基于死亡数据用DLNM构建气象健康指数
黄照1, 刘涛2, 许燕君3, 李杏2, 曾韦霖2, 肖建鹏2, 许晓君3, 马文军1,2     
1. 广东药科大学公共卫生学院;
2. 广东省疾病预防控制中心广东省公共卫生研究院;
3. 广东省疾病预防控制中心慢性非传染性疾病预防控制所
摘要: 目的 探索建立气象健康指数,预警提示气温导致的健康风险。方法 基于2011—2015年广州市居民死亡数据,用分布滞后非线性模型(DLNM)分析气温与居民非意外日死亡数的关系;对气温导致的健康风险进行分级,用不同风险等级对应的温度范围开展健康风险预报。结果 2011—2015年广州市的日平均气温为21.7℃,日相对湿度为78.6%,日均居民死亡为132例。日平均温度与居民死亡之间暴露—反应曲线呈U形,是非线性关系,低温和高温都会引起死亡风险,高温对人群死亡的影响是急性效应,低温产生的效应会比较延迟,但持续时间长。舒适温度区间为19.4℃~25.4℃,其所对应的RR值为1.02~1.03。冷效应RR值低中高三个风险等级分别为1.03~1.17,1.17~1.31,1.32~1.46,其对应的温度区间依次为12.9℃~19.3℃,8.5℃~12.8℃,4.8℃~8.4℃;热效应RR值低中高三个风险等级分别为1.02~1.08,1.08~1.13,1.13~1.19,其对应的温度区间依次为25.5℃~27.8℃,27.9℃~29.5℃,29.6℃~31.1℃。结论 由DLNM评估气象条件与居民日死亡人数的关系可反映气温引起的健康风险,将健康风险等间隔分级预警较合理,可对开展气象健康指数预报服务提供理论支持。
关键词: 健康    温度    气象指数    分布滞后非线性模型    
Based on Death Information and Using DLNM to Develop a Meteorological Health Index
HUANG Zhao1, LIU Tao2, XU Yanjun3, LI Xing2, ZENG Weilin2, XIAO Jianpeng2, XU Xiaojun3, MA Wenjun1,2
Abstract: Objectives Exploring and establishing a meteorological health index to warn the risk of temperature on human health. Methods Using a Distributed Lag Non-linear Model (DLNM) to estimate the effect of temperature on non-accidental mortality in Guangzhou during 2011-2015. Classifying human health risks caused by temperature and estimating the risk level correspond to different temperature ranges. Results During the period of study (1 January 2011-31 December 2015), the mean temperature was 21.7℃, relative humidity was 78.6%, and the average number of daily non-accidental death was 132 cases. There was a U-shaped relationship between temperature and mortality in Guangzhou. Both low and high temperatures could cause an increase of death number, the influence of hot temperature was acute while the influence of cold was delayed by 3 days and persisted for longer days. The range of comfortable temperature was 19.4℃~25.4℃, its corresponding RR was 1.02~1.03. The relative risk (RR) of cold effect could be divided into three grades, 1.03~1.17, 1.17~1.31, and 1.32~1.46, and their corresponding temperature ranges were 12.9℃~19.3℃, 8.5℃~12.8℃ and 4.8℃~8.4℃, respectively. The relative risk (RR) of hot effect could be divided into three grades, 1.02~1.08, 1.08~1.13 and 1.13~1.19, and their corresponding temperature ranges were 25.5℃~27.8℃, 27.9℃~29.5℃ and 29.6℃~31.1℃, respectively. Conclusions The association between meteorological condition and daily mortality assessed by DLNM could reflect the health risk caused by temperature. It is reasonable to classify the health risk at equal intervals for early warning, which could provide a theoretical support for developing a meteorological health index forecasting service.
Key words: health    temperature    meteorological index    distributed lag non-linear model    

全球气候变化可能会导致极端气象事件发生频率和强度增加。国内外许多研究发现,气象因素变异或气候变化会对人体健康造成不良影响,极端温度如高温或低温均会增加人群健康风险[1-4]。因此,及时准确地进行气象预报,提前预警极端天气的健康风险,是一项预防极端气温导致健康危害的重要工作[5-7]

