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

技术摘要：利用可解释机器学习预测达卡道路多污染物暴露下的热不适感

问题陈述
在像孟加拉国达卡这样快速发展的巨型城市中，城市道路呈现出复杂的暴露环境。道路使用者（行人、通勤者、交通警察和非正规从业者）面临着热量、空气污染（颗粒物和二氧化碳）以及交通噪声等多重压力的同时作用。传统的的研究通常孤立地评估这些因素，未能捕捉到多污染物暴露对人体热感知产生的协同效应。此外，标准的统计方法可能难以对这些变量与主观热舒适度之间的非线性相互作用进行建模。本研究旨在通过将多污染物暴露数据与可解释机器学习（ML）框架相结合，量化并预测达卡道路微环境中的热不适感。

研究方法
本研究采用了横断面、基于实地的观察性设计，研究覆盖了达卡三个主要走廊（北部、中部和南部）沿线的 17 个战略监测点。数据采集于 2025 年 8 月至 2026 年 1 月期间（涵盖了季风末期、后季风期及冬季过渡期）。

• 数据获取：
  • 环境传感器： 使用校准过的智能空气检测器（JLDC）测量 PM₁、PM₂.₅、PM₁₀ 和 CO₂ 浓度。使用小型声级计（UT353）记录交通噪声水平。同时还采集了气象数据（温度、相对湿度、风速）。
  • 人类感知： 通过结构化访谈收集了 1,109 名参与者的主观热感觉投票（基于 ASHRAE 标准，范围从“很凉爽”到“炎热”），以及服装系数、健康投诉（如头痛）和感知空气质量等数据。
• 数据预处理： 原始数据集经过严格清洗，包括剔除传感器误差、重复值和缺失值。最终用于建模的数据集包含 1,109 条观测记录。
• 机器学习框架： 训练了三种监督分类算法来预测热不适类别：
  1. 决策树 (DT)： 作为具有可解释性的基准模型。
  2. 随机森林 (RF)： 一种集成方法，用于减少过拟合并提高稳定性。
  3. XGBoost： 一种先进的梯度提升模型，用于捕捉复杂的非线性关系。
• 可解释性与验证： 使用 ROC-AUC、准确率、精确率、召回率、F1 分数和混淆矩阵对模型性能进行评估。为确保可解释性，应用了 SHAP（SHapley Additive exPlanations）分析来确定各预测因子的相对贡献。此外，还进行了敏感性分析，以评估模型对输入变量变化的鲁棒性。

关键结果

• 暴露负担： 研究发现多污染物暴露负担沉重。PM₂.₅ 平均浓度为 71.37 µg/m³，PM₁ 平均浓度为 58.35 µg/m³。研究数据集中的道路侧 PM₂.₅ 最大浓度记录为 100.00 µg/m³，尽管文中提到 Mirpur-10 区出现了 172.2 µg/m³ 的峰值。平均噪声水平达到 82.96 dB。这些数值显著超过了世界卫生组织（WHO）的指导标准。
• 热不适流行率： 实地数据揭示了极高的热不适现象，99.46% 的观测结果被归类为“炎热”、“温暖”或“微热”。仅有极小比例的人员报告了中性或凉爽的感觉。
• 模型性能： 集成模型的效果显著优于单一决策树。随机森林和 XGBoost 的准确率和 F1 分数均达到了 0.96，ROC-AUC 值显示出极佳的判别能力（AUC = 0.96）。模型在不同暴露场景下对热不适分类表现出高度的稳定性。
• 预测因子重要性（SHAP 分析）： 与“温度是唯一驱动因素”的假设相反，SHAP 分析确定风速和 CO₂ 浓度是热不适最显著的预测因子。PM₁₀、服装系数和湿度也具有中度的贡献，而 PM₂.₅ 和噪声水平的影响较小但不可忽略。这表明微气候气流和交通相关排放（指示了拥堵和通风不良）是决定热不适的关键因素。
• 敏感性： 敏感性分析证实，虽然 PM 和噪声变量对模型预测的影响相对稳定，但 CO₂ 暴露的变化会导致模型预测出现更显著的波动，凸显了热舒适度对交通密度和通风条件的敏感性。

意义与贡献
本文声称在城市环境健康和机器学习领域做出了以下几项重要贡献：

1. 综合多污染物研究方法： 不同于以往孤立研究热量、噪声或污染的研究，本研究提供了一个证据驱动的框架，用于理解在稠密热带巨型城市中，多种压力源对热感知的综合影响。
2. 可解释人工智能的应用： 通过利用 SHAP 分析，本研究超越了“黑箱”预测。它量化了风速和 CO₂ 等变量的具体影响，为政策制定者提供了具有行动价值的见解，而非仅仅提供预测准确度。
3. 公共卫生相关性： 研究结果强调，达卡的热不适不仅是一个气象问题，更是一个由热量、颗粒物和噪声协同作用驱动的公共卫生危机。极高的不适发生率（99.46%）凸显了户外劳动者和通勤者的脆弱性。
4. 政策框架： 本研究提出了一种多部门干预策略，包括基于自然的解决方案（道路侧植树、遮荫人行道）、交通排放控制以及噪声缓解措施。研究建议，应通过空间分析，针对特定的高风险路段实施这些措施。

作者总结道，解决热不适问题需要一种综合的城市规划方法，即同时管理空气质量、噪声和微气候，并辅以数据驱动且具有可解释性的预测模型。