The Heat Exposure Integrated Deprivation Index (HEIDI): A Data-Driven Approach to Mapping Extreme Hot Weather Risk
Notice bibliographique
Résumé
Background/Aim: Extreme hot weather events are increasing in intensity, frequency, and duration as a consequence of climate change. As a result, hot weather mortality is a growing concern in many urban environments, and different strategies are being explored to protect public health. A commonly implemented approach is the construction of spatial heat vulnerability indexes to identify areas at relatively higher and lower risk. Methods: Different approaches were used to generate three different indices for greater Vancouver, Canada using a pool of variables chosen to reflect social vulnerability, population density, temperature exposure, and urban form. The three different indices were: (1) unweighted; (2) weighted; and (3) the data-driven Heat Exposure Integrated Deprivation Index (HEIDI) approach. The performance of each index was assessed using mortality data from 1998-2014, and the maps were compared with respect to spatial patterns identified. Results: The spatial variables most strongly associated with mortality were the deprivation index, the density of the senior population, estimated apparent temperatures on a very hot day, and distance to the nearest major road. The population-weighted spatial correlation between the three indices ranged from 0.64-0.78. The HEIDI approach successfully detected areas of very high heat vulnerability, whereas vulnerability was more spatially smoothed by the other approaches. All indices performed best under extreme temperatures, but HEIDI provided more useful delineation of risk at lower thresholds. Conclusions: Each of the indices in isolation provides useful information for risk communication and public health protection. However, combining the HEIDI approach with standard unweighted or weighted methods provides richer information about the most vulnerable areas and populations. The methods we describe can be replicated in any other large urban environment where mortality data are available and can be georeferenced with relatively good accuracy.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,007 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».