近几十年,国内外已有不少地区先后开展了很多气象指数研究[8-13],开发了各种气象健康指数[14-16]。但这些气象健康指数多以气象部门常规天气预报或精细化预报数据为基础,根据气象因子(如温度、湿度、风速、降水、云量、能见度、紫外线、日照、辐射等)与不同健康结局的关联程度,应用回归模型、多级判别法或模糊综合判别法建立指数预报模型,如炎热指数是先通过对气象因素与中暑人数相关分析选取温度和相对湿度两个引发人体中暑的重要因素,然后用最高气温和平均相对湿度构建炎热指数公式,最后通过结合炎热指数百分位数和高温天气的持续时间来进行高温中暑气象的等级划分[17]。国内高温热浪是根据极端温度值及其持续时间结合起来进行定义的,并没有考虑气象因素健康效应的滞后性以及温度与死亡的非线性关系,指数的等级划分也多采用分位数,缺乏客观性。为此, 本研究基于健康风险确定温度阈值及进行风险分级来构建气象健康指数,为科学适应气候变化,开展健康气象预报服务提供支持。

1 资料与方法 1.1 资料来源

从广东省疾病预防控制中心收集2011年1月1日—2015年12月31日广州市居民每日死亡登记资料,每日死亡人数为非意外死亡人数。同期的气象资料从中国气象科学数据共享服务网(http://cdc.cma.gov.cn/home.do)获取,包括日平均温度(℃)、日最低温度(℃)、日最高温度(℃)和日相对湿度(%)。从国家环境监测站获取同期广州市各种空气污染物的每日浓度,包括PM10、SO2、NO2

1.2 研究方法

1.2.1 构建模型

由于温度与死亡之间是非线性关系[18]及温度对健康的影响存在滞后性[19-20], 利用分布滞后非线性模型(distributed lag non-linear model,DLNM)模型拟合居民日死亡人数与温度的关系。DLNM通过交叉基函数给暴露—反应关系添加滞后维度,实现同时描述因变量在自变量维度与滞后维度的分布,从而估计不同滞后时间的暴露—反应关系[21-22]。这类模型可以描述复杂的非线性和滞后关系,可以实现暴露—反应关系和滞后—反应关系两功能相结合。DLNM计算公式为:

$\begin{array}{l} \;\;\;\;\;\;\;LogE\left[{{Y_t}} \right] = \alpha + \beta {T_{t, l}} + NS\left( {R{H_t}, 3} \right) + \\ NS\left( {Time, 5/year} \right) + NS\left( {W{S_t}, 3} \right) + NS\left( {N{O_{2t}}, 3} \right) + \\ \;\;\;\;\;NS\left( {S{O_{2t}}, 3} \right) + NS\left( {P{M_{10t}}, 3} \right) + DO{W_t} \end{array} $ (1)

式中:Yt—第t天的日死亡人数;

α—截距;

β—Tt,l的参数向量;

Tt,l—模型所使用的温度指标矩阵;

l—滞后天数;

NS—自然样条函数;

Dowt—星期几哑变量。

利用柯西泊松模型赤池信息标准(QAIC)[22]对变量的自由度进行选择,AIC值越小模型拟合越好,最后各变量的自由度选择如下:长期趋势的自由度设为5/a,温度和滞后的自然样条函数自由度设为5和3。参考相关研究,湿度(RH),风速(WS),NO2,SO2,PM10的自由度设为3[23-25]。将引起死亡风险的最低平均温度作为计算相对危险度的参考值。有相关研究得出高温效应表现为急性作用,在暴露当天出现并达到峰值,然后会快速下降,持续7 d后基本消失[26-27];冷效应出现相对缓慢,持续约21d[3, 28],根据预警预报及时性的需要,综合考虑冷热效应的特点及滞后天数,将Lag设置为7 d。通过改变时间趋势的自由度(df),对模型进行敏感性分析。

