CN102651050A - 利用海洋遥感数据进行霍乱预测的方法 - Google Patents

Abstract

本发明公开一种利用海洋遥感数据进行霍乱预测的方法，包括步骤：1)利用卫星遥感数据来反演海表面温度SST、海表面高度SSH、海水叶绿素浓度OCC；2)基于上述海洋环境要素与霍乱发病数之间的关系来构建模型公式；3)利用广义线性模型拟合模型并求解模型参数，分析解算得到的模型参数，并得到最终的霍乱预测模型。本发明利用海洋卫星遥感来监测霍乱弧菌的繁殖状况，间接地预测局部地区霍乱发病数，改变了传统通过人工采集水体样本的方式，既提高了预测的时效性又节省了人力和物力，可以为沿海地区的霍乱预警提供决策支持。

Description

利用海洋遥感数据进行霍乱预测的方法

技术领域

本发明涉及一种霍乱预测的方法，尤其涉及一种利用海洋遥感数据进行霍乱预测的方法。

背景技术

传统的传染病预测方法主要有两种：一种是基于历史发病数据的时序分析方法，该方法主要是借助数学的手段利用历史发病数据，通过建立数学模型来预测传染病的发病数和发病率，常用的数学方法有灰色动态模型(Grey dynamics model，GM)(邓聚龙，1985)，自回归移动平均混合模型(autoregressive integrated moving average，ARIMA)(Geoge and Gwilym，1997)以及小波模型(易东等，2000)等。一般而言流行趋势平稳的可选择ARIMA模型，流行趋势不平稳的可选择灰色模型，而季节性明显的则选择小波模型；另外，ARIMA模型比较适用于短期预测，而灰色模型和小波模型则可作短、中期预测。这一类时序分析预测方法的优点是能够对传染病的流行趋势进行定量地分析预测，但是对由于气候、环境等因素改变而导致传染病发病规律发生变化的敏感性不够。另一种是基于环境要素的预测方法，该类方法主要是通过分析传染病相关气候、地理环境、社会因素等多要素与传染病的关系，利用数理统计分析的方法建立多要素与传染病发病数据之间的回归模型来实现传染病的预测，较常用的统计分析方法有多元线性回归、logistic回归、神经网络、遗传算法等。对于霍乱而言，水体是其主要传播途径，因此，通过监测水体中的K⁺、Na⁺、Ca⁺⁺、Mg⁺⁺、氯化物、硫酸盐含量以及PH值等要素可以估测水体中的霍乱弧菌，从而间接的预测霍乱发病情况，这种方法虽然能够较为准确的预测霍乱的发病情况，但是水体样本的采集及检验需要耗费大量的时间和财力。

在上个世纪70年代以前，人们一直认为霍乱传播是单一的通过人-人传播的方式，水体只是病菌从一个宿主传播到另一个宿主的媒介。事实上，霍乱弧菌是水生环境的自然菌群(Colwell，Kaper et al.1977；Colwell 1996)，是沿海及河口微生物生态系统的一部分，它主要以河流、海湾、河口及海洋中的桡脚类浮游动物为宿主(Colwell，Kaper et al.1977；Huq，Small et al.1983)。霍乱弧菌主要黏附于活的桡足类动物的卵囊和口区，一只桡脚类浮游动物可以携带多达10³-10⁵个霍乱弧菌体，由于10⁹ml^-1浓度的霍乱弧菌就组成一副霍乱的感染剂量，因此，摄食未经处理的水中带有即使相对少量的带霍乱弧菌的桡脚类动物都将可能引发霍乱发病(Cash，Music et al.1974)。因此，适合于与霍乱弧菌共生的桡脚类或者甲壳类相关浮游动物繁殖的环境条件将会加快霍乱弧菌数量的增长。浮游动物特别是桡脚类动物对霍乱弧菌的生存、繁殖及霍乱的传播有着非常大的影响作用(郝民、阚飙，2010)。除浮游动物外、浮游植物及藻类也与霍乱弧菌存在紧密的联系，有研究表明霍乱弧菌能够在有浮萍、绿藻、水葫芦的水体环境中存活时间高达28天(Islam，Mahmuda et al.2004)。霍乱弧菌主要是从这些浮游生物及藻类获得营养，因此，对海水温度、营养成分以及浮游生物的生物量等海洋环境参数的监测数据可以间接的反映霍乱弧菌的菌量。霍乱的发病和流行与环境中霍乱弧菌的菌量增加是相一致的(Zo，Rivera et al.2002)。环境中的霍乱弧菌一旦获得或已具有产毒素的能力，便可通过海产品或其他环境相关的食物或水源传染给人。因此，水生环境中的霍乱弧菌增多时，人群中的霍乱发病数也就随之而增加(郝民，阚彪，2010)。

