CN111325406B - 一种基于小空间尺度的热相关健康风险预警方法 - Google Patents
一种基于小空间尺度的热相关健康风险预警方法 Download PDFInfo
- Publication number
- CN111325406B CN111325406B CN202010137526.XA CN202010137526A CN111325406B CN 111325406 B CN111325406 B CN 111325406B CN 202010137526 A CN202010137526 A CN 202010137526A CN 111325406 B CN111325406 B CN 111325406B
- Authority
- CN
- China
- Prior art keywords
- small space
- data
- temperature
- risk
- index
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000036541 health Effects 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000006243 chemical reaction Methods 0.000 claims abstract description 35
- 238000007637 random forest analysis Methods 0.000 claims abstract description 21
- 238000010197 meta-analysis Methods 0.000 claims abstract description 9
- 230000034994 death Effects 0.000 claims description 43
- 231100000517 death Toxicity 0.000 claims description 43
- 238000012544 monitoring process Methods 0.000 claims description 15
- 238000011161 development Methods 0.000 claims description 14
- 230000000694 effects Effects 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 14
- 239000006185 dispersion Substances 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000007613 environmental effect Effects 0.000 claims description 7
- 238000004519 manufacturing process Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- 108091064702 1 family Proteins 0.000 claims description 3
- 201000010099 disease Diseases 0.000 claims description 3
- 230000006806 disease prevention Effects 0.000 claims description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 3
- 238000012821 model calculation Methods 0.000 claims description 3
- 230000001360 synchronised effect Effects 0.000 claims description 3
- 238000011425 standardization method Methods 0.000 claims description 2
- 230000002265 prevention Effects 0.000 abstract description 7
- 238000004422 calculation algorithm Methods 0.000 abstract description 4
- 238000010801 machine learning Methods 0.000 abstract description 3
- 238000012108 two-stage analysis Methods 0.000 abstract description 3
- 238000007619 statistical method Methods 0.000 abstract description 2
- 230000008859 change Effects 0.000 description 6
- 238000010606 normalization Methods 0.000 description 6
