Processing math: 100%
 注册 登录 English Version
空气污染卫星遥感 | 浏览量 : 584 下载量: 1318 CSCD: 0 更多指标

  • 导出

  • 分享

  • 收藏

  • 专辑

    • 2000年—2018年中国和印度的长期PM2.5污染暴露的疾病负担研究

    • Disease burden assessment exposure to long-term PM2.5 pollution in China and India （2000—2018）

    • 朱玥

      12 ，

      石玉胜

      1 ，

      李正强

      1
    • 2023年27卷第8期 页码：1834-1843   

      纸质出版日期： 2023-08-07 ，

    • DOI： 10.11834/jrs.20231758     

    扫 描 看 全 文

  • 引用

    阅读全文PDF

  • 朱玥，石玉胜，李正强.2023.2000年—2018年中国和印度的长期PM2.5污染暴露的疾病负担研究.遥感学报，27（8）： 1834-1843 DOI： 10.11834/jrs.20231758.
    Zhu Y，Shi Y S and Li Z Q. 2023. Disease burden assessment exposure to long-term PM2.5 pollution in China and India （2000—2018）. National Remote Sensing Bulletin， 27（8）：1834-1843 DOI： 10.11834/jrs.20231758.
  •  
  •  
    论文导航

    摘要

    PM2.5作为空气污染物，对人体健康构成了潜在威胁。中国和印度是全球人口最多的两个发展中国家，PM2.5污染造成的疾病负担问题尤为严重。因此，本文基于长时间序列高分辨率（0.01°×0.01°）卫星反演的PM2.5浓度数据，分析了中国和印度19年（2000年—2018年）的PM2.5时空格局变化和人口暴露情况；基于综合暴露响应模型全面评估了两个国家因PM2.5长期暴露导致的6种疾病（急性下呼吸道感染、慢性阻塞性肺病、二型糖尿病、缺血性心脏病、肺癌和中风）的过早死亡人数。结果表明，中国PM2.5浓度的高值区集中在新疆、四川盆地、华北平原以及长江经济带等地区，年人口加权浓度总体呈减少趋势（2000年为50 μg∙m-3，2018年为40.8 μg∙m-3）；印度PM2.5浓度的高值区集中在北部地区，年人口加权浓度一直呈上升趋势（2000年为51.5 μg∙m-3，2018年为76.4 μg∙m-3）。对于中国而言，PM2.5暴露造成的过早死亡人数从2000年的90.8万人增长至2018年的137.8万人，增长了47万人；中风是导致过早死亡的主要疾病终端，占总死亡人数的45.9%（56.3万人）。印度PM2.5暴露造成的过早死亡人数从2000年的34.3万人增长至2018年的75万人，增长了40.7万人；缺血性心脏病和中风是导致过早死亡的主要疾病终端，分别占比39.9%（20.2万人）和25.5%（12.9万人）。研究结果有望为决策者和污染控制机构提供参考，有助于制定空气污染治理政策。

    译

    Abstract

    With the increasing frequency of air pollution incidents worldwide, many studies have focused on the disease burden from long-term exposure to PM2.5 pollution. In China and India, the two most populous developing countries in the world, the disease burden attributable to PM2.5 exposure are particularly serious. Therefore, these countries need to develop a multi-year and comprehensive dataset of PM2.5-related premature deaths to support their future air pollution prevention policies. However, only few studies have explored this topic over the past years. To fill this gap, this study analyzed the spatial and temporal patterns of PM2.5 concentrations and changes of population exposure to PM2.5 in China and India over the past 19 years (2000—2018) using high-resolution (0.01°×0.01°) satellite data. Combined with the Integrated Exposure Response (IER) model, this study comprehensively assessed the premature deaths from six diseases due to long-term PM2.5 exposure, including acute lower respiratory infection, (ALRI), Chronic Obstructive Pulmonary Disease, (COPD), type 2 diabetes (DIA), Ischemic Heart Disease (IHD), lung cancer (LNC), and stroke (STR).

    译

    Results show that those areas with high levels of PM2.5 concentrations in China were concentrated in Xinjiang, Sichuan Basin, North China Plain, and the Yangtze River Economic Belt. The annual population-weighted PM2.5 concentrations showed a decreasing trend (50 μg∙m-3 in 2000 and 40.8 μg∙m-3 in 2018). In India, high levels of PM2.5 concentrations were concentrated in the north, including Punjab, Haryana, and Uttar Pradesh. The annual population-weighted PM2.5 concentrations increased from 51.5 μg∙m-3 in 2000 to 76.4 μg∙m-3 in 2018. The number of premature deaths caused by PM2.5 exposure in China increased by 34.1% from 908000 in 2000 to 1378000 in 2018, with the annual average premature deaths totaling 1228000. STR was the major contributor to total premature deaths in the country, accounting for 45.9% (563000) of all fatalities. In India, the number of premature deaths attributable to PM2.5 increased rapidly from 343000 in 2000 to 750000 in 2018, with a net increase of 407000. The annual average premature deaths were 506000, the majority of which were attributed to IHD and STR, which accounted for 39.9% (202000) and 25.5% (129000) of all deaths, respectively. Moreover, DIA was responsible for 29000 (2.3%) and 30000 (6%) premature deaths in China and India, respectively, and therefore should not be ignored.