1.2.2 健康风险分级和建议

对DLNM估计温度导致的健康风险(相对危险值,RR)进行分级。参考之前的研究,先定义没有统计学意义的温度效应所对应的温度区间为舒适温度区间[29];再将在统计学意义上引起死亡效应(RR的95%CI不包括1)的温度定为冷、热效应阈值温度,再分别将阈值以上的热RR值和冷RR值平均分成低、中、高3级,依次定义为低中高风险。把不同风险等级对应的温度范围开展健康风险预报,并给出相应的健康建议。健康提示参考了中国疾病预防控制中心公布的《高温天气防护要点》和《低温雨雪冰冻灾害卫生防病知识要点》,结合气象因素可能导致的不良健康影响和广州市气候特点进行制定,并请各相关领域的专家进行论证。将广州市2011—2015年的气象资料分别代入中国气象局高温、寒潮预警标准和本研究发展的健康气象指数预警标准,用预警天数和预警期间的日均死亡人数两个指标进行对比分析。

1.2.3 超额死亡

用超额死亡数评估不同风险级别相对于阈值温度的超额死亡,计算公式:

$ E = {N_t} \times \left( {1-\frac{1}{{RR}}} \right) $ (2)

式中:E —超额死亡数/例;

N —t风险区间的日均死亡数/例。

1.3 统计学分析

采用R 3.2.2软件进行统计分析,利用R软件“dlnm”包拟合分布滞后非线性模型,利用“ggplot2”包作图,以P<0.05为差异具有统计学意义。

2 结果 2.1 数据基本概况

广州属亚热带季风气候,2011—2015年的日平均气温为21.7℃(4.8℃~31.1℃),日相对湿度为78.6%(30%~100%),NO2浓度为45.5 μg/m3 (9.8~345.8 μg/m3),SO2浓度为19.6 μg/m3 (2~91 μg/m3),PM10浓度为67.7 μg/m3(9.6~325.5 μg/m3)。2011—2015年广州市排除因事故等外因的死亡共241 647例,日均死亡132例(表 1)。

表 1 2011—2015年广州市气象资料、空气质量和居民日死亡人数情况的分布
项目 x±s 最小值 P25 P50 P75 最大值
气象资料
  日最高温度/℃ 26.6±6.5 6.5 22.0 28.0 32.0 37.6
  日平均温度/℃ 21.7±6.3 4.8 16.9 23.2 27.1 31.1
  日最低温度/℃ 18.6±6.4 1.3 13.4 20.1 24.2 28.3
  日相对湿度/% 78.6±10.8 30.0 73.0 80.0 86.0 100.0
  日风速/(m/s) 2.4±1.1 0.6 1.7 2.1 2.9 9.5
污染物资料
  NO2 /(μg/m3) 45.5±22.0 9.8 31.0 40.7 55.0 345.8
  SO2 /(μg/m3) 19.6±10.3 2.0 12.5 17.5 24.3 91.0
  PM10 /(μg/m3) 67.7±32.6 9.6 43.0 61.8 86.4 325.5
死亡人数资料
  日非意外死亡人数/例 132.0±26.0 71.0 114.0 130.0 149.0 219.0
  <65岁 40.0±9.0 16.0 33.0 38.0 45.0 72.0
  ≥65岁 93.0±21.0 36.0 78.0 91.0 106.0 164.0

2.2 气温与死亡的关系及舒适温度区间确定

通过DLNM拟合气温与死亡的剂量—反应关系曲线,广州市日平均气温与日死亡数的关系呈“U”型,低温和高温均引起死亡风险增加。死亡风险最低温度为22.9℃,以其为参考值,热效应随着温度的升高而升高,冷效应随着温度的降低而升高。将在统计学意义上引起死亡效应(图 1阴影部分为95%CI)的温度定为冷、热效应界值温度,分别为19.4℃和25.4℃,则19.4℃~25.4℃为舒适温度区间(图 1)。

