苏永强[1]2003年在《应用遥感与地理信息系统技术研究海南省疟疾分布特征及其环境影响因素》文中研究说明疟疾是海南省最严重的主要热带病之一，终年传播和流行，是危害人民群众健康的重要卫生学问题。海南省的气候环境和自然地理情况为疟疾的传播和流行提供了良好的环境条件，也为疟疾防治工作带来了一定的难度，因而研究疟疾分布特征以及环境影响因素对疟疾防治有积极的意义。 本研究对气候因素与万宁市以及万宁市南桥乡疟疾流行的关系进行了研究，结果表明：万宁市疟疾月发病率与月平均温度、月最高温度、月最低温度、月降雨量存在正相关关系(P＜0.01)，而与月极端温度差值呈现负相关(P＜0.01)，进一步用逐步多元回归分析建立如下方程：I~(1/2)=-0.972+0.06919T_(mean)(其中I为月发病率，T_(mean)代表月平均温度，R~2=0.465，P=0.000)。而南桥乡月按蚊密度与月平均温度、月最高温度和月最低温度均呈正相关(P＜0.01)，其中与月极端温度差值呈现负相关(P＜0.01)，逐步多元回归分析得到，㏒ D=0.03188T_(mean)(其中D为月按蚊密度，R~2=0.936，P=0.000)；南桥乡疟疾月发病率与月平均温度、月最高温度和月最低温度均呈正相关(P＜0.01)，其中与月极端温度差值呈现负相关(P＜0.01)，逐步多元回归分析得到，I~(1/2)=-0.984+0.08869T_(mean)-0.0102T_(rainfall)(R~2=0.375，P=0.000)；同时，月按蚊密度与月疟疾发病率呈正相关关系(P=0.015)。说明气候因素在疟疾的流行中扮演着比较重要的角色。 本研究利用因子分析研究了卫星遥感替代指标NDVI和气候因素诸指标与1995年海南省疟疾流行间关系。我们提取了海南省1995年度各市(县)月植被指数平均值、月植被指数最小值、月植被指数最大值、月平均温度、月最高温度、月最小温度、月降雨量和月相对湿度八个变量的各12个月数 第口旱医大毕硕士欲位论文据（植被指数为10个月）的主成分，然后利用各主成分的公因子得分建立了如下回归方程，I’－0刀219＋0．463 X＋0．519 XZ（R2＝＝0．799，P二0刀00），其中 I’为经标准变量变换的发病率，兄为 Nmean的第二个公因子，X。为降雨量Rainfall的第二个公因子。 为了了解海南省疟疾流行的空间分布特点，本研究利用AICGISS．1软件集成的空间局部内插方法（Kiging方法）分析了海南省 1995～2000年疟疾流行的趋势变化和分布特征。采用球状模型拟合半变异函数，进而产生了同期历年海南省疟疾流行季节与非流行季节疟疾发病空间分布图。由流行季节疟疾发病分布图可以看到，南部疟疾发病率显着高于北部，北部低流行区的发病在空间和时间的分布上呈现出较低水平的波动态势；而高流行区的发病在时间维上表现为高水平的持续状态，在空间上维持着相对恒定的区域分布。另外高流行区内的发病呈现出多层次的特点，东部沿海部分的发病率普遍高于西部沿海。而流行季节疟疾发病空间分布图显示出非常炯异的特点来。呈现出不规则的高、低流行区划分，两种流行区间的过渡较为平缓。与流行季节相比，北部低流行区在流行强度及流行区域上均显现较强的波动状态；而南部高流行区则比较复杂。同时，疟疾分布图的交叉评价指标说明分布图的估计效果是比较好的，并且非流行季节疟疾空间内插的拟合优度较高。 本研究初步分析了卫星替代指标和气候诸指标在疟疾流行中的作用特征，并研究了疟疾流行的空间分布特点，为将RS和GIS技术应用于疟疾防治研究，并为进一步结合社会条件研究疟疾流行和防治奠定了基础。
曾晓露[2]2015年在《海南地区疟疾疫情分布特征及环境影响因素研究》文中认为疟疾是由人体疟原虫引起并经蚊子传播的一种古老的自然地方性传染病,至今全球仍有97个国家和地区,32亿人面临感染疟疾的风险。我国疟疾由来已久,一直是重要的公共卫生问题之一,其中海南地区的疟疾发病率自2000年以来一直稳居全国前两位,2004年报告病例占全国24.4%,为我国疟疾防控的重点区域。近年来由于国家疟疾防治工作取得的巨大成绩,海南地区的疟疾也得到了较好的控制,但不可忽视的是疟疾的发病具有传播快、易反复的特点,疟疾疫情仍有回升和暴发的可能,监测防控工作仍不能松懈。海南地区具有重要的经济及军事地位。本研究组利用国家疫情监测信息、国家气象监测信息、地理信息系统(GIS)、遥感卫星地图等,借助疫情监测、气象监测大数据以及分类细致的地理描述信息开展该地区疟疾分布特征、影响因素及疫情模拟预测研究。以期验证这些综合技术分析的有效性,有利于将空间流行病学技术引入该地区疟疾现场流行病学调查和军队卫生流行病学侦查中。方法1.从海南省疾病控制中心和中国疾病预防控制信息系统收集整理1993-2012年海南地区疟疾疫情监测数据,利用描述性流行病学方法分析海南地区疟疾叁间分布特征,利用Arc GIS制图展示2004-2012年海南地区疟疾的空间分布特征。2.从NASA的LAADS存储网站和SRTM数据集获取我国海南地区2004-2008年的遥感数据产品,利用HEG软件对数据进行拼接、转换与投影,再利用Arc GIS软件提取各市县15种土地利用/覆盖类型比例、海拔高度、NDVI、LSTD和LSTN数据,并制作相应的专题地图;从中国气象科学数据共享服务网获取相应气象数据,包括月降水量、平均风速、平均气温、平均最低气温、平均最高气温、平均相对湿度、日照百分率、日照时数,并对其进行描述分析。3.分别利用Spearman等级相关分析、logisitic回归模型、面板数据模型等方法,分析发病率与各环境因素间的相关关系,土地利用/覆盖类型和海拔高度对疟疾的影响,气象因素与NDVI、LSTD、LSTN等环境因素对疟疾的影响。4.利用2004-2008年各市县的土地利用/覆盖类型比例和海拔高度对建立的logistic回归方程进行验证,对各市县的发病强度进行判别。结果1.1993-2012年海南省疟疾的构成以间日疟为主,占60%,恶性疟占19%,未分型占21%;疟疾发病率出现过叁次高峰,分别是1994年的110.40/10万,1998年的71.45/10万和2004年的112.9/10万。