EN中文

Journal of Geo-information Science >

2020 , Vol. 22 >Issue 12: 2371 - 2382

DOI: https://doi.org/10.12082/dqxxkx.2020.190511

Spatial-temporal Distribution Characteristics and Environmental Impact Factors of Tick-borne Encephalitis

  • SONG Haihui , 1, 2 ,
  • YU Zhuoyuan , 1, 2, * ,
  • DING Xiaotong 1, 2 ,
  • XIE Yunpeng 1, 2 ,
  • LV Kejing 1, 2
Expand
  • 1. State Key Laboratory of Resources and Environmental Information System, Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences, Beijing 100101, China
  • 2. University of Chinese Academy of Sciences, Beijing 100049, China
* YU Zhuoyuan, E-mail:

Received date: 2019-09-10

  Request revised date: 2019-12-20

  Online published: 2021-02-25

Supported by

National Key Research and Development Program(2018YFC1508805)

Copyright

Copyright reserved © 2020
Fold

Abstract

Tick Borne Encephalitis (TBE) is an acute infectious disease involving central neuropathy caused by the bite of a Tick borne Encephalitis Virus (TBEV) infected tick, which is a typical zoonotic disease. TBE occurs in areas with a wide distribution of tick and its distribution is related to the environment. Besides, it is also a typically natural focus disease in a special ecosystem composed of pathogens, vectors, and host animals. As a natural focus disease, TBE threatens human health and impedes socioeconomic development in northeastern China. Therefore, analyzing the spatial-temporal distribution of TBE and its influencing factors are of vital importance for TBE control. This paper selected Heilongjiang Province, Jilin Province, and the Inner Mongolia Autonomous Region in northeastern China, which are typical TBE endemic areas, to study the spatial-temporal distribution of TBE and its influencing factors. Firstly, we explored the spatial-temporal distribution of TBE in the study area from 2005 to 2015 through statistical analysis and spatial autocorrelation, Secondly, we used Geo-Detector to investigate the factors that influence the spatial distribution of TBE and its indicative role. Our results show that: (1) the incidence of TBE in the endemic areas of Northeastern China had an obvious growth trend and seasonal incidence characteristics from 2005 to 2015. The incidence of TBE in the study area had a strong spatial clustering pattern with two main hot spots, Hulunbuir city in the Inner Mongolia autonomous region and the Greater Khingan Range region in Heilongjiang province; (2) vegetation type, land use, average annual temperature, soil type, average temperature from May to August, slope, elevation, and annual rainfall were the main influencing factors of spatial prevalence of TBE. In general, the influence of natural environment was stronger than that of social environmental; (3) for the whole study area, the relationship between each risk factor and TBE was different, and the incidence of TBE was different with each factor. Besides, the interaction between various factors was significantly enhanced, that is, the impact of two factors was stronger than that of a single factor. The common interaction between some factors exceeded 0.5, and most factors exceeded 0.3. Particularly, the main interaction enhancement effect was manifested in the interaction of each factor with land use and elevation. Our results provide scientific basis and decision support for the effective control of TBE in the study area and the whole country.

Key words： Tick-borne encephalitis; spatial-temporal distribution; environmental factor; natural factors; social factors; spatial autocorrelation analysis; geographical detector; northeast epidemic area

Cite this article

SONG Haihui , YU Zhuoyuan , DING Xiaotong , XIE Yunpeng , LV Kejing . Spatial-temporal Distribution Characteristics and Environmental Impact Factors of Tick-borne Encephalitis[J]. Journal of Geo-information Science, 2020 , 22(12) : 2371 -2382 . DOI: 10.12082/dqxxkx.2020.190511