注:灰线部分为舒适温度区间 图 1 滞后7 d时日平均气温死亡效应曲线和气温频数分布图

2.3 健康气象指数分级和健康指引

舒适温度区间19.4℃~25.4℃所对应的RR值为1.00~1.03。冷效应RR值按低至高等平均分为低中高三个风险等级,依次分为1.03~1.17,1.17~ 1.31,1.32~1.46;热效应RR值按低至高等相应的三个风险等级依次分为1.02~1.08,1.08~1.13,1.13~1.19;超额死亡数随着风险级别的升高而升高(图 1表 2)。参考了中国疾病预防控制中心公布的高温天气防护要点和《低温雨雪冰冻灾害卫生防病知识要点》,及专家论证后根据低温和高温不同等级风险提出健康建议(表 3)。

表 2 日平均温度导致的健康风险分级及其对应的温度区间
类别 级别 RR 日平均温度/℃ 超额死亡数/例
冷效应 高风险 1.32~1.46 4.8~8.4 49.9
中风险 1.17~1.31 8.5~12.8 35.2
低风险 1.03~1.17 12.9~19.3 20.6
温和 较低 1.00~1.03 19.4~25.4
热效应 低风险 1.02~1.08 25.5~27.8 9.1
中风险 1.08~1.13 27.9~29.5 13.9
高风险 1.13~1.19 29.6~31.1 20.7

表 3 健康气象指数风险等级划分及健康建议
类别 级别 分级标准/℃ 健康指引
低温 高风险 8.4以下 健康风险高,注意防寒保暖,多吃一些高热量的食物;减少户外活动。
中风险 8.5~12.8 健康风险中等,注意防寒保暖,运动尽量在背风向阳的位置,合理安排运动时间和运动量。
低风险 12.9~19.3 健康风险低,注意保暖。
适宜 较低 19.4~25.4 温度适宜,健康风险较低,适宜户外运动。
高温 低风险 25.5~27.8 健康风险低,适宜户外运动,户外活动时采取必要防护措施。
中风险 27.9~29.5 健康风险中等,注意防暑降温,户外活动时应采取防护措施,不要在阳光强烈照射下运动,户外工作者应采取防护措施。
高风险 29.6以上 健康风险高,注意防暑降温,户外活动时应采取防护措施,不要在阳光强烈照射下运动;户外工作者应采取防护措施。

2.4 与气象部门高温标准比较及验证

根据中国气象局高温预警标准,2011—2015年广州市无高温红色预警,橙色预警为2 d(0.11%),黄色预警为38d(2.10%),橙色预警的日均死亡人数为132.5人, 较黄色预警的115.4人高;根据中国气象局寒潮标准, 该期间无寒潮预警。本研究健康气象指数预警健康风险较低的天数为538d(29.46%),预警天数随着低风险至高风险逐级减少,符合广州市天气特点;高温条件下日均死亡人数随着风险级的增高呈V型趋势,低温条件下日均死亡人数随着风险级的增高而增高(表 4)。

表 4 中国气象局高温和寒潮预警与健康气象指数预警对比
中国气象局高温和寒潮预警 健康气象指数预警
预警级别 预警率n(%) 日均死亡数/人 预警级别 预警率n(%) 日均死亡数/人
寒潮 红色预警 0 0 低温 高风险 34(1.86) 158.4
橙色预警 0 0 中风险 191(10.46) 148.6
黄色预警 0 0 低风险 375(20.54) 141.9
蓝色预警 0 0 适宜温度 较低 538(29.46) 129.4
高温 黄色预警 38(2.10) 115.4 高温 低风险 350(19.17) 123.4
橙色预警 2(0.11) 132.5 中风险 244(13.36) 121.1
红色预警 0 0 高风险 92(5.04) 129.9

2.5 敏感性分析

分别将时间趋势的自由度(df/a)设为4、5、6、7、8代入模型中,结果显示对时间趋势自由度的改变对冷、热效应所致的RR值影响不大(表 5)。

表 5 不同df值情况下日平均温度导致的人群健康风险
df 冷效应 热效应
4 1.02(1.00~1.04) 1.03(1.00~1.06)
5 1.03(1.00~1.05) 1.02(1.00~1.04)
6 1.03(1.00~1.05) 1.02(1.00~1.04)
7 1.05(1.00~1.10) 1.04(1.00~1.07)
8 1.03(1.00~1.06) 1.04(1.00~1.07)