2004-2008年发病率呈现下降趋势,具有明显的季节性,发病高峰集中在5-10月。由于“全球基金疟疾项目”在海南省的成功实施,2008年后发病率迅速降低,季节特征已不明显。2.2004-2008年海南地区疟疾发病男女比例为2.6:1,以30-59岁年龄组为主,占总报告病例数的55.04%。农民和民工为疟疾发病的主要职业人群,分别占到总病例报告的36%和35%。3.GIS从卫星地图提取2种(土地覆盖类型、土地利用类型)、15个亚类(林地、作物、城市等)地理特征的定量信息;气象数据包括降水量、气温、日照等8种因素;相关分析显示,与疟疾发病呈正相关的因素为常绿阔叶林、落叶针叶林、落叶阔叶林、混交林、密闭灌丛和海拔;与疟疾发病呈负相关的因素为水、常绿针叶林、木本热带草原、热带草原、草原、永久湿地、作物、城市和建成区;降水量、日照、气温、NDVI及其一月滞后值与发病率呈正相关关系;LSTD、LSTN及其一月滞后值呈负相关关系。4.利用GIS提取地理信息,针对2004-2008年间开展地理空间分布特征分析,疟疾发病呈现明显的西南部高发、东北部低发的地区分布规律。西南部地区(白沙、昌江、乐东、陵水、保亭、琼中、五指山、东方、万宁)具有林地覆盖为主的地理景观特点;东北部地区(海口、文昌、临高、澄迈、定安、儋州、屯昌、琼海)具有草原和作物覆盖为主的地理景观特点。多因素分析结果显示,常绿阔叶林地带(平均海拔743m)是疟疾发病的危险因素,而针叶林地带(平均海拔63m)、作物地带(平均海拔263m)是保护因素。5.多因素面板数据分析显示,海南地区疟疾发病增加与NDVI指数增高、LSTD降低、日照时间增长相关:NDVI指数每增高1个单位,IRR=5.15(95%CI:3.04-8.70);LSTD每增高1℃,IRR=0.87(95%CI:0.85-0.89);前一个月的LSTD每增高1℃,IRR=0.89(95%CI:0.87-0.91);日照时数每增加1个小时,IRR=1.05(95%CI:1.04-1.05);前一个月的日照时间每增长1小时,IRR=1.03(95%CI:1.03-1.04);P=0.00。6.对海南地区疟疾发病强度的logistic回归方程表达式:????海拔""作物"-0.06"1常绿阔叶林"-0.9"0常绿针叶林"+0.5"12.59-11.48=logit(p)进行验证,最终2004-2008年各市县发病强度判别结果的符合率为87.77%。结论1.海南地区疟疾防控工作效果明显,但有利于疟疾传播的环境条件依然存在,疟疾防控工作仍需继续加强。2.疟疾疫情的长期监测数据显示,海南地区疟疾疫情分布具有明显的地域性(西南部高发、东北部低发)和周期性(夏秋季高发,冬春季低发),中青年男性农民和民工是感染疟疾的高危人群,应针对上述人群和分布特征采取相应措施。3.NDVI指数、日间地表温度和日照时数是影响疟疾发病的重要环境因子,其变化规律可为监测疟疾疫情的变化提供线索。4.利用GIS的空间流行病学技术可快速、准确提取海南地理特征信息。其中植被类型、土地覆盖和利用类型与疫情发生强度有关联,可作为预测自然因素作用下疟疾疫情的重要依据。
闫润泽[3]2014年在《2002-2010年我国疟疾疫情时空变化分析》文中进行了进一步梳理目的：通过展示我国2002-2010年疟疾疫情时空演变,并分析近10年来疟疾发病的时空分布特征,为我国消除疟疾工作提供时空数据支持。方法：12002-2010年我国本地疟疾疫情时空变化分析1.1利用我国2002-2010年疟疾疫情年报数据和期间全国行政区划经纬度、人口等数据,通过ArcGIS软件,整理年报数据并提取本地病例数据库,并将其与全国行政区划经纬度、人口等数据库根据相同字段进行连接,建立本地病例地理信息数据库。1.2在分析全国本地疟疾发病率的发展变化趋势基础上,运用时间扫描统计量法探索本地疟疾疫情的时间聚集性特征。1.3利用ArcGIS10.0软件的图像渲染功能,按照WHO全球疟疾报告的发病率分类标准,以可视化地图展示全国范围内本地疟疾病例不同发病率等级的分布,并进一步分析各等级县、区空间分布变化。1.4参考1.3的结果将2002-2010年疟疾流行划分的不同阶段,将各个阶段的全国本地疟疾病例数据库分别导入SaTScan9.1软件进行空间扫描聚类分析,分析其演变趋势,并对主要流行省份进行局部时空扫描聚类分析,探索小尺度下疟疾疫情时空聚集区。22002-2010年我国输入疟疾疫情时空变化分析2.1利用我国2002-2010年疟疾疫情年报数据和期间全国行政区划经纬度、人口等数据,通过ArcGIS软件,整理年报数据并提取输入病例数据库,并将其与全国行政区划经纬度、人口等数据库根据相同字段进行连接,建立输入病例地理信息数据库。2.2在分析全国输入疟疾发病率的发展变化趋势的基础上,运用时间扫描统计量法探索输入疫情的时间聚集性特征。2.3利用ArcGIS10.0软件的图像渲染功能,按照WHO全球疟疾报告的发病率分类标准,显示全国范围内输入病例不同发病率等级的分布,并进一步分析各等级县、区的空间分布变化。2.4参考2.3的结果将2002-2010年疟疾流行划分的不同阶段,将各个阶段的全国输入疟疾病例数据库分别导入SaTScan9.1软件进行空间扫描聚类分析,分析其演变趋势,并对主要流行的地区进行局部时空扫描聚类分析,探索小尺度下输入疟疾疫情的时空聚集区。结果：12002-2010年我国本地疟疾疫情时空变化分析1.12002-2010年全国本地疟疾发病率的变化大致分为叁个阶段：2002-2004年、2005-2007年、2008-2010年,总体上呈稳定-上升-下降的趋势。时间扫描聚类分析结果显示,2002-2010年全国本地疟疾疫情在时间上并非随机分布,而是呈明显的聚集性。发病高峰时间为2006-2007年,年均发病率3.1/10万,相对危险度为1.97,P值<0.01。1.2全国本地疟疾疫情空间分布变化分为叁个阶段：2002-2004年、2005-2007年、2008-2010年。2002-2004年全国本地疟疾发病率在千分之一以上的县、区有73个,万分之一至千分之一的有169个,零至万分之一的有1166个。