1 引言

森林脑炎（Tick Borne Encephalitis, TBE）是由携带森林脑炎病毒（Tick borne Encephalitis Virus,TBEV）的蜱虫叮咬引起中枢神经病变的急性传染病[1,2],是典型的人畜共患病[3,4]。该疾病多发于蜱虫分布较多的地区,易受环境空间分布的影响,也是在特定自然环境中由病原体、传播媒介和宿主动物构成的特殊生态系统的一种典型自然疫源性疾病。森林脑炎具有传染源多、传播形式复杂的特点[5],影响森林脑炎传播流行的因素复杂多变,我国森林脑炎的发病率高达85%,死亡率为5%~35%[6]。森林脑炎对人类健康的威胁越来越严重,并对社会经济发展造成重大影响,引起人们的普遍关注。因此,识别森林脑炎发病的高风险区、时空分布规律及其影响因子对于采取有效措施预防和控制森林脑炎的传播具有重要意义。
近年来,国内外学者开展了大量关于流行病学时空分布规律及其影响因素的研究,主要包括：描述性统计分析[7]、空间自相关分析[8]、空间聚类分析[9]、扫描统计分析[10]等方法探讨流行病学空间动态分布和变化特征;采用Logistic回归分析[11]、负二项回归模型[12]、地理加权回归模型[13]、LUR模型[14]斯皮尔曼等级相关系数[15]、贝叶斯统计[16]和地理探测器[13,17]等对疾病的空间分布影响因素进行识别和分析。
森林脑炎疫源地的自然与人文环境是森林脑炎流行和扩散的重要的影响因子。其主要的自然环境影响因素有植被分布、气象条件、地形因子等。孙若曦[18]从传播媒介、动物宿主、地理环境、植被类型、气候条件5个方面分析了疫源地的生境特征; 李一凡[19]探讨了地形、气象、植被等地理环境因子与森林脑炎发病的相关关系;Tokarevich等[20]对森林脑炎发病数与年均温度进行相关和回归分析;Kříž等[21]评价了气象量、气温和降水量对森林脑炎感染的影响。Zhao等[22]分析了森林覆盖率、气温与森林脑炎病例之间的关系。除此以外,人类活动对森林脑炎的干预,一方面,主要是改变森林面积,增加或放弃农业区,以此影响蜱虫和蜱虫宿主;另一方面,杀虫剂和农药的使用可以直接影响蜱虫的数量,从而触发增加感染蜱虫的人接触的行为[23,24],且人类活动引发的土地利用改变也会影响蜱类的种类组成[25]。以往的研究在森林脑炎空间分布的影响因子选取中,大多数都是以自然环境因素研究为主,忽略了人文环境因素（如经济、人口等）的影响,空间分布的环境影响因子分析大多数都是基于单个因子或少量因子影响的研究较多,忽略了各因子之间的相关性及不同因子对疾病的影响程度的差异性。影响因子的分析方法中广泛地使用了统计分析和传统的回归分析,未考虑空间数据变异特征的空间模型方法。
本文以森林脑炎典型流行区东北疫源区（内蒙古自治区、吉林省和黑龙江省）为研究区,以行政县为基本研究单元,在小尺度上采用空间自相关分析森林脑炎空间分布规律特征,并综合自然与人文等多个与森林脑炎空间分布相关的因子,运用地理探测器模型有效地探讨环境要素对森林脑炎发病空间分布的指示作用、获取森林脑炎发病的风险区及解释环境因素对森林脑炎的发病影响效应的异质性与交互作用。

2 研究区概况、数据源与方法

2.1 研究区概况

我国森林脑炎的流行疫区主要分为东北、西南和西北三大疫区[26]。根据国际病毒分类学委员会的分类方案[27],将森林脑炎病毒（TBEV）分为3个亚型：欧洲亚型、西伯利亚亚型和远东亚型。蓖子硬蜱是欧洲亚型的重要传播媒介[28],全沟硬蜱是其他2种亚型的主要传播媒介[29,30]。其中,感染远东亚病毒的森林脑炎病情最为严重,经常伴有脑炎症状[31]。在2010年黑龙江市患者中提取的病毒得知中国森林脑炎病毒隶属于远东亚型[32]。我国东北地区森林脑炎发病较为严重。孙若曦[18]研究统计可得,2006—2013年我国森林脑炎的总发病数为2117例,其病例分布与我国17个省,死亡数为19例,病死率大约为0.9%,其中发病最高的县区主要为我国内蒙古自治区的呼伦贝尔市,其次在黑龙江省乌伊岭区。总的来说,我国森林脑炎发病主要集中在我国东北林区。本文的研究区位于我国东北部,覆盖了吉林省、黑龙江省和内蒙古自治区（图1）,并且研究区内含有大兴安岭和长白山两大丰富的林区资源。
图1 研究区空间位置及市（区）分布

Fig. 1 Location and Counties of the study area

2.2 数据来源及处理

2.2.1 森林脑炎发病数据
吉林省、黑龙江省和内蒙古自治区2005—2015年森林脑炎月度数据和每个县（区）的年统计发病数据均由军事医学科学院提供。其中发病率的计算方法为：
发病率=（某时期内某人群中某病新病例人数/同时期内暴露人口数）×100 000/10万
本文利用ArcGIS 10.2将其发病统计数据进行空间化,用于时空分布特征与空间分布影响因素探测分析。
2.2.2 环境因子数据
环境因子数据是流行病学空间分布环境影响因子探究的基础和保障,它的精度和可靠性直接影响着研究结果的准确性。本文在对东北疫源区森林脑炎空间分布环境影响因子探测时,收集和使用的基础环境因子数据包括:地形因子（高程、坡度、坡向）、气象因子（气温、降雨量、相对湿度、日照时数等）、植被分布类型数据、土地利用数据、土壤类型数据、植被指数（NDVI）数据、人口密度、农业人口比、人均GDP、GDP数据,其研究区环境因子原始数据的详细信息描述如表1所示。
表1 东北疫源区环境因子因子原始数据描述表

Tab. 1 Description table of original data of environmental factors in the northeast epidemic area

