引用本文
吴筱音, 李国星, 王旭英, 梁凤超, 潘小川. 北京市大气污染与呼吸系统疾病死亡的相关性——基于卫星遥感数据的时空分析. 北京大学学报(医学版), 2017,49(3): 409-417.
WU Xiao-yin, LI Guo-xing, WANG Xu-ying, LIANG Feng-chao, PAN Xiao-chuan. Correlation study between respiratory death and airborne particles in Beijing: Spa-tiotemporal analysis based on satellite remote sensing data. Journal of Peking University(Health Sciences), 2017,49(3): 409-417.  
Doi: 10.3969/j.issn.1671-167X.2017.03.007
Permissions
Copyright©2017, 北京大学
《北京大学学报（医学版）》编辑部
北京市大气污染与呼吸系统疾病死亡的相关性——基于卫星遥感数据的时空分析
吴筱音, 李国星, 王旭英, 梁凤超, 潘小川
北京大学公共卫生学院劳动卫生与环境卫生系, 北京 100191
收稿日期: 2017-03-03
基金资助: 国家自然科学基金(81372950)和环境保护部公益项目(201409081)资助
摘要

目的 利用垂直湿度校正法校正气溶胶光学厚度(aerosol optical depth,AOD),并探索校正AOD作为衡量大气污染程度的指标与人群健康结局建立暴露反应关系的可行性。方法 先采用空间插值方法对AOD、地面PM2.5、相对湿度和边界层高度进行插值以获得不同地理位置的各项数据,按照地理位置与北京市呼吸系统疾病死亡数据进行匹配。利用大气边界层高度及由相对湿度计算得到的气溶胶吸湿增长因子分别对AOD进行垂直校正与湿度校正。为进行对比,将校正AOD和PM2.5采用标准化法进行无量纲化处理,使用广义相加混合模型,控制时间趋势、温湿度效应、星期几效应和节假日效应等,得到无量纲化后的校正AOD与PM2.5对北京市居民每日呼吸系统疾病总死亡和慢性阻塞性肺病(chronic obstructive pulmonary disease,COPD)死亡的急性效应。结果 经过垂直湿度校正后的AOD与PM2.5相关系数达到0.72。累积滞后0~3 d(lag 0~3)的标准化校正AOD对呼吸系统疾病总死亡数及COPD死亡数的累积滞后效应最强,每升高1个单位,超额危险度分别为3.64%(95% CI为0.58%~6.78%)和 4.92%(95% CI为1.81%~8.14%)。累积滞后0~1 d(lag 0~1)的标准化PM2.5对呼吸系统疾病死亡及COPD死亡的累积滞后效应最强,每升高1个单位(约155 μg/m3),超额危险度分别为3.96%(95% CI为0.82%~7.19%)及6.12%(95% CI为1.44%~11.02%)。与地面PM2.5的效应相比,校正AOD引起呼吸系统疾病死亡及COPD死亡效应的置信区间较窄,对于捕捉颗粒物对居民每日死亡的滞后效应更为敏感;且不同累积滞后天数的校正AOD对呼吸系统疾病死亡及COPD死亡的效应均具有统计学意义,对于捕捉颗粒物对于居民死亡的累积滞后效应更为敏感。结论 校正AOD可以反映地面颗粒物对北京市居民每日呼吸系统疾病死亡的影响,在缺乏地面监测的情况下,可以使用校正AOD作为衡量大气污染物的指标与人群健康结局建立暴露反应关系。

关键词: 颗粒物; 呼吸系统疾病; 气溶胶光学厚度; 肺疾病,慢性阻塞性
中图分类号:R122.7 文献标志码:A 文章编号:1671-167X(2017)03-0409-09
Correlation study between respiratory death and airborne particles in Beijing: Spa-tiotemporal analysis based on satellite remote sensing data
WU Xiao-yin, LI Guo-xing, WANG Xu-ying, LIANG Feng-chao, PAN Xiao-chuan
Occupational and Envrionmental Health, Peking University School of Public Health, Beijing 100191, China
△ Corresponding author’s e-mail, xcpan@bjmu.edu.cn
Fund:Supported by the National Natural Science Foundation of China (81372950) and Ministry of Environmental Protection Nonprofit Industry Research Subject (201409081)
Abstract