2005-2007年各等级县、区数量变化不大,千分之一以上和零至万分之一的县、区数较上一阶段分别下降2.7%和9.8%,万分之一至千分之一增加2.4%。2008-2010年各等级县区数量均有减少,较上一阶段分别下降91.5%、30.6%和25.1%。全国本地疟疾发病率与有本地疟疾病例报告县、区数的变化不一：2002-2004年两者均在较高水平小幅波动,2005-2007年全国本地疟疾发病率上升至高峰,但各个发病率等级的县、区数波动不大,2008-2010年两者均减少。1.3空间聚类分析显示,疫情集中于2005-2007年,而且地理上并非随机分布,主要集中在云南、海南和安徽省。空间聚集区在叁个阶段呈现出南部-中部-消散的演变趋势。2002-2004年聚集区主要分布在云南西南、海南南部、安徽北部与河南湖北交界,其中南部聚集区的面积与发病率都超过中部,疫情较为严重,对全国疫情有主要影响,2005-2007年南部聚集区面积与发病率都降低,但安徽省北部聚集区面积与发病率均增大,全国疫情总体加重,疫情转移至中部,2008-2010年各聚集区发病率降低,全国范围内疫情呈下降趋势。时空扫描聚类分析显示各聚集区均集中于2002-2008年,2009-2010年未发现新时空聚集区。其中云南省出现时空聚集区的时间为2002-2007年,包括30个县、区,主要分布于中缅边境地区；海南省出现时空聚集区的时间为2002-2005年,包括9个县、区,分布于海南岛南部；安徽省出现时空聚集区的时间为2005-2008年,包括12个县、区,分布于安徽省北部。2.2002-2010年我国输入疟疾疫情时空变化分析2.12002-2010年全国输入疟疾发病率的变化大致分为叁个阶段：2002-2004年、2005-2007年、2008-2010年,发病率总体上呈稳定-上升-下降的趋势。时间扫描聚类分析结果显示,2002-2010年全国输入疟疾病例在时间上并非随机分布,而是呈明显的聚集性。发病高峰时间为2005-2006年,年均发病率0.7/10万,相对危险度为2.36,P值<0.01。2.2全国输入疟疾疫情空间分布变化分为叁个阶段：2002-2004年、2005-2007年、2008-2010年。2002-2004年全国输入疟疾发病率在千分之一以上的县、区有9个,万分之一至千分之一的有46个,零至万分之一的有1209个。2005-2007年千分之一以上县、区数增加88.9%,但全国有输入疟疾病例报告的县、区数量总体变化不大。2008-2010年千分之一以上县、区数减少52.9%,但全国有输入疟疾病例报告的县、区数量仍无减少。全国输入疟疾发病率与有输入疟疾病例报告县、区数的变化不一：2002-2004年两者均处于小幅波动状态,2005-2007年全国输入疟疾发病率上升至高峰,千分之一以上县数大幅增加,但有输入疟疾病例报告的县数总体上变化不大,2008-2010年全国输入疟疾发病率下降,千分之一以上县数同时减少,但有输入疟疾病例县数仍没有减少。2.3空间聚类分析显示,空间聚集区集中于2005-2007年,而且地理上并非随机分布,主要集中在云南、湖南-贵州-广西交界和浙江省,聚集区未出现明显消散的趋势。2002-2004年聚集区分布在云南西南、湖南贵州广西交界和浙江省,云南西南部疫情对全国输入疟疾疫情有重要影响,2005-2007年云南省聚集区发病率增加,聚集程度上升,全国输入疟疾疫情上升,2008-2010年各聚集区发病率降低,但输入性病例分布仍然广泛。时空扫描聚类分析显示各聚集区均发生于2002-2008年,2009-2010年未发现新时空聚集区。其中云南省有两个时空聚集区,一级聚集区位于云南省西部边境,包括10个县区,时间为2004-2007年,二级聚集区位于云南省南部边境,包括2个县区,时间为2002-2005年,湖南-贵州-广西交界聚集区的时间为2002-2005年,包括79个县区,浙江省聚集区时间为2006-2008年,包括29各县区,分布于浙江省东部。结论：2002-2010年我国疟疾传播的时空演变分析结果,显示我国本地疟疾病例已经无明显聚集性分布特征。到2010年,全国70%以上县、区已无本地病例,发病率下降至0.03／万,疟疾传播得到了有效的控制,疟防工作进入消除阶段。但输入病例报告地区不断扩大,虽未出现聚集性分布,但仍应是疟疾监测工作的重点,以及时发现聚集性输入病例,防止继发传播。
温亮[4]2004年在《海南省疟疾流行预测方法及基于GIS的疟疾监测预警系统的初步构建》文中研究指明海南省是我国疟疾的主要流行区，近年来发病率居于全国首位，在海南省的传染病发病中居前叁位，严重影响了当地居民的身体健康和生产劳动。疟疾流行与环境因素密切相关，探索环境因素与疟疾流行之间的关系，构建疟疾流行趋势的预测模型，同时结合GIS构建疟疾监测预警系统，可以为疾病控制部门及时采取疟疾防制措施提供决策支持。本研究利用海南省疟疾发病资料和气象资料以及遥感卫星资料探讨了构建疟疾预测模型的可行性，同时，利用GIS二次开发组件对构建海南省疟疾监测预警系统进行了尝试。 1．利用1995～2000年海南省月度气象资料和疟疾发病资料对气象因素在海南省疟疾流行中的作用进行了探讨。相关分析结果显示气温和降雨与疟疾发病呈正相关，这种相关性在全省、南部地区和万宁市叁种区域尺度上都是相似的。为建立疟疾流行气象预测模型，本研究用气象因素对疟疾发病率进行了逐步回归拟合，发现近3个月的气温状况是最优的拟合因子，这在全省、南部地区和万宁市叁个区域尺度上结果一致，说明在海南省的疟疾流行过程中，季节性的气温变化在气象因素的影响作用中占据主要作用。全省、南部地区及万宁市回归方程的R~2分别为0.59，0.63和0.48，说明海南省疟疾流行的变化除受到气象因素影响外，还受到其他因素的影响。本研究将既往发病率作为疟疾生态环境的综合替代指标结合气象因素对疟疾发病变化进行拟合，发现引入前一个月发病率指标(I_(-1))后，回归方程R~2分别为0.81，0.81和0.53；引入前第二个月发病率指标(I_(-2))后， 第四军医大学博士学位论文呼分别为0.72，0.73和0.49，可见在引入既往发病率指标结合气象因素进行拟合后，在全省和南部地区这两种空间尺度上，回归效果得到很大的改观，而对于万宁市的效果则有限。