淮河流域瘧疾監(jiān)測指標篩選及預(yù)測方法研究.pdf

1、目的：分析淮河流域瘧疾流行的態(tài)勢，篩選可用于該區(qū)域瘧疾監(jiān)測的指標，探索有效的瘧疾預(yù)測方法。 方法： ①利用ERDAS8.6軟件對MODIS圖像進行文件格式轉(zhuǎn)換和投影變換，運用ArcGIS8.3軟件集成的spatial analyst模塊中的raster calculator與zonal statistics功能，提取并合成各種NDVI與LST值。 ②運用克里格空間插值法，獲得淮河流域不同區(qū)域尺度(縣、鄉(xiāng))近3年瘧

2、疾流行的空間分布圖，觀察瘧疾高發(fā)區(qū)的范圍和發(fā)病強度；通過比較不同年份空間分布特征的變化觀察瘧疾流行的態(tài)勢，包括流行強度和流行范圍的變化，并推測下一年瘧疾流行的可能趨勢。 ③將近3個月的氣象因素和遙感替代指標進行組合，形成反映不同時段自然因素狀況的指標。 ④采用ArcGIS8．3軟件進行專題制圖，以直觀顯示瘧疾發(fā)病率、各類NDVI與LST、以及主要社會因素的空間分布特征。 ⑤運用Spearman等級相關(guān)分析不同區(qū)域

3、尺度上瘧疾發(fā)病率與氣象因素、NDVI、LST以及社會因素的相關(guān)性。 ⑥采用多元回歸分析法篩選影響瘧疾發(fā)病率的變量，并根據(jù)決定系數(shù)的改變量，評價瘧疾既往發(fā)病率對當前發(fā)病率的指示作用。 ⑦對相關(guān)性較大的氣象因素、NDVI、LST等指標進行主成分和因子分析，以充分提取各變量包含的信息，構(gòu)建因子分析方程。 ⑧按照殘差不相關(guān)和簡潔的原則確定模型的結(jié)構(gòu)，依據(jù)Akaike信息準則(AIC)與Schwarz貝葉斯準則(BIC)確

4、定模型的優(yōu)度，構(gòu)建不同區(qū)域尺度上的時間序列ARIMA模型，并評價模型的擬合及預(yù)測效果。 ⑨根據(jù)月發(fā)病數(shù)占當年發(fā)病總數(shù)的構(gòu)成比，將12個月份分為高發(fā)月、中發(fā)月、低發(fā)月，然后采用Fisher逐步判別分析構(gòu)建用于判斷瘧疾是否進入高發(fā)月的氣象因素函數(shù)，并檢驗其判別效果。 結(jié)果： ①流行態(tài)勢：流域東北部是瘧疾的相對高發(fā)區(qū)，從2004至2006年，瘧疾的流行強度增加，流行范圍擴大；發(fā)病率大于1/萬的流行區(qū)呈現(xiàn)出以墉橋區(qū)、固鎮(zhèn)

5、縣、蒙城縣為中心，向西、南方向蔓延之勢；推測該區(qū)域瘧疾的流行總體上處于上升階段，疫情控制形勢依然嚴峻。 ②NDVI：流域內(nèi)NDVI的豐度大且覆蓋范圍廣。相關(guān)分析顯示，年均極大NDVI、年均NDVI，以及年均NDVI大于140柵格所占面積的構(gòu)成比等指標與瘧疾年發(fā)病率呈正相關(guān)：月發(fā)病率與近3個月的NDVI也表現(xiàn)出一定程度的正相關(guān)性。因子分析顯示，平均植被覆蓋量在第一公因子上載荷較大，極端植被覆蓋量在第二公因子上的載荷較大。

6、③氣象因素：氣溫和降雨量與瘧疾發(fā)病率存在較為一致的波動性，尤以氣溫顯著；發(fā)病高峰的出現(xiàn)略遲于氣溫和降雨量的高峰出現(xiàn)時間。相關(guān)分析顯示：氣溫與發(fā)病率的相關(guān)系數(shù)多在0.7左右，降雨量次之。對全流域的回歸分析顯示：近3個月的平均氣溫(Tmean<,012>)和之前1月的平均氣溫(Tmean<,1>)分別可解釋月發(fā)病率變動的56.7％和56.1％；引入既往月發(fā)病率(I)后，當月與之前1月的平均氣溫(Tmean<,01>)與之前1月的發(fā)病率(I<

