熱力圖之外
最热门的社区只是故事的一部分。

一座沙漠城市,從軌道上看,也從街道上看。
為本網站以 Blender 製作的插圖。它用來說明概念,並非專案的資料。
專案原始圖片、圖表和影片保留原文。
地表溫度圖告訴我們城市哪裡熱,但它本身並不能告訴我們哪些社區最脆弱。我的研究整合了鳳凰城 369 個人口普查區的衛星、土地覆蓋與人口普查資料,來檢視這兩者的差異,並探討當「優先」的定義改變時,降溫計畫的優先順序會改變多少。
提出問題的不同方式
我研究了鳳凰城的 369 個人口普查區。我沒有把溫度當成問題的全部,而是比較兩種決定優先行動地點的方式:一種只按地表溫度排名,另一種按綜合分數排名,這個分數還考量了普查區的建成程度、居住人數,以及居民對高溫的敏感程度。
從十一景拼出一幅畫面
地表溫度來自 Landsat 8 與 9 Collection 2 Level-2 影像。2024 年 6 月至 8 月有十一景通過品質篩選;雲、陰影與飽和像素經過遮蔽,再取剩餘像素的逐像素中位數,得到夏季的溫度與植被合成圖。2024 年美國國家土地覆蓋資料庫(NLCD)提供鋪面與樹冠覆蓋資料,美國社區調查(ACS)則提供年齡、貧窮與住宅數據及其誤差範圍。
各組成部分都看得見的分數
優先分數是四項百分位等級的簡單平均:高溫、建成負擔(鋪面與植被缺乏)、暴露(人口密度)以及敏感度(65 歲以上人口、五歲以下兒童與貧窮)。等權重是一種價值選擇,而不是擬合出的模型,論文中也這樣寫明。把四個部分分開,任何人都能看出某個普查區為什麼排在那個位置。
當排名出現分歧時
就全部普查區而言,兩種排名相當一致,等級相關係數為 0.749。但在真正做決策的前段,兩者並不一致:37 個最熱的普查區中,只有 17 個同時名列 37 個最高優先的普查區。從一種排名換到另一種,普查區位次變動的中位數為 42 名,最大的變動在兩個方向上都約為 250 名。
三種社區
以七項標準化特徵對普查區進行分群,得到三種易於解讀的類型:206 個高溫與社會經濟負擔疊加的普查區;45 個低密度、遠離降溫中心的普查區;以及 118 個綠化較多、溫度略低、居民年齡最高的普查區。在誤差範圍內對人口普查輸入擾動 50 次後,分群結果仍保持穩定;正是這項檢驗,讓這些類型值得討論。
一城。三種閱讀方式。
- 01
從輻射亮度到普查區
Landsat 熱紅外數值依產品公布的比例因子與偏移量換算為克氏溫度(K),以其像素品質波段進行遮蔽,再取整個夏季的逐像素中位數合成。接著在共同的地圖投影下,於普查區邊界內彙總每一張網格資料。在彙整的 373 個普查區中,有 369 個通過涵蓋範圍與品質檢查。
- 02
決策規則的改變
僅依溫度的排名與四項指標的優先排名,在前十分位與前五分位進行比較。重疊程度以個數和 Jaccard 指數(前十分位為 0.298)呈現,因此結果關乎降溫計畫會先去哪些地方,而不是平均差異。
- 03
經得起擾動的類型
比較三到六群並與 Ward 連結法對照後,選定三群的 k-means。穩定性的量測方式是在誤差範圍內擾動人口普查變數後重新分群:k-means 的調整後 Rand 指數中位數為 0.797,Ward 則為 0.580。兩項分數都呈現空間聚集(Moran’s I 約為 0.5),因此相鄰的普查區並非獨立樣本。
地表溫度、人口脆弱性與介入優先順序,回答的是相關但不同的問題。本研究比較這些觀點,並不量測已完成的降溫計畫成效。
誠實的邊界。
- 衛星地表溫度不等於氣溫、夜間高溫或室內高溫。
- 優先分數中的等權重是明確表述的價值選擇。不同的權重會改變普查區的排名。
- 本研究並未將任何排名與健康結果連結,與降溫中心的距離也是直線距離,而非交通時間。
兩者的連結。
論文:〈以遙測與可解釋機器學習分析亞利桑那州鳳凰城社區層級的都市熱脆弱性〉(Remote Sensing and Interpretable Machine Learning for Neighborhood-Level Urban Heat Vulnerability in Phoenix, Arizona)。已提交並獲指導教授接受;尚未發表。「可解釋」指的是易讀的分群類型與透明的評分方式。