- 238000013459 approach Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 230000008821 health effect Effects 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 206010063746 Accidental death Diseases 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000012850 discrimination method Methods 0.000 description 1
- 231100000673 dose–response relationship Toxicity 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 231100000206 health hazard Toxicity 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000012953 risk communication Methods 0.000 description 1
- 230000000392 somatic effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于小空间尺度的热相关健康风险预警方法，利用DLNM模型和Meta分析两阶段分析方法拟合各个小空间地区温度‑死亡的暴露关系，调整每日死亡率较小地区的暴露反应关系，根据随机森林模型筛选关键脆弱性指标并计算权重的结果，计算小空间地区脆弱性指数，结合热暴露风险值，计算小空间地区热风险指数，划分健康风险等级，为健康风险预警提供温度阈值；这种结合街道的小空间尺度数据，运用了分布滞后非线性模型以及随机森林回归模型等统计分析方法和机器学习方法，基于温度对人群健康的影响，综合考虑了多种脆弱性指标，建立了精细化的热相关健康风险预警算法，有助于高温热浪防控措施的实施，有效降低了高温热浪的健康风险。
Description
技术领域
本发明涉及热相关健康的预测预警方法领域，尤其涉及的是一种基于小空间尺度的热相关健康风险预警方法。
背景技术
以气温升高为主要特征的全球气候变化已经成为一个重要的环境、社会和公共卫生问题，被认为是21世纪人类面临的最大威胁之一；气象因素变异会对人体造成不良的健康影响，极端高气温的影响尤甚；因此，及时准确地进行热相关健康风险预警，是预防极端高气温导致健康危害的重要工作。
目前，高温热浪是根据极端高温温度值及其持续时间进行定义的，中国国内并没有基于极端高气温的健康效应进行定义和分级，需要进一步完善；此外，国内外也开发了一些气象健康指数，这些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，根据气象因子与不同健康结局的关联程度，应用回归模型、多级判别法等建立的预报模型，利用如炎热健康指数、体感温度指数等。
但是，这些指数都是在较大的空间尺度如市级水平使用，并未考虑地区的脆弱性和资源分配使用，这对在适应气候变化的实际应用中存在有一定的局限性；因此，如果在更细小的空间尺度如街道水平建立高温预警方法，将有助于高温热浪防控措施的实施，能有效降低热相关健康风险。
发明内容
为解决上述技术问题，本发明提供一种基于小空间尺度的热相关健康风险预警方法，可克服在适应气候变化的实际应用中存在的局限性，有助于高温热浪防控措施的实施，有效降低热相关健康风险。
本发明的技术方案如下：一种基于小空间尺度的热相关健康风险预警方法，包括以下步骤：
A、以街道为单位收集小空间尺度的死亡数据和气象数据，同时以街道为单位收集小空间尺度的影响脆弱性的人口学数据、社会发展数据、经济发展数据、环境数据，并构建每个小空间地区的脆弱性指标数据库；
B、建立每个小空间尺度地区的分布滞后非线性模型DLNM，经过单变量Meta分析获得总曲线，拟合每个小空间地区校正后温度与死亡的暴露-反应关系；提取预警区域每个小空间地区的热效应、最低死亡风险温度MMT和每个温度对应的风险值；
C、利用每个小空间地区的热效应与每个小空间地区的脆弱性指标数据库建立随机森林回归模型RFRM，根据各项指标的贡献大小筛选出影响健康脆弱性的关键指标，并确定各项关键指标的权重；
D、基于所述随机森林回归模型RFRM的结果，对筛选出的关键指标进行离差标准化；并利用离差标准化后的结果，按各项关键指标的权重计算出每个小空间地区的脆弱性指数；
E、根据各个小空间地区的温度-死亡暴露反应关系，提取每个小空间地区中所有高于最低死亡风险温度MMT的温度所对应的风险值作为热暴露值；通过热风险指数=暴露×脆弱性，获得每个小空间地区的热风险指数及其分布；在此基础上划分出风险等级，并以此确定每个小空间地区的温度阈值；
F、基于上述建模和风险分级，结合实际天气预报的温度情况，实现对小空间尺度地区的热相关健康风险预警。
所述的基于小空间尺度的热相关健康风险预警方法，其中，所述步骤B具体包括以下步骤：
B1、分别对每个小空间地区建立Poisson分布连接的分布滞后非线性模型DLNM，以交叉基的形式纳入暴露变量日平均气温，DLNM的模型计算公式如下：
公式(1)中，Log代表连接函数，E[Y t ]代表t日的期望死亡数，α代表截距项，β代表交叉基回归系数，T basic 代表气温与滞后的交叉基，ns()代表自然样条函数，RH代表相对湿度，df代表自由度，time代表时间变化趋势，DOW代表星期几变量；
