气候变化对人类健康的影响

气候变化对人类健康的影响

0气候变化的危害人类健康水平是自然环境、社会环境、物质生活水平和公共福利水平的综合反映。人类健康是气候变化对生态系统、生物过程、自然和社会经济环境影响的重要综合指标。人类健康在很大程度上取决于良好的环境,环境退化会导致人体的不健康。气候变化、人类活动造成的气候变暖、大气污染、水污染或水资源供给不足以及粮食短缺和营养不良都对人类健康造成威胁。全球气候变暖给人类的健康所带来的直接危害主要表现在生态系统的改变,影响疾病的分布和发病。全球气候变暖会使病菌的传播范围扩大,病菌的繁殖速度加快,再加上全球范围的人口流动将会增加病菌、病毒的传播几率。温克刚等人的研究表明,气候变化影响人类健康是负面影响超过正面影响。气候变化对人类健康主要的直接影响是极端高温产生的热效应。全球气候变暖的气候变化可能伴随着热浪频率和强度的增加,由于城市特定的下垫面类型、人口稠密等,产生城市“热岛效应”,市区气温不仅高且持续时间长,而炎热强度及持续时间比之瞬时最高温度对人类健康与死亡率有更大影响。在本研究中重点对热效应对人群死亡的影响以及人群死亡对气候变化的敏感性进行分析,并对未来气候变化对人群死亡的影响进行了定量评估。1最优算子回归利用北京心肺血管疾病研究所提供的1994～2000年北京四个城区(东城、西城、崇文、宣武)、近郊区(海淀、朝阳)、远郊区(房山)的七个监测点,以25～74岁人群为监测对象的25余万居民中全死因死亡事件监测数据、同期北京观象台的逐日气象观测数据、以及由北京市气候中心整编的北京地区月平均气候资料。人群全死因死亡主要包括:肿瘤、心脏病、脑血管、肺炎、支气管炎、肝病、肾病、传染病、糖尿病、消化道出血、意外死亡等。在建立预测评估模型时,我们选择了最优子集回归方法。最优子集回归是在多个自变量(xi)中利用双评分准则(CoupleScoreCriterion,CSC),兼顾趋势和数量,在权衡趋势度量和数量误差同时达到最优时选定模型的维度。预报变量y,设有k个预报因子x1、x2、x3、……、xky=β1x1+β2x2+⋯⋯+βkxk+εy=β1x1+β2x2+⋯⋯+βkxk+ε这样可以建立2k个子集回归方程,从k个自变量中利用双评分准则选出回归效果最好的,就是最优子集回归。数量误差为精评分S1,趋势误差为粗评分S2,设k为任一子集回归中自变量个数,双评分准则CSCk由这两者构成,即CSCk=S1+S2其中:S1=(n−k)R2=(n−k)(1−QkQy)S1=(n-k)R2=(n-k)(1-QkQy)式中Qk、Qy、R分别为回归模型的残差平方和、总离差平方和、复相关系数。Qy=1n∑i=1n(y1−y¯)2Qy=1n∑i=1n(y1-y¯)2S2=2I=2[∑i=11∑j=11nijlnnij+nlnn−(∑i=11ni.lnni.+∑j=11)n.jlnn.j)]S2=2Ι=2[∑i=11∑j=11nijlnnij+nlnn-(∑i=11ni.lnni.+∑j=11)n.jlnn.j)]式中I为预报趋势类别数;nij为i类事件与j类估计事件的列联表中的个数,其中n.j=∑i=11nij；ni.=∑j=11nijn.j=∑i=11nij；ni.=∑j=11nij以CSCk达到最大为准则选择最优子集回归。2人群死亡事件数与夏季热时温度的关系在天气与气候的诸多要素中,气温是对死亡率产生影响的主要因素。健康的人体具有有效的热调节功能,可以保证人体对热应激做出有效的适应性反应。在某一有限的环境温度范围内,人体可通过适当的温度调节反应来保持机体的舒适性。但当温度变化超出一定的冷热限值时,疾病发病和死亡的危险就会增加。一些极端天气现象如夏季的热浪和冬季的寒潮出现后,人群的逐日死亡人数都会有所增加。研究发现,死亡与气温度之间的关系曲线呈“V”形分布,存在一个对应最低死亡率的最佳温度。