ML4EJ：利用可解释机器学习解码城市特征在塑造环境不公中的作用
机器学习
2025-10-14 v1
摘要
理解塑造环境危害暴露及其相关环境不公问题的关键因素，对于制定公平的政策措施至关重要。传统环境不公视角主要关注社会经济维度，常忽视异质城市特征的影响。这种有限视角可能阻碍对环境公正复杂性及其与城市设计特征关系的全面理解。为弥补此不足，本研究构建可解释机器学习模型，考察各类城市特征及其非线性相互作用对三种主要危害——空气污染、城市热岛和洪水——暴露差异的影响。分析使用美国六个大都会县的数据，通过随机森林(Random Forest)和XGBoost训练并测试模型。模型性能用于衡量城市特征变化塑造环境危害水平差异的程度。此外，特征重要性分析揭示与社会人口特征相关的特征是塑造危害程度最显著的城市特征。与基础设施分布和土地覆盖相关的特征分别对城市热岛和空气污染暴露相对重要。进而，我们评估了模型跨地区和跨危害的迁移能力。结果凸显了有限的迁移性，强调危害与地区间错综复杂的差异以及城市特征塑造危害暴露的方式。本研究获得的见解为城市特征间关系及其与环境危害暴露差异的相互作用提供了新视角，可为制定更综合的城市设计政策以改善社会公平和环境不公问题提供参考。
引用
@article{arxiv.2310.02476,
title = {ML4EJ: Decoding the Role of Urban Features in Shaping Environmental Injustice Using Interpretable Machine Learning},
author = {Yu-Hsuan Ho and Zhewei Liu and Cheng-Chun Lee and Ali Mostafavi},
journal= {arXiv preprint arXiv:2310.02476},
year = {2025}
}