COVID-19疫情导致的政府管控活动会影响社会生产和生活活动，进而对空气污染物的排放产生影响。因此，某种程度上通过开源获取的空气污染检测数据也能分析一个国家的疫情发展状况。

【摘要】

新型冠状病毒病(COVID-19)在全球环境和社会经济领域引起了重大变化，特别是在早期阶段。此前的研究发现，这些前所未有的变化可能会受空气污染影响，并影响covid - 19感染。本研究旨在探讨全球每年和每日空气污染与新冠肺炎确诊病例之间的非线性关系。收集了2020年1月23日至2020年5月31日全球对流层空气污染{一氧化碳（CO）、二氧化氮（NO₂）、臭氧（O₃)和二氧化硫(SO₂)}浓度和每日确诊病例。在广义可加模型的基础上，大气污染的年度差异和日差异分别与总确诊病例和日确诊病例相关。我们观察到，空气污染与新冠肺炎确诊病例之间存在显著的时空非平稳变化。在年度评估中，确诊病例数与{一氧化碳（CO）、臭氧（O₃)和二氧化硫(SO₂)}差异的正波动相关，而二氧化氮（NO₂）差异的增加导致确诊病例变化的显著峰值。在每日评估中，所选国家的一氧化碳（CO）和二氧化硫(SO₂)浓度与每日确诊病例呈正线性或非线性关系，而二氧化氮（NO₂）浓度与每日确诊病例呈负相关关系;从臭氧（O₃)与确诊病例的关系中确定了上升/下降相关性的变化。研究结果表明，全球空气污染与COVID-19确诊病例之间的非线性关系是多种多样的，这意味着需要将我们的研究结果纳入地方、区域和全球范围的公共卫生风险监测。

关键词:COVID-19;确诊病例;空气污染;广义加性模型

1.引言

新型冠状病毒病(CoVID-19)是由冠状病毒2型(SARS-CoV-2)引起的严重急性呼吸道感染, 首例确诊病例于2019年12月在中国武汉发现, 此后数月内，新冠肺炎蔓延。这个疾病最终在全球范围内迅速传播。世界卫生组织(世卫组织)报告截至2020年4月，全球确诊病例1 610 909例，死亡99 690例。为了控制新冠肺炎的传播，许多国家采取了政府强制封锁和禁止公众集会等措施。这些环境和社会经济变化导致交通、工业和住宅的能源使用发生变化，并进一步导致空气污染物的短期和长期变化，例如一氧化碳(CO)、二氧化氮(NO₂)、臭氧（O₃)和二氧化硫(SO₂)。研究表明，过去几十年来，社会经济增长加剧了人为排放量，这表明经济活动导致的能源不同用途与空气污染变化之间存在着联系。先前的研究还发现，空气污染是呼吸道感染的危险因素，呼吸道感染与人的系统免疫有关。因此，评价新冠肺炎相关政策对空气污染变化的影响及其与人类健康的关系具有重要意义。

现有的研究已经调查了限制个人流动和经济活动的政策对空气污染趋势的影响，以及在早期阶段空气污染与新冠肺炎传播之间的关系。例如，Heetai评价了中国封锁政策对空气质量指数(AQI)和直径小于2.5gm(PM2.5)的颗粒物浓度的影响，结果表明，在高度工业化和发达的城市中，封锁效果更大。Venter et ai进一步将研究扩展到全球范围的封锁政策，并发现了全球车辆运输量下降与NO₂减少之间的关系。在此基础上，重点研究了空气污染趋势变化对新冠肺炎感染的影响，结果表明，我国每日PM2.5、PM2.5、NO₂、臭氧（O₃)与确诊病例呈正相关，SO₂与确诊病例呈负相关。此外，Wu et ai发现PM2.5每增加1µg/m3，美国COVID-19死亡率就会增加8%。

尽管研究已经将空气污染趋势与新冠肺炎传播早期阶段联系起来，但估计主要集中在空气污染与个别国家越来越多的确诊病例或死亡人数之间的线性关系(增加或减少)。空气污染与新冠肺炎传播之间的非线性关联以及不同国家在全球范围内非线性关联的比较尚未讨论。此外，以前的研究强调短期内空气污染的短期影响，而长期空气污染(即每年的变化)对早期新冠肺炎传播的影响很少讨论。事实上，新冠肺炎在早期的传播不仅可以反映疫情从爆发到遏制的过程，而且可以在没有疫苗控制的情况下量化。

