Мультискалярные факторы риска для рамочной оценки уязвимости к теплу с использованием алгоритмов машинного обучения

Почему растущая жара касается каждого

В тропиках более жаркие дни и душные ночи уже не просто неприятны — они превращаются в тихую проблему общественного здравоохранения. В этом исследовании Малайзия служит окном в то, как тепло, загрязнение воздуха и социальное неравенство сочетаются и повышают риск смерти, особенно среди пожилых людей и бедных сообществ. Объединив большие массивы данных со спутников и государственных реестров с современными методами машинного обучения, авторы показывают, какие факторы имеют наибольшее значение, и предлагают практический способ для властей во многих тропических странах быстро находить районы, которым нужна помощь в первую очередь.

Жара, города и люди в зоне риска

Во многих тропических и субтропических регионах, в том числе в Юго-Восточной Азии, потепление идет быстрее, а периоды высокой жары становятся длиннее. В густонаселенных городах бетон и асфальт аккумулируют тепло, а нехватка зелени и плохие жилищные условия оставляют людей уязвимыми. Наибольшие трудности при экстремальной жаре испытывают пожилые люди, младенцы, больные хроническими сердечно-легочными заболеваниями и домохозяйства с низкими доходами. В быстро растущих городских центрах Малайзии эти уязвимости накладываются друг на друга: плотное население, стареющее население и экономические трудности увеличивают риски для многих сообществ по мере роста температуры.

Построение индекса уязвимости сообщества

Чтобы распутать эту сложную картину, авторы создали Индекс уязвимости к теплу (HVI) для всех 13 штатов и трех федеральных территорий Малайзии за период с 2010 по 2020 год. Вместо того чтобы рассматривать только температуру, они объединили шестнадцать показателей, включая долю пожилых жителей, уровень бедности, образование, доступ к чистой воде и здравоохранению, а также количество зелени. Статистический метод позволил сжать эти разные показатели в единое число, отражающее, насколько трудно сообществу выдержать опасную жару. Этнический состав и доступ к базовым услугам оказались особенно влиятельными элементами этого индекса.

Добавляя окружающую среду: земля против воздуха

Команда затем задала ключевой вопрос: какие именно данные об окружающей среде лучше всего дополняют HVI при прогнозировании смертей, связанных с жарой? Они сравнили два уровня. Первый использовал локальные наземные характеристики, такие как покрытие растительностью и разница между дневной и ночной температурой поверхности земли, что может указывать на то, насколько хорошо территория остывает ночью. Второй уровень сосредоточился на более широких атмосферных условиях: меру теплового комфорта, объединяющую температуру, влажность, ветер и солнечное излучение, а также уровни мелких частиц в воздухе и озона. Эти данные брались из спутниковых и реанализных продуктов и усреднялись по годам для сопоставления со статистикой смертности по штатам.

Доверяя алгоритмам выбирать

С помощью нескольких моделей машинного обучения, включая метод случайного леса (Random Forest), исследователи проверяли, насколько хорошо разные сочетания социальных и экологических переменных объясняют годовые колебания общей смертности. Наиболее надежной оказалась конфигурация, объединяющая HVI с атмосферным слоем — тепловой стресс, мелкие частицы и озон — вместо использования только наземных измерений. В этой «победившей» модели HVI был самым сильным предиктором, за ним следовали озон и мера теплового комфорта, при этом мелкие частицы также вносили заметный вклад. Инструменты продвинутой интерпретации показали, что эти влияния не были одинаковыми по всей стране: например, в восточной Малайзии загрязненный воздух и высокая уязвимость усиливали друг друга, тогда как в некоторых западных регионах наблюдались более сложные паттерны, где очень высокий озон иногда совпадал с меньшим измеренным риском — вероятно, из‑за местной химии и погодных условий.

Неравная жара в мире, который согревается

При взгляде во времени исследование обнаружило, что и тепловой стресс, и смертность выросли по всей Малайзии, а уязвимость сообществ также начала повышаться с 2018 года. Иными словами, климат становится более суровым, а социальная «подушка безопасности», помогающая людям выдерживать эти условия, истончается. Некоторые штаты с очень высокой уязвимостью пока не демонстрируют самых высоких показателей смертности, что указывает на окно возможностей для действий до того, как будущие волны жары приведут к всплеску случаев. Анализ также показал, что рамочная методика оставалась стабильной в разные годы, даже в периоды срывов, таких как пандемия COVID‑19, хотя необычные события могут временно изменять картину смертности.

От чисел к действию

Для неспециалиста основной вывод ясен: жара опасна не только из‑за температуры, но и из‑за того, кто подвергается ее воздействию и с какими дополнительными стрессами сталкивается — в первую очередь загрязненным воздухом и слабым доступом к услугам. Исследование показывает, что сочетание социального индекса уязвимости с широкими показателями тепла и качества воздуха дает мощный и переносимый инструмент для выявления сообществ с высоким риском. Для крупных городов это означает ужесточение контроля за загрязнением воздуха и расширение тени и охлаждающих зеленых зон. Для бедных и отдаленных регионов это означает укрепление здравоохранения, жилищных условий и систем раннего предупреждения. По мере того как тропические страны продолжают нагреваться, такие инструменты, как эта рамочная методика, помогут превращать абстрактные климатические риски в конкретные карты и приоритеты, которые спасают жизни.

Цитирование: Li, Z., Fong, C.S., Aghamohammadi, N. et al. Multi-scalar risk drivers for a heat vulnerability assessment framework using machine learning algorithms. Sci Rep 16, 10594 (2026). https://doi.org/10.1038/s41598-026-44880-z

Ключевые слова: уязвимость к теплу, тропический климат, загрязнение воздуха, машинное обучение, риск для общественного здоровья