基于河马优化算法增强LSTM的博洛尼亚热浪风险评估时空人工智能模型研究

本研究针对意大利博洛尼亚热浪风险（HWR）评估难题，创新性地将长短期记忆网络（LSTM）与河马优化算法（HOA）结合，构建时空机器学习框架。通过分析2014-2023年环境、基础设施及人口数据，识别出温度、公共交通可达性等14个关键因子，在RCPs 4.5/6.0/8.5情景下实现风险分级（最高类别准确率达78.72%），预测RCP 8.5下2050年极高风险区将增至65%，证实增强植被指数（EVI）与绿色空间邻近性可显著降低HWR，为韧性城市规划提供科学依据。

　　

随着全球气候变化加剧，热浪已成为威胁城市安全的首要气候灾害之一。意大利历史名城博洛尼亚作为典型地中海气候区城市，近年来频繁遭遇极端高温事件，其复合型热浪风险（Heat Wave Risk, HWR）涉及高温强度、持续时间与脆弱人群暴露度的多维交互，传统评估方法难以捕捉其复杂时空特征。现有研究在动态风险因子量化、非线性关系建模等方面存在局限，亟需开发融合人工智能与自然启发算法的新型评估工具。

研究人员提出了一种创新性的时空机器学习框架，通过整合长短期记忆网络（Long Short-Term Memory, LSTM）的时间序列建模优势与河马优化算法（Hippopotamus Optimization Algorithm, HOA）的全局搜索能力，构建了博洛尼亚HWR动态评估系统。研究基于2014-2023年多源数据，选取14个涵盖危险性、暴露度与脆弱性的核心指标（包括温度、相对湿度、增强植被指数EVI、医疗设施可达性等），在代表性浓度路径（RCPs）4.5/6.0/8.5三种气候情景下进行建模。

关键技术方法包括：1）采用HOA优化LSTM超参数以提升模型性能；2）基于混淆矩阵和统计指标进行模型验证；3）运用偏依赖图（Partial Dependence Plot）解析关键因子非线性效应；4）整合地理信息系统（GIS）实现风险空间可视化。研究队列数据涵盖博洛尼亚市环境监测站、土地利用数据库及人口普查资料。

研究结果显示：

1. 关键风险因子识别：温度（贡献度27.3%）、公共交通距离（18.7%）、局部气候分区（15.2%）和EVI（12.9%）被确定为HWR主导因素。高温高湿协同效应使体感温度提升达3.2^°C。
2. 模型性能验证：分类准确率呈现梯度特征，"极低风险"类达77.76%，"高风险"类达78.72%，AUC值为0.863表明优秀判别能力。
3. 情景预测分析：RCP 8.5情景下，2050年"极高风险"区比例将从2023年的34%激增至65%，呈现显著空间集聚特征（p<0.01）。
4. 缓解策略验证：EVI每增加0.1单位可使HWR降低14.3%（95%CI: 12.7-16.1%），医疗设施500米半径覆盖可使风险降低22.8%。

研究结论强调，该模型首次实现了HWR的多尺度动态量化，其创新性体现在：1）通过HOA-LSTM耦合解决了传统模型局部最优陷阱问题；2）揭示绿色基础设施的边际效益随覆盖率提升呈指数增长（R²=0.91）；3）预测结果证实RCP 6.0与8.5情景存在风险拐点差异。讨论部分指出，该成果发表于《Sustainable Cities and Society》的实践价值在于：为城市热岛缓解规划提供量化工具，特别是指导绿色空间布局优化（建议EVI阈值>0.35）和关键服务设施配置，对实现联合国可持续发展目标（SDGs）11（可持续城市）和13（气候行动）具有直接支撑作用。