利用船载的方式现场采集海水及浮游生物样本的方法不仅成本较高且耗费时间，并且很难扩展到大尺度区域。由于海洋浮游植物是浮游动物的主要食物源，所以，它们在时空上都是相关联的。从这个意义上讲，浮游植物和动物都可以利用遥感的方法进行直接或间接的监测，因为浮游植物的浓度是可以通过利用遥感数据来反演海水叶绿素浓度进行估测；海水表面温度是与海洋浮游植物浓度相关的重要海洋环境参数，海水温度升高将会加快浮游植物的繁殖，从而使得桡脚类甲壳动物及海洋微生物增多，最终导致霍乱弧菌的大量繁殖，因此霍乱的爆发是与海水温度上升相关的，如1991年霍乱侵袭南美时正值太平洋海水温度升高时；海水表面高度是富含浮游生物的水体(如潮水)流入内陆的一个重要指标，它影响到人与霍乱弧菌接触的概率。因此，通过遥感卫星数据反演得到的这些海洋参数，结合历史霍乱发病数据可以建立沿海地区的霍乱预测模型。

发明内容

霍乱弧菌的传播与繁殖主要是通过水生环境。因此，对海洋水生环境的监测可以为沿海地区霍乱发病的预测提供支持，传统通过船舰的方式采集海洋水体样本的方法不仅耗费时间和金钱，而且实效性不高。本发明提供一种利用海洋遥感数据进行霍乱预测的方法，包括以下步骤：

1)利用卫星遥感数据来反演海表面温度SST、海表面高度SSH、海水叶绿素浓度OCC；

2)基于上述海洋环境要素与霍乱发病数之间的关系来构建模型公式；

3)利用广义线性模型拟合模型并求解模型参数，分析解算得到的模型参数，并得到最终的霍乱预测模型。

利用海洋卫星遥感来监测霍乱弧菌的繁殖状况，进而间接地预测局部地区霍乱发病数，改变了传统通过人工采集水体样本的方式，既提高了预测的时效性又节省了人力和物力，可以为沿海地区的霍乱预警提供决策支持。

附图说明

图1是构建霍乱预测模型的流程图；

图2是模型预测发病数与实际发病数之间的对比图。

具体实施方式

图1是构建霍乱预测模型的流程图。由图可见，构建霍乱预测模型包括以下三个步骤：

1)利用卫星遥感数据来反演海表面温度SST、海表面高度SSH、海水叶绿素浓度OCC；

2)基于上述海洋环境要素与霍乱发病数之间的关系来构建模型公式；

3)利用广义线性模型拟合模型并求解模型参数，分析解算得到的模型参数，并得到最终的霍乱预测模型。

构建霍乱预测模型流程具体描述如下：

1)数据准备和参数反演：利用卫星遥感数据来反演海表面温度SST、海表面高度SSH、海水叶绿素浓度OCC。

首先我们收集历史数据：霍乱月发病数据以及同时期的卫星遥感数据。我们可以利用AVHRR卫星数据反演海表面温度SST，Jason-1卫星数据反演海表面高度SSH，SeaWiFS卫星数据反演海水叶绿素浓度OCC。

海表面温度反演算法如下：

SST＝a+b*T₄+c*(T₄-T₅)*SST_guess+d*(secθ-1)*(T₄-T₅)  (1)

其中，SST为卫星反演的海表面温度值；SST_guess是初始SST数据值，可以通过现场实测的方法获得；θ是卫星天顶角；T₄和T₅分别为AVHRR的4和5通道的亮温值；a、b、c、d是由卫星数据与实测数据进行回归拟合得到的系数值，不同的纬度区域采用不同的回归系数值。

