Intraday-Anpassung an extreme Temperaturen bei Outdoor-Aktivitäten

Wissenschaftliche Berichte Band 13, Artikelnummer: 473 (2023) Diesen Artikel zitieren

2288 Zugriffe

1 Zitate

40 Altmetrisch

Details zu den Metriken

Zusammenhänge zwischen Klima und menschlicher Aktivität werden oft mit täglichen oder monatlichen Auflösungen kalibriert, wodurch die Granularität fehlt, um das Anpassungsverhalten innerhalb eines Tages zu beobachten. Das Ignorieren dieses Anpassungsspielraums könnte dazu führen, dass die gesundheitlichen Folgen des künftigen Klimawandels falsch eingeschätzt werden. Hier erstellen wir eine stündliche Datenbank für Outdoor-Freizeitaktivitäten unter Verwendung von Milliarden von Handy-Standortanfragen in 10.499 Parks im Jahr 2017 in ganz China, um den Tagesrhythmus von Outdoor-Aktivitäten zu untersuchen. Wir stellen fest, dass stündliche Temperaturen über 30 °C und 35 °C Freizeitaktivitäten im Freien um 5 % (95 %-Konfidenzintervall, KI 3–7 %) bzw. um 13 % (95 %-KI 10–16 %) beeinträchtigen. Dieser aktivitätsmindernde Effekt ist größer als in früheren täglichen oder monatlichen Studien, da die Aktivitäten innerhalb eines Tages von Mittag und Nachmittag auf morgens und abends verlagert werden. Die Intraday-Anpassung ist bei Orten und Daten mit zeitlicher Flexibilität, bei Personen, die häufiger Hitze ausgesetzt sind, und bei Parks in städtischen Gebieten größer. Eine solche Anpassung innerhalb des Tages reduziert die Hitzebelastung erheblich, verzögert jedoch auch die aktive Zeit in der Nacht um etwa eine halbe Stunde, was möglicherweise Nebenwirkungen auf die Schlafqualität hat. Indem wir empirische Schätzungen mit den Ergebnissen herunterskalierter Klimamodelle kombinieren, zeigen wir, dass ein ungebremster Klimawandel im Sommer erhebliche aktivitätsmindernde und aktivitätsverzögernde Auswirkungen haben wird, wenn er auf eine stündliche Auflösung projiziert wird. Unsere Ergebnisse erfordern mehr Aufmerksamkeit bei der Nutzung von Echtzeit-Aktivitätsdaten, um das Anpassungsverhalten innerhalb eines Tages und die damit verbundenen gesundheitlichen Folgen in der Klimaforschung zu verstehen.

Wetter und Klima haben tiefgreifende Auswirkungen auf die menschliche Gesundheit1,2,3,4. Eine nicht optimale Temperatur ist mit einer Vielzahl chronischer Krankheiten verbunden5,6, erklärt einen erheblichen Teil der weltweiten Sterblichkeit7 und führt zu erheblichen psychischen Belastungen8,9,10. Neben dem direkten physischen und psychischen Stress beeinflussen die Wetterbedingungen auch das menschliche Verhalten, das für die Gesundheit des Menschen entscheidend ist, darunter körperliche Aktivität11, Schlaf12,13, Bürgerkriege14,15,16,17 und Selbstmord18. Die Bekämpfung des Klimawandels gilt daher als die größte globale Gesundheitschance des 21. Jahrhunderts19.

Ein entscheidender Aspekt bei der Bewertung der Gesundheits- und Wohlstandsbedrohungen durch den Klimawandel ist der Erwerb von Wissen über Anpassungsverhalten20,21,22,23. Frühere Studien haben gezeigt, dass die Anpassung an den Menschen die hitzebedingte Sterblichkeit erheblich reduziert24,25,26. Forscher haben große Anstrengungen unternommen, um individuelle Anpassungsverhaltensweisen zu klassifizieren27, ihre tatsächliche Umsetzung abzubilden28 und die psychosozialen Vorgeschichte der Anpassung zu untersuchen29. Eine Zeitanpassung innerhalb eines Tages kann die Hitzeexposition erheblich reduzieren und stellt somit einen wichtigen Kanal zur Verhaltensanpassung als Reaktion auf das Risiko von hohem Hitzestress dar30. Obwohl ein möglicher Zusammenhang zwischen extremen Temperaturen und der Intraday-Anpassung des Timings von Outdoor-Aktivitäten vermutet wird26,31, gibt es nach wie vor nur begrenzte quantitative Belege dafür, ob und in welchem Ausmaß Menschen den Austausch von Intraday-Aktivitäten als Strategie zur Verhaltensanpassung nutzen.

Einerseits bestimmt der Einfluss extremer Temperaturen auf den Zeitpunkt von Outdoor-Aktivitäten die tatsächliche Temperaturbelastung. Robuste Prognosen zukünftiger hitzebedingter Gesundheitsrisiken erfordern die Berücksichtigung sowohl der gefährlichen Umweltbedingungen als auch der Kaskade gesundheitsrelevanter physiologischer und Verhaltensreaktionen32. Die Vernachlässigung dieses Intraday-Anpassungsspielraums als natürlicher Kanal der menschlichen Thermoregulation führt dazu, dass das Hitzeexpositionsrisiko der Bevölkerung überschätzt wird und die individuelle Hitzetoleranz und -präferenzen falsch charakterisiert werden. Andererseits ist das Aktivitäts-Timing entscheidend für den Ruhe-Aktivitäts-Rhythmus des Menschen, ein möglicherweise unberücksichtigter Zusammenhang zwischen Klima und Gesundheit33. Das Aufschieben von nächtlichen Aktivitäten im Freien, um heiße Temperaturen zu vermeiden, könnte zu nächtlicher Unruhe führen, einem Verhaltensmuster, das biomedizinische Untersuchungen zufolge prädiktiv für die körperliche Gesundheit, die kognitiven Funktionen und das subjektive Wohlbefinden sind34. Da Menschen Rhythmen in ihrer Physiologie und ihrem Verhalten zeigen, die mit Umweltzyklen von 24 Stunden synchronisiert sind, indem sie nachts inaktiv sind, um sich auf den Schlaf vorzubereiten35,36, kann eine Störung des normalen Ruhe-Aktivitäts-Rhythmus auch klinisch relevante Störungen verursachen, einschließlich Neurodegeneration, Diabetes, Fettleibigkeit usw Herz-Kreislauf-Erkrankungen37,38,39,40,41.

Die vorhandene Literatur stützt sich überwiegend auf tägliche oder monatliche Daten und kommt zu dem Schluss, dass extrem kalte Temperaturen zwar die Outdoor-Aktivitäten erheblich verringern, extrem heiße Temperaturen jedoch nur einen geringen oder statistisch nicht signifikanten Einfluss auf die Outdoor-Aktivitäten haben11,31,42,43,44 (siehe Ergänzungstabelle 1) . Mit der Intraday-Substitution als Verhaltensanpassungskanal hängt das Ausmaß der täglichen Outdoor-Aktivität von der Temperaturverteilung innerhalb des Tages ab und nicht von der täglichen Durchschnitts- oder Maximaltemperatur, die in früheren Studien angenommen wurde.

Um Licht in die Intraday-Anpassungsspanne zu bringen, erstellen wir einen einzigartigen stündlichen Aktivitätsdatensatz unter Verwendung von 60 Milliarden Mobilfunkstandortabfragen pro Tag in ganz China. Wir fragen stündlich die Aktivitäten in 10.499 Parks ab und decken damit 19 Kategorien von Outdoor-Freizeitstätten umfassend ab. Parks sind für die Menschen in China die beliebtesten Orte im Freien, an denen sie Freizeit- und körperliche Aktivitäten ausüben, und bieten synergetische Vorteile für die körperliche und geistige Gesundheit45. Im Vergleich zu selbst gemeldeten Umfragen46 oder Eintrittsaufzeichnungen aus einem bestimmten Parktyp47,48,49 liefert unser Mobiltelefon-Positionsdatensatz auch eine objektivere und repräsentativere Dokumentation der stündlichen Outdoor-Aktivitäten und ist in der Lage, Verhaltensweisen mit großen räumlichen und zeitlichen Variationen zu erfassen Temperatur zur Unterstützung der Ursachenidentifizierung. Durch die Verknüpfung stündlicher Daten mit Ökonometrie bieten wir die erste empirische Kalibrierung menschlicher Aktivitätsverteilungsmuster innerhalb eines Tages an Tagen mit unterschiedlichen Temperaturverteilungen. Wir leiten die aktivitätsmindernden und aktivitätsverzögernden Auswirkungen extremer Temperaturen aus unseren stündlichen Schätzungen ab, die eine genauere Kalibrierung der Folgen für die öffentliche Gesundheit bei künftigen Klimaveränderungen ermöglichen können.

