劉宇通，王汶

(中國(guó)人民大學(xué) 環(huán)境學(xué)院，北京 100872)

0 引言

花粉過(guò)敏又叫枯草熱，表現(xiàn)為流鼻涕、打噴嚏、鼻眼癢以及咳嗽等癥狀，一旦疾病發(fā)作，將年年反復(fù)，嚴(yán)重影響人們生活質(zhì)量和日常工作[1]?；ǚ圻^(guò)敏如果不采取及時(shí)治療，很容易惡化為氣管炎、鼻咽炎、肺炎等呼吸系統(tǒng)疾病[2]。據(jù)美國(guó)衛(wèi)生研究院變態(tài)反應(yīng)研究報(bào)告，中國(guó)的花粉過(guò)敏癥發(fā)病率為0.5%～1%，而高發(fā)病區(qū)達(dá)到5%，花粉過(guò)敏在我國(guó)逐漸引起人們的重視，完善的花粉過(guò)敏監(jiān)測(cè)體系對(duì)幫助花粉過(guò)敏患者做好預(yù)防、避免接觸花粉過(guò)敏原有重要的作用。美國(guó)和一些歐洲國(guó)家對(duì)花粉監(jiān)測(cè)已經(jīng)形成較為完善的體系[3]，但在我國(guó)，僅北京、天津、南京等少數(shù)省市氣象部門(mén)進(jìn)行花粉觀(guān)測(cè)預(yù)報(bào)業(yè)務(wù)，其余省市缺少花粉濃度數(shù)據(jù)?；ǚ圻^(guò)敏人群就醫(yī)數(shù)據(jù)存儲(chǔ)在公共衛(wèi)生或醫(yī)療部門(mén)，然而這些部門(mén)各自的數(shù)據(jù)大多不互通[4-5]，且個(gè)人病例具有隱私性，所以針對(duì)我國(guó)花粉過(guò)敏的監(jiān)測(cè)與研究受到諸多限制。

目前，針對(duì)花粉過(guò)敏空間分布特征及影響因素的研究主要依賴(lài)于監(jiān)測(cè)和調(diào)查數(shù)據(jù)。趙筱揚(yáng)等[6]實(shí)測(cè)了昆明市區(qū)大氣花粉種類(lèi)及含量并進(jìn)行分析，發(fā)現(xiàn)花粉過(guò)敏具有明顯的地區(qū)性和季節(jié)性；吳慧等[7]利用花粉觀(guān)測(cè)點(diǎn)的花粉濃度數(shù)據(jù)分析了近57年海南省花粉過(guò)敏天數(shù)的時(shí)空分布特征及與氣象條件的關(guān)系；歐陽(yáng)志云等[8]對(duì)北京五環(huán)以?xún)?nèi)的花粉致敏植物進(jìn)行了調(diào)查，給出了其分布格局?；诒O(jiān)測(cè)和調(diào)查數(shù)據(jù)的花粉過(guò)敏研究高度受限于數(shù)據(jù)的可獲得性。此外，實(shí)測(cè)花粉對(duì)設(shè)備技術(shù)和人力物力投入的高要求使其無(wú)法應(yīng)用于大范圍花粉監(jiān)測(cè)，而且實(shí)測(cè)花粉數(shù)據(jù)局限在某一地點(diǎn)，無(wú)法反映整個(gè)區(qū)域內(nèi)的花粉分布情況。Samuel等[9]指出，美國(guó)國(guó)家過(guò)敏局只有48個(gè)臺(tái)站統(tǒng)計(jì)美國(guó)各地的花粉，鑒于臺(tái)站數(shù)量和各州數(shù)據(jù)傳播的限制，花粉過(guò)敏監(jiān)測(cè)會(huì)受到時(shí)空角度的影響。