  为了填补这一空白，基于广义加性模型(GAM)研究了全球范围内年度空气污染与日常空气污染(包括一氧化碳(CO)、NO₂、O₃和SO₂和新冠肺炎确诊病例之间的关系。采用动态时间规整(DTW)方法，对2020年4个月(新冠肺炎)和2019年同期(不含COVID-19)不同空气污染趋势之间的差异进行量化，并分析其与COVID-19总确诊病例的相关性。对于日空气污染，分析了各国日空气污染浓度与日确认病例之间的非线性关系。

本文件的其余部分安排如下。第二章介绍了本研究所用的材料和方法。第三部分研究了新冠肺炎长期和短期空气污染与确诊病例的关系。第四部分，分析了大气污染与确诊病例的关系，讨论了本研究的局限性。最后在第5节中作出结论。

2.   材料和方法

2.1.    研究领域和数据

•        研究领域

选定了231个国家和地区进行空气污染的年度和日常关系评估以及新冠肺炎确诊病例。由于各国的环境和社会经济条件存在重大差异，年度分析仅量化了2019年至2020年空气污染的差异，而每日关系分析则是根据各国独立提出的。在这段时期内确诊新冠肺炎病例最多的九个国家被进一步选择作为例子，以详细说明每日的关系。

•        空气污染数据

在哨兵5号前驱体卫星上，从TROPOMI上获得了四种污染物，包括一氧化碳(CO)、NO₂、臭氧（O₃)和SO₂。2019年1月23日至5月31日期间的空气污染数据

2019    在 GoogleEarth Engine 平台上收集和处理了 2020 年 1 月 23 日至 2020 年 5 月 31 日期间的数据，在国家一级每天计算全球平均柱浓度。值得注意的是，空气污染时间序列数据的缺失值进一步得到处理。

•        气象数据

以综合地面小时数(ISH)数据集中的全球地面摘要—GSOD(GlobalSurfaceSummaryofDay)作为控制变量，收集包括温度、降水和风速在内的气象数据。收集的数据被汇总到国家一级，并在2020年1月23日至2020年5月31日期间作为每日数据进一步处理。此外，基于自回归积分移动平均(ARIMA)模型，使用Kalman平滑器处理缺失值。

•        新冠肺炎确诊病例

2020年1月23日至5月31日期间每个国家确诊的新冠肺炎病例

2020   由约翰霍普金斯大学系统科学与工程中心(JHUCCSE)建立的仪表板获得(https://github.com/CSSEGISandData/COVID-19，在2020年6月30日访问)，具体地，来自仪表板的数据主要从世界卫生组织、区域卫生部门和在线新闻服务收集，并且每15分钟更新一次。从2020年1月22日起，每天提供病例报告，包括每个国家/区域的确诊病例、死亡病例和恢复病例数。为了调查空气污染与新冠肺炎不同时间尺度的确诊病例的关系，在国家一级收集了2020年5月以来新的每日确诊病例和总确诊病例。

2.2.    变量度量

•        空气污染的年变化

为了量化2019年至2020年间大气中CO、NO₂、臭氧（O₃)、SO₂的年度变化，我们分别总结了2019年1月23日至2019年5月31日及2020年1月23日至2020年5月31日期间各国大气中CO、NO₂、O₃、SO₂逐年变化情况，并利用动态时间测量法(DTW)计算时间序列空气污染的差异具体地，使用动态时间校对(DTW)识别空气污染差异的主要目的是寻找最佳校对路径，该最佳校对路径指的是相邻空气污染值与最小累积值之间的串联距离。利用最优路径，时间序列之间的扭曲成本最小化—S2019 = s2019,1, . . . , s2019,i, . . . , s2019,n and S2020 = s2020,1, . . . , s2020,i, . . . , s2020,n:

其中 W = w1 . . . wk . . . wK为时间序列S2019和S2020对齐的翘曲路径。最小翘曲路径的对齐使用动态规划算法完成，其计算结果为: 