海表面高度反演算法如下：

由于海表面高度表示的海表面相对于参考椭球面(Referenceellipsoid)的距离，因此其计算公式可表示为：

SSH＝S-H-Δh-h_{inv_bar}-h_T-ε                (2)

其中，S是卫星到地球参考椭球面之间的距离，这里使用的Jason-1卫星轨道高度为1336千米；H是卫星到星下点瞬时海表面的距离；Δh是大气各层及电磁偏差影响所造成的测距偏差；h_{inv_bar}为大气气压引起的海面变化；h_T为潮汐修改项；ε为测量噪声，相对于前面几项，量级差很多，该测量噪声对SSH反演的影响很小，因此，可以忽略不计。

设计时钟测定发射和接收的时间间隔差为Δt，则卫星到星下点瞬时海表面的距离的计算公式为：

$H=\frac{c*\mathrm{\Δt}}{2}---\left(3\right)$

其中，c是电磁波的传播速度。

测距偏差Δh，包括1)电磁偏差h_{E_Bias}：由于卫星高度计测量的是回波功率权重平均海面高度，而海面上波浪的并非呈高斯分布，波谷反射脉冲的能力要强于波峰，因此，高度计测量的海面高度偏离平均海平面，趋向与波谷，这种偏差就是电磁偏差；2)电离层偏差h_iono：由于微波脉冲在大气中传播时受到电离层中自由电子的阻碍作用，使得电池波的传播速度发生变化，由此产生了电离偏差；3)干对流层偏差h_{dry_trop}\湿对流层偏差h_{wet_trop}：由于对流层中的水汽所引起的微波脉冲信号传播的延迟而产生的测量误差称为湿对流层偏差，由干空气所引起的微波脉冲信号的延迟而产生的测量误差则称为干对流层偏差。因此，测距偏差可通过以下公式计算为：

Δh＝h_iono+h_{dry_trop}+h_{wet_trop}+h_{E_Bias}            (4)

其中，h_iono、h_{dry_trop}、h_{wet_trop}和h_{E_Bias}分别表示微波传输时受到大气电离层、大气干对流层、大气湿对流层及电磁偏差的影响。

气压引起的海面起伏可表示为大气压的函数：

h_{inv_bar}＝9.948*(P-1013.3)                    (5)

其中，P为大气气压。

潮汐修改项h_T，包括固体潮汐(Solid Earth Tide)、极潮(Pole Tide)以及海洋潮汐(Elastic Ocean Tide)引起的海面高度起伏，可表示为：

h_T＝h_otd+h_std+h_pdt                            (6)

其中，h_otd、h_std和h_pdt分别表示固体潮汐、极潮、海洋潮汐引起的海面高度起伏。

海水叶绿素浓度OCC的反演算法如下：

$\mathrm{OCC}={10}^{0.368-3.067*R+1.93*R^2+0.649*R^3-1.532*R^4}---\left(7\right)$

$R={\log }_{10}\left(\frac{\mathrm{Rrs}443>\mathrm{Rrs}490>\mathrm{Rrs}510}{\mathrm{Rrs}555}\right)$

其中，Rrs443、Rrs490、Rrs510及Rrs555分别为SeaWiFS的4个波段(443nm，490nm，510nm，555nm)经大气校正后的反射率值。

2)模型构建公式：基于上述海洋环境要素与霍乱发病数之间的关系来构建模型公式。

由于导致霍乱发病的霍乱弧菌来源可以分为两种，一种是直接来源于自然水生环境；另一种是感染人群，通过接触被感染病人接触过的水源或食物而受感染。因此构建霍乱预测模型不仅要考虑已有感染人群的数量，还要综合考虑水体环境的影响。因此我们构建如下模型公式：

${\log }_{10}\left({\mathrm{Cho}}_t\right)=a_0+\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{b}_i*{\log }_{10}({\mathrm{Cho}}_{t-i}+1)+\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{c}_i*{\mathrm{Env}}_{t-i}---\left(8\right)$

其中，Cho_t表示t月份霍乱病例数，Cho_t-i表示t月份的前i月霍乱病例数，Env_t-t表示t月份的前i月的水体环境参数，a₀、b_i和c_i是待求解的模型系数，其中a₀是常量，b_i和c_i表示权重。