B2、先将每个小空间地区通过气温-滞后交叉基函数建立分布滞后非线性模型DLNM形成的、用于表示暴露-滞后-反应关系的二维系数，降维成仅表达累积暴露-反应关系的一维系数；随后对降维模型中每个地区气温基矩阵的一维系数和协方差矩阵进行提取；再基于正态分布的假设，利用所提取的每个小空间地区的结果，进行随机效应单变量Meta分析；最后以最佳线性无偏预测BLUP方法，对每个地区的暴露-反应关系进行调整。
所述的基于小空间尺度的热相关健康风险预警方法，其中：所述步骤B1中，交叉基选取滞后时间为7天，滞后-反应曲线和温度-反应曲线均选用自然三次样条函数，滞后-反应曲线选取标度对数转换的3个等距位置作为内部节点，温度-反应曲线选取温度分布的5个等距位置作为内部节点，每日平均相对湿度和时间变量等通过三次样条函数平滑，自由度df分别为3年或7年。
所述的基于小空间尺度的热相关健康风险预警方法，其中：所述步骤C中，在筛选影响健康脆弱性的关键指标时，采用脆弱性指标减少引起的均方误差IncMSE衡量每个特征在随机森林模型中所做出的贡献大小。
所述的基于小空间尺度的热相关健康风险预警方法，其中：所述步骤D具体包括以下步骤：
步骤D1、选取所有IncMSE为正值的指标作为关键指标，使用0-1标准化方法对每个关键指标进行标化，使结果落到[0,1]区间，离差标准化的计算公式如下：
公式(2)中，X’代表标化后的值，x代表当前变量值，min代表变量最小值，max代表变量最大值；
步骤D2、以IncMSE表征各关键指标的权重，每个小空间地区的脆弱性指数计算公式如下：
公式(3)中，IncMSE s 代表关键指标的权重，Index s 代表标化后的指标值。
所述的基于小空间尺度的热相关健康风险预警方法，其中：所述步骤E中，在划分风险等级时，基于每个小空间地区的热风险指数及其分布，寻找热风险指数分布在25%位点、50%位点和75%位点所对应的气温值，划分为4个区间，分别定义为低风险、中风险、中高风险和高风险。
所述的基于小空间尺度的热相关健康风险预警方法，其中：
所述步骤A中的死亡数据来源于疾病预防控制中心死因监测系统的数据；其数据格式为逐日死因监测数据，其内容包括死亡案例性别、出生日期、死亡日期、居住地址编码、根本死因和根本死因编码；且所述根本死因编码中的非意外死亡基于第10代国际疾病分类编码ICD10确定，范围在A00-R99之间；
所述步骤A中的气象数据从官方气象部门获取预警区域的国家气象监测站数据，其时间与死亡数据同期，其内容包括每日平均温度及每日相对湿度。
所述的基于小空间尺度的热相关健康风险预警方法，其中，所述步骤A中，在收集气象数据时，具体包括以下步骤：
步骤A1、利用反距离权重插值法获得日平均气温和相对湿度的栅格数据，分辨率要求至少达到1km*1km；
步骤A2、提取出每个小空间地区覆盖的所有栅格数据，并分别计算均值以获得每个小空间地区的气象数据。
所述的基于小空间尺度的热相关健康风险预警方法，其中，在所述步骤A收集的影响脆弱性相关指标中：
所述人口学数据包括男性比例、0岁人口比例、60岁及以上人口比例、年出生人口数、年死亡人口数、有60岁及以上老人家庭比例、有65岁及以上老人家庭比例、60岁以上不健康生活能自理比重、60岁以上不健康生活不能自理比重；
所述社会发展数据包括6岁以上无上学人口比例、15岁以上文盲比例、1人户家庭比例、健康相关行业占总就业人口比重、室外工作行业生产人员比重、1980年以前房间数比例；
所述经济发展数据包括人均居住面积、就业人口占总人口的比重、地区GDP生产总值；
所述环境数据包括地理信息、水体面积比例、植被覆盖度。
所述的基于小空间尺度的热相关健康风险预警方法，其中：所述步骤A中收集数据的时间周期大于等于6年。
本发明所提供的一种基于小空间尺度的热相关健康风险预警方法，结合街道的小空间尺度数据，运用了分布滞后非线性模型以及随机森林回归模型等统计分析方法和机器学习方法，且基于温度对人群健康的影响，综合考虑了多种脆弱性指标，建立了精细化的热相关健康风险预警算法，由此能够基于健康风险预警提前做好高温防范工作，并合理配置资源，克服了在适应气候变化的实际应用中存在的局限性，有助于高温热浪防控措施的实施，有效降低了高温热浪的健康风险。
附图说明
图1是本发明基于小空间尺度的热相关健康风险预警方法实施例的流程图。
具体实施方式
以下将结合附图，对本发明的具体实施方式和实施例加以详细说明，所描述的具体实施例仅用以解释本发明，并非用于限定本发明的具体实施方式。
如图1所示，图1是本发明基于小空间尺度的热相关健康风险预警方法实施例的流程图，该热相关健康风险预警方法总体上包括以下步骤：
步骤S210、数据收集：以街道为单位收集小空间尺度的死亡数据111和气象数据112，同时以街道为单位收集小空间尺度的人口学数据113、社会发展数据114、经济发展数据115、环境数据116等影响脆弱性的相关指标，并构建每个小空间地区的脆弱性指标数据库；相比现有技术的较大空间尺度而言，更细小空间尺度的数据收集会使得所构建的模型更具有准确性；