其中c(i, j) 表示s2019 和 s2020之间的累积距离。 s2019,i——s2020,j表示 s2019,i 和 s2020,j之间的距离。特别是，累积距离值越高，说明两个时间序列之间的差异越大。

此外，还计算了2020年1月23—2020年5月31日的平均日气温、总降水量和风速作为控制变量，以降低年空气污染新冠肺炎确诊病例估计中的偏差。

• 每日空气污染

根据2020年1月23日至2020年5月31日期间各国TROPOMI平台的数据，计算每日CO、NO₂、O₃、SO₂空气污染，这些数据被认为是分析与新冠肺炎确诊病例的关系的自变量。以气象资料作为控制变量，采用2020年1月23日至2020年5月31日期间2020年的日气温、总降水量和风速。

•新冠肺炎确诊病例

为了分析每年空气污染变化对新冠肺炎疫情的影响，分别计算了2020年1月23日至2020年5月31日期间每个国家的确诊病例总数。此外，还计算国家一级每日新的确诊病例，以调查确诊病例如何随空气污染变化而变化。

2.1统计模型

分析了新冠肺炎年空气污染和日空气污染与确诊病例之间的非线性关系。特别地，广义加性模型(GAM)在量化空气污染与新冠肺炎确诊病例之间的非线性关系方面是有效的，并且在过去的研究中观察到这些模型与线性模型相比在结合建模中的显著优点，因此，利用具有高斯分布的GAM来分析空气污染(包括CO、NO₂、O₃、SO₂)与新冠肺炎的确诊病例之间的关系。

为了探讨年度空气污染变化对新冠肺炎疫情的影响，以各国为样本，分析了年度空气污染与新冠肺炎确诊病例的关系。第2.2节计算的2019年1月23日至2019年5月31日空气污染与2020年1月23日至2020年5月31日空气污染之间的差异为自变量，以日平均温度、总降水量和风速为控制变量，每个国家新冠肺炎确诊病例总数为因变量。在此基础上，分别利用广义加性模型对各自变量进行非线性关系分析。

为便于日常分析，分别估计2020年1月23日至2020年5月31日期间每日空气污染与新冠肺炎每日确诊病例之间的非线性关系。关于第z个国家，GAM建议如下：

其中，log E(Yi) 表示COVID-19的确认病例数的对数变换的预期值，. s(·) 表示惩罚平滑样条. COi , NO2i , O3i and SO2i代表第七个国家的CO、NO₂、O₃、SO₂的总浓度 。

3.   结果

3.1.    年度关系

3.1.1.    年空气污染差异

图1显示了2019年1月23日至2019年5月31日以及2020年1月23日至2020年5月31日这两个时间序列中CO、NO₂、O₃、SO₂ 空气污染之间的差异。较高的值表示较大的距离和更高的差异。具体而言，与2019年的一氧化碳(CO)柱浓度相比，在新冠肺炎大流行期间，一氧化碳(CO)的最显著变化在加拿大、俄罗斯和中国，其次是美国、印度、巴西、澳大利亚和哈萨克斯坦(图1a)。关于NO2柱的浓度，图1b显示，2019-2020年间，中国经历了最大的变化，其次是俄罗斯、美国和印度，而欧洲和非洲的大多数国家在NO2趋势方面的差异较小。对于图1C中的臭氧（O3)柱浓度，俄罗斯是2019-2020年间最大的差异，其次是加拿大、美国和中国。图1C显示了SO2的差异模式，其中美国、俄罗斯和中国在2019-2020年期间经历了最大的变化。值得一提的是，由于空气污染趋势是根据国家计算的，各国不同地区会影响差异模式。然而，由于根据每个国家的总数对新冠肺炎确诊病例进行分析，所以可以忽略不同国家地区造成的偏差。

图1显示了2019年1月23日至2019年5月31日和2020年1月23日至2020年5月31日这两个时间序列期间CO、NO₂、O₃、SO₂ 空气污染的差异。数值越高表示距离越大，差异程度越高。具体而言，与2019年CO柱浓度相比，COVID-19大流行期间CO变化最显著的国家是加拿大、俄罗斯和中国，其次是美国、印度、巴西、澳大利亚和哈萨克斯坦。关于NO₂浓度，从图1b可以看出，中国在2019-2020年期间变化最大，其次是俄罗斯、美国和印度，而欧洲和非洲大部分国家的NO₂趋势差异较小。对于图1c中O₃浓度，俄罗斯在2019-2020年之间的差异最大，其次是加拿大、美国和中国。图1c显示了2019-2020年美国、俄罗斯和中国三个国家SO₂的差异。值得注意的是，由于空气污染趋势是根据国家计算的，国家地区的不同可能会影响差异模式。但是，由于COVID-19确诊病例是根据每个国家的总病例数进行分析的，因此可以忽略不同国家地区造成的偏差

