塔里木盆地周边城市带PM2.5的时空分布与健康风险

《Sustainability》：Spatiotemporal Distribution and Health Risk of PM2.5 in the Urban Belt Around the Tarim Basin, China

　　

塔克拉玛干沙漠是中国沙尘的主要来源，对塔里木盆地周边城市带的PM_2.5浓度有显著影响。在本研究中，研究人员使用中分辨率成像光谱仪（MODIS）图像和机器学习算法模拟PM_2.5浓度，并分析归因于PM_2.5的缺血性心脏病（IHD）、慢性阻塞性肺疾病（COPD）、肺癌（LC）和卒中（STK）死亡人数。从2015年到2024年，气溶胶光学厚度（AOD）呈下降趋势，空间分布格局从西向东逐渐增加。2024年沙尘多发季节PM_2.5平均浓度较高的县市为阿瓦提县、阿拉尔市、墨玉县和阿克苏市，平均浓度分别为89.7 μg/m³、88.8 μg/m³、86.0 μg/m³和84.1 μg/m³。非沙尘季节的PM_2.5浓度显著低于沙尘季节（约50%）。在四种主要致命疾病中，卒中和缺血性心脏病占归因死亡的大部分，比例超过总死亡人数的80%。结果表明，PM_2.5浓度可以在大范围内被准确监测，弥补了固定监测站的不足，并为塔里木盆地周边城市带的生态环境可持续发展、健康风险管理和控制提供了理论依据。

研究背景与问题：PM_2.5（细颗粒物，空气动力学直径≤2.5 μm）暴露与多种心血管和呼吸系统疾病风险增加相关。尽管地面监测站已建立，但多数集中在城市中心，偏远地区（如农村）仍缺乏PM_2.5浓度数据，阻碍了大规模空气污染评估与健康风险研究。塔里木盆地周边城市带位于中国新疆，受塔克拉玛干沙漠沙尘影响显著，但该区域地面监测网络稀疏，PM_2.5时空分布及其人口健康风险尚不清楚。因此，研究人员利用遥感数据和机器学习算法估计PM_2.5浓度，以提供区域尺度PM_2.5污染评估、生态环境可持续发展及健康风险防控的新途径。

研究内容与结论：研究人员使用中分辨率成像光谱仪（MODIS）的气溶胶光学厚度（AOD）产品、气象因子及地面PM_2.5实测数据，通过支持向量机（SVM）等机器学习算法模拟了2015-2024年塔里木盆地周边城市带的PM_2.5浓度，并采用集成暴露-反应（IER）模型评估了归因于PM_2.5的四种主要致命疾病（缺血性心脏病IHD、慢性阻塞性肺疾病COPD、肺癌LC、卒中STK）的死亡人数。研究得出：AOD和PM_2.5呈西低东高的空间分布，沙尘季浓度显著高于非沙尘季；沙尘季归因死亡人数比非沙尘季高36%以上，其中卒中与缺血性心脏病占总归因死亡的80%以上。该研究实现大尺度PM_2.5精准监测，弥补固定站不足，为区域生态可持续发展和健康风险管理提供理论依据。论文发表在《Sustainability》。

关键技术方法：研究采用以下主要方法：（1）MODIS AOD数据（MYD08_M3 V6.1月产品，1°×1°空间分辨率，并补充MYD04_3K数据）经克里金插值重采样至0.25°；（2）气象因子（气温、湿度、风速、气压、降水）来自欧洲中期天气预报中心，经实测数据校正后重采样至0.25°；（3）人口密度数据来自WorldPop R2025A v1（1 km分辨率），重采样至0.25°；（4）使用反向传播（BP）神经网络、随机森林（RF）、支持向量机（SVM）和卷积神经网络（CNN）四种机器学习算法，以AOD和五个气象因子为自变量，PM_2.5月均浓度为因变量，经5折交叉验证和R²、平均绝对误差（MAE）、均方根误差（RMSE）、归一化均方根误差（NRMSE）评估，选择最优的SVM模型模拟PM_2.5空间分布；（5）采用Burnett等提出的集成暴露-反应（IER）模型计算PM_2.5健康风险，选取IHD、COPD、LC、STK为健康终点，利用相对风险（RR）公式和归因分数估计各网格归因死亡人数。

