利用可解释机器学习方法，在澳大利亚各地开发针对特定社区的每日天气健康风险指数

《Environmental Science & Technology》：Developing a Community-Specific Daily Weather Health Risk Index Across Australia Using Explainable Machine Learning

澳大利亚2009-2019年气象数据与死亡率的联合分析显示，温度是主要健康风险因子，南部社区风险显著高于北部，WHRI呈现冬季峰值、夏季低谷的季节规律。该研究通过XGBoost-SHAP模型量化气象因素交互作用，为动态气候健康干预提供科学依据。

　　

天气状况与人类健康密切相关，然而，有效传达与天气相关因素共同造成的健康风险的方法仍然有限，尤其是在考虑各种天气因素之间的复杂相互作用时。为了解决这一难题，我们收集了2009年至2019年间澳大利亚每个社区的每日死亡率和气象数据（温度、相对湿度、气压、风速、降雨量和紫外线B辐射）。我们采用了一种先进的可解释机器学习框架，将极端梯度提升（XGBoost）模型与Shapley加性解释（SHAP）算法相结合，以量化与气象因素相关的健康风险，并为澳大利亚每个三级统计区域（Statistical Area Level 3）的社区构建了每日天气-健康风险指数（WHRI）。在所研究的与天气相关的因素中，温度是导致死亡风险的主要因素。与澳大利亚北部的社区相比，南部社区的天气相关死亡风险更高，WHRI也更高。WHRI存在明显的季节性模式，冬季达到峰值，夏季最低。这些发现突显了与天气相关的健康风险的时空异质性，并强调了开发WHRI以捕捉和量化动态风险模式的必要性。将WHRI整合到公共卫生仪表板中，可以实时有效地提供特定社区的健康风险信息，从而支持针对气候变化带来的恶劣天气条件采取基于证据的、分层的干预措施。