3.1.2.    关系分析

图2显示了年度空气污染差异与新冠肺炎确诊病例之间的非线性关系。确认病例被量化为2020年5月31日每个国家和区域病例总数。以每个国家作为独立样本，通过四个GAM模型，分别以0.541、0.536、0.367和0.82的R平方值揭示了CO、NO₂、O₃、SO₂ 和总确诊病例之间的关系。结果表明，随着CO、O₃)浓度的增加，确诊病例数呈波动性增加，而NO₂浓度与确诊病例数呈显著峰值。SO₂差异证实病例关系呈急剧上升趋势。

3.2.     日常关系分析

3.2.1模型评价

在分析每日空气污染与COVID-19确诊病例的关系之前，将线性回归模型(LM)与GAM进行了比较，以评估建模精度。图3a、b分别显示了线性回归模型(LM)和GAM的R2值。特别地，线性回归模型(LM)的R2值范围为0-0.812，而GAM的R2值范围为0-0.948。与线性回归模型(LM)相比，只有少数几个国家(包括美国、加拿大和俄罗斯)表现出高于0.5的R2值，更多的国家(例如德国、巴西、印度和墨西哥)基于GAM获得了较高的R2值，并且发现了较高的建模精度。

基于广义加性模型（GAM），计算了各国的有效自由度（EDF）。简而言之，有效自由度(EDF)被认为是量化独立变量和因变量之间的非线性程度的代用品。有效自由度(EDF)=1表示完全线性关系，有效自由度(EDF)>1和<2表示弱非线性关系，而有效自由度(EDF)>2表示高度非线性关系，图4a-d表示在CO、NO₂、O₃、SO₂ 证实的新冠肺炎关系中每个国家的有效自由度(EDF)。对于一氧化碳(CO)浓度，加拿大、俄罗斯和澳大利亚等国表现出显著的非线性模式，而加拿大、中国、德国和印度等国则进行线性回归，以绘制CO确认病例的关系(图4a)。NO₂与确诊病例的关系表现为不同的模式。仅在俄罗斯、加拿大和格陵兰等少数国家和地区发现了高度非线性关系，而在墨西哥、澳大利亚和南美洲、欧洲和非洲的一些国家则发现了线性关系(图4b)。对于臭氧（O₃)的有效自由度(EDF)，大多数国家表示高度或弱Og确认的病例关系，而格陵兰、美国、墨西哥和德国等一些国家和地区仍显示显著的线性模式(图4c)。二氧化硫有效自由度（EDF）的分布表明北美、欧洲以及非洲和亚洲的几个国家存在高度非线性关系。此外，在阿根廷格陵兰和非洲的几个国家发现了薄弱的非线性关系（图4d）。CO、NO₂、O₃、SO₂的有效自由度(EDF)的变化揭示了空气污染与新冠肺炎确诊病例之间空气关系的非平稳模式。

3.2.2.     关系分析

基于GAM进一步调查了新冠肺炎确诊病例相对于空气污染趋势的变化。具体而言，选择确诊病例最多的国家(计算至2020年5月)进行详细分析，包括美国、巴西、俄罗斯、英国、西班牙、意大利、印度、法国和德国。

图5a显示一氧化碳(CO)浓度对9个国家每日确诊的新冠肺炎病例的边缘影响。随着美国一氧化碳(CO)浓度的增加，观察到每日确认病例增加的显著趋势，而巴西和印度显示每日确认病例略有下降的趋势。在西班牙、意大利和法国也发现了阳性CO日确诊病例关系，显示出稳定趋势，随后随着CO浓度的升高，日确诊病例分别略有增长趋势。此外，在俄罗斯观察到显著的非线性变化，表明在一氧化碳(CO)浓度升高下，日确认病例交替地增加或减少并最终上升趋势。此外，在英国和德国没有观察到一氧化碳(CO)浓度的显著变化。