数据名称 数据来源 年份 数据介绍及计算方法
高程 中国科学院资源环境
科学数据中心(http://www.resdc.cn/)		 2009 其由美国SRTM数据经重采样生成,其分辨率为250 m,其数据为全国范围数据,本研究对其裁切获取研究区范围数据
坡度 2009 在上述DEM基础之上,利用ArcGIS 10.2中的SLOPE工具计算
坡向 2009 在上述DEM基础之上,利用ArcGIS 10.2中的ASPECT工具计算
年均气温 中国气象数据网
(http://data.cma.cn/)		 2015 对全国所有站点的气温、降雨量、相对湿度、日照时数数据进行月均、年均统计计算,然后进行空间插值、裁切
5—8月均气温 2015
降雨量 2015
5—8月均降雨量 2015
相对湿度 2015
日照时数 2015
植被分布类型 中国科学院资源环境
科学数据中心(http://www.resdc.cn/)		 2001 该数据集来源于《1:1 000 000 中国植被图集》[33],其空间分辨率为 1 km,本研究对其裁切获取研究区范围数据
土地利用 2015 地利用数据是以各期Landsat TM/ETM遥感影像为主要数据源,通过人工目视解译生成,其数据为全国数据,本研究对其裁切获取研究区范围数据
土壤类型 2017 中国土壤类型空间分布数据由《1:100万中华人民共和国土壤图》[34]数字化生成,其数据为全国数据,本研究对其裁切获取研究区范围数据
年均NDVI 中国科学院资源环境
科学数据中心(http://www.resdc.cn/)		 2015 中国年/月度植被指数（NDVI）空间分布数据集[35],其数据为全国范围数据,本研究对其裁切获取研究区范围数据
4—6月均NDVI 2015
7—9月均NDVI 2015
人口密度 中国科学院资源环境
科学数据中心(http://www.resdc.cn/)		 2015 区县人口数据与其面积的比值
农业人口比 2015 区县农业人口与总人口的比值
人均GDP 2015 区县总GDP与总人口数的比值
GDP 中国科学院资源环境
科学数据中心(http://www.resdc.cn/)		 2015 中国GDP空间分布公里网格数据集[36]

2.3 分析方法

2.3.1 技术路线
本研究的实现过程如技术流程图所示（图2）。主要包括森林脑炎的时空分布特征分析和森林脑炎空间分布影响因素探测。
图2 东北疫源区森林脑炎时空分布分析技术流程

Fig. 2 Technique flowchart of Spatial-temporal distribution analysis of TBE in northeast epidemic area

（1）东北疫源区森林脑炎时空分布特征分析。利用流行病学统计方法和全局/局域空间自相关分析方法得到东北疫源区森林脑炎发病的时间分布特征和空间分布特征。
（2）森林脑炎空间分布影响因素探测。利用地理探测器中的因子探测器探测出相关环境因子对森林脑炎发病风险解释力的大小值,即影响程度,再利用风险探测器探测影响程度较高的影响因子为指示因子,进而探测各环境指示因子的森林脑炎发病风险分布差异,即找出各环境指示因子的敏感类型（或区间）,进一步分析这些地理环境因子之间的相关关系,最后利用交互探测器来发现环境因子之间是否存在协同（或削弱）作用。
2.3.2 空间自相关
在疾病的空间聚类分析中,空间聚类用于描述疾病在空间位置的分布特征及相互关系,也是为了探究疾病在空间分布是否存在非随机分布的格 局[37]。疾病的空间集聚性发生原因主要有：① 播媒介特定位置的存在;② 疾病的传播与扩散;③ 潜在的危险因素存在与聚集。根据森林脑炎的空间属性值,将研究区内的森林脑炎发病率进行空间自相关分析,判断出东北疫源区森林脑炎发病率空间分布是聚类模式、离散模式还是随机模式。森林脑炎发病率分布的空间自相关分析采用指标统计量Moran's I指数。计算得到Moran's I值之后,通常用标准化统计量Z（I）检验是否具有统计学意义。
在研究区统计单元的空间相关α=0.05的显著水平下,当Z>1.96或者Z<-1.96,p<0.05时,拒绝零假设,即森林脑炎发病率的观测值之间存在空间自相关。
如果探测局部的空间聚集、空间异质性以及哪些单元的观测值有较大的影响,都需要局部空间自相关。在流行病学中,运用局部空间自相关分析,可以识别疾病发病的“热点区域”。本研究选择局部Getis-Ord Gi* 统计量来进行森林脑炎发病的“热点分析”,从而可以知道森林脑炎发病率的高值或低值要素在空间上聚类的位置。
2.3.3 地理探测器模型
地理探测器模型主要用于探测分析风险因子对疾病的影响程度,能够衡量健康风险与环境要素的空间一致性、统计显著性、检验确定空间相关性的有效性[38]。可以消除随机变量分布的不确定性,对连续性变量数据和分类变量数据具有相同的适用性。其核心思想为：如果某种风险因子对某个疾病的发病率影响作用较强,则该疾病与此因子在空间分布上具有明显的一致性。其计算公式如下：
PD = 1 - ∑ i = 1 n ( N d i × Va r d i ) N A × Va r A
式中：将研究区A按照致病因子D分为n个子区域,记为 d 1 , d 2 , ⋯ , d n ,其中 N d i 表示第i个子区域的面积;NA表示研究区总面积; Va r d i 为第i子区域内疾病发病率的方差;VarA为整个研究区内病发病率的方差。其中,PD的值域为[0,1],值越大,则说明该因子的解释力越强。
地理探测器主要有因子探测器、风险探测器、生态探测器和交互作用探测器。因子探测器主要是解释某种环境因素对疾病风险空间分布格局是否有影响;风险探测器通过比较不同类别子区域内发病率均值的显著性差异来以搜索潜在风险的区域,其显著性越大的类别区,其发病风险越大;生态探测器通过比较不同因素层间总方差差异性,来检验各环境因素对疾病空间分布的影响是否具有显著差异;交互探测器则探测因子之间的相互作用对发病风险的影响,从而可以分析因子之间的相互作用对疾病的发病风险有增强还是减弱的趋势。