遙感數(shù)據(jù)具有覆蓋范圍廣、獲取處理方便等特點(diǎn)，可以進(jìn)行地表的大范圍觀(guān)測(cè)。研究人員探索利用遙感數(shù)據(jù)對(duì)過(guò)敏花粉進(jìn)行觀(guān)測(cè)，提供了空間上大范圍研究花粉過(guò)敏的可行性。Stein等[10]利用MODIS-NDVI監(jiān)測(cè)挪威樺樹(shù)的開(kāi)花周期，與分布在挪威各地的十個(gè)Burkard采樣器采集的白樺花粉濃度進(jìn)行對(duì)比，經(jīng)過(guò)分析發(fā)現(xiàn)MODIS-NDVI監(jiān)測(cè)的樺樹(shù)開(kāi)花時(shí)間和年累積樺樹(shù)花粉總和顯示出5%或更高的顯著值，從而說(shuō)明遙感可有效監(jiān)測(cè)挪威全國(guó)的樺樹(shù)釋放花粉周期，還可以揭示僅靠Burkard采樣器不易發(fā)現(xiàn)的區(qū)域花粉濃度差異。Murat等[11]在獲得MODIS遙感影像的增強(qiáng)型植被指數(shù)(enhanced vegetation index，EVI)基礎(chǔ)上加工得到了EVI2指數(shù)，使用神經(jīng)網(wǎng)絡(luò)建立EVI2和美國(guó)東海岸城市實(shí)測(cè)花粉數(shù)量的模型，并應(yīng)用IQVIA公司發(fā)布的花粉過(guò)敏指數(shù)作為驗(yàn)證，整個(gè)東海岸結(jié)果的R2范圍為0.530～0.966，說(shuō)明遙感是預(yù)測(cè)花粉變化的可靠手段。而目前國(guó)內(nèi)對(duì)于花粉過(guò)敏的研究較少用到遙感手段。

此外，隨著互聯(lián)網(wǎng)技術(shù)的發(fā)展以及網(wǎng)絡(luò)大數(shù)據(jù)的披露，我們可以采用間接的渠道彌補(bǔ)我國(guó)花粉數(shù)據(jù)不足的情況。當(dāng)授粉季節(jié)來(lái)臨時(shí)，各地區(qū)花粉過(guò)敏者患病率會(huì)升高，依據(jù)常理“花粉過(guò)敏”的相關(guān)搜索規(guī)模會(huì)在網(wǎng)絡(luò)上擴(kuò)大，研究者可以通過(guò)搜索引擎數(shù)據(jù)迅速獲得搜索“花粉過(guò)敏”等相關(guān)信息人群的時(shí)空分布，從而為大范圍監(jiān)測(cè)花粉過(guò)敏提供全新的手段。

本研究以致敏花粉植被種類(lèi)豐富多樣且花粉濃度數(shù)據(jù)較完整的北京市為例，首先，探究了“花粉過(guò)敏”搜索強(qiáng)度與花粉濃度之間的關(guān)系，為輿情大數(shù)據(jù)用于大范圍花粉過(guò)敏監(jiān)測(cè)提供依據(jù)；然后，利用遙感可以大范圍監(jiān)測(cè)產(chǎn)生致敏花粉的植被信息的特點(diǎn)，通過(guò)遙感產(chǎn)品獲得用來(lái)定性和定量評(píng)價(jià)植被覆蓋及其生長(zhǎng)狀況的植被指數(shù)，以及影響花粉濃度和花粉傳播的溫度和降水等數(shù)據(jù)，運(yùn)用人工神經(jīng)網(wǎng)絡(luò)(artificial neural network，ANN)建立花粉過(guò)敏輿情數(shù)據(jù)與植被指數(shù)、溫度、降水之間的非線(xiàn)性花粉過(guò)敏監(jiān)測(cè)模型。從而基于輿情和遙感數(shù)據(jù)實(shí)現(xiàn)大范圍花粉過(guò)敏的監(jiān)測(cè)，為花粉過(guò)敏人群做好花粉預(yù)防工作提供科學(xué)依據(jù)，有利于降低我國(guó)花粉過(guò)敏患者的發(fā)病率。