NO₂浓度对选定国家确诊病例的边际影响见图5b。只有印度在NO₂-每日确诊病例关系中呈现积极趋势。包括美国、俄罗斯、西班牙和意大利在内的六个国家，随着NO₂浓度升高，每日确诊病例呈下降趋势。特别地，随着NO₂浓度的较大值，在美国观察到轻微下降趋势，随后是显著降低的每日确认病例的趋势，而在俄罗斯和西班牙呈现显著降低之后是稳定趋势。此外，线性递减关系指示NO2柱浓度降低，涉及增加意大利的日确认病例。其他四个国家，包括巴西、英国、法国和德国，随着NO₂浓度的变化，呈现相对不变的趋势。

图5c显示了臭氧（O₃)浓度对确诊病例的边缘影响。具体地，线性关系示于美国，其中对应于臭氧（O₃)浓度升高的每日确认病例的降低趋势稳定。包括巴西、俄罗斯、英国、西班牙、意大利、印度和法国在内的六个国家在03例确诊病例关系中呈现非线性变化模式。特别是，在巴西和英国，随着臭氧（O₃)浓度的增加，出现交替的增减变化和日常确诊病例的下降趋势，而在俄罗斯、西班牙、意大利、印度和法国，每天确诊病例出现不规则变化后出现显著的非线性增长模式。此外，德国的日确诊病例差异不显著。

与二氧化碳（CO）、二氧化氮（NO₂）和臭氧（O₃)相比，SO₂浓度对确诊病例的边际效应表现出与选定国家相似的变化模式。如图5d所示，英国呈现病例急剧增加的趋势，随后在SO₂证实病例关系中相对不变的趋势。边缘效应巴西、俄罗斯、意大利、法国和德国呈稳定上升趋势。特别是随着美国SO₂浓度的增加，每日确诊病例仅观察到轻微的变化。在西班牙，每日确诊病例上升并随之以相对小的规模下降，SO₂浓度更高，而在印度，相反模式显示出显著下降变化，随后是逐日确诊病例增加的趋势。

基于CO、NO₂、O₃、SO₂浓度，通过广义加性模型预测了2020年1月23日至2020年5月31日期间每个选定国家的每日确诊病例。图6显示了观察和预测的每日确诊病例数之间的比较，并且时段可以分为两个短语，即非病例时段和新生病例时段。在选定的国家中，俄罗斯和德国每天确诊病例的观察和预测数在非病例期和新出现病例期之间基本一致。然而，在其他国家，只有在非病例期才实现相对满意的预测，而在新病例期的预测趋势中存在异常病例。考虑到观察预测病例绘图的可视化，法国、印度、意大利、西班牙、美国和巴西的几个极端异常病例被从图6中删除。应当指出，消除极端异常病例并不改变观察和预测病例的总体比较模式。

4.   讨论探讨

4.1大气污染趋势与新确认案例

尽管没有参与这项研究的国家之间存在经济因素，我们的发现仍然提供了事实，即全球范围内每年和日均CO、NO₂、O₃、SO₂的变化与新冠肺炎确诊病例密切相关。在年际关系中，在2019年1月23日至2019年5月31日期间以及在2020年1月23日至2020年5月31日期间较高的CO、NO₂、O₃、SO₂变化与全球范围内增加的新冠肺炎确诊病例总数有关。SO₂空气污染变化与确诊病例总数的相关性最为显著，其次是CO、NO₂、O₃的变化。与新冠肺炎相关的空气污染每年的变化可以用封锁政策来解释，封锁政策导致人为排放在某种程度上发生变化，包括交通、工业和住宅能源使用。

对于日变化，我们观察到CO、NO₂、O₃、SO₂的空气污染与大多数国家的确诊病例之间的非线性关系，这与先前的研究结果一致。对两个回归模型(即，图3a中的线性回归模型(LM)和图3b中的GAM模型)的比较表明，非线性模型的潜力在于以更高的精度拟合空气污染和日常确诊病例。图4所示的非线性程度进一步显示，美国、加拿大、中国和巴西等国在一氧化碳(CO)、二氧化氮(NO₂)、臭氧（O₃))和二氧化硫(SO₂)中的一种或多种空气污染与日常确诊病例之间表现出更大的非线性。结果表明，不同国家的大气污染与确诊病例数呈线性和非线性关系。