3 讨论

随着全球气候变暖进程的加速,极端天气事件的频率和强度可能持续增长[30],将给全球各地带来巨大的经济损失和健康危害。为了减少极端气象条件下的健康风险, 人们历来重视极端天气事件的预警,研发气象健康指数,指导人们适应气候变化。国内外开发了多种极端天气的预警系统[6, 25, 31-32],大多是基于单一温度、单一温度的衍生指标、天气类型、气团类型、天气学指标等对极端气象事件进行预警预报。气象指数是气象部门运用数理统计方法,对气温、气压、温度、风等多种气象要素和地理、天文和季节等其他因素综合进行计算而得出的客观量化的预测指标,较少考虑健康结局。本研究整合气象和死亡数据,考虑了温度健康效应的滞后性和空气污染的协同效应,探索构建气象健康指数,是一个新的尝试。

本研究结果显示,日平均温度与居民死亡之间暴露—反应曲线呈U形,是非线性关系,低温和高温都会引起死亡风险增加,这与国内外同类研究结果类似[1, 33]。高温对人群死亡的影响是急性效应,低温产生的效应会比较延迟,但持续时间长,当滞后7 d时,冷效应高于热效应,该结果也与其他研究一致[3, 23, 28]。有多个研究发现由于温暖地区的居民对高温长期适应,对寒冷天气更敏感,所以低温导致的健康风险温暖地区比寒冷地区更大[34]。所以,在年平均气温较高的亚热带城市如广州,低温对死亡的影响更大[18, 35]

为了减少极端气象因素的健康危害,国内外开发了许多气象健康指数,在计算指数时多数用的温度指标是极端温度值[13, 36-38],分级方法是专家打分法和经验法相结合、日最高温度结合持续时间、百分位数或日死亡数结合其标准差等划分预警等级[14, 17, 32, 38]。本研究用日平均温度纳入模型,因为分析发现日平均温度更能综合反映一天的温度效应。在计算健康风险时,本研究考虑了温度健康效应的滞后性以及温度与死亡的非线性关系,基于健康风险确定温度阈值及等间隔将风险分级进行预警,是一个新的尝试。

本指数基于温度阈值19.4℃~25.4℃, 根据风险大小将12.9℃~19.3℃、8.5℃~12.8℃、8.4℃以下分别定义为低温低、中、高风险;将25.5℃~27.8℃、27.9℃~29.5℃、29.6℃以上定义分为高温低、中、高风险。从不同风险等级对应的日均死亡人数结果发现,低温预警的日均死亡人数高于高温预警的日均死亡人数,高温预警中低风险时的日均死亡人数并不低。研究结果还显示健康气象指数风险值较低时的日均死亡人数高于高温预警中低风险时的日均死亡人数,可能是由于适宜温度适合一些传染病的流行有关,以及DLNM控制了一些变量,消除了其他因素的影响,将温度与死亡之间的暴露—滞后—反应关系体现出来。

本研究发现,按照中国气象局高温和寒潮预警标准,广州市2011—2015年高温预警天数仅占五年总天数里的2.21%,且无寒潮预警;从气温—健康效应剂量反应关系来看,此预警标准对于广州地区而言预警率太低,达不到预警提示气温可能所致的健康风险的作用,对于广州地区的气象预警是不合适的。有研究将极端温度和适宜温度之间的一段温度定义为温和温度,研究发现大部分由温度引起的死亡是与温和温度有关,而极端温度只贡献其中的一小部分[4];本研究结果发现虽然温和温度的RR值相对极端温度的RR值低,但较低风险预警所占天数为29.46%,低温和高温的低风险预警所占天数分别为20.54%和19.17%,可见较低和低风险预警天数在一年中占一半以上,说明温和温度在一个时间序列中持续的时间较长,其引起的健康风险也不容忽视。本研究的指数不仅能在极端温度时预警,在温和温度预警率也较高,提醒了公众温和天气也会带来健康风险,有利于减少温度所导致的健康风险,以帮助人们在不同天气下提高防范意识和采取防护措施。

