导致西太平洋海温异常的主要因素研究

通过对不同区域海表面温度（SST）资料做超前/滞后相关性分析,研究导致西太平洋SST异常的主要因素。基于东、西太平洋相互作用理论和印度洋电容器效应理论,将热带西太平洋SST异常的变化分别与热带东太平洋和印度洋SST异常做超前/滞后相关性分析,得到每个格点与强迫场之间相关性最显著的月份,从时间的角度研究西太平洋SST异常变化与东太平洋和印度洋之间的关系。按照上述两种理论,由于海洋的比热大,热响应时间较长,西太平洋SST变化应滞后于东太平洋或印度洋2~3个月。分析结果显示,在El Nino和La Nina事件下,西太平洋SST异常变化均超前于东太平洋1~2个月时相关性最显著;同时,西太平洋SST异常变化超前于印度洋3~4个月时相关性最显著。这表明热带东太平洋和印度洋都不是导致西太平洋SST异常变化的主要因素,西太平洋SST异常可能由多种因素共同作用所导致。

多源数据在呼吸道传染病预警中的应用效果分析

目的 探讨多源数据在呼吸道传染病预警中的作用,为呼吸道传染病的预警提供参考。方法 选取2022年1月1日-2023年5月31日山东省潍坊市呼吸道传染病预警多源数据,以潍坊市呼吸道传染病数据为参照数据,运用交叉相关函数与门诊主诉、初步诊断、120急救、百度药物、百度发热、百度症状等数据进行滞后相关性分析,并运用EARS-3Cs模型构建预警模型。结果 百度症状检索数据领先于潍坊市呼吸道传染病数据2 d,且滞后相关系数(ACF)为0.749;百度药物、百度发热、初步诊断数据滞后天数为0,其中百度药物的ACF最大(0.885);门诊主诉滞后1 d, 120数据滞后10 d。按照多源数据滞后天数<0且滞后相关系数最大的原则,选取百度症状数据构建EARS-3Cs模型,其C1、C2、C3值超过预警阈值的天数分别是3、10、24 d,且主要集中在2022年12月、2023年3月。结论 滞后相关性分析可从多源数据中找到最优数据源,EARS-3Cs模型对呼吸道传染病预警有一定的可靠性和合理性。