使用机器学习算法的多尺度风险驱动因素：用于热脆弱性评估框架

为什么上升的高温是每个人的问题

在热带地区，更热的白天和更闷的夜晚不再只是令人不适——它们正在成为一场悄然的公共卫生危机。本研究以马来西亚为观察窗口，探讨高温、空气污染和社会不平等等因素如何共同提高死亡风险，尤其影响老年人和贫困社区。研究者将来自卫星与政府记录的大型数据集与现代机器学习方法相结合，揭示了哪些因素最为重要，并为许多热带国家的主管部门提供了一种切实可行的方式，以优先识别最需要帮助的社区。

高温、城市与处于风险中的人群

包括东南亚在内的许多热带与亚热带地区正在更快变暖并出现更持久的高温期。在拥挤的城市中，混凝土和沥青会滞留热量，有限的绿地和不良的住房条件使人们暴露于高温之下。老年人、婴幼儿、患有慢性心肺疾病的人群以及低收入家庭在应对极端高温时最为困难。在马来西亚快速增长的城市中心，这些脆弱性相互叠加：人口密集、居民老龄化和经济困境在气温上升时使许多社区面临更大风险。

构建社区脆弱性评分

为了解开这幅复杂图景，作者为马来西亚13个州和三个联邦直辖区在2010至2020年期间建立了热脆弱性指数（Heat Vulnerability Index，HVI）。他们没有只看温度，而是将十六项指标结合起来，包括老年人口比例、贫困水平、教育、洁净水和医疗服务的可及性，以及绿地覆盖量。研究使用统计方法将这些不同衡量标准压缩为一个单一分值，以反映社区在应对危险高温时的难度。族群构成与基本服务的可及性在该指数中尤其具有影响力。

加入环境因素：地表与大气

团队接着提出一个关键问题：在预测与高温相关的死亡时，哪类环境信息与HVI结合效果最好？他们比较了两类层次。第一类是本地地表特征，如植被覆盖和昼夜地表温差，这些可以提示某地区夜间降温的能力。第二类关注更广泛的大气状况：一种融合温度、湿度、风速与日照的热舒适度指标，以及细颗粒物与臭氧浓度。这些数据来自卫星与再分析产品，并按年平均以匹配各州的死亡数据。

让算法来判断

研究者使用多种机器学习模型，包括随机森林方法，测试了不同社会与环境变量组合在解释年际全因死亡率变化方面的能力。最可靠的方案是将HVI与大气层信息——热应激、细颗粒物与臭氧——结合，而不是仅与地表测度相结合。在这一优胜模型中，HVI远远是最强的预测因子，其次为臭氧和热舒适度指标，细颗粒物仍然发挥着重要作用。高级解释工具显示，这些影响并非均匀分布：例如在马来西亚东部，污浊的空气与高脆弱性相互强化；而部分西部地区则呈现更复杂的模式，极高的臭氧有时与较低的测得风险并存，这可能反映了当地的化学和天气效应。

在变暖世界中的不平等高温

从时间维度看，研究发现马来西亚的热应激与死亡率均有所上升，且自2018年以来社区脆弱性也在上升。换言之，不仅气候变得更严酷，帮助人们承受高温的社会保障网络也在削弱。一些脆弱性非常高的州目前尚未出现最高的死亡数，这表明在未来热浪来袭之前还有行动的窗口期。分析还表明，该框架在不同年份保持稳定，即使在COVID-19等扰动期间也是如此，尽管异常事件会暂时改变死亡模式。

从数据到行动

对普通读者而言，核心信息很明确：高温之所以危险，不仅因为温度本身，还因为谁暴露在外以及他们面临的其他压力——尤其是空气污染和基本服务的薄弱。研究表明，将社会脆弱性评分与广泛的热与空气质量测度相结合，能提供一种强大且可移植的方法来识别高风险社区。对大城市而言，这意味着要加强空气污染控制、扩大遮荫和降温绿地。对更贫困和偏远的地区，则需要加强医疗、住房和预警系统。随着热带国家持续变暖，像这样的方法能把抽象的气候风险转化为具体的地图和优先事项，从而挽救生命。

引用: 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

关键词: 高温脆弱性, 热带气候, 空气污染, 机器学习, 公共卫生风险