Explainable Machine Learning for Predicting Thermal Discomfort from Multipollutant Exposure on Dhaka Roadways

技術要約：多汚染物質曝露による熱的不快感予測のための説明可能な機械学習：ダッカの道路環境における研究

問題提起
バングラデシュのダッカのような急速に発展するメガシティの都市道路では、道路利用者（歩行者、通勤者、交通警察、およびインフォーマルな労働者）が、熱、大気汚染（粒子状物質およびCO₂）、および交通騒音という、同時に発生するストレス要因に直面しており、複雑な曝露環境が存在している。従来の研究は、これらの要因を個別に評価することが多く、多汚染物質への曝露が人間の熱感覚に及ぼす相乗効果を捉えきれていない。さらに、標準的な統計手法では、これらの変数と主観的な熱快適性の間の非線形な相互作用をモデル化することに苦慮する場合がある。本研究は、説明可能な機械学習（ML）フレームワークを用いて、多汚染物質曝露データと統合することで、ダッカの道路マイクロエンバイロメントにおける熱的不快感を定量化し、予測する必要性に取り組むものである。

研究手法
本研究では、ダッカの3つの主要回廊（北部、中央、南部）に沿った17の戦略的なモニタリングサイトにおいて、横断的なフィールドベースの観察設計を採用した。データ収集は、後期モンスーン、ポストモンスーン、および冬季の移行期（2025年8月～2026年1月）に行われた。

• データ取得:
  • 環境センサー: 校正済みのインテリジェント空気検知器（JLDC）を用いて、PM₁, PM₂.₅, PM₁₀, およびCO₂濃度を測定した。ミニ騒音レベル計（UT353）により交通騒音レベルを記録した。また、気象データ（温度、相対湿度、風速）も取得した。
  • 人間による知覚: 1,109人の参加者を対象とした構造化インタビューを実施し、ASHRAEのガイドラインに基づいた主観的な熱感覚（「非常に涼しい」から「暑い」まで）に加え、服装レベル、健康上の不平（頭痛など）、および感知された空気質に関するデータを収集した。
• データ前処理: 生データに対して、センサーエラー、重複、および欠損値の除去を含む厳格なクリーニングを行った。最終的なモデリング用データセットは1,109件の観測値で構成された。
• 機械学習フレームワーク: 熱的不快感のカテゴリーを予測するために、3つの教師あり分類アルゴリズムを訓練した。
  1. 決定木 (DT): 解釈可能なベースラインとして使用。
  2. ランダムフォレスト (RF): 過学習を抑制し、安定性を向上させるためのアンサンブル手法。
  3. XGBoost: 複雑な非線形関係を捉えるための高度な勾配ブースティングモデル。
• 説明可能性と検証: モデルの性能は、ROC-AUC、精度（Accuracy）、適合率（Precision）、再現率（Recall）、F1スコア、および混同行列を用いて評価された。解釈性を確保するため、各予測因子の相対的な寄与度を決定するためにSHAP（SHapley Additive exPlanations）分析を適用した。また、入力変数の変動に対するモデルの堅牢性を評価するために、感度分析を実施した。

主な結果

• 曝露負担: 本研究は、多汚染物質曝露の高い負担を明らかにした。平均PM₂.₅濃度は71.37 µg/m³、PM₁濃度は平均58.35 µg/m³であった。道路沿いの測定では、本研究のデータセット内で最大100.00 µg/m³のPM₂.₅濃度が記録されたが、テキスト内ではミルプル10（Mirpur-10）ゾーンにおいて172.2 µg/m³のピーク値があることが記されている。平均騒音レベルは82.96 dBに達した。これらの値は世界保健機関（WHO）のガイドラインを大幅に上回っている。
• 熱的不快感の蔓延: フィールドデータは極端な熱的不快感を示しており、観測の99.46%が「暑い」、「暖かい」、または「やや暖かい」に分類された。「中立」または「涼しい」と感じた割合は極めて低かった。
• モデル性能: アンサンブルモデルは、単一の決定木よりも有意に優れた性能を示した。ランダムフォレストとXGBoostは共に、精度0.96、F1スコア0.96を達成し、ROC-AUC値は優れた識別能（AUC = 0.96）を示した。モデルは、異なる曝露シナリオにおいても熱的不快感を分類する高い安定性を示した。
• 予測因子の重要度（SHAP分析）: 「温度が唯一の要因である」という仮定に反して、SHAP分析により、風速とCO₂濃度が熱的不快感の最も影響力のある予測因子であることが特定された。PM₁₀、服装レベル、および湿度は中程度の寄与を示したが、PM₂.₅および騒音レベルの影響は比較的小さかったものの、無視できない影響を持っていた。これは、微気候の空気の流れと交通関連の排出物（渋滞や換気の悪さを示す指標）が、不快感の決定要因として極めて重要であることを示唆している。
• 感度: 感度分析により、PMおよび騒音の変数はその影響において比較的安定している一方で、CO₂曝露の変動はモデルの予測に大きな変動をもたらすことが確認された。これは、熱的快適性が交通密度や換気条件に対して敏感であることを強調している。

意義と貢献
本論文は、環境衛生および機械学習の分野において以下の重要な貢献を主張している。

1. 統合的な多汚染物質アプローチ: 熱、騒音、または汚染を個別に扱った従来の研究とは異なり、本研究は、高密度な熱帯のメガシティにおける、これらのストレス要因が熱知覚に及ぼす複合的な影響を理解するためのエビデンスに基づいたフレームワークを提供している。
2. 説明可能なAIの適用: SHAP分析を活用することで、本研究は「ブラックボックス」的な予測を超越している。風速やCO₂のような変数の具体的な影響を定量化することで、単なる予測精度だけでなく、政策立案者に向けた実行可能な洞察を提供している。
3. 公衆衛生上の関連性: 本研究の知見は、ダッカにおける熱的不快感が単なる気象の問題ではなく、熱、粒子状物質、および騒音の相乗効果によって引き起こされる公衆衛生上の危機であることを浮き彫りにしている。不快感の高い蔓延率（99.46%）は、屋外労働者や通勤者の脆弱性を強調している。
4. 政策枠組み: 本研究は、自然に基づいた解決策（道路沿いの植樹、日陰のある歩道）、交通排出規制、および騒音緩和を含む、多セクター的な介入戦略を提案している。また、空間分析を通じて特定された、特にリスクの高い道路セグメントに対してこれらの対策を講じるべきであることを示唆している。

結論として、著者らは、熱的不快感に対処するには、説明可能でデータ駆動型の予測モデルに裏打ちされた、空気質、騒音、および微気候を同時に管理する統合的な都市計画アプローチが必要であると述べている。