    译

    Overall, this study established a long-term series of high-resolution datasets on premature deaths due to PM2.5 exposure in China and India. The number of premature deaths caused by air pollution remain high in China and India, both of which have high PM2.5 concentrations and population density, thus necessitating stricter air pollution control policies. These results provide a reference for the formulation of air pollution policies in these countries. However, in estimating premature deaths due to PM2.5, the baseline mortality rate did not consider the differences caused by the level of development and medical treatment within a country. Therefore, in a future study, the researchers will incorporate the sub-national baseline mortality rate when assessing premature deaths.

    译

    关键词

    遥感; PM2.5; 疾病负担; 过早死亡; 中国; 印度; 长时序

    译

    Keywords

    remote sensing; PM2.5; disease burden; premature deaths; China; India; long time series

    译

    1　引言

    随着世界经济的快速发展和城市化进程的加快，PM2.5污染已经成为一个全球性的环境和公共健康问题。PM2.5指的是空气动力学直径小于2.5 μm的颗粒物，又称可吸入肺颗粒物。它体积小，表面积大，能在空气中长期停留，并远距离传输，携带的有毒物质，能够随着呼吸深入人体肺部（

    向娟 等，2022；王情 等，2021；Xue等，2019；Liang等，2019）。大量流行病学研究表明，长期暴露在高浓度PM2.5环境中会对人体健康有严重的负面影响。已证实，长期接触PM2.5与某些疾病导致的过早死亡之间存在关联，这些疾病包括急性下呼吸道感染ALRI（Acute Lower Respiratory Infection），慢性阻塞性肺病COPD（Chronic Obstructive Pulmonary Disease），二型糖尿病DIA（Type 2 diabetes），缺血性心脏病IHD（Ischemic Heart Disease），肺癌LNC（Lung cancer）和中风STR（Stroke）（Chowdhury和Dey，2016；Wang等，2021；Lu等，2019）。
    译

    IQAir发布的《2019年世界空气质量报告》显示，2019年，印度和中国是世界排名第5和11位PM2.5污染严重的国家。此外，全球PM2.5污染较严重的前30位城市有21个位于印度；有1个位于中国（https://www.iqair.com/world-air-quality-report［2022-01-05］）。可以看出，中国和印度的PM2.5污染问题十分严峻。美国健康效应研究所HEI（Health Effects Institute）发布的《2020年全球空气状况特别报告》指出，2019年，PM2.5长期暴露导致了全球414万人过早死亡，占全球总死亡人数的7%，是危害全球公众健康的第六大因素。而其中，仅中国和印度这两个国家，PM2.5长期暴露便导致了142万和98万人过早死亡，占全球总死亡人数的58%（Health Effects Institute等，2020）。由此可见，中国和印度PM2.5污染造成的过早死亡疾病负担尤为严重。

    译

    目前，已有多名学者对中国PM2.5疾病负担进行了研究（

    王情 等，2021；李勇 等，2021；Yue等，2020；Maji等，2020）。Fang等（2016）分析了2013年中国74个主要城市的PM2.5暴露导致的疾病负担，研究表明中国74个主要城市的过早死亡人数占全国总死亡人数的32%，心血管疾病为主要疾病终端。Yue等（2020）对中国实施《大气污染防治五年行动计划》政策后（2013年—2017年），PM2.5污染导致的年均过早死亡人数动态变化和健康效益，结果表明PM2.5暴露导致的过早死亡人数2017年相比2013年减少了6.4万。Maji等（2020）评估了《大气污染防治五年行动计划》的实施对北京市2014年—2018年PM2.5浓度和过早死亡人数的影响，结果表明2018年因PM2.5暴露导致的过早死亡人数相比2014年减少了5.6%。除此之外，也有少数学者对印度PM2.5疾病负担进行了分析（Sahu等，2020；Manojkumar和Srimuruganandam，2021；Limaye等，2019）。Sahu等（2020）估算了2015年印度PM2.5暴露带来的健康负担，总过早死亡人数达161万人。Limaye等（2019）模拟了2030年印度PM2.5环境浓度，并估算了由此导致特定疾病终端的过早死亡人数。Manojkumar和Srimuruganandam（2021）模拟了2019年印度PM2.5浓度降低带来的过早死亡健康效益，结果显示北方邦、比哈尔邦等PM2.5浓度较高且人口密集的地区，因污染减缓而得到的健康效益最大。
    译

    上述研究仅仅是对单个年份或间隔年份的PM2.5浓度和过早死亡人数进行分析，而对这两个国家PM2.5浓度及疾病负担的长期的时间趋势和空间格局变化仍不清楚。此外，以往的研究大多考虑ALRI、COPD、IHD、LNC和STR这5种疾病终端，没有考虑DIA引起的过早死亡人数，这造成了PM2.5暴露疾病负担评估的不全面（

    Maji，2020；Jain等，2017；Huang等，2018；Guan等，2019）。因此，本研究基于卫星反演的长时间序列高分辨率的PM2.5浓度数据，分析了2000年—2018年中国和印度两个国家PM2.5浓度的长期时间趋势和空间格局分布，结合全球疾病负担研究GBD（Global Burden of Disease）2019年发布的最新综合暴露响应IER（Integrated Exposure Response）模型参数，评估了PM2.5长期暴露导致的6种疾病（ALRI、COPD、DIA、IHD、LNC和STR）的过早死亡人数。研究结果将有助于全面了解中国和印度PM2.5浓度及其过早死亡人数的长期时空变化和趋势，从而精准地对污染较重的区域开展空气污染工防治作。通过全面量化归因于6种疾病终端的过早死亡人数，不仅提高了公众对PM2.5暴露引起的疾病负担的认识，还有助于两个国家结合实际，尤其对于疾病负担重的地区，进行针对性医疗防护来减缓疾病负担。
    译

