CN116665905B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN116665905B CN116665905B CN202310946953.6A CN202310946953A CN116665905B CN 116665905 B CN116665905 B CN 116665905B CN 202310946953 A CN202310946953 A CN 202310946953A CN 116665905 B CN116665905 B CN 116665905B
- Authority
- CN
- China
- Prior art keywords
- thermal
- index
- vulnerability index
- thermal vulnerability
- vulnerability
- 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
- 238000010276 construction Methods 0.000 title claims description 51
- 230000008821 health effect Effects 0.000 title claims description 11
- 230000036541 health Effects 0.000 claims abstract description 66
- 230000034994 death Effects 0.000 claims abstract description 48
- 231100000517 death Toxicity 0.000 claims abstract description 48
- 238000012544 monitoring process Methods 0.000 claims abstract description 33
- 238000000034 method Methods 0.000 claims abstract description 31
- 238000006243 chemical reaction Methods 0.000 claims abstract description 27
- 238000004364 calculation method Methods 0.000 claims abstract description 22
- 238000012216 screening Methods 0.000 claims abstract description 17
- 238000012795 verification Methods 0.000 claims description 37
- 230000035945 sensitivity Effects 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 238000011160 research Methods 0.000 claims description 10
- 230000032683 aging Effects 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 claims description 5
- 239000000203 mixture Substances 0.000 claims description 5
- 238000000611 regression analysis Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 230000001276 controlling effect Effects 0.000 claims description 4
- 230000002596 correlated effect Effects 0.000 claims description 4
- 230000007774 longterm Effects 0.000 claims description 4
- 230000001932 seasonal effect Effects 0.000 claims description 4
- 239000004575 stone Substances 0.000 claims description 3
- 238000012351 Integrated analysis Methods 0.000 claims description 2
- 239000000284 extract Substances 0.000 claims 1
- 230000003862 health status Effects 0.000 claims 1
- 238000011156 evaluation Methods 0.000 abstract description 11
- 238000013507 mapping Methods 0.000 abstract description 4
- 230000003044 adaptive effect Effects 0.000 description 7
- 238000000513 principal component analysis Methods 0.000 description 7
- 230000005484 gravity Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000006378 damage Effects 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 230000002265 prevention Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 231100000206 health hazard Toxicity 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 239000002075 main ingredient Substances 0.000 description 3
- 238000012847 principal component analysis method Methods 0.000 description 3
- 230000001681 protective effect Effects 0.000 description 3
