综述:环境流行病学研究中估算环境热暴露的数据考虑

《Current Environmental Health Reports》:Data Considerations for Estimating Ambient Heat Exposure for Environmental Epidemiological Studies

【字体: 大 中 小 】 时间:2026年07月30日 来源:Current Environmental Health Reports 7.9

编辑推荐:

  目的:极端热是公共健康威胁。研究人员综述了常用于流行病学研究中估算热的气象数据集和指标,并为该领域初学者提供实用建议。近期发现:热可通过多种方法估算,这些方法在空间分辨率、时间频率、历史范围、聚合方式和人群覆盖上存在差异。热暴露以空气温度(air temper

  
目的:极端热是公共健康威胁。研究人员综述了常用于流行病学研究中估算热的气象数据集和指标,并为该领域初学者提供实用建议。近期发现:热可通过多种方法估算,这些方法在空间分辨率、时间频率、历史范围、聚合方式和人群覆盖上存在差异。热暴露以空气温度(air temperature)操作化,但包含额外变量(如湿度、太阳辐射、风)的热指数(heat indices)也很常见,这些指数捕捉不同的生理途径,并在可用性和可解释性上有所不同。定义热浪(heat waves)用于研究和政府激活在风险和感知方面是另一个重要考虑。其他分析选择包括定义极端热阈值(extreme heat thresholds)、人口加权(population-weighting)或城市环境中的特殊考虑。总结:研究人员建议针对特定热健康流行病学问题选择数据和指标的实用指南。不存在单一的“最佳”热指标;研究人员应根据研究问题、人群和数据可用性来确定最合适的方法。
论文主体部分总结如下:

**引言**

热是已确认的对人类生理、身体健康、认知表现、心理健康及其他发病率和死亡率产生不良影响的风险因素。极端热被视为最致命的天气相关灾害,持续造成公共卫生危机。若不采取适应措施,未来热健康风险可能更大,尤其在城市中。减少归因于热的超额发病率和死亡率需要严谨研究以识别风险,并将知识转化为预防策略。研究中定义和估算“热”有多种方式,最佳选择取决于具体研究问题。数据集、方法和指标的多样性使初学者难以入手。热可基于温度单独估算,或使用同时考虑湿度、风、太阳辐射的指数,每种度量可使用绝对或相对尺度。评估热的方式不仅影响与健康终点的关联幅度,还影响结果解释。例如,关注多日热事件(即“热浪”,由强度与持续时间定义)、关注较宽范围日温度变化、以及考虑季节均值的研究,可能提供关于热健康影响的截然不同的见解。许多数据集具有互补优势与局限。本文目标是为流行病学研究中估算热提供实用概述,以促进不良健康影响的公共卫生研究。首先回顾空间和时间上估算热指标的方法,然后比较不同热指标的相对优势,考虑热事件的定义与代理,讨论选择特定时间尺度或平均周期、量化城市热岛及微环境影响的指标,最后提出建议与关键考虑。研究人员预先声明,不存在对所有情景均最优的单一数据集、指标或方法,最佳选择取决于研究假设和每项研究的独特特征。决策的主要驱动因素包括:研究者是否主要关注短期或长期暴露效应,空间或时间变异是否为关注重点,以及健康数据的空间和时间范围与分辨率。还认识到室外热度量通常是不完美或不充分的个人热暴露代理,而后者往往是因果关注的数量。研究人员将综述与讨论限于与热研究相关、广泛可获取且适用于大规模人群研究的气象数据集,并承认其他方法在许多情景下可能更优。最后,尽管所有考虑的数据产品也可用于寒冷研究,但本文限于热研究。尽管存在这些局限,研究人员试图为刚进入该领域者提供初步指导,同时避免提供详尽的方法列表。

**估算健康研究中的热暴露**

在现代流行病学研究中,特别是评估人群水平结果时,热通常使用空间和时间分辨的网格化气象数据集(如NetCDF、GRIB、GeoTIFF文件类型)进行评估。这些产品提供广泛的空间和时间覆盖,通常公开可用,并提供标准化指标。本节总结常见方法,比较不同公开气象数据集的特征。表1列出美国最常用的温度产品,补充材料eTable1提供更详尽列表。建议针对公共卫生研究,其他用途可能不相关。

