导语:本次推送刘欢团队的第六项研究成果，该成果发表在Communications Earth & Environment期刊上，与首都医科大学、伦敦帝国理工学院以及加拿大麦吉尔大学等顶尖机构共同完成。研究深入探讨了北京市细颗粒物PM2.5导致的人口暴露，揭示了人口暴露水平在时空上的差异，并对比室内与室外内部剂量，评估潜在的死亡率负担。研究结果为继续改善空气质量，减轻室内人口健康负担提供了理论依据。
摘要
随着区域传输水平的降低，由细颗粒物（PM2.5）导致的健康风险评估已不足以反映本地源异质性对暴露差异的贡献。在这里，我们将超高分辨率PM2.5浓度与人口分布结合起来，以提供考虑室内/室外暴露差异的个人日均PM2.5内部剂量。开发了一种30米PM2.5同化方法，融合了多个辅助预测因子，实现了比化学传输模型输出更高的准确性（R2 = 0.78-0.82），而无需任何后模拟数据导向增强（R2 = 0.31-0.64）。 根据每周移动信号数据在30米分辨率人口分布中识别出的差异。人口加权的环境PM2.5浓度在区域之间有所不同，但未能反映暴露差异。基于吸收的室内/室外PM2.5浓度的内部剂量显示出亚组之间高暴露多样性，与较粗糙的未吸收模型相比，归因的死亡率增加了24.0%。
背景
人类活动导致的空气污染源自经济的快速发展以及工业化，已经成为一个全球卫生问题。每年导致全球大约700万人过早死亡。细颗粒物（PM2.5）作为主要的空气污染物，已经被证明与许多疾病相关，并开发了多个暴露评估模型，用于估计与PM2.5有关的过早死亡，将暴露效益直接与环境污染水平联系起来。
更准确评估PM2.5暴露的方法是通过测量个人内部剂量，它反映了人类生理活动与环境污染之间的累积相互作用。直接采用便携式监测套装可以有效获取个人实时暴露，但是成本原因限制了其广泛应用；间接方法从观察或模拟的PM2.5分布中估算，更适合在城市层面获取充分的样本。然而，监测值仅在相邻区域具有代表性，化学传输模型（CTMs）通常只能达到最多1公里的分辨率，这使得在微环境中识别暴露差异变得具有挑战性。
为了获得更精确的超高分辨率PM2.5分布，最近的研究中已经将辅助数据集与观测数据融合。然而，模型分辨率有时仍然可能受到限制，并且一些超高分辨率变量（30米土地利用或海拔）必须被重新采样到更粗糙的水平（即1公里）以匹配，以避免额外的不确定性。直到最近，来自Sentinel-2A卫星的大量超高分辨率数据和来自Landsat-8卫星的大气顶部（TOA）数据已使空气质量应用不再成为障碍。线性土地利用回归（LUR）模型已被用来融合这些辅助变量。然而，由于PM2.5与辅助变量之间的关系通常是非线性和复杂的，因此引入了机器学习方法，实现了更好的性能和相当大的外推稳健性。
如图所示：为本研究的整体过程，包括进行CTM模型、超高分辨率同化、人口暴露、个人室内暴露和健康分线评估。
北京超高分辨率的PM2.5映射
通过其他辅助变量的吸收，基于WRF-CMAQ模拟输出（图 2 为年平均值，补充图 3 为季节结果），在整个北京地区绘制了超高分辨率的PM2.5浓度分布。随着分辨率的增加和基于监测数据的同化，30米的绘图实现了更高的准确性（R2 = 0.78-0.82）。显示在东南部的高估和西北部的低估均得到极大修正。WRF-CMAQ的原始浓度概率密度分布曲线非常曲折，但在提高空间分辨率后变得更加平滑，因为较小网格更精细地过渡了相邻粗网格之间的变化。同时，结果显示，在保持整体空间分布趋势的同时，通过对PM2.5浓度分布图进行二维离散傅立叶变换和高通滤波的比较，成功实现了对更加详细信息的描述。
作为传统方法的输出和新方法的辅助变量之一，WRF-CMAQ模型在模拟性能标准的判断下表现出令人满意的性能，因此被选用进行进一步的下尺度化和同化。WRF-CMAQ模型和大气边界层高度（PBLH）的PM2.5总是起着关键作用，其次是像地表温度（SFCTMP）、10米高度的风速（WSPD10）和相对湿度（RH）等气象变量。