谭冠日研究上海热日(>34℃)日数与夏季总死亡数的序列相关系数达0.96,热日超额死亡数占夏季总死亡数的4.2%。另一项对心脑血管疾病死亡病例的分析结果表明,夏季月平均气温与死亡率呈正相关,中年组相关性不显著,而老年组(65岁以上)相关性显著,相关系数为0.46(P<0.05),说明患心脑血管疾病的老年人更易受到夏季高温的影响而死亡。我们在分析北京地区人群死亡事件数与气温的关系时,对日平均、日最低、最高气温与日人群全死因死亡事件数的关系进行分析,得出日平均、最低、最高气温与当日人群全死因死亡事件数最大值的分布关系图(图1、图2、图3)。可以看出,在夏季当日最低气温、日平均温度、日最高气温分别升高到23℃、30℃、37℃以上时,人群死亡事件数会显著增加。在冬季当日最低气温、日平均温度、日最高气温分别低于-6℃、-4℃、1℃时,人群死亡事件数陡然增加。与谭冠日研究的上海、广州的“热日”结果相类似,北京的人群死亡事件数有“热日”和“冷日”现象。文献的研究中把这种高于(或低于)某一温度的阈值分别称为“热阈”(或“冷阈”)。在图中可以明显地看出冬季低温死亡事件数显著增加的现象比夏季的高温死亡事件数显著增加的现象更加突出的特点,也就是说北京冬季“冷阈”对人群死亡事件数增加的影响要比夏季“热阈”对人群死亡事件数增加的影响更为明显。说明在北京人群死亡事件数增加受冬季寒冷的影响要比受夏季高温的影响要明显的多。3北京冷季加热度积分指标中最低气温的相关性分析结果见表1计算1994～2000年月气候因子与全死因事件数的相关系数(r≥0.283时,通过0.01的信度检验)(表1),得出:全死因与加热度日积温(HeatingDegreeDays)、平均最高气温、平均最低气温的相关性最好,均呈负相关,相关系数分别达到-0.604、-0.462、-0.461,尤其是全死因事件数与冷季的加热度日积温的相关系数最大,说明了北京冷季的加热度日积温越低、气温越低人群死亡数越多,北京人群死亡事件数的增加受冬季寒冷的影响要比受夏季高温的影响要明显得多的特点。这一结论与前面的极端气温对死亡的影响的阈值分析结果相一致。加热度日积温(HeatingDegreeDays)、冷却度日积温(CoolingDegreeDays)分别定义为:气温低于18℃(或高于18℃)的气温值的累计值。4月平均气水压hpa选取的因子为:X1:月平均气温(0.1℃);X2:月平均最高气温(0.1℃);X3:月平均最低气温(0.1℃);X4:月降水量(0.1mm);X5:月平均风速;X6:月总辐射;X7:月蒸发量;X8:月总辐射;X9:月平均相对湿度(%);X10:月平均气压(hPa);Y:北京人群月全死因事件数;序列长度(1995年1月～2000年12月)n=84,因子数m=12。利用最优子集建立预测评估模型为:Y=51.953-0.161X1+0.170X2-0.102X3式中X1为月平均气温(0.1℃);X2为月平均最高气温(0.1℃);X3为月平均最低气温(0.1℃)。偏差平方和=19434.88,回归平方和=5594.73,残差平方和=13840.15,复相关系数=0.54双评分:S1=16.00,S2=23.32,CSC=39.32经计算观测值与拟合值的均方根误差为RMSE=12.84,并对观测值与拟合值进行比较(图4),得出,人群死亡数月预测模型的预报误差较小,可对人群死亡事件数进行较准确的预报。5未来气候变化对人类死亡的影响评估5.1象台841根据前面的分析对影响人群死亡事件数的“冷阈”定义为:北京观象台(54511)日平均气温≤-4℃,日最低气温≤-6℃、日最高气温≤1℃;对影响人群死亡事件数的“热阈”定义为:北京观象台(54511)日平均气温≥30℃,日最高气温≥37℃。