迈向个体光照暴露历史的预测范式：一种基于轨迹的建模框架

光照暴露重建 多源数据融合 行为轨迹 建筑语义 光谱加权照度 时间尺度效应 SHAP解释 可穿戴设备替代 校园环境验证 剂量响应建模

　　
本研究聚焦于开发一种无需可穿戴设备即可重建个体全天候光暴露历史的预测框架，旨在解决大规模人群长期追踪中的技术瓶颈。研究团队以清华大学建筑学院为背景，通过整合多源异构数据，构建了融合行为轨迹、空间语义和气象条件的创新模型，为光健康研究提供了新的方法论支持。

在问题提出层面，现有技术存在显著局限性。环境监测法虽成本低廉，但难以捕捉个体移动带来的光暴露差异，尤其夜间室内环境与户外夜间灯光的映射存在较大偏差。仿真建模虽能模拟理想场景，但无法处理真实世界中的复杂行为模式，如短时外出或空间切换。而基于可穿戴传感器的追踪方法虽测量精度较高，但存在设备佩戴负担大、长期使用率低、成本高昂等现实制约。这种技术困境直接影响了公共卫生研究中的样本规模和数据质量。

研究创新性地提出"行为轨迹-空间语义-气象条件"三位一体的数据融合框架。其核心突破体现在三个维度：首先，构建了包含建筑形态学特征（如玻璃幕墙透光率、遮阳构件布局）、地理空间属性（楼层高度、朝向角度）和环境语义信息（昼夜节律、天气状况）的多层次空间语义模型；其次，开发了基于GPS轨迹的动态空间映射算法，通过解析个体移动轨迹与建筑空间特征的时空耦合关系，精确识别不同时段的光暴露场景；最后，建立了跨尺度的时间聚合机制，通过5分钟瞬时数据、1小时次级数据到4小时日间数据的阶梯式处理，平衡了计算效率与建模精度。

在技术实现路径上，研究团队采用分层递进的方法。基础层整合了卫星遥感获取的太阳辐照度、气象局实时发布的云量湿度数据、城市三维建筑模型数据库，构建了覆盖昼夜、不同天气条件的基础辐射数据库。中间层开发了轨迹解析引擎，将连续的GPS定位数据转化为室内外空间切换记录，结合手机传感器获取的运动状态和头部姿态参数，精确计算个体在不同场景中的有效光照接触时间。应用层则通过机器学习模型将环境数据与行为轨迹进行关联分析，重点捕捉空间遮挡效应（如建筑阴影）、光谱衰减（透过玻璃的紫外线损失）、行为介入因素（如开窗行为改变室内光照）等关键变量。

实证研究部分选择了清华大学校园作为验证场域，该场景具有典型的城市建成环境特征：多层建筑群、密集的遮阳设施、复杂的光环境切换模式。研究收集了328名师生为期14天的多源数据，包括：1）光谱校准的可穿戴设备实测数据（采样频率达1Hz）；2）高精度GPS轨迹（定位误差<1米）；3）气象卫星数据（时间分辨率5分钟）；4）建筑空间数据库（包含12,000个室内点和3D建筑模型）。通过构建包含58个特征参数的输入向量，研究团队采用随机森林与梯度提升树融合的机器学习模型，实现了从瞬时光照到日间累积量的多尺度重建。

在模型验证方面，研究采用交叉验证与留一法双重检验。结果显示，在1小时时间尺度下，模型的人眼日累积m-EDI量预测误差（RMSE）仅为实测值的17.3%，且在跨季节、跨天气条件下表现稳定。特别值得注意的是，当采用4小时聚合数据时，预测模型的R2值达到0.547，而留一法交叉验证的R2值仍保持在0.316以上，这表明时间聚合能有效降低瞬时噪声干扰，提升长期暴露量预测的可靠性。

机制解析部分通过SHAP值分析揭示了不同时间尺度下的主导因素差异。对于5分钟瞬时数据，环境辐射强度（占比68%）和建筑遮挡效应（占比22%）是主要影响因素，说明此时段光暴露更受即时环境条件制约。当时间窗口扩展至1小时，行为模式（如教室-实验室切换频率）的影响权重提升至39%，显示行为轨迹的时空连续性开始主导光暴露特征。而在4小时聚合尺度下，空间语义特征（建筑形态与地理坐标的交互作用）占比达55%，成为影响累积暴露量的关键要素。这种机制随时间尺度变化的特性，为后续研究提供了重要的理论启示。

研究特别强调了方法论的三个核心价值：其一，突破传统环境监测的空间局限性，通过GPS轨迹解析实现个体化光暴露重建；其二，创新性地将建筑空间语义信息量化为可计算的拓扑特征，有效捕捉室内外光环境转换的复杂规律；其三，建立多尺度预测框架，既可满足即时健康干预的分钟级精度需求，又能为公共卫生研究提供日累积量等长期指标。

在应用场景方面，研究展示了该框架在三个维度的实践价值：在健康风险评估中，可生成个体连续28天的m-EDI暴露谱，支持疾病归因分析；在照明设计优化中，能够模拟不同建筑形态对室内光环境的影响，为绿色建筑认证提供量化依据；在公共卫生政策制定方面，通过整合手机信令数据与气象数据，可构建区域级人群光暴露特征数据库，为制定光暴露干预指南提供科学支撑。

研究同时指出了现存的技术局限与改进方向：首先，模型在极端天气条件（如持续阴雨）下的预测稳定性有待提升，需要加强多气象模式下的验证；其次，建筑空间数据库的覆盖范围有限，未来需扩展至更复杂的城市环境；最后，个体行为模式的多样性尚未完全建模，特别是夜间活动的光暴露特征仍需深入研究。研究团队提出，下一步将引入深度学习框架，通过卷积神经网络处理高维空间语义数据，并开发轻量化边缘计算模块以支持实时预测。

该成果为光健康研究提供了重要方法论突破。通过将行为科学、环境工程和机器学习技术有机融合，成功解决了长期个体化光暴露评估的技术瓶颈。其核心价值在于建立了可扩展的数据融合范式，既保留了传统环境监测的低成本优势，又克服了可穿戴设备规模化应用的难题。研究结果证实，在典型城市环境中，结合空间语义与行为轨迹的预测模型，能够以85%的准确率重建个体日间m-EDI暴露量，且误差在可接受范围内（±15%）。这种平衡了精度与可行性的解决方案，为后续开展大规模人群光暴露流行病学调查奠定了技术基础，对智能照明系统的人机交互优化、建筑空间设计的人因考量、以及公共卫生政策的精准制定具有重要参考价值。