    2　数据源与研究方法

    2.1　数据源

    本研究使用的主要数据源（表1）如下：（1）选用的2000年—2018年0.01°×0.01°空间分辨率的全球地表PM2.5有沙浓度遥感数据来自Hammer和Van Donkelaar团队。该PM2.5浓度数据集是基于GEOS-Chem大气化学传输模型和气溶胶光学厚度反演产品（MODIS、MISR和SeaWiFS），并采用地理加权回归方法进行校正，得到融合后的PM2.5数据。且全球范围内，该PM2.5浓度数据集与地面监测点数据呈现高度一致，R2为0.90—0.92（

    Hammer等，2020）。对于中国地区，PM2.5浓度也呈现了与地面监测站点数据也呈现较好一致性，其中，R2为0.81（Yang等，2022），slope为0.9（Zhang等，2021），RMSE为7.05（Yang和Jiang，2021）。（2）所用的人口栅格数据来源于美国橡树岭实验室开发的LandscanTM数据集，包含了2000年—2018年全球各个国家的人口年均总数网格分布，空间分辨率为0.0083°×0.0083°。该数据集结合了人口普查、地理数据和遥感图像分析技术，采用了多元建模框架，依据每个国家和区域的数据条件和地理性质建立（https：//landscan.ornl.gov/［2021-03-02］）。（3）2000年—2018年中国和印度的年龄结构数据来自美国华盛顿大学健康指标与评估机构IHME（Institute for Health Metrics and Evaluation），它包含国家层面的不同年龄段人口比例（Global Burden of Disease Collaborative Network，2018）。（4）2000年—2018年中国和印度6种疾病终端（ALRI、COPD、DIA、IHD、LNC和STR）的国家层面基准死亡率数据来自GBD在线数据库。此外，本研究利用ArcGIS将人口网格数据分辨率重新采样至0.01°×0.01°，与PM2.5浓度数据分辨率保持一致。
    译

    表1  数据源
    Table 1  Data Sources
    数据集时间/年份空间分辨率数据来源
    PM2.5浓度 2000—2018 0.01° Hammer和Van Donkelaar团队（https：//sites.wustl.edu/acag/datasets/surface-pm2-5/）
    人口 2000—2018 0.0083° LandScanTM（https：//landscan.ornl.gov/）
    年龄结构 2000—2018 — IHME（http：//ghdx.healthdata.org/record/ihme-data/gbd-2019-population-estimates-1950—2019）
    基准死亡率 2000—2018 — GBD（http：//ghdx.healthdata.org/gbd-results-tool）
    icon 下载:  导出CSV icon 下载:  下载表格图片

    2.2　研究方法

    本研究采用了2019年IER模型来定量评估长期暴露在PM2.5环境中造成的过早死亡人数。该模型于2010年GBD首次提出（

    Brauer等，2012），并随着PM2.5健康效应队列研究的深入，不断地更新和优化，被广泛应用于PM2.5暴露造成的疾病负担研究。模型选取了6种疾病作为疾病终端：ALRI、COPD、DIA、IHD、LNC和STR。其中，ALRI是针对5岁以下的儿童，后5种疾病则是针对25岁以上的成年人。该模型通过相关危险度RR（Relative Risk）将PM2.5与过早死亡人数建立关系，RR计算公式如下：
    译

    RR(Cg)={1, Cg<C01+α(1-e-β(Cg-C0)δ),Cg≥C0}
         		(1)

    式中，Cg表示网格g的PM2.5真实浓度值；C0为PM2.5理论阈值，这里参考2019年GBD公布的最新结果（5 μg∙m-3）。当环境PM2.5浓度低于该阈值浓度时，RR值为1，即PM2.5暴露不会对人体造成危害。当环境PM2.5浓度高于该阈值浓度时，RR值大于1，即PM2.5暴露会对人体造成危害。α、β和δ是描述6种疾病终端的综合暴露响应曲线形状参数。这里将RR的平均值用于计算过早死亡人数，如下式所示：

    译

    PAFg, a, i=RRg, a, i-1RRg, a, i
         		(2)
    Mg, a, i=POPg, a, i×BMRi×PAFg, a, i
         		(3)

    式中，PAFg，a，i为网格g内年龄组a疾病终端i的归因系数；RRg，a，i为网格g内年龄组a疾病终端i的相对危险度；Mg，a，i为网格g内年龄组a疾病终端i的过早死亡人数；POPg，a为网格g内年龄组a的人口数量；年龄组a包含0—5岁、25—30岁、30—35岁、35—40岁、40—45岁、…、90—95岁和>95岁在内的16组；BMRi为疾病终端i国家层面基准死亡率。