Unsere wichtigsten Positionierungsdaten für Mobiltelefone (MP) wurden vom standortbasierten Dienst von Tencent (https://heat.qq.com) erfasst, der die geografischen Echtzeitkoordinaten von mehr als 900 Millionen Benutzern und mehr als 60 Milliarden Standortanfragen enthält pro Tag in ganz China im Jahr 2017 (ergänzende Abbildung 9). Wir haben 10.499 Parks in ganz China, darunter 19 Kategorien. Wir berechnen stündlich die Anzahl der Standortpunkte für Mobiltelefone innerhalb der Grenzen jedes Parks, um den Panel-Datensatz der Parkbesuche zu formulieren. Wir gleichen den stündlichen Besucherindex auf Parkebene mit stündlichen Wetterdaten der nächstgelegenen Station der 2000 nationalen meteorologischen Überwachungsstationen ab. Zu den Wettervariablen zählen umfassend Temperatur, Niederschlag, relative Luftfeuchtigkeit, Windgeschwindigkeit, Windrichtung und Luftdruck. Wir sammeln außerdem die Wolkenabdeckungsdaten aus dem Projekt MERRA-2, M2T1NXRAD (https://disc.gsfc.nasa.gov/datasets/M2T1NXRAD_V5.12.4/summary). Mittlerweile sammeln wir stündliche Luftverschmutzungsdaten von 1500 Luftverschmutzungsüberwachungsstationen in China und wenden die Kriging-Methode zur räumlichen Vorhersage an, um den Verschmutzungsgrad für jeden Park zu interpolieren. Schließlich erfassen wir für Heterogenitätsuntersuchungen (Ergebnisse in Abb. 2) das Stadteinkommen aus dem China City Statistical Yearbook 2017 und definieren mithilfe der Global Human Settlement Layer Urban Centers Database, ob sich ein Park im städtischen Gebiet befindet.

Wir nutzen die exogene Natur stündlicher Klimaschwankungen zusammen mit zahlreichen räumlichen und zeitlichen festen Effekten, um die Auswirkungen extremer Temperaturen auf Parkbesuche zu ermitteln. Unsere bevorzugte Spezifikation erfasst die momentanen nichtlinearen Auswirkungen der Temperatur durch die folgende Regression unter Verwendung der Methode der kleinsten Quadrate:

Dabei indiziert i den Park, c indiziert die Stadt, in der sich der Park befindet, und t indiziert die Zeit, die auf Stundenbasis detailliert wird. Die interessierende Ergebnisvariable \(Y_{ict}\) ist die Besucherzahl für Park i in Stadt c zum Zeitpunkt t. Es werden nur Stunden zwischen 6 und 22 Uhr berücksichtigt. Wir addieren 1 zum Besuchsindex, um den Null-Besuch zu vermeiden (der Null-Besuch macht nur 0,125 % der Beobachtungen aus und führt daher nicht zu einer Verzerrung unserer Schätzung). Unsere interessierende Beziehung wird durch \(f\left( {Temp_{ict} } \right)\ erfasst, das für jeden 5 °C-Temperaturbereich separate Indikatorvariablen bereitstellt, die von der niedrigsten bis zur höchsten Temperatur reichen und eine flexible Schätzung ermöglichen eine nichtlineare Beziehung. Die Kontrollvariable \(X_{ict}\) umfasst andere Wettervariablen (z. B. Niederschlag, Windgeschwindigkeit, Luftfeuchtigkeit, Luftdruck und Wolkenbedeckung), Luftverschmutzung (gemessen durch den Gesamtluftqualitätsindex (AQI)) und einen Dummy Variable, die Feiertage angibt. \(\gamma\) gibt die Regressionskoeffizienten der Parkbesuche anhand der Kontrollvariablen an. Unter Ausnutzung der Panel-Datenstruktur beziehen wir die Park-Fixeffekte (\(\delta_{i}\)), die Stunden-of-the-Date-Fixeffekte (\(\eta_{h}\)) und den Tag ein -wöchentliche feste Effekte (\(\theta_{dow}\)) und Stadt pro Monat feste Effekte (\(\mu_{cm}\)). Mit dieser Einstellung können wir die nicht beobachtbaren zeitlichen, räumlichen und lokal saisonalen Variationsfaktoren kontrollieren und die exogenen täglichen Temperaturschwankungen im selben Park innerhalb derselben Stunde über die Zeit hinweg nutzen, um den kausalen Effekt auf den Besuch zu ermitteln. Die Standardfehler werden auf Stadtebene geclustert, um eine willkürliche Autokorrelation innerhalb der Einheit im Störungsterm \(\varepsilon_{ct}\) nichtparametrisch anzupassen. Die Regressionskoeffizienten werden um \(e^{\beta } - 1\) angepasst, um die prozentuale Änderung zur Interpretierbarkeit zu erhalten.

Das Ziel der Berechnung dieser „Aktivitätszeitverschiebung“ besteht darin, an Tagen mit extremen Temperaturen zu verstehen, nach welchem Zeitpunkt des Tages h + Δh das gleiche Maß an Outdoor-Aktivität herrscht wie nach dem Zeitpunkt h an Tagen mit angenehmen Temperaturen Temperatur. Die Quantifizierung erfordert zwei Eingaben: (1) tägliche Parkbesuchsaktivitätsmenge unter verschiedenen täglichen Temperaturszenarien; (2) Verteilung der Parkbesuchsaktivitäten innerhalb eines Tages nach Stunden unter verschiedenen täglichen Temperaturszenarien (ergänzende Abbildung 4). Wir können den Anteil dieser Aktivität nach der Stunde h ermitteln, indem wir die Summe der Aktivitäten nach der Zeit h durch die des gesamten Tages dividieren und jeweils die Aktivitätsverteilung innerhalb des Tages über die interessierende Zeitspanne integrieren. Durch Multiplikation der absoluten Aktivitätsmenge mit dem Aktivitätsanteil nach der Zeit h erhält man das Aktivitätsniveau nach der Zeit h für Tage mit unterschiedlichen Tagestemperaturen, bezeichnet als f (h |T). Wir suchen nach Δh, das f (h |T0 = 15–20 °C) mit f (h + Δh |T') gleichsetzen kann.

Konkret erfolgt die Berechnung der Aktivitätszeitverschiebung in drei Schritten. Zunächst berechnen wir den Aktivitätsanteil nach einer bestimmten Zeit h, r(h). Insbesondere transformieren wir das Aktivitätsverteilungsmuster innerhalb eines Tages (wie in Abb. 4a gezeigt) in die relative Aktivitätsgröße jeder Stunde bei gegebener Temperatur und wenden dann Gleichung an. (2) um das Verhältnis der Aktivität nach der Zeit t zur Aktivität für den ganzen Tag zu ermitteln.

Zweitens bauen wir eine funktionale Beziehung zwischen der täglichen Aktivitätsmenge und der Temperatur q (T) auf. Die Kartierung erfolgt durch die gleiche ökonometrische Spezifikation wie unsere Hauptergebnisse in Abb. 1, jedoch mit täglichen statt stündlichen Beobachtungen als Eingabe. Anschließend transformieren wir den Einfluss der Temperatur auf die Menge der täglichen Aktivität (ergänzende Abbildung 1) in die relative tägliche Aktivitätsgröße für jede Temperatur mit 15–20 ° C als Basislinie.

Temperatureffekte auf die Anzahl der Parkbesuche. (a) Auswirkungen der stündlichen Temperatur auf Parkbesuche mit unterschiedlichen Modellspezifikationen. (1) Primäre Einstellung: fester Effekt (FE) für Stadt, Monat, Wochentag, Tagesstunde + gruppierte Regression mit 5 °C-Intervallen; (2) Datums-FE als Ersatz für Wochentags-FE; (3) quadratisches Polynom; (4) gruppierte Regression mit 3 °C-Intervallen. (b) Auswirkungen der täglichen Mindest-, Durchschnitts- und Höchsttemperatur (6.00 bis 22.00 Uhr) auf Parkbesuche. Die schattierten Bereiche sind 95 %-Konfidenzintervalle. Histogramm-/Dichtediagramme zeigen die Temperaturverteilung für jede Unterprobe.

Drittens multiplizieren wir den Aktivitätsanteil r(h) mit der täglichen Aktivitätsmenge q (T), um die Aktivitätsmenge nach der Zeit h zu erhalten. Wir legen die akkumulierte Aktivitätsmenge nach 20 Uhr an Tagen mit einer Durchschnittstemperatur von 15–20 °C als Basislinie fest und führen den Optimierungsprozess durch, um die Zeitverschiebung Δt zu erhalten, für die die akkumulierte Aktivität nach 20 + Δh PM gleich der nach 20 Uhr ist an Tagen mit einer Temperatur von 15–20 °C.

Wir wählen 20:00 Uhr, da der tägliche Anstieg der Melatoninsekretion normalerweise um diese Zeit herum stattfindet, um die Menschen auf den Schlaf vorzubereiten50, und körperliche Aktivität nach 20:00 Uhr daher den Schlaf negativ beeinflussen könnte.