提示在小的区域尺度上，气象因素对疟疾流行变异性的影响更大。研究结果显示气象因素适合于参与对全省和中南部地区的疟疾发病率的定量预测，而对市县级尺度上的预测效果不理想。 2.遥感由于能快速准确地对环境因素进行大范围监测而被应用于疟疾流行病学研究。本研究对海南省1995/2~1996/l疟疾流行地区分布与NO从一AvHRR NDVI之间的关系进行了分析，结果发现海南省各地疟疾年发病率与当地年均NDVI、年均最大NDVI、年均NDVI>145的区域面积构成比、月度NDv工>135的总月数呈正相关，与年均NDV工<145的区域面积构成比呈负相关。疟疾高发区分布与月度NDVI>45且持续9个月以上的地区分布较为一致。负二项回归分析显示用年均NDVI、年均最大NDVI、年均NDv工<145的区域面积构成比以及月度NDVI>40的总月数这4个变量进行发病率的拟合效果最优。对于年均NDVI和发病率的分析结果显示无流行危险(发病率蕊l/10000)、低流行危险(1/10000<发病率延10/10000)、中等程度流行危险(10/10000<发病率〔20/10000)、高流行危险(发病率>0/10000)地区的分布分别对应着NDVI延1 25，1 25<NDVI(1 40，1 40<NDVI蕊145，NDVI>45的地区分布，与实际情况较为接近。 3.为进一步建立市县级尺度上的预测模型，以满足构建海南省疟疾流行监测预警系统的需要，本研究尝试利用时间序列分析方法建立疟疾发病预测模型。利用万宁市8个联防疟区1991一2002年的月发病数据，其中1991一2001年的数据用于建立模型，2002年的数据用于检验模型。首先用AR瞅方法进行建模，结果显示，ARI做(0，1，l)X(0，1，1)，2模型较好地拟合了既往时间段上的发病率序列，对2002年各月发病率的预测值符合实际发病率变动趋势。同时我们对此模型的拟合效果与均数模型、季节均数模型、季节修正均数模型的拟合效果进行了比较，发现季节修正模型的效果与ARI撇模型相似，尤其是以近期3个观测值进行修正的季节修正模型效果最好，说明用时间序列模型对万宁市疟疾发病的流行趋势进行建模，简单的算法也能得到较好的效果。 4 第四军医大学博士学位论文 4.对于基层疟疾防制部门而言，精确地预测疟疾发病率难以实现且无此必要，根据疟疾的不同流行强度及其相关特征划定疟疾危险等级，对未来一定时期的疟疾流行危险等级进行判别，就能够为疟疾防制部门采取措施提供决策支持。本研究将疟疾流行危险按月度病人数占全年病人数构成比的5%和15%为界值划分为低发病水平月、中等发病水平月和高发病水平月，应用Fisher逐步判别分析方法应用气象因素对万宁市疟疾发病趋势进行风险等级判别。结果显示气象因子中近3个月的平均气温t祝和相对湿度m说是最优的判别因子，判别函数的准确率为71.4%，具有一定的判别效果。而如果以5%或者15%为界值划分为两类进行判别，则同样的判别函数，其判别准确率可以提高到85.7%，显示出判别分析方法的实用性。 5.为将现代管理学中先进的计算机决策支持系统移植至疟疾防治领域，集中管理各种疟疾相关环境的属性数据和空间数据，同时结合疟疾预测模型，科学地可视化地进行疟疾控制管理，本研究利用GIS二次开发组件Su
郑金鑫, 刘璐, 冯云, 杨国静[5]2017年在《空间流行病学在我国疟疾监测预警中的研究进展》文中进行了进一步梳理疟疾疫情的监测与控制,离不开空间分析技术的发展以及模型分析的应用;疫情的可视化是疟疾疫情的传播与流行最直观的表现方式,将是今后监测与防控的重点,成为空间流行病学在疟疾疫情中的应用之一。本文综述了空间流行病学在我国疟疾疫情研究中的应用以及分析预测方法等,旨在为我国消除疟疾提供更为系统与完善的流行病学方法学参考。
高宏伟[6]2012年在《不同时空尺度疟疾传播风险预测及环境影响因素研究》文中进行了进一步梳理背景疟疾（malaria）是由疟原虫寄生于人体引起的一种传染病，通过被感染的蚊子叮咬传播。疟原虫在人体肝脏发育，然后感染红细胞增殖成裂殖子，使红细胞胀大破裂，大量代谢产物进入血流导致机体发病。临床表现以周期性寒战、高热，头痛、呕吐，继之大汗后缓解为主要特点。通常发生在蚊子叮咬后的10~15天。感染人体的疟原虫包括：间日疟原虫(Plasmodium vivax)、恶性疟原虫(Plasmodiumfalciparum)、叁日疟原虫(Plasmodium malariae)及卵形疟原虫(Plasmodium ovale)，分别引起间日疟、恶性疟、叁日疟和卵形疟。根据世界卫生组织报告，到2010年，全球大约33亿人口（约占世界人口的50%）受疟疾威胁，每年约有2.16亿人感染疟疾，约65.5万人因疟疾死亡，大部分来自贫穷的国家。历史上，安徽省一直是我国疟疾流行重灾区之一，20世纪60~70年代，疟疾年发病人数曾超过千万，1980年安徽省疟疾发病数达到112万人，占全国疟疾报告病例数的33.9%。在党和政府的高度重视下，制定了疟疾防治工作的一系列政策和规划,在人力、物力、财力等方面给予大力支持。经过近20年的努力，到上世纪90年代末期，安徽省大部分县市达到了基本消除疟疾的标准（年发病率低于万分之一）。安徽省年发病率从1990年52/10万降低到1999年1.3/10万。但在2000年以后我国疟疾疫情曾一度出现回升，主要集中在安徽、河南和江苏省。2006年安徽省全年疟疾报告病例近3.5万人，占全国疟疾报告病例数的54.5%，成为安徽省重点防控的传染病。安徽省疟疾的复燃引起了卫生防病部门和学术界的高度重视，采取了大量的防控措施，2006年以后疟疾疫情得到了有效的控制，逐年发病率大幅度的降低。但是，什么原因导致安徽省疟疾在2000年后复燃还不是很明确。相关研究认为气候因素的变化会严重影响疟疾传播媒介的数量和叮咬频率，以及疟原虫在蚊体内寄生的外潜伏期。然而，全球变暖和世界范围内的疟疾发病增加之间的关系仍然存在很大的争议。此外，过去的研究大多集中在恶性疟传播，间日疟与其有着不同的传播媒介和传播特征，但其与气候变化特点的研究相对较少。