摘要
极端气候事件，包括严重热浪、持续干旱和异常洪水，可严重干扰农业生产的稳定性，并进一步增加农业贷款违约的风险。为克服传统信用评估在充分利用环境感知信息方面的局限性、极端灾害样本的稀缺性以及感知质量波动问题，本文提出了一种融合农业环境感知观测、借款人特征交互与不确定性感知学习的稳健违约风险预测框架。首先，通过双分支编码网络分别提取环境暴露特征和借款人特定属性，并采用双向交叉注意力机制来捕获气候条件与借款人风险之间的非线性交互。随后，引入气候约束的灾害场景增强机制，在区域、季节、作物生长阶段及变量间关系约束下扩展极端环境样本。通过结合随机预测与不确定性估计，进一步构建了稳定加权策略，从而降低高噪声样本和异常观测对模型训练的影响。实验结果表明，在正常与极端气候条件的综合评估下，所提出的模型取得了[...]的PR-AUC、[...]的ROC-AUC和[...]的F1分数，同时获得了[...]的Brier分数和[...]的ECE。在涉及缺失、噪声和偏差的退化传感条件下，该模型仍保持高判别能力（PR-AUC为[...]，ROC-AUC为[...]，F1分数为[...]）和良好的校准风险估计（Brier分数为[...]，ECE为[...]）。跨扰动类型的分解评估、关于空间匹配与合成标注的敏感性分析、外部时间留出与跨区域验证，以及事后特征归因分析进一步证实了该框架的稳健性与实际可解释性。总体而言，所提出的框架持续优于逻辑回归、SVM、随机森林、XGBoost、LightGBM、DNN、LSTM、深度集成及此前的模型。