7、,1>)能解釋月發(fā)病率變動的72．2％，當月的平均氣溫(Tmean<,0>)和I<,1>能解釋月發(fā)病率變動的71.0％，決定系數(shù)較引入I前分別提高15.5％和14.9％。對懷遠縣的回歸分析顯示：近3個月的平均最高氣溫(Tmax<,012>)和之前1月與之前2月的平均濕度(M<,12>)可解釋月發(fā)病率變動的66.2％；引入I后，Tmeanoi、I<,1>可解釋月發(fā)病率變動的73.2％。主成分與因子分析顯示：第一、第二主成分能充分提取各指標

8、包含的信息，兩公因子的累積貢獻率約為88％，其中前期氣象因素在第一公因子上的載荷較大、近期氣象因素在第二公因子上載荷較大。 ④LST:流域內(nèi)每年月均氣溫超出16℃的時間長達8個月；月發(fā)病率與近3個月各種組合的LST均呈現(xiàn)出正相關(guān)性，尤以近3個月的平均極大LST(L Tmax<,012>)和之前1月的極大LST(L Tmax<,1>)更為明顯；對LST的因子分析結(jié)果類似于對氣象因素的因子分析。 ⑤社會因素：使用紗門紗窗、蚊

9、帳、蚊香和滅蚊劑以防止蚊蟲叮咬的家庭分別有32.55％、61.51％、81.84％和57.67％，人均擁有蚊帳0.261頂，有露宿習慣者占6.13％，露宿和室外納涼習慣者占25.85％，人均飼養(yǎng)大牲畜0.3頭。相關(guān)分析顯示：紗門戶率(X<,1>)、人均蚊帳數(shù)(X<,2>)與瘧疾發(fā)病率(Y)呈負相關(guān)(P<0.01，P<0.05)，而露宿率(X<,6>)、去年發(fā)病率(X<,9>)和前年發(fā)病率(X<,10>)與Y呈正相關(guān)(P<0.01)?；貧w

10、分析顯示：變量X<,1>(β=-0.109，P<0.01)，X<,2>(β=-9.762，P<0.05)與Y′(Y經(jīng)Box-Cox轉(zhuǎn)換，λ=0.337)呈負關(guān)聯(lián)，而X<,6>(β=0.119，P<0.05)，X<,9>(β=0.033，P<0.01)與Y′呈正關(guān)聯(lián)。 ⑥時間序列分析：構(gòu)建的ARIMA模型能在全流域、分區(qū)和縣(市、區(qū))三個區(qū)域尺度上較好地反映瘧疾發(fā)病率的時序變動趨勢，擬合及預(yù)測值的動態(tài)趨勢與實際情況基本一致，實際發(fā)

11、病率雖不與擬合及預(yù)測值完全相同，但都落入了預(yù)測值的95％可信區(qū)間之內(nèi)。 ⑦判別分析：之前1月的最低氣溫(Tmin<,1>)、前兩個月的平均降雨量(R<,12>)和Tmax<,012>三個變量最終引入判別方程，建立判別函數(shù)的判別準確率在85％以上。 結(jié)論： ①近年來淮河流域瘧疾的流行強度增加，流行范圍擴大，高發(fā)區(qū)以流域東北部為中心向西、南方向擴展；該區(qū)域的瘧疾流行總體上處于上升階段。 ②年均極大NDVI、年

12、均NDVI以及年均NDVI超出140柵格所占面積的構(gòu)成比，是適用于以年為單位進行大范圍瘧疾監(jiān)測的指標；LTmax<,012>和LTmax<,1>是適用于以月為單位進行大范圍瘧疾監(jiān)測的指標。Tmean<,012>及Tmean<,1>均是較好的監(jiān)測指標，而Tmean<,01>與I<,1>聯(lián)合運用是更佳的瘧疾疫情短期(月)監(jiān)測指標。紗門戶率、人均蚊帳數(shù)、露宿率、之前1年發(fā)病率等指標是在較長時期(3年左右)內(nèi)進行瘧疾發(fā)病率監(jiān)測的較好指標。