    译

    3　PM2.5时空分布特征

    中国和印度PM2.5浓度19年年均分布具有明显的空间格局（图1）。2005年，世界卫生组织WHO（World Health Organization）针对PM2.5年均浓度设立了4个指标值：准则值AQG（Air Quality Guidelines）为10 μg∙m-3，目标值1T-3（Interim target-3）为15 μg∙m-3，目标值1T-2（Interim target-2）25 μg∙m-3，目标值1T-1（Interim target-1）35 μg∙m-3。2021年，WHO将AQG值下调至5 μg∙m-3。在中国，高浓度PM2.5浓度主要集中在东部（华北平原以及长江经济带等地区）、西南部（四川盆地）和西北部（新疆）。这些地区PM2.5浓度常年高于60 μg∙m-3，远远高于1T-1值（35 μg∙m-3），但造成PM2.5浓度高的原因有所不同。其中，新疆主要是受来自塔克拉玛干沙漠的扬沙等自然源影响，PM2.5浓度常年偏高；四川盆地主要受地形影响，PM2.5不易扩散而常年偏高；华北平原和长江经济带等地区则是因为人口密集，工业发达，人为源PM2.5排放较高。中国的青海，西藏，黑龙江和内蒙古的北部PM2.5污染较轻，PM2.5浓度常年低于10 μg∙m-3，达到了2005年的AQG值（10 μg∙m-3），但仍高于2021年的AQG值（5 μg∙m-3）。在印度，PM2.5浓度高值区集中分布在北部恒河平原（如哈里亚纳邦、首都新德里、北方邦、比哈尔等地区），19年的年均PM2.5浓度同样高于60 μg∙m-3。这些地区人口密集，工业发达，且地处平原，居民、电力和农业等部门PM2.5排放浓度高。此外，整个印度区域几乎都暴露在PM2.5浓度高于25 μg∙m-3（1T-2值）环境中，只有西南小部分地区PM2.5浓度低于25 μg∙m-3。

    译

    fig
    icon 下载:  | 高精图 | 低精图

    图1  中国和印度2000年—2018年PM2.5浓度年均空间分布

    Fig. 1  Average spatial distribution of PM2.5 concentrations in China and India over 2000—2018

    （审图号：GS京（2023）0738号）

    图2（a）展示了2000年—2018年中国和印度PM2.5浓度变化分布。中国东南部地区PM2.5浓度19年间都有所减少；其中，甘肃东南部、宁夏、四川东部和重庆西部等地区PM2.5浓度呈现快速减少（<-6 μg∙m-3）；贵州南部、湖南西部、湖北西部和浙江中部等地区PM2.5浓度呈现较快速减少（<-4 μg∙m-3）；江苏、山西、黑龙江和吉林等地区PM2.5浓度呈现轻微增加（>1 μg∙m-3）；西藏自治区南部PM2.5浓度呈现快速增加（>8 μg∙m-3）。与中国不同，整个印度PM2.5浓度都呈现不同程度的增加。除去最南部区域（卡纳塔克邦南部、泰米尔纳德邦南部和喀拉拉邦）和北部个别区域PM2.5浓度呈现轻微增加（>1 μg∙m-3）；其余地区PM2.5浓度都呈现快速增加，尤其是印度北部地区（>8 μg∙m-3）。考虑到中国从2013年开始实施《大气污染防治五年行动计划》；2018年开始实施《蓝天保卫行动计划》，图2（b）分析了中国和印度2013年—2018年PM2.5浓度的空间变化。由于一系列大气污染防治措施的实施（

    Wei等，2021；Xiao等，2022），中国东部、京津冀、长三角、珠三角和川渝地区都呈现较快速减少（<-6 μg∙m-3）；中国西南部地区PM2.5浓度变化不大；西北部如塔里木盆地区域PM2.5浓度较快速增加（>6 μg∙m-3）。而印度PM2.5污染状况仍不断加重，只有东北小部分地区PM2.5浓度呈现轻微较少（<-1 μg∙m-3），其余地区尤其是西北和南部PM2.5浓度都呈现快速增加。
    译

    fig
    icon 下载:  | 高精图 | 低精图

    图2  中国和印度2000年—2018年和2013年—2018年PM2.5浓度变化的空间分布

    Fig. 2  Spatial distributions of change rates in PM2.5 concentrations during 2000—2018 and 2013—2018 in China and India

    （审图号：GS京（2023）0738号）

    4　PM2.5人口暴露特征

    图3（a）显示了2000年、2010年和2018年中国和印度在不同PM2.5浓度下的人口累计比例变化情况。2000年时，中国有80%的人口暴露在PM2.5浓度高于35 μg∙m-3（1T-1值）的环境下，有24%的人口暴露在PM2.5浓度高于60 μg∙m-3的环境中。到了2010年，这一情况更为严重，分别有83%和47%的人口暴露在PM2.5浓度高于35 μg∙m-3和60 μg∙m-3的环境下。2018年时，PM2.5的人口暴露情况明显缓解，减少至61%和12%的人口暴露在PM2.5浓度高于35 μg∙m-3和60 μg∙m-3的环境下。相比中国，印度在2000年时暴露在高值PM2.5浓度环境下的人口比例更高，达36%。更糟糕的是，从2000年—2018年，印度有越来越多的人口居住在高PM2.5浓度环境中。2018年时，印度没有人居住在PM2.5低于25 μg∙m-3（1T-2值）的环境中；只有2%的人居住在低于35 μg∙m-3（1T-1值）环境中；居住在PM2.5浓度高于60 μg∙m-3环境中的人口比例达58%；甚至有26%的人口居住在PM2.5高于100 μg∙m-3的环境中。

    译

    中国和印度的年均人口加权PM2.5浓度随时间变化趋势如图3（b）所示。中国的年均人口加权PM2.5浓度总体以0.48 μg∙m-3∙a-1的速度呈现减少趋势。2000年时中国年均人口加权PM2.5浓度为50 μg∙m-3，2011年达到峰值（61.2 μg∙m-3），2018年缓慢下降到40.8 μg∙m-3。印度的年均人口加权PM2.5浓度则以1.31 μg∙m-3∙a-1呈快速增加趋势。印度年均人口加权PM2.5浓度2000年时为51.5 μg∙m-3，到了2018年则增加到76.4 μg∙m-3。从19年均值来看，印度的PM2.5暴露情况相比中国更为严重，人口加权浓度达62.6 μg∙m-3，远远高于中国51.6 μg∙m-3。