步骤S220、建立小空间尺度温度-死亡的暴露-反应关系：首先建立每个小空间尺度地区的分布滞后非线性模型（Distributed Lag Nonlinear Model，简称DLNM），其次经过单变量Meta分析获得总曲线，随后拟合每个小空间地区校正后温度与死亡的暴露-反应关系；在此基础上，提取出预警区域每个小空间地区的热效应(即每升高1℃的健康风险)117、最低死亡风险温度（Minimum Mortality Temperature，简称MMT）118和每个温度对应的风险(RR)值119；
步骤S230、建立随机森林回归模型（Random Forests Regression Model，简称RFRM）：利用每个小空间地区的热效应117与每个小空间地区的脆弱性指标数据库建立随机森林回归模型RFRM，根据各项指标的贡献大小筛选影响健康脆弱性的关键指标，并确定各项关键指标的权重；这种利用随机森林模型筛选关键脆弱性指标并计算权重，保证了脆弱性评估方法的科学性；
步骤S240、计算小空间尺度地区脆弱性指数：基于上述随机森林回归模型RFRM的结果，对筛选出的关键指标进行离差标准化；并利用离差标准化后的结果，按各项关键指标的权重计算出每个小空间地区的脆弱性指数；
步骤S250、计算小空间尺度的热风险指数，并划分风险等级：根据步骤S220得到的各个小空间地区的温度-死亡暴露反应关系，提取每个小空间地区中所有高于最低死亡风险温度MMT 118的温度所对应的风险值作为热暴露值；同时通过热风险指数=暴露×脆弱性，获得每个小空间地区的热风险指数及其分布；在此基础上划分出风险等级，并以此确定每个小空间地区的温度阈值；
步骤S260、健康风险预警：基于上述建模和风险分级，结合实际天气预报的温度情况，实现对小空间尺度地区的热相关健康风险预警。
本发明基于小空间地区尺度建立的高温预警方法，是一种基于小空间尺度结合温度-死亡暴露反应关系、随机森林算法和热风险计算方法的热相关健康风险评估方法，利用机器学习和高级数据分析方法，在高温脆弱性指标筛选、权重确定、脆弱性指数可靠性验证等方面进行了创新，从而保证了脆弱性评估方法的科学性；同时，创新性地利用了暴露反应关系，并整合了温度风险系数和社会脆弱性指数进行实时动态预警，为风险沟通和资源配置提供了科学依据；既有助于高温防控措施的精准化及精细化，也有利于提高高温防控效果。
本发明中，“小空间尺度地区”指的是以街道为尺度的小空间地区，可简称“小空间尺度”或“小空间地区”。
所述步骤S210中，较好的是，收集数据和资料的时间跨度建议不少于6年，即收集数据和资料的时间周期≥6年，以获得较为稳定的评估结果；实际应用中可稍缩短此时间，但应满足分布滞后非线性模型DLNM的建立。
所述死亡数据111用于构建模型，来源于疾病预防控制中心死因监测系统的数据，以确保模型的有效性；具体的，所述死亡数据111的数据格式为逐日死因监测数据，其内容包括死亡案例性别、出生日期、死亡日期、居住地址编码、根本死因和根本死因编码；非意外死亡的死因编码可基于第10代国际疾病分类编码ICD10确定，范围在A00-R99之间。
所述气象数据112从官方气象部门获取预警区域的国家气象监测站数据，其时间与死亡数据同期，其内容包括每日平均温度及每日相对湿度。
具体的，先利用反距离权重插值法获得日平均气温和相对湿度的栅格数据，分辨率要求至少达到1km*1km；再提取出每个小空间地区覆盖的所有栅格数据，并分别计算均值以获得每个小空间地区的气象数据。
为获得更好的空间插值效果，较好的是，建议纳入预警区域的气象自动监测站数据。
所述步骤S210中，可广泛查阅相关普查数据、统计年鉴等来源资料，从人口学、社会发展、自然环境和经济发展等四个层面，基于气候影响健康的敏感性和适应性两个维度，尽可能多地收集小空间地区的脆弱性指标，其中：
所述人口学数据113指标具体包括男性比例、0岁人口比例、60岁及以上人口比例、年出生人口数、年死亡人口数、有60岁及以上老人家庭比例、有65岁及以上老人家庭比例、60岁以上不健康生活能自理比重、60岁以上不健康生活不能自理比重；
所述社会发展数据114指标具体包括6岁以上无上学人口比例、15岁以上文盲比例、1人户家庭比例、健康相关行业（即卫生、社会保障和社会福利业）占总就业人口比重、室外工作行业（即农、林、牧、渔、水利业）生产人员比重、1980年以前房间数比例；
所述经济发展数据115指标具体包括人均居住面积、就业人口占总人口的比重、地区GDP生产总值；
所述环境数据116指标具体包括地理信息、水体面积比例、植被覆盖度。
在本发明热相关健康风险预警方法的优选实施方式中，所述步骤S220利用DLNM模型和Meta分析的两阶段分析方法拟合各个小空间地区温度-死亡的暴露关系，并对每日死亡率较小的地区的暴露反应关系进行调整；具体的：
第一阶段、分别对每个小空间地区建立Poisson分布连接的分布滞后非线性模型DLNM，以交叉基的形式纳入暴露变量日平均气温，DLNM的模型计算公式如下：
公式(1)中，Log代表连接函数，E[Y t ]代表t日的期望死亡数，α代表截距项，β代表交叉基回归系数，T basic 代表气温与滞后的交叉基，ns()代表自然样条函数，RH代表相对湿度，df代表自由度，time代表时间变化趋势，DOW代表星期几变量；
优选地，交叉基选取滞后时间为7天，滞后-反应曲线和温度-反应曲线均选用自然三次样条函数，滞后-反应曲线选取标度对数转换的3个等距位置作为内部节点，温度-反应曲线选取温度分布的5个等距位置作为内部节点，每日平均相对湿度和时间变量等通过三次样条函数平滑，自由度（df）分别为3年和/或7年；