Objective: To use vertical and humidity correcting method to calibrate aerosol optical depth (AOD), and to explore the feasibility of calibrated-AOD as exposure index to measure the level of air pollutants from the ground and to establish the exposure-response relationship between calibrated-AOD and people’s health outcomes.Methods: First of all, we interpolated AOD, PM2.5, relative humidity and planetary boundary layer height using Kriging method to obtain data at different locations and matched different data with respiratory death in Beijing by geographical coordinates. Then, the planetary boundary layer height and aerosol hygroscopic growth factor calculated based on relative humidity was used to calbrate the AOD. To compare the effects of calibrated-AOD and PM2.5, we used standardization method to get non dimensionless calibrated-AOD and PM2.5. At last, we used the generalized additive mixed model (GAMM) to estimate the acute effects of calibrated-AOD and PM2.5 on respiratory death and chronic obstructive pulmonary disease (COPD) death, after controlling the time trend, temperature and humidity effects, days of the week effect and holiday effects.Results: The correlation coefficient between calibrated-AOD and PM2.5 was 0.72. The effects of calibrated-AOD on respiratory death and COPD death was the strongest at lag 0-3, one unit of calibrated-AOD increases was associated with 3.64% (95% CI: 0.58%-6.78%) increase of respiratory death and 4.92% (95% CI: 1.81%-8.14%) increase of COPD death. As for PM2.5, the strongest effects appeared at lag 0-1, one unit of PM2.5 (about 155 μg/m3) increases was associated with excess risks of 3.96% (95% CI: 0.82%-7.19%) and 6.12% (95% CI: 1.44%-11.02%) for respiratory death and COPD death respectively. Compared with PM2.5, the effects of calibrated-AOD on respiratory death and COPD death had narrower confidence intervals. The calibrated-AOD was sensitive to capture the lag effects, and the cumulative lag effects of calibrated-AOD were all significant on multiple lag days which indicated that the calibrated-AOD was sensitive to capture cumulative lag effects of air pollutants on respiratory death and COPD death as well.Conclusion: We believe that calibrated-AOD can be used as an index to reflect the effects of air pollutants on respiratory death in Beijing. In the absence of ground monitoring, calibrated-AOD can be used to mea-sure the relationship between air pollutants and some health outcomes.

Key words: Particulate matter; Respiratory disease; Aerosol optical depth; Pulmonary disease, chronic obstructive

随着工业化和经济发展的加速进行, 世界各地的环境均受到了不同程度的影响, 近几年我国华北地区雾霾事件的高发引起全世界的关注, 大气污染健康影响的研究也引起世界范围的重视。目前, 研究最为广泛是PM10与PM2.5, 这两种物质也是世界卫生组织推荐的大气污染的代表性物质。自19世纪开始, 已有较多研究证实大气PM2.5急性及慢性暴露与不良健康效应, 包括人群总死亡率的升高、病因特异性死亡率升高、心血管以及呼吸系统疾病(哮喘和肺癌等)发病率升高相关[1, 2]。20世纪80年代起, 为连续观察大气和水体的污染状况变化并预报环境质量, 一些发达国家借助“ 3S” 技术(遥感技术、地理信息系统和全球卫星定位系统)建立了连续和宏观的生态监测系统[3]。基于以上技术获得的卫星数据通过特定方式反演得到大气气溶胶光学厚度(aerosol optical depth, AOD), AOD可以反映大气颗粒物吸收和散射阳光的特性, 并反映一定地区范围内的空气质量, 弥补了一般地面观测难以反映的污染物空间分布。

尽管卫星监测的AOD已经应用于空气污染控制效果的研究中, 但其在环境健康领域的使用还处于初级阶段。Lai等[4]结合AOD和精确的地理坐标估算出所选取的40多个中学每日PM10浓度, 将每个学校平均月PM10浓度作为每位学生的暴露水平, 结合之前问卷调查获取的呼吸系统疾病状况进行综合的健康评价, 发现PM10浓度每升高10 μ /m3, 呼吸系统疾病发病率升高4.7%(95%CI为1.005~1.091)。加拿大的一项研究运用卫星遥感数据反演出2001— 2006年地表PM2.5浓度, 结合同时期内所调查区域居民的死亡率资料, 发现PM2.5浓度每升高10 μ g/m3, 因肺癌和心脏病所致的死亡率分别升高6.9%和3.2%(P< 0.05)[5]。尽管已有较多研究先利用AOD结合不同的统计模型获得地面大气颗粒物浓度, 再利用预测的颗粒物浓度与人群健康结局建立暴露反应关系, 但这些研究往往因存在需要大量地面数据支持以及模型复杂、计算负担重、信息缺失等问题, 使得预测模型不能被广泛应用。同时, 由于不同地区或同一地区不同时间的研究所使用模型存在极大差异, 使这些研究结果的可比性较差。目前, 已有较多研究证明经过某些气象因子校正后的AOD与PM2.5相关程度较好[6], 但仅有少数研究直接探索AOD或校正AOD与人群健康结局之间的关系, 因此, 本研究尝试利用气象因子校正的AOD作为衡量大气污染程度的指标, 探索建立校正AOD与人群健康结局的暴露反应关系的可行性, 同时利用地面监测PM2.5数据建立地面PM2.5与人群健康结局的暴露反应关系, 对两者的研究结果进行对比, 为在监测站点稀少的区域进行大气环境污染物监测和人群健康效应的研究提供相应的理论和应用基础。