本研究的不足之处是未考虑人体对气温的生理调节功能和热交换功能、其他重要的天气学指标如气团类型等、极端温度的持续时间等。由于参数的选择存在一定的不确定性,也会影响死亡风险的预测和适宜温度区间的设定,这些对风险预警都会产生一定影响。

参考文献
[1]
Wu W, Xiao YZ, Li GC, et al. Temperature-mortality relationship in four subtropical Chinese cities:a time-series study using a distributed lag non-linear model[J]. Sci Total Environ, 2013, 449: 355-362. DOI:10.1016/j.scitotenv.2013.01.090
[2]
谢慧妍, 马文军, 张永慧, 等. 广州、长沙、昆明气温对非意外死亡的短期效应研究[J]. 中华预防医学杂志, 2014, 48(1): 38-43. (In English: Xie HY, Ma WJ, Zhang YH, et al. The short-term effect of temperature on non-accidental mortality in Guangzhou, Changsha and Kunming[J]. Chin J Prev Med, 2014, 48(1): 38-43. DOI:10.3760/cma.j.issn.0253-9624.2014.01.009)
[3]
Guo YM, Punnasiri K, Tong SL. Effects of temperature on mortality in Chiang Mai city, Thailand:a time series study[J]. Environ Health, 2012, 11: 36. DOI:10.1186/1476-069X-11-36
[4]
Gasparrini A, Guo YM, Hashizume M, et al. Mortality risk attributable to high and low ambient temperature:a multicountry observational study[J]. Lancet, 2015, 386(9991): 369-375. DOI:10.1016/S0140-6736(14)62114-0
[5]
Ebi KL, Schmier JK. A stitch in time:improving public health early warning systems for extreme weather events[J]. Epidemiol Rev, 2005, 27(1): 115-121. DOI:10.1093/epirev/mxi006
[6]
Nicholls N, Skinner C, Loughnan M, et al. A simple heat alert system for Melbourne, Australia[J]. Int J Biometeorol, 2008, 52(5): 375-384. DOI:10.1007/s00484-007-0132-5
[7]
Chau PH, Chan KC, Woo J. Hot weather warning might help to reduce elderly mortality in Hong Kong[J]. Int J Biometeor, 2009, 53(5): 461-468. DOI:10.1007/s00484-009-0232-5
[8]
Smoyer-Tomic KE, Rainham DG. Beating the heat:development and evaluation of a Canadian hot weather health-response plan[J]. Environ Health Perspect, 2001, 109(12): 1241-1248. DOI:10.1289/ehp.011091241
[9]
Bröde P, Fiala D, Błazejczyk K, et al. Deriving the operational procedure for the Universal Thermal Climate Index (UTCI)[J]. Int J Biometeor, 2012, 56(3): 481-494. DOI:10.1007/s00484-011-0454-1
[10]
Gadiwala MS, Sadiq N. The apparent temperature analysis of Pakistan using bio-meteorological indices[J]. Pakistan J Meteor, 2008, 4(8): 15-26.
[11]
严明良, 缪启龙, 沈树勤, 等. 人体健康气象指数的设计及预报技术探讨[J]. 气象科学, 2008, 28(6): 678-682. (In English: Yan ML, Miao QL, Shen SQ, et al. Design and forecasting technology discussion on meteorological index for human body healthy[J]. Sci Meteor Sin, 2008, 28(6): 678-682. DOI:10.3969/j.issn.1009-0827.2008.06.016)
[12]
唐延婧. 贵州省健康气象指数预报模型构建及技术[J]. 贵州气象, 2013, 37(3): 30-34. DOI:10.3969/j.issn.1003-6598.2013.03.007
[13]
陈静, 韩军彩, 张素果, 等. 基于暑热指数的河北省中暑气象等级预报指标研究[J]. 气象与环境学报, 2013, 29(5): 86-91. (In English: Chen J, Han JC, Zhang SG, et al. Study on forecast element of heat stroke weather grade based on hotness index in Hebei province[J]. J Meteor Environ, 2013, 29(5): 86-91. DOI:10.3969/j.issn.1673-503X.2013.05.014)