Die Klimavorhersagedaten stammen aus dem Coupled Model Intercomparison Project 5 (CMIP5). Wir nutzen die Prognosen von 21 Klimamodellen im Rahmen des RCP 8.5-Emissionsszenarios als unsere Haupteingaben für den zukünftigen Klimawandel. Wir verarbeiten die Daten jedes Klimamodells separat, um die Berechnung des Bootstrap-Standardfehlers zu ermöglichen. Für jedes der 21 Modelle werden die projizierten Temperaturänderungen der monatlichen Temperaturen für jede 2,5 × 2,5-Grad-Gitterzelle ermittelt, indem die monatlich prognostizierte Temperatur in den Jahren 2050–2059 (oder 2090–2099) mit der von 2017 (d. h. unserem Basiswert) differenziert wird Jahr). Dann konvertieren wir von einem 2,5 × 2,5-Grad-Gitter in eine 25 × 25 km große Gitterzelle, indem wir die Area-to-Point-Downscaling-Methode51 über das atakrig-Paket52 verwenden, um historische Wetterdaten abzugleichen.

Monatliche Durchschnittswerte der prognostizierten Temperaturänderungen werden unter Verwendung der historischen Wettervariabilität im Jahr 2017 gemäß der in früheren Untersuchungen übernommenen Methode zeitlich in stündliche Erkenntnisse zerlegt53. Konkret verwenden wir für jeden Monat die beobachtete durchschnittliche Temperaturschwankung im Jahr 2017 für jede Stunde als Basis und addieren die prognostizierten monatlichen Temperaturänderungen aus den Projektionsmodellen:

wobei \(T_{h,m,y}\) die durchschnittliche Temperatur für die Stunde h des Tages (z. B. 20 Uhr) im Monat m des Jahres y ist, \(T_{h,m,2017}\) die durchschnittliche realisierte Temperatur für die Stunde h des Tages im Monat m des Jahres 2017, und \(\Delta T_{m,y}\) ist die projizierte tägliche durchschnittliche Temperaturänderung im Monat m des Jahres y im Vergleich zu 2017 gemäß dem Klimamodell. Hier müssen wir davon ausgehen, dass der Temperaturanstieg für alle Stunden innerhalb eines Tages gleich ist, da Daten für die prognostizierte Temperaturänderung pro Stunde fehlen.

Wir passen einen natürlichen kubischen Spline an unsere geschätzte Dosis-Wirkungs-Funktion zwischen Gruppentemperatur und Aktivitätsmenge an (Abb. 1), um eine kontinuierliche Kartierung der stündlichen Temperatur bei Parkbesuchen zu erhalten (ergänzende Abb. 10a). Anschließend kombinieren wir die projizierte monatliche Durchschnittstemperatur für jede Stunde in dieses angepasste Modell, um die potenzielle prozentuale Änderung der Parkbesuche aufgrund der globalen Erwärmung in jedem Monat von 2050–2059 (oder 2090–2099) abzuschätzen. Wir verwenden auch ein ähnliches Verfahren, jedoch mit durchschnittlichen Temperatureingaben pro Stunde für Sommer (Juni bis August) und Winter (Dezember bis Februar) aus den Klimamodellen, um den zusätzlichen Prozentpunkt der Aktivitätsänderung für jedes Jahr von 2017 bis 2099 zu projizieren und anzuzeigen allgemeiner Trend der jährlichen Variation im saisonalen Aktivitätsrhythmus. In ähnlicher Weise passen wir einen kubischen Spline an unsere geschätzte Beziehung zwischen Temperatur und Zeitverschiebung an (ergänzende Abbildung 10b) und geben die prognostizierte Temperatur von 2050–2059 und 2090–2099 ein, um die projizierte Zeitverschiebung im Intraday-Ruheaktivitätsrhythmus zu berechnen.

Die Schätzungen von Änderungen sowohl der Aktivitätsmenge als auch des Zeitpunkts weisen mehrere Unsicherheitsquellen auf: die Klimaunsicherheit, die Unsicherheit des ökonometrischen Modells und die durch das Zusammenspiel dieser Faktoren erzeugte Unsicherheit. Wir verfolgen eine ähnliche Strategie wie frühere klimaökonometrische Arbeiten54 und verwenden Monte-Carlo-Stichproben, um beide Unsicherheiten zu berücksichtigen. Wir charakterisieren die Unsicherheit der Klimarealisierung in 21 Klimamodellen und die ökonometrische Unsicherheit in 25 Quantilen jedes Koeffizienten auf der geschätzten Antwortkurve. Wir berechnen somit künftig 525 mögliche Werte für jede Wirkungsdimension in jedem Monat. Die empirischen Verteilungsfunktionen werden als Wirkungsverteilungsfunktionen verwendet, um das 95 %-Konfidenzintervall zu erhalten.

Unsere Forschung steht im Gegensatz zu früheren Studien – wir dokumentieren einen großen und signifikanten aktivitätsmindernden Effekt auf der Hochtemperaturseite der Verteilung. Wir stellen fest, dass die gleichzeitigen Auswirkungen der stündlichen Temperatur auf Parkbesuche eine umgekehrte U-Form zu haben scheinen (Abb. 1a). Der marginale Effekt einer Abweichung von 1 °C vom angenehmsten Temperaturbereich (dh 20–25 °C) erscheint symmetrisch, jedoch mit einem langen Schwanz auf der Seite der kalten Temperatur. Im Vergleich zu 20–25 °C verringert eine stündliche Temperatur unter 0 °C die Parkbesuche um 20 % (95 %-Konfidenzintervall, KI 18–22 %), und eine stündliche Temperatur über 30 °C und 35 °C verringert die Parkaktivität um 5 %. (95 %-KI 3–7 %) bzw. 13 % (95 %-KI 10–16 %). Diese Schätzungen sind viel größer als die vorherigen Ergebnisse auf Tagesbasis (siehe Ergänzungstabelle 1) und unter verschiedenen Spezifikationen robust (Abb. 1a). Wir haben unsere geschätzten Auswirkungen von Temperatur, Wetterkontrollen und deren Wechselwirkungen in der Ergänzungstabelle 3, 4 zusammengefasst. Wie erwartet stellen wir deutlich negative Auswirkungen von Niederschlag, Windgeschwindigkeit und Luftfeuchtigkeit auf Parkbesuche fest. Und unsere vorläufigen Tests legen keinen eindeutigen Beweis dafür nahe, dass andere meteorologische Variablen Wechselwirkungen mit extremer Hitze haben und sich gemeinsam auf die Parkaktivitäten auswirken.

Um die Mechanismen zu verstehen, die den Unterschieden zwischen unserer Analyse und früheren Studien zugrunde liegen, untersuchen wir dasselbe ökonometrische Klimamodell mit demselben Satz von Kontrollvariablen, verwenden jedoch als Eingabe die tägliche Temperatur statt der stündlichen. Die Ergebnisse deuten darauf hin, dass die Mindesttemperatur am Tag (6.00 bis 22.00 Uhr) und nicht die Durchschnitts- oder Höchsttemperatur (die normalerweise in Klimafolgenstudien verwendet werden) das Aktivitätsniveau bestimmt, zu dem Einzelpersonen als Reaktion auf die Temperatur bereit sind, teilzunehmen (Abb. 1b). ). Dies verdeutlicht die Strategie zur Substitution innerhalb eines Tages, die Menschen verfolgen, um sich gegen extreme Temperaturen abzusichern. Selbst wenn die Höchst- oder Durchschnittstemperatur hoch ist, werden wir keinen signifikanten Rückgang der täglichen Aktivitätsmenge beobachten, solange die kühleren Tageszeiten es den Menschen ermöglichen, ihre Aktivitäten innerhalb eines Tages zu wechseln.

Wenn die Kluft zwischen unseren Erkenntnissen und der täglichen Analyse früherer Untersuchungen tatsächlich durch zeitliche Verschiebungen der Aktivität innerhalb eines Tages verursacht wird, würden wir eine höhere Empfindlichkeit gegenüber übermäßiger Hitze in Parks erwarten, in denen die Besuchszeit eingeschränkter ist, und an Tagen, an denen die Zeitflexibilität gegeben ist ist niedrig. Wir stratifizieren unsere Stichprobe nach Orten und Zeiten, um die Heterogenität der Antwortelastizität zu untersuchen (Abb. 2). Touristenattraktionen schließen normalerweise abends (also zu den kühleren Zeiten des Tages). Daher fehlt ihnen die Flexibilität, Aktivitäten auf eine kühlere Tageszeit zu verlagern. Wir finden eindeutige Beweise dafür, dass der Besuch von Touristenattraktionen weniger empfindlich auf extreme Hitze reagiert als normale Stadtparks (Tourismusattraktionen sind in der Regel eingezäunte Parks mit strengen Öffnungszeiten, während normale Stadtparks in der Regel nicht eingezäunt und rund um die Uhr geöffnet sind). Ebenso führen die zeitlichen Beschränkungen an Wochentagen dazu, dass die Hitzeempfindlichkeit deutlich geringer ist als am Wochenende.