1 资料与方法
1.1 资料收集

本研究所用AOD数据来自美国航天航空局(National Aeronautics and Space Administration, NASA)网站(http://ladsweb.nascom.nasa.gov/data/search.html)中的MOD04_L2-MODIS/Terra Aerosol 5-Min L2 Swath 10 km产品。经纬度范围:东经115.40° ~118.00° 、北纬39.40° ~41.10° , 分辨率10 km× 10 km。同时从NASA网站上的Goddard 地球观测系统(Goddard earth observing system, GEOS)获得不同地理位置的大气边界层高度数据(planetary boundary layer height, PBLH)及相对湿度数据(relative humidity, RH)。地面PM10、PM2.5浓度数据来自北京市环境保护监测网站2013年1月1日至12月31日共35个监测站的每日PM10、PM2.5数据。气象数据来自国家气象局气象科学数据共享中心, 监测指标包括日平均气温、日平均风速、日平均气压等。地理信息数据来源于中国科学院地理科学与资源研究所, 包括北京市矢量地图、18个区县边界等。

本研究所用的死亡数据来自中国疾病预防控制中心, 包括北京市18个区2013年1月1日至12月31日的死亡监测数据, 选择根本死因按照国际疾病分类(international classification of diseases, ICD)-10为呼吸系统疾病(respiratory death, J00~J99)和慢性阻塞性肺疾病(chronic obstructive pulmonary disease, COPD, J41~J44)者。

1.2 AOD校正方法

通过对AOD进行校正使其可以作为衡量地面颗粒物浓度的指标。AOD是大气垂直柱内所有气溶胶粒子消光能力的总和, 其与近地面颗粒物含量之间的相关关系受气溶胶垂直分布的影响, 因此, 首先需要获得近地面气溶胶消光系数。在大气辐射传输的许多应用问题中均假定大气具有水平均一的垂直分层结构, 由于地球重力作用使气溶胶颗粒密度随高度呈负指数递减, 大气整层AOD和近地面气溶胶消光系数存在以下关系[7]:

τ a(λ )≈ ka, 0(λ )exp(-z/HA)dz=ka, 0(λ )· HA, (1)

其中, τ a(λ )为AOD, ka, 0为近地面水平消光系数, z是垂直高度, HA为气溶胶标高。气溶胶标高定义为假定气溶胶浓度随高度呈负指数递减, 当浓度减少为地面浓度的1/e时的高度, 它是一个理想条件下假定的等效高度, 难以在近地面气溶胶消光系数未知的情况下直接测量。根据以往研究的证据, 大气边界层高度可以一定程度上代替气溶胶标高[8], 故本研究采用大气区域尺度不同栅格边界层高度代替气溶胶标高, 实现基于卫星AOD数据获取大范围区域尺度的近地面消光系数。

由于空气中的硫酸盐、硝酸盐等无机成分及部分有机物粒子具有吸湿性, 粒子吸湿后会发生粒径增长, 致使单个粒子的粒径、质量、密度和折射指数等微物理参数发生变化, 所以在考虑地面消光系数与地面PM2.5浓度之间的关系时要纳入空气湿度的影响。地面消光系数受空气湿度的影响可以通过吸湿增长因子来描述。气溶胶吸湿增长因子代表大气环境状况下的气溶胶消光系数与空气相对湿度小于或等于40%状况下的气溶胶消光系数之比[9]。本研究采用公式(2)来计算气溶胶吸湿增长因子[10]。

f(RH)=ka, 0/ka, dry=( 1-RH1-RH0)-γ , (2)

其中, f(RH)是气溶胶吸湿增长因子, ka, 0是地面气溶胶消光系数, ka, dry是干气溶胶消光系数, γ 是Hanel增长系数(取决于气溶胶性质, 本研究根据相关文献采用-0.38[11])。RH0为40%, 作为干燥情况下的相对湿度。根据公式(2)及本研究所获得的相对湿度数据计算气溶胶吸湿增长因子, 再根据公式(2)中地面干气溶胶消光系数与地面气溶胶消光系数的数学关系获得地面干气溶胶消光系数。

本研究利用2013年1月1日至12月31日的北京市日均AOD数据、日均边界层高度以及日均相对湿度得到日均垂直湿度校正AOD(以下简称校正AOD), 用于探索校正AOD与地面颗粒物浓度的相关性。

1.3 数据匹配与插值

为充分利用各项数据, 本研究对卫星遥感AOD、边界层高度及相对湿度、地面PM2.5监测数据以及死亡数据在空间上进行匹配, 同时对卫星遥感AOD、边界层高度、相对湿度以及地面PM2.5监测数据进行了地理插值。

卫星遥感AOD在北京市范围内共171个监测点, 北京市地面PM2.5监测点共35个, 卫星获得的北京市边界层高度及相对湿度共19个监测点(图1)。

图1 北京市卫星遥感AOD、地面PM2.5监测点、边界层高度及相对湿度监测点Figure 1 Monitoring sites for AOD, PM2.5, PBLH and relative humidity
A, monitoring sites for aerosol optical depth (AOD); B, monitoring sites for PM2.5; C, monitoring sites for planetary boundary layer height (PBLH) and relative humidity.