研究结果：

**3.1 塔里木盆地周边城市带AOD的时空分布**：通过分析2015-2024年平均AOD的空间分布，发现AOD呈现盆地边缘低、中心高，从西向东逐渐增加的特征，高值区位于南部的民丰、于田县和东部的且末、若羌县。沙尘季（3-8月）平均AOD（0.447）显著高于非沙尘季（0.171），为2-3倍。时序分析显示，2015-2021年沙尘季AOD波动下降，2021年后显著上升；非沙尘季稳定在0.17左右。利用斜率函数和Mann-Kendall（MK）检验，除个别县外，大部分区域AOD呈下降趋势，且超过80%区域通过99%置信度显著性检验，表明AOD长期变化具有高度统计稳健性。

**3.2 塔里木盆地周边城市带PM_2.5浓度的时空分布**：通过相关性分析，选取AOD、气温、湿度、风速、气压作为自变量（排除降水），采用SVM模型（R²=0.7，NRMSE在10-20%间）模拟PM_2.5浓度。模拟结果显示，PM_2.5空间分布与AOD一致，2015年沙尘季高值区位于盆地南部和东部（民丰、于田、且末、若羌县，PM_2.5>100 μg/m³），2024年高值区东移至若羌、且末、民丰县。沙尘季PM_2.5浓度较高的县市从2015年的沙雅、洛浦、于田、民丰县变为2024年的阿瓦提县、阿拉尔市、墨玉县、阿克苏市。非沙尘季PM_2.5约为沙尘季的一半，高值区位于新和、沙雅县及阿拉尔、阿克苏市。

**3.3 2015年与2024年PM_2.5归因健康风险比较**：利用IER模型，计算2015年和2024年沙尘季与非沙尘季归因于PM_2.5的四种疾病死亡人数。空间分布显示，归因死亡呈环绕盆地绿洲分布，沙漠无人区无死亡。2015年沙尘季归因死亡21,363人（95%CI: 16,169-28,226），非沙尘季15,201人；2024年分别为25,671人和18,800人，较2015年分别增加20.2%和23.7%。沙尘季归因死亡比非沙尘季高36.5%-40.5%。行政分区中，库车市、疏勒县、伽师县、莎车县、墨玉县健康风险较高。四种疾病中，卒中（STK）和缺血性心脏病（IHD）占主导，2024年沙尘季分别占57.4%和26.5%，合计>80%。人口最多的莎车县归因死亡占区域最高，PM_2.5浓度和人口双增导致2024年沙尘季归因死亡比2015年平均增加11.5%。

讨论部分总结：研究讨论了机器学习算法模拟PM_2.5的不确定性，包括算法选择（SVM在小样本中更优）、遥感数据自身精度、气象因子数据源差异、训练集覆盖范围限制等；健康风险不确定性源于PM_2.5成分异质性（视为“均质毒性”的偏差）、IER模型参数来自有限流行病学数据、缺乏本地化参数以及健康效应滞后性。此外，强调了高分辨率PM_2.5产品对基层公共卫生管理的意义：该研究结果可帮助掌握区域PM_2.5整体分布，协助基层疾控机构进行健康风险评估和政策制定。

研究结论部分翻译：塔里木盆地地处中国塔克拉玛干沙漠，受沙尘暴影响显著。受盛行西风和盆地地形影响，气溶胶光学厚度（AOD）空间分布呈西低东高。除个别区域外，2015-2024年塔里木盆地周边城市带AOD呈下降趋势。基于表现良好的支持向量机（SVM）模拟的PM_2.5浓度，沙尘季与非沙尘季PM_2.5空间分布与AOD一致，非沙尘季PM_2.5显著低于沙尘季。沙尘季高PM_2.5浓度出现在盆地南部和东部的民丰、且末、若羌县，并呈东移趋势。本研究估计了归因于PM_2.5的死亡人数。通过2015年与2024年的对比分析，结果显示沙尘季PM_2.5对人体健康影响显著，归因死亡比非沙尘季高36%以上。在四种主要致命疾病（缺血性心脏病IHD、慢性阻塞性肺疾病COPD、肺癌LC、卒中STK）中，卒中与缺血性心脏病占主导，合计占总归因死亡的80%以上。鉴于IHD和STK的特点，PM_2.5浓度和健康风险通常随年龄显著变化，后续研究可深入探索这些疾病的年龄特异性。