3 结果及分析

3.1 东北疫源区森林脑炎时空分布特征

3.1.1 东北疫源区森林脑炎发病时间分布特征
2005年1月至2015年12月,在我国东北疫源区黑龙江省、吉林省、内蒙古自治区的森林脑炎发病病例共有2496例,其发病率在0~0.6（例/10万）之间,且发病例数从2005年开始上升,2005年的发病人数只有8例,随后在2011年达到一个高峰其发病人数为501例。从2005—2015年东北疫源区森林脑炎发病时间分布图（图3）可以看出,这11年来研究区的森林脑炎发病情况具有明显的波动,存在 2个明显的分界点,分别为2007年和2011年,且在2011年其发病率最高。2005年开始三大地区的森林脑炎发病率逐渐上升,在2007年到达第一个分界点,发病率为0.21（例/10万）,随后发病率开始下降,紧接着在2008年又逐渐上升,在第二个分界点2011年达到高峰,其发病率为0.58（例/10万）,之后又开始下降,但在2012年以后又呈现增长趋势,总的来说,2011年之后的发病率总体高于之前的发病率。
图3 2005—2015年东北疫源区森林脑炎发病时间分布

Fig. 3 Time distribution of TBE in northeast epidemic area from 2005 to 2015

森林脑炎作为一种自然疫源性疾病,具有一定的传播性,对森林脑炎的季节性的变化分析对森林脑炎的影响机制分析尤为重要,其季节性变化主要因为气候变化引起,气候条件的变化可以影响森林脑炎传播媒介蜱的存活时间、生存环境的变化及宿主动物的活动范围。从图3可以看出,森林脑炎的发病具有明显的季节性特征,每年的4—9月的发病数较多,5、6、7月是发病高峰,6月为发病最高的一个月,在冬季和来年的1月和2月几乎没有发病数。因此,说明我国森林脑炎的发病容易受到气候条件的影响,大多数出现在夏季,可以推断在基于时间序列的发病分布趋势上可能与气温和降水有密切联系。
3.1.2 东北疫源区森林脑炎发病空间分布特征
疾病的发病空间分布图可以反映病例在各县区统计单元上的分布格局,其发病率分布图更能反映疾病在空间的影响程度。研究区森林脑炎在2005—2015年共有多个县发现森林脑炎病例,各县区的发病率也存在一定的差异。本文以县（区）为单位,对2005—2015年森林脑炎发病率进行空间可视化,得到森林脑炎发病率空间分布图（图4）。从图中可看出,主要流行区范围以大兴安岭和长白山周围为主。其中,大兴安岭疫源区以内蒙古自治区呼伦贝尔地区和黑龙江省大兴安岭地区为主,且发病率较高。长白山疫源区主要以吉林省和黑龙江省东部县（区）为主,其发病范围较广,且发病县区占两省的四分之三左右。从11年来的空间分布变化可以看出,2005年发病空间分布范围较小,之后发病范围猛地扩大,2011年发病范围最广,其余年份变化不明显。
图4 2005—2015年东北疫源区森林脑炎发病率空间分布

Fig. 4 Spatial distribution of TBE incidence in northeast epidemic area from 2005 to 2015

3.1.3 东北疫源区森林脑炎发病空间聚集性分布
运用全局Moran's I工具计算结果显示研究区内2005—2015年森林脑炎发病率的Moran's I指数值均大于0,p值小于0.01（表2）。因此东北疫源区的森林脑炎发病率在空间上的分布模式为随机分布的概率小于0.01,出现随机分布的概率远远小于空间集聚的概率,则可以显著的拒绝零假设,因此说明研究区内的森林脑炎发病率具有明显的空间聚集模式,并且为空间正相关。
表2 2005—2015年森林脑炎发病率Moran's I统计表

Tab. 2 Statistical table of TBE incidence rate Moran's I from 2005 to 2015

年份 Moran' I Z值 P值 空间分布
2005 0.035 2.19 <0.01 聚集
2006 0.063 4.24 <0.01 聚集
2007 0.049 4.15 <0.01 聚集
2008 0.025 2.71 <0.01 聚集
2009 0.115 6.14 <0.01 聚集
2010 0.123 6.54 <0.01 聚集
2011 0.152 8.96 <0.01 聚集
2012 0.082 4.53 <0.01 聚集
2013 0.084 4.82 <0.01 聚集
2014 0.086 4.56 <0.01 聚集
2015 0.054 3.12 <0.01 聚集
进一步运用热点分析工具（Getis-Ord Gi*）来识别研究区内森林脑炎发病率冷热点区域。从图5可以看出研究区内森林脑炎发病率具有明显的空间集聚性,主要的热点区域分布在内蒙古自治区东北部的呼伦贝尔市地区和黑龙江省的大兴安岭地区,此外,在黑龙江省部分县区也有热点区域存在。其冷点区域主要集中在吉林省西北部和黑龙江省西南交接处的部分县区。2010年及以后在内蒙古自治区的呼和浩特、鄂尔多斯及包头市等地区也有冷点存在。
图5 2005—2015年东北疫源区森林脑炎发病率“冷热点”空间分布

Fig. 5 Spatial distribution of "cold or hot spots" of TBE in northeast epidemic area from 2005 to 2015

