环境暴露评估

环境暴露数据种类

空气污染

CHAP

CHAP (ChinaHighAirPollutants)，由马里兰大学的研究院韦晶博士团队生成，使用数据免费，但需要跟韦博士签订协议， 高质量的文章需要带韦博士为共同通讯作者。CHAP数据种类多，空间精度高（大部分为1*1km的空间精度和日均数据），包含的污染物包括：

  • PM\(_{1}\) （1*1km，日均数据）2000-2021年

  • PM\(_{2.5}\) （1*1km，日均数据）2000-2021年

  • PM\(_{10}\) （1*1km，日均数据）2000-2021年

  • 臭氧（O\(_3\)）（1*1km，日均数据）2000年至今

  • 二氧化氮（NO\(_2\)）（10*10km，日均数据）2008年至今

  • 二氧化硫（SO\(_2\)）（10*10km，日均数据）2008年至今

  • 一氧化碳（CO）（10*10km，日均数据）2013年至今

  • 6种PM\(_{2.5}\)化学组分（1*1km，日均数据）2000年至今

    • 黑碳（black carbon）
    • 有机物（organic matter）
    • 硫酸盐（sulphate, SO\(_4^{2-}\)）
    • 硝酸盐（nitrate, NO\(_3^-\)）
    • 铵盐（ammonium, NH\(_4^+\)）
    • 氯化物（ammonium, Cl\(^-\)）

  • 16种环境多环芳烃（outdoor polycyclic aromatic hydrocarbons, PAHs）

    • naphthalene (Nap)
    • acenaphthene (Ace),
    • acenaphthylene (Acy),
    • fluorene (Flu),
    • phenanthrene (Phe),
    • anthracene (Ant),
    • fluoranthene (Fla),
    • pyrene (Pyr),
    • benz[a]anthracene (BaA),
    • chrysene (Chr),
    • benzo[b]fluoranthene (BbF),
    • benzo[k]fluoranthene (BkF),
    • benzo[a]pyrene (BaP),
    • dibenz[a,h]anthracene (DahA),
    • benzo[ghi]perylene (BghiP)
    • indeno[1,2,3-cd] pyrene (IcdP)

TAP

TAP (Tracking Air Pollution in China) 中国大气成分近实时追踪数据集，由清华大学的TAP团队开发。免费+开源，空间精度较低，现有10*10km的网格化数据产品，包含的污染物包括：

  • PM\(_{2.5}\) （1*1km，日均数据）2000年至今
  • PM\(_{2.5}\)化学组分 （10*10km，日均数据）2000年至今
    • 黑碳（black carbon）
    • 有机物（organic matter）
    • 硫酸盐（sulphate, SO\(_4^{2-}\)）
    • 硝酸盐（nitrate, NO\({_3^-}\)）
    • 铵盐（ammonium, NH\(_4^+\)）
  • 臭氧（O\(_3\)）（10*10km，日均数据）2013年至今

温度

绿植覆盖

夜晚灯光

环境暴露评估的时间窗口

短期

长期

环境暴露评估方式

地区水平

个体水平：

个体文本地址转经纬度

四川大学公共卫生学院的林小军教授开发的amapR，可使用高德地图API把具体的文本类型的地址转换成数值型的经纬度。

根据经纬度的双线性插值暴露评估

R代码及展示

文本地址转经纬度R代码

# devtools::install_github("xiaojunlin/amapR") 
library(amapR)
options(amap.key = 'xxxxxxxx')
test <- data.frame(n = 1:100, address = c("华中科技大学", "四川大学"))
result <- geocoord(data = test, address = "address")

双线性插值

pacman::p_load(dplyr, raster, data.table, arrow, ggplot2, lubridate)

exposure = read_parquet('Data/exposure_grids.parquet', as_data_frame = T) %>% 
  mutate(longitude = round(longitude, 2),
         latitude = round(latitude, 2))

exposure
# A tibble: 252 × 9
   longitude latitude date       PM2.5   SO4   NO3   NH4    OM    BC
       <dbl>    <dbl> <date>     <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
 1      110.     22.0 2014-01-01   120  21.1  31.1  20.3  31.9  5.95
 2      110.     22.0 2014-01-02   123  26.2  29.5  24.0  29.0  5.01
 3      110.     22.0 2014-01-03   128  30.3  28.5  23.7  30.2  5.70
 4      110.     22.0 2014-01-04   138  23.5  29.9  22.7  43.1  8.82
 5      110.     22.0 2014-01-05   142  24.6  32.0  23.0  43.0  8.15
 6      110.     22.0 2014-01-06   108  25.8  17.4  15.8  32.7  6.57
 7      110.     22.0 2014-01-07    79  18.9  11.0  10.6  25.0  5.75
 8      110.     22.0 2014-01-01   119  21.2  30.8  20.0  31.5  5.92
 9      110.     22.0 2014-01-02   122  25.6  29.4  24.2  28.7  5.02
10      110.     22.0 2014-01-03   117  27.7  25.9  22.0  27.4  5.13
# ℹ 242 more rows
individual = data.frame(
  longitude = c(110.08, 110.01, 110.15, 110.02, 110.18, 
                110.14, 110.058, 110.01, 110.15, 110.15), 
  latitude  = c(22.12, 22.20, 22.21, 22.27, 22.15, 
                22.23, 22.29, 22.25, 22.17, 22.29))