  重点还放在日常空气污染与包括美国、巴西、俄罗斯、英国、西班牙、意大利、印度、法国和德国在内的九个国家的新冠肺炎确诊病例之间的关系。图5a-d中的广义加性模型(GAM)提出的边际效应表明，在大部分选定的国家，日确认病例的增加数与一氧化碳(CO)和SO₂浓度的增加成线性或非线性相关，而观察到NO₂非线性下降的趋势。这可能与快速封锁有关，作为对新冠肺炎蔓延的响应，这导致交通和工业能源使用的不确定性变化。另一方面，每日确诊病例的替代性增长和下降趋势与臭氧（O₃)浓度的增加有关，这可以通过新冠肺炎期间经济活动的稀释来解释。

空气污染与 COVID-19 确诊病例之间的各种非线性模式可能由新冠肺炎封锁政策导致的环境-社会经济变化来解释。例如，封锁政策不仅减少了交通流、工业和人类流动所产生的NO₂排放，还导致由于自我检疫造成的每日确诊病例数减少。因此，在大多数国家，观察到每日NO₂浓度与确诊病例之间的非线性负趋势。

4.2.    限制和未来的工作

尽管进行了上述讨论，但目前的研究仍然存在局限性。首先，利用卫星数据中的一氧化碳(CO)、二氧化氮(NO₂)、臭氧（O₃))和二氧化硫(SO₂)，即TROPOMI，探讨空气污染与新冠肺炎确诊病例的关系。尽管TROPOMI显示了在全球范围内处理空气污染变化的优点，但是与地面空气污染相比，污染物水平不能被完全反映。由于在全球范围内无法充分获得地面微尺度浓度，因此今后研究的重点可以放在各个国家，办法是将热带气球监测仪的卫星数据与地面空气污染浓度结合起来。考虑到卫星数据不能准确地反映个体暴露于空气污染的情况，本研究主要侧重于不同空气污染物和新冠肺炎确诊病例之间的关联模式，而不是评估个体暴露如何对新冠肺炎发病率响应的偶然关系。其他不足之处在于缺乏微粒物质，这已被证明在影响呼吸道健康方面起主导作用，未来的研究将考虑微粒物质对空气污染的影响——新冠肺炎的发病反应。此外，日常关系分析需要准确的新冠肺炎病例报告数据。虽然JHU CCSE提供的数据可以在不同国家提供每日确诊病例，但由于病例收集不足，许多国家报告的病例数量可能不足。

当地经济条件在冠状病毒传播和导致新冠肺炎感染中起着至关重要的作用。Jahangiriet ai指出，较大的人口规模可以提高新冠肺炎在伊朗的传播率。虽然通过考虑经济因素可以获得更综合的关系，但本研究提出的结论仍然可以提供在界定全球范围内各国间空气污染确认病例关系的差异方面的见解。

  另外，对关系分析的时空尺度也存在局限性。由于国家一级的分析不能反映国内空气污染物和新冠肺炎发病率的异质性，因此在调查特定国家的关联时可能导致偏差。为了减少这种偏差，本研究主要关注各国间的关联差异，以深入了解全球范围内的空气污染模式。未来研究将调查空气污染物-COVID-19的个别城市反应情况，以减少空间异质性造成的偏差。就时间尺度而言，本研究所选的时期(2020年1月23日至2020年5月31日)较短，而调查季节性空气污染变化对新冠肺炎发病率的影响则需要较长的时间涵盖2020年。例如，由于臭氧（O₃)的信息阈值为180gg/m3(每小时平均)，低于信息阈值的浓度(通常在春季和冬季)可能不与个体健康反应有效关联。然而，选择的短时间周期可以减少由新冠肺炎持续波动引起的偏差和空气污染的季节性模式。因此，本研究仅着眼于新冠肺炎暴发的初始阶段，以调查不同气象和社会经济条件驱动的各国空气污染的变化。