第二阶段、先将每个小空间地区通过气温-滞后交叉基函数建立分布滞后非线性模型DLNM形成的、用于表示暴露-滞后-反应关系的二维系数，降维成仅表达累积暴露-反应关系的一维系数；随后对降维模型中每个地区气温基矩阵的一维系数和协方差矩阵进行提取；再基于正态分布的假设，利用所提取的每个小空间地区的结果，进行随机效应单变量Meta分析；最后以最佳线性无偏预测(Best Linear Unbiased Prediction，简称BLUP)方法，对每个地区的暴露-反应关系进行调整；
较好的是，在单变量Meta分析中，考虑到结果之间的相关性，通过最大似然法得到多地区合并的系数和协方差，即合并的气温与死亡的暴露-反应关系；
而最佳线性无偏预测BLUP方法可在每个地区的系数和合并系数之间进行权衡，这种方法允许每日死亡率较小或序列较短的地区（通常表现为系数估计的不准确），能够从具有相似特征的较大人口中借用信息。
最后，基于以上结果，提取出预警区域每个小空间地区的热效应（即每升高1℃的风险）117、最低风险温度MMT 118以及每个温度的风险(RR)值119。
所述步骤S230中，具体的，以每个小空间地区的热效应（即每升高1℃的风险）117作为响应变量（response variable），与每个小空间地区的脆弱性指标库建立随机森林回归模型；利用随机森林的特征确定脆弱性指标的重要性排序。
所述随机森林是一种集成算法，通过组合多个弱分类器，最终结果通过投票或取均值，使得整体模型的结果具有较高的精确度和泛化性能；利用随机森林进行特征重要性评估的思想是基于每个特征在随机森林模型中所做出的贡献，贡献的大小可用脆弱性指标减少引起的均方误差（Increase in MSE，简称IncMSE）进行衡量；该指标是回归变量筛选的常用指标。
所述步骤S240中，基于随机森林回归模型RFRM的结果，选取所有IncMSE为正值的指标作为关键指标，并以IncMSE表征各关键指标的权重；
具体的，使用0-1标准化方法对每个关键指标进行标化，0-1标准化也称离差标准化，是对原始数据进行线性变换，使结果落到[0,1]区间，以消除不同指标数值大小不一对脆弱性指数的影响，离差标准化的计算公式如下：
公式(2)中，X’代表标化后的值，x代表当前变量值，min代表变量最小值，max代表变量最大值；
而以IncMSE表征各关键指标的权重，每个小空间地区的脆弱性指数计算公式如下：
公式(3)中，IncMSE s 代表关键指标的权重，Index s 代表标化后的指标值。
所述步骤S250中，具体的，经过步骤S220发两阶段分析之后，可获得每个小空间地区每个温度的风险(RR)值119，提取或选择每个小空间地区所有温度不小于最低死亡风险温度MMT 118的风险值，并以此表征小空间地区的热暴露；
同时，通过联合国政府间气候变化专门委员会（Intergovernmental Panel onClimate Change，简称IPCC）第三次报告中的定义：热风险指数=暴露×脆弱性，由此可获得每个小空间地区的热风险指数及其分布；
再基于每个小空间地区的热风险指数及其分布，寻找热风险指数分布在25%位点、50%位点和75%位点所对应的气温值，划分为4个区间，即按照分布的第25、50、75分位，划分为四个等级，分别定义为低风险、中风险、中高风险和高风险，并以此确定每个小空间地区的温度阈值。
最后，基于上述建模和风险分级，结合实际天气预报的温度情况，实现对小空间尺度的热相关健康风险预警（即步骤S260）。
应当理解的是，以上所述仅为本发明的较佳实施例而已，并不足以限制本发明的技术方案，对本领域普通技术人员来说，在本发明的精神和原则之内，可以根据上述说明加以增减、替换、变换或改进，而所有这些增减、替换、变换或改进后的技术方案，都应属于本发明所附权利要求的保护范围。
Claims (6)
1.一种基于小空间尺度的热相关健康风险预警方法，其特征在于，包括以下步骤：
A、以街道为单位收集小空间尺度的死亡数据和气象数据，同时以街道为单位收集小空间尺度的影响脆弱性的人口学数据、社会发展数据、经济发展数据、环境数据，并构建每个小空间地区的脆弱性指标数据库；
B、建立每个小空间尺度地区的分布滞后非线性模型DLNM，经过单变量Meta分析获得总曲线，拟合每个小空间地区校正后温度与死亡的暴露-反应关系；提取预警区域每个小空间地区的热效应、最低死亡风险温度MMT和每个温度对应的风险值；
所述步骤B具体包括以下步骤：
B1、分别对每个小空间地区建立Poisson分布连接的分布滞后非线性模型DLNM，以交叉基的形式纳入暴露变量日平均气温，DLNM的模型计算公式如下：
LogE[Yt]＝α+βTbasic+ns(RH，df)+ns(time，df)+DOW 公式(1)；
公式(1)中，Log代表连接函数，E[Yt]代表t日的期望死亡数，α代表截距项，β代表交叉基回归系数，Tbasic代表气温与滞后的交叉基，ns()代表自然样条函数，RH代表相对湿度，df代表自由度，time代表时间变化趋势，DOW代表星期几变量；
B2、先将每个小空间地区通过气温-滞后交叉基函数建立分布滞后非线性模型DLNM形成的、用于表示暴露-滞后-反应关系的二维系数，降维成仅表达累积暴露-反应关系的一维系数；随后对降维模型中每个地区气温基矩阵的一维系数和协方差矩阵进行提取；再基于正态分布的假设，利用所提取的每个小空间地区的结果，进行随机效应单变量Meta分析；最后以最佳线性无偏预测BLUP方法，对每个地区的暴露-反应关系进行调整；
