基于高阶空间模式的空气污染归因风险评估的暴露估计方法研究

Assessment of the distribution of exposures of air pollution is a key step to evaluate its adverse health effects as an important problem in public health. As the exposures at population level, ambient air pollution data is collected through routine environmental monitoring network, which are insufficient to represent the spatial variation of ambient air pollution for its complex characteristics of spatial distribution. Recent model-based exposure assessment methods, in which spatial pattern fails to reflect the accurate spatial distribution of air pollutants, therefore may lead to bias and uncertainty in estimates of exposures and adverse health effects. How to assess the exposures accurately by identifying and utilizing the spatial pattern of ambient air pollutants is now a central concern of air pollution-related studies..To address it, high-order spatial pattern recognition method and data-driven land use regression spatial model will be developed to identify and utilize the complex characteristics of spatial distribution of ambient air pollutants to assess the accurate exposures respectively. Exposures of ambient air pollution will be estimated in Sichuan Basin using methods above and then integrated with exposures from personal behaviors data from a recently built cohort. Time series study will be carried out to characterize the exposure and response associations of air pollutants. Based on the exposure and response associations and the integrated exposures, attribute risks of air pollutants will be calculated in different regions and population in Sichuan Basin. The study will provide advance statistical tools for studies concerning air pollution and its adverse health effects, which stands for its value in both methodology and public health.

准确评估空气污染的暴露水平是研究其负面健康效应这一重要公共卫生问题的基本前提。大气污染反映空气污染的群体暴露，数据多来自环境监测。由于大气污染空间分布复杂，直接利用监测数据无法充分反映其空间变异；基于常规模型的暴露估计方法由于空间模式与实际数据的空间分布不符，难以准确估计其暴露水平，导致其健康效应估计出现误差和偏倚。如何识别并利用大气污染的空间分布特征以得到准确的暴露估计，已成为相关研究的核心问题之一。.因此本项目拟开发高阶空间模式识别技术和数据驱动的土地利用回归空间模型，识别并利用大气污染的空间分布特征，估计其准确暴露水平。基于这些方法，结合队列研究中的个体行为暴露信息反映四川盆地中空气污染的群体-个体联合暴露分布，运用时间序列研究刻画空气污染物的暴露-反应关系，根据联合暴露分布评估四川盆地不同地区和人群中的空气污染归因风险，为相关研究提供方法学借鉴，具有重要的科学价值和公共卫生学意义。

准确评估大气污染的暴露水平是研究其负面健康效应这一重要公共卫生问题的基本前提。大气污染反映空气污染的群体暴露，数据多来自环境监测。由于大气污染空间分布复杂，直接利用监测数据无法充分反映其空间变异；基于常规模型的暴露估计方法由于空间模式与实际数据的空间分布不符，难以准确估计其暴露水平，导致其健康效应估计出现误差和偏倚。如何识别并利用大气污染的空间分布特征以得到准确的暴露估计，已成为相关研究的核心问题之一。.因此本项目基于数据驱动的思想，开发了能够同时识别大气污染水平在空间分布中表现出的空间连续性和聚集性的高阶空间模式识别技术，并基于此技术构建能够反应大气污染实际空间关联的空间权重矩阵，并将其纳入土地利用回归空间模型，以准确估计暴露水平。基于PM2.5污染水平估计的实例数据表明高阶空间模式识别技术能够明显提升传统土地利用回归的估计准确性（交叉验证预测RMSE），在非聚集区平均提升为2.74%，而在聚集区提升达15.73%。准确的暴露水平对于污染物溯源、大气污染健康效应估计等具有重要的应用价值。同时，高阶空间模式识别技术与数据驱动空间权重矩阵基于数据驱动思想，不依赖于额外的先验信息，在国内外尚属首次，且其应用具有普适性，能够方便的迁移到其它空间模型与研究领域中，具有重要的学术与应用价值。.此外，项目基于准确的暴露水平，结合队列研究中的个体行为暴露信息反映四川盆地中空气污染的群体-个体联合暴露分布，运用时间序列研究刻画空气污染物的暴露-反应关系，根据联合暴露分布评估出四川盆地不同地区和人群中的空气污染归因风险，为四川盆地大气污染相关疾病负担的评价、大气污染相关健康公平性的评价等提供了基础，对于大气污染防控、有限的卫生资源分配、降低大气污染健康公平性决策具有重要的公共卫生意义。同时也为复杂环境下空气污染的归因风险评估提供了先进的分析框架和统计模型，具有重要的应用价值。