《基于遥感技术和时间序列分析法研究》由会员分享，可在线阅读，更多相关《基于遥感技术和时间序列分析法研究（9页珍藏版）》请在金锄头文库上搜索。
1、基于遥感技术和时间序列分析法研究安徽北部疟疾的预测*李白坤I,王建军2,武松I,李静）许娴2,王朝兰I,朱继民I1. 安徽中医药大学公共卫生与全科医学教研室，合肥2300382. 安徽省疾病预防控制中心，合肥230601*国家自然科学基金（No. 30901255）* 一通讯作者：朱继民（1974-）,男，副教授，博士，Email： zhjmcdc 李白坤：女，1979年生，讲师，硕士，主要从事疟疾防治及现场流行病学研究， Email： 1404861655,电话：13955101531摘 要：目的 探讨皖北疟疾的发生水平与地表温度（LST）、归一化植被指数 （NDVI）的关联性；评价用LST
2、、NDVI对疟疾发病率ARIMA模型预测结果进行校 正的效果。方法以皖北五县为研究现场，收集各县20042011年的疟疾疫情数据及 LST、NDVI等遥感图像资料，提取与合成遥感相关指标；运用SPSS17.0软件进行统 计学处理。结果ARIMA模型对2010年各月份的预测结果较报告发病率高（平均误差 =0.721/10万）。多因素分析结果显示，当地的疟疾发病率与近三个月的平均LST （1st项|2，任0.295）及之前两个月的平均NDVI （ndvi_12, 0=0.280）有关联（P 0.001）；将二者作为校正因子（相对页献为2:1时）对2010年的预测结果进行校正， 发现平均误差缩小为0
3、.018/10万。以20042010年的发病率数据再次拟合并筛选 ARIMA模型，并以2011年的疟疾报告发病数据为参照，再次评价lst_012与ndvi.2对 模型预测结果的校正效果；发现校正后的预测误差（0.001/10万）明显低于校正前 的误差（0.293/10万）。结论ARIMA模型能较好地用于该地疟疾发病率的拟合与预 测，环境遥感替代指标LST、NDVI可在一定程度上改善ARIMA模型的预测效果。关键词：疟疾；预测；遥感；时间序列Study on the prediction of malaria incidence in thenorthern of Anhui province
4、based on remotesensing techniques and time series analysisLI Bai-kun1, WANG Jian-jun2, WUSong1, LI Jing1,XU Xian2, WANG Chao-Ian1, ZHU Ji-min1(1. Department of Public Health and General Medicine, Anhui University of Chinese Medicine, Hefei 230038, China ； 2. Anhui Provincial Center for Disease Contr
5、ol and Prevention, Hefei 230601, China)Abstract Objective To explore the relationship between malaria incidence and land surface temperature (LST) and normalized difference vegetation indices (NDVI), assess the adjusted effect on ARIMA prediction using LST and NDVI. Methods Five counties in northern
6、 Anhui province were selected as samples. Wc collected the reported malaria epidemic data, LST and NDVI remote sensing images from 2004 to 2011. Then data extraction and synthesis from MODIS images were done. SPSS 17.0 software was carried out to do statistical analysis. Results The optimal ARIMA mo
7、dels fitted based on malaria data from 2004 to 2009 were used to predict the incidence of malaria in 2010, but the results were higher than the reported incidence with an average error of 0.721/100 000. The results of multiple regression analysis showed a significant association (P 0.001) between ma
8、laria incidence and the nearly three-month average LST (lst_oi2, 0.295) and the average NDVI of last month and before the last month (ndvi_i2, 0.280). So Lst_oi2 and ndvi_i2 were used to adjust the predictive results of ARIMA, and a smaller error (0.018/100 000) came when their relative ratios was 2
9、:1. The correction effect of lst_o)2 and ndvi_i2 on the predicted malaria incidence of ARIMA model fitted based on malaria data from 2004 to 2010 was evaluated again based on reported malaria incidence in 2011. The results indicated that the prediction error ( lst_i2 1 St_o12 ? ndvi_ondvi_i ndvi_2、n
10、dvi_Oi ndvi_i2 ndvi_0i2）o2.3 ARIMA模型拟合与筛选 借助SPSS 17.0软件，先利用20042009年各月的报告 发病率进行模型拟合与筛选，用于预测2010年的疟疾发病率；再用20042010年的数 据拟合与筛选用于预测2011年疟疾发病率的ARIMA模型。拟合与筛选方法详见文献5。2.4校正因子选取与权重确定 以多因素分析筛选出的有统计学意义的变量作为校正 因子。先参照标化偏回归系数（处毗），初步拟定校正因子的权重；然后通过两轮专 家咨询，获取校正因子的第二组权重；最后，借助2010年的报告发病率，筛选出效果 最优的权重。2.5校正效果评价 先以ARIMA模型对2011年各月的疟疾发病率进行预测，然后用 确定的校正因子及其权重计算环境遥感替代指标引起的疟疾发病率改变，再将二者相 结合形成校正后的预测率；最后，以2011年的报告发病率为参照，评价校正因子对模 型预测的校正效果。结果1发病情况 五县20042011年共报告疟疾病人61 136例，年均发病率为127.45/10 万（61 136/47 967 10
