基于OpenStreetMap数据与可解释机器学习的农村救援服务邻近覆盖分类框架

《Scientific Reports》：Explainable machine learning classification of rural rescue service proximity coverage using OpenStreetMap data

　　

摘要

评估农村聚落与救援服务地点之间的空间邻近性仍是可持续社区安全规划中的重要任务，特别是在那些聚落分散、基础设施有限且空间数据不完整的地区。本研究提出了一种数据驱动的框架，用于对基于救援服务邻近性的农村覆盖范围进行分类，该框架使用源自OpenStreetMap的地理空间数据和可解释的机器学习方法。通过构建包含基础设施和聚落相关指标的具有空间结构的数据集，共纳入了304个农村聚落，这些指标包括学校、医疗设施、宗教场所、工业设施、建筑物和主干道通行条件。目标变量表示使用救援服务地点周围5公里欧几里得缓冲区定义的基于邻近性的二元覆盖范围，仅用于比较性区域筛选；它不代表实际观察到的应急响应时间或运营表现。为确保方法的有效性，与目标构建直接相关的易泄漏变量被排除在模型训练之外。使用分层交叉验证对多种分类方法进行了比较评估，包括逻辑回归、随机森林、梯度提升、多层感知机（MLP）和XGBoost模型。研究结果表明，集成机器学习方法在空间表格数据上提供了最稳定且可解释性最强的性能。梯度提升模型在分层五折交叉验证下获得了最高的平均F1分数0.77，平衡准确率为0.85，ROC-AUC为0.95，PR-AUC为0.82。此外，通过排列特征重要性、SHAP分析和多重共线性诊断评估了模型的可解释性，这些方法识别出了基础设施特征与基于邻近性的覆盖类别之间的模型特定关联。开发了空间决策支持图，以识别具有较低模型预测邻近覆盖概率、可能需要进一步详细评估的聚落。所提出的框架证明了在有限和碎片化空间信息条件下，将OpenStreetMap数据和可解释机器学习集成到农村安全管理与基础设施规划的实际决策支持系统中的可行性。