\chapter{数据获取与预处理}

\section{研究区域概况}

本研究选取焦作市和郑州市作为研究区域。两市位于河南省中部偏北，属于暖温带大陆性季风气候，夏季炎热多雨，冬季寒冷干燥，年平均气温约14-15℃，7月平均气温可达27-28℃，极端高温超过40℃。

焦作市总面积4071平方公里，常住人口约352万，其中65岁及以上人口占比约12.8\%。郑州市作为河南省省会，总面积7446平方公里，常住人口约1274万，老龄化率约11.6\%。两市的城镇化率均超过65\%，城市热岛效应与人口老龄化叠加，使得高温健康防护问题尤为突出。

\section{数据来源}

\subsection{ERA5-Land气象再分析数据}

ERA5-Land是欧洲中期天气预报中心（ECMWF）提供的全球陆地表面再分析数据集，空间分辨率为0.1°×0.1°（约9 km），时间分辨率最高为1小时。本研究通过Copernicus Climate Data Store (CDS) API获取2010-2024年间焦作市和郑州市的网格点气象数据。

获取的气象变量包括：
\begin{itemize}
    \item 2m温度（2m temperature）
    \item 2m露点温度（2m dewpoint temperature）
    \item 地表气压（surface pressure）
    \item 10m风速U分量和V分量
    \item 总降水量（total precipitation）
    \item 地表太阳辐射（surface solar radiation downwards）
\end{itemize}

\subsection{人口与健康数据}

人口数据来源于第七次全国人口普查公报（2020年），包括分年龄段人口结构、老龄化率等基础指标。健康统计数据来源于河南省卫生健康统计年鉴，包括各月死亡人数、门急诊就诊人次等。

\subsection{高温预警与极端天气历史记录}

收集焦作市和郑州市2010-2024年高温预警发布记录和极端天气事件记录，用于标注和验证模型预警的准确性。

\section{数据预处理}

\subsection{时间分辨率统一}

原始ERA5-Land数据为小时级别，需将其聚合为日尺度数据。对于温度变量，计算日最大值、最小值和平均值；对于降水量、太阳辐射等累积变量，计算日总量。

\subsection{缺失值处理}

由于CDS API下载过程中可能产生网络中断导致部分时段数据缺失，采用线性插值和前后日平均值填充相结合的方法处理缺失值。若连续缺失超过30天，则使用历史同期多年平均值进行填充。

\subsection{异常值检测}

对温度数据中的异常值进行检测和修正。温度超出历史同期均值±3倍标准差范围的被视为异常值，采用前后值线性插值修正。

\subsection{特征工程}

在基础气象变量的基础上，构建以下衍生特征：
\begin{itemize}
    \item 热浪指数：日最高温度连续超过阈值（32℃/35℃）的天数
    \item 昼夜温差：日最高温度与日最低温度之差
    \item 连续高温天数：日最高温度超过35℃的连续天数
    \item 湿热指数：结合温度和湿度计算的体感温度
    \item 季节编码：月份的正弦/余弦编码
    \item 滞后特征：前1天、前3天、前7天的温度值
\end{itemize}

\section{数据集构建}

\subsection{样本构造}

采用滑动窗口方法构造监督学习样本。以历史N天的气象特征序列为输入，以未来T天的健康风险等级为目标变量。分别构建短期（输入7天，输出1-3天）、中期（输入30天，输出7天）和长期（输入90天，输出30天）三个时间尺度的数据集。

\subsection{训练集与测试集划分}

采用时间序列划分方法，使用2010-2019年数据作为训练集，2020-2022年数据作为验证集，2023-2024年数据作为测试集，以模拟真实预测场景。

\subsection{数据归一化}

对所有数值型特征采用Z-score标准化（均值为0，标准差为1），标准化参数基于训练集计算并应用于验证集和测试集。