PBLH的高排名表明北京的PM2.5浓度尚未降至足够低，以减少不利气象因素的影响，因此存在垂直聚集导致重度污染的高可能性。此外，冬季RH的高贡献和WSPD10的低贡献表明，水平方向上的低扩散性和高相对湿度总是触发PM2.5的二次形成。SFCTMP对春季和夏季的贡献最高，主要是由于辐射通量高，可能导致二次污染的加剧形成。其他辅助变量的贡献，如TOA、土地利用类型、人口和道路排放，在不同季节有所不同。
人口的空间-时间PM2.5暴露水平
整个北京地区的人口加权环境PM2.5浓度在工作日为34.6 μg/m3，在周末为34.5 μg/m3，比未加权平均环境PM2.5水平增加了约15%。采用超高分辨率PM2.5浓度场使人口暴露的平均浓度与WRF-CMAQ模型产生了显著差异。人口加权环境PM2.5浓度的主要差异在于WRF-CMAQ和同化结果之间的估计偏差修正。
人口加权的PM2.5浓度在工作日和周末几乎没有显著差异，表明总体人口分布模式相对相似。然而，人口的暴露环境在工作日和周末仍存在显著差异。图5显示了工作日和周末之间30米分辨率人口分布差异的一个示例。以中国北京世贸中心附近为例，工作日人口更多集中在办公楼、街道和地铁站，而周末更多集中在公园、居住区和火车站。仅仅使用人口加权的环境PM2.5浓度无法反映出这种暴露模式的差异，应进一步考虑暴露微环境。
个人PM2.5内部剂量评估
北京的室内PM2.5平均浓度为26.5μg/m3，范围从10.5μg/m3到39.5μg/m3不等。考虑第五环路内室内外PM2.5暴露水平的I/O差异，平均室内为26.9μg/m3，室外为41.6μg/m3，如图6的子图(a)所示。第三环路内的室内PM2.5水平适中且没有显著差异，但第三环路以外，室内PM2.5水平在东南部增加，北部和西部减少。与之前的研究相比，本研究中的室内PM2.5浓度已经大幅下降，这是由于空气质量改善的结果。然而，与其他发达国家相比，室内PM2.5水平仍然过高。室内环境是大多数中国人的主要暴露环境之一，因此在我国仍然急需减轻室内健康负担。
人口分布和室内浓度分布之间的差异表明人口暴露不均匀存在。工作日，人们聚集在四环路内的建筑物中，人口密度远高于四环路外地区。周末，城区人口密度下降，人口在郊区扩散更广。高室内暴露浓度意味着可能存在对个体健康的高暴露风险。然而，由于这些地区的人口密度较低，它们对人口不会产生足够的影响。相反，污染水平适中的地区拥有较低的个体暴露风险，但由于人口密度较高，对人口健康的影响更为显著。在我们的研究中，整个人口的暴露风险主要取决于人口分布。人们的流动意味着整个人口的暴露风险也是在空间和时间上动态的，这表明可以制定动态环境标准的理论可能性。
年龄标准化的个人PM2.5内部剂量的空间分布显示在图6的子图(b)中，该图由子图(a)中的I/O PM2.5暴露水平开发而成。基于环境WRF-CMAQ结果，单个人的年龄和性别标准化每日PM2.5内部剂量为568.2μg/d，而基于环境同化结果为594.5μg/d，增加约5%。
潜在的死亡率负担评估
环境PM2.5分辨率的显著改善也将在很大程度上影响所归因的死亡评估结果。通过将相同的GEMM模型应用于年度WRF-CMAQ结果和环境高分辨率同化结果，图7显示了归因于PM2.5的IHD、中风、COPD和LC疾病的年度死亡估计。总体而言，该方法将PM2.5水平提高了25.9%，导致死亡估计增加了24.0%，表明发展环境PM2.5水平的准确性和分辨率改进可能还会导致稍微较高的死亡率。值得注意的是，目前尚无流行病学证据可评估使用更粗或更高分辨率的PM2.5分布在死亡负担评估中的利弊，更不用说环境浓度与内部剂量之间的权衡。然而，在本研究中，我们在相同框架内计算了一系列指标，包括平均值、人口加权平均浓度、个人内部剂量以及死亡估计。评估结果显示了更粗和更高分辨率结果之间的显著差异。这表明建模分辨率的选择可能对健康评估产生潜在影响。
不确定性和展望
本研究存在一些不确定性和局限性。不确定性的主要来源来自WRF-CMAQ空气质量建模和RF回归，两者都引入了不同程度的不确定性，尽管在可接受的范围内。室内空气净化器在人类室内暴露中扮演着重要角色，也有可用的带空气净化器工作80的PM2.5 I/O比率，但目前仍然没有可供进一步考虑的数据集。研究还建议，风向也可能是一个重要影响因素。街道峡谷效应，其中街道峡谷内的气象条件可能与城市冠层中的气象条件显著不同，进一步复杂化了短期I/O比率变化的描述。此外，该研究仅提供了市中心区域的每日个人室内PM2.5内部剂量，对于稀疏建筑密度的郊区地区，I/O活动模式可能存在高度不确定性。