Heterogene Auswirkungen der stündlichen Temperatur auf die Anzahl der Parkbesuche. Punkte sind Punktschätzungen bei Anwendung von Gl. (1) noch Zusammenlegung der Klassen über 30 °C und unter 0 °C. Fehlerbalken sind 95 %-Konfidenzintervalle. Eine detaillierte Heterogenitätsanalyse nach Temperaturbereichen ist in der ergänzenden Abbildung 2 zusammengefasst und die numerischen Schätzungen sind in der ergänzenden Tabelle 5 dargestellt.

Darüber hinaus testen wir potenzielle Moderatoren der Temperatursensitivität von Outdoor-Aktivitäten durch eine Reihe von Heterogenitätsanalysen (siehe Abb. 2). Erstens: Anstatt Beweise dafür zu finden, dass Personen, die häufiger heißen Temperaturen ausgesetzt sind, durch körperliche Akklimatisierung weniger empfindlich reagieren, finden wir in Südchina und in Regionen mit höheren Temperaturen eine höhere Empfindlichkeit gegenüber stündlichen heißen Temperaturen. Dieses Ergebnis zeigt ein größeres Ausmaß der zeitlichen Substitution in Regionen, in denen die Gewohnheit, die heißeste Tageszeit zu meiden, stärker ausgeprägt ist, was auf die wichtige Rolle der Verhaltensanpassung hindeutet. Zweitens sind Parks in städtischen Gebieten hinsichtlich der Temperaturdichteverteilung heißerem Wetter ausgesetzt und gleichzeitig hinsichtlich der Besucherzahl stärker von extrem heißen Temperaturen betroffen. Dies ist ein eindrucksvoller Beweis dafür, dass Städte aufgrund der städtischen Wärmeinseln die Oberflächenenergiebilanz verändern und die negativen Auswirkungen heißer Temperaturen verstärken5,55. Im Gegensatz dazu finden wir keine Hinweise darauf, dass Einkommensunterschiede zwischen Städten die Temperaturelastizität von Parkbesuchen beeinflussen.

Um direkte Beweise für die zeitliche Substitution innerhalb eines Tages als kurzfristige Temperaturanpassungsstrategie zu liefern, untersuchen wir die Auswirkungen der Temperatur auf die Aktivitätsmenge während verschiedener Tageszeiten. Ähnlich wie in der vorherigen Literatur42,56 zerlegen wir einen Tag in heißere Zeiten [d. h. Mittag (10–14 Uhr) und später Nachmittag (15–18 Uhr)], kühlere Zeiten [d. h. Morgen (6–9 Uhr) und abends (19–22 Uhr)]. Wir verwenden die gruppierte durchschnittliche Tagestemperatur als erklärende Variable und führen die Regression in Gleichung separat durch. (1) für jede Zweizeitschicht. Wir stellen fest, dass eine viel größere Intraday-Aktivitätssubstitution eine kompensatorische Strategie57 zur Absicherung gegen heiße Temperaturen im Vergleich zu kalten Temperaturen darstellt. Bei heißem Wetter reduzieren die Menschen ihr Aktivitätsniveau am Mittag und am späten Nachmittag deutlich, während es morgens und abends ansteigt (Abb. 3a). Die Ergebnisse veranschaulichen, warum den täglichen Daten die zeitliche Granularität fehlt, um Anpassungsmechanismen innerhalb des Tages zu dokumentieren, und fälschlicherweise zu dem Schluss kommen könnten, dass die Temperatur keinen oder sogar einen positiven Einfluss auf die menschliche Aktivität hat.

Aktivitäts- und Temperaturverteilung in heißen und kühlen Tageszeiten. (a) Auswirkungen der täglichen Durchschnittstemperatur auf Aktivitäten zu verschiedenen Tageszeiten. Die schattierten Bereiche sind 95 %-Konfidenzintervalle. Dichtediagramme zeigen die Temperaturverteilung für jede Teilprobe. (b) Durchschnittliche Tagestemperatur für verschiedene Zeiträume. Dargestellt ist die Temperaturverteilung an Tagen mit einer Tagesdurchschnittstemperatur von 30–35 °C bzw. 35–40 °C. Der Punkt in jeder Verteilung ist der Median. Die dickeren und dünneren Linien zeigen den Interquartilbereich (dh 25–75 %) und 95 %-Konfidenzintervalle. Die Farbschattierungen zeigen die Dichteverteilung.

Der zeitliche Austausch von Aktivitäten innerhalb eines Tages bietet Vorteile durch die Reduzierung extremer Temperaturbelastungen für flexible Outdoor-Aktivitäten. Wenn die durchschnittliche Tagestemperatur zwischen 30–35 °C und 35–40 °C liegt, kann die durchschnittliche Temperaturbelastung von 33,6 auf 29,3 °C bzw. von 37,9 auf 33,3 °C gesenkt werden, wenn die Aktivitäten von der heißeren auf die kühlere Tageszeit umgestellt werden °C (Abb. 3b). Die durchschnittliche tägliche Umgebungstemperatur wird in öffentlichen Gesundheits- und Wirtschaftsstudien häufig als Maß für die Wärmeexposition verwendet, um die Dosis-Wirkungs-Funktionen zwischen Morbiditäts-/Mortalitätsrisiken und Temperaturexpositionen zu erstellen21. Die Berücksichtigung des menschlichen Aktivitätsmusters im Tagesverlauf und seiner Anpassung an die Umgebungstemperatur kann dazu beitragen, einen genaueren Hitzeexpositionsindex zu erstellen, der mit den Ergebnissen für die öffentliche Gesundheit verknüpft wird.

Um besser zu verstehen, wie sich extreme Temperaturen auf das tägliche Profil von Aktivitätsmustern auswirken, schichten wir die Stichprobe entsprechend der durchschnittlichen Tagestemperatur in Gruppen ein, legen den Mittag (13:00 Uhr) als Referenz für jeden Temperaturbereich fest und fügen stündliche Dummies hinzu Unsere Hauptregression besteht darin, Temperaturbereiche zu ersetzen, um das relative Aktivitätsniveau zu jeder vollen Stunde im Vergleich zu dem um 13:00 Uhr zu untersuchen. Die Ergebnisse zeigen eine bimodale Verteilung der Outdoor-Freizeitaktivitäten. Noch wichtiger ist, dass Menschen ihre Aktivitäten bei extrem heißen Temperaturen deutlich in Richtung Nacht verlagern (Abb. 4a). Im Gegensatz dazu bleibt die stündliche Aktivitätsverteilung an Tagen mit Frost im Vergleich zu gemäßigteren Tagen ähnlich, was darauf hindeutet, dass die Anpassung der Aktivitätszeit innerhalb eines Tages kein Hauptanpassungskanal an kaltes Wetter ist (ergänzende Abbildung 3).

Quantifizierung der temperaturbedingten Zeitverschiebung. (a) Stündliche Aktivitätsverteilung innerhalb eines Tages nach täglicher durchschnittlicher Temperaturspanne. Jede Linie stellt das Aktivitätsmuster innerhalb eines Tages für Tage dar, die in jedem täglichen Durchschnittstemperaturbereich liegen. Die schattierten Bereiche sind 95 %-Konfidenzintervalle. (b) Quantifizierte Zeitverschiebung (Δt) als Funktion der täglichen Durchschnittstemperatur. Schattierte Bereiche sind 95 %-Konfidenzintervalle, die durch Monte-Carlo-Stichproben ökonometrischer Parameterschätzungen sowohl des Aktivitätsverteilungsmusters innerhalb eines Tages (25 Quantile) als auch der täglichen Aktivitätsmenge nach Temperatur (25 Quantile) berechnet wurden54.

Schlafliteratur hat gezeigt, dass sich die Beendigung körperlicher Aktivität kurz vor dem Schlafengehen negativ auf die Schlafqualität auswirken kann58,59. Wir schlagen einen Ansatz zur Quantifizierung des Ausmaßes der temperaturbedingten nächtlichen Aktivitätsverzögerung vor, um deren Folgen zu veranschaulichen. Nehmen wir an, dass sich körperliche Aktivität im Freien nach der Zeit t negativ auf den Schlaf auswirken würde. Die grundlegende Frage, die wir stellen, lautet: Welcher Zeitpunkt t + Δt wäre an Tagen mit extremen Temperaturen dem Zeitpunkt t an Tagen mit angenehmen Temperaturen für die Auswirkungen auf den Schlaf äquivalent? Wir definieren Äquivalenz als das gleiche Maß an Outdoor-Aktivität nach diesem Zeitpunkt. Und wir bezeichnen Δt als die Verschiebung der (schlafrelevanten) Aktivitätszeit aufgrund extremer Temperaturen (Einzelheiten siehe „Methoden“).