安徽省是间日疟流行的地区，中华按蚊是主要传播媒介，主要孳生场所集中在稻田及其灌溉系统，还有住宅附近的池塘、洼地、水坑等。控制间日疟的传播优选控制传染源为主，采取休止期根治的方式可以有效地降低疟疾的传播。因此，明确疟疾病例的时间和空间分布特征，才能采取有针对性的防治策略和措施。另一方面，从安徽省疟疾空间的分析结果上看，发病率存在着明显的空间异质性，对于这种空间分布的差异性原因的分析，是对该地区疟疾防控中亟待解决的科学问题之一。目的探讨2000年后安徽省疟疾发病率上升的主要原因；阐明近20安徽省年来疟疾的流行趋势及变化特征，识别疟疾传播的热点区域，综合分析气象、地理、环境等因素对该地区疟疾疫情的影响，建立该地区疟疾传播风险预测模型，为建立疟疾早期预测预警系统降低疟疾发病率提供科学依据，为疟疾疫情的防控和合理配置卫生资源提供理论指导。从方法学建立基于空间分析（GIS、GS、GPS）技术和数理统计学方法相结合的疟疾传播风险预测模型，评估疟疾传播风险的空间区域差异和时间变化趋势，为相关媒介疾病的研究提供方法学支持。方法收集1990~2009年安徽省各县市疟疾的月发病率监测数据和气象数据；将各县市年均发病率与相应的行政边界图层进行空间关联，绘制安徽省各县市疟疾年发病率空间分布图；采用Spearman correlation分析方法来确定不同研究区域（淮北、江淮、江南）疟疾月平均发病率和气候因素之间的关系和“滞后”效应；构建多项式分布滞后模型（Polynomial Distributed Lag Model, PDL）来定量分析环境因素对疟疾发病率贡献的大小，拟合和预测疟疾的发病率；用AIC准则（Akaikeinformation criterion）选定PDL模型参数，计算模型的校正决定系数（AdjustedR-squared）和拟合值的残差（Residual），并对模型拟合值的残差序列进行了白噪声（White Noise）检验(Ljung-Box Q统计量)，评估模型的拟合优度（goodness-of-fit of the models）；应用均方根误差（the root mean square error，RMSE）评价模型的预测效果，针对预测值的残差序列进行白噪声检验（应用Ljung-Box Q统计量）；利用时间移动窗口扫描（Temporal scan statistical method）、空间自相关（Spatial autocorrelation）和空间聚类分析（Spatial cluster analysis）研究疟疾发病的时间和空间分布特点，确定发病的热点区域；应用2005~2010年安徽省疟疾患者的详细家庭住址信息，查询患者的家庭住址坐标，应用ArcGIS9.2软件定位到安徽省地形图上；应用地理信息系统（GIS）技术将研究区域划分为25平方公里(5km×5km)大小的栅格地图，利用时间序列面板数据模型（Panel data regression model）方法分析环境变量与疟疾发病率之间的关系，评估疟疾传播风险空间区域差异的环境影响因素。结果1.安徽省1990~2009年间共报告疟疾病例198875例，时空分析结果显示疟疾发病率变化存在空间异质性。1990~1999年期间，淮北、江淮、江南叁个地区的发病率均呈现显着的下降趋势，从2000年以后，仅淮北地区发病率呈明显上升趋势，2006年达到发病高峰90.54/100000。江淮和江南均保持较低的发病水平，2000~2009年间平均发病率分别为3.47/100000±1.29和1.09/100000±0.54。疟疾的发病具有明显的季节性，发病高峰主要集中在6~11月之间。从空间变化趋势分析显示安徽省上世纪90年代疟疾发病遍布全省且逐年降低，2000年后发病率开始增高，“热点区域”由南向北变迁，并且“北移”现象明显，年平均发病率的空间动态变化差异较大。自1990年到2009年的20年期间，安徽省各县市年平均发病率从最低0.45/100000到最高88.65/100000，中位数10.45/100000。2.空间自相关分析结果显示安徽省疟疾存在显着的空间聚集性。选择最大空间窗口半径为安徽省20%的总人口标准应用空间聚类分析，结果表明安徽省北部和东部分别存在一个高聚类区。一级聚类区位于安徽省淮河北部，包括濉溪县、宿州市、灵璧县、萧县、淮北市、固镇县、蒙城县、涡阳县、利辛县共9个县区，聚类中心点坐标（33.678555N，116.699142E），聚类半径76.98km；二级聚类区位于安徽省中东部明光市、五河县、凤阳县共3个县区，聚类中心点坐标（32.807571N,118.111466E），聚类半径52.28km。3.针对安徽省疟疾2000年后“反弹”的现象，应用时间序列的多项式分布滞后模型进行分析，多因素分析结果显示：安徽省所有叁个地区（淮北、江淮、江南）疟疾的发病仅与1~2个月前的降雨量存在着密切的相关，回归系数分别为1.18、1.51、1.23。而与最高、最低温度、平均温度、相对湿度和MEI均没有统计学上的关联。建立的疟疾风险预测模型具有良好的拟合和预测效果。安徽省叁个地区（淮北、江淮和江南）预测值的残差均为白噪声序列，均方根误差值（theroot mean square error, RMSE）分别为1.63、1.86、1.75。4.安徽省疟疾空间区域差异的影响因素研究显示：单因素面板数据模型分析表明月均相对湿度（RH）、归一化植被指数(NDVI)、月累计降雨量(Accumulativerainfall)、月平均温度（Average temperature）在1~3个月滞后条件下与月疟疾发病率存在显着正相关，同时海拔和旱地面积也与疟疾发病率存在显着关联。多因素面板数据模型分析结果表明月均相对湿度滞后1个月(IRR=1.29, P<0.01)，NDVI在滞后2个月(IRR=1.05, P<0.01)，降雨量在滞后1个月(IRR=1.11,P<0.01)，平均温度在滞后1个月(IRR=3.53, P<0.01)与疟疾的空间区域分布密切相关。土地利用分析结果显示旱地面积增加会导致疟疾发病的增高(IRR=1.23,P<0.01)。结论本研究揭示了安徽省疟疾发病率在2000年以后的“反弹”与当地疟疾发病高峰前1~2个月的降雨量变化密切相关，构建了疟疾传播风险的预测模型；安徽省1990~2009年间疟疾传播的热点地区由南向北变迁，找出了近年来疟疾传播的季节性特点和空间热点区域；导致安徽省疟疾空间分布异质性的主要影响因素为温度、湿度、降雨量、植被和旱地面积的区域分布差异，定量地评价了气候环境因素对疟疾传播的影响。研究提示降雨的变化主要影响疟疾在时间上的分布差异，而空间分布的异质性则较多受到温度、湿度、植被等因素的影响；研究结论为该地区今后进一步做好疟疾的防控工作，最终消灭疟疾传播提供了科学参考价值。
