新模型精准绘制高温死亡风险图：AI空间建模锁定PM2.5为第二风险因子

原文：Epidemiologically validated spatial modelling reveals fine-scale heat health risks.
期刊：Environmental science and ecotechnology（影响因子 14.3） |  PubMed | PMC 全文（含 PDF）

在全球气候变化背景下，极端高温已成为威胁公共健康的重大挑战。据估算，全球每年有超过500万人因高温暴露而死亡；到2050年，气候变化或额外造成1450万例死亡和12.5万亿美元经济损失。因此，在空间上精确识别“谁、在哪里”面临最高热健康风险，是制定针对性适应策略和公共卫生干预的前提。

然而，以往的热风险评估多依赖“危险—暴露—脆弱性”框架和专家打分、主成分分析等主观加权方式，且由于缺乏高质量、细尺度的流行病学验证数据，不同建模方法孰优孰劣一直缺乏系统比较。针对这一空白，一项发表于《Environmental Science and Ecotechnology》（影响因子14.3）的研究，以中国浙江省为研究区，利用真实死亡登记数据对多种空间与机器学习模型进行了“流行病学验证”。

核心发现：GNNWR模型表现最优，PM2.5成第二大风险因子

研究团队基于浙江省2009—2020年覆盖1062个街道（subdistrict）、共计348万余例全因死亡记录，首先用流行病学方法估算了各街道“高温归因死亡分数”（heat-attributable mortality fraction），以此作为真实世界的验证标签（图2展示了从死亡与气象数据估算并绘制风险图的整体流程）。

随后，他们系统比较了乘法模型（MM）、普通最小二乘（OLS）、随机森林（RF）、地理加权回归（GWR）、多尺度GWR（MGWR）、地理加权随机森林（GWRF）、地理加权梯度提升（GWRBoost）以及地理神经网络加权回归（GNNWR）等模型的预测能力。结果显示，GNNWR在预测性能和泛化能力上均优于其他模型，训练集与测试集表现一致，且未出现过拟合。

更重要的是，该模型在无需预先构建主观风险指数的情况下，自动学习到：在气象、空气污染、人口、社会经济和建成环境等多类变量中，温度之后，细颗粒物PM2.5是与高温相关死亡风险关联第二强的因子。这一发现提示，热健康风险并非仅由气温决定，空气污染协同作用同样关键。

方法亮点：神经网络学习空间权重，兼顾非线性与空间异质性

传统回归和多数机器学习模型假设变量关系在空间上恒定，难以刻画“此地非彼地”的空间非平稳性；而GWR类模型虽能处理空间变异，却不擅长复杂非线性交互。GNNWR的突破在于：用神经网络学习空间权重，同时捕捉空间非平稳性与非线性关系，并能推广到数据稀疏区域。

基于该模型，研究生成了100米网格、街道级和区县级多尺度一致的高分辨率风险地图（研究区与温度分布见图1），实现了从“粗放评估”到“精细制图”的跨越。

应用意义：为精准公共卫生干预提供可迁移方法基础

这项研究的意义不仅在于浙江省的风险图谱，更在于提供了一套经流行病学验证、数据驱动且可迁移的方法框架。对科研而言，它证明将真实死亡结局作为验证标准，可客观比较不同空间模型的优劣；对公共卫生实践而言，高分辨率风险图能帮助识别高危人群与热点区域，为城市降温规划、热浪预警和医疗资源调配提供精确依据。

未来，这一框架有望推广至其他地区乃至其他国家，服务于更广泛的气候适应与精准健康治理。

关键图表

本文图片转载自 PMC 开放获取全文，仅供学习参考，请以原文为准。