Wir zeichnen die Aktivitätszeitverschiebung mit 20 Uhr als Referenzzeit in Abb. 4b auf. Wir haben den Referenzwert auf 20:00 Uhr festgelegt, da körperliche Aktivität nach dieser Zeit als kurz vor dem Schlafengehen angesehen werden kann. Die monotone Dosis-Wirkungs-Funktion zwischen der Aktivitätszeitverschiebung Δt und der täglichen Durchschnittstemperatur lässt auf einen kontinuierlichen Anstieg der nächtlichen Aktivität bei höheren Temperaturen schließen. Wenn die durchschnittliche Tagestemperatur über 30 °C liegt, beobachten wir im Vergleich zu Tagen mit angenehmer Temperatur das gleiche Maß an Outdoor-Aktivität mit einer Verspätung von 27 Minuten (95 %-KI 24–30 Minuten). Inwieweit die verzögerte aktive Zeit in der Nacht zu den negativen Auswirkungen der Temperatur auf den Schlaf beiträgt, bedarf weiterer zukünftiger Studien.

Der Klimawandel stellt eine große Bedrohung für die menschliche Gesundheit dar. In diesem Zusammenhang ist es wahrscheinlich, dass der zukünftige Klimawandel die Anpassungsfähigkeit, Häufigkeit und Dauer menschlicher Aktivitätsrhythmen verändern wird. Um das Ausmaß der Auswirkungen zu beleuchten, projizieren wir die potenziellen Auswirkungen des zukünftigen Klimawandels auf die Menge und den Zeitpunkt der Outdoor-Aktivitäten anhand der prognostizierten Temperaturen aus dem Coupled Model Intercomparison Project Phase 5 (CMIP5). Wir verknüpfen die vorhergesagte stündliche Temperatur mit unseren Schätzungen des Zusammenhangs zwischen Temperatur und Parkbesuchen, um die Aktivitätsänderung vorherzusagen (Einzelheiten siehe Methoden).

Zieht man die Aktivitätsänderungen aufgrund von Temperaturschwankungen in den Jahren 2050–2059 (oder 2090–2099) vom Basisjahr 2017 ab, deutet unsere stündliche Vorhersage darauf hin, dass der zukünftige Klimawandel die saisonalen Schwankungen der körperlichen Aktivität verstärken wird. Wir präsentieren die folgenden Prognosen unter RCP 8.5, die eine „Obergrenze“ potenzieller zukünftiger Veränderungen widerspiegeln, bei denen die Emissionen im Laufe des 21. Jahrhunderts weiter ansteigen. Die Ergebnisse eines gemäßigteren und aktuell realistischeren Szenarios, RCP 4.5, werden im Zusatzmaterial dargestellt. Wir prognostizieren für China bis zum Ende dieses Jahrhunderts einen zusätzlichen Rückgang um durchschnittlich 5,7 Prozentpunkte im Juli (dem heißesten Monat) und einen Anstieg um 4,7 Prozentpunkte im Februar (dem kältesten Monat aufgrund des wärmeren Winters) (Abb. 5a). Diese Divergenz zwischen den Jahreszeiten verstärkt sich mit der Zeit aufgrund des Klimawandels kontinuierlich (Abb. 5b). Obwohl die jährlichen Nettoeffekte aufgrund der gegenläufigen Auswirkungen von Winter und Sommer gering sind (Abb. 5c), kann die globale Erwärmung in den meisten Gebieten Chinas im Sommer zu einem zusätzlichen Verlust von 4–10 Prozentpunkten an körperlicher Aktivität im Freien führen (Abb. 5d). ). Auf dem Qinghai-Tibet-Plateau ist ein Nettoanstieg der Parkbesuche zu verzeichnen, die Bevölkerungsdichte in dieser Region ist jedoch sehr gering (siehe ergänzende Abbildung 5). Wenn wir anhand unserer Daten eine Vorhersage auf der Grundlage der täglichen Durchschnittstemperatur treffen, kommen wir fälschlicherweise zu dem Schluss, dass der zukünftige Klimawandel auch in der heißesten Jahreszeit der körperlichen Aktivität zugute kommt.

Voraussichtliche Änderung der Parkbesuchsmenge. (a) Zusätzliche prozentuale Veränderung der Parkbesuchsmenge pro Monat in den Jahren 2050 und 2099 im Vergleich zu 2017 aufgrund des Klimawandels. (b) Die prozentuale Änderung der Aktivitätsmenge für Sommer und Winter bzw. für alle Jahre in der Zukunft. Geografische Schätzungen der prognostizierten Änderung der Parkbesuchsmenge in allen Gebieten Chinas im Zeitraum 2090–2099 im RCP8.5-Szenario. Fehlerbalken und schattierte Bereiche stellen 95 %-Konfidenzintervalle dar, die durch Monte-Carlo-Stichproben von ökonometrischen Parameterschätzungen und Klimamodellen berechnet wurden. (c) Geografische Streuung der prognostizierten zusätzlichen jährlichen durchschnittlichen Auswirkungen der durch den Klimawandel verursachten Aktivitätsänderung im Zeitraum 2090–2099. (d) Vorhersage zusätzlicher, durch den Klimawandel verursachter Aktivitätsänderungen in den Jahren 2090–2099 nach Jahreszeiten. Die Ergebnisse für das RCP 4.5-Szenario sind in der ergänzenden Abbildung 6 dargestellt. Die Abbildung wurde mit R (Version 4.1.0 https://www.r-project.org/) erstellt und für die Karten besteht kein Urheberrechtsstreit.

Neben der Aktivitätsmenge prognostizieren wir, dass sich der Aktivitätsrhythmus im Freien im Sommer als Reaktion auf die globale Erwärmung weiterhin in Richtung Nacht verschieben wird. Mehr als 75 % der Bevölkerung in China müssen ihre Aktivitäten im Freien um durchschnittlich 20 bis 30 Minuten auf die Nacht verschieben, um sich an das heiße Klima anzupassen (Abb. 6). Jüngste Literaturdokumente belegen, dass der globale Klimawandel die Tagesminimumtemperatur wahrscheinlich stärker ansteigen lässt als den Tagesdurchschnitt60. Der unterschiedliche Temperaturanstieg mit der Zeit ist in unserem Vorhersagemodell noch nicht erfasst und wird die aktivitätsmindernden und aktivitätsverzögernden Effekte wahrscheinlich noch verstärken.

Prognostizierte Zeitverschiebung beim Intraday-Timing der Aktivität im Sommer. (a) Geografische Verteilung der durchschnittlichen jährlichen Aktivitätszeitverschiebung aufgrund der Temperatur im Jahr 2017, in der Mitte des Jahrhunderts (2050–2059) und am Ende des Jahrhunderts (2090–2099) im RCP8.5-Szenario. (b) Größe der Populationen, die jeweils einem durchschnittlichen jährlichen Zeitverschiebungsniveau unterliegen. Dichtediagramme zeigen, wie sich die Verteilung der Zeitverschiebungen über die Bevölkerung verteilt, und Boxdiagramme zeigen den Median, den Interquartilbereich (d. h. 25–75 %) und 95 %-Konfidenzintervalle. Die in jeder Zeile angezeigten Ergebnisse stammen aus dem Jahr 2017, der Mitte des Jahrhunderts (2050–2059) und dem Ende des Jahrhunderts (2090–2099) im RCP8.5-Szenario. Die Ergebnisse für den Jahresdurchschnitt aller Jahreszeiten unter RCP8.5 und RCP 4.5 sind in der ergänzenden Abbildung 7–8 dargestellt. Die Abbildung wurde mit R (Version 4.1.0 https://www.r-project.org/) erstellt und für die Karten gibt es keinen Urheberrechtsstreit.

Extreme Temperaturen beeinträchtigen die beobachteten menschlichen körperlichen Aktivitäten erheblich und verändern den Aktivitätszeitpunkt innerhalb eines Tages. Die Ergebnisse früherer Literaturbedingungen (wie in der Ergänzungstabelle 1 aufgeführt), die zu dem Schluss kommen, dass heiße Temperaturen keine oder nur geringe Auswirkungen auf die menschliche Aktivität haben, sind nicht in der Lage, die Intraday-Substitution zu messen, die Menschen üblicherweise vornehmen, um sich an unangenehme Temperaturbedingungen anzupassen. Hier liefern wir konsistente Beweise dafür, wie extrem heiße Temperaturen die Aktivitätsdynamik innerhalb eines Tages verändern, und entwickeln eine neuartige Strategie zur Quantifizierung des Ausmaßes der Aktivitätsverzögerung.

