0321.031NO2的95% CI1.011^1.0601.013^1.0621.009^1.0581.010^1.0591.016^1.0911.008^1.0571.007^1.056SO21.0211.0191.0201.025∗1.0111.0231.022SO2的95% CI0.998^1.0440.997^1.0410.998^1.0431.003^1.0480.997^1.0261.001^1.0460.999^1.046

注:1)*表示P<0.05,表4同。

 

4 呼吸系统疾病门诊人数RR及其95% CI的双污染与多污染模型1)Table 4 RR and 95% CI of respiratory system diseases outpatient visits in double model and multi-pollutant model

  

指标双污染物模型PM2.5NO2SO2多污染物模型PM2.5(3)1.032∗1.031∗1.032∗PM2.5的95% CI1.015^1.0501.014^1.0491.015^1.050NO2(4)1.062∗1.0171.022NO2的95% CI1.033^1.0920.985^1.0500.988^1.057SO2(3)1.028∗1.0291.029SO2的95% CI1.001^1.0550.999^1.0600.997^1.062

注:1)PM2.5与PM10对敏感性呼吸系统疾病影响相近,且由表2可见,PM2.5与PM10相关性最强,故PM2.5与PM10中只选取了PM2.5作为双污染物模型和多污染物模型的研究对象;PM2.5(3)、NO2(4)和SO2(3)分别表示滞后3、4、3 d的PM2.5、NO2和SO2

2.4 BP神经网络模型拟合结果

将2013年10月28日至2016年7月31日的1 344组PM2.5、PM10、CO、NO2、SO2和气温的日均数据作为实验总样本,分为964个样本的训练集,190个样本的验证集和190个样本的测试集。从表5可以看出,训练集、验证集和测试集的R分别达到0.866 15、0.827 22和0.868 53,总体R达到了0.857 69,说明样本的自变量与因变量具有较好的相关性。

 

5 BP神经网络模型训练集验证集测试集和总体的拟合情况Table 5 Training,verification,esting sets and total fitting of BP neural network model

  

项目R训练集0.866 15验证集0.827 22测试集0.868 53总体0.857 69

利用BP神经网络模型对2016年8月1日至2016年8月31日共计31 d的呼吸系统疾病门诊人数进行预测,预测值与实际值的对比见图3。预测值与实际值吻合度较高,且预测值平均相对误差为13.821%,均方误差为4.721,说明BP神经网络模型可以用于呼吸系统疾病短期预测。

  

图3 呼吸系统疾病门诊人数预测值与实际值的对比Fig.3 Comparison of observation and forecast values of respiratory diseases outpatient visits

3 讨 论

在单污染物模型中,空气污染物对呼吸系统疾病门诊人数的RR比国内其他城市高出3%~6%[17],原因可能是杭州市随着经济快速发展,近些年机动车数量成倍增加,空气污染严重恶化[18],当地居民抵抗PM10入侵的能力较弱[19]。PM2.5和PM10对呼吸系统疾病的滞后天数较少,说明PM2.5和PM10对呼吸系统疾病影响较大,可能是居民患呼吸系统疾病的主要影响因子。ZHANG等[20]采用广义相加模型研究污染物暴露和健康效应终点的关系,发现污染物浓度每增加10 μg /m3时,PM10、SO2和NO2对呼吸道疾病的滞后天数分别为3、2、2 d,对应的RR分别增加1.72%、1.34%和2.57%,进一步证实短期暴露于空气污染环境与紧急入院的风险增加相关。本研究增加PM2.5数据,分析了其与呼吸系统疾病的关系,结果发现,PM2.5、PM10、NO2和SO2每增加10 μg /m3时,呼吸系统疾病门诊人数RR分别增加3.0%、6.3%、5.3%和2.5%,结论与前人研究一致。