- 208000027418 Wounds and injury Diseases 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000000383 hazardous chemical Substances 0.000 description 2
- 208000014674 injury Diseases 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 230000006806 disease prevention Effects 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 231100000673 dose–response relationship Toxicity 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000008407 joint function Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000013077 scoring method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Public Health (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种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，该方法主要包括以下步骤：S1：归纳总结以往研究中使用的热脆弱性指标并初步筛选，然后基于健康监测数据的暴露‑反应关系分析验证，进一步选择需要纳入的热脆弱性指标；S2：将多种与热对健康影响有关系的因素进行整合分析，并通过计算得到热脆弱性指数；S3：收集二级区域死因监测数据和气象数据，结合前述数据得到人群死亡的热归因分值，对S2得到的热脆弱性指数进行验证和评价；S4：基于S3中验证通过的热脆弱性指数进行热脆弱性地图绘制。本发明实现了将健康数据作为评估指标，使计算得到的热脆弱性指数及其得分能够真实客观地反映人群对于高温热暴露的脆弱性。
Description
技术领域
本发明涉及数据处理技术领域，具体涉及一种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。
背景技术
在气候变化背景下，全球气温继续飙升将直接导致世界各国极端高温热浪天气频发、且高温持续时间变长。现有流行病学研究已证实，高温热浪天气将波及人们心脑血管、呼吸、代谢等多系统，造成功能受损、发病风险增加，对健康构成致命威胁，且这种威胁对于脆弱人群的影响更大。科学定量的评估高温热浪健康影响，进而开展相应的风险预警和干预，尤其是针对脆弱人群开展高温热浪健康风险的防护，可以减轻热浪对人群的健康影响。
人群热脆弱性是指人群健康容易受到高温热暴露危害的程度，因此热脆弱性的评估需要考虑高温热暴露与人群健康的关联性。然而目前评估人群热脆弱性的方法主要是基于一系列环境、人口、社会经济等相关指标，将其标准化后作为变量，结合相关算法（如专家打分法、主成分分析法等），构建一个热脆弱性指数算法，估算出各评估单元的热脆弱性指数得分，较少真正纳入健康数据去评估。对于这些指数及其得分是否能真实客观地反映人群对于高温热暴露的脆弱性，现有的评估方法大都缺乏实际健康监测数据的验证，因此存在一定的不确定性。
发明内容
本发明为解决现有技术的不足，提供了一种健康效应导向的多参数人群热脆弱性指数构建方法，该方法能够将健康数据作为评估指标，使计算得到的热脆弱性指数及其得分能够真实客观地反映人群对于高温热暴露的脆弱性。
为实现上述目的，本发明提供了以下技术方案：
一种健康效应导向的多参数人群热脆弱性指数构建方法，该方法包括以下步骤：
S1：提供一参数化数据集构建模块，所述参数化数据集构建模块用于归纳总结以往研究中使用的热脆弱性指标并初步筛选，然后基于健康监测数据的暴露-反应关系分析验证，进一步选择需要纳入的热脆弱性指标；
S2：提供一热脆弱性指数构建模块，所述热脆弱性指数构建模块将多种与热对健康影响有关系的因素进行整合分析，并通过计算得到热脆弱性指数；
S3：提供一热脆弱性指数验证模块，所述热脆弱性指数验证模块用于收集二级区域死因监测数据和气象数据，结合死因监测数据和气象数据得到人群死亡的热归因分值，对S2得到的热脆弱性指数进行验证和评价；
S4：提供一热脆弱性地图绘制模块，所述热脆弱性地图绘制模块基于S3中验证通过的热脆弱性指数，计算出一级区域内所有二级区域的热脆弱性指数得分，将每个二级区域的热脆弱性指数得分与二级区域边界矢量地图文件进行匹配，制作一级区域热脆弱性指数的空间分布图。
在一些实施例中，所述热脆弱性指标包括健康基础水平、老龄化程度、受教育程度、经济状况、空调拥有量。
在一些实施例中，在所述步骤S1中，按照敏感性因素和适应性因素将热脆弱性指标分类，并将研究中重复使用的热脆弱性指标进行记录。
在一些实施例中，所述敏感性因素包括年龄、教育、城乡、社会隔离、民族和健康状况。
在一些实施例中，所述适应性因素包括经济状况和生活条件。
在一些实施例中，所述S2步骤中，在多个热脆弱性指标中提取主成分，并分析各主成分对于热脆弱性指数的贡献。
在一些实施例中，利用R语言软件，对完成整理的热脆弱性指标数据进行统一的标准化处理，敏感性因素指标的标准化处理采用的公式为：
Xnor=(xi-min(xi))/(max(xi)-min(xi))；
适应性因素指标的标准化处理采用的公式为：
Xnor=(max(xi)-xi)/(max(xi)-min(xi))；
其中，Xnor表示标准化后的数值；
Xi表示区县指标i数据原始值；
min（xi）表示所有区县中指标i原始值的最小值；
max（xi）表示所有区县中指标i原始值的最大值。
在一些实施例中，通过分析主成分的结果，得到每个主成分的组成因素，以及每个主成分对于方差解释的贡献大小；然后计算所有主成分对于总方差的解释率，对脆弱性指标进行筛选。
在一些实施例中，根据碎石检验绘制特征值与主成分数的图形，在图形变化最大处之上的主成分予以保留，从而确定主成分的数目；主成分得分的计算公式为：
PCm= a1i×ZX1+ a2i×ZX2+ …… + api×ZXp
其中，PCm为第m个主成分；a1i, a2i, ……,api（i=1,……,m）为X变量对于主成分PCm的贡献系数，ZX1, ZX2, ……, ZXp是原始变量经过标准化处理的值；
热脆弱性指数的计算公式为：
HVIi=∑（PCij）
其中，HVIi为二级区域i的热脆弱性指数；
PCij为二级区域i第j个主成分的得分。
在一些实施例中，在所述S3步骤中，计算得到一级区域内的多个二级区域与非意外总死亡间的暴露反应关系，计算公式为
LogE（Yt）= Intercept + cb（temperate,lag）+ns（time,df）+dow