**气象数据集**

气象暴露评估通常依赖直接观测、遥感、动态或统计模型,许多模型产品同化观测和卫星数据。每种方法都有优势:直接观测(气象站、个人监测器)提供已知位置和时间的测量值,对验证和短期研究有价值;遥感提供高空间覆盖和精细空间对比(如地表温度(LST)和植被指数),对绘制城市内变异有用;动态或统计模型产生连续、无间隙的时空场,具有广泛历史和地理覆盖,能在长时间段内对大规模人群进行一致暴露分配。结合这些来源通常产生最稳健的暴露估计,因为模型可同化观测和卫星产品,同时保持广泛覆盖和分辨率。

**直接观测**

直接观测包括固定气象站和短期个人监测。气象站提供连续、研究级或操作级测量(空气温度、湿度、露点等)于已知位置,对验证模型和捕捉短期时间变异有用。但站点数据存在空间偏差,因为站点常位于机场、大学等便利地点,其代表性随距离、地表变化或海拔升高而下降。站点还面临缺失数据、仪器更换、本地设置差异(如风暴露或靠近建筑物)等问题,使长期趋势分析复杂化,需仔细质量控制以最小化误差和偏差传播到基于这些数据构建的模型中。个人监测提供最直接的个体体验温度(包括室内条件)度量,因为设备随参与者移动。例如,对有限个体使用个人监测器评估暴露,对于关注非常短期(分钟至小时)暴露变异健康影响的研究有吸引力,如检查心率变异性或其他快速变化的生物参数。个人监测在评估特定环境(如职业环境)中尤其有用。但个人监测成本高、管理密集,通常仅适用于小样本或短持续时间。方案不依从性(如将传感器留在直射阳光或热车内)可能引入误差。重要的是,流行病学研究中常用的室外度量是个体体验温度的不完美代理:美国人群大部分时间在室内,室内环境和时间-活动模式常使个人暴露与室外条件脱钩。研究报告室外估计与个人温度之间仅中等相关性,除非在户外活动期间。整合室内外度量与时间-活动数据以建模个体体验温度的方法仍处于早期发展阶段。

**动态模型估计**

动态模型数据集使用物理方程在观测值之间插值条件,通常同化站点和卫星输入。此类包括三种相关但不同的产品类型:卫星衍生的地表温度(LST)、再分析(reanalysis)和操作数值天气预报(NWP)模型。所有均基于物理,但在分辨率、时间重点、历史连续性和典型应用上不同。

- 卫星衍生的LST:全球极轨传感器如MODIS(≈1 km)和Landsat(重采样至≈30 m;原始分辨率90至120 m)提供中到高空间细节的LST,多个静止仪器(如欧洲的SEVIRI)现在提供高频率区域LST,可捕捉日变化和空间变异。LST测量地表辐射温度,受城市形态(如树冠、反照率、不透水表面)强烈影响。由于白天地表温度常高于近地表空气温度,LST对绘制城市内对比和地表驱动暴露有用,但若直接替代,可能误代表生理相关的环境空气温度和热舒适。LST在健康领域最成功地用于帮助量化城市内温度变异的一阶估计及其与环境暴露的关系。

- 再分析产品:如ERA5/ERA5-Land,将固定物理模型与历史观测结合,产生连续、全球一致的回顾性数据集。再分析产品提供长时间覆盖和许多大气变量,以规律时间步长,对人群水平和长期健康研究有吸引力。其较粗空间分辨率(通常数公里至数十公里)及对模型物理的依赖,使其难以解析健康研究中常关注的邻里或微气候尺度变异。

- 操作NWP模型:如GFS、NAM、HRRR(及计划中的继任者RRFS)是基于物理的预报系统,为实时和短期应用生成高频率网格化场,包含许多变量(如温度、湿度、风、辐射、气压)。与再分析产品相比,操作NWP可提供更精细的时间或空间分辨率。这些产品对事件导向分析、亚日暴露评估和需要预报场的

研究有价值。流行病学使用的重要注意事项包括频繁模型更新和版本控制、观测同化方式随时间变化、以及主要操作焦点是短期预报而非长期均匀性,这些因素使其在长时间研究和可重复研究中复杂化。