在双污染物模型中,PM2.5在引入NO2和SO2后以及NO2、SO2在分别引入PM2.5后,对呼吸系统疾病的健康效应仍具有统计学意义且作用增强。LI等[21]研究空气污染物与北京市居民患呼吸系统疾病的关系发现,PM2.5在滞后3 d时影响最强,与本研究结果一致。与气态的空气污染物SO2和NO2相比,PM2.5对呼吸系统疾病门诊人数的影响可能更有意义,一方面可能因为PM2.5与不同空气污染物之间存在强烈的共线性关系,另一方面可能因为其他空气污染物建立多污染物模型会增加模型拟合的标准差,从而导致统计分析的意义较低[22]。陶燕等[23]研究了兰州市空气污染物对呼吸系统疾病门诊人数的影响,发现PM10对门诊人数的影响最大,本研究在多污染物模型中将PM2.5作为研究对象,结论相似。

相对于单污染物模型,NO2在引入SO2作为协同污染物时,对呼吸系统疾病门诊人数作用减小,不具有统计学意义(P≥0.05)。在多污染模型中,NO2和SO2分别引入其他两种污染物时,无统计学意义,原因可能是空气污染物、气象因素之间存在拮抗作用[24-25]

本研究对2016年8月1日至2016年8月31日杭州市呼吸系统疾病的门诊人数进行预测,预测值的平均相对误差为13.821%,均方误差为4.721。TAO等[26]利用广义相加模型对上海世博会园区内的医疗站日门诊人数进行预测,平均相对误差为13.827%。本文预测方法与前人研究不同,但预测结果相似,说明BP神经网络模型适合对呼吸系统日门诊人数进行拟合。

4 结 论

PM2.5、PM10、NO2和SO2每增加1个IQR时,其对呼吸系统疾病门诊人数的RR分别在滞后3、2、4、3 d后达到最大值,分别为1.030(95% CI:1.016~1.045)、1.063(95% CI:1.043~1.084)、1.053(95% CI:1.016~1.091)和1.025(95% CI:1.003~1.048)。BP神经网络模型对呼吸系统疾病门诊人数的预测值与实际值吻合度较高,且预测值平均相对误差为13.821%,说明BP神经网络模型可以用于呼吸系统疾病短期预测。

参考文献:

[1] 余锡刚,吴建,郦颖,等.灰霾天气与大气颗粒物的相关性研究综述[J].环境污染与防治,2010,32(2):86-88.

[2] 李宁,彭晓武,张本延,等.大气污染与呼吸系统疾病日门诊量的时间序列分析[J].环境与健康杂志,2009,26(12):1077-1080.

[3] KAN H D,CHEN B H,HONG C J.Health impact of outdoor air pollution in China: current knowledge and future research needs[J].Environmental Health Perspectives,2009,117(5):A187.

[4] 李令军,王英,李金香,等.2000~2010北京大气重污染研究[J].中国环境科学,2012,32(1):23-30.

[5] 刘罡,李昕,胡非.大气污染物浓度的神经网络预报[J].中国环境科学,2000,20(5):429-431.

[6] 徐鹏炜,谭湘萍,蔡菊珍,等.杭州城市大气消光系数和能见度的影响因子研究[J].环境污染与防治,2005,27(6):410-413.

[7] 华政.2015年全国机动车和驾驶人迅猛增长[EB/OL].(2016-01-25)[2016-10-08].http://news.xinhuanet.com/legal/2016-01/25/c_128666887.htm.

[8] 杨春波,赵庆祯.基于灰色模型与人工神经网络的改进组合预测模型及其应用研究[J].山东师范大学学报,2009,3(4):138-145.

[9] 卫生部卫生统计信息中心.国际疾病分类(ICD-10)应用指导手册[M].5版.北京:中国协和医科大学出版社,2001:411-435.

[10] FRANCHINI M,MANNUCCI P M,HARARI S A,et al.The health and economic burden of air pollution[J].American Journal of Medicine,2015,128(9):931-932.