其中，E(Yt)表示观察日t日的死亡人数；cb是温度和滞后的交叉基选项，滞后设置为21天；ns(time，df)代表代表时间趋势的自然样条函数，可以控制长期和季节趋势，每年具有5个自由度；dow表示虚拟变量，控制星期几效应；
基于计算得到的各二级区域的暴露反应关系，获取高温与死亡的暴露反应关系系数β，计算人群死亡的热归因分值，具体算法如下：
RR=exp (β)
AF=(RR-1)/RR×100%
式中，β为暴露反应关系系数，RR为相对危险度。将得到的各二级区域AF值与各二级区域的HVI值进行meta回归分析验证，若二者存在显著正相关，则验证通过；若二者不存在显著正相关，则验证不通过，需要调整指标和算法重新估算HVI。
本发明还提供了一种人群热脆弱性指数构建装置，该装置包括参数化数据集构建模块、热脆弱性指数构建模块、热脆弱性指数验证模块和热脆弱性地图绘制模块。其中，所述参数化数据集构建模块用于归纳总结以往研究中使用的热脆弱性指标并初步筛选，然后基于健康监测数据的暴露-反应关系分析验证，进一步选择需要纳入的热脆弱性指标；所述热脆弱性指数构建模块用于将多种与热对健康影响有关系的因素进行整合分析，并通过计算得到热脆弱性指数；所述热脆弱性指数验证模块用于收集二级区域死因监测数据和气象数据，结合死因监测数据和气象数据得到人群死亡的热归因分值，对热脆弱性指数构建模块计算得到的热脆弱性指数进行验证和评价；所述热脆弱性地图绘制模块基于经热脆弱性指数构建模块验证通过的热脆弱性指数，计算出一级区域内所有二级区域的热脆弱性指数得分，将每个二级区域的热脆弱性指数得分与二级区域边界矢量地图文件进行匹配，制作一级区域热脆弱性指数的空间分布图。
与现有技术相比，本发明提供的健康效应导向的多参数人群热脆弱性指数构建方法和装置，基于健康监测数据的暴露-反应关系分析验证进一步选择需要纳入的热脆弱性指标，同时对多种与热对健康影响有关系的因素进行整合分析，实现了将健康数据作为评估和验证的指标，使计算得到的热脆弱性指数及其得分能够真实客观地反映人群对于高温热暴露的脆弱性。通过结合本发明构建的人群热脆弱性指数，相关部门可以针对脆弱人群制定并实施高温应急预案等更有针对性的适应性措施，引导公众尤其是脆弱人群提前做好防护措施，提高人群的应变能力和适应能力，这样便可以降低高温天气时人群的健康风险。基于本发明提供的方法构建的人群热脆弱性指数可以为决策者按需求来配置医疗资源提供科学依据，帮助决策者在空间尺度上准确辨识处于高风险的脆弱人群，从而有助于适应性政策有效地实施。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例的主要步骤。
图2是本发明实施例的热脆弱性指数构建与热脆弱性评估验证流程图。
图3是本发明实施例的主成分分析碎石图（筛选出3个主成分）。
图4是本发明实施例中的全国区县HVI指数得分频数分布情况。
图5是本发明实施例中的全国各省HVI指数得分平均值情况。
图6是本发明实施例中的不同城市化水平下HVI指数得分频数分布情况。
图7是本发明实施例提供的人群热脆弱性指数构建装置的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行详细的描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式，都属于本发明所保护的范围。
本发明提供了一种健康效应导向的多参数人群热脆弱性指数构建方法，该方法主要包括以下步骤：
S1（标准化参数数据集构建）：提供一参数化数据集构建模块，所述参数化数据集构建模块用于归纳总结以往研究中使用的热脆弱性指标并初步筛选，然后基于健康监测数据的暴露-反应关系分析验证，进一步选择需要纳入的热脆弱性指标；
S2（热脆弱性指数构建）：提供一热脆弱性指数构建模块，所述热脆弱性指数构建模块将多种与热对健康影响有关系的因素进行整合分析，并通过计算得到热脆弱性指数；
S3（热脆弱性指数验证）：提供一热脆弱性指数验证模块，所述热脆弱性指数验证模块用于收集二级区域死因监测数据和气象数据，结合死因监测数据和气象数据得到人群死亡的热归因分值，对S2得到的热脆弱性指数进行验证和评价；
S4（热脆弱性地图绘制）：提供一热脆弱性地图绘制模块，所述热脆弱性地图绘制模块基于S3中验证通过的热脆弱性指数，计算出一级区域内所有二级区域的热脆弱性指数得分，将每个二级区域的热脆弱性指数得分与二级区域边界矢量地图文件进行匹配，制作一级区域热脆弱性指数的空间分布图。
下面的说明以及附图用实例展示了健康效应导向的多参数人群热脆弱性指数构建方法。本实施例以全国区县尺度人群热脆弱性指数构建和热脆弱性估算为例，展示健康效应导向的多参数人群热脆弱性指数构建和热脆弱性评估及验证方法的具体流程。在实施例中，本发明中所述的一级区域为全国范围，二级区域为区县级别的行政区划。
探明脆弱性和健康风险的差异性并采取有针对性的措施，是降低高温带来的健康风险、保护人群健康的重要手段。高温热浪对不同人群、不同地区的影响具有较大的差异，由于自然地理环境、社会经济水平、人口健康素质等的差异，使得不同地区/人群对高温的适应调节能力不同，因此高温热脆弱性存在较大的区域差异。为了从宏观尺度上探明全国人群热脆弱性的区域差异特征，本实施例选择了健康基础水平、老龄化程度、受教育程度、经济状况、空调拥有率等10种能体现人群整体热脆弱性的指标，构建了热脆弱性指数，评估全国区县尺度的人群热脆弱性，并结合健康监测数据和气象数据得到的人群健康结局的热归因分值对这一热脆弱性指数进行了验证，进而分析全国热脆弱性空间格局情况、识别全国高脆弱性地区，为高温人群健康风险的应对决策管理提供科学依据。
为详细描述本发明提供的健康效应导向的多参数人群热脆弱性指数构建方法，以下将结合附图对本发明进行详细描述。图1给出了健康效应导向的多参数人群热脆弱性指数构建及验证的主要步骤；图2是健康效应导向的多参数人群热脆弱性指数构建及验证的细化流程图。
本实施例主要的技术流程包括基于已有文献调研的人群热脆弱性指标筛选和相关参数数据收集、基于主成分分析方法的热脆弱性指数构建、基于全国多中心的健康监测数据的热脆弱性指数验证、全国区县尺度人群热脆弱性计算及空间分布制图，下面将对这些技术流程加以详细说明。
（1）热脆弱性指标筛选和相关参数收集
通过查阅相关文献并归纳总结以往研究中使用的热脆弱性指标，再结合我国目前存在的全国范围的区县级别尺度的指标数据集，初步筛选热脆弱性指标；进而基于健康监测数据的暴露反应关系分析验证，进一步选择纳入指标。在归纳以往文献中使用的脆弱性指标时，按照敏感性因素和适应性因素将指标分类，并将研究中重复使用的指标进行记录。根据文献报道整理的热脆弱性指标，对国内公开的数据集进行调研，包括全国人口普查数据、中国科学院资源环境科学数据中心数据和全国地理空间数据云等数据库。通过对现有数据库调研，本实施例采用2010年的人口普查数据，主要是由于2010年的人口普查数据是我国目前最新的人口和社会经济学数据，数据尺度为区县级别，并且普查数据中的多个指标可以满足要求开展热脆弱性评估。另外，为了与普查数据匹配，便于数据的整合，各参数选择的数据时间尺度均为2010年数据。