    译

    fig
    icon 下载:  | 高精图 | 低精图

    图3  2000年—2018年中国和印度暴露于不同浓度PM2.5的人口比例分布及PM2.5年均人口加权浓度年际变化

    Fig. 3  Proportion of the population exposed to different PM2.5 concentrations and the inter-annual variation of population-weighted PM2.5 concentrations over China and India during 2000—2018

    5　PM2.5疾病负担评估

    2000年—2018年，中国和印度因PM2.5长期暴露导致的过早死亡人数空间分布如图4所示。可以看出，中国过早死亡人数分布是极其不均匀的。中国PM2.5疾病负担较重的地区主要集中在华北地区（北京、天津、山西和河北），华中和华东地区北部（河南、山东、安徽、江苏和上海）以及川渝地区（四川东部和重庆）。这些地区PM2.5浓度常年较高且人口密度大，因此PM2.5暴露导致的过早死亡人数更多。而PM2.5疾病负担较轻的地区主要集中西北地区（新疆和青海）、西南地区（西藏）、东北北部和内蒙古等地区，这些地区虽然PM2.5浓度高低不一，但人口密度相对较少，因而PM2.5暴露导致的过早死亡人数较少。且19年间由于人口迁移和城市化，中国过早死亡人数的空间分布趋于集中。2000年—2018年，印度PM2.5过早死亡人数的空间格局也存在不均匀分布，主要表现在南部和北部的明显差异。长期暴露在PM2.5环境中引起的过早死亡人数在印度北部最多，如旁遮普、哈里亚纳邦、北方邦、比哈尔和首都新德里；在南部则相对较少。研究期间，印度的过早死亡人数分布与PM2.5浓度分布相似，呈现北部高南部低；趋势变化也具有一致性，北部逐年加重且高值区范围逐年向南部扩张。

    译

    fig

    图4  2000年—2018年中国和印度总过早死亡人数分布（ALRI、COPD、DIA、IHD、LNC和STR）

    Fig. 4  Distribution of total premature deaths （ALRI， COPD， DIA， IHD， LNC， and STR） in China and India （2000—2018）

    审图号：GS京（2023）0738号

    icon 下载:  原图 | 高精图 | 低精图

    2000年—2018年，中国和印度因PM2.5暴露造成的总过早死亡人数（ALRI、COPD、DIA、IHD、LNC和STR）时间变化见图5。2000年，中国的总过早死亡人数为90.9万人，到了2018年上升至137.8万人，净增加了52%（46.9万人）。尽管中国的过早死亡人数总体呈现增加趋势，但过早死亡人数的增加速度却逐渐放缓。2000年—2018年，印度总过早死亡人数净增加了118%（40.7万人）：2000年为34.3万人，2018年则增至75万人。虽然印度（50.6万人）年均总过早死亡人数明显低于中国（122.8万人），但印度的增加速度是惊人的。尽管两个国家人口加权PM2.5浓度在个别年份呈现下降趋势，但基准死亡率的变化和两个国家人口总数的不断增加，因PM2.5暴露导致的过早死亡人数仍然呈现增加趋势。但对于中国，由于大气污染控制政策的实施，PM2.5浓度有了明显改善，从而过早死亡人数的增速也相应放缓。

    译

    fig
    icon 下载:  | 高精图 | 低精图

    图5  2000年—2018年中国和印度总过早死亡（ALRI、COPD、DIA、IHD、LNC和STR）年际变化

    Fig. 5  Interannual changes in total premature deaths （ALRI， COPD， DIA， IHD， LNC， and STR） in China and India from 2000 to 2018

    不同疾病造成的过早死亡人数占总死亡人数的比例在两个国家也是有差异的（图6）。在中国，STR的19年年均死亡人数是56.3万人，占总死亡人数的45.9%，是造成过早死亡的主要疾病终端。IHD、COPD、LNC和DIA的死亡人数次之，分别为30.5万（24.9%）、22.8万（18.6%）、10万（8.1%）和2.9万（2.3%）人。ALRI是造成过早死亡人数最少的疾病终端，仅0.3万（0.2%）人。印度占总过早死亡人数的比例最高的疾病终端是IHD，占比39.9%（20.2万人），IHD、COPD、DIA、ALRI和LNC依次占总死亡人数的25.5%（20.2万人）、24.2%（12.2万人）、6%（3万人）、2.7%（1.3万人）和1.7%（0.9万人）。从两国的疾病负担比例可以看出，DIA对死亡人数的贡献是不可忽略的，造成中国和印度共计5.9万人过早死亡，这也是将DIA考虑进本研究PM2.5疾病终端的原因。而AILRI在印度19年年均过早死亡人数高为1.3万人，占比2.7%，是中国（0.3万）的4倍多，这也提醒印度应该增加对婴幼儿的空气污染防护。

    译

    fig
    icon 下载:  | 高精图 | 低精图

    图6  中国和印度6种疾病过早死亡人数年均值和比例

    Fig. 6  Annual average number and proportion of premature deaths from six diseases in China and India

    6　不确定性与局限性分析

    本研究结合IER模型评估了2000年—2018年中国和印度PM2.5暴露导致的过早死亡人数。本研究的结果与其他学者的研究结果与所用数据及参数对比如图7和表2所示（