3.2 森林脑炎空间分布的影响因素探测

3.2.1 森林脑炎发病影响因子探测
因子探测器分析了环境因子对森林脑炎发病的影响程度即解释力（图6）。其中,除了人口密度、农业人口比、坡向、GDP和人均GDP与森林脑炎发病率相关系数的p 值大于0.01,其余都小于0.01,说明其与森林脑炎发病率呈显著相关。且由图6可以直观了解到对森林脑炎发病率解释力较强的环境因子有：植被类型（q=0.315）>土地利用（q=0.283）>年均气温（q=0.234）>土壤类型（q=0.202）>5-8月均气温（q=0.184）>坡度>（q=0.142）>高程>（q=0.122）>年均降雨量（q=0.103）。因此,整体而言,我国东北疫源区森林脑炎在空间分布的主要环境影响因素为气象因素、土地利用类型、植被类型和土壤类型。
图6 东北疫源区森林脑炎空间分布环境因素解释力统计

Fig. 6 Statistical chart of environmental factors' explanatory power of TBE in northeast epidemic area

3.2.2 环境指示因子的发病风险探测
经过因子探测器,可以得到森林脑炎各环境因素对森林脑炎发病率的解释力,因此可以在诸多的潜在环境影响因子中,筛选出对森林脑炎发病风险影响较为显著的指示性因子。通过风险探测器可以进一步分析各指示因子潜在的风险区域,即指示性因子发病率较高的类型或范围;
对于东北疫源区森林脑炎而言,各类指示因子的高发病率范围或类型如图7所示,由图7可以发现,不同因子的高发病风险范围或类型不同。如图7（a）所示,东北疫源区森林脑炎的发病率在针阔混交林、针叶林、阔叶林所分布地区较高,但其中针阔混交林处发病风险最高。图7（b）所示,东北地区森林脑炎主要发病区为林区,且其发病率较高,这可能与森林脑炎传播媒介蜱的生存特性相关,该媒介蜱在林区易存活与繁殖。图7（c）所示,在气温环境因素中,年平均温度和5—8月均气温与森林脑炎的发病率呈现负相关关系,这主要原因可能是温度的过高,不利于研究区植被的生长,无法为传播媒介提供良好的生存环境。图7（d）所示,森林脑炎的发病风险区主要是在淋溶土分布区域,淋溶土中有机质含量丰富,有利于植被的生长和传播媒介蜱的发育。图7（e）所示,合适的地形条件有利于蜱的生存和繁殖,其中发病风险较高的坡度分区为2—4区,尤其是第三区间（坡度为14~26°）的坡度平缓区,发病风险较高的海拔分区为2区,其海拔范围在1500 m左右,说明适宜的海拔范围和坡度有利于植被的生长,为蜱的生存与发育提供良好的环境,且较低海拔与平缓地区的人口密度也较大,更易与传播媒介接触从而感染疾病。图7（f）所示,森林脑炎的发病率随年降雨量和5—8月均降雨量的增加先波动升高,但在超过一定值时突然下降,其中年降雨量的高发病风险区为4区（114~190 mm）,5—8月均将雨量的高风险区为2区（120~187 mm）,二者具有高发病风险的降雨量范围值差别不大,则可能说明降雨量分布在120~190 mm内,随着降雨量的增多,可促进传播媒介的发育与繁殖,但降水过多,可能会引起洪涝等,抑制了媒介的生长。图7（g）所示,植被指数与森林脑炎发病率呈正相关,这与森林脑炎定性分析结果吻合,森林脑炎作为一种林区地区多发的自然疫源性疾病,植被指数越高的地区,林区分布更广更密集,其为森林脑炎传播媒介蜱及其宿主提供良好的生存环境,导致传播媒介的密度变大。图7（h）所示,其相对湿度与森林脑炎发病率之间的相关关系和图7（f）降雨量的分布有很大的相似性,随着相对湿度的增大其发病率也波动升高（54%~76%）,而后陡然下降（大于76%）,可能说明在相对湿度为54%~76%区间内,相对湿度的增加能促进传播媒介的发育及植被的生长,但湿度过大反而会抑制其媒介的繁殖和植被的生长。
图7 东北疫源区森林脑炎各环境指示因子的发病风险分布差异

Fig. 7 Differences inthe risk distribution among environmental indicators of TBE in northeast epidemic area

3.2.3 环境指示因子间的交互作用探测
交互探测器则用来分析变量之间的交互作用对森林脑炎发病率的影响为协同（加强）还是拮抗（削弱）。通过交互探测器可以得到我国东北疫源区的森林脑炎空间分布指示因子的交互作用结果（表3）,通过表3数据分析,整体来说,对于各指示性因子而言,两两因子之间都存在交互作用加强的趋势,例如,相对湿度独立作用时对森林脑炎发病风险的解释力非常小（q=0.062）,但其与其他因子的共同作用都增强了对森林脑炎发病风险的解释力。从表2亦可看到部分因子的两两交互作用的解释力大于0.3甚至超过0.5。其中,植被类型与高程之间的交互作用最大,达0.684,年均气温与7-9月NDVI共同作用的解释力次之,为0.633。由此可见,各项因子之间的交互作用要大于它们独自影响的作用;其中,较强的因子间交互增强效应主要表现在植被类型和高程与其它因子的相互作用时。
表3 森林脑炎不同影响因子交互作用探测结果