实践中,这些动态模型来源是互补的。再分析产品和部分操作NWP模型提供时间连续、无间隙的大气场,适用于大规模人群和长期暴露评估。卫星LST提供精细空间对比,对绘制城市内地图和识别地表驱动热点特别有价值,但不能直接测量环境空气温度或热舒适暴露。结合来源,例如通过统计降尺度或数据融合将卫星LST与再分析空气温度合并,可产生适用于健康研究的暴露曲面,同时保持广泛覆盖和改善的空间细节。

**统计模型估计**

统计模型数据集使用经验模型,通过利用测量模式和地理协变量来插值或降尺度观测值。在健康研究中自由可用且广泛使用的产品示例包括PRISM、GridMET、Daymet和TopoWx。这些产品通常达到比许多基于物理的再分析产品更精细的空间分辨率,但在时间步长、地理范围和建模方法上有所不同。许多仅涵盖一个或几个国家,限制了在寻求国际可比性的研究中使用。例如,在北美背景下,GridMET、TopoWx和PRISM限于美国本土,Daymet覆盖整个北美。中分辨率全球产品最近以约1 km出现,但验证挑战意味着精度在不同气候和环境中可能不均匀。即使以相对高空间分辨率(如PRISM 800 m产品)估计的统计曲面,也可能遗漏微气候变异的本地驱动因素(如建筑几何或小规模灌溉),降低其完全捕捉城市内对比的能力。

混合或卫星增强方法结合地面观测、遥感和机器学习,产生高分辨率时空预测。这些方法计算密集,但可纳入精细尺度协变量,如不透水性、城市形态和植被覆盖,改善城市暴露评估的空间细节和预测性能。实践中,传统统计模型产品对跨越广大地理区域的长期、计算高效暴露评估仍然有用,而卫星增强融合方法可能最适合关注城市内变异的研究。

**气象数据集总结与建议**

没有数据集或方法适用于每项研究或情景。尽管如此,研究人员提供一些可能对许多评估热健康效应的环境流行病学有用的建议。对于跨国分析,建议优先使用覆盖整个研究域的单一一致数据集;ERA5-Land是实用的默认选择,因为它提供全球陆地覆盖、小时场和文献中的广泛使用,便于与其他研究比较。但ERA5-Land相对较粗的空间分辨率限制其解析邻里或城市内变异的能力,因此在需要更精细空间细节时,应考虑更高分辨率的统计或融合产品,整合观测和遥感。例如,对于美国聚焦的研究,PRISM 800 m产品是合理选择,因其可访问性、空间细节和与许多已发表研究的可比性。ERA5-Land和PRISM均不适用于研究城市内差异;城市内健康影响调查应结合高分辨率网格化产品与针对性城市热评估(如地表或冠层UHI层、传感器网络或卫星增强融合模型)以捕捉微气候对比。

注意,大多数大规模网格化数据集使用单一参考时区(通常协调世界时UTC)提供,需在分析前转换为与健康数据时区匹配。此外,模型数据集使用插值或预测产生空间和时间上的连续风险估计,这些估计存在不确定性,测量误差来源将在整个分析中传播。

**“热”的指标**

**常见指标**

热不仅仅是空气温度,但干球温度(dry-bulb temperature)是健康研究中迄今为止最常用的暴露指标,因为它简单、广泛可用且易于解释。存在大量指标,通过将温度与湿度、风和/或太阳辐射结合,试图捕捉感知或生理相关的热负担。常见示例包括热指数(HI,温度+湿度)、湿球黑球温度(WBGT,包含温度、湿度、风和太阳辐射或黑球温度)和通用热气候指数(UTCI,源自人体能量平衡模型的综合热舒适指数)。这些复合指数能更好地反映人体感觉有多热以及身体在不同大气条件下的响应,可能特别适用于有大量户外暴露的人群、职业环境或关注热舒适和热应激的研究。