C、利用每个小空间地区的热效应与每个小空间地区的脆弱性指标数据库建立随机森林回归模型RFRM，根据各项指标的贡献大小筛选出影响健康脆弱性的关键指标，并确定各项关键指标的权重；所述步骤C中，在筛选影响健康脆弱性的关键指标时，采用脆弱性指标减少引起的均方误差IncMSE衡量每个特征在随机森林模型中所做出的贡献大小；
D、基于所述随机森林回归模型RFRM的结果，对筛选出的关键指标进行离差标准化；并利用离差标准化后的结果，按各项关键指标的权重计算出每个小空间地区的脆弱性指数；所述步骤D具体包括以下步骤：
步骤Dl、选取所有IncMSE为正值的指标作为关键指标，使用0-1标准化方法对每个关键指标进行标化，使结果落到[0，1]区间，离差标准化的计算公式如下：
公式(2)中，X’代表标化后的值，x代表当前变量值，min代表变量最小值，max代表变量最大值；
步骤D2、以IncMSE表征各关键指标的权重，每个小空间地区的脆弱性指数计算公式如下：
脆弱性指数＝∑(IncMSEs×Indexs) 公式(3)；
公式(3)中，IncMSEs代表关键指标的权重，Indexs代表标化后的指标值；
E、根据各个小空间地区的温度-死亡暴露反应关系，提取每个小空间地区中所有高于最低死亡风险温度MMT的温度所对应的风险值作为热暴露值；通过热风险指数＝暴露×脆弱性，获得每个小空间地区的热风险指数及其分布；在此基础上划分出风险等级，并以此确定每个小空间地区的温度阈值；所述步骤E中，在划分风险等级时，基于每个小空间地区的热风险指数及其分布，寻找热风险指数分布在25％位点、50％位点和75％位点所对应的气温值，划分为4个区间，分别定义为低风险、中风险、中高风险和高风险；
F、基于建模和风险分级，结合实际天气预报的温度情况，实现对小空间尺度地区的热相关健康风险预警。
2.根据权利要求1所述的基于小空间尺度的热相关健康风险预警方法，其特征在于：所述步骤B1中，交叉基选取滞后时间为7天，滞后-反应曲线和温度-反应曲线均选用自然三次样条函数，滞后-反应曲线选取标度对数转换的3个等距位置作为内部节点，温度-反应曲线选取温度分布的5个等距位置作为内部节点，每日平均相对湿度和时间变量等通过三次样条函数平滑，自由度df分别为3年或7年。
3.根据权利要求1所述的基于小空间尺度的热相关健康风险预警方法，其特征在于：
所述步骤A中的死亡数据来源于疾病预防控制中心死因监测系统的数据；其数据格式为逐日死因监测数据，其内容包括死亡案例性别、出生日期、死亡日期、居住地址编码、根本死因和根本死因编码；且所述根本死因编码中的非意外死亡基于第10代国际疾病分类编码ICD10确定，范围在A00-R99之间；
所述步骤A中的气象数据从官方气象部门获取预警区域的国家气象监测站数据，其时间与死亡数据同期，其内容包括每日平均温度及每日相对湿度。
4.根据权利要求3所述的基于小空间尺度的热相关健康风险预警方法，其特征在于，所述步骤A中，在收集气象数据时，具体包括以下步骤：
步骤A1、利用反距离权重插值法获得日平均气温和相对湿度的栅格数据，分辨率要求至少达到1km*1km；
步骤A2、提取出每个小空间地区覆盖的所有栅格数据，并分别计算均值以获得每个小空间地区的气象数据。
5.根据权利要求1所述的基于小空间尺度的热相关健康风险预警方法，其特征在于，在所述步骤A收集的影响脆弱性相关指标中：
所述人口学数据包括男性比例、0岁人口比例、60岁及以上人口比例、年出生人口数、年死亡人口数、有60岁及以上老人家庭比例、有65岁及以上老人家庭比例、60岁以上不健康生活能自理比重、60岁以上不健康生活不能自理比重；
所述社会发展数据包括6岁以上无上学人口比例、15岁以上文盲比例、1人户家庭比例、健康相关行业占总就业人口比重、室外工作行业生产人员比重、1980年以前房间数比例；
所述经济发展数据包括人均居住面积、就业人口占总人口的比重、地区GDP生产总值；
所述环境数据包括地理信息、水体面积比例、植被覆盖度。
6.根据权利要求1所述的基于小空间尺度的热相关健康风险预警方法，其特征在于：所述步骤A中收集数据的时间周期大于等于6年。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010137526.XA CN111325406B (zh) | 2020-03-03 | 2020-03-03 | 一种基于小空间尺度的热相关健康风险预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010137526.XA CN111325406B (zh) | 2020-03-03 | 2020-03-03 | 一种基于小空间尺度的热相关健康风险预警方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111325406A CN111325406A (zh) | 2020-06-23 |
| CN111325406B true CN111325406B (zh) | 2023-04-28 |
Family
ID=71173109