在收集到的20余个指标数据的基础上，基于数据可得性和验证步骤的指标筛选，最终选择了健康基础水平、老龄化程度、受教育程度、经济状况、空调拥有量等10种能体现人群整体热脆弱性的指标，如表1所示。
表1 筛选出的热脆弱性指标
（2）热脆弱性指数构建
热脆弱性指数是通过将多种与热对健康影响有关系的因素进行整合分析，并通过一定的计算方法得到的综合性指数。通过分析每种因素对热脆弱性指数的贡献大小，可以发现热脆弱性的影响因素。该指数反映了人群对热造成伤害的敏感性，通过对综合指数的比较，可以有效识别地区脆弱性的高低，从而在高热天气发生时，可以针对脆弱性高的地区实施相关的防护措施，有效地降低热对脆弱性较高地区人群的伤害。
热脆弱性指标可以分为两类：敏感性指标和适应性指标。敏感性指标代表人群对热效应的耐受能力。在构建敏感性指标集时，考虑了年龄、教育、城乡、社会隔离、民族和健康状况等因素，这些条件决定了人们在高温期间获得卫生服务的感知和能力。适用性指标是指改变状态或行为以应对潜在损害的能力。与热相关的适应性指标包括经济状况和生活条件，空调拥有量是热适应性的一个非常重要的指标。从统计年鉴中收集了省级的空调拥有量数据，并根据城乡人口比率计算了每个县的空调拥有量。大多数指标来自全国第六次人口普查数据库，该数据库是中国最全面的县级人口和社会经济数据库之一。为了与普查数据相匹配并便于数据整合，其余指标均来自《中国民政部统计年鉴》(中华人民共和国民政部，2010年)、中国科学院资源与环境数据中心(RESDC，http://www.resdc.cn)、中国医院协会和《中国统计年鉴》(国家统计局，2010年)。
本发明实施例利用收集整理的热脆弱性指标，运用主成分分析的方法在多个指标中提取主成分，并分析各主成分对于热脆弱性指数的贡献，发现影响我国热脆弱性的因素情况。
1）数据标准化
热脆弱性指标数据包含多种脆弱性指标，指标的量纲存在一定差异，以及指标数据的异常值对于结果有一定影响，为了消除数据量纲和异常值带来的影响，利用R语言软件，对完成整理的数据进行统一的标准化处理，敏感性因素指标的标准化公式如下：
Xnor=(xi-min(xi))/(max(xi)-min(xi))；
适应性因素指标的标准化处理采用的公式为：
Xnor=(max(xi)-xi)/(max(xi)-min(xi))；
其中，Xnor为标准化后的数值；Xi为区县指标i数据原始值；min（xi）为所有区县中指标i原始值的最小值；max（xi）为所有区县中指标i原始值的最大值。
2）主成分分析
主成分分析的作用是将具有共线性问题的变量进行归类，从而达到降维提取主成分的目的。通过分析主成分的结果，我们可以得知每个主成分的组成因素，以及每个主成分对于方差解释的贡献大小。通过计算所有主成分对于总方差的解释率，可以判断我们纳入的热脆弱性指标是否合理，所以在主成分分析的过程中有一个对脆弱性指标筛选的过程，当总方差解释率达到最优时我们可以获得纳入的热脆弱性指标和提取的主成分。
进行主成分分析前，需要根据纳入的指标来确定可以提取的主成分的数量。本发明利用R语言软件“psych”工具包中的“fa.parallel”函数通过碎石图检验的方法判断主成分的数量，参见图3。根据碎石检验绘制了特征值与主成分数的图形，可以清晰展示图形弯曲状况，在图形变化最大处之上的主成分都可保留，从而确定主成分的数目。主成分得分的计算公式如下：
PCm= a1i×ZX1+ a2i×ZX2+ …… + api×ZXp ；
其中，PCm为第m个主成分的得分；a1i, a2i, ……,api（i=1,……,m）为X变量对于主成分PCm的贡献系数，ZX1, ZX2, ……, ZXp是原始变量经过标准化处理的值。
为了使分析结果或成分载荷矩阵更容易解释，本发明采取了最大方差旋转方法提取主成分，并将各个区县在每个主成分上的得分结果导出。同时，在分析结果中可以获得每个主成分对总方差的贡献率。热脆弱性指标主成分分析结果如表2所示。
表2 热脆弱性指标主成分分析结果
| 指标名称 | 主成分1（社会和环境状况） | 主成分2（教育和经济状况） | 主成分3（老龄化和健康状况） |
| 农村人口比重 | 0.77 | 0.33 | 0.26 |
| 独居人口比重 | -0.64 | -0.02 | 0.13 |
| 人口密度 | -0.75 | 0.09 | -0.01 |
| 文盲人口比重 | 0.28 | 0.76 | 0.03 |
| 少数民族人口比重 | 0.26 | 0.77 | -0.23 |
| 老年人口比重 | -0.21 | -0.23 | 0.86 |
| 基线死亡率 | 0.29 | 0.21 | 0.84 |
| 每百户空调拥有量 | 0.69 | 0.26 | -0.03 |
| 二级以上医院数量 | 0.76 | 0.07 | 0.08 |
| 单位面积GDP | -0.20 | 0.46 | 0.09 |
为了区分热脆弱性指数的等级，将获得的主成分得分从高到低分为6类，按照正负2倍标准差进行赋值后求和计算热脆弱性指数。每个主成分得分赋值规则见表3，热脆弱性指数的计算公式如下：
HVIi=∑（PCij）；
其中，HVIi为区县i的热脆弱性指数；
PCij为二级区域i第j个主成分的得分。
表3主成分得分标准化赋值表
| 分类 | 赋值 |
| ≤-2SD | 1 |
| -2SD≤X≤-SD | 2 |
| -SD≤X≤0 | 3 |
| SD≥X≥0 | 4 |
| 2SD≥X≥SD | 5 |
| ≥2SD | 6 |
（3）热脆弱性指数验证
为了验证上述步骤得到的热脆弱性指数是否较好的代表了人群对热相关健康风险的脆弱性或适应能力，本实施例收集了中国95个区县2013年1月1日至2016年12月31日的每日县级死因监测数据和气象数据。其中死因监测数据来自中国疾病预防控制中心全国疾病监测系统的死因监测，气象数据来自中国气象数据共享服务网（气象科学数据共享中心）。结合死因监测数据和气象数据得到的人群死亡的“热归因分值”（Heat-AF），对这一热脆弱性指数进行验证和评价，参见图2。
首先，通过准泊松和分布滞后非线性模型估计了特定县的温度与死亡率的关联，用下述公式得到了中国95个县市与非意外总死亡间的暴露-反应关系。
LogE（Yt）= Intercept + cb（temperate,lag）+ns（time,df）+dow
式中，E(Yt)表示观察日t日的死亡人数；cb是温度和滞后的交叉基选项，滞后设置为21天；ns(time，df)代表时间趋势的自然样条函数，可以控制长期和季节趋势，每年具有5个自由度；dow表示虚拟变量，控制星期几效应。