1 數(shù)據(jù)與方法

1.1 數(shù)據(jù)種類(lèi)及來(lái)源

在分析了影響花粉濃度和人群花粉過(guò)敏情況的主要因素基礎(chǔ)上，本研究獲取了花粉濃度、花粉過(guò)敏百度指數(shù)、增強(qiáng)型植被指數(shù)EVI、日均溫度和日均降水?dāng)?shù)據(jù)。數(shù)據(jù)種類(lèi)及來(lái)源如表1所示。

花粉過(guò)敏輿情數(shù)據(jù)來(lái)源于關(guān)鍵詞“花粉過(guò)敏”、地區(qū)“北京”、時(shí)間范圍“2017—2019年”、時(shí)間分辨率為每天的百度指數(shù)。在中國(guó)，對(duì)于生活日常信息的搜索，人們使用最廣泛的搜索引擎是百度，百度公司以海量網(wǎng)民行為大數(shù)據(jù)為基礎(chǔ)開(kāi)發(fā)了百度指數(shù)數(shù)據(jù)分析平臺(tái)，該平臺(tái)可以統(tǒng)計(jì)某個(gè)關(guān)鍵詞在計(jì)算機(jī)端和移動(dòng)端的百度搜索頻次的加權(quán)和，本研究獲取“花粉過(guò)敏”的搜索規(guī)模。

本文采用氣象局實(shí)測(cè)的花粉濃度數(shù)據(jù)驗(yàn)證花粉過(guò)敏百度指數(shù)與其之間的相關(guān)性。北京市是全國(guó)為數(shù)不多花粉濃度數(shù)據(jù)較完整的城市，北京市氣象局聯(lián)合北京同仁醫(yī)院會(huì)在北京花粉期(4—9月)測(cè)定每日花粉實(shí)況及花粉濃度預(yù)報(bào)。本研究獲取了北京市2017—2019年共三年的花粉期每天實(shí)測(cè)花粉濃度數(shù)據(jù)。

作為花粉來(lái)源，植被是影響花粉過(guò)敏的重要因素，授粉的數(shù)量和時(shí)間取決于致敏花粉植被的生長(zhǎng)和開(kāi)花。致敏花粉植被類(lèi)型多樣，其生長(zhǎng)和分布情況通常通過(guò)實(shí)地調(diào)查獲取。在致敏植被數(shù)據(jù)缺失的情況下，遙感植被指數(shù)可以用于反映植被總體的生長(zhǎng)態(tài)勢(shì)和季相特征。本研究通過(guò)遙感產(chǎn)品獲取的增強(qiáng)型植被指數(shù)EVI監(jiān)測(cè)植被情況。與其他植被指數(shù)相比，EVI受飽和度的影響較小，因此對(duì)于監(jiān)測(cè)植被結(jié)構(gòu)的季節(jié)性、年際和長(zhǎng)期變化更為有效。本文依托MODIS陸地3級(jí)標(biāo)準(zhǔn)數(shù)據(jù)產(chǎn)品MOD13Q1獲取EVI遙感影像，空間分辨率250 m，根據(jù)MODIS植被指數(shù)算法，只有高質(zhì)量的、無(wú)云的濾波數(shù)據(jù)被用來(lái)進(jìn)行合成，因此時(shí)間分辨率為16天，范圍尺度選擇覆蓋全北京的h26v04、h26v05行列號(hào)，時(shí)間尺度選擇2017—2019年。

溫度和降水也是影響致敏花粉傳播的重要因素[12]。Peternel等[13]的研究表明，溫度下降時(shí)，空氣中致敏花粉的濃度會(huì)暫時(shí)減少，解釋了氣溫升高導(dǎo)致晚春花粉量增加的原因。Gottardini等[14]研究報(bào)道，大量或長(zhǎng)期降水可顯著降低空氣中致敏花粉濃度，因?yàn)閹е甑蔚幕ǚ蹠?huì)在重力作用下落到地上。美國(guó)國(guó)家海洋和大氣管理局根據(jù)NOAA/AVHR遙感數(shù)據(jù)計(jì)算和發(fā)布全球的溫度及降水?dāng)?shù)據(jù)，本研究選取北京市2017—2019年逐日的日均溫度和日均降水?dāng)?shù)據(jù)。