    Ding等，2019；Li等，2020；Liu等，2016；Wang等，2018；Zou等，2019）。选用的前人结果未考虑DIA这一疾病终端造成的死亡人数，因此，图7在对比时本研究结果不包括DIA造成的过早死亡人数。Wang等（2018）估计中国2010年的因PM2.5导致的过早死亡人数达127万人，与本研究同时期的结果（129万人）接近。本研究估算2013年中国过早死亡人数为137万人，与Liu等（2016）（137万人）、Ding等（2019）（139万人）同年份的结果相近，但远远高于Zou等（2019）（120万人）的结果。本研究估算过早死亡人数2016年为139万人，与Li等（2020）的同年结果（136万人）接近。
    译

    fig
    icon 下载:  | 高精图 | 低精图

    图7  因PM2.5暴露导致过早死亡人数的研究结果对比

    Fig. 7  Comparison of results on the number of premature deaths caused by PM2.5 exposure

    表2  PM2.5暴露导致的过早死亡人数估算研究比较
    Table 2  Comparison of studies for the estimation of premature deaths attributed to PM2.5 exposure
    文献对比年份地区PM2.5数据人口数据基准死亡率C0/（μg∙m-3）死亡人数/×104
    本研究 2000—2018 中国、印度 卫星反演数据集 LandScanTM、World Bank、LandScanTM、中国统计年鉴 GBD 5 129
    Ding等（2019） 2013 中国 地面观测站、CMAQ模型 GBD — 139
    Li等（2020） 2016 中国 地面观测站、NAQPMS模型 GPWv4 GBD — 136
    Liu等（2016） 2013 中国 地面观测站、NAQPMS模型 中国统计年鉴、国家地球科学系统数据中心 GBD 5.8—8.8 137
    Wang等（2018） 2010 中国 卫星反演数据集 中国统计年鉴 GBD — 127
    Zou等（2019） 2013 中国 地面观测站、TSAM模型

    中国统计年鉴

    资源环境科学与数据中心

    		GBD、中国统计年鉴 5.8—8.8 120
    icon 下载:  导出CSV icon 下载:  下载表格图片

    总体上，过早死亡人数的结果存在一定不确定性和局限性。首先，所用数据集具有一定不确定性。有些地区因没有足够的地面观测站点数据来支撑验证或常受到沙尘等极端气候严重影响，PM2.5浓度遥感数据集的估算将存在误差。由于缺少更为精细的城市级基准死亡率数据，而使用国家级基准死亡率，这忽略了城市与城市之间因医疗、经济水平等不同造成的基准死亡率的差异。其次，IER模型中C0阈值的设置不一样也会有所影响，例如，

    Zou等（2019）选择的C0值为GBD2010年公布的5.8—8.8 μg∙m-3，本研究则是采用的GBD2019年最新公布的5 μg∙m-3。此外，IER模型本身会导致估算存在不确定性。尽管该模型已被广泛用于过早死亡人数的估算中，但它主要是基于欧美国家的流行病学队列研究得出。不过在中国和印度现有流行病学队列研究相对稀缺的前提下，IER模型依旧可以是评估中国和印度PM2.5疾病负担的较好选择。最后，仅仅考虑PM2.5浓度来反映疾病负担存在一定局限性。事实上，PM2.5是一种组分非常复杂的空气污染物，成分因区域、气候等因素而不同，对人体健康的影响也存在错综作用。
    译

    7　结论

    本文研究了2000年—2018年中国和印度的PM2.5浓度变化及其人口暴露情况，分析了由于PM2.5污染造成的过早死亡人数的时空分布特征和趋势。研究结果表明，2000年—2018年，中国和印度PM2.5浓度分布有明显的空间分布格局。中国PM2.5浓度高值区集中分布在新疆、四川盆地、华北平原以及长江经济带等地区；印度PM2.5高值区集中分布在北部地区。中国PM2.5人口暴露情况总体呈减缓趋势，且居住在高浓度PM2.5环境的人口比例减少；印度人口暴露情况呈加重趋势。19年来，中国和印度PM2.5过早死亡人数都呈现增加趋势以及空间不均匀分布。中国19年年均过早死亡人数达122.8万，集中在华北地区和四川盆地。印度19年年均过早死亡人数到50.6万，集中在北部地区。

    译

    总的来说，本研究针对PM2.5污染严重且人口众多的两个发展中国家，基于卫星反演的PM2.5浓度遥感数据，建立了2000年—2018年的高分辨率的PM2.5暴露导致的过早死亡人数数据集。并且，本文所选取的研究年份并不是单独一年或间隔几年，而是长时间序列的连续年份，从而分析PM2.5及其过早死亡人数的长期且连续的时空格局演变。在估算PM2.5导致的过早死亡人数时，考虑了6种疾病终端，使过早死亡人数的估算更加全面。研究结果有望为两个国家的大气污染政策的制定提供依据和参考。

    译

    但是，本文针对PM2.5导致的过早死亡人数估算中，基准死亡率的选取并未考虑国家内部发展水平、医疗水平等造成的差异，使用次国家级基准死亡率进行评估将是下一步工作的重点。

    译

    参考文献（References）

    Brauer M, Amann M, Burnett R T, Cohen A, Dentener F, Ezzati M, Henderson S B, Krzyzanowski M, Martin R V, Van Dingenen R, van Donkelaar A and Thurston G D. 2012. Exposure assessment for estimation of the global burden of disease attributable to outdoor air pollution. Environmental Science and Technology, 46(2): 652-660 [DOI: 10.1021/es2025752] [百度学术] 