未来空气质量进一步改善后，PM2.5的区域传输将减弱，而本地排放源对PM2.5的贡献将增加，导致PM2.5分布和人口暴露的时空异质性加剧。因此，有必要更紧密地将人口暴露评估方法与本地来源的影响整合在一起。目前，该领域的研究仍受技术方法和数据可用性的限制。因此，提出了一些展望：（1）30米分辨率的PM2.5浓度分布将为环境健康评估提供基础数据；（2）这种方法可以应用于多年评估，以探索城市尺度PM2.5空间分布异质性的变化趋势；（3）该研究提出了基于暴露-剂量关系的技术框架，未来研究可以进一步完善该评估方法的各个方面，例如人口活动、暴露模式和I/O PM2.5暴露差异；（4）中国已开始制定环境空气质量基线，基于PM2.5内部剂量的暴露-反应关系将为基线制定提供最合理的科学依据。
方法
研究领域和 CTM 模型配置
为了模拟PM2.5，WRF-CMAQ系统在2019年的1月、4月、7月和10月进行了应用，每次运行都有三天的启动时间，分别代表相应的季节。
北京市作为中国的一个特大城市被选作研究区域。如图8所示，最大的建模域（d01）覆盖了东亚和西太平洋地区，时间分辨率为36×36平方公里。中国大陆的基于陆地的人为排放清单来自中国多分辨率排放清单（MEIC）数据，分辨率为0.25°×0.25°，基准年份为2015年。北京的基准排放作为CMAQ模型的本地排放源输入。这里，本地源指的是相应建模域内的室外排放源，不考虑室内排放源。
超高分辨率同化方法
由于北京大部分PM2.5来自区域交通和二次生成物，县级尺度的PM2.5水平相对相似。超细尺度的PM2.5差异主要由当地排放源的时空分布造成。当没有高精度的源和汇数据时，这种差异可以通过土地利用信息来反映。因此，为了同化，辅助数据集结合了9个主要类型变量，如表所列：
LUR模型和RF模型经过训练和测试，以比较多变量数据集的回归性能。采用监督前向逐步线性回归来发展LUR模型，以最大化调整后的R2值。训练完的模型应用于一个月度辅助数据集，其中包括来自WRF-CMAQ的气象变量和PM2.5分布输出的平均每小时分辨率，以及具有月度或年度时间分辨率的其他变量。
活动调整的人口空间分布
人口在白天的不同微环境中根据其活动模式暴露于不同的污染水平。为了更准确地捕捉人口的位置变化，采用了百度智慧眼的每小时移动信号数据。人口分布是通过相对拥挤程度乘以来自Worldpop的总人口计算得出的。
室内PM2.5浓度和I/O比
CMAQ模型的粗略分辨率平均了1.33公里范围内的环境属性。但是，它无法进一步反映室内和室外PM2.5浓度以及人口分布在更精细尺度上的差异。通过新推导的30米分辨率PM2.5浓度地图，我们能够推导估计的室内PM2.5浓度以及土地利用类型。受数据可用性限制，只有从文献中经过审查选取了代表特定类型建筑物的统一I/O比，考虑了研究时段和目的、环境采样大小、PM2.5水平以及与本研究的可比性，在本研究中采用了公共建筑区域的I/O比为0.7，住宅建筑区域的I/O比为0.9。
人口加权环境PM2.5浓度
基于30米PM2.5浓度和超高空间-时间分辨率人口分布，计算了北京各区的人口加权环境PM2.5浓度，如下所示方程式：
个人室内PM2.5内部剂量计算
一个人在特定时间内吸入肺部的PM2.5量（内部剂量），来源于外部暴露环境中的PM2.5浓度（暴露水平），可以反映一个人的PM2.5暴露程度。个人PM2.5内部剂量越高，一个人遭受的暴露风险就越大。采用吸入模型来开发北京五环路区域的个人PM2.5内部剂量。根据以下方程计算了PM2.5的年龄标准化内部剂量：
针对特定年龄和性别的个人日均PM2.5内部剂量，年龄和性别的比例设定为100％，吸入速率分别设定为相应年龄和性别组的典型值。
特定健康重点的死亡率估计
为了估计由PM2.5暴露导致的长期死亡率，使用流行病学危险指数（HI）和危险风险（HR），方程如下：
HR的分辨率，基线死亡率和暴露人口都是在城市级别，并且都是按年龄和性别进行标准化的，这里没有跨空间-时间维度的特定性。