表1 數(shù)據(jù)種類(lèi)及來(lái)源

1.2 研究方案

本文首先剔除花粉濃度、花粉過(guò)敏百度指數(shù)、日均溫度、日均降水的缺失值；然后對(duì)MOD13Q1遙感影像進(jìn)行預(yù)處理，并計(jì)算EVI平均值；接下來(lái)，選取2017—2019年4—9月逐日的花粉濃度和花粉過(guò)敏百度指數(shù)，采用相關(guān)分析法研究二者之間的相關(guān)關(guān)系，通過(guò)相關(guān)性檢驗(yàn)的花粉過(guò)敏百度指數(shù)用于下一步研究；建立花粉過(guò)敏預(yù)測(cè)的人工神經(jīng)網(wǎng)絡(luò)模型，因?yàn)槿站鶞囟群腿站邓侵鹑諗?shù)據(jù)，而EVI是16天合成數(shù)據(jù)，在本研究中認(rèn)為16天內(nèi)逐日的 EVI相同；最后利用EVI、日均溫度、日均降水對(duì)花粉過(guò)敏百度指數(shù)進(jìn)行預(yù)測(cè)，并對(duì)模型進(jìn)行評(píng)估。研究方案如圖1所示。

圖1 研究方案

1)MOD13Q1遙感影像處理。由于 MODIS 對(duì)地球觀(guān)測(cè)的視野幾何特性、地球表面的曲率、地形起伏和探測(cè)器運(yùn)動(dòng)中的抖動(dòng)等因素的共同影響，MOD13Q1遙感影像會(huì)產(chǎn)生幾何畸變[15]，所以首先對(duì)MOD13Q1影像進(jìn)行幾何校正。本研究的研究區(qū)域?yàn)楸本┦校琈ODIS覆蓋全北京的行列號(hào)為h26v04、h26v05兩幅影像，所以要先對(duì)h26v04、h26v05兩幅影像進(jìn)行圖像鑲嵌，再用北京市的矢量圖進(jìn)行裁剪，裁剪后的北京市EVI遙感影像如圖2所示。將北京市的EVI求取均值，用于接下來(lái)的研究。

注：該圖基于自然資源部標(biāo)準(zhǔn)地圖服務(wù)下載的審圖號(hào)為GS(2019)3333號(hào)的標(biāo)準(zhǔn)地圖制作，底圖無(wú)修改。圖2 北京市EVI遙感影像

2)花粉濃度與花粉過(guò)敏百度指數(shù)相關(guān)性檢驗(yàn)。相關(guān)分析法可以判斷兩個(gè)變量間有沒(méi)有關(guān)系、有什么樣的關(guān)系及關(guān)系的大致強(qiáng)度等。地區(qū)花粉濃度的升高會(huì)使當(dāng)?shù)鼗ǚ圻^(guò)敏者發(fā)病率隨之升高，花粉過(guò)敏的輿情搜索規(guī)模會(huì)隨之?dāng)U大。本研究將北京市的花粉濃度與北京市花粉過(guò)敏百度指數(shù)進(jìn)行相關(guān)性檢驗(yàn)，并按式(1)計(jì)算相關(guān)系數(shù)r，從而驗(yàn)證花粉過(guò)敏百度指數(shù)能否顯著代表北京地區(qū)的花粉濃度，進(jìn)而將其應(yīng)用于下一步研究。

(1)