Tab. 3 Results of interaction detecting between different factors of TBE

交互因子 植被类型 土地利用 年均气温 土壤类型 5—8月均气温 坡度 高程 年均降雨量 7—9月NDVI 年均NDVI 5—8月均降雨量
土地利用 0.371
年均气温 0.356 0.255
土壤类型 0.341 0.273 0.254
5—8月均气温 0.396 0.174 0.185 0.167
坡度 0.291 0.137 0.288 0.122 0.189
高程 0.684 0.536 0.588 0.527 0.185 0.332
年均降雨量 0.342 0.141 0.179 0.121 0.161 0.181 0.160
7—9月NDVI 0.322 0.219 0.633 0.095 0.162 0.231 0.543 0.156
年均NDVI 0.214 0.112 0.214 0.082 0.146 0.124 0.538 0.081 0.065
5—8月均降雨量 0.273 0.183 0.270 0.175 0.185 0.191 0.111 0.171 0.096 0.102
相对湿度 0.253 0.143 0.321 0.083 0.153 0.219 0.160 0.069 0.078 0.075 0.093

4 结论与讨论

4.1 结论

本文以森林脑炎东北疫源区（内蒙古自治区、黑龙江和吉林省）为研究区,通过采用简单的统计和空间自相关方法,对森林脑炎的时空分布变化及空间分异规律进行分析,并识别了森林脑炎空间分布模式及冷热点分布区和异常值,最后运用地理探测器探讨了影响东北疫源森林脑炎发病的环境因素、风险差异及其交互作用。主要有以下结论:
（1）我国东北疫源区森林脑炎高流行区主要围绕大兴安岭和长白山地区。大兴安岭疫源区主要是以内蒙古自治区呼伦贝尔地区和黑龙江省大兴安岭地区为主,且发病率较高,其发病率大于6（例/10万）以上。长白山疫源区主要以吉林省和黑龙江省东部县区为主,其发病范围较广,其发病县区占两省的四分之三左右。
（2）我国东北疫源区的森林脑炎发病率在空间分布表现为明显的聚集模式,森林脑炎的高值主要集中分布在2个热点区,为内蒙古自治区的呼伦贝尔市和黑龙江省的大兴安岭地区。
（3）在整个研究区,植被类型、土地利用、年均气温、土壤类型、5—8月均气温、坡度、高程和年均降雨量是森林脑炎发病率空间流行的主要影响因素。对于所筛选的环境指示因子而言,各指示因子对森林脑炎发病风险的影响程度存在明显差异,在各因子的各类型（范围）内,森林脑炎发病率不同。且两两因子间的交互作用对研究区森林脑炎的发病风险都有显著增强效应,部分因子间的共同相互作用超过了0.5,大多数因子之间超过了0.3,其中,较强的因子间交互增强效应主要表现在植被类型和高程与各因子的相互作用时。

4.2 讨论

本文通过分析森林脑炎发病的时空分布模式可知,森林脑炎在研究区内的发病趋势及空间分异规律,其中森林脑炎的流行聚集区东北疫源区是森林脑炎预防工作任务的重点区域。为了能在实际工作中实现更好的预防,对森林脑炎的空间发病风险在小尺度进行分区研究,探讨森林脑炎发病风险空间分异的影响机制。本文采用地理探测器模型对影响森林脑炎发病风险空间分异的因素进行识别分析,充分考虑了发病率数据的空间自相关及环境因素空间分布的差异性,能充分的分析变量之间的关系,从而有效识别主要的影响因素,通过各变量的分级（连续变量）或分类（分类变量）操作,能够识别各因素森林脑炎发病的风险范围,具有更准确的指示性作用。并对各影响因素的交互作用分析时,可较好识别两两因子间交互作用对森林脑炎空间发病风险的影响是增强还是减弱。本文整体的分析结果符合森林脑炎发病流行特征的生态学特征,与前人的研究结论相一致。但本文仅对研究区内2015年森林脑炎空间分布影响因素进行了探讨,缺乏对森林脑炎时空分布动态过程分析,因此,在以后的研究中进一步加强对森林脑炎的时空分析。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
曹务春. 流行病学(第二卷)[M]. 北京: 人民卫生出版社, 2015: 901-905.

[ Cao W C. Epidemiology (volume 2)[M]. Bei Jing: People's Medical Publishing House (PMPH), 2015: 901-905. ]

[2]
韩雪玲, 李莉莉, 史娟玲, 等. 我国森林脑炎临床流行病学研究现状[J]. 西北国防医学杂志, 2018,39(3):148-153.

[ Han X L, Li L L, Shi J L, et al. Research progress of clinical epidemiology on forest encephalitis[J]. Medical Journal of National Defending Forces in Northwest China, 2018,39(3):148-153. ]

[3]
石宏武. 蜱与森林脑炎研究进展[J]. 安徽农学通报, 2014,20(13):138-140.

[ Shi H W. Research progress of ticks and forest encephalitis[J]. Anhui Agricultural Science Bulletin, 2014,20(13):138-140. ]

[4]
Dantas-Torres F, Bruno B B, Chomel D. Ticks and tick-borne diseases: One Health perspective[J]. Trends in Parasitology, 2012,28(10):437-446.

