个人移动性与热暴露：区分基于居住地和基于移动性的评估方法

　　个体移动模式对城市热暴露评估的影响及非线性机制研究，基于重庆与成都的手机信令数据，对比居住基线暴露（RBE）与移动基线暴露（MBE），发现RBE存在系统性偏差，重庆因多中心分散流动导致暴露更高，成都因单中心集中流动降低暴露。机器学习分析显示出行频率、停留时长及回转半径对暴露差异呈现非线性阈值效应。

　　
本研究聚焦于城市热暴露评估中移动性模式的关键作用，通过对比分析重庆与成都两种不同城市结构的热暴露差异，揭示了居住基线评估（RBE）与移动性基线评估（MBE）的偏差机制，并创新性地引入可解释机器学习模型解析移动性指标的非线性影响。研究基于移动通信大数据和热辐射模拟技术，突破传统静态居住区评估的局限，为城市热环境治理提供了动态监测框架和决策支持依据。

一、研究背景与问题提出
全球变暖背景下，极端高温事件频发对公共健康和城市运行造成多重威胁。现有热暴露评估多采用居住区基线方法（RBE），通过统计居住地周边温度数据推算个体暴露水平。这种静态评估模式存在两大缺陷：其一，忽视居民日常活动产生的空间温度暴露差异，导致评估结果系统性偏离真实值；其二，未充分考虑城市空间结构差异对热暴露的影响机制。

研究团队通过文献回顾发现，当前研究存在三个关键缺口：首先，基于GPS追踪的小样本研究难以推广到大规模人群，而移动通信大数据可突破样本限制；其次，既有研究多聚焦人口统计学差异，缺乏对空间流动模式的系统性分析；再次，传统线性模型难以捕捉移动性指标与热暴露差异的非线性关系。这些局限导致城市热暴露评估存在方法学缺陷，直接影响适应性策略的科学性。

二、方法论创新与数据基础
研究采用混合数据源构建动态评估体系：1）基于手机信令数据的大规模空间轨迹追踪，可捕捉每天6-23时累计12.4亿条定位记录（覆盖98.7%常住人口）；2）融合Landsat卫星地表温度（LST）与数值天气预报模型，建立0.5km×0.5km网格化的平均辐射温度（MRT）模拟系统；3）创新性引入可解释机器学习框架，通过Shapley值分解实现非线性关系的透明化解释。

关键技术突破体现在三个方面：首先，开发多源数据融合算法，将手机基站定位数据与热力图层进行时空对齐，精度达到±15米；其次，构建基于Hollmann热辐射模型的MRT模拟系统，通过27个验证点实现模拟值与实测值的R2=0.92；最后，设计双重机器学习模型架构，外层采用随机森林捕捉非线性特征，内层通过梯度提升回归实现交互效应分解。

三、城市结构差异下的热暴露特征
研究选取成渝双城经济圈中的重庆（多中心）和成都（单中心）作为典型案例，揭示不同城市结构下的热暴露差异机制：

1. 重庆的离散型流动模式
- 空间特征：呈现"中心-次中心"嵌套结构，12个功能次中心形成多核扩散
- 时间模式：通勤时段（6-11时、16-20时）形成双峰流量分布，晚高峰占比达43%
- 热暴露表现：RBE低估真实暴露达28%（尤其是工业卫星城），MBE显示显著的空间异质性，近郊居民暴露偏差最大（+19.6℃）

2. 成都的单中心集中模式
- 空间特征：形成单核同心圆结构，CBD集聚效应指数达0.78
- 时间模式：通勤呈现单峰特征（8-12时），非工作日夜间活动强度达工作日的1.3倍
- 热暴露表现：RBE高估暴露值17.4%（外围新区），MBE显示热岛效应削弱（CBD区域降温2.1℃）

对比分析发现，多中心城市的空间离散性导致热暴露偏差方向与单中心城市相反。重庆的次级中心形成"温度洼地-高地"交替带，使周边区域RBE产生系统性低估；而成都的单中心结构导致外围区域RBE高估，形成以CBD为中心的辐射状温度衰减带。

四、移动性指标的非线性影响机制
通过机器学习模型解析发现，关键移动性参数与热暴露差异存在显著非线性关系：

1. 在家时长阈值效应
- 当日外出时长超过6小时，暴露偏差呈现指数增长（斜率系数0.32）
- 临界点出现在12小时，超过该阈值后偏差趋于稳定
- 重庆的阈值效应比成都提前3小时出现（10 vs 13h）

2. 旅行频率的边际递减效应
- 2-4次/日区间，每增加1次旅行使暴露偏差提升15%
- 超过4次后，边际效应衰减系数达0.47
- 重庆的旅行频率敏感度是成都的1.8倍（β=0.21 vs 0.12）

3. 空间聚集度的阈值响应
- 当移动半径超过3公里，暴露偏差呈阶梯式增长
- 衰减拐点出现在10公里处（重庆）和12公里处（成都）
- 聚焦性流动模式（成都）的半径效应衰减速度比离散型（重庆）快40%

机器学习模型通过特征重要性排序（Permutation Importance）发现，空间路径的曲率变化（Radius of Gyration）是影响最大的移动性参数（SHAP值=0.87），其次是时间分布的离散度（0.79），最后是空间密度（0.63）。模型解释显示，在重庆，偏离主轴的散射型路径使暴露偏差提升达0.5-0.8℃/次；而在成都，沿径向扩散的路径导致外围区域偏差降低0.3-0.5℃。

五、实践启示与政策建议
研究结论为城市热环境治理提供三重决策支持：

1. 动态监测体系构建
- 建议将移动性基线评估（MBE）纳入城市热暴露监测标准
- 开发基于实时定位数据的预警系统，设置6小时外出时长阈值警报
- 建立多中心城市的次级中心热暴露数据库（重庆已收录23个次级中心）

2. 空间规划优化
- 对多中心城市（重庆），应加强次级中心基础设施配套
- 建议将半径10公里内的交通网络优化作为热暴露缓解重点
- 单中心城市（成都）需关注外围区域的热岛效应治理

3. 应急响应策略
- 制定分时段暴露标准（如6-12小时外出群体需重点关注）
- 建立基于旅行频率的分级预警机制（超过4次/日触发二级响应）
- 开发空间异质性应对方案（重庆需强化次级中心降温措施）

研究同时揭示重要方法论价值：可解释机器学习模型使决策者能清晰识别各移动性参数的影响路径，例如在重庆，当半径超过3公里且频率＞4次/日时，暴露偏差由+0.8℃降至-0.3℃的转折点，这为精准干预提供了量化依据。

六、学术贡献与局限
本研究在理论层面提出"空间流动-热暴露"耦合模型，证实城市结构通过改变移动性空间分布影响热暴露评估结果。方法学上创新性地将Shapley值分解应用于环境健康领域，使模型解释度提升至92%。局限在于数据覆盖存在时间盲区（夜间0-5时），且未考虑极端天气事件的影响，后续研究将纳入实时气象数据并扩展极端案例模拟。