3)人工神經(jīng)網(wǎng)絡(luò)建模。隨著人工智能的發(fā)展，采用機(jī)器學(xué)習(xí)的方法對(duì)花粉過(guò)敏監(jiān)測(cè)進(jìn)行建模具有可行性。Liu等[17]就曾使用機(jī)器學(xué)習(xí)的方法估算了俄克拉荷馬州塔爾薩大氣中豚草花粉的濃度。人工神經(jīng)網(wǎng)絡(luò)是一種常用的非線(xiàn)性數(shù)據(jù)建模工具，人工神經(jīng)網(wǎng)絡(luò)可以通過(guò)機(jī)器學(xué)習(xí)對(duì)輸入和輸出變量間復(fù)雜的關(guān)系進(jìn)行建模，而且無(wú)需輸入和輸出變量間關(guān)系的先驗(yàn)知識(shí)。因此，本文以EVI、日均溫度、日均降水作為人工神經(jīng)網(wǎng)絡(luò)的輸入，通過(guò)相關(guān)性檢驗(yàn)的花粉過(guò)敏百度指數(shù)作為人工神經(jīng)網(wǎng)絡(luò)的輸出，建立花粉過(guò)敏監(jiān)測(cè)模型。

首先按式(2)對(duì)建模數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理。

(2)

式中：i為樣本編號(hào)；zi為標(biāo)準(zhǔn)化值；xi為輸入變量，即EVI、日均溫度、日均降水；x為輸入變量的均值；s為輸入變量的標(biāo)準(zhǔn)差。因?yàn)镋VI、日均溫度、日均降水的量綱和數(shù)值量級(jí)不一樣，如果直接使用原始數(shù)據(jù)值，它們對(duì)花粉過(guò)敏百度指數(shù)的影響程度不一樣，建立的模型不具有可靠性。通過(guò)標(biāo)準(zhǔn)化處理，ANN在學(xué)習(xí)參數(shù)的時(shí)候，EVI、日均溫度、日均降水對(duì)參數(shù)的影響程度一樣。

人工神經(jīng)網(wǎng)絡(luò)的處理過(guò)程主要通過(guò)激活函數(shù)實(shí)現(xiàn)，本研究采用的激活函數(shù)為tanh函數(shù)，即f(x)=tanh(x)。雖然sigmoid函數(shù)是最常使用的激活函數(shù)，但考慮到2017—2019年三年的花粉期花粉過(guò)敏百度指數(shù)數(shù)據(jù)量有限，sigmoid函數(shù)存在梯度下降導(dǎo)致人工神經(jīng)網(wǎng)絡(luò)過(guò)擬合的情況，因此本研究選用梯度更大的tanh函數(shù)，函數(shù)如式(3)所示。

(3)

式中：x同式(2)；e為自然常數(shù)，約等于2.718。人工神經(jīng)網(wǎng)絡(luò)的損失函數(shù)用來(lái)估計(jì)模型的損失，以便在下次評(píng)估時(shí)更新權(quán)重以減少損失，本研究中選擇回歸建模默認(rèn)優(yōu)選的均方誤差(mean squared error，MSE)函數(shù)，如式(4)所示。

(4)

4)花粉過(guò)敏監(jiān)測(cè)模型的評(píng)估。通過(guò)人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練建立花粉過(guò)敏監(jiān)測(cè)模型后，總數(shù)據(jù)量25%的測(cè)試數(shù)據(jù)用來(lái)評(píng)估模型的可靠性。將模型的預(yù)測(cè)值與真實(shí)的測(cè)試數(shù)據(jù)進(jìn)行回歸，觀(guān)察預(yù)測(cè)值與真實(shí)值的吻合情況，并使用決定系數(shù)R2(式(5))和均方誤差MSE作為度量標(biāo)準(zhǔn)，描述花粉過(guò)敏監(jiān)測(cè)模型預(yù)測(cè)結(jié)果是否準(zhǔn)確。

(5)

