太阳活动变化与新型冠状病毒肺炎疫情的发展

张 昊，王 建, ，梁 中，王 婕，孙 威

1.南京师范大学 地理科学学院，南京 210023 2.江苏第二师范学院 城市与资源环境学院，南京 210013 3.上海工程技术大学 数理与统计学院，上海 201620

新型冠状病毒肺炎（COVID-19），自2019年12月报告以来，席卷了全球，已演变成全球大流行（WHO，2020-03-11）。据世界卫生组织网站最新数据显示，截至到2021年9月30日，全球报告确诊病例累计达到2.331亿例；死亡报告病例累计达到477万例（WHO，2021）。虽然新冠肺炎疫情的爆发被确定是由2019年新型冠状病毒引起的，但该病毒的突然出现以及该疫情的发展变化的真正原因仍不清楚。Andersen et al（2020）认为，新型冠状病毒是自然进化的结果，而不是实验室合成的。新病毒的出现通常有几种方式，一种是自然界存在但尚未被检测到的病毒，通过跨物种传播，或者从大气中转移，突然出现在人类身上；另一种是地方性病毒经过基因重组、突变，最终产生新的病原体。新型冠状病毒就是通过基因重组获得了感染人的能力，从而最终在世界范围内造成重大公共卫生威胁（Ji et al，2020）。

一些学者很早就注意到了太阳活动与流感爆发以及传染性疾病发病率之间的关系。Hope-Simpson（1978）调查和分析了太阳活动峰值与流感大流行的关系。Ertel（1994）研究了1700 —1985年可能或有效的流行病，认为18世纪的流行病高发年与太阳活动最弱的时期重合。Tapping et al（2001）则认为，大流行似乎与最强的太阳活动相吻合。Yeung（2006）通过对国际上的一些太阳黑子数进行二项式检验，指出在1700 — 2000年，七次流感大流行与太阳活动的增加相关，太阳黑子对大流行检测的灵敏度为85.7%。Vaquero and Gallego （2007）的研究结果与Yeung（2006）的研究结果大致相同。虞震东（1985）研究发现：太阳黑子数的极值时期有时候会出现流感大流行，有时却又不出现流感大流行，由此认为太阳黑子活动的极值时期只是引起流感大流行的一个有利的条件，而不是决定性原因。云梁等（2005）分析发现，猩红热、伤寒与副伤寒、病毒性肝炎、麻疹与太阳黑子活动周期呈负相关。曲江文和高志刚（2012）研究认为：太阳黑子极值年或前后一年新发病毒性传染病的发生率（57.14%）高于其他年份的发生率（24%）。Nasirpour（2021）对1750 — 2020年发生的大流行的分析结果表明：像新冠肺炎这样的世界大流行与太阳黑子数的极值相吻合，36次大流行中的27次（75%）发生在太阳黑子极值上。这些研究表明：太阳活动与流感或者传染病的流行有着一定的关系，但是究竟存在何种关系，尚未形成一致的意见。并且这些研究大多关注于大流行事件发生的年份与太阳活动周峰谷值出现年份之间的对应关系，却未见从发展过程演变上来分析大流行与太阳活动之间的关系的研究。本文基于2020年1月1日到2021年9月30日太阳黑子数和新冠肺炎确诊数的日、周和月数据，对太阳黑子数与新冠肺炎确诊数的关系进行了多个方面的分析，以期深入理解两者发展过程中的可能联系。

1 数据及方法

1.1 数据来源

1.1.1 太阳黑子数

太阳黑子数据来自比利时皇家天文台WDCSILSO（http://sidc.oma.be/silso/datafiles）。选取了2020年1月1日到2021年9月30日的每日太阳黑子总数和2020年1月到2020年9月的每月平均太阳黑子总数。

1.1.2 太阳黑子预测值

每月太阳黑子数的预测值分别来自比利时皇家天文台的WDC-SILSO（http://www.sidc.be/silso/forecasts）和美国海洋和大气管理局的空间天气预报中心NOAA-SWPC（https://www.swpc.noaa.gov/products/predicted-sunspot-number-and-radioflux）。由于拟合是在观察到的13个月平滑的每月太阳黑子数上完成的，因此预测范围为：从最后一个月之前的5个月到之后的12个月，即2021年4月到2022年9月。NOAA-SWPC提供的预测值从最后一个月之前的5个月到之后的240个月。