于国伟[7]2005年在《云南疟疾疫情与蚊媒评价体系及地理信息系统研究》文中指出目的①建立疟疾疫情与蚊媒评价预测多因素复合模型;②构建云南疟疾疫情与蚊媒评价地理信息系统;③研究遥感植被指标NDVI 在疟疾疫情与蚊媒评价中的应用;④发展云南省疟疾蚊媒疫情危险性地图。方法①以云南省14 个疟疾流行县33 乡为研究现场,收集1984―2000 年疟疾疫情、蚊媒、防蚊防疟、气象、地理环境、人口与遥感生态学资料。疟疾疫情资料为疟疾发病率与死亡率; 27 个以微小按蚊为主要传播媒介的乡蚊媒资料为微小按蚊与中华按蚊人工每小时密度、滇东北6 个以嗜人按蚊为主要传播媒介的乡蚊媒资料为中华按蚊与嗜人按蚊叮人率;防蚊防疟措施资料为室内滞留喷洒与蚊帐使用比例;气象资料为月平均温度、月平均最高温度、月平均最低温度、月平均降雨量、月平均日照量;地理环境资料为经度、纬度、海拔与水田面积占耕地面积比例;人口资料为人口密度、农业人口密度、农业人口比例。从亚洲医学微型数据库空间决策系统中截取云南省1:1,000,000 电子地图。借助Arcview 与Erdas 软件提取33 个乡的经度、纬度与高程信息。由http://eosdata.gsfc.nasa.gov 下载NOAA/AVHRR NDVI 遥感生态学资料,其分辨率为8km×8km。NDVI=(Ch2-Ch1)/ (Ch2+Ch1)。②采用主成分分析与因子分析法研究气象、环境、遥感生态指标与蚊媒密度的关系,筛选蚊媒密度评价的主要因素;③采用层次分析法构建微小按蚊密度评价层次结构模型;④选择27 个以微小按蚊为主要传播媒介的乡中的15 个乡1984―1993 年相关数据作为建模的基础数据。以合计蚊媒密度为主导因子,采用灰色关联度分析方法研究18 项气象、环境、遥感NDVI 指标与合计蚊媒密度的灰色关联关系,依据灰色阈值筛选合计蚊媒密度的评价指标。以灰色关联序为评价指标赋权,采用加权方法合成变量E,研究E 与合计蚊媒密度Y 的定量关系,从而建立合计蚊媒密度与微小按蚊密度拟合评价模型。⑤以合计蚊媒密度为第一主导因子、以微小按蚊密度为第二主导因子,分别求评价指标与合计蚊媒密度和微小按蚊密度的灰色关联度,依据平均灰色关联度排列灰色关联序。为平均关联度最小的评价指标给定权重10~n(n =0),并以此基本单位为公差依次呈等差级数向关联度增大的方向递增评价指标的权重。以平均关联度最大的评价指标权数为基数,以2 为公比呈等比级数递增主导因子的权重,从而构建蚊媒密度综合评价模型。⑥求各评
王晓东[8]2004年在《应用遥感技术研究水稻种植区蚊虫分布和地理景观因素之间的关系》文中研究指明遥感(remote sensing，RS)技术能够客观提供地面地理、气象及环境数据，且具有安全、不受地理环境条件限制(特别是人力无法到达的地区)、覆盖面广、信息量丰富、可连续重复观察等优点，可以为流行病学提供前所未有、充分及时的空间资料。自1970年美国学者Cline首次提出遥感可作为流行病学研究工具以来，现已被广泛应用于自然疫源性疾病、某些寄生虫病和地方病研究。国外大量的研究表明应用遥感(RS)技术研究媒介蚊虫的孳生地分布比地面调查廉价且准确，因此开展蚊虫孳生地的遥感监测研究有非常重要的意义。 我国是种植水稻大国，稻田在农田中占有很大的比例。但是稻田大面积的静止积水，为包括一些重要蚊媒病媒介在内的蚊类提供了良好的孳生场地。我国的稻田蚊类不下40余种，包括疟疾和淋巴丝虫病重要媒介嗜人按蚊和中华按蚊以及流行性乙型脑炎媒介—叁带喙库蚊和一些骚扰吸血蚊类，稻田蚊虫在蚊媒传播疾病的发生上起着至关重要的作用。研究稻田蚊虫和分布规律对于蚊媒传染病的控制有着十分重要的意义。可是不同的稻田由于其周围不同的地理景观因素(稻田周围树木的种类及多少、稻田的水质、距离牧场的远近等等)不同，蚊虫的密度甚至种类都会有所不同。 为探讨使用遥感技术研究稻田蚊虫种类、分布和地理景观因素的方法，本研究应用遥感技术研究了水稻种植区蚊虫分布和地理景观因素之间的关系。研究选择了二块稻田种植区，分别位于北京通州区台湖乡、海南叁亚羊栏乡。在两地区根据不同地理景观特点设立了20(台湖13个，羊栏7个)个成蚊调查点和5个幼虫调查点。采用人帐法和勺舀法分别调查成蚊和幼虫密度，并使用全球定位系统(Global Positioning System，GPS)对各调查点及周围特征地物进行了定位。 在获取两调查地点的航空遥感图像后，使用遥感信息处理软件(ERDASIMAGE8.5)对图像进行校正、拼接处理后，在图像上分别以每个调查点为中心，建立半径为1km应用遥感技术研究水稻种植区蚊虫分布和地理景观因素之间的关系中文摘要的缓冲带，运用ERDAs工MAGES .5软件的量测功能，分别对的两张航空遥感图片上建立的20个缓冲区提取重要地理景观因素的面积，计算各种景观的组成比例。之后应用sAs统计软件对蚊虫种类、数量和地理景观因素之间的关系进行多元相关回归分析。结果显示: 北京台湖水稻种植区:中华按蚊的数量和区内稻田的面积有着非常密切的正相关关系，提示水稻种植面积扩大，往往会带来本种按蚊数量的增大;叁带嚎库蚊数量和稻田及林地面积百分比之间的正相关性也非常明显，稻田是叁带咏库蚊幼虫重要的孽生地，而林地则为其成蚊栖息和隐藏的提供了良好场所;研究还发现凶小库蚊数量和居民区面积，淡色库蚊数量与污水沟、林地、旱田的面积之间相关关系非常显着，提示在防制此类蚊虫时应注意到对居民区、污水沟、林地等地点要进行重点治理。 海南叁亚羊栏稻田种植区:致倦库蚊数量和污水沟面积百分比之间有非常显着的正相关，与水菜地的面积百分比之间有显着的正相关，表明污水沟和水菜地的面积提高后致倦库蚊的数量会增加，且污水沟的作用大于水菜地;中华按蚊数量和水菜地面积百分比之间有显着的正相关，水菜地面积的增加为中华按蚊提供了更多的享生地，会使其数量增加:叁带嚎库蚊数量和居民区之间有显着的正相关，居民区的面积提高后叁带嚎库蚊的密度会增加;蚊虫总数与水体、污水沟有非常显着的正相关，污水沟、水体的面积提高后蚊虫的总数量会增加，且污水沟的作用大于水体的作用。 通过研究显示了应用航空遥感图像能较好地监测稻田种植区内各种地理景观因素的变化。遥感技术可应用于蚊媒传染病的控制研究，如结合其环境因素，比如高度、沉淀物、温度、植被指数、水质等将进一步提高监测的效率和准确度。
