基于河马优化算法与LSTM的时空机器学习框架：博洛尼亚热浪风险评估及绿色基础设施缓解策略

本研究针对意大利博洛尼亚热浪风险（HWR）评估难题，提出融合长短期记忆网络（LSTM）与河马优化算法（Hippopotamus Optimization Algorithm）的时空机器学习框架。通过分析2014-2023年环境、基础设施及人口数据，构建涵盖14项RCPs情景（4.5/6.0/8.5）的HWR模型，揭示温度、公共交通可达性、植被指数（EVI）等关键影响因素，预测RCP 8.5情景下"极高风险"区2050年将扩至65%。研究成果为城市规划提供数据支撑，发表于《Sustainable Cities and Society》。

　　

随着全球气候变化加剧，热浪已成为威胁城市安全的核心气候灾害。意大利历史名城博洛尼亚作为典型地中海气候区，其密集的城市结构和老龄化人口对极端高温尤为敏感。传统风险评估方法难以量化热浪的多维影响因素，更无法预测不同气候情景下的长期演变趋势。这一科学空白使得城市规划者缺乏数据支持来部署精准的适应措施。

为破解这一难题，研究人员开发了创新性的时空机器学习框架。该模型创造性整合了长短期记忆网络（LSTM, Long Short-Term Memory）的时间序列处理优势与河马优化算法（Hippopotamus Optimization Algorithm）的全局搜索能力。研究团队收集了博洛尼亚2014-2023年间三类关键数据：环境参数（温度、湿度、增强型植被指数EVI）、基础设施特征（公共交通可达性、医疗机构分布）以及人口统计学指标。通过构建包含14个评估因子的综合体系，在三种代表浓度路径（RCP 4.5/6.0/8.5）下进行模拟预测。

关键技术方法包括：1）采用Hippopotamus Optimization Algorithm优化LSTM网络超参数；2）基于混淆矩阵和统计指标验证模型性能；3）运用偏依赖图（Partial Dependence Plot）解析关键变量影响机制；4）整合地理信息系统（GIS）进行空间可视化分析。

研究结果揭示：

1. 关键驱动因子识别：温度、与公共交通距离、局地气候带和EVI被确认为HWR核心影响因素。高温（>35°C）与高湿（相对湿度>80%）协同作用可使风险等级提升2-3个级别。
2. 模型性能验证：混淆矩阵显示模型对"极低风险"和"高风险"类别的分类准确率分别达77.76%和78.72%，AUC值超过0.85。
3. 情景预测分析：RCP 8.5路径下，"极高风险"区域占比将从2023年的34%激增至2050年的65%，呈现显著空间集聚特征。
4. 缓解策略验证：EVI每增加0.1单位可使HWR降低12-18%，而关键服务设施（如医院）1公里覆盖范围内风险值下降23%。

讨论部分强调，该研究首次将仿生优化算法引入城市气候风险评估领域，其创新性体现在：1）突破传统统计模型对非线性关系的表征局限；2）量化了绿色基础设施的边际效益（EVI提升0.2可抵消RCP 6.0情景下50%的风险增幅）；3）为《新城市议程》提出的"15分钟城市"概念提供热适应维度支持。政策建议指出，应优先在医疗设施周边500米范围部署植被降温系统，并将公共交通站点密度提升至每平方公里4-5个以构建热韧性网络。这些发现为全球地中海气候型城市应对气候变化提供了可复制的技术框架和决策工具。