1.1.3 新冠肺炎新增确诊数

新冠肺炎每日新增确诊数来自世界卫生组织（WHO）的报告（https://covid19.who.int/）。

1.2 方法

1.2.1 黑子数和新增确诊数不同时间尺度的计算

利用Excel、IBM SPSS Statistics 26和Matlab分析软件得到7天和14天滑动平均序列、周序列和月序列。

1.2.2 线性回归方程的确立

利用Excel软件对不同时间尺度的太阳黑子数和新增确诊数序列进行散点图绘制，进而得到线性回归方程和拟合优度R2。

1.2.3 聚合经验模态分解方法

经验模态分解方法（empirical mode decomposition，EMD），适用于分析非线性、非平稳序列信号（Huang et al，1998），该方法将信号视为一系列本征模态函数（IMFs）的混叠，以高频至低频的顺序分解出这些IMF分量，不同于小波分析需要借助基函数，而是自适应地把复杂信号分解成一系列完备的正交信号分量，即具备平稳信号特征的IMFs（庄哲，2018）。基于EMD分解出的每个IMF分量所蕴含的周期和物理意义可以更加直观。然而经验模态分解方法在广泛应用时可能会存在模态混叠，导致分解的IMF分量不一定具有实在的物理意义。针对这个问题，Wu and Huang（2009）对EMD进行改进，提出聚合经验模态分解方法（ensemble empirical mode decomposition，EEMD），向信号中加入高斯白噪声，避免模态混叠效应，从而使最终分解的IMFs保持物理上的唯一性。基于EEMD，时间序列可以被分解为若干有物理意义的IMF分量以及趋势项（唐洁，2017）。

2 研究结果

2.1 新冠肺炎新增确诊数和太阳黑子数不同时间 尺度上时间序列比较

本文基于2020年1月1日到2021年9月30日（共639天、91周和21个月）的新冠肺炎新增确诊数和太阳黑子数，从日、周、月三个尺度来对比分析新冠肺炎新增确诊数与太阳黑子数之间的时间序列。由图1a、图1b和图1c可以看出，从2020年初新冠肺炎疫情刚刚开始的时候，新增确诊数和太阳黑子数都比较少，在2020年7月之前，随着太阳黑子数的缓慢增加，新增确诊数也在缓慢增加；在7月到10月太阳黑子数骤降，而新增确诊数增加的速度也缓慢了很多。在10月后，太阳黑子数迅速增加并在11月底到达一个较大峰值，与此同时新增确诊数也迅速增加，并在12月底到次年1月初到达高峰。此后，太阳黑子数迅速减少，新增确诊数也随之迅速减少并在2月下旬出现一个谷值。在接下来的两个月的时间里，新增确诊数和太阳黑子数又逐步增加，在4月中下旬双双达到第二个峰值。此后二者又同时减少，在6月中下旬出现另一个谷值，此后又再次回升。

图1 新增新冠肺炎确诊数和太阳黑子数变化比较Fig. 1 Comparison of the number of newly diagnosed COVID-19 pneumonia and sunspots number

2.2 新冠肺炎新增确诊数和太阳黑子数不同时间 尺度上时间序列的相关性分析

由图2和表1可以看出，在日的时间尺度上，对时间序列进行滑动平均处理，随着滑动平均天数的增加，每日新增确诊数与每日太阳黑子数相关系数逐渐增大，相关系数依次为0.477、0.53和0.636，这表示每日新增确诊数和每日太阳黑子数呈显著正相关，显著性通过了0.01水平的检验，并且在消除了偶然的扰动后，相关系数明显增加。在周和月的时间尺度上，随着时间尺度的增加，相关系数由0.547增加到0.701，显著性都通过了0.01水平的检验。不同时间尺度的分析都表明太阳黑子数和新冠肺炎新增确诊数之间具有显著的正相关关系。

表1 不同时间尺度新增确诊数和太阳黑子数时间序列的相关性分析Tab. 1 Correlation analysis of the number of new cases with the sunspots number at different time scales

图2 不同时间尺度新增新冠肺炎确诊数与太阳黑子数关系图Fig. 2 Relation of new cases of COVID-19 pneumonia with sunspots number at different time scales

2.3 周期组分的对比分析

利用聚合经验模态分解方法（EEMD），对2020年1月1日到2021年9月30日每日黑子数和每日新增新冠肺炎确诊数进行了分析，分解出一系列周期成分（图3、图4）。为了更好地显示周期成分，去除了每日新增新冠肺炎确诊数的趋势项（方差贡献率59.2%）和每日太阳黑子数的趋势项（方差贡献率37.9%）。结果表明：两个序列存在着多个相同和相似的周期成分，如3.49 — 4.04 d、23.67—24.58 d、106.50 d、319.49 d和641.02 d的周期（表2）。因而，从另外一个角度表明每日新增新冠肺炎确诊数与太阳活动的变化存在着密切的关联。

表2 每日太阳黑子数和新增新冠肺炎确诊数EEMD 分析结果Tab. 2 Results of EEMD analysis of daily sunspots number and new cases of COVID-19 pneumonia

图3 每日太阳黑子数EEMD分析结果Fig. 3 Results of the EEMD analysis of the daily sunspots number

