研究速递丨中国空气污染和气温变化与心理健康下降有关

精神障碍与人为环境变化的各个方面有关，但不同驱动因素的相对影响尚不确定。在这里，本研究估计了多个环境因素(空气质量、住宅绿化、平均温度和温度变异性)与20,000多名中国居民自我评估的心理健康评分之间的关联。2010年和2014年对心理健康得分进行了调查，以此能够将心理健康的变化与环境变量的变化联系起来。空气污染和温度变化的增加与心理健康下降的可能性更高有关。在本研究中，心理健康与平均温度在统计学上无关，绿化对心理健康的影响取决于模型设置，需要进一步研究。研究结果表明，减少空气污染或温室气体排放的环境政策可以改善中国公众的心理健康。

• 在与气候变化有关的全球挑战的背景下，人们越来越多地审查心理健康与环境因素之间的流行病学联系。然而，大多数现存的研究都是在发达国家进行的。事实上，关于包括中国在内的发展中国家的这种关联的证据有限，据报道，中国精神障碍的调整患病率高达17.5%

• 环境因素和心理健康之间存在流行病学联系。首先，缺乏绿色与精神障碍联系在一起，包括成人的抑郁和焦虑，以及儿童的认知功能障碍。其次，研究表明，环境污染物，特别是细颗粒，可以穿过血脑屏障，从而通过引起神经炎症、神经信号功能障碍和免疫反应而损害神经系统。第三，维持体温的机制表明，心理健康可能受到环境温度的影响。

研究人群来自CFPS，这是一项正在进行的关于中国人口和社会经济因素的全国性调查。为了多种研究目的，CFPS采用分层的多阶段概率策略抽取了具有代表性的中国人口样本。CFPS从2010年开始对中国25个省份的3万多名成年人和约9000名儿童进行了调查。使用标准问卷收集个人特征(如年龄)、社会经济地位(如教育和收入)、行为模式(如体育活动)、生活方式(如饮食类型)、心理健康状况等数据。

2010年，基线心理健康状况是通过一份基于流行病学研究中心抑郁量表测试来衡量的，包括六个问题，涉及以下领域:无论做什么都感到沮丧和无法振作起来(Q1)，感到紧张(Q2)，感到不安(Q3)，对未来感到绝望(Q4)，感觉一切都很困难(Q5)，认为生活毫无意义(Q6)。受访者被要求对他们经历这些感觉的频率进行1到5的评分2014年，使用相同的问卷调查了受试者的心理健康状况。在2010年接受调查的33,600名成年人和2014年接受调查的37,147名成年人中，共有25,618人参加了这两项评估。在排除(1)心理健康问卷回答不完整或(2)地理编码失败的调查后，在第一次和第二次调查期间从25个省份获得的21,543名成年人的数据被纳入最终分析。将所涉及样本的特征与2010年调查对象的特征进行比较(补充图5)。对比表明，数据排除并未显著改变CFPS人群的结构，CFPS是中国成年人的代表性样本。

为了评估空气质量，获得了2000年至2016年中国PM2.5的月度地图，其空间分辨率为~10 km × 10 km(在0.1°× 0.1°的规则网格中)。网格化PM2.5图是基于气溶胶光学深度的历史卫星测量和基于历史排放清单的社区多尺度空气质量模型的模拟，使用机器学习模型进行估算的。

交叉验证(CV)结果表明，估算值具有完整的时空覆盖范围，与独立的原位PM2.5值吻合良好(R2 = 0.71;均方根误差[RMSE] = 17.8 μg m−3)。在CV中，使用一个日历年内的所有PM2.5观测值作为测试数据，以验证由其余数据训练的模型的估计，然后对2013-2016年期间的所有PM2.5观测值迭代该程序。

• 为了评估住宅绿色度，获取了2009-2016年中国NDVI的月度产品(MOD13A3，版本6)，其空间尺度为1 km × 1 km。由于CFPS研究对象的地理信息有限，环境暴露是在县级进行评估的，因此为了计算效率，没有在更精细的尺度上获得NDVI。

• 卫星NDVI是一个一般指数(从−1到1不等)，它表示地球表面绿色植被的丰富度;它已被广泛用于衡量长期暴露于住宅绿色环境中的情况。本研究中使用的NDVI数据也来自中分辨率成像光谱仪(MODIS)产品，该产品由提取和探索分析准备样品应用(EEARS)免费分发。

• 为了评估对温度的暴露，获取了2000年至2016年空间分辨率为~10 km × 10 km(0.1°× 0.1°的规则网格)的日线图。地球表面温度可以从多种来源获得，包括常规气候监测、卫星遥感测量和气候模式模拟，如天气研究预报(WRF)模式。