其次，基于上述步骤计算得到的各区县的暴露-反应关系进行meta回归分析，获取高温与死亡的暴露-反应关系系数（β），计算人群死亡的“热归因分值”（Heat-AF），具体算法如下：
RR=exp (β) ；
AF=(RR-1)/RR×100% ；
式中，β为暴露反应关系系数，RR为相对危险度。
最后，使用meta回归模型分析所得的Heat-AF与步骤（2）得到的HVI指数（即热脆弱性指数）得分的关系，验证HVI指数得分与Heat-AF是否呈显著正相关，以及标准化处理以后的各指标与Heat-AF的关系，检验HVI指数的合理性。同时，为了解释由于不同区县之间温度分布的不同造成的异质性，将序列中每个位置的平均温度和每日温度作为额外的meta预测变量。若Heat-AF与HVI指数呈显著正相关，则验证通过，否则，根据各指标与Heat-AF的关系分析结果，调整上述热脆弱性指标，重新进行主成分分析，得到更新的HVI指数得分，直到验证通过，得到最终的HVI指数得分。
（4）全国区县尺度人群热脆弱性计算及空间分布制图
基于上述验证通过的HVI指数及计算流程，计算出全国所有区县的HVI指数得分，利用ArcGIS软件的“join”功能，将每个区县的HVI得分与中国区县边界矢量地图文件进行匹配，实现全国HVI指数的空间分布制图，可以直观的对比不同地区的热脆弱性指数。全国区县HVI指数得分频数分布情况可参见图4，大多数区县的热脆弱性得分在8至13之间。参见图5所示，从全国区县尺度热脆弱性空间分布图来看，中国人群热脆弱性高的区县，主要分布在西部和西南地区、中东部沿海地区以及北方部分地区（如西藏、贵州、四川、青海、甘肃等省）；东北、西北、华中和中南地区的热脆弱性较低；京津冀地区、长三角地区、珠三角地区等主要城市及周边地区的热脆弱性较低。本发明的实施案例，通过识别高脆弱性地区和人群，针对脆弱地区和人群采取更好的高温热浪健康风险干预和应对措施，可有效降低高温热浪的健康风险、保护人群健康。
本发明提供的健康效应导向的多参数人群热脆弱性指数构建方法，基于健康监测数据的暴露-反应关系分析验证进一步选择需要纳入的热脆弱性指标，同时对多种与热对健康影响有关系的因素进行整合分析，实现了将健康数据作为人群热脆弱性的评估和验证指标，使计算得到的热脆弱性指数及其得分能够真实客观地反映人群对于高温热暴露的脆弱性。通过结合本发明构建的人群热脆弱性指数，相关部门可以针对脆弱人群制定并实施高温应急预案等更有针对性的适应性措施，引导公众尤其是脆弱人群提前做好防护措施，提高人群的应变能力和适应能力，这样便可以降低高温天气时人群的健康风险。基于本发明提供的方法构建的人群热脆弱性指数可以为决策者按需求来配置医疗资源提供科学依据，帮助决策者在空间尺度上准确辨识处于高风险的脆弱人群，从而有助于适应性政策有效地实施。
应用本发明构建的热脆弱性指数，可实现基于区域人群热脆弱性综合评估的高温热浪健康风险的防控管理。针对不同的评估单元和数据资源特点，应用本发明构建的热脆弱性指数，可以开展不同时空尺度的人群热脆弱性评估。随着人口、社会经济、环境等因素的变化，采用该指数，实时更新评估人群热脆弱性的变化情况，了解热脆弱性的时空变化趋势。
例如，基于某个省多年的区县尺度数据，可进行该省各年人群热脆弱性的评估以及热脆弱性的时空变化特征分析。进而根据热脆弱性指数的高低、空间分布特征和时间变化趋势，指导区域的高温热浪人群健康风险防控和管理。对于热脆弱性较高的地区，尤其是热脆弱性呈上升趋势的地区，平时应加强适应性措施的构建，加强针对热健康危害及防控方法的宣传教育，加强高温热浪及其健康风险的预测预警，并在高温热浪来临前，加强面向公众尤其是脆弱人群的预警宣教和相关防控措施部署，以降低高温热浪对人群的健康危害，提升人群健康风险管理水平。
基于上述方法得到的全国各区县人群热脆弱性整体水平，本实施案例还结合各区县的城市化等级划分，分析不同城市化发展水平下人群热脆弱性及其关键因素的差异，分析发现：我国区县尺度的人群热脆弱性和城市化发展水平整体呈负相关。高城市化水平组热脆弱性相对较高（HVI平均值为8.74），低城市化水平组热脆弱相对较低（HVI平均值为11.62），中等城市化水平组热脆弱性指数平均值为10.67。参见图6所示，城市化发展水平较高的区县，如中国东南沿海的大部分区县和省市，热脆弱性要低于城市化水平较低的区县和省市（如中西部、西北部地区的大部分区县）。这表明，整体而言中国的城市化进程对降低人群热脆弱性产生了积极的作用。
分析还发现，10个热脆弱性指标中，基线死亡率是影响区域人群整体热脆弱性的最重要因素，在高、中、低三种城市化水平下，这一因子对热脆弱性的影响都最大；其余9个热脆弱性指标在不同城市化水平下重要性排序有所差异，如高城市化地区，老龄化程度、农业人口占比、人口密度对热脆弱性的重要性排序较高；低城市化地区，文盲率、少数民族率、农业人口占比和老龄化程度对热脆弱性的重要性排序较高，中等城市化地区，农业人口占比、文盲率、老龄化程度和经济水平（GDP）对热脆弱性的重要性排序较高。上述结果表明，不同城市化水平下，降低人群热脆弱性的关键性措施应有所差异，随着城市化的发展，应根据区域特点、热脆弱性关键指标等的变化采取针对性的有效手段，以降低人群热脆弱性，进而降低热的健康危害。
参见图7所示，本发明还提供了一种人群热脆弱性指数构建装置，该装置包括参数化数据集构建模块10、热脆弱性指数构建模块20、热脆弱性指数验证模块30和热脆弱性地图绘制模块40。其中，所述参数化数据集构建模块10用于归纳总结以往研究中使用的热脆弱性指标并初步筛选，然后基于健康监测数据的暴露-反应关系分析验证，进一步选择需要纳入的热脆弱性指标；所述热脆弱性指数构建模块20用于将多种与热对健康影响有关系的因素进行整合分析，并通过计算得到热脆弱性指数；所述热脆弱性指数验证模块30用于收集二级区域死因监测数据和气象数据，结合死因监测数据和气象数据得到人群死亡的热归因分值，对热脆弱性指数构建模块20计算得到的热脆弱性指数进行验证和评价；所述热脆弱性地图绘制模块40基于经热脆弱性指数构建模块20验证通过的热脆弱性指数，计算出一级区域内所有二级区域的热脆弱性指数得分，将每个二级区域的热脆弱性指数得分与二级区域边界矢量地图文件进行匹配，制作一级区域热脆弱性指数的空间分布图。
在一些实施例中，所述参数化数据集构建模块10还按照敏感性因素和适应性因素将热脆弱性指标分类，并将研究中重复使用的热脆弱性指标进行记录。所述敏感性因素包括年龄、教育、城乡、社会隔离、民族和健康状况，所述适应性因素包括经济状况和生活条件。
在一些实施例中，热脆弱性指数构建模块20还用于在多个热脆弱性指标中提取主成分，并分析各主成分对于热脆弱性指数的贡献。热脆弱性指数构建模块20利用R语言软件，对完成整理的热脆弱性指标数据进行统一的标准化处理。
在一些实施例中，热脆弱性指数构建模块20通过分析主成分的结果，得到每个主成分的组成因素，以及每个主成分对于方差解释的贡献大小；然后计算所有主成分对于总方差的解释率，对脆弱性指标进行筛选。