郭海芳[9]2016年在《基于遥感和GIS技术的城市化对疟疾的影响研究》文中提出疟疾是一种严重危害人类健康的传染病,曾经是我国乃至全球最严重的传染病之一。近几十年来,我国疟疾的发病和死亡均已有所下降。但不断加快的城市化进程使人类再次面临着变异病毒的不断涌现和疫情旧地复燃的严重威胁。疟疾的分布范围非常广泛,而且在爆发和传播过程中会受到多种因素的影响。因此,在我国实现快速城市化的背景下,分析疟疾的爆发和传播模式的变化有助于开展新时期的疟疾防治工作,有助于研究同类传染病的发病与传播特点,同时也有助于推进我国城市化的健康发展。深圳市地处沿海亚热带气候,曾是我国的疟疾高发区,同时也是我国城市化进程的代表性城市。本文以深圳市为例,利用遥感和GIS与遥感相结合的手段研究了城市化进程对疟疾的影响。围绕这一课题,本文研究内容和主要结论如下:(1)采用复合指标法构建了深圳市城市化水平综合测度。本文收集了深圳市城市化发展以来30年的各项数据,从人口、经济、空间地理、社会环境等四个方面建立了深圳市城市化水平测度指标体系。根据复合指标原则,采用层次分析法构建了综合性的城市化水平测度。深圳市城市化综合测度指数在短短叁十年的时间从1980年的5%增长到2009年92%,城市化水平飞速提高。30年来,深圳市的城市化水平在1980-2000年保持着较快的增长速度,而当其城市化水平达到50%,城市化速度逐渐趋于平缓。(2)利用遥感影像对深圳市的土地利用信息进行了提取与分析。本文参照国家《土地利用现状分类》标准,建立了适用于深圳市的土地利用分类体系,采用面向对象的方法对深圳市1980年、1990年、2000~2010年共计十叁年的TM数据进行了分类,分类精度均在80%以上。在此基础上分析了深圳市城市化过程中的空间变化,并利用马尔科夫模型对深圳市2020年的土地利用进行了预测。土地利用转移矩阵分析发现城镇面积的增加是导致草地和耕地面积减少的重要原因。(3)对深圳市的疟疾的时空分布特征进行了研究。本文通过对深圳市时间分布分析发现6-10月份是疟疾高发时期,空间分析发现深圳市的疟疾分布并不固定,在各个区域均有可能发生,但是宝安区的中部和西部沿海地区是疟疾的高发区域。采用灰色预测模型GM(1,1)模型对深圳市的疟疾发病率进行了时间序列的模拟和预测。利用时空扫描统计量对2005~2009的疟疾数据进行了时空扫描分析,发现了2007年、2008年和2009年的聚集区域和聚集时间。(4)对深圳市城市化对与疟疾的关系进行了分析。相关性分析发现城市化水平与疟疾发病率之间呈现显着负相关,曲线拟合分析发现指数函数模型对二者的关系拟合度最高。本文采用灰色关联分析方法重点研究了各项城市化因子对疟疾的影响,结果发现经济和空间城市化因子与疟疾发病率的关联性最高。单因素方差分析显示温度对疟疾的发生具有显着影响。多种地表类型中湿地和草地与疟疾的发生关系最为密切。
张文义[10]2010年在《基于环境因素预测肾综合征出血热和疟疾传播风险》文中研究表明背景:肾综合征出血热(hemorrhagic fever with renal syndrome, HFRS)是由不同型别的汉坦病毒(hantavirus, HV)引起的一种以发热、出血、肾功能损害等为主要临床特征的自然疫源性疾病。在我国引起HFRS的病原体主要是汉滩型(Hantaan virus, HTNV)和汉城型(Seoul virus, SEOV)汉坦病毒,分别引起大约10%和1%的病死率。我国是世界上HFRS发病最多的国家,HFRS病例数占世界报道病例数的90%以上。病例以青壮年人群为主,不仅对人民身体健康和生命安全造成危害,而且对社会经济发展造成严重影响,已经成为一个严重的公共卫生问题。近年来,我国HFRS的流行趋势呈现出一些新特点:由单一型疫区向混合型疫区演变,家鼠型疫区范围不断扩大,并有向大城市蔓延的趋势,形成新疫区,部分姬鼠型疫区依然维持较高的发病水平。但导致新疫区HFRS病例数增加的可能的环境因素尚不清楚,姬鼠型疫区气候因素与HFRS传播之间的定量关系有待进一步确定。疟疾是一种经疟蚊(Anopheles)叮咬而感染疟原虫而引起的全球性急性虫媒传染病。自2000年以来,安徽省是我国疟疾疫情波动幅度最大的一个省份,疟疾疫情呈骤升趋势,近几年安徽省每年发病数位于全国前列。各个区县的发病率具有很大的差异,那么近几年安徽省疟疾流行的时空分布有何特点、发病热点区域又在何地?这是我们疟疾防控中亟需解决的科学问题。同时,疟疾的流行具有一定周期性的特点,而且发病率的时间序列多是杂乱的、复杂的、非平稳的,以前的研究很少考虑发病率时间序列的这些特点,因此有必要开展我国一些疟疾典型疫区的流行周期性特点以及气候因素对疟疾发病的“驱动效应”的研究。目的:①探讨HFRS家鼠型新疫区北京市宿主动物感染HV的空间分布特点,确定影响宿主动物感染HV的主要环境因素,建立北京市宿主动物感染HV的空间预测模型;②定量评价气候因素对东北大兴安岭林区姬鼠型疫区HFRS传播的影响;③明确安徽省疟疾流行的时空分布特点,确定安徽省疟疾发病的热点区域;④阐明我国疟疾典型疫区的流行周期性特点,评价气候因素对疟疾发病的“驱动效应”。方法:通过现场调查与实验室检测,结合遥感影像利用Logistic回归和空间统计分析,对北京市宿主动物感染HV的风险进行预测;利用互相关分析和时间序列泊松回归分析,定量地评价我国东北大兴安岭林区气候因素对姬鼠型疫区HFRS传播的影响;利用空间自相关和空间统计分析安徽省疟疾发病的时空分布特点,利用时空扫描聚集性分析确定安徽省疟疾发病的热点地区;利用交叉小波变换和小波相干技术确定疟疾典型疫区(安徽省、海南省、云南省)流行的周期性特点,确定气候因素对疟疾流行的“驱动效应”。