individual
   longitude latitude
1    110.080    22.12
2    110.010    22.20
3    110.150    22.21
4    110.020    22.27
5    110.180    22.15
6    110.140    22.23
7    110.058    22.29
8    110.010    22.25
9    110.150    22.17
10   110.150    22.29
ggplot() +
  
  geom_tile(data = exposure %>% 
              filter(date == ymd('2014-01-03')), 
            aes(x = longitude, y = latitude, fill = PM2.5), alpha = 0.9) +
  geom_point(data = individual, aes(x = longitude, y = latitude), 
             color = 'black', size = 3) +
  scale_fill_gradient(low = '#fdd49e', high = '#7f0000') +
  theme_test() +
  coord_equal()

创造逐日的各污染物数据

exposure_PM2.5 = exposure %>% 
  filter(date == ymd('2014-01-03')) %>% 
  dplyr::select(longitude, latitude, PM2.5) %>% 
  rasterFromXYZ()

exposure_SO4 = exposure %>% 
  filter(date == ymd('2014-01-03')) %>% 
  dplyr::select(longitude, latitude, SO4) %>% 
  rasterFromXYZ()

exposure_NO3 = exposure %>% 
  filter(date == ymd('2014-01-03')) %>% 
  dplyr::select(longitude, latitude, NO3) %>% 
  rasterFromXYZ()

exposure_NH4 = exposure %>% 
  filter(date == ymd('2014-01-03')) %>% 
  dplyr::select(longitude, latitude, NH4) %>% 
  rasterFromXYZ()

exposure_OM = exposure %>% 
  filter(date == ymd('2014-01-03')) %>% 
  dplyr::select(longitude, latitude, OM) %>% 
  rasterFromXYZ()

exposure_BC = exposure %>% 
  filter(date == ymd('2014-01-03')) %>% 
  dplyr::select(longitude, latitude, BC) %>% 
  rasterFromXYZ()

exposure_BC
class      : RasterLayer 
dimensions : 6, 6, 36  (nrow, ncol, ncell)
resolution : 0.1, 0.1  (x, y)
extent     : 109.8, 110.4, 21.9, 22.5  (xmin, xmax, ymin, ymax)
crs        : NA 
source     : memory
names      : BC 
values     : 4.45, 7.15  (min, max)

用raster::extract()函数进行双线性插值污染物评估

eval_pollutant = individual %>% 
  mutate(
    PM2.5 = raster::extract(
      exposure_PM2.5,
      individual[,c('longitude', 'latitude')],
      method = "bilinear"),
    SO4 = raster::extract(
      exposure_SO4,
      individual[,c('longitude', 'latitude')],
      method = "bilinear"),
    NO3 = raster::extract(
      exposure_NO3,
      individual[,c('longitude', 'latitude')],
      method = "bilinear"),
    NH4 = raster::extract(
      exposure_NH4,
      individual[,c('longitude', 'latitude')],
      method = "bilinear"),
    OM = raster::extract(
      exposure_OM,
      individual[,c('longitude', 'latitude')],
      method = "bilinear"),
    BC = raster::extract(
      exposure_BC,
      individual[,c('longitude', 'latitude')],
      method = "bilinear"))

eval_pollutant
   longitude latitude   PM2.5     SO4      NO3      NH4       OM      BC
1    110.080    22.12 120.150 26.8370 27.00720 22.61350 28.59970 5.29940
2    110.010    22.20 124.000 27.2450 28.14700 23.35500 29.50200 5.36700
3    110.150    22.21 122.400 26.5660 28.80400 22.79400 28.75000 4.82200
4    110.020    22.27 122.700 26.7076 28.37780 22.86780 29.10480 5.06060
5    110.180    22.15 122.100 27.2320 27.42400 22.90800 29.04700 5.35900
6    110.140    22.23 121.820 26.2888 29.01320 22.64500 28.48460 4.66500
7    110.058    22.29 121.056 26.1756 28.49144 22.49096 28.49296 4.73488
8    110.010    22.25 123.600 27.0420 28.35000 23.07400 29.37600 5.24400
9    110.150    22.17 122.800 27.0420 28.06800 22.93800 29.15000 5.19400
10   110.150    22.29 124.000 26.4700 29.98000 23.05400 28.82600 4.53800