在一些实施例中，热脆弱性指数构建模块20根据碎石检验绘制特征值与主成分数的图形，在图形变化最大处之上的主成分予以保留，从而确定主成分的数目。
在一些实施例中，热脆弱性指数验证模块30计算得到一级区域内的多个二级区域与非意外总死亡间的暴露反应关系，并且基于计算得到的各二级区域的暴露反应关系进行meta回归分析，获取高温与死亡的暴露反应关系系数β，计算人群死亡的热归因分值。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (6)
1.一种健康效应导向的多参数人群热脆弱性指数构建方法，其特征在于，包括以下步骤：
S1：提供一参数化数据集构建模块，所述参数化数据集构建模块用于归纳总结以往研究中使用的热脆弱性指标，并结合我国目前存在的全国范围的区县级别尺度的指标数据集，初步筛选，然后基于健康监测数据的暴露-反应关系分析验证，进一步选择需要纳入的热脆弱性指标；
S2：提供一热脆弱性指数构建模块，所述热脆弱性指数构建模块将多种与热对健康影响有关系的因素进行整合分析，在多个热脆弱性指标中提取主成分，并分析各主成分对于热脆弱性指数的贡献，并通过计算得到热脆弱性指数；其中，在多个热脆弱性指标中提取主成分的方法为：根据碎石检验绘制特征值与主成分数的图形，在图形变化最大处之上的主成分予以保留，从而确定主成分的数目；主成分得分的计算公式为：
PCm= a1i×ZX1 + a2i×ZX2 + …… + api×ZXp
其中，PCm为第m个主成分；a1i, a2i, ……,api（i=1,……,m）为X变量对于主成分PCm的贡献系数，ZX1, ZX2, ……, ZXp是原始变量经过标准化处理的值；
所述分析各主成分对于热脆弱性指数的贡献，并通过计算得到热脆弱性指数，包括：通过分析主成分的结果，得到每个主成分的组成因素，以及每个主成分对于方差解释的贡献大小；然后计算所有主成分对于总方差的解释率，对脆弱性指标进行筛选；其中，热脆弱性指数的计算公式为：
HVIi=∑（PCij）；
其中，HVIi为二级区域i的热脆弱性指数；
PCij为二级区域i第j个主成分的得分；
S3：提供一热脆弱性指数验证模块，所述热脆弱性指数验证模块用于收集二级区域死因监测数据和气象数据，结合死因监测数据和气象数据得到人群死亡的热归因分值，对S2得到的热脆弱性指数进行验证和评价；其中，所述结合死因监测数据和气象数据得到人群死亡的热归因分值，包括：
计算得到一级区域内的多个二级区域与非意外总死亡间的暴露反应关系，计算公式为：LogE（Yt）= Intercept + cb（temperate,lag）+ns（time,df）+dow；其中，E(Yt)表示观察日t日的死亡人数；cb是温度和滞后的交叉基选项，滞后设置为21天；ns(time，df)代表时间趋势的自然样条函数，可以控制长期和季节趋势，每年具有5个自由度；dow表示虚拟变量，控制星期几效应；
基于计算得到的各二级区域的暴露反应关系，获取高温与死亡的暴露反应关系系数β，计算人群死亡的热归因分值，具体算法如下：
RR=exp (β) ；
AF=(RR-1)/RR×100% ；
式中，β为暴露反应关系系数，RR为相对危险度，AF为热归因分值；
其中，所述对S2得到的热脆弱性指数进行验证和评价，包括：将得到的各二级区域AF值与各二级区域的HVI值进行meta回归分析验证，若二者存在显著正相关，则验证通过；若二者不存在显著正相关，则验证不通过，需要调整指标和算法重新估算HVI；
S4：提供一热脆弱性地图绘制模块，所述热脆弱性地图绘制模块基于S3中验证通过的热脆弱性指数，计算出一级区域内所有二级区域的热脆弱性指数得分，将每个二级区域的热脆弱性指数得分与二级区域边界矢量地图文件进行匹配，制作一级区域热脆弱性指数的空间分布图。
2.根据权利要求1所述的健康效应导向的多参数人群热脆弱性指数构建方法，其特征在于：所述热脆弱性指标包括健康基础水平、老龄化程度、受教育程度、经济状况、空调拥有量。
3.根据权利要求1所述的健康效应导向的多参数人群热脆弱性指数构建方法，其特征在于：在所述步骤S1中，按照敏感性因素和适应性因素将热脆弱性指标分类，并将研究中重复使用的热脆弱性指标进行记录。
4.根据权利要求3所述的健康效应导向的多参数人群热脆弱性指数构建方法，其特征在于：所述敏感性因素包括年龄、教育、城乡、社会隔离、种族和健康状况，所述适应性因素包括经济状况和生活条件。
5.根据权利要求1所述的健康效应导向的多参数人群热脆弱性指数构建方法，其特征在于，利用R语言软件，对完成整理的热脆弱性指标数据进行统一的标准化处理，敏感性因素指标的标准化处理采用的公式为：
Xnor=(xi-min(xi))/(max(xi)-min(xi))；
适应性因素指标的标准化处理采用的公式为：
Xnor=(max(xi)-xi)/(max(xi)-min(xi))；
其中，Xnor表示标准化后的数值；
Xi表示区县指标i数据原始值；
min（xi）表示所有区县中指标i原始值的最小值；
max（xi）表示所有区县中指标i原始值的最大值。
6.一种人群热脆弱性指数构建装置，其特征在于，包括：
参数化数据集构建模块，用于归纳总结以往研究中使用的热脆弱性指标并初步筛选，然后基于健康监测数据的暴露-反应关系分析验证，进一步选择需要纳入的热脆弱性指标；
热脆弱性指数构建模块，用于将多种与热对健康影响有关系的因素进行整合分析，在多个热脆弱性指标中提取主成分，并分析各主成分对于热脆弱性指数的贡献，并通过计算得到热脆弱性指数；其中，在多个热脆弱性指标中提取主成分的方法为：根据碎石检验绘制特征值与主成分数的图形，在图形变化最大处之上的主成分予以保留，从而确定主成分的数目；主成分得分的计算公式为：
PCm= a1i×ZX1 + a2i×ZX2 + …… + api×ZXp
其中，PCm为第m个主成分；a1i, a2i, ……,api（i=1,……,m）为X变量对于主成分PCm的贡献系数，ZX1, ZX2, ……, ZXp是原始变量经过标准化处理的值；
所述分析各主成分对于热脆弱性指数的贡献，并通过计算得到热脆弱性指数，包括：通过分析主成分的结果，得到每个主成分的组成因素，以及每个主成分对于方差解释的贡献大小；然后计算所有主成分对于总方差的解释率，对脆弱性指标进行筛选；其中，热脆弱性指数的计算公式为：
HVIi=∑（PCij）；
其中，HVIi为二级区域i的热脆弱性指数；
PCij为二级区域i第j个主成分的得分；
热脆弱性指数验证模块，用于收集二级区域死因监测数据和气象数据，结合死因监测数据和气象数据得到人群死亡的热归因分值，对热脆弱性指数构建模块计算得到的热脆弱性指数进行验证和评价；其中，所述结合死因监测数据和气象数据得到人群死亡的热归因分值，包括：