• 使用通用的kriging方法，将监测温度(Tm)、WRF模拟温度(Tw)和卫星温度(Ts)结合起来，生成中国日温度的最佳预测器(Toptimal)。在使用kriging方法之前，先准备了一个完全时空覆盖的卫星温度产品(Tsc = [Ts, Ts *])，其中每天卫星测量的缺失值(Ts *)使用以下公式进行插值:Ts * = Tw * + IDW(Ts−Tw)。式中，Tw *表示卫星反演温度不存在的坐标处的WRF输出，IDW(•)表示相邻坐标中两个测量值之差的逆距离加权平均值

• 利用美国国家海洋和大气管理局国家环境信息中心分布的全球历史气候学网络，对中国各地225个监测站2000-2016年的日平均气温(Tm)进行了现场观测。卫星反演的地表温度(Ts)来自MODIS 3级(MOD11C1，版本6)产品，空间分辨率为0.05°，生成2000年2月24日以后的有效数据。空间分辨率为1 km的高度数据来自GTOPO30。利用一个完善的WRF模式模拟了研究期间的日温度图(Tw)。使用十倍CV方法评估估计温度的准确性，其中现场观测数据被随机划分并经过十次验证程序的迭代。根据十倍CV，估价值与每日现场观测值非常吻合(R2 = 0.96;RMSE = 2.46°C)，如补充图6所示。

• 获得了每个研究对象的六位数行政代码(每个代码标识一个县级地理单元)，然后通过匹配其行政代码，将所有CFPS样本地理编码到2010年县级行政边界地图中。最后，确定了162个县(补充图1)。在本次县级暴露评估中，假设一个县的所有居民都在相应的行政边界内生活和通勤。因此，长期环境暴露的县内变化可能比县际变化小得多。然而，这种假设可能不适用于那些居住在远离县城中心的居民。考虑到这一点，通过比较他们根据社区调查问卷报告的与省会城市的距离，与基于地理编码的县城中心计算的距离来进一步验证地理信息。当相对差异>10%时，排除该社区的所有记录。

• 由于地理信息的限制，暴露水平在县一级进行评估。

• 为了评估长期暴露在空气污染中的情况，首先将PM2.5网格图平均为县级月平均值。来自同一县的所有受试者被分配到相同的PM2.5时间序列。然后，根据调查月份的PM2.5值和之前11个月的PM2.5值(即PM2.5的12个月移动平均值)计算出每个受试者的年平均值。

• 在评价住宅绿化长期水平时，采用与PM2.5数据相同的方法处理NDVI数据，不同之处在于计算的是人口密度加权平均值，而不是各县的直接平均值。中国1 km × 1 km的人口密度图提取自2010年世界人口网格图，该网格图也来源于EEARS。人口密度权重的使用减少了NDVI非住宅绿化(如农田和森林)造成的错误分类。

• 考虑到温度与心理健康之间关系的复杂性，采用与PM2.5数据相同的方法制备了县级温度时间序列数据，但计算了调查时间前一年的μT（年平均温度）和σT（日历年内每日温度的标准差），分别衡量温度的长期水平和变异性。

• 设计了一项双重差分研究（difference-in-difference study），将心理健康的变化与长期暴露于环境因素的变化联系起来。差分研究已被广泛用于探索风险因素(如环境污染物)对健康的影响，并且被认为产生的结果比横断面研究的结果更与因果关系相关。由于在差分研究中单个受试者的结果和暴露水平是相互关联的，一些不随时间变化的混杂因素(如遗传因素)本质上是由设计控制的。

• 在本研究中，首先得到了2010 - 2014年的MHS (Mental health scores)变化、PM2.5长期暴露水平、NDVI、μT和σT，以及社会经济数据(即饮酒、教育、移民、肥胖、体育活动和吸烟)。假设各亚组可能随时间表现出不同的心理健康趋势，使用了2010年获得的一些社会经济变量(如年龄、饮酒、教育、饮食类型、性别、收入水平、婚姻状况、国籍、体育活动状况、肥胖状况、居住地区(城市或农村)和吸烟状况的基线值作为附加协变量。为了控制结果中的空间自相关性，首先将居住县的坐标参数化为二维薄板样条函数，并将该项进一步纳入回归模型。

• 主分析采用logistic模型检验多协变量调整后总MHS变化与各环境变量变化之间的关系

回归模型中，i为心理健康问卷指数，j为CFPS受试者指数;Qi,j为第j题第i题的得分;yj为二值变量，表示2010 - 2014年的心理健康变化;xj表示环境因子(PM2.5、NDVI、μT、σT)的相应变化;zj表示如上所述的个体水平协变量;f (sj)为空间坐标(sj)的样条函数;β和b为回归系数。以PM2.5模型为例，计算xj为ΔPM2.5, j = PM2.5, j, 2014−PM2.5, j, 2010，其中PM2.5, j, t为第j个受试者在第t年的长期暴露水平。环境变量x的回归系数(β)可以解释为x每单位增量的优势比(ORs)的对数尺度。OR < 1表明x的增量与较低的得分(即较差的心理健康)相关。