在许多流行病学环境中,这些指数与干球温度高度相关,因此实践中结果通常在不同指标间相似。尽管如此,在湿度、太阳辐射或风预计会实质性改变生理应变的环境中,备选指标可能更优。例如,户外工人和学龄儿童可能大量时间在户外,直射阳光增加热应激而风减少。美国职业安全与健康管理局(OSHA)建议针对户外工人使用特定绝对WBGT阈值进行现场监测,一些学校管辖区对其户外运动项目使用WBGT阈值。

并非所有指数都能从每个数据产品计算。估算HI需要湿度数据,估算WBGT和UTCI需要额外变量,这些并非所有气象数据集都提供。例如,WBGT和UTCI可从ERA5-Land推导,但不能从PRISM、GridMET或Daymet推导。因此,为给定研究选择指标需要平衡可解释性(绝对温度最容易沟通)、数据可用性(某些数据集缺乏复杂指标所需变量)和情景相关性(对于户外或职业环境,即使指标可用性较低或空间分辨率较粗,也可能需要指数)。

热指标通常以小时分辨率提供,或聚合为每日最低、最高或均值。许多热健康影响流行病学研究关注每日最高温度,因为它捕捉白天峰值暴露,但每日均值温度能更好地代表24小时周期内的总体热负担,每日最低温度(通常发生在夜间)可能对与夜间舒适、睡眠中断或夜间累积热效应相关的结果最相关。实践中,在给定位置,每日最低、最高和均值随时间经常高度相关,分离其独立健康影响在分析上具有挑战性。

**定义“极端热”和“热浪”**

许多热相关健康影响流行病学研究关注极端热事件而非平均条件。分类极端热通常涉及测量热的强度和持续时间。单日若超过指定阈值通常被标记为极端。热浪通常指连续极端日期的时段,其特点包括持续时间(连续极端天数)、严重程度(超过阈值的程度)和季节时机。热浪通常由当地气象服务或政府使用本地相关阈值指定,有时伴随服务激活或其他资源分配。研究人员通常呈现敏感性分析,评估不同极端热事件或热浪定义如何影响结果,因为定义在不同背景和地点间可能变化。近期热文献发现将这些概念组织起来分别研究热暴露的强度、频率和持续时间是有用的。

将日期分类为“极端”的阈值可在绝对或相对尺度上定义。绝对阈值使用所选指标的固定值(如每日最高温度、热指数或WBGT超过设定度数),易于解释和沟通。除了方便,绝对阈值在直接映射到生理极限或机制假设时可能有吸引力;例如,温度对男性生育能力、脆弱患者中暑风险或“宜居性”的研究可能更紧密地与生物反应相关的绝对温度截止点相关,而非本地适应。一些研究采用本地相关操作阈值,如触发市政热咨询或热警告的标准,作为极端热的定义。

另一方面,许多研究相对于本地气候定义极端,例如处于暖季分布第95或97.5百分位数以上的天数,以考虑本地适应并促进跨气候研究结果的比较。定义极端热相对于本地气候可能在不同地点产生非常不同的阈值。例如,西雅图的热日可能定义为最高温度88°F,而凤凰城为110°F,但两者均代表适应本地气候的人群经历相对罕见的较高温度。相对阈值也有助于解释对极端热的预期结构能力差异(如住宅空调可用性差异)。

基于相对百分位数的热度量解释挑战之一是缺乏百分位数定义的标准方法。定义百分位数阈值需要首先确定历史参考期以估计百分位数,决定是否仅使用暖季温度进行推导(如果是,如何表征暖季),选择极端热的百分位数值(第95或97.5),并确定百分位数是在最精细水平(如网格单元)还是在更大地理尺度(如城市或县)定义。这些决策预计会产生高度相关的极端热度量,但会在研究期内产生不同绝对数量的极端热天数,并可能影响结果解释。百分位数定义的时间框架选择尤其相关,因为全球平均温度随时间升高。30年时间框架通常用于讨论长期气象气候趋势,但人们的生活气候记忆较短;对于健康研究,通常使用10年数据计算百分位数,因为这可能是人类适应的更相关时间框架。