计算得到一级区域内的多个二级区域与非意外总死亡间的暴露反应关系，计算公式为：LogE（Yt）= Intercept + cb（temperate,lag）+ns（time,df）+dow；其中，E(Yt)表示观察日t日的死亡人数；cb是温度和滞后的交叉基选项，滞后设置为21天；ns(time，df)代表时间趋势的自然样条函数，可以控制长期和季节趋势，每年具有5个自由度；dow表示虚拟变量，控制星期几效应；
基于计算得到的各二级区域的暴露反应关系，获取高温与死亡的暴露反应关系系数β，计算人群死亡的热归因分值，具体算法如下：
RR=exp (β) ；
AF=(RR-1)/RR×100% ；
式中，β为暴露反应关系系数，RR为相对危险度，AF为热归因分值；
其中，所述对热脆弱性指数构建模块计算得到的热脆弱性指数进行验证和评价，包括：将得到的各二级区域AF值与各二级区域的HVI值进行meta回归分析验证，若二者存在显著正相关，则验证通过；若二者不存在显著正相关，则验证不通过，需要调整指标和算法重新估算HVI；
热脆弱性地图绘制模块，其基于经热脆弱性指数构建模块验证通过的热脆弱性指数，计算出一级区域内所有二级区域的热脆弱性指数得分，将每个二级区域的热脆弱性指数得分与二级区域边界矢量地图文件进行匹配，制作一级区域热脆弱性指数的空间分布图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310946953.6A CN116665905B (zh) | 2023-07-31 | 2023-07-31 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310946953.6A CN116665905B (zh) | 2023-07-31 | 2023-07-31 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116665905A CN116665905A (zh) | 2023-08-29 |
| CN116665905B true CN116665905B (zh) | 2023-10-24 |
Family
ID=87717527
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310946953.6A Active CN116665905B (zh) | 2023-07-31 | 2023-07-31 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116665905B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105389629A (zh) * | 2015-11-10 | 2016-03-09 | 国网四川省电力公司经济技术研究院 | 一种结合电网结构脆弱性的电网规划方法 |
| CN111325406A (zh) * | 2020-03-03 | 2020-06-23 | 广东省公共卫生研究院 | 一种基于小空间尺度的热相关健康风险预警方法 |
| CN113673827A (zh) * | 2021-07-22 | 2021-11-19 | 山东大学 | 一种区域水资源脆弱性预警系统及方法 |
| KR102387284B1 (ko) * | 2020-11-23 | 2022-04-15 | 한국환경연구원 | 건강 영향의 심각도 및 사회경제적 취약성을 고려한 폭염영향 예측 장치 및 방법 |
| CN115239127A (zh) * | 2022-07-20 | 2022-10-25 | 西南交通大学 | 生态脆弱性评价方法、计算机设备、存储介质和验证方法 |
| CN115456285A (zh) * | 2022-09-21 | 2022-12-09 | 重庆大学 | 一种基于热预警和热适应的智慧出行决策平台及方法 |
| CN116485172A (zh) * | 2022-12-09 | 2023-07-25 | 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 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8566067B2 (en) * | 2009-05-29 | 2013-10-22 | Daniel P. Johnson | Method of modeling the socio-spatial dynamics of extreme urban heat events |
-
2023
- 2023-07-31 CN CN202310946953.6A patent/CN116665905B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105389629A (zh) * | 2015-11-10 | 2016-03-09 | 国网四川省电力公司经济技术研究院 | 一种结合电网结构脆弱性的电网规划方法 |
| CN111325406A (zh) * | 2020-03-03 | 2020-06-23 | 广东省公共卫生研究院 | 一种基于小空间尺度的热相关健康风险预警方法 |
| KR102387284B1 (ko) * | 2020-11-23 | 2022-04-15 | 한국환경연구원 | 건강 영향의 심각도 및 사회경제적 취약성을 고려한 폭염영향 예측 장치 및 방법 |
| CN113673827A (zh) * | 2021-07-22 | 2021-11-19 | 山东大学 | 一种区域水资源脆弱性预警系统及方法 |
| CN115239127A (zh) * | 2022-07-20 | 2022-10-25 | 西南交通大学 | 生态脆弱性评价方法、计算机设备、存储介质和验证方法 |
| CN115456285A (zh) * | 2022-09-21 | 2022-12-09 | 重庆大学 | 一种基于热预警和热适应的智慧出行决策平台及方法 |
| CN116485172A (zh) * | 2022-12-09 | 2023-07-25 | 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 |
Non-Patent Citations (2)
| Title |
|---|
| 中国城市高温特征及社会脆弱性评价;黄晓军 等;《地理研究》;第39卷(第7期);第1534-1547页 * |