Unsere Ergebnisse stehen im Gegensatz zu früheren Erkenntnissen zu den Auswirkungen des Klimawandels auf körperliche Aktivität. Während frühere Studien darauf hindeuteten, dass die zukünftige Erwärmung die körperliche Aktivität verbessern könnte11,42,43, deuten unsere Ergebnisse auf erhebliche negative Auswirkungen heißer Temperaturen hin. Wir stellen fest, dass Menschen nicht immun gegen heiße Temperaturen sind, sondern stattdessen ihre Aktivitätsstunden innerhalb des Tages verschieben, um die heißesten Temperaturen zu vermeiden. Wenn der zukünftige Klimawandel die gesamte Temperaturverteilung nach oben verschiebt und die minimale Tagestemperatur stärker als die maximale Tagestemperatur ansteigt – wie erwartet60,61 –, könnte dies dazu führen, dass den Menschen die kühlen Tagesperioden in heißeren Jahreszeiten entfallen, die sie derzeit verschieben Aktivitäten hinein. Im Gegensatz dazu stellen wir in der kalten Jahreszeit nur begrenzte Anpassungen der Intraday-Aktivitätszeit fest. Wir vermuten, dass dieser Unterschied möglicherweise auf die mangelnde Flexibilität für Freizeitaktivitäten während der warmen Tageszeiten (z. B. um die Mittagszeit) im Vergleich zu kühlen Tageszeiten (z. B. Abend und Nacht) zurückzuführen ist. Da eine verbesserte Gesundheit und Fitness durch körperliche Aktivität das Risiko von Hitzestress verringern kann62, hat eine genauere Prognose aktivitätsmindernder Effekte aufgrund der Intraday-Anpassung auch wichtige Auswirkungen auf die Gesundheit. Darüber hinaus kann unser Ansatz über Freizeitaktivitäten im Freien hinaus verwendet werden, um die Intraday-Anpassung im Kontext von Arbeiten im Freien und Nicht-Freizeitaktivitäten zu untersuchen, um die Auswirkungen auf Leistung und Gesundheit zu verstehen31.

Darüber hinaus präsentieren wir den ersten empirischen Beweis dafür, dass die durch den Klimawandel verursachte erhöhte Häufigkeit extrem heißer Temperaturen Auswirkungen nicht nur auf die Menge der Aktivität, sondern auch auf den Ruhe-Aktivitäts-Rhythmus hat, der für die Umweltexposition und den menschlichen Stoffwechsel von grundlegender Bedeutung ist. Extreme Hitze erhöht den Anteil der täglichen Aktivitäten, die spät in der Nacht stattfinden, erheblich. Die Verzögerung der Aktivitätszeit stellt sowohl eine positive Anpassung (Vorteil) an Hitzestress dar, indem die Hitzeexposition reduziert wird, als auch eine potenzielle Fehlanpassung (Kosten) durch die Störung des Schlafverhaltens. Unsere Arbeit bezieht sich daher auf die breitere Diskussion über die Wirksamkeit und Fehlanpassung von Anpassungen63,64. Einerseits kann eine solche Intraday-Anpassung unter den aktuellen Klimabedingungen die Hitzeexposition zum Aktivitätszeitpunkt effektiv um 4–5 °C reduzieren. Untersuchungen, die den Zusammenhang zwischen Hitze und Gesundheit untersuchen und dabei diesen Spielraum für die Verhaltensanpassung vernachlässigen, werden die körperliche Anpassungsfähigkeit des Menschen an übermäßige Hitze überschätzen. Andererseits verzögern Menschen die Aktivitätszeit nach 20 Uhr um mehr als 25 Minuten, wenn die Temperatur über 30 °C liegt. Eine solche Verzögerung kann zu einer Phasenverzögerung im zirkadianen System65 und damit zu Schlafstörungen33,59,66 führen. Zukünftige Studien zu den gesundheitlichen Auswirkungen des Klimawandels sollten untersuchen, ob ein verzögerter zirkadianer Rhythmus ein Mechanismus für die Verringerung der Schlafmenge und -qualität an heißen Tagen ist.

Bei der Interpretation der Ergebnisse dieser Studie sind mehrere wichtige Überlegungen zu berücksichtigen. Erstens ist unsere Beobachtungseinheit eher ein Park als ein Individuum. Es ist möglich, dass unsere Ergebnisse teilweise auf Änderungen der Probenzusammensetzung von Personen zurückzuführen sind, die an Tagen mit unterschiedlichen Temperaturen ausgehen. Zukünftige Studien sollten dieselben Personen im Laufe der Zeit verfolgen und idealerweise individuelle feste Effekte einbeziehen, um sicherzustellen, dass die Ergebnisse nicht durch die Stichprobenauswahl verzerrt werden. Zweitens hängt die Frage, ob der historische Zusammenhang, den wir zwischen Temperatur und Aktivität aufgebaut haben, auch in Zukunft bestehen bleibt, neben den Temperaturen auch von anderen Faktoren ab, darunter soziodemografische Zusammensetzungen, Veränderungen der bebauten Umwelt und technologische Entwicklungen. All diese Dynamiken bringen Unsicherheiten in unsere Prognosen zukünftiger Klimaauswirkungen mit sich und sollten in zukünftigen Studien genauer untersucht werden. Drittens basieren unsere empirischen Analysen historischer Zusammenhänge zwar auf stündlichen Daten, die Prognosen der Auswirkungen des zukünftigen Klimawandels basieren jedoch auf täglichen Daten über Klimawandelszenarien. Der Anstieg der Tagesmitteltemperatur führt nicht zwangsläufig zu einem gleichmäßigen Temperaturanstieg zu allen Tageszeiten. Dies führt zu weiteren Unsicherheiten und erfordert, dass Forscher zur Abmilderung höher aufgelöste Klimavorhersagemodelle entwickeln. Obwohl wir nicht in der Lage sind, genaue zukünftige Aktivitätsvorhersagen mit Intraday-Temperaturprognosen zu liefern, gehen wir davon aus, dass künftige Rückgänge im Intraday-Temperaturbereich (d. h. aufgrund eines stärkeren Anstiegs der minimalen Tagestemperatur als der Maximaltemperatur) den Anpassungsspielraum innerhalb eines Tages weiter verringern werden zu größeren aktivitätsmindernden Effekten führen als nach unseren derzeitigen Schätzungen. Viertens konzentrieren sich unsere aktuellen Analysen hauptsächlich auf extreme Temperaturen. Es wäre eine fruchtbare Forschungsrichtung für zukünftige Studien, Daten mit hoher zeitlicher Granularität zu nutzen, um detaillierte Verhaltensreaktionen auf andere meteorologische Veränderungen und deren Wechselwirkungen als Reaktion auf zukünftige Klimaveränderungen abzubilden. Abschließend wird unsere Analyse im chinesischen Kontext durchgeführt. Es muss noch getestet werden, ob Menschen in anderen Ländern bei der Verschiebung des Aktivitätszeitpunkts als Reaktion auf extreme Temperaturen genauso vorgehen.

Zusammenfassend lässt sich sagen, dass menschliche Verhaltensmuster und ihre zeitlichen Variationen ein wesentlicher Bestandteil der menschlichen Anpassung an unsere Umwelt sind. Dennoch konzentrieren sich Umwelt- und Gesundheitsstudien fast ausschließlich auf das durchschnittliche Maß an täglicher Aktivität und berücksichtigen nicht den Zeitpunkt dieser Aktivität. Die Berücksichtigung der Umverteilung der Aktivität innerhalb des Tages kann in vielen Situationen die Dosis-Wirkungs-Funktion zwischen Temperatur und Gesundheitsergebnissen verändern, die Vorhersagen zukünftiger Klimaveränderungen in Bezug auf die Aktivitätsmenge ändern und gesundheitliche Bedenken hinsichtlich der Störung des Ruhe-Aktivitäts-Rhythmus aufwerfen, die politischen Entscheidungsträgern bewusst sein sollten von. Unsere Studie gibt Impulse für die Verwendung von Daten mit höherer zeitlicher Granularität, um das Anpassungsverhalten innerhalb eines Tages zu verstehen und die Umwelt- und Verhaltensindikatoren zu bereichern, die wir zur Verknüpfung mit den Ergebnissen der menschlichen Gesundheit verwendet haben.

Die während der aktuellen Studie generierten und/oder analysierten Datensätze sind aufgrund der vertraulichen Anforderungen der Mobiltelefonpositionierungsdaten nicht öffentlich verfügbar. Für die Wiedergabe von Zahlen und Ergebnissen sind verarbeitete Daten ohne vertrauliche Informationen auf begründete Anfrage bei den entsprechenden Autoren erhältlich.

Barreca, A., Clay, K., Deschênes, O., Greenstone, M. & Shapiro, JS Konvergenz bei der Anpassung an den Klimawandel: Beweise aus hohen Temperaturen und Sterblichkeit, 1900–2004. Bin. Wirtschaft. Rev. 105, 247–251 (2015).

Artikel Google Scholar

Solomon, CG & LaRocque, RC Klimawandel – ein gesundheitlicher Notfall. N. engl. J. Med. 380, 209–211 (2019).

Artikel Google Scholar

Watts, N. et al. Gesundheit und Klimawandel: Politische Reaktionen zum Schutz der öffentlichen Gesundheit. Lancet 386, 1861–1914 (2015).