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010137526.XA Active CN111325406B (zh) | 2020-03-03 | 2020-03-03 | 一种基于小空间尺度的热相关健康风险预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111325406B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112418517B (zh) * | 2020-11-20 | 2023-09-26 | 杭州电子科技大学 | 一种用于冻害短临预警的预测方法 |
| CN113570149B (zh) * | 2021-08-03 | 2024-02-27 | 中国科学院地理科学与资源研究所 | 一种居民居住地距离矿区的安全距离确定方法及系统 |
| CN115050485A (zh) * | 2022-06-30 | 2022-09-13 | 宝略科技(浙江)有限公司 | 一种基于环境因素的健康风险精准预警方法 |
| CN115907509A (zh) * | 2022-10-18 | 2023-04-04 | 中国疾病预防控制中心环境与健康相关产品安全所 | 一种大区域协同发布的aqhi指标体系构建方法与系统 |
| CN116485172B (zh) * | 2022-12-09 | 2023-12-05 | 中国疾病预防控制中心环境与健康相关产品安全所 | 一种夏季热健康风险分级预警方法及预测预警系统 |
| CN116542401B (zh) * | 2023-07-05 | 2023-09-19 | 江南大学附属医院 | 一种住院诊疗服务单元的医保超支预测方法与系统 |
| CN116665905B (zh) * | 2023-07-31 | 2023-10-24 | 中国疾病预防控制中心环境与健康相关产品安全所 | 健康效应导向的多参数人群热脆弱性指数构建方法及装置 |
| CN117196309A (zh) * | 2023-09-15 | 2023-12-08 | 中国疾病预防控制中心环境与健康相关产品安全所 | 公众冬季寒潮健康风险全阶段分级预警管理系统及方法 |
| CN118095868B (zh) * | 2024-04-25 | 2024-07-12 | 广州市城市规划勘测设计研究院有限公司 | 一种热暴露风险预警方法、装置、设备及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107832579A (zh) * | 2017-11-08 | 2018-03-23 | 中科宇图科技股份有限公司 | 一种参数本地化的水环境健康经济损害评价方法及系统 |
| CN108931797A (zh) * | 2018-05-29 | 2018-12-04 | 中国科学院新疆生态与地理研究所 | 精细定量基站稀疏区域飞灰有毒金属暴露人群的方法 |
| CN109359770A (zh) * | 2018-10-11 | 2019-02-19 | 中国疾病预防控制中心环境与健康相关产品安全所 | 一种基于机器学习预测中暑发生的模型及方法 |
-
2020
- 2020-03-03 CN CN202010137526.XA patent/CN111325406B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107832579A (zh) * | 2017-11-08 | 2018-03-23 | 中科宇图科技股份有限公司 | 一种参数本地化的水环境健康经济损害评价方法及系统 |
| CN108931797A (zh) * | 2018-05-29 | 2018-12-04 | 中国科学院新疆生态与地理研究所 | 精细定量基站稀疏区域飞灰有毒金属暴露人群的方法 |
| CN109359770A (zh) * | 2018-10-11 | 2019-02-19 | 中国疾病预防控制中心环境与健康相关产品安全所 | 一种基于机器学习预测中暑发生的模型及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111325406A (zh) | 2020-06-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111325406B (zh) | 一种基于小空间尺度的热相关健康风险预警方法 | |
| Ali et al. | A data-driven approach for multi-scale GIS-based building energy modeling for analysis, planning and support decision making | |
| CN110459329B (zh) | 一种登革热风险综合评估方法 | |
| Liu et al. | Assessing vulnerability to drought based on exposure, sensitivity and adaptive capacity: a case study in middle Inner Mongolia of China | |
| Feng et al. | Using exploratory regression to identify optimal driving factors for cellular automaton modeling of land use change | |