[14]
逯建华, 何建凡, 房师松, 等. 深圳市流感指数的制定及应用[J]. 实用预防医学, 2016, 23(5): 628-629. (In English: Lu JH, He JF, Fang SS, et al. Development and application of the flu index in Shenzhen City[J]. Pract Prev Med, 2016, 23(5): 628-629. DOI:10.3969/j.issn.1006-3110.2016.05.039)
[15]
何萍, 李宏波.云南高原楚雄市人体舒适度气象指数分析[C]//第32届中国气象学会年会论文集.天津: 中国气象学会, 2016,
[16]
董选军, 楼洁云, 余运贤, 等. 流感流行综合指数的探索建立与应用[J]. 中国卫生统计, 2016, 33(4): 665-666.
[17]
陈辉, 黄卓, 田华, 等. 高温中暑气象等级评定方法[J]. 应用气象学报, 2009, 20(4): 451-457. (In English: Chen H, Huang Z, Tian H, et al. An evaluation method of heatstroke grade with meteorological approaches[J]. J Appl Meteor Sci, 2009, 20(4): 451-457. DOI:10.3969/j.issn.1001-7313.2009.04.009)
[18]
Curriero FC, Heiner KS, Samet JM, et al. Temperature and mortality in 11 cities of the eastern United States[J]. Am J Epidemiol, 2002, 155(1): 80-87. DOI:10.1093/aje/155.1.80
[19]
Zanobetti A, Schwartz J, Samoli E, et al. The temporal pattern of mortality responses to air pollution:a multicity assessment of mortality displacement[J]. Epidemiology, 2002, 13(1): 87-93. DOI:10.1097/00001648-200201000-00014
[20]
Braga AL, Zanobetti A, Schwartz J. The time course of weather-related deaths[J]. Epidemiology, 2001, 12(6): 662-667. DOI:10.1097/00001648-200111000-00014
[21]
Gasparrini A. Modeling exposure-lag-response associations with distributed lag non-linear models[J]. Stat Med, 2014, 33(5): 881-899. DOI:10.1002/sim.5963
[22]
Gasparrini A, Armstrong B, Kenward MG. Distributed lag non-linear models[J]. Stat Med, 2010, 29(21): 2224-2234. DOI:10.1002/sim.v29:21
[23]
Guo YM, Barnett AG, Pan XC, et al. The impact of temperature on mortality in Tianjin, China:a case-crossover design with a distributed lag nonlinear model[J]. Environ Health Perspect, 2011, 119(12): 1719-1725. DOI:10.1289/ehp.1103598
[24]
Muggeo VM, Hajat S. Modelling the non-linear multiple-lag effects of ambient temperature on mortality in Santiago and Palermo:a constrained segmented distributed lag approach[J]. Occup Environ Med, 2009, 66(9): 584-591. DOI:10.1136/oem.2007.038653
[25]
World Health Organization, Regional Office for Europe & European Commission. Improving public health responses to extreme weather/heat-waves: EuroHEAT: technical summary[R]. Copenhagen: WHO Regional Office for Europe, 2009.
[26]
杨军, 欧春泉, 丁研, 等. 分布滞后非线性模型[J]. 中国卫生统计, 2012, 29(5): 772-773, 777.
[27]
杨军, 欧春泉, 丁研, 等. 广州市逐日死亡人数与气温关系的时间序列研究[J]. 环境与健康杂志, 2012, 29(2): 136-138. (In English: Yang J, Ou CQ, Ding Y, et al. Association between daily temperature and mortality in Guangzhou:A time-series study[J]. J Environ Health, 2012, 29(2): 136-138.)
[28]