以卫星遥感AOD监测数据点为中心, 绘制10 km× 10 km栅格, 并进行编号, 对PM2.5数据、边界层高度、相对湿度以及死亡数据进行匹配。由于PM2.5数据在市中心区域较为集中而周边区域较为稀疏, 若一个栅格中出现多个PM2.5监测数据, 则采取取平均值的方式作为该栅格的PM2.5浓度值, 若一个栅格中只有1个PM2.5数据, 则该PM2.5数据即代表该栅格PM2.5数据。边界层高度及相对湿度的匹配与PM2.5数据类似。死亡数据的匹配是在获得死亡数据所在街道地理位置后, 将同一个栅格内死亡数据进行求和, 代表该栅格该日的总死亡数据。

对各项数据进行匹配后, 由于部分栅格中没有AOD、PM2.5、边界层高度或相对湿度数据, 我们对匹配后的卫星遥感AOD、PM2.5、边界层高度及相对湿度数据采用克里格(Kriging)插值的方法进行插值。克里格插值法是空间局部估计或空间局部插值, 其本质是为抽样点进行无偏最优估计, 插值的结果受变异函数模拟精度、样点分布、邻近样点选取数的影响。在一定研究区域内, 通过抽样数据建立变异函数理论模型, 并对空间未抽样点或更小尺度上的点进行估计, 得到整个抽样空间某一变量的详细数据, 即克里格插值[12]。AOD数据、边界层高度及相对湿度数据在北京市范围内分布均匀, 且不同地理位置的数据变化较为平滑, 可以采用普通克里格的方法进行插值(普通克里格插值是在数据基本满足二阶平稳假设或内蕴假设下常使用的地理插值方法[13])。根据以往研究提供的证据[14], 首先对北京市地面PM2.5采取普通克里格插值的方法, 考虑到北京市PM2.5地面监测点分布在市中心较为密集而周边较为稀疏, 且观测到每日PM2.5数据自北向南有明显增高的趋势, 因此同时采用泛克里格方法进行插值(泛克里格插值应用于当数据存在明显主导趋势的情况[13]), 再使用交叉验证的方法分别对普通克里格及泛克里格插值的结果进行比较, 最终选择泛克里格插值的结果。

在对数据进行匹配和插值后, 根据2013年北京市每日死亡数据中的地理信息对栅格进行筛选, 剔除没有任何死亡人数统计信息的栅格数据。

1.4 统计分析方法

由于北京市居民的每日死亡数基本服从泊松(Poisson)分布, 死亡数和各个变量之间的关系通常呈非线性, 且由于本研究纳入了各数据的空间分布, 故我们选用广义相加混合模型(generalized additive mixed models, GAMM)对AOD、校正AOD和PM2.5与北京市呼吸系统疾病死亡的关系进行研究。GAMM是在广义线性混合模型(generalized linear mixed models, GLMM)的基础上考虑了解释变量与因变量之间非线性的函数关系, GLMM能够有效地控制簇群聚集资料[15]中的多种人口学方面的混杂变量对模型的影响[16], 且GLMM将具有簇群聚集特征的混杂变量纳入模型的随机向量中[17]进行分析。无论混杂变量层数多大, 只用层均数来代表此变量, 避免了模型中含有较多参数, 提高了解释的有效性, 且结果稳定。

本研究将栅格的地理位置作为随机效应纳入模型。为控制每日居民死亡数据的长期和季节变化趋势, 将日期的自然平滑样条函数纳入GAMM, 根据Aikake信息量准则最小的原则(Aikake information criterion, AIC), 将时间的自由度定为7; 为控制温湿度的效应, 我们用自然平滑样条函数来调整温度和湿度对每日居民死亡的影响, 根据AIC最小原则, 将温度、湿度的自由度定为2, 由于相关研究显示温度对健康的滞后影响可能超过10 d[18], 因此, 利用当日和前14 d的滑动平均温度来控制温度效应; 在基本模型中包括“ 星期几效应” 的指示变量, 以排除每日居民死亡数在1周内的自然波动趋势; 同时模型中还包括“ 节假日效应” 的指示变量, 以排除节假日对居民健康结局的影响。

建立基本模型后, 分别引入卫星遥感AOD数据、校正AOD数据和地表PM2.5浓度数据, 分析其对每日居民健康结局数的影响。GAMM公式可归纳为:

ln [E(yi, t)]=β 0+β Xi, t-l+ns (timet, df)+factor(DOW)+factor(holiday)+ns(temperaturet-14, df)+ns(relative humidityi, t, df)+Random effect + ε i, (3)

其中, E(Yi, t)是第i个地理位置(栅格)t日居民死亡数的期望值, Xi, t-l是第i个地理位置(栅格)t日AOD、校正AOD或PM2.5的水平, l是滞后日, ns是自然样条函数, df为自由度, time为日期变量(用来控制污染-健康结局数据的长期波动和季节性波动趋势), DOW为“ 星期几” 指示变量, temperturet-14为t日及前14日的滑动平均温度, relative humidityi, t是第i个地理位置(栅格)t日的相对湿度。由于校正AOD已经考虑到湿度影响, 故在校正AOD与居民每日死亡的模型中剔除相对湿度项, 其余不变。