还有几种较少用于流行病学研究的极端热表征方法,但可能值得考虑。冷却度日数(CDD)对一段时间内高于设定基础温度的温度度数求和,是冷却需求的实用代理,使其适用于能源使用、空调可及性以及冷却的经济成本或健康益处/障碍研究。如果允许基础温度根据本地气候变化,所得度量称为异常(anomaly),是在多气候研究中有前景的度量。天气型或天气类型分类,将日期按大尺度大气模式分组(如少数组环流类型),可捕捉有利于热应激和空气污染积累的复杂温度、湿度和静风条件组合。超额热因子(EHF)是短期度量,结合近期3天温度异常与长期气候学,以识别相对于本地条件的异常强烈热事件;它已被操作性地用于分类热浪严重程度。研究有时区分夜间热事件(多夜最低温度升高期)与白天或日夜热浪,因为持续高温夜间可阻止生理恢复、干扰睡眠并驱动独特健康风险。在这些替代方案中选择取决于研究问题:CDD最适合能源和适应分析,天气型可阐明气象驱动因素,EHF针对相对于本地基线的热浪强度,夜间聚焦定义在关注夜间变暖或睡眠介导结果时重要。

**时间尺度与平均窗口**

选择平均窗口和聚合方法时,重要的是将暴露的时间尺度与生物机制和研究设计匹配:短期(小时至天)、中期(周至月)和长期(月到年)暴露评估需要不同数据和统计模型,并暗示不同因果对比。全年温度遵循不同季节模式,关注短期或中期热健康效应的研究者必须考虑此季节性,以建模合理的反事实情景(如时间分层参考组选择、添加季节模式样条项、或按一年中时间条件化或分层)。

短期热效应流行病学研究通常将热日(或数小时至连续几天)的健康结果与可比较的较冷期结果进行比较。这些研究中的因果对比通常直接:如果那天不是异常热,健康结果会是什么。时间序列和病例交叉设计常用于估计瞬时暴露对急性离散事件的影响(如急诊就诊、住院或死亡)。对于连续结果,通常应用线性或混合效应模型。在这些短期分析中,每日汇总值(最高、均值或小时衍生汇总)通常足够,尽管亚日(小时)数据在关注暴露-响应窗口非常短时很重要。

中期暴露研究检查数周至数月累积的健康效应,如季节性热对妊娠结局、传染病动态或亚急性生理变化的影响。这些分析通常需要聚合更长时间窗口(周、月或孕期水平均值或极端天数计数),并仔细关注与病因学感兴趣期相关的暴露时机。常见研究设计包括队列分析(暴露窗口相对于评估活动定义)、重复测量面板研究(数周至数月)以及捕捉季节性模式的时间序列比较。这些研究中的因果对比略不直接,但可能对应特别温暖(相对于较不温暖)期的健康效应,结合空间和时间上的对比。指标和平均周期的选择应与假设的生物或行为机制对齐,考虑累积度量(如极端热天数或累积热度日数)可能比单日峰值对某些结果更相关。

对延长暴露于较高平均温度或重复暴露于极端温度的健康后果的兴趣日益增长。这些研究通常使用年度、多年或十年暴露汇总(如年均温度、极端热事件频率的长期趋势)以及队列设计或跨区域生态比较。由于长期暴露将气候差异与许多其他地理或时间变化混为一谈,因果推断需要明确反事实框架以确保严格控制混杂和结果可解释。在长期暴露研究中,空间分辨率和时间一致的暴露产品至关重要:数据集、聚合方法以及模型版本或站点变更处理的决策可实质性影响趋势估计。

**空间尺度与空间聚合**

在许多研究中,关键考虑因素是可用健康数据的空间范围和分辨率。个人健康数据通常高度受限以保护身份、隐私和潜在敏感健康信息。因此,环境数据常需聚合到行政单元(如邮政编码或县)进行分析。事实上,无法以所需空间和时间分辨率获取数据是气候与健康研究中引用最频繁的障碍之一。当聚合到较大地理单元时,最佳实践是对气象度量进行人口加权,使所得估计更好地代表人们生活、工作和娱乐场所的室外条件。