    Chowdhury S and Dey S. 2016. Cause-specific premature death from ambient PM2.5 exposure in India: estimate adjusted for baseline mortality. Environment International, 91: 283-290 [DOI: 10.1016/j.envint.2016.03.004] [百度学术] 

    Ding D, Xing J, Wang S X, Liu K Y and Hao J M. 2019. Estimated contributions of emissions controls, meteorological factors, population growth, and changes in baseline mortality to reductions in ambient PM2.5 and PM2.5-related mortality in China, 2013—2017. Environmental Health Perspectives, 127(6): 067009 [DOI: 10.1289/EHP4157] [百度学术] 

    Fang D, Wang Q G, Li H M, Yu Y Y, Lu Y and Qian X. 2016. Mortality effects assessment of ambient PM2.5 pollution in the 74 leading cities of China. Science of the Total Environment, 569-570: 1545-1552 [DOI: 10.1016/j.scitotenv.2016.06.248] [百度学术] 

    Global Burden of Disease Collaborative Network. 2018. Global Burden of Disease Study 2017 (GBD 2017) Population Estimates 1950—2017. Seattle, United States of America: Institute for Health Metrics and Evaluation (IHME) [百度学术] 

    Guan Y, Kang L, Wang Y, Zhang N N and Ju M T. 2019. Health loss attributed to PM2.5 pollution in China’s cities: economic impact, annual change and reduction potential. Journal of Cleaner Production, 217: 284-294 [DOI: 10.1016/j.jclepro.2019.01.284] [百度学术] 

    Hammer M S, van Donkelaar A, Li C, Lyapustin A, Sayer A M, Hsu N C, Levy R C, Garay M J, Kalashnikova O V, Kahn R A, Brauer M, Apte J S, Henze D K, Zhang L, Zhang Q, Ford B, Pierce J R and Martin R V. 2020. Global estimates and long-term trends of fine particulate matter concentrations (1998—2018). Environmental Science and Technology, 54(13): 7879-7890 [DOI: 10.1021/acs.est.0c01764] [百度学术] 

    Huang J, Pan X C, Guo X B and Li G X. 2018. Health impact of China’s Air Pollution Prevention and Control Action Plan: an analysis of national air quality monitoring and mortality data. The Lancet Planetary Health, 2(7): e313-e323 [DOI: 10.1016/S2542-5196(18)30141-4] [百度学术] 

    Jain V, Dey S and Chowdhury S. 2017. Ambient PM2.5 exposure and premature mortality burden in the holy city Varanasi, India. Environmental Pollution, 226: 182-189 [DOI: 10.1016/j.envpol.2017.04.028] [百度学术] 

    Li Y, Zhao X G, Liao Q, Tao Y and Bai Y. 2020. Specific differences and responses to reductions for premature mortality attributable to ambient PM2.5 in China. Science of the Total Environment, 742: 140643 [DOI: 10.1016/j.scitotenv.2020.140643] [百度学术] 

    Li Y, Liao Q, Zhao X G, Bai Y and Tao Y. 2021. Influence of PM2.5 pollution on health burden and economic loss in China. Environmental Science, 42(4): 1688-1695 [百度学术] 

    李勇, 廖琴, 赵秀阁, 白云, 陶燕. 2021. PM2.5污染对我国健康负担和经济损失的影响. 环境科学, 42(4): 1688-1695 [DOI: 10.13227/j.hjkx.202008313] [百度学术] 

    Liang F C, Yang X L, Liu F C, Li J X, Xiao Q Y, Chen J C, Liu X Q, Cao J, Shen C, Yu L, Lu F H, Wu X P, Zhao L C, Wu X G, Li Y, Hu D S, Huang J F, Liu Y, Lu X F and Gu D F. 2019. Long-term exposure to ambient fine particulate matter and incidence of diabetes in China: a cohort study. Environment International, 126: 568-575 [DOI: 10.1016/j.envint.2019.02.069] [百度学术] 

    Limaye V S, Schöpp W and Amann M. 2019. Applying integrated exposure-response functions to PM2.5 pollution in India. International Journal of Environmental Research and Public Health, 16(1): 60 [DOI: 10.3390/ijerph16010060] [百度学术] 

    Liu J, Han Y Q, Tang X, Zhu J and Zhu T. 2016. Estimating adult mortality attributable to PM2.5 exposure in China with assimilated PM2.5 concentrations based on a ground monitoring network. Science of the Total Environment, 568: 1253-1262 [DOI: 10.1016/j.scitotenv.2016.05.165] [百度学术] 

    Lu X C, Lin C Q, Li W K, Chen Y A, Huang Y Q, Fung J C H and Lau A K H. 2019. Analysis of the adverse health effects of PM2.5 from 2001 to 2017 in China and the role of urbanization in aggravating the health burden. Science of the Total Environment, 652: 683-695 [DOI: 10.1016/j.scitotenv.2018.10.140] [百度学术] 

    Maji K J. 2020. Substantial changes in PM2.5 pollution and corresponding premature deaths across China during 2015—2019: a model prospective. Science of the Total Environment, 729: 138838 [DOI: 10.1016/j.scitotenv.2020.138838] [百度学术] 

    Maji K J, Li V O K and Lam J C K. 2020. Effects of China's current Air Pollution Prevention and Control Action Plan on air pollution patterns, health risks and mortalities in Beijing 2014—2018. Chemosphere, 260: 127572 [DOI: 10.1016/j.chemosphere.2020.127572] [百度学术] 

    Manojkumar N and Srimuruganandam B. 2021. Health benefits of achieving fine particulate matter standards in India-A nationwide assessment. Science of the Total Environment, 763: 142999 [DOI: 10.1016/j.scitotenv.2020.142999] [百度学术] 