• 为了进行非线性分析，用回归模型中的细样条项代替了环境变量的线性项。此外，由于环境变量是两两相关的(补充表2)，它们可以作为彼此的混杂因素。使用双重暴露模型来探索这些混杂效应。双重暴露模型同时将健康结果与两个环境变量联系起来。将单暴露模型(如PM2.5模型)与相应的双暴露模型(如PM2.5 + NDVI模型)进行比较，可以揭示目标变量(如PM2.5)的估计效果是否对另一个变量(如NDVI)的额外调整敏感。有关联表明，对心理健康的影响更可能归因于目标变量，而不是相关变量。

在敏感性分析中，使用地理区域的指标变量和不同人口特征的指标来探索总MHS与环境因素之间的关联变化，包括年龄、饮酒、教育、性别、收入、肥胖状况、体育活动状况、吸烟状况、和城市/农村居住。使用指标和环境变量之间的相互作用项来检查这些变化。接下来，研究了PM2.5或σT暴露时间窗(补充图3)，在之前的分析中，这两个时间窗被认为与心理健康密切相关

最后，将MHS建模为可选变量类型(补充表4)。在主要结果中，MHS的变化被分类为二元结果，以增加统计分析的可解释性。使用Eq. 1的修改版本，将MHS的变化建模为(1)使用线性回归的连续结果(ΔQ∈[−24,24])或(2)使用有序逻辑回归(也称为比例赔率模型)的有序结果(ΔQ∈|−24，−23，…，23,24 |)。

本研究涉及9474名(44.0%)城市成年人和12069名(56.0%)农村成年人。研究发现，从2010年到2014年，更多的成年人(40.5%)的心理健康状况较差，而不是保持不变(23.0%)或改善(36.5%)的心理健康状况。事实上，统计数据(补充表2)表明，心理健康状况的下降趋势与抑郁(Q1)、紧张(Q2)和不安(Q3)的感觉有关。平均μT增大0.98℃，σT减小0.55℃，与全球变暖趋势一致。

• 非线性效应模型显示无论μT升高或降低都会导致与MHS降低(图1)。

• 根据完全调整模型(即补充表3中的模型5)，μT升高1°C，MHS降低的风险增加3%。

• 研究结果发现，σT增加与MHS降低之间存在显著关联，并且在各种调整(补充表3)或模型设置(补充表4)之后，这种关联仍然很强。数据表明，σT(完全调整模型)每增加1°C, MHS降低的风险就会增加15%。

• 非线性模型进一步证实了σT的变化与心理健康状况的变化之间的负相关关系(图1)。

σT的增量变化倾向于与较高的感到紧张(Q2)、不安(Q3)、绝望(Q4)和无意义(Q6)的概率密切相关(图2)。

• 根据完全调整后的模型，NDVI每降低0.05,MHS降低的风险增加19%。虽然这种关联不受其他环境因素调整的显著影响(图3)，但其对心理健康的影响取决于模型设置，包括调整后的协变量(补充表3)和模型假设(补充表4)。

• 同样，NDVI的增加可能显著缓解抑郁(Q1)和紧张(Q2)的感觉。

• 与现有证据一致，研究发现PM2.5水平升高与MHS下降之间存在显著关联。PM2.5每增加10 μg m−3(补充表3，完全调整后的模型)，MHS降低的风险增加28%，在调整了不同的协变量(补充表3)和其他环境参数(图3)后，这种效应仍然是稳健的。

• 非线性分析揭示了PM2.5的复杂关联(图1)。研究发现PM2.5每增加一个影响阈值为~ 5 μg m−3,2010年至2014年PM2.5变化超过5 μg m−3的研究人群占8.5%。

• 数据的统计检验表明，中国成年人的MHS下降与PM2.5或σT的增加呈显著相关，与NDVI的下降呈弱相关，与μT无关。根据研究结果，减缓气候变化和空气污染的努力可以在人类心理健康方面带来额外的好处

• 首先，使用简单的自我报告问卷来评估心理健康状况，这可能会使数据的质量受到质疑。健康结果(MHS是否降低)可能由于问卷中的潜在错误而被错误分类。

• 第二，健康结果的错误分类会使估计的相关性产生偏差。例如，尽管根据敏感性分析前一年的平均暴露可能具有代表性，可以捕捉环境对心理健康的影响，但可能仍然忽略了长期环境变化带来的一些风险。

• 第三，虽然双重差分法可以控制未测量的混杂因素，但它在检测弱关联方面的统计能力有限。

• 最后，尽管这项研究考察并比较了四种研究充分的环境因素对心理的影响，但可能忽略了气候变化与心理健康之间的其他联系。

本文编辑 

王月川 复旦大学环境科学与工程系

    彭欢欢 天津城建大学经济与管理学院

本公众号由复旦城市生态与暴露生态学研究组(Urban Ecology and Exposure Ecology Lab, UEEE)运营维护，发布相关研究成果，更传播城市生态与暴露生态学最新研究与实践。欢迎专家学者将研究成果在此发布（发送邮件:zhaowu_yu@fudan.edu.cn），让更多人了解您的研究及工作。