人口加权的目的是使聚合地理中的暴露估计更能反映该地理中平均个体的平均暴露。有两种常见方法:(1)使用网格化人口数据集作为聚合过程中网格化暴露数据集的权重矩阵(即每个暴露网格单元按该单元内人口数加权),或(2)利用嵌套的较小行政地理(人口估计可用),采用两阶段方法(先聚合小地理的网格化数据,再按区域人口估计加权聚合到父级地理)。在美国,这种嵌套方法可涉及使用普查地理(如街区组)进行初始聚合,然后计算区内的加权暴露总和。常用且高分辨率的网格化人口数据集包括LandScan(全球1km×1km,年度)、WorldPop(全球最高100m分辨率,每5年发布)和全球人类定居人口网格(GHS-POP)(全球100m分辨率,每5年间隔),尽管还有其他全球和国家特定数据集。所有这些数据集提供每个网格单元内人口数的估计,但WorldPop和GHS-POP代表居住人口,而LandScan测量环境人口(即白天周围人群,考虑通勤模式)。版本选择取决于健康结果数据;居住人口数据集更适合基于患者居住地的健康数据(如大多数索赔和电子健康记录),而环境人口数据集可能更适合基于事件位置的数据(如急救医疗服务数据)。

这种事实上的空间聚合例外是,如果研究人员能够访问地址信息或点位置数据,并能在保护参与者隐私的前提下将地理编码点与网格化数据集合并(常见且巨大的挑战)。不幸的是,空间分辨率与数据存储和计算强度之间存在直接权衡,因此最高分辨率数据——特别是覆盖大地理范围时——可能需要额外时间或计算集群基础设施来准备分析。虽然此处描述的现有数据集可在世界大部分地区使用,但生产温度或热应激数据的开源方法对于创建研究人员可自行准备的更本地适用的指标通常有用(Engel et al. 2026 forthcoming)。

城市化改变本地天气和气候,最明显的是通过城市热岛效应(UHI)提高温度。许多常用统计插值产品不同化驱动城市微气候的地表特征(如土地覆盖、建筑材料与热容量、植被、反照率和灌溉),可能低估城市内变异。由于在城市的每个位置设置观测站不切实际,微气候在大多数网格化数据集中仍解析不足,这既影响UHI的识别,也影响长期城市趋势的评估。即使相对高分辨率的网格化产品(如HRRR 3km、小时;PRISM 800m、日)也常漏掉相邻邻里之间的温度差异。然而,绘制UHI强度和城市内温度变异对于识别热暴露中的不平等至关重要,尤其是因为大多数人居住在城市中。因此,关注精细尺度城市暴露的研究人员通常依赖高密度传感器网络、明确包含地表协变量的统计降尺度、或高时间分辨率温度数据与时间不变邻里特征的组合、粗略温度代理(如NDVI、树冠、反照率或土地覆盖分区(LCZ))、或UHI强度效应修正因子。也许最易获取的UHI强度数据集是全球地表UHI探索器(Global Surface UHI Explorer),基于MODIS卫星数据开发,覆盖全球几乎所有城市区域,分辨率为1km,尽管更近期数据包括冠层城市热岛(CUHI)强度数据集(即空气而非地表温度)。最后,值得注意UHI是相对度量:它描述城市条件与所选非城市参考的比较。UHI幅度因此取决于本地气候、城市形态和土地利用实践,若不仔细定义参考和背景,不一定能跨城市直接比较。

**热警报、准备与行为响应**

为热相关风险做准备需要在暴露与伤害之间的中间步骤上行动:清晰的风险沟通使人认识到自己的脆弱性,早期预警系统促使保护性行为,关于可用资源的公共信息,以及室内或邻里冷却选项。许多国家和区域气象服务发布针对本地气候的热监视、警告、建议或类似警报。地方机构、应急管理人员和媒体常用这些警报触发响应行动,如开放冷却中心、延长泳池时间、调整户外工人工作时间表、或对脆弱居民或患者启动针对性福利检查。

研究人员有时使用热警报的历史记录来研究热早期预警和响应计划对健康结果(如急诊就诊或超额死亡率)或行为变化的影响。互联网搜索的聚合数据已被用于获得关于极端热事件或热警报相关的态度、风险感知和行为在空间和时间上变化的新见解。同样,社交媒体帖子、资源使用数据(如冷却中心、公园或其他阴影和空调公共空间的访问)、以及来自智能设备或可穿戴传感器的移动数据,可被利用来理解各种风险人群中的实时适应行为。现有证据令人信服地表明,热行动计划(包括热早期预警系统)的实施已有效减少热相关健康影响。然而,证据也表明,仅信息传递可能对风险影响有限,有效的风险降低高度依赖于本地背景和资源。