结果:①在2005年到2007年HFRS的流行季节,在北京市86个调查点共布放鼠夹22250夹夜,捕获啮齿动物1639只。经RT-PCR(Reverse transcription polymerase chain reaction)检测,获得阳性宿主动物117只,其带毒率7.14%。多因素Logistic回归分析结果显示园地、水田和40-80 m海拔是宿主动物感染HV的危险因素,而林地则是宿主动物感染HV的保护因素。最终模型是:Logit( P ) = 1.059×水田+ 0.115×园地+ 2.285×(40-80 m海拔)? 1.909×林地。建立的风险预测图显示北京市HFRS的高风险区主要位于市区和近郊区县。同时利用HFRS病例的发病地点对风险预测图的可靠性进行了验证。②在内蒙古自治区鄂伦春族自治旗和莫力达瓦达斡尔族自治旗,互相关分析的结果显示月平均降雨量、月平均地表温度、月平均相对湿度和多变量厄尔尼诺南方涛动指数(Multivariate El Ni?o Southern Oscillation Index, MEI)都与HFRS发病是相关的,但存在3-5个月不等的滞后效应。在鄂伦春族自治旗,在控制了自回归、季节性、长期趋势后,3个月前的月均降雨量、4个月前的月均地表温度、3个月前的月均相对湿度、4个月前的MEI在HFRS的传播中起了重要的作用。最终时间序列泊松回归模型提示地表温度每升高1°C HFRS发病数将会增加11.4%。降雨每增加1mm、相对湿度每增加1%、MEI每增加1个单位,HFRS发病数可能会增加1.1%、2.9%、55.3%。HFRS发病数与预期数拟合的非常好(伪R2 = 79.43%)。在莫力达瓦达斡尔族自治旗,在控制了自回归、季节性、长期趋势后,4个月前的月均降雨量、5个月前的月均地表温度、4个月前的月均相对湿度、4个月前的MEI在HFRS的传播中发挥了重要的作用。最终时间序列泊松回归模型提示地表温度每升高1°C HFRS发病数将会增加16.8%。降雨每增加1mm、相对湿度每增加1%、MEI每增加1个单位,HFRS发病数将会增加0.5%、3.2%和73.6%。建立的模型效果较好(伪R2 = 75.91%)。③安徽省各县区疟疾发病率呈现明显的地区差异,90年代后期疫情主要在安徽中部地区,2001年以后疟疾疫区流行区域迅速扩大,高发地区从安徽中部转移到淮北地区。空间趋势分析结果显示疟疾发病率在东西方向和南北方向均具有明显的趋势变化,总体上北方高于南方,在东西方向上发病率呈现“∩”型。空间自相关的结果显示在安徽省范围内疟疾的空间分布存在一定的聚集性的特点。时空聚集性分析(最大空间窗口半径为安徽省50%的总人口、最大时间窗口为研究时期的50%)确定了一级聚类区分布于安徽省北部13个县市,其高发时段为2003.06-2008.10。当时空半径设为25%时,时空聚集性分析结果显示一级聚类区分布于安徽省北部10个县市,其高发时段为2005.07-2007.11。二级聚类区分布于安徽省中东部14个县市,其高发时段为2002.06-2003.10。④连续小波变换的结果显示安徽省疟疾发病率除了发现1年的周期外,还发现了5-6年和12年的年际间的周期。海南省疟疾发病率存在8年左右的周期,1年的周期没有达到统计学水平。而云南省疟疾发病率只发现了1年的周期。当地气候因素(降雨、温度、湿度)的周期以1年周期为主,而MEI除了1年周期还发现了年际周期。交叉小波和小波相干分析结果显示:在安徽省,月均疟疾发病率和月均降雨量、温度(月平均温度、月最高温度、月最低温度)、相对湿度、MEI之间是相干的,频域上两者以1年周期模式为主(除MEI以2-4年频域为主外),两者的位相关系从同步到滞后5个月不等,并且两者之间关系是间断的、不连续的。在海南省,月均疟疾发病率和月均降雨量、温度是持续相干的,与相对湿度、MEI之间存在短暂的相干,两者的位相关系从同步到滞后1个月。在云南省,月均疟疾发病率和月均降雨量、温度、相对湿度、MEI之间是持续相干的,两者的位相关系从同步到滞后1个月,频域上都是以1年周期模式为主。结论:本研究明确了HFRS新疫区北京市宿主动物感染HV的空间分布特点,确定了影响宿主动物感染HV的主要环境因素,建立了北京市宿主动物感染HV的空间风险预测地图;定量地评价了我国东北大兴安岭林区气候因素对姬鼠型疫区HFRS传播的影响;明确了安徽省疟疾流行的时空分布特点,确定了安徽省疟疾发病时空热点区域;确定了我国疟疾典型疫区的疟疾流行的周期性特点,评价了气候因素对疟疾发病的“驱动效应”。
参考文献：
[1]. 应用遥感与地理信息系统技术研究海南省疟疾分布特征及其环境影响因素[D]. 苏永强. 中国人民解放军第四军医大学. 2003
[2]. 海南地区疟疾疫情分布特征及环境影响因素研究[D]. 曾晓露. 第叁军医大学. 2015
[3]. 2002-2010年我国疟疾疫情时空变化分析[D]. 闫润泽. 中国疾病预防控制中心. 2014
[4]. 海南省疟疾流行预测方法及基于GIS的疟疾监测预警系统的初步构建[D]. 温亮. 第四军医大学. 2004
[5]. 空间流行病学在我国疟疾监测预警中的研究进展[J]. 郑金鑫, 刘璐, 冯云, 杨国静. 中国血吸虫病防治杂志. 2017
[6]. 不同时空尺度疟疾传播风险预测及环境影响因素研究[D]. 高宏伟. 中国人民解放军军事医学科学院. 2012
[7]. 云南疟疾疫情与蚊媒评价体系及地理信息系统研究[D]. 于国伟. 中国疾病预防控制中心. 2005
[8]. 应用遥感技术研究水稻种植区蚊虫分布和地理景观因素之间的关系[D]. 王晓东. 中国人民解放军军事医学科学院. 2004
[9]. 基于遥感和GIS技术的城市化对疟疾的影响研究[D]. 郭海芳. 电子科技大学. 2016
[10]. 基于环境因素预测肾综合征出血热和疟疾传播风险[D]. 张文义. 中国人民解放军军事医学科学院. 2010
标签：感染性疾病及传染病论文; 疟疾论文; 疫情论文;