圖3 人工神經(jīng)網(wǎng)絡(luò)建模及評(píng)估步驟

2 結(jié)果與分析

2.1 花粉濃度與花粉過(guò)敏百度指數(shù)的相關(guān)關(guān)系

經(jīng)過(guò)相關(guān)分析，北京市2017—2019年三年的花粉過(guò)敏百度指數(shù)與實(shí)測(cè)花粉濃度散點(diǎn)圖和擬合直線(xiàn)如圖4所示。由圖4可知，花粉濃度增加，花粉過(guò)敏百度指數(shù)隨之增加，兩個(gè)變量的觀(guān)測(cè)點(diǎn)分布在一條直線(xiàn)周?chē)?，有較明顯的線(xiàn)性正相關(guān)關(guān)系。根據(jù)式(1)計(jì)算得到的相關(guān)系數(shù)如表2所示。表2中，每一年的相關(guān)系數(shù)均超過(guò)60%，說(shuō)明花粉過(guò)敏百度指數(shù)與花粉濃度的線(xiàn)性關(guān)系顯著。由此證明了當(dāng)空氣中花粉濃度升高時(shí)，花粉過(guò)敏的輿情搜索規(guī)模會(huì)在網(wǎng)絡(luò)上擴(kuò)大的推斷，從而可以用花粉過(guò)敏百度指數(shù)數(shù)據(jù)代表各地區(qū)的花粉濃度，并作為人工神經(jīng)網(wǎng)絡(luò)建模的輸出量。

圖4 花粉濃度與花粉過(guò)敏百度指數(shù)的相關(guān)關(guān)系

表2 花粉濃度與花粉過(guò)敏百度指數(shù)的相關(guān)系數(shù)

2.2 花粉過(guò)敏監(jiān)測(cè)模型

使用人工神經(jīng)網(wǎng)絡(luò)對(duì)訓(xùn)練數(shù)據(jù)建模，因?yàn)檩斎肓枯^少，只有EVI、日均溫度、日均降水三個(gè)變量，所以建立一層中間隱藏層可達(dá)到較好的效果。tanh函數(shù)建立的花粉過(guò)敏監(jiān)測(cè)模型如圖5所示。圖5顯示，人工神經(jīng)網(wǎng)絡(luò)隱含層包含兩個(gè)神經(jīng)元，訓(xùn)練過(guò)程執(zhí)行了13 528步，結(jié)束條件為誤差函數(shù)的絕對(duì)偏導(dǎo)數(shù)小于0.01。

圖5 花粉過(guò)敏監(jiān)測(cè)模型

圖5中黑線(xiàn)表示每一層神經(jīng)元與其相關(guān)權(quán)重直接的關(guān)系，藍(lán)色線(xiàn)表示擬合過(guò)程中，每一步被添加到藍(lán)色線(xiàn)上的誤差項(xiàng)，這些誤差項(xiàng)可以表示一個(gè)誤差區(qū)間。從花粉過(guò)敏監(jiān)測(cè)模型可知，隱藏層的截距為-1.14、-1.03，第1個(gè)隱藏神經(jīng)元的權(quán)重預(yù)測(cè)分別為-0.09(EVI)、-0.3(日均溫度)、1.42(日均降水)，第2個(gè)隱藏神經(jīng)元的權(quán)重預(yù)測(cè)分別為-0.16(EVI)、-0.39(日均溫度)、1.28(日均降水)。隱藏層對(duì)花粉過(guò)敏百度指數(shù)的權(quán)重預(yù)測(cè)分別為-7.3和7.38。因此，只要模型輸入每天相應(yīng)的EVI、日均溫度、日均降水，即可輸出預(yù)測(cè)的花粉過(guò)敏百度指數(shù)，從而監(jiān)測(cè)花粉過(guò)敏的嚴(yán)重程度，接下來(lái)需要評(píng)估花粉過(guò)敏監(jiān)測(cè)模型的可靠性。