| CN106530706A (zh) | 一种基于连通性空间权重矩阵的区域交通安全评价方法 | |
| Camus et al. | An atmospheric-to-marine synoptic classification for statistical downscaling marine climate | |
| CN112820415B (zh) | 一种基于gis的慢性病时空演化特征分析及环境健康风险监测系统及方法 | |
| Lin et al. | A hybrid statistical downscaling method based on the classification of rainfall patterns | |
| WO2021084742A1 (ja) | 情報処理方法、記憶媒体、及び情報処理装置 | |
| Kim et al. | Estimating urban spatial temperatures considering anthropogenic heat release factors focusing on the mobility characteristics | |
| Delaygue et al. | Reconstruction of Lamb weather type series back to the eighteenth century | |
| Zhao et al. | Characterizing the importance of habitat patches in maintaining landscape connectivity for Tibetan antelope in the Altun Mountain National Nature Reserve, China | |
| Teles et al. | Spatial and temporal dynamics of leptospirosis in South Brazil: A forecasting and nonlinear regression analysis | |
| Mavrogianni et al. | A GIS-based bottom-up space heating demand model of the London domestic stock | |
| Zhang et al. | Risk early warning of maize drought disaster in Northwestern Liaoning Province, China | |
| Liu et al. | Spatio-temporal patterns and population exposure risks of urban heat island in megacity Shanghai, China | |
| Matyasovszky et al. | Estimating the daily Poaceae pollen concentration in Hungary by linear regression conditioning on weather types | |
| Herrera et al. | Creating extreme weather time series through a quantile regression ensemble | |
| CN116776263A (zh) | 基于数据驱动的街区尺度建筑高能耗异常检测方法及系统 | |
| Schiavon et al. | Predictive clothing insulation model based on outdoor air and indoor operative temperatures | |
| Mutani et al. | Statistical GIS-based analysis of energy consumption for residential buildings in Turin (IT) | |
| Ali et al. | Measuring and restructuring the risk in forecasting drought classes: an application of weighted Markov chain based model for standardised precipitation evapotranspiration index (SPEI) at one-month time scale | |
| Bilgili et al. | Analysis of historical and future cooling degree days over Türkiye for facade design and energy efficiency in buildings | |
| Kent et al. | Incorporating land cover within bayesian journey-to-crime estimation models |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |