野火发生频率与强度的不断上升，加剧了人们对其危害公众健康的担忧。然而，受现有高分辨率暴露数据局限性的影响，精准量化野火烟雾急性暴露水平及其相关健康影响仍面临诸多挑战。本研究构建了一套全新的级联机器学习框架，在加利福尼亚州生成了分辨率达 1 公里 ×1 公里、逐小时的专属野火 PM₂.₅浓度数据，其精度较传统化学传输模型与卫星反演数据集有显著提升。结合该高分辨率数据集与加州大学的健康档案数据，我们揭示了短期野火烟雾暴露与急性肺炎相关健康风险之间的关键关联。值得注意的是，本研究提出了一项新的暴露指标Pmax，用以表征逐小时峰值暴露强度相对于日累积暴露的水平；研究发现，与日均浓度相当的持续性暴露相比，短暂、脉冲式的野火烟雾事件，其引发肺炎相关就医风险高出近十倍。结果还进一步表明，18 岁以下青少年及非裔美国人群体的易感程度更高。本研究强调，在野火健康相关研究中，亟需开展时间维度精细化的暴露评估；在野火风险日益加剧的背景下，该成果也为制定针对性公共卫生干预措施与应急准备方案提供了坚实的科学依据。

野火,人群健康效应,机器学习