DOI PMID

[5]
Dobler G, Gniel D, Petermann R, et al. Epidemiology and distribution of tick-borne encephalitis[J]. Wien Med Wochenschr, 2012,162(11-12):230-238.

PMID

[6]
李婷, 韩淑祯, 张晓光. 森林脑炎诊治的研究进展[J]. 中国伤残医学, 2014,22(8):300-301.

[ Li T, Han S Z, Zhang X G. Research progress of therapy on forest encephalitis[J]. Chinese Journal of Trauma and Disability Medicine, 2014,22(8):300-301. ]

[7]
邓立权, 沈博, 李亚明. 2010-2016年吉林省森林脑炎流行特征分析[J]. 中国生物制品学杂志, 2017,30(10):1059-1062.

[ Deng L Q, Shen B, Li Y M. Epidemic characteristics of tick-borne encephalitis in Jilin Province during 2010-2016[J]. Chinese Journal of Biologicals, 2017,30(10):1059-1062. ]

[8]
覃柳麻. 2012-2017年南宁市乙肝流行特征及空间分析[D]. 南宁:广西医科大学, 2019.

[ Tan L M. Epidemiological characteristics and spatial analysis of hepatitis b in Nanning, Guangxi, 2012-2017[D]. Nanning: Guangxi Medical University, 2019. ]

[9]
葛亮. 时空分析与建模方法在出血热分析中的应用研究[D]. 武汉:武汉大学, 2017.

[ Ge L. The application of spatial-temporal analysis and modeling methods on Hemorrhagic Fever with renal syndrome[D]. Wuhan: Wuhan University, 2017. ]

[10]
杨连朋, 李丽萍, 吴永胜, 等. 基于街道尺度的深圳市手足口病时空扫描分析[J]. 中华疾病控制杂志, 2017,21(2):156-159.

[ Yang L P, Li L P, Wu Y S, et al. A clustering study on HFMD in Shenzhen based on street scale[J]. Chinese Journal of Disease Control, 2017,21(2):156-159. ]

[11]
邵慧芝, 华玲玲, 张亚华. 手足口病重症病例流行病学特征及影响因素分析[J]. 中国地方病防治杂志, 2016,31(1):89-90.

[ Shao H Z, Hua L L, Zhang Y H. Investigation on epidemiology and influence factors of severe cases of hand-foot-mouth disease[J]. Chinese Journal of Control of Endemic Diseases, 2016,31(1):89-90. ]

[12]
孙若曦, 李新楼, 刘昆, 等. 我国东北地区森林脑炎的分布与环境特征研究[J]. 中国病原生物学杂志, 2016,11(6):481-487.

[ Sun R X, Li X L, Liu K, et al. Study on the distribution and environmental determinants of tick-borne encephalitis in northeastern China[J]. Journal of Pathogen Biology, 2016,11(6):481-487.]

[13]
潘方杰, 王宏志, 王璐瑶, 等. 平原湖区钉螺分异规律及孳生环境特征研究——以湖北公安县为例[J]. 长江流域资源与环境, 2019,28(8):1965-1976.

[ Pan F J, Wang H Z, Wang L Y, et al. Research on spatial disparity and breeding environment characteristics of oncomelania hupensis in Plain lakes: A case study in Gongan County of Hubei Province, China[J]. Resources and Environment in The Yangtze Basin, 2019,28(8):1965-1976. ]

[14]
郑斓, 任红艳, 施润和, 等. 珠江三角洲地区登革热流行风险空间模拟与预测[J]. 地球信息科学学报, 2019,21(3):407-416.

[ Zheng L, Ren H Y, Shi R H, et al. Spatial simulation and prediction of dengue fever transmission in Pearl River Delta[J]. Journal of Geo-information Science, 2019,21(3):407-416. ]

[15]
Noppadol A, Kittisak S, et al. An ecological study of eosinophilic meningitis caused by the nematode, Angiostrongylus cantonensis (Chen, 1935) (Nematoda: Metastrongylidae)[J]. Parasitology international, 2019,72:101944.

DOI PMID

[16]
吴北平, 杨典, 王劲峰, 等. 利用贝叶斯时空模型分析山东省手足口病时空变化及影响因素[J]. 地球信息科学学报, 2016,18(12):1645-1652.

[ Wu B P, Yang D, Wang J F, et al. Space-time variability and determinants of hand, foot and mouth in Shandong province: A Bayesian spatio-temporal modeling approach[J]. Journal of Geo-information Science, 2016,18(12):1645-1652. ]

[17]
通拉嘎, 徐新良, 付颖, 等. 地理环境因子对螺情影响的探测分析[J]. 地理科学进展, 2014,33(5):625-635.

[ Tong L G, Xu X L, Fu Y, et al. Impact of environmental factors on snail distribution using geographical detector model[J]. Progress in Geography, 2014,33(5):625-635. ]

[18]
孙若曦. 我国森林脑炎时空分布特征研究[D]. 合肥:安徽医科大学, 2016.

[ Sun R X. Study of spatiotemporal distribution of Tick-borne encephalitis in China[D]. Anhui: Anhui Medical University, 2016. ]

[19]
李一凡. 呼伦贝尔市森林脑炎地理环境影响因子探测及风险评价[D]. 北京:中国科学院大学, 2016.