**估算室外“热”暴露的总结与建议**

不存在在所有健康研究或背景中均最优的单一“热”指标。鼓励研究人员选择最适合其研究问题、人群和数据可用性的热指标和极端热定义。干球温度(绝对值)是单一气候区内一般人群研究的实用默认选择,当向非专业受众清晰沟通很重要、探索受适应影响不大的生理阈值、或连接研究与应急响应或其他操作系统时。另一方面,基于百分位数的相对阈值(考虑本地气候和适应)在跨气候地点比较重要时更可取。计算百分位数时,常用研究数据前10年时期。尽管干球温度最易获取且最易沟通,但复合指数(如热指数、WBGT、UTCI等)可能在湿度、太阳辐射或风预计会实质性改变生理应变时更优(如户外暴露人群)。但这些指数并非在所有气象数据集中可用,研究人员需平衡指标选择和数据集选择。

在时间聚合方面,选择反映生物学兴趣窗口的聚合(急性短期效应用小时或日最高值;中期结果用周或月聚合或极端天数计数;长期影响用年度或多年汇总)。对于城市内变异或缓解干预研究,用LST、城市热岛层、温度代理变量或卫星增强高分辨率产品补充网格化空气温度曲面,以允许小尺度空间比较。最后,所有研究应透明报告指标、阈值、平均窗口的选择及理由,并使用备选指标和阈值进行敏感性分析,以便读者评估稳健性并促进与其他研究比较。

**结论**

有丰富的气候数据集可用于健康分析。不存在单一的“最佳”气象数据集,相反,选择哪个数据集应基于具体研究问题、研究设计以及感兴趣的空时尺度。然而,有一些指导原则可帮助选择正确的数据源,本文入门指南中已概述,表2总结了常见情景。例如,绝对温度可能更适合研究单一地点的人群,因为它更易于本地背景解释。但如果分析包含跨不同气候区的人群,则需考虑纳入湿度的温度指标和/或将温度指标转换为百分位数以比较不同背景并考虑本地适应。类似地,当研究大量时间在户外的人群时,使用包含其他天气变量(如太阳辐射和风)的复合指数可能是合理的。最终,建议为主要分析选择最合适的热指标,然后使用不同指标进行敏感性分析以比较。在总体人群中,研究已发现死亡率或发病率与各种热指标之间的相似关联,但这可能不适用于所有人群或其他结果。

需要注意,此处描述的大多数数据集是公开可访问和可下载的,但可能具有非常大的文件大小或一些健康研究人员不熟悉的文件格式。然而,近年来已有大量投资使此类数据集在人群健康研究中更易使用,目标是降低健康研究人员进入门槛,无需专门知识或计算资源来连接气象和健康数据。这些努力旨在加速这两个领域交叉的研究。其中几个数据集已被聚合到健康研究中常用的行政边界(如县或邮政编码)并公开可用;例如,二十年每日ERA5-Land数据使用网格化估计进行人口加权到县水平,包含包括WBGT和UTCI在内的多个温度指标;或每日人口加权800m PRISM数据聚合到邮政编码水平(2000-2022)。此类即用数据集正越来越多地通过通用库(如Harvard Dataverse上的CAFE集合)、欧洲人类暴露组基础设施(EIRENE)、加拿大城市环境健康研究联盟(CANUE)、美国暴露组学网络(NEXUS)和网关暴露组协调中心(GECC)等共享。国家环境健康科学研究所(NIEHS)连接健康结果研究数据系统(CHORDS)项目还开发了软件包amadeus,为讨论的多个热数据集(PRISM、GridMet)提供策划的数据下载和处理功能,以及关于其他包的信息(daymetr用于DayMet,ecmwfr用于ERA5-Land)。CAFE GitHub仓库提供使用PRISM和ERA5-Land数据的应用示例,包括数据查询、处理和聚合。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号