优选的，这里只考虑海洋环境要素对霍乱发病数2个月以内的延迟效应影响，则i＝1，2。而已感染人群对本月霍乱疫情的影响我们只考虑前1个月，即i＝1，另外，海洋遥感参数只考虑海表面温度SST、海表面高度SSH及海水叶绿素浓度OCC。则模型公式(8)可简化为：

log(Cho_t)＝a₀+b₁*log(Cho_t-1+1)+c₁*SST_t-1+c₂*SST_t-2

                                                        (9)

+c₃*SSH_t-i+c₄*SSH_t-2+c₅*OCC_t-1+c₆*OCC_t-2

3)模型参数求解，确定最终的霍乱预测模型。

根据历史数据，利用统计分析方法的广义线性模型的模块来解算模型拟合参数，例如利用美国Stata公司的统计分析软件(Data Analysisand Statistical Software)Stata 11的广义线性模型(以log函数链接的Poisson模型)的模块来解算模型拟合参数。分析解算得到的模型参数，将显著性值小于设定阈值的参数作为预测自变量放入模型并得到最终的霍乱预测模型。

下面以一具体示例来说明本发明：

以浙江省霍乱预测模型的建立为例。我们收集了1999年至2008年间浙江省的霍乱月发病数据以及同时期的利用卫星遥感数据反演得到浙江省附近海域的海表面温度SST、海表面高度SSH以及海水叶绿素浓度OCC；这里只考虑海洋环境要素对霍乱发病数2个月以内的延迟效应影响。选用上述模型公式(9)：

log(Cho_t)＝a₀+b₁*log(Cho_t-1+1)+c₁*SST_t-1+c₂*SST_t-2

+c₃*SSH_t-1+c₄*SSH_t-2+c₅*OCC_t-1+c₆*OCC_t-2

利用美国Stata公司的统计分析软件(Data Analysis and StatisticalSoftware)Stata 11中的广义线性模型(Generalized linear model，GLM)功能。具体做法：参数设置以1999年-2008年间霍乱月发病数为因变量，前1个月的霍乱发病数以及前1个月和前2个月的海表面温度、海表面高度和海水叶绿素浓度为自变量，选择log函数链接的Poisson模型来对模型参数进行分析，得到的统计结果如表1所示。

表1.模型参数分析结果

模型参量	系数	显著性
			常量	-1.938	0.000
Log(chot-1)	1.531	0.000
			SSHt-1	0.025	0.000
SSHt-2	-0.038	0.000
			SSTt-1	0.001	0.948
SSTt-2	0.068	0.000
			OCCt-1	0.147	0.000
OCCt-2	0.178	0.000

由表1可见，取显著性值为0.05作为阈值，显著性大于0.05的参量将被从模型中移除。因此，除了一个月以前的海表面温度SST_t-1对霍乱发病数影响没有显著性以外，其他环境要素都具有显著性统计意义。根据表1的统计结果我们得到浙江省霍乱预测模型为：

log(Cho_t)＝-1.938+1.531*log(Cho_t-1+1)+0.068*SST_t-2

                                                        (10)

+0.025*SSH_t-1-0.038*SSH_t-2+0.147*OCC_t-1+0.178*OCC_t-2

图2是模型预测发病数与实际发病数之间的对比图。由图2可见，我们利用上述浙江省霍乱预测模型即公式(10)得到的霍乱发病数预测值与实际观测值比较接近，两者每月上升或下降的趋势也是一样的，每年达到峰值点的月份也基本一致，这表明利用本发明方法建立的霍乱预测模型效果较好。

Claims (10)

1.一种利用海洋遥感数据进行霍乱预测的方法，其特征在于，包括步骤：

1)利用卫星遥感数据来反演海表面温度SST、海表面高度SSH、海水叶绿素浓度OCC；

2)基于上述海洋环境要素与霍乱发病数之间的关系来构建模型公式；

3)利用广义线性模型拟合模型并求解模型参数，分析解算得到的模型参数，并得到最终的霍乱预测模型。

2.根据权利要求1所述的利用海洋遥感数据进行霍乱预测的方法，其特征在于，所述步骤1)包括：

利用AVHRR卫星遥感数据来反演海表面温度SST，

SST＝a+b*T₄+c*(T₄-T₅)*SST_guess+d*(secθ-1)*(T₄-T₅)，

其中，SST为卫星反演的海表面温度值，SST_guess是初始SST数据值，θ是卫星天顶角，T₄和T₅分别为AVHRR的4和5通道的亮温值，a、b、c、d是由卫星数据与实测数据进行回归拟合得到的系数值；