| 我国各区域非适宜气温相关的心血管疾病的超额死亡风险评估;许怀悦 等;《环境卫生学杂志》;第13卷(第1期);第1-10页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116665905A (zh) | 2023-08-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lehnert et al. | Spatial exploration of the CDC's Social Vulnerability Index and heat-related health outcomes in Georgia | |
| Herrera et al. | A review of current and future weather data for building simulation | |
| CN110459329B (zh) | 一种登革热风险综合评估方法 | |
| Hondula et al. | Fine-scale spatial variability of heat-related mortality in Philadelphia County, USA, from 1983-2008: a case-series analysis | |
| CN111325406B (zh) | 一种基于小空间尺度的热相关健康风险预警方法 | |
| Yadav et al. | Systematic exploration of heat wave impact on mortality and urban heat island: A review from 2000 to 2022 | |
| Jagarnath et al. | Heat stress risk and vulnerability under climate change in Durban metropolitan, South Africa—identifying urban planning priorities for adaptation | |
| US20090292558A1 (en) | Nursing home evaluation system | |
| Longden | The impact of temperature on mortality across different climate zones | |
| Song et al. | Spatial-scale dependent risk factors of heat-related mortality: A multiscale geographically weighted regression analysis | |
| 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 | |
| Li et al. | The association of compound hot extreme with mortality risk and vulnerability assessment at fine-spatial scale | |
| Driscoll et al. | Assessing the health effects of climate change in Alaska with community-based surveillance | |
| Guigma et al. | Characteristics and thermodynamics of Sahelian heatwaves analysed using various thermal indices | |
| Lynch et al. | Climate change, temperature, and homicide: a tale of two cities, 1895–2015 | |
| Zerbe et al. | Optimized hot spot and directional distribution analyses characterize the spatiotemporal variation of large wildfires in Washington, USA, 1970− 2020 | |
| Lee et al. | Development of accumulated heat stress index based on time-weighted function | |
| Ganguly et al. | A multifaceted risk assessment approach using statistical learning to evaluate socio-environmental factors associated with regional felony and misdemeanor rates | |
| CN116665905B (zh) | 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 | |
| KR102387284B1 (ko) | 건강 영향의 심각도 및 사회경제적 취약성을 고려한 폭염영향 예측 장치 및 방법 | |
| Herrera et al. | Creating extreme weather time series through a quantile regression ensemble | |
| De Moor et al. | Are DNA data a valid source to study the spatial behavior of unknown offenders? | |
| Abbas et al. | Assessing the impact of EI Nino southern oscillation index and land surface temperature fluctuations on dengue fever outbreaks using ARIMAX (p)-PARX (p)-NBARX (p) models | |
| Pantavou et al. | Thermal environment and indices: an analysis for effectiveness in operational weather applications in a Mediterranean city (Athens, Greece) | |
| Eames et al. | Quantile regression ensemble for summer temperatures time series and its impact on built environment studies |
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 |