Ma WJ, Wang LJ, Lin HL, et al. The temperature-mortality relationship in China:An analysis from 66 Chinese communities[J]. Environ Res, 2015, 137: 72-77. DOI:10.1016/j.envres.2014.11.016
[29]
Li TT, Horton RM, Kinney PL. Projections of seasonal patterns in temperature-related deaths for Manhattan, New York[J]. Nat Climate Change, 2013, 3(8): 717-721. DOI:10.1038/nclimate1902
[30]
Easterling DR, Meehl GA, Parmesan C, et al. Climate extremes:observations, modeling, and impacts[J]. Science, 2000, 289(5487): 2068-2074. DOI:10.1126/science.289.5487.2068
[31]
Sheridan SC. A survey of public perception and response to heat warnings across four North American cities:an evaluation of municipal effectiveness[J]. Int J Biometeor, 2007, 52(1): 3-15. DOI:10.1007/s00484-006-0052-9
[32]
卢晶晶, 吕劲文, 钱峥. 宁波市高温中暑气象等级评定方法研究[J]. 气象与环境学报, 2016, 32(4): 91-97. (In English: Lu JJ, Lv JW, Qian Z. An improved evaluation method to the meteorological grade of heatstroke in Ningbo[J]. J Meteor Environ, 2016, 32(4): 91-97. DOI:10.3969/j.issn.1673-503X.2016.04.012)
[33]
Yang J, Ou CQ, Ding Y, et al. Daily temperature and mortality:a study of distributed lag non-linear effect and effect modification in Guangzhou[J]. Environ Health, 2012, 11: 63. DOI:10.1186/1476-069X-11-63
[34]
Anderson BG, Bell ML. Weather-related mortality:how heat, cold, and heat waves affect mortality in the United States[J]. Epidemiology, 2009, 20(2): 205-213. DOI:10.1097/EDE.0b013e318190ee08
[35]
曾韦霖, 马文军, 张永慧, 等. 纬度对高温与老年人死亡效应关系修饰作用的Meta分析[J]. 环境与健康杂志, 2012, 29(7): 639-642. (In English: Zeng WL, Ma WJ, Zhang YH, et al. Modification effect of latitude on relationship between high temperarure and mortality risk among elderly:a meta-analysis[J]. J Environ Health, 2012, 29(7): 639-642.)
[36]
Pascal M, Wagner V, Le Tertre A, et al. Definition of temperature thresholds:the example of the French heat wave warning system[J]. Int J Biometeor, 2013, 57(1): 21-29. DOI:10.1007/s00484-012-0530-1
[37]
Brooke AG, Bell ML, Peng RD. Methods to calculate the heat index as an exposure metric in environmental health research[J]. Environ Health Perspect, 2013, 121(10): 1111-1119. DOI:10.1289/ehp.1206273
[38]
谈建国, 殷鹤宝, 林松伯, 等. 上海热浪与健康监测预警系统[J]. 应用气象学报, 2002, 13(3): 356-363. (In English: Tan JG, Yin HB, Lin SB, et al. Shanghai heat wave/health warning system[J]. J Appl Meteor Sci, 2002, 13(3): 356-363. DOI:10.3969/j.issn.1001-7313.2002.03.011)
DOI: 10.13421/j.cnki.hjwsxzz.2018.05.002
中国疾病预防控制中心主办。
0
黄照, 刘涛, 许燕君, 李杏, 曾韦霖, 肖建鹏, 许晓君, 马文军
HUANG Zhao, LIU Tao, XU Yanjun, LI Xing, ZENG Weilin, XIAO Jianpeng, XU Xiaojun, MA Wenjun
基于死亡数据用DLNM构建气象健康指数
Based on Death Information and Using DLNM to Develop a Meteorological Health Index
环境卫生学杂志, 2018, 8(5): 368-373, 380
Journal of Environmental Hygiene, 2018, 8(5): 368-373, 380
DOI: 10.13421/j.cnki.hjwsxzz.2018.05.002

相关文章

工作空间