    Sahu S K, Sharma S, Zhang H L, Chejarla V, Guo H, Hu J L, Ying Q, Xing J and Kota S H. 2020. Estimating ground level PM2.5 concentrations and associated health risk in India using satellite based AOD and WRF predicted meteorological parameters. Chemosphere, 255: 126969 [DOI: 10.1016/j.chemosphere.2020.126969] [百度学术] 

    Wang H, Yin P, Fan W H, Wang Y, Dong Z M, Deng Q H and Zhou M G. 2021. Mortality risk associated with short-term exposure to particulate matter in China: estimating error and implication. Environmental Science and Technology, 55(2): 1110-1121 [DOI: 10.1021/acs.est.0c05095] [百度学术] 

    Wang Q, Wang J N, He M Z, Kinney P L and Li T T. 2018. A county-level estimate of PM2.5 related chronic mortality risk in China based on multi-model exposure data. Environment International, 110: 105-112 [DOI: 10.1016/j.envint.2017.10.015] [百度学术] 

    Wang Q, Zhu H H, Du P, Zhao L and Li T T. 2021. Health benefit of ‘14th Five-Year’ and medium and long-term PM2.5 control targets in Beijing-Tianjin-Hebei and its surrounding areas. Research of Environmental Sciences, 34(1): 220-228 [百度学术] 

    王情, 朱欢欢, 杜鹏, 赵靓, 李湉湉. 2021. 京津冀及周边地区“十四五”及中长期PM2.5污染控制目标的健康效益预估研究. 环境科学研究, 34(1): 220-228 [DOI: 1.13198/j.issn.1001-6929.2020.11.21] [百度学术] 

    Wei J, Li Z Q, Lyapustin A, Sun L, Peng Y R, Xue W H, Su T N and Cribb M. 2021. Reconstructing 1-km-resolution high-quality PM2.5 data records from 2000 to 2018 in China: spatiotemporal variations and policy implications. Remote Sensing of Environment, 252: 112136 [DOI: 10.1016/j.rse.2020.112136] [百度学术] 

    Xiang J, Tao M H, Guo L, Chen L F, Tao J H and Gui L. 2022. Progress of near-surface PM2.5 concentration retrieve based on satellite remote sensing. National Remote Sensing Bulletin, 26(9): 1757-1776 [百度学术] 

    向娟, 陶明辉, 郭玲, 陈良富, 陶金花, 桂露. 2022. 基于卫星遥感的近地面PM2.5浓度反演进展. 遥感学报, 26(9): 1757-1776 [DOI: 10.11834/jrs.20210438] [百度学术] 

    Xiao Q Y, Geng G N, Xue T, Liu S G, Cai C L, He K B and Zhang Q. 2022. Tracking PM2.5 and O3 pollution and the related health burden in China 2013—2020. Environmental Science and Technology, 56(11): 6922-6932 [DOI: 10.1021/acs.est.1c04548] [百度学术] 

    Xue T, Zhu T, Zheng Y X, Liu J, Li X and Zhang Q. 2019. Change in the number of PM2.5-attributed deaths in China from 2000 to 2010: comparison between estimations from census-based epidemiology and pre-established exposure-response functions. Environment International, 129: 430-437 [DOI: 10.1016/j.envint.2019.05.067] [百度学术] 

    Yang W and Jiang X L. 2021. Evaluating the influence of land use and land cover change on fine particulate matter. Scientific Reports, 11: 17612 [DOI: 10.1038/s41598-021-97088-8] [百度学术] 

    Yang X C, Wang Y, Zhao C F, Fan H, Yang Y K, Chi Y L, Shen L X and Yan X. 2022. Health risk and disease burden attributable to long-term global fine-mode particles. Chemosphere, 287: 132435 [DOI: 10.1016/j.chemosphere.2021.132435] [百度学术] 

    Yue H B, He C Y, Huang Q X, Yin D and Bryan B A. 2020. Stronger policy required to substantially reduce deaths from PM2.5 pollution in China. Nature Communications. 1462. [DOI: 10.1038/s41467-020-15319-4] [百度学术] 

    Zhang Y Q. 2021. All-Cause Mortality Risk and Attributable Deaths Associated with Long-Term Exposure to Ambient PM2.5 in Chinese Adults.Environmental Science & Technology, 55(9): 6116-6127. [DOI: 10.1021/acs.est.0c08527] [百度学术] 

    Zhou M G, Wang H D, Zhu J, Chen W Q, Wang L H, Liu S W, and Li Y C. 2016. Cause-specific mortality for 240 causes in China during 1990—2013: a systematic subnational analysis for the Global Burden of Disease Study 2013. The Lancet, 387 (10015): 251-272. [DOI: 10.1016/S0140-6736(15)00551-6] [百度学术] 

    Zou B, You J W, Lin Y, Duan X L, Zhao X G, Fang X, Matthew J C, and Li S X. 2019. Air pollution intervention and life-saving effect in China.Environment International, 125: 529-541. [DOI: 10.1016/j.envint.2018.10.045] [百度学术] 

    文章被引用时，请邮件提醒。
    提交

    相关文章

    相关作者

    暂无数据

    相关机构

    国家卫星气象中心(国家空间天气监测预警中心) 中国气象局中国遥感卫星辐射测量和 定标重点开放实验室
    许健民气象卫星创新中心
    南京大学 国际地球系统科学研究所
    信息工程大学 地理空间信息学院
    北京遥感信息研究所
    0