由于卫星遥感AOD数据没有量纲, 为对卫星遥感AOD以及地面监测PM2.5对北京市居民死亡的急性效应进行对比, 本研究采用标准化法对卫星遥感AOD、校正AOD及地面PM2.5进行无量纲化处理(基于原始数据的均值和标准差进行无量纲化处理), 然后再对每单位标准化后卫星遥感AOD、标准化后的校正AOD以及标准化后的地面PM2.5的升高对人群健康的急性效应进行对比。

同时, 考虑到大气污染物浓度上升当日不一定会引起人体立即发病或死亡, 存在一定滞后时间, 本研究计算了单日滞后0~4 d(即lag 0~lag 4)来研究前几日的大气污染物水平对当日居民死亡的影响。同时, 还计算了1 d累积滞后效应(lag 0~1, 即lag 0和lag 1平均值)、2 d累积滞后效应(lag 0~2, 即lag 0、lag 1和lag 2的平均值)以及3 d累积滞后效应(lag 0~3, 即lag 0、lag 1、lag 2和lag 3的平均值)。

本研究使用 R3.2.4软件进行分析, 并使用mgcv模块对AOD及PM2.5对北京市居民呼吸系统疾病及COPD死亡的急性效应进行分析, 检验水准为0.05。

2 结果
2.1 描述性结果

2013年北京市校正前后AOD数据、气象数据、大气污染物数据以及北京市死亡数据的统计学描述见表1。PM2.5日均值浓度为(92.91± 76.93)μ g/m3, PM10的日均值浓度为(118.69± 83.83)μ g/m3, 研究期间的平均温度为(12.90± 11.33)℃, 日均相对湿度0.50± 0.20, 日均边界层高度为(1 423.50± 544.86) m。研究期间卫星遥感AOD的日均值的平均值为0.65± 0.68, 而校正AOD的日均值的平均值为0.51± 0.63。北京市平均每日因呼吸系统疾病死亡(20.9± 7.0)人, 其中因COPD死亡(9.0± 4.3)人。

表1 北京市2013年校正前后AOD数据、气象数据、大气污染物数据及死亡数据的统计学描述 Table 1 Characteristics of AOD, adjusted AOD, meteorological factors, air pollutants and mortality in Beijing, 2013
2.2 卫星遥感AOD及地面监测PM2.5的时空分布描述

卫星遥感AOD的年均值以及地面监测PM2.5浓度年均值的空间分布见图2。从图中可以看出, AOD数据存在自西北向东南逐渐增高的趋势, 而PM2.5存在自北向南逐渐增高的趋势, 两者空间分布较为相似。

图2 卫星遥感AOD(A)与地面监测PM2.5(B)浓度年均值的空间分布Figure 2 Spatial distribution of annual AOD (A) and annual PM2.5 (B)

2.3 卫星遥感AOD与地面颗粒物相关性分析

采用未经处理的日均AOD数据与地面PM2.5、PM10建立相关关系, 利用边界层高度及气溶胶吸湿因子分别对AOD进行垂直校正及湿度校正, 并与地面PM2.5、PM10建立相关关系; 对AOD同时进行垂直校正和湿度校正, 并与地面PM2.5、PM10建立相关关系。具体结果见表2, 卫星遥感AOD数据与PM2.5每日浓度的相关程度高于PM10。在未经过校正时, 卫星遥感反演的AOD数据与地表实测PM2.5每日浓度的相关系数为0.56, 经过垂直校正后的AOD数据和地表实测PM2.5每日浓度的相关系数为0.70, 而经过湿度校正后的AOD数据和地表实测PM2.5每日浓度的相关系数为 0.60, 可见经过垂直校正或湿度校正后卫星遥感AOD数据和地表实测PM2.5每日浓度的相关性均会提高, 在同时对AOD进行垂直校正和湿度校正后, 二者相关系数可以达到0.72。

表2 校正前后AOD与地面实测PM2.5、PM10的相关系数表 Table 2 Correlation between pre-adjusted AOD, adjusted AOD and PM2.5, PM10
2.4 卫星遥感AOD与地面PM2.5对居民每日呼吸系统疾病死亡的急性效应结果

表3总结了标准化后的卫星遥感AOD、校正AOD及地面PM2.5每上升一个单位对于北京市居民呼吸系统疾病和COPD死亡的超额危险度值。对于卫星遥感AOD, 每上升一个单位, 引起当日(lag 0)呼吸系统疾病总死亡数升高2.71%(95%CI为-0.14%~5.63%), 引起当日COPD死亡数升高4.92%(95%CI为0.63%~9.39%); AOD对呼吸系统疾病总数及COPD死亡数的累积滞后效应在lag 0~1时最强, 超额危险度分别为2.24%(95%CI为-1.20%~5.81%)和3.03%(95%CI为-2.12%~8.45%), 但结果均不具有统计学意义。