图4 每日新冠肺炎新增确诊数EEMD分析结果Fig. 4 Results of the EEMD analysis of the daily new cases of COVID-19 pneumonia

2.4 两者成因联系的讨论

研究发现，目前已发现的大部分新发病毒性传染病的病原体是具有高变异率的RNA病毒，对病毒的基因组来说，点突变、基因重组和基因重排被认为是导致新发病毒性传染病出现的三种基本的变异机制（Hope-Simpson，1978）。在实验室中采用紫外线以及γ射线等辐射分别使流感病毒实现了多重感染再复活以及交叉感染再复活，表明太阳活动导致的太阳辐射和宇宙射线的变化可能是新发传染病病毒点突变的一种物理性诱变因素（曲江文和高志刚，2012）。在太阳黑子峰值年前后，太阳活动到达高峰，不仅总体太阳辐射增强，而且来自日冕质量喷射和太阳耀斑产生的高通量带电粒子大大增多。在一次比较大的太阳耀斑爆发后，地球轨道上的质子和氦离子通量可增加四个数量级之多（王同权等，1999）。而当太阳黑子处于谷值时，由于太阳磁场变弱，照射到地球上的银河宇宙射线就会增强，高能质子通量相对于太阳黑子峰值时可上升一个数量级（程彭超和闵锐，2017）。

本文对于新冠肺炎疫情、太阳黑子的序列对比、相关分析和周期组分分析发现，新冠肺炎疫情的发展过程与太阳黑子的变化具有很强的正相关，表明新冠肺炎疫情的发展过程受到太阳活动的影响。影响的可能路径有：（1）太阳活动增强引发的太阳辐射增强，导致了人体免疫力下降；（2）太阳活动增强，破坏了臭氧层，导致紫外线增强，在一定范围内可以起到消毒作用，抑制病毒传播（普布卓玛，2002），但是超过一定范围就会干扰人类的免疫力，有利于疫情的发展（Wickramasinghe，2014）；（3）太阳活动增强有利于把由于彗星等带到平流层的病毒传播到地球近地面（Qu，2016；Qu and Wickramasinghe，2017）；（4）太阳活动导致地球气候和生态环境的变化从而有利于病毒变异和传播（曲江文和高志刚，2012；Qu，2016；Wu，2020）。其中，第四个途径的作用是长期的，可能是新冠肺炎疫情爆发的一个不可忽视的基础和背景条件，但是对于疫情短期的发展变化过程可能不是重要的作用途径。

2.5 新冠疫情发展趋势的预测

根据对新冠肺炎新增确诊数和太阳黑子数的相关分析结果（图2），可以获得两者之间的线性回归方程，月尺度上的拟合优度R2最高，达到0.49。

在SIDC和SWPC网站上总共提供了7种月均太阳黑子数预测结果，其中SIDC上包括6种预测结果，分别为标准曲线法（SC）、组合法（CM）、麦克尼什和林肯法（ML），以及这三种方法经过卡尔曼滤波器处理后得到的结果。利用该文得到的线性回归方程以及7种太阳黑子的预测结果，可以预测未来新冠肺炎疫情发展的趋势。结果表明：假设在防疫措施和卫生条件保持不变情况下，随着太阳黑子数的增加，每月新增新冠肺炎病例将会呈现持续的增加。到2022年9月平均每月新增新冠肺炎病例，低方案为2500万 — 3000万，中方案为3300万 — 3800万，高方案为4000万 — 4600万（图5）。但是实际上，随着疫苗接种等措施的实施以及集体免疫效果的呈现，未来新冠肺炎新增病例数量有可能比预测的数值小。

图5 根据太阳活动变化趋势预测的新冠肺炎疫情发展趋势Fig. 5 Prediction of COVID-19 pneumonia epidemic trend based on the trend of solar activity

3 结论

通过序列对比、相关分析以及周期比较发现，新冠肺炎新增病例数与太阳黑子数呈显著正相关，不仅变化趋势一致，并且存在着多个相似的变化周期，如3.49 — 4.04 d、23.67 — 24.58 d、106.50 d、319.49 d和641.02 d的周期，表明两者可能存在着成因上的联系。

太阳活动可能通过辐射变化影响病毒变异、传播和人体免疫力或者通过太阳风将可能存在于平流层的病毒输送到地球表面，而影响疫情的发展。

在其他因素保持不变的情况下，新冠肺炎新增确诊数将会随着太阳黑子数的增加而持续增加，到2022年9月平均每月新增新冠肺炎病例，低方案为2500万 — 3000万，中方案为3300万 — 3800万，高方案为4000万 — 4600万。但是实际上随着疫苗接种等措施的实施以及集体免疫效果的呈现，未来新冠肺炎新增病例数量有可能比预测的数值小。