北京
关键词：气候变化，自然灾害，人口流动，机器学习，因果推断
论文题目： Exploring interactions between socioeconomic context and natural hazards on human population displacement 论文来源：Nature Communications 论文链接： https://www.nature.com/articles/s41467-023-43809-8
气候变化正在导致更多的极端天气灾害，迫使人类流离失所。本研究采用可解释机器学习技术，仅通过观察数据来模拟和理解人口流动及其模式。为此，这项研究提供了一个大型、统一的全球数据库，记录了 2016-2021 年间洪水、风暴和山体滑坡等灾害引发的人口迁移。作者们考虑了环境、社会和经济因素，以预测受灾地区每次事件造成的流离失所人数。研究表明，通过使用 Sharply Value 和基于因果关系的方法对已训练模型进行解释，可以发现流离失所主要归因于贫困家庭条件和强降水的结合。因此，该研究提供了存在不同或不均衡脆弱性的经验证据，并提供了一种量化方法，这有助于推进循证减灾和适应规划工作。
纵观历史，气候一直影响着人类的流动性，人类往往通过迁徙来适应环境变化，寻求改善生存前景。值得注意的是，目前的观察结果表明，近期的气候变化也可能受到人为因素的影响，这些因素有可能破坏传统的生活方式。气候迅速变化，极端天气事件发生的频率和严重程度不断增加，可能对有效实施减缓和适应措施构成挑战。鉴于这些因素，为应对这些逆境而增加流离失所发生率的可能性值得考虑。灾害造成的流离失所是指由于自然或人为灾害，人们被迫离开自己的常住地。然而，财富和资源的分配并不均等，人口主要集中在中低收入国家。这可能会加剧这些地区现有的挑战，使他们更难应对环境危害和气候压力因素的影响。
这项研究利用数据驱动的机器学习算法，研究全球范围内突发灾害引发的境内流离失所问题。为此，这项研究提供了一个大型、统一的全球数据库，记录了 2016-2021 年间洪水、风暴和山体滑坡等灾害引发的人口迁移。作者们考虑了环境、社会和经济因素，以预测受灾地区每次事件造成的流离失所人数。
研究表明，通过使用 Sharply Value 和基于因果关系的方法对已训练模型进行解释，可以发现流离失所主要归因于贫困家庭条件和强降水的结合。预测模型在全国和特定灾害范围内利用了一系列不同的社会经济和环境驱动因素。所提出的方法避免了对变量关系或相关性的强烈假设，完全依赖于观测数据。此外，基于可解释人工智能（XAI） 和因果效应估算方法，研究分析揭示了人口迁移的相关过程和驱动因素之间复杂的相互作用。
图1：数据集关注的区域及流离失所人数统计
图2 贫困人群最容易受到极端降水导致的流离失所。a，b）不同收入下降水和区域人口数与流离失所人口的sharply value。c，d）不同因素和流离失所人数的平均因果效应
机器学习模型仅从观察数据中就证明、推断和量化了不同脆弱性的概念，而无需假设或先入为主的关系。这样，假设、预期和领域专家的定性分析都得到了进一步的经验证实。最重要的是，传统的多灾害风险模型往往将灾害、风险暴露和脆弱性视为独立的组成部分，而可解释机器学习使得能够揭示灾害风险三个维度之间错综复杂的相互作用。有鉴于此，该研究和方法可以成为未来推进循证减灾战略和政策的垫脚石，充分利用当前在建模技术和数据可获取性方面取得的进步。
编译｜郭瑞东
计算社会科学读书会第二季
详情请见：
1.
2.
3.
4.
5.
6.
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