此外，所建议的关系模型允许将每日空气污染和确认病例作为变量，同时未考虑受空气污染影响的确认病例变化可能在未来具有的滞后效应。虽然一些研究调查了历史空气污染趋势对独立国家新冠肺炎大流行进展的影响，但尚未充分讨论全球范围的滞后效应。单日滞后和多日平均滞后对空气污染趋势与新冠肺炎确诊病例关系的潜在滞后效应值得研究。

虽然在2020年1月23日至2020年5月31日期间应用了每日确诊病例的预测，但建议评估空气污染趋势驱动的GAM是否适合。综合空气污染驱动因素，对新冠肺炎日常确诊病例进行准确估计和预测是重要的。数学模型的优点包括探索传染病的复杂性，例如Hawkes模型和易感暴露-感染-去除(SEIR)模型，因此，通过将空气污染驱动的因素与数学模型相结合，可以理解新冠肺炎的流行病学模式。

还应该考虑新冠肺炎疫苗接种的有效性和突变的威胁。接种疫苗可减少易感社会接触并降低病毒传播的风险。必须评价空气污染对不同病毒传播率确诊病例变化的影响。此外，病毒传播还可能受到新冠肺炎突变的影响，因为基因突变与人类免疫系统相关，所以在空气污染影响评价中可能引起偏差，而与这些内部因素无关。

尽管讨论了不确定性，但是所提议的结果提供了关于一氧化碳(CO)、二氧化氮(NO₂)、臭氧（O₃)和二氧化硫(SO₂)之间的关系和新冠肺炎的日确认病例的有效见解。由于NO₂等大气污染物受到人类活动的显著影响，基于关系分析，可以为世界各国政府监测大气污染趋势，提出有效的大气污染控制政策提出建议。

5.结论

本研究在全球范围内调查了254个国家和地区的年度空气污染与日常空气污染之间的关系以及新冠肺炎确诊病例。结果表明，新冠肺炎确诊病例与大气污染呈非平稳变化。在年际关系中，随着CO、臭氧（O₃)、二氧化硫(SO₂)浓度的增加，确诊病例数呈正波动，而NO₂浓度与确诊病例数呈显著峰值。在选定国家的日变化中，空气污染变化与早期新冠肺炎的日变化呈非线性相关。在一氧化碳(CO)、二氧化氮(NO₂)、臭氧（O₃)、二氧化硫(SO₂)中，随着CO浓度的增加，日确诊病例呈非线性递减趋势; 随着O₃浓度的增加，不同国家日确诊病例呈交替递增递减趋势提示一氧化碳(CO)、二氧化氮(NO₂)、臭氧（O₃)和二氧化硫(SO₂)的变化可能是全球范围内监测新冠肺炎确诊病例的重要因素。

作者：Yuan Meng 1 , Man Sing Wong 1,2,*, Hanfa Xing 3,4, Mei-Po Kwan 5,6 and Rui Zhu 1

1    香港理工大学土地测量及地质学系

中国香港；[email protected](Y.M.)；[email protected](R.Z.)

2    中国香港理工大学可持续城市发展研究所

3     华南师范大学地理学院，中国广州510000；[email protected]

4    山东师范大学地理与环境学院，济南250100

5     中国香港中文大学地理和资源管理系及空间和地球信息研究所；[email protected]

6    乌得勒支大学人类地理和空间规划系，荷兰乌得勒支省3584所

*电话：+852-3400-8959

作者贡献：概念化，袁孟和满星王；方法论，袁孟；软件，袁孟；验证，袁孟；正式分析，袁孟和R.Z.；调查，袁孟；资源，袁孟；数据策展，袁孟；写作——初稿准备，袁孟；写作——审查和编辑，袁孟，满星王。可视化，美宝关和孟星珠；所有作者都阅读并同意了已发表的手稿。

资助：黄文星感谢共同研究基金（资助编号15602619）资助的资助。C7064-18GF)及香港理工大学可持续发展研究所(批准号1-BBWD)。由香港研究资助局拨款资助关美宝（一般研究基金拨款编号14605920；合作研究基金拨款编号14605920）。C4023-20GF)及香港中文大学主要研究资助局资助计划研究可持续性研究委员会的拨款。邢汉发感谢国家自然科学基金资助（批准号41971406）。

原文PDF文档和机器翻译已上传小编知识星球

长按识别下面的二维码可加入星球

里面已有近千篇资料可供下载

越早加入越便宜哦