2.3 花粉過(guò)敏監(jiān)測(cè)模型的評(píng)估

本研究應(yīng)用預(yù)留的總數(shù)據(jù)量25%的訓(xùn)練數(shù)據(jù)對(duì)花粉過(guò)敏監(jiān)測(cè)模型進(jìn)行評(píng)估。將測(cè)試數(shù)據(jù)中的EVI、日均溫度、日均降水作為花粉過(guò)敏監(jiān)測(cè)模型的輸入，模型自主輸出結(jié)果與測(cè)試數(shù)據(jù)中真實(shí)花粉過(guò)敏百度指數(shù)進(jìn)行回歸比較。同時(shí)建立EVI、日均溫度、日均降水和花粉過(guò)敏百度指數(shù)的多元線(xiàn)性回歸模型，也將多元線(xiàn)性回歸模型的預(yù)測(cè)輸出值與真實(shí)花粉過(guò)敏百度指數(shù)進(jìn)行回歸比較。兩種模型的比較結(jié)果如圖6所示。從圖6可以看出，由人工神經(jīng)網(wǎng)絡(luò)模型所預(yù)測(cè)的花粉過(guò)敏百度指數(shù)比多元線(xiàn)性回歸模型所擬合出來(lái)的結(jié)果更加靠近擬合曲線(xiàn)，人工神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)值的準(zhǔn)確率更高。由式(4)可知，花粉過(guò)敏監(jiān)測(cè)模型的MSE為8.41，而花粉過(guò)敏百度指數(shù)關(guān)于EVI、日均溫度、日均降水的線(xiàn)性回歸模型的MSE為17.61；由式(5)可知，花粉過(guò)敏監(jiān)測(cè)模型的R2為72.82%，高于線(xiàn)性回歸模型的R2為50.55%，可見(jiàn)人工神經(jīng)網(wǎng)絡(luò)的擬合度比線(xiàn)性模型更優(yōu)，且MSE比線(xiàn)性回歸模型的MSE低很多，因此人工神經(jīng)網(wǎng)絡(luò)模型更為可靠。評(píng)估結(jié)果表明應(yīng)用人工神經(jīng)網(wǎng)絡(luò)花粉過(guò)敏監(jiān)測(cè)模型，EVI、日均溫度、日均降水能較準(zhǔn)確地預(yù)測(cè)北京市花粉過(guò)敏百度指數(shù)。因?yàn)榘俣戎笖?shù)覆蓋全國(guó)，從而有望應(yīng)用此模型進(jìn)行大范圍的花粉過(guò)敏監(jiān)測(cè)，服務(wù)于花粉過(guò)敏患病人群做好花粉過(guò)敏預(yù)防工作。

圖6 神經(jīng)網(wǎng)絡(luò)和線(xiàn)性模型預(yù)測(cè)結(jié)果

3 討論

3.1 基于百度指數(shù)的花粉過(guò)敏情況反演

本文創(chuàng)新性地基于百度指數(shù)輿情大數(shù)據(jù)反演花粉濃度。本文驗(yàn)證了花粉過(guò)敏百度指數(shù)和真實(shí)花粉濃度間的相關(guān)系數(shù)值達(dá)到統(tǒng)計(jì)學(xué)顯著標(biāo)準(zhǔn)，因此，使用百度指數(shù)反演花粉濃度具有較高的可信度。百度指數(shù)大尺度可以覆蓋全國(guó)，小尺度可以精確到各市，并且在時(shí)間上具有連續(xù)性，從而有望利用百度指數(shù)輿情大數(shù)據(jù)代表各段時(shí)間全國(guó)各地致敏花粉的嚴(yán)重程度，為從時(shí)空角度研究花粉過(guò)敏人群情況提供了全新的手段。

3.2 基于花粉過(guò)敏監(jiān)測(cè)模型的建議

從花粉過(guò)敏監(jiān)測(cè)模型的結(jié)果看，對(duì)于同一地區(qū)，日平均溫度高、降水量多時(shí)，花粉過(guò)敏百度指數(shù)較低。表明高溫和降水影響了植被的傳粉過(guò)程，導(dǎo)致人群花粉過(guò)敏的情況有所減輕。因此，對(duì)于溫度較低、干燥等天氣，花粉過(guò)敏患者應(yīng)該減少出門(mén)頻率，并提前做好預(yù)防措施。