对于校正AOD来说, 每上升一个单位, 对滞后1 d(lag 1)和2 d(lag 2)的呼吸系统疾病总死亡数超额危险度均较强, 分别为1.24%(95%CI为0.18%~2.31%)和1.22%(95%CI为0.10%~2.36%); 对滞后1 d和2 d的COPD死亡数超额危险度也较强, 分别为1.46%(95%CI为0.38%~2.55%)和1.49%(95%CI为0.40%~2.60%); 校正AOD对呼吸系统疾病死亡以及COPD死亡累积滞后效应均在lag 0~3达到最强, 超额危险度分别为3.64%(95%CI为0.58%~6.78%)和4.92%(95%CI为1.81%~8.14%)。地面监测PM2.5每上升一个单位, 引起当日呼吸系统疾病总死亡数和COPD死亡数分别升高3.68%(95%CI为1.05%~6.38%)和5.41%(95%CI为1.51%~9.46%); PM2.5对呼吸系统死亡及COPD死亡的累积滞后效应在lag 0~1时最强, 超额危险度分别为3.96%(95%CI为0.82%~7.19%)和6.12%(95%CI为1.44%~11.02%)。

经对比发现, 未经校正的AOD的效应变化趋势与地面PM2.5的变化趋势相似, 均在当日以及累积滞后0~1 d达到最高, 而校正AOD则在滞后1~2 d较强, 累积滞后效应则呈现不断增高的趋势。尽管未经校正的AOD对于每日居民死亡的滞后效应与PM2.5的趋势相近, 但置信区间较宽, 且未经校正的AOD仅对于当日COPD死亡的效应具有统计学意义, 对于捕捉颗粒物对北京居民每日呼吸系统疾病死亡的效应较为不敏感。经垂直湿度校正后的AOD对呼吸系统疾病死亡及COPD死亡的效应在滞后1~2 d均较高且具有统计学意义, 不同天数累积滞后效应均具有统计学意义, 与地面PM2.5的效应相比, 引起呼吸系统疾病死亡及COPD疾病死亡的效应的置信区间较窄, 因此, 认为校正后的AOD对于捕捉颗粒物对居民每日死亡的滞后效应更为敏感, 对于捕捉颗粒物对于居民死亡的累积滞后效应也更为敏感。

表3 标准化的卫星遥感AOD、校正AOD及地面PM2.5每上升1个单位引起北京市居民呼吸系统疾病死亡及COPD死亡超额危险度 Table 3 Excess risk for AOD, adjusted-AOD and PM2.5 on respiratory death and COPD death in Beijing %
3 讨论

本研究首先利用获取的卫星遥感AOD数据与地表监测站点的实测颗粒物数据进行了关联性研究, 结果显示, 对于2013年全年, 未经过校正的卫星遥感AOD数据与地表监测站点的实测PM2.5及PM10数据已经有一定的相关性, 且AOD与PM2.5的相关性高于PM10, 与之前的研究结果相一致[19], 原因是细粒子(PM2.5)的数密度远远高于粗粒子(PM10~PM2.5), 对散射的贡献要远大于粗粒子, 所以气溶胶对AOD的贡献主要集中在 PM2.5。经过垂直及湿度校正后, AOD数据与地表实测PM2.5及PM10的相关性均有所提高, 与PM2.5的相关系数高达0.72, 与之前的研究结果也较为一致, 李倩等[20]研究了香港地区不同分辨率下AOD产品与颗粒物浓度的相关性发现, 经过垂直校正后的AOD与颗粒物相关系数从0.14~0.60提高到0.60~0.86。Wang等[7]通过能见度数据计算气溶胶标高对北京市AOD进行垂直校正, 并通过气溶胶吸湿因子进行湿度校正后发现, 校正AOD对PM2.5的R2从0.52提高到0.65, 而对于PM10的R2从0.48提高到0.62。

本研究进一步探索了卫星遥感AOD、校正的AOD以及地面PM2.5对居民每日死亡的影响, 结果显示, 校正AOD与地面PM2.5均会造成呼吸系统疾病死亡及COPD死亡的升高, 与之前的研究结果较为一致。赵珂等[21]定量评价了西安大气PM2.5污染对城区居民每日疾病死亡率的影响, 发现PM2.5浓度每升高100 μ g/m3, 呼吸系统疾病及COPD的死亡率分别增加8.32%和7.25%。李沛等[22]在控制了时间长期趋势、短期趋势和气象要素等条件的基础上, 通过广义相加模型分析了2008— 2010年北京市大气颗粒物对人群健康的影响, 结果表明, 当PM2.5每增加10 μ g/m3, 呼吸系统疾病死亡上升6.19%。由于细颗粒物的粒径微小, 可被吸入呼吸道的深部, 进入肺泡和细支气管, 并通过肺血屏障进入体循环, 越来越多的研究认为暴露于颗粒物是呼吸系统疾病和循环系统疾病的危险因子, 它可刺激肺泡, 加剧动脉粥样硬化、冠状动脉疾病等的发生[23, 24]。