利用Jason-1卫星遥感数据来反演海表面高度SSH，

SSH＝S-H-Δh-h_{inv_bar}-h_T-ε，

其中，S是卫星到地球参考椭球面之间的距离，H是卫星到星下点瞬时海表面的距离，Δh是大气各层及电磁偏差影响所造成的测距偏差，h_{inv_bar}为大气气压引起的海面变化，h_T为潮汐修改项，ε为测量噪声；

利用SeaWiFS卫星遥感数据来反演海水叶绿素浓度OCC，

$\mathrm{OCC}={10}^{0.368-3.067*R+1.93*R^2+0.649*R^3-1.532*R^4},$

其中，

Rrs443、Rrs490、Rrs510及Rrs555分别为SeaWiFS的4个波段443nm，490nm，510nm，555nm经大气校正后的反射率值。

3.根据权利要求1所述的利用海洋遥感数据进行霍乱预测的方法，其特征在于，所述步骤2)包括：构建如下模型公式，

${\log }_{10}\left({\mathrm{Cho}}_t\right)=a_0+\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{b}_i*{\log }_{10}({\mathrm{Cho}}_{t-i}+1)+\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{c}_i*{\mathrm{Env}}_{t-i},$

其中，Cho_t表示t月份霍乱病例数，Cho_t-i表示t月份的前i月霍乱病例数，Env_t-i表示t月份的前i月的水体环境参数，a₀、b_i和c_i是待求解的模型系数，其中a₀是常量，b_i和c_i表示权重。

4.根据权利要求3所述的利用海洋遥感数据进行霍乱预测的方法，其特征在于，当只考虑前1个月以内霍乱发病数及前2个月以内环境要素对本月霍乱发病数的影响时，构建如下模型公式：

log(Cho_t)＝a₀+b₁*log(Cho_t-1+1)+c₁*SST_t-1+c₂*SST_t-2。

+c₃*SSH_t-1+c₄*SSH_t-2+c₅*OCC_t-1+c₆*OCC_t-2

5.根据权利要求2所述的利用海洋遥感数据进行霍乱预测的方法，其特征在于，所述的卫星到星下点瞬时海表面的距离H，

$H=\frac{c*\mathrm{\Δt}}{2}$

其中，c是电磁波的传播速度，Δt是设计时钟测定发射和接收的时间间隔差。

6.根据权利要求2所述的利用海洋遥感数据进行霍乱预测的方法，其特征在于，所述的大气各层及电磁偏差影响所造成的测距偏差Δh，

Δh＝h_iono+h_{dry_trop}+h_{wet_trop}+h_{E_Bias}

其中，h_iono、h_{dry_trop}、h_{wet_trop}和h_{E_Bias}分别表示微波传输时受到大气电离层、大气干对流层、大气湿对流层及电磁偏差的影响。

7.根据权利要求2所述的利用海洋遥感数据进行霍乱预测的方法，其特征在于，所述的大气气压引起的海面变化h_{inv_bar}，

h_{inv_bar}＝9.948*(P-1013.3)

其中，P为大气气压。

8.根据权利要求2所述的利用海洋遥感数据进行霍乱预测的方法，其特征在于，所述的潮汐修改项h_T，

h_T＝h_otd+h_std+h_pdt

其中，h_otd、h_std和h_pdt分别表示固体潮汐、极潮、海洋潮汐引起的海面高度起伏。

9.根据权利要求1所述的利用海洋遥感数据进行霍乱预测的方法，其特征在于，所述步骤3)求解的模型参数，判断该参数显著性值是否小于设定阈值，是，则选用该参数。

10.根据权利要求9所述的利用海洋遥感数据进行霍乱预测的方法，其特征在于，所述的模型参数显著性阈值为0.05。

Images