3.3 花粉過(guò)敏監(jiān)測(cè)模型的意義和改進(jìn)

本文基于輿情和遙感數(shù)據(jù)建立的花粉過(guò)敏監(jiān)測(cè)模型，能夠反映花粉過(guò)敏情況與植被指數(shù)、溫度、降水之間的非線(xiàn)性關(guān)系。通過(guò)該模型對(duì)花粉過(guò)敏進(jìn)行監(jiān)測(cè)，不僅可以幫助花粉相關(guān)工作人員分析花粉過(guò)敏預(yù)防機(jī)制，為相關(guān)決策提供支持，更可以幫助花粉過(guò)敏患者做好預(yù)防、避免接觸花粉過(guò)敏原，進(jìn)而降低全國(guó)各地區(qū)花粉過(guò)敏患者的病發(fā)率，帶來(lái)社會(huì)效益，還可以減少在花粉過(guò)敏上的經(jīng)費(fèi)損耗，具有一定的經(jīng)濟(jì)價(jià)值。

然而花粉過(guò)敏監(jiān)測(cè)模型也存在有待完善之處。本文以北京市數(shù)據(jù)為例建立了花粉過(guò)敏情況與植被指數(shù)、溫度、降水之間的監(jiān)測(cè)模型，但北京為暖溫帶半濕潤(rùn)半干旱季風(fēng)氣候，在北京的花粉期有很多天沒(méi)有降水，因此可能導(dǎo)致得出模型的局限性。因此若做進(jìn)一步研究完善，可以選擇南方多雨地區(qū)作為對(duì)照補(bǔ)充。此外，雖然溫度和降水是影響空氣中花粉濃度的最主要的氣象因素，但花粉濃度還可能受到相對(duì)濕度、風(fēng)速等氣象因素的影響，不過(guò)增加模型的變量輸入，可能會(huì)增加人工神經(jīng)網(wǎng)絡(luò)的隱藏層數(shù)，使花粉過(guò)敏監(jiān)測(cè)模型的網(wǎng)絡(luò)更為復(fù)雜，增加影響因素是否會(huì)得到更有效的模型有待進(jìn)一步的研究。

4 結(jié)束語(yǔ)

本文以致敏花粉為研究對(duì)象，針對(duì)解決我國(guó)花粉過(guò)敏情況愈加嚴(yán)重問(wèn)題的需求，基于百度指數(shù)和遙感數(shù)據(jù)進(jìn)行研究，采用人工神經(jīng)網(wǎng)絡(luò)建立花粉過(guò)敏監(jiān)測(cè)模型，服務(wù)于花粉過(guò)敏患病人群做好花粉過(guò)敏預(yù)防工作。研究表明，人工神經(jīng)網(wǎng)絡(luò)建立的花粉過(guò)敏監(jiān)測(cè)模型精度達(dá)72.82%，可以較好地解釋花粉過(guò)敏與植被指數(shù)、溫度、降水之間的非線(xiàn)性關(guān)系。遙感數(shù)據(jù)能夠用于預(yù)測(cè)花粉濃度和花粉過(guò)敏情況，由于遙感數(shù)據(jù)可以獲取全球各地的植被信息，即獲取致敏花粉最重要的影響因素，因此遙感數(shù)據(jù)的運(yùn)用有助于實(shí)現(xiàn)空間上大范圍花粉過(guò)敏監(jiān)測(cè)，為花粉過(guò)敏監(jiān)測(cè)和空間分析提供了理論基礎(chǔ)。不足之處是北京市降水量的稀少可能導(dǎo)致花粉過(guò)敏監(jiān)測(cè)模型的局限性，選擇南方多雨地區(qū)繼續(xù)研究并增加其他影響花粉濃度的氣候因素，優(yōu)化花粉過(guò)敏監(jiān)測(cè)模型，將是下一步要進(jìn)行的工作。