[ Li Y F. Assessment of tick-borne encephalitis risks and relatively geographical environment factors in Hulunbuir City[D]. Beijing: University of Chinese Academy of Sciences, 2016. ]

[20]
Tokarevich N K, Tronin A A, Blinova O V, et al. The impact of climate change on the expansion of Ixodes persulcatus habitat and the incidence of tickborne encephalitis in the north of European Russia[J]. Global Health Action, 2011,4(1):8448-8458.

[21]
Kříž B, Kott I, et al. Vlivklimatickýchzmennavýskytonemocneníklíštovouencefalitidou v letech 1982-2011 v Ceskére publice[J]. EpidemiologieMikrobiologieImunologie, 2015,64(1):24-32.

[22]
Zhao Q L, Li X L, Chu C Y, et al. Epidemiological characteristics and spatial analysis of Tick-Borne Encephalitis in Jilin Province, China[J]. The American Journal of Tropical Medicine and Hygiene, 2019,101(1):189-197.

PMID

[23]
Šumilo D, Bormane A, Asokliene L, et al. Socio-economic factors in the differential upsurge of tick-borne encephalitis in central and Eastern Europe[J]. Reviews in Medical Virology, 2008,18(2):81-95.

DOI PMID

[24]
Knap N, AVŠIČ-ŽUPANC T. Factors affecting the ecology of tick-borne encephalitis in Slovenia[J]. Epidemiology and Infection, 2015,143(10):2059-2067.

DOI PMID

[25]
Sándor A D, D'Amico G, Gherman C M, et al. arnivores and macroparasites: altitude and land use predict the ticks occurring on red foxes (Vulpes vulpes)[J]. Parasites & Vectors, 2017,10(1):173.

PMID

[26]
毕维铭, 邓厚培, 卜笑妍. 森林脑炎自然疫源地区划研究[J]. 首都师范大学学报(自然科学版), 1997,18(2):100-107.

[ Bi W M, Deng H P, Bu X Y. A regionalization study of natured Epidemic-stricken areas of forest encephalitis[J]. Journal of Capital Normal University (Natural Science Edition), 1997,18(2):100-107. ]

[27]
Fauquet C M, Fargette D. International committee on taxonomy of viruses and the 3,142 unassigned species[J]. Virology Journal, 2005,2(1):64.

[28]
Bakhvalova V N, Rar V A, Tkachev S E, et al. Tick-borne encephalitis virus strains of Western Siberia[J]. Virus Research, 2000,70(1):1-12.

[29]
Allison S L, Ecker M, Meixner T, et al. Sequence analysis and genetic classification of tick-borne encephalitis viruses from Europe and Asia[J]. Journal of General Virology, 1999,80(1):179-185.

[30]
于志军, 刘敬泽. 蜱传疾病及其媒介蜱类研究进展[J]. 应用昆虫学报, 2015,52(5):1072-1081.

[ Yu Z J, Liu J Z. Progress in research on tick-borne diseases and vector ticks[J]. Chinese Journal of Applied Entomology, 2015,52(5):1072-1081. ]

[31]
Dumpis U, Crook D, Oksi J. Tick-borne encephalitis[J]. Lancet, 1999,28(4):882-890.

[32]
SiB Y, Jiang T, Zhang Y, et al. Complete genome sequence analysis of tick-borne encephalitis viruses isolated in northeastern China[J]. Archives of Virology, 2011,156(8):1485-1488.

DOI PMID

[33]
中国科学院中国植被图编辑委员会. 1∶1000 000中国植被图集[M]. 北京: 科学出版社, 2001.

[ Editorial Board of Vegetation Map of China, Chinese Academy of Science. 1:100 Million Vegetation Atlas of China[M]. Beijing: Science Press, 2001. ]

[34]
全国土壤普查办公室. 1:100万中华人民共和国土壤图[M]. 西安: 西安出版社, 1995.

[ The National Soil Survey Office. 1:100 Million Soil Map of the People's Republic of China[M]. Xi'an: Xian Press, 1995. ]

[35]
徐新良. 中国年度植被指数(NDVI)空间分布数据集. 中国科学院资源环境科学数据中心数据注册与出版系统 (http://www.resdc.cn/DOI), 2018. DOI: 10.12078/2018060601.

[ Xu X L. Spatial distribution data set of annual vegetation index in China. Data Center for Resources and Environmental Sciences,Chinese Academy of Sciences. (http://www.resdc.cn/DOI), 2018. DOI: 10.12078/2018060601.]

[36]
徐新良. 中国GDP空间分布公里网格数据集. 中国科学院资源环境科学数据中心数据注册与出版系统 (http://www.resdc.cn/DOI), 2017. DOI: 10.12078/2017121102.

[ Xu X L. Spatial distribution data set of GDP in China. Data Center for Resources and Environmental Sciences, Chinese Academy of Sciences. (http://www.resdc.cn/DOI), 2017. DOI: 10.12078/2017121102.]

[37]
王振声. 基于空间模型的小地域疾病制图研究[D]. 武汉:武汉大学, 2016.

[ Wang Z S. Research of disease mapping overSmall-area based on spatial model[D]. Wuhan: Wuhan University, 2016. ]

[38]
Wang J F, Hu Y. Environmental health risk detection with GeogDetector[J]. Environmental Modelling & Software, 2012,33(7):114-115.

Options
Outlines

/

〈 〉