除此之外, 本研究结果还显示, 未校正的卫星遥感AOD对居民每日死亡的当日效应及滞后效应趋势与地面PM2.5对居民每日死亡的效应趋势已经较为一致, 但未校正的AOD对于捕捉健康效应的敏感性较低, 结果多不具有统计学意义, 而经垂直及湿度校正后的AOD对于捕捉颗粒物对居民每日死亡的滞后效应以及累积滞后效应更为敏感。尽管此前针对卫星遥感AOD对居民健康效应的研究较少, 但本研究发现的结果与之前的研究结果有相似之处。Wang等[25]在2013年的研究中发现, 经过绝对湿度校正后的AOD对北京市每日循环系统疾病、呼吸系统疾病、缺血性心脏病、脑卒中及COPD死亡升高均有影响, 且对COPD死亡的健康效应最高, 此外, Wang等也发现校正后的AOD对于捕捉滞后效应更为敏感。

本研究在时空尺度上对比卫星遥感AOD与地面PM2.5对居民每日死亡的健康效应。为更好地利用各项数据的地理信息并在空间上匹配各项数据, 本研究采用克里格插值方法获得北京市内10 km× 10 km尺度下的各项数据, 结果显示校正后的AOD可以较好地反映颗粒物对居民的健康效应, 对于捕捉累积滞后效应更为敏感。北京市的地面PM2.5监测站点多分布于市中心, 在北京周边地区分布则较为稀疏, 而卫星遥感监测到的AOD是均匀分布、直接观测并且具有高度分辨率的实时值。用校正的AOD作为衡量地面颗粒物浓度的指标并与居民健康效应进行关联减轻了利用AOD数据反演地面PM2.5的计算负担, 同时可以相对较好地在空间尺度上探索颗粒物对居民健康效应的影响。此外, 既往利用AOD预测PM2.5并与人群健康结局建立关系的研究所利用的模型差异较大, 为不同地区或相同地区不同时间下大气污染物的健康效应的对比造成了困难, 而本研究所使用的校正AOD充分利用了卫星数据, 对于地面数据的依赖性不高, 校正方法较为简便, 结果显示, 校正AOD同样可以反映地面大气颗粒物对人群健康的影响, 校正AOD对缺少监测站点的地区评估大气污染物对人群健康的影响以及对不同地区大气污染物健康效应的对比提供了一种新颖和有效的方式。

本研究也存在如下一些局限性:MODIS数据虽然有免费共享、时间分辨率高等优点, 但只有在晴朗天气下才能获得数据, 若遇有长时间的云厚阴雨天气, 则AOD值也存在缺失, 须寻求其他途径; 本研究是基于北京市气候及环境污染特征而进行的卫星遥感AOD与地面PM2.5浓度关联性研究, 具有一定的局限性, 在研究其他区域时, 需重新获取该地区的气溶胶标高或边界层高度以及气溶胶吸湿增长因子以建立适合该地区的模型; 本研究属于生态学研究范畴, 所以无法估计研究对象的个人因素(比如吸烟、饮酒、家族史等)对健康结局的影响。

综上, 我们认为, 经过垂直湿度校正后的AOD可以一定程度上反映地面颗粒物对北京市居民呼吸系统疾病每日死亡的影响, 且校正AOD对于衡量地面颗粒物对北京市居民每日死亡的滞后效应及累积滞后效应更为敏感。在缺乏地面监测的情况下, 可以使用校正AOD作为衡量大气污染物的指标与人群健康结局建立暴露反应关系。随着卫星遥感技术的发展以及利用卫星数据反演气溶胶光学厚度方法的进步, AOD数据的可利用程度将会大大提高。同时, 将遥感技术获取的数据更为紧密地结合多种类别(地理信息、人口统计学、人群疾病与健康)和多种类型(数字、文字、图像)的数据, 将为全面掌握大气环境污染数据提供更为便利的手段, 为评估大气污染对人群健康的影响提供更多的暴露资料来源, 从而为制定大气污染防治政策提供更坚实的人群健康证据。

The authors have declared that no competing interests exist.