Artikel MathSciNet Google Scholar

Lelieveld, J. et al. Auswirkungen fossiler Brennstoffe und der vollständigen Entfernung anthropogener Emissionen auf die öffentliche Gesundheit und das Klima. Proz. Natl. Acad. Wissenschaft. USA 116, 7192–7197.

Artikel ADS CAS Google Scholar

Ye, X. et al. Umgebungstemperatur und Morbidität: Eine Überprüfung der epidemiologischen Beweise. Umgebung. Gesundheitsperspektive. 120, 19–28 (2012).

Artikel Google Scholar

Hajat, S., O'Connor, M. & Kosatsky, T. Gesundheitliche Auswirkungen von heißem Wetter: Vom Bewusstsein für Risikofaktoren bis hin zu wirksamem Gesundheitsschutz. Lancet 375, 856–863 (2010).

Artikel Google Scholar

Gasparrini, A. et al. Sterblichkeitsrisiko aufgrund hoher und niedriger Umgebungstemperatur: Eine länderübergreifende Beobachtungsstudie. Lancet 386, 369–375 (2015).

Artikel Google Scholar

Wang, J., Obradovich, N. & Zheng, S. Eine 43-Millionen-Personen-Untersuchung zum Wetter und zum Ausdruck der Stimmung in einem sich verändernden Klima. One Earth 2, 568–577 (2020).

Artikel ADS Google Scholar

Obradovich, N., Migliorini, R., Paulus, MP & Rahwan, I. Empirische Belege für psychische Gesundheitsrisiken durch den Klimawandel. Proz. Natl. Acad. Wissenschaft. USA 115, 10953–10958 (2018).

Artikel ADS CAS Google Scholar

Baylis, P. et al. Wettereinflüsse drückten die Stimmung aus. PLoS ONE 13, e0195750 (2018).

Artikel Google Scholar

Obradovich, N. & Fowler, JH Der Klimawandel kann die körperlichen Aktivitätsmuster des Menschen verändern. Nat. Summen. Verhalten. 1, 0097 (2017).

Artikel Google Scholar

Obradovich, N., Migliorini, R., Mednick, SC & Fowler, JH Nachttemperatur und menschlicher Schlafverlust in einem sich ändernden Klima. Wissenschaft. Adv. 3, e1601555 (2017).

Artikel ADS Google Scholar

Minor, K., Bjerre-Nielsen, A., Jonasdottir, SS, Lehmann, S. & Obradovich, N. Steigende Temperaturen beeinträchtigen den menschlichen Schlaf weltweit. One Earth 5, 534–549 (2022).

Artikel ADS Google Scholar

Hsiang, SM, Burke, M. & Miguel, E. Quantifizierung des Einflusses des Klimas auf menschliche Konflikte. Wissenschaft 341, 1235367 (2013).

Artikel Google Scholar

Hsiang, SM & Burke, M. Klima, Konflikt und soziale Stabilität: Was sagen die Beweise?. Aufstieg. Chang. 123, 39–55 (2014).

Artikel ADS Google Scholar

Mach, KJ et al. Klima als Risikofaktor für bewaffnete Konflikte. Natur 571, 193–197 (2019).

Artikel ADS CAS Google Scholar

Helman, D. & Zaitchik, BF Temperaturanomalien wirken sich auf gewalttätige Konflikte in den warmen Regionen Afrikas und des Nahen Ostens aus. Globus. Umgebung. Änderung 63, 102118 (2020).

Artikel Google Scholar

Burke, M. et al. Höhere Temperaturen erhöhen die Selbstmordraten in den Vereinigten Staaten und Mexiko. Nat. Aufstieg. Chang. 8, 723–729 (2018).

Artikel ADS Google Scholar

Watts, N. et al. Der Bericht 2020 des Lancet Countdowns zu Gesundheit und Klimawandel: Reaktion auf konvergierende Krisen. Lancet 397, 129–170 (2021).

Artikel Google Scholar

Patt, AG et al. Anpassung in der integrierten Bewertungsmodellierung: Wo stehen wir? Aufstieg. Chang. 99, 383–402 (2010).

Artikel ADS Google Scholar

Deschenes, O. Temperatur, menschliche Gesundheit und Anpassung: Eine Überprüfung der empirischen Literatur. Energiewirtschaft. 46, 606–619 (2014).

Artikel Google Scholar

Day, J. et al. Auswirkungen des Klimawandels auf Tourismus und Freizeitaktivitäten: Eine Fallstudie aus Indiana, USA. Aufstieg. Chang. 169, 29 (2021).

Artikel ADS Google Scholar

Berrang-Ford, L. et al. Systematische Kartierung der globalen Forschung zu Klima und Gesundheit: Eine Überprüfung des maschinellen Lernens. Lancet Planet Health 5, e514–e525 (2021).

Artikel Google Scholar

Folkerts, MA et al. Langfristige Anpassung an Hitzestress: Verschiebungen der minimalen Sterblichkeitstemperatur in den Niederlanden. Vorderseite. Physiol. 11, 225 (2020).

Artikel Google Scholar

Díaz, J. et al. Sterblichkeit aufgrund hoher Temperaturen in den Zeithorizonten 2021–2050 und 2051–2100 in Spanien: Anpassung und wirtschaftliche Schätzung. Umgebung. Res. 172, 475–485 (2019).

Artikel Google Scholar

Carleton, T. et al. Bewertung der globalen Mortalitätsfolgen des Klimawandels unter Berücksichtigung von Anpassungskosten und -vorteilen*. QJ Econ. 137, 2037–2105 (2022).

Artikel MATH Google Scholar

Carman, JP & Zint, MT Definieren und Klassifizieren persönlicher und privater Verhaltensweisen zur Anpassung an den Klimawandel. Globus. Umgebung. Chang. 61, 102062 (2020).

Artikel Google Scholar

Berrang-Ford, L. et al. Eine systematische globale Bestandsaufnahme der Erkenntnisse zur menschlichen Anpassung an den Klimawandel. Nat. Aufstieg. Chang. 11, 989–1000 (2021).

Artikel ADS Google Scholar

van Valkengoed, AM & Steg, L. Metaanalysen von Faktoren, die das Anpassungsverhalten an den Klimawandel motivieren. Nat. Aufstieg. Chang. 9, 158–163 (2019).

Artikel ADS Google Scholar

Hendel, M., Azos-Diaz, K. & Tremeac, B. Verhaltensanpassung an hitzebedingte Gesundheitsrisiken in Städten. Energieaufbau. 152, 823–829 (2017).

Artikel Google Scholar

Graff Zivin, J. & Neidell, M. Temperatur und Zeitverteilung: Auswirkungen auf den Klimawandel. J. Arbeitswirtschaft. 32, 1–26 (2014).

Artikel Google Scholar

Vanos, JK, Baldwin, JW, Jay, O. & Ebi, KL Der Einfachheit mangelt es an Robustheit, wenn es darum geht, Folgen für die Gesundheit durch Hitze in einem sich verändernden Klima zu prognostizieren. Nat. Komm. 11, 6079 (2020).

Artikel ADS CAS Google Scholar

Pandi-Perumal, SR et al. Timing ist alles: zirkadiane Rhythmen und ihre Rolle bei der Schlafkontrolle. Vorderseite. Neuroendokrinol. 66, 100978 (2022).

Artikel Google Scholar

Carvalho-Bos, SS, Riemersma-van der Lek, RF, Waterhouse, J., Reilly, T. & Van Someren, EJW Starker Zusammenhang zwischen dem Ruhe-Aktivitäts-Rhythmus und dem Wohlbefinden bei dementen älteren Frauen. Bin. J. Geriatr. Psychiatrie 15, 92–100

Scales, G. et al. Bewegung und Melatonin beim Menschen: Gegenseitige Vorteile. J. Pineal Res. 52, 1–11 (2012).

Artikel CAS Google Scholar

Arendt, J. Schichtarbeit: Umgang mit der biologischen Uhr. Besetzen. Med. 60, 10–20 (2010).

Artikel Google Scholar

Qu, M., Duffy, T., Hirota, T. & Kay, SA Der Kernrezeptor HNF4A transreprimiert CLOCK:BMAL1 und moduliert gewebespezifische zirkadiane Netzwerke. Proz. Natl. Acad. Wissenschaft. USA 115, E12305–E12312 (2018).

Artikel ADS CAS Google Scholar

Chen, L. & Yang, G. Jüngste Fortschritte bei zirkadianen Rhythmen im Herz-Kreislauf-System. Vorderseite. Pharmakol. 6, 71 (2015).

Artikel Google Scholar

Hastings, MH & Goedert, M. Zirkadiane Uhren und neurodegenerative Erkrankungen: Zeit zur Aggregation?. Curr. Meinung. Neurobiol. 23, 880–887 (2013).