[11] DOMINICI F,MCDERMOTT A,ZEGER S L,et al.On the use of generalized additive models in time-series studies of air pollution and health[J].American Journal of Epidemiology,2002,156(3):193-203.

[12] JARY H,MALLEWA J,NYIRENDA M,et al.Study protocol:the effects of air pollution exposure and chronic respiratory disease on pneumonia risk in urban Malawian adults - the acute infection of the respiratory tract study (the AIR study)[J].BMC Pulmonary Medicine,2015,15:96.

[13] 张莹,邵毅,王式功,等.北京市空气污染物对呼吸系统疾病门诊人数的影响[J].中国环境科学,2014,34(9):2401-2407.

[14] 王美玲,王念平,李晓.BP神经网络算法的改进及应用[J].计算机工程与应用,2009,45(35):47-49.

[15] HSIANG S H,HO H L.Application of finite element method and artificial neural network to the die design of radial forging processes[J].The International Journal of Advanced Manufacturing Technology,2004,24(9/10):700-707.

[16] 王小川,史峰,郁磊,等.MATLAB神经网络43个案例分析[M].北京:北京航空航天大学出版社,2010.

[17] 陆杰,刘付程,李廷友.连云港市大气污染物时间序列的长程相关性分析[J].环境污染与防治,2007,29(5):390-393.

[18] World Health Organization.World Health Organization air quality guidelines - global update [R].Bonn:World Health Organization,2005.

[19] NAKHLÉ M M,FARAH W,ZIADÉ N,et al.Short-term relationships between emergency hospital admissions for respiratory and cardiovascular diseases and fine particulate air pollution in Beirut,Lebanon[J].Environmental Monitoring and Assessment,2015,187(4):196.

[20] ZHANG Y,WANG S G,XIA Y,et al.Association between ambient air pollution and hospital emergency admissions for respiratory and cardiovascular diseases in Beijing:a time series study[J].Biomedical and Environmental Sciences,2015,28(5):352-363.

[21] LI P,XIN J Y,WANG Y S,et al.Association between particulate matter and its chemical constituents of urban air pollution and daily mortality or morbidity in Beijing City[J].Environmental Science and Pollution Research International,2015,22(1):358-368.

[22] 包贞,冯银厂,焦荔,等.杭州市大气PM2.5和PM10污染特征及来源解析[J].中国环境监测,2010,26(2):44-48.

[23] 陶燕,羊德容,兰岚,等.兰州市空气污染对呼吸系统疾病入院人数的影响[J].中国环境科学,2013,33(1):175-180.

[24] 鲍玉星, 晓开题·依不拉音,吴文华,等.乌鲁木齐大气污染与呼吸系统疾病日住院人数的时间序列分析[J].新疆医科大学学报,2013,36(4):537-541.

[25] 王海鹏,张斌,刘祖涵,等.基于小波变换的兰州市近十年空气污染指数变化[J].环境科学学报,2011,31(5):1070-1076.

[26] TAO F F,YU H.Application of generalized additive model in forecasting cases of medical sites in Expo 2010 Shanghai,China[J].Journal of Environmental & Occupational Medicine,2011,28(1):1-5.

 
李阳,吴达胜,周如意
《环境污染与防治》 2018年第05期
《环境污染与防治》2018年第05期文献

服务严谨可靠 7×14小时在线支持 支持宝特邀商家 不满意退款

本站非杂志社官网,上千家国家级期刊、省级期刊、北大核心、南大核心、专业的职称论文发表网站。
职称论文发表、杂志论文发表、期刊征稿、期刊投稿,论文发表指导正规机构。是您首选最可靠,最快速的期刊论文发表网站。
免责声明:本网站部分资源、信息来源于网络,完全免费共享,仅供学习和研究使用,版权和著作权归原作者所有
如有不愿意被转载的情况,请通知我们删除已转载的信息 粤ICP备2023046998号