参考文献
[1] Xu M, Guo Y, Zhang Y, et al. Spatiotemporal analysis of particulate air pollution and ischemic heart disease mortality in Beijing, China[J]. Environ Health, 2014, 13: 109. [本文引用:1]
[2] Wang X, Guo Y, Li G, et al. Spatiotemporal analysis for the effect of ambient particulate matter on cause-specific respiratory mortality in Beijing, China[J]. Environ Sci Pollut Res Int, 2016, 23(11): 10946-10956. [本文引用:1]
[3] 但德忠. 我国环境监测技术的现状与发展[J]. 中国测试, 2005, 31(5): 1-5. [本文引用:1]
[4] Lai HK, Ho SY, Wong CM, et al. Exposure to particulate air pollution at different living locations and respiratory symptoms in Hong Kong: an application of satellite information[J]. Int J Environ Health Res, 2010, 20(3): 219-230. [本文引用:1]
[5] Villeneuve PJ, Goldberg MS, Burnett RT, et al. Associations between cigarette smoking, obesity, sociodemographic characteristics and remote-sensing-derived estimates of ambient PM2. 5: results from a Canadian population-based survey[J]. Occup Environ Med, 2011, 68(12): 920-927. [本文引用:1]
[6] Li J, Carlson BE, Lacis AA. How well do satellite AOD observations represent the spatial and temporal variability of PM2. 5 concentration for the United States?[J]. Atmos Environ, 2015, 102: 260-273. [本文引用:1]
[7] Wang Z, Chen L, Tao J, et al. Satellite-based estimation of regional particulate matter (PM) in Beijing using vertical-and -RH correcting method[J]. Remote Sens Environ, 2010, 114(1): 50-63. [本文引用:2]
[8] 陶金花, 张美根, 陈良富, 等. 一种基于卫星遥感AOT估算近地面颗粒物的方法[J]. 中国科学: 地球科学, 2013, 43(1): 143-154. [本文引用:1]
[9] Kotchenruther RA, Hobbs PV, Hegg DA. Humidification factors for atmospheric aerosols off the mid-Atlantic coast of the United States[J]. J Geophys Res Atmos, 1999, 104(D2): 2239-2251. [本文引用:1]
[10] Guo JP, Zhang XY, Che HZ, et al. Correlation between PM concentrations and aerosol optical depth in eastern China[J]. Atmos Environ, 2011, 43(37): 5876-5886. [本文引用:1]
[11] Lin C, Li Y, Yuan Z, et al. Using satellite remote sensing data to estimate the high-resolution distribution of ground-level PM2. 5[J]. Remote Sens Environ, 2015, 156: 117-128. [本文引用:1]
[12] Rathbun SL. Interpolation of spatial data: some theory for Kriging by Michael L. Stein[J]. Technometrics, 2000, 95(4): 436-437. [本文引用:1]
[13] 李敏. 基于克里格插值的空间数据规格化 [D]. 西安: 西安电子科技大学, 2010. [本文引用:2]
[14] Pang W, Christakos G, Wang JF. Comparative spatiotemporal analysis of fine particulate matter pollution[J]. Environmetrics, 2009, 21(3-4): 305-317. [本文引用:1]
[15] Tuerlinckx F, Rijmen F, Verbeke G, et al. Statistical inference in generalized linear mixed models: a review[J]. Br J Math Stat Psychol, 2006, 59(2): 225-255. [本文引用:1]
[16] Vaillancourt S, McGillivray D, Zhang X, et al. To clean or not to clean: effect on contamination rates in midstream urine collections in toilet-trained children[J]. Pediatrics, 2007, 119(6): 1288-1293. [本文引用:1]
[17] Young J, Glass TR, Bernasconi E, et al. Hierarchical modeling gave plausible estimates of associations between metabolic syndrome and components of antiretroviral therapy[J]. J Clin Epidemiol, 2009, 62(6): 632-641. [本文引用:1]
[18] Guo Y, Barnett AG, Pan X, et al. The impact of temperature on mortality in Tianjin, China: a case-crossover design with a distri-buted lag nonlinear model[J]. Environ Health Perspect, 2011, 119(12): 1719-1725. [本文引用:1]
[19] Chu DA, Kaufman YJ, Zibordi G, et al. Global monitoring of air pollution over land from the Earth Observing System: Terra Mode-rate Resolution Imaging Spectroradiometer (MODIS)[J]. J Geophys Res, 2003, 108(D21): 4661. doi: 10.1029/2002JD-003179. [本文引用:1]
[20] 李倩, 李成才, 王烨芳, 等. 利用激光雷达和卫星遥感获得城市地面大气悬浮颗粒物浓度分布[J]. 北京大学学报(自然科学版), 2013, 49(4): 673-682. [本文引用:1]
[21] 赵珂, 曹军骥, 文湘闽. 西安市大气PM2. 5污染与城区居民死亡率的关系[J]. 预防医学情报杂志, 2011, 27(4): 257-262. [本文引用:1]
[22] 李沛, 辛金元, 王跃思, 等. 北京市大气颗粒物污染对人群死亡率的影响研究[C]. 气候环境变化与人体健康, 2012. [本文引用:1]
[23] 董凤鸣, 莫运政, 李国星, 等. 大气颗粒物(PM10/PM2. 5)与人群循环系统疾病死亡关系的病例交叉研究[J]. 北京大学学报(医学版), 2013, 45(3): 398-404. [本文引用:1]
[24] 孙庆华, 李湉湉. 2013年北京市PM2. 5暴露引起的人群超额死亡风险评估[J]. 中华预防医学杂志, 2016, 50(6): 544-546. [本文引用:1]
[25] Wang Z, Liu Y, Hu M, et al. Acute health impacts of airborne particles estimated from satellite remote sensing[J]. Environ Int, 2013, 51: 150-159. [本文引用:1]