Artikel CAS Google Scholar

Marcheva, B. et al. Eine Störung der Uhrkomponenten CLOCK und BMAL1 führt zu Hypoinsulinämie und Diabetes. Natur 466, 627–631 (2010).

Artikel ADS CAS Google Scholar

Turek, FW et al. Fettleibigkeit und metabolisches Syndrom bei mutierten Mäusen mit circadianer Uhr. Wissenschaft 308, 1043–1045 (2005).

Artikel ADS CAS Google Scholar

Chan, NW & Wichman, CJ in „Die Auswirkungen des Klimas auf die Freizeitnachfrage: Erkenntnisse aus Nordamerika“. http://caseyjwichman.com/wp-content/uploads/2018/04/leisure_demand_v042418.pdf (2017).

Dundas, SJ & von Haefen, RH Die Auswirkungen des Wetters auf die Nachfrage und Anpassung in der Freizeitfischerei: Auswirkungen auf ein sich änderndes Klima. J. Assoc. Umgebung. Ressource. Wirtschaft. 7, 209–242 (2020).

Google Scholar

Heaney, AK, Carrión, D., Burkart, K., Lesk, C. & Jack, D. Klimawandel und körperliche Aktivität: Geschätzte Auswirkungen der Umgebungstemperaturen auf die Bikeshare-Nutzung in New York City. Umgebung. Gesundheitsperspektive. 127, 37002 (2019).

Artikel Google Scholar

Liu, H., Li, F., Li, J. & Zhang, Y. Die Beziehungen zwischen städtischen Parks, der körperlichen Aktivität der Bewohner und den Vorteilen für die psychische Gesundheit: Eine Fallstudie aus Peking, China. J. Umgebung. Geschäftsführer 190, 223–230 (2017).

Artikel Google Scholar

Elliott, LR et al. Die Auswirkungen meteorologischer Bedingungen und des Tageslichts auf naturbasierte körperliche Freizeitaktivitäten in England. Städtisch für. Urbanes Grün. 42, 39–50 (2019).

Artikel Google Scholar

Keiser, D., Lade, G. & Rudik, I. Luftverschmutzung und Besuche in US-Nationalparks. Wissenschaft. Adv. 4, eaat1613 (2018).

Artikel ADS CAS Google Scholar

Hewer, MJ & Gough, WA Wettersensitivität für Zoobesuche in Toronto, Kanada: Eine quantitative Analyse historischer Daten. Int. J. Biometeorol. 60, 1645–1660 (2016).

Artikel ADS Google Scholar

Yañez, CC, Hopkins, FM & Porter, WC Prognostizierte Auswirkungen des Klimawandels auf den Tourismus im Coachella Valley in Kalifornien. Aufstieg. Chang. 162, 707–721 (2020).

Artikel ADS Google Scholar

Grivas, TB & Savvidou, OD Melatonin das „Licht der Nacht“ in der Humanbiologie und der idiopathischen Skoliose bei Jugendlichen. Skoliose 2, 6 (2007).

Artikel Google Scholar

Kyriakidis, PC Ein geostatistischer Rahmen für die räumliche Interpolation von Fläche zu Punkt. Geogr. Anal. 36, 259–289 (2004).

Artikel Google Scholar

Hu, M. & Huang, Y. atakrig: Ein R-Paket für multivariate Area-to-Area- und Area-to-Point-Kriging-Vorhersagen. Berechnen. Geosci. 139, 104471 (2020).

Artikel Google Scholar

Hiruta, Y., Ishizaki, NN, Ashina, S. & Takahashi, K. Stündliche Datensätze zukünftiger Klimaszenarien zur Folgenabschätzung des Klimawandels unter Berücksichtigung gleichzeitiger Wechselwirkungen zwischen mehreren meteorologischen Faktoren. Datenbrief 42, 108047 (2022).

Artikel CAS Google Scholar

Hsiang, S. et al. Schätzung des wirtschaftlichen Schadens durch den Klimawandel in den Vereinigten Staaten. Science 356, 1362–1369 (2017).

Artikel ADS CAS Google Scholar

Manoli, G. et al. Das Ausmaß städtischer Wärmeinseln lässt sich größtenteils durch Klima und Bevölkerung erklären. Natur 573, 55–60 (2019).

Artikel ADS CAS Google Scholar

Graff Zivin, J. & Neidell, M. Tage des Dunstes: Offenlegung von Umweltinformationen und intertemporales Vermeidungsverhalten. J. Umgebung. Wirtschaft. Geschäftsführer 58, 119–128 (2009).

Artikel Google Scholar

Carleton, T. & Greenstone, M. Ein Leitfaden zur Aktualisierung der sozialen Kohlenstoffkosten der US-Regierung. Rev. Environ. Wirtschaft. Police 000–000 (2022).

Stutz, J., Eiholzer, R. & Spengler, CM Auswirkungen von Abendübungen auf den Schlaf bei gesunden Teilnehmern: Eine systematische Überprüfung und Metaanalyse. Sportmed. 49, 269–287 (2019).

Artikel Google Scholar

Oda, S. & Shirakawa, K. Der Schlafbeginn wird nach körperlicher Betätigung vor dem Schlafengehen gestört, was zu großer physiologischer Erregung vor dem Schlafengehen führt. EUR. J. Appl. Physiol. 114, 1789–1799 (2014).

Artikel Google Scholar

Gil-Alana, LA Höchst- und Tiefsttemperaturen in den Vereinigten Staaten: Zeittrends und Beständigkeit. Atmosphäre. Wissenschaft. Lette. 19, e810 (2018).

Artikel ADS Google Scholar

Cheng, J. et al. Einfluss des Tagestemperaturbereichs auf die menschliche Gesundheit: Eine systematische Überprüfung. Int. J. Biometeorol. 58, 2011–2024 (2014).

Artikel ADS Google Scholar

Schuster, C., Honold, J. & Lauf, S. Städtischer Hitzestress: Neuartige Umfrage legt nahe, dass Gesundheit und Fitness zukünftige Forschungs- und Anpassungsstrategien sein werden. Umgebung. Res. (2017).

Schipper, ELF Maladaptation: Wenn die Anpassung an den Klimawandel völlig schief geht. One Earth 3, 409–414 (2020).

Artikel ADS Google Scholar

Magnan, AK, Anisimov, A. & Duvat, VKE Stärkung der Klimaanpassungsforschung weltweit. Wissenschaft 376, 1398–1400 (2022).

Artikel ADS CAS Google Scholar

Youngstedt, SD, Elliott, JA & Kripke, DF Menschliche zirkadiane Phasenantwortkurven für körperliche Betätigung. J. Physiol. 597, 2253–2268 (2019).

Artikel CAS Google Scholar

Van Someren, EJW & Riemersma-Van Der Lek, RF Lebe im Rhythmus, Sklave des Rhythmus. Schlafmed. Rev. 11, 465–484 (2007).

Artikel Google Scholar

Referenzen herunterladen

Jianghao Wang dankt für Forschungsunterstützung durch das National Key Research and Development Program of China (Nr. 2022YFF1301101), die National Natural Science Foundation of China (Nr. 42222110 & 41971409) und die Youth Innovation Promotion Association der Chinese Academy of Sciences (Nr . 2020052). Die Geldgeber hatten keinen Einfluss auf das Studiendesign, die Datenerhebung und -analyse, die Entscheidung zur Veröffentlichung oder die Manuskripterstellung.

Diese Autoren haben gleichermaßen beigetragen: Yichun Fan und Jianghao Wang.

Sustainable Urbanization Lab, Department of Urban Studies and Planning und Center for Real Estate, Massachusetts Institute of Technology, Cambridge, USA

Yichun Fan, Jianghao Wang und Siqi Zheng

Staatliches Schlüssellabor für Ressourcen und Umweltinformationssystem, Institut für Geographische Wissenschaften und Forschung zu natürlichen Ressourcen, Chinesische Akademie der Wissenschaften, Peking, China

Jianghao Wang

Projektregeneration, Mill Valley, USA

Nick Obradovich

Sie können diesen Autor auch in PubMed Google Scholar suchen

SZ, JW, NO und YF haben das Projekt konzipiert. JW hat die Daten gesammelt. YF und JW analysierten die Daten. YF hat das Manuskript verfasst. YF, JW, NO und SZ trugen zur Interpretation der Ergebnisse bei und redigierten das Papier.

Korrespondenz mit Jianghao Wang oder Siqi Zheng.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative-Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht durch gesetzliche Vorschriften zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Fan, Y., Wang, J., Obradovich, N. et al. Intraday-Anpassung an extreme Temperaturen bei Outdoor-Aktivitäten. Sci Rep 13, 473 (2023). https://doi.org/10.1038/s41598-022-26928-y

Zitat herunterladen

Eingegangen: 20. Juli 2022

Angenommen: 21. Dezember 2022

Veröffentlicht: 10. Januar 2023

DOI: https://doi.org/10.1038/s41598-022-26928-y

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Europa-Mittelmeer-Journal für Umweltintegration (2023)

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.