5.2冷阈”短期波动减少,“热阈”增多分析北京观象台(54511)1951～2003年以来的日平均气温≤-4℃和日平均气温≥30℃的日数年变化曲线可以看出(图5、图6),针对人群死亡的“冷阈”日数呈明显的波动减少的趋势,其线性变率为-5.5d/10a。“热阈”日数为增多趋势,其线性变率为0.7d/10a。可明显看出“冷阈”日数的减少趋势远大于“热阈”日数的增多趋势。由前面的分析可知,北京冬季“冷阈”对人群死亡增加的影响要比夏季“热阈”对人群死亡增加的影响要明显得多。如果影响人群死亡的“冷阈”日数和“热阈”日数按现在的线性变率变化,北京冬季“冷阈”日数的明显减少趋势,可能伴随冬季人群死亡事件数的减少明显于夏季人群死亡事件数的增加。5.3b、将结合特点的城市人群全死因预测模型,基于当事人目前存在的低碳预测评估模型中的变量采用国家气候中心计算的澳大利亚联邦科学与工业研究组织大气研究所的全球海气耦合模式(CSIRO),大气模式分辨率为R21/L9,海洋模式分辨率为R21/L21的A2、B2情景的预测结果。IPCC排放情景的特别报告提出了4个新的排放方案,4个情景方案分别为:A1情景,假定全球性合作,迅速使用高新技术,全球人口趋于稳定;A2情景,反映区域性合作,对新技术的适应较慢,人口继续增长;B1情景,方案假定生态环境得到改善,全球人口趋于稳定;B2情景,假定生态环境的改善具有区域性。我们选取了A2、B2排放情景下的气候变化,对北京未来城市人群死亡的影响进行评估。21世纪中国地区的年平均温度同样呈增加趋势,且增加的幅度比全球和东亚地区的都大。分析气候模式在A2、B2情景下对北京的温度预测结果,A2情景下预测的经订正的北京地区的平均气温(Taev)、最高气温(Tmax)、最低气温(Tmin)的线性变率分别为:0.19℃/10a、0.17℃/10a、0.23℃/10a。B2情景下预测的平均气温(Taev)、最高气温(Tmax)、最低气温(Tmin)的线性变率分别为:0.25℃/10a、0.28℃/10a、0.29℃/10a。结果表明B2情景下的气温上升比A2情景下的气温上升要明显。利用建立的城市人群全死因预测评估模型,对2010、2020、2030、2040、2050年的人群全死因数进行预测评估(表2)。根据预测评估模型计算出A2、B2排放情景下的气候变化对未来冬季、夏季的北京人群全死因事件数的预测结果(表2)的比较可看出,排放方案不同,北京城市的人群死亡事件数也有所不同。在A2排放情景下的气候变化使得北京城市冬季的人群死亡事件数呈增多趋势,夏季呈减少趋势,夏季的减少趋势要明显于冬季的增多趋势。从B2排放情景的气候变化(A2情景为较高的温室气体排放,B2情景为中低水平的温室气体排放)使得北京城市冬季人群死亡人数呈减少的趋势,而夏季变化趋势不明显。6人群全死因事件数预测结果(1)分析北京地区人群死亡事件数与气温的关系得出:在夏季当日最低气温、日平均温度、日最高气温分别升高到23℃、30℃、37℃以上时,人群死亡事件数会显著增加。在冬季当日最低气温、日平均温度、日最高气温分别低于-6℃、-4℃、1℃时,人群死亡事件数陡然增加。冬季低温死亡事件数显著增加的现象比夏季的高温死亡事件数显著增加的现象更加突出。(2)计算1994～2000年月气候因子与全死因事件数的相关系数得出:全死因与加热度日积温(HeatingDegreeDays)、平均最高气温、平均最低气温的相关性最好,均呈负相关,相关系数分别达到-0.604、-0.462、-0.461(r≥0.283时,通过0.01的信度检验),尤其是全死因事件数与冷季的加热度日积温的相关系数最大,说明了北京冷季的加热度日积温越低、气温越低人群死亡数越多的特点。(3)分析北京针对人群死亡的“冷阈”日数呈明显的波动减少的趋势,其线性变率为-5.5d/