基于机器学习的中等规模美国城市社区噪声系统性测量与特征分析

来自美国俄勒冈州的研究人员针对社区噪声污染对健康的不良影响，开展了一项系统性测量研究。通过加权概率抽样选取217个短期监测点，采用1级声级计连续监测5天，计算DNL、Lden、IR等指标。结果显示78%站点超过EPA标准，90%违反WHO夜间噪声限值，且低收入和少数族裔社区暴露更严重。机器学习聚类识别出4类噪声特征剖面，为环境健康研究提供了重要基础数据库和方法学框架。

　　

在美国俄勒冈州波特兰市展开的这项开创性研究中，科研团队与当地卫生部门合作，首次系统性地绘制了中等规模城市的噪声暴露图谱。采用科学严谨的加权概率抽样方法，研究人员在217个监测点部署符合1级精度标准的声级计，持续采集至少120小时的声学数据。

通过计算昼夜平均声级(DNL)、昼夜夜间等效声级(L_den)、间歇比(IR)以及百分位声级(L₁₀/L₉₀)等专业指标，发现惊人的环境健康风险：近八成监测点超出美国环保署(EPA)推荐的55分贝限值，九成站点夜间噪声突破世界卫生组织(WHO)的45分贝警戒线。更值得关注的是，社会经济因素与噪声暴露呈现显著相关性——白人比例较高、收入较高的社区普遍享有更安静的声环境。

研究团队创新性地运用机器学习聚类算法，成功识别出四类特征鲜明的噪声暴露模式：居民区典型的低等效连续声级(LA_eq)中等间歇比区域；主干道沿线的高LA_eq区域；距主干道1-2个街区的间歇性噪声热点；以及高速公路附近持续轰鸣和公园周边静谧区域这两种特殊类型。这些发现为深入探究建成环境与噪声的关联机制，以及多维噪声暴露对健康的差异化影响奠定了重要基础。

这项研究不仅建立了首个系统的城市噪声测量协议和数据库，更为环境健康研究提供了创新方法。其揭示的环境正义问题——弱势群体承受更高噪声负担的现象，为公共卫生政策制定者敲响警钟。研究者公开的测量工具和数据库，将助力科学界开展更精准的暴露评估和健康效应研究，推动噪声污染这一长期被忽视的环境健康风险因素得到应有重视。