基于Random Forest与SHAP的南伊特鲁里亚（意大利中部）聚落演化环境决定因素研究：从Early Bronze Age至Early Iron Age

《Quaternary International》：A Random Forest application to settlement evolution in southern Etruria (Central Italy), from the Early Bronze Age to the Early Iron Age

　　

原文未提供独立摘要；以下依据原文Introduction中的概述性内容作专业翻译：若将聚落视为在景观中同时受约束和赋能的行动者，重建其建址逻辑需识别使某地点优于替代地点的场地特征。特征被编目后，分析难点转向权重判定：并非所有特征等权，区分决定性、贡献性与偶发性因素并不直接。除考古直觉外，传统路径为统计空间分析，即将观测聚落分布与基于河流、泉、海岸资源等邻近性所得的期望分布比较。研究人员采用人工智能路径，特别是Random Forest（RF，随机森林）算法；该方法不将观测分布与先验期望模型比较，而是从证据中学习聚落的环境签名：分类器依据地形与地质特征区分真实聚落与虚构地点，并通过SHAP（SHapley Additive exPlanations，沙普利加性解释）值回收各预测变量在分类中的相对权重，量化贡献大小与方向，从而以定量方式对决定性、贡献性与偶发性因素排序。该方法已在Latium Vetus和南伊特鲁里亚Final Bronze Age等区域展示分析潜力；研究人员将该分析扩展至整个Bronze Age并进入Early Iron Age，以评估算法输出对既有南伊特鲁里亚聚落行为重建的确认、修正或挑战。

研究背景方面，南伊特鲁里亚从Early Bronze Age至Early Iron Age经历了由分散村庄向原城市中心集中的长期聚落演化。传统景观考古已提出地形、水、海岸与地质等环境因素的重要性，但核心问题是：在众多场地特征中，哪些是决定性的、哪些只是贡献性的或偶发性的，传统空间分析依赖先验期望模型，难以对特征权重作稳定量化，也难以检验既有解释。研究人员因此以真实聚落与虚构地点（pseudo-absences，伪缺失点）的对比训练Random Forest（RF，随机森林），再用SHAP（SHapley Additive exPlanations，沙普利加性解释）值和选择比（selection ratio）量化环境决定因素，并将结果用于确认、细化或挑战南伊特鲁里亚既有的聚落行为重建。研究结论是：贯穿Bronze Age至Early Iron Age存在稳定的聚落环境签名，局部地形主导性、水资源可达性、海岸邻近性和低绝对海拔最为重要，地质基质作用有限且具岩性特异性；Early Iron Age模型区分能力最强，说明少数大型中心选址与全境环境评价更一致；该方法的意义在于以统计推断和可解释机器学习补充而非替代考古解释。

技术方法概括（不超过250字）：样本队列来自罗马省与维泰博省已发表目录，包含305处真实聚落，并以QGIS在研究区（7197 km²）随机生成384个伪缺失点。QGIS提取Topographic Position Index（TPI，地形位置指数）、正地形开阔度、海拔、地质单元面积，以及基于Naismith规则与Aitken–Langmuir公式的各向异性步行时间。KNIME构建RF超参数网格并以5折交叉验证、以真实聚落Recall选参；Python进行重复分层5折交叉验证、Cohen's kappa、置换检验、TreeSHAP、LOESS零交叉阈值与bootstrap；另以use/availability选择比和伪缺失点数量及空间排除敏感性分析检验稳健性。

结果部分：
3.1 Model performance：通过重复交叉验证与标签置换检验评估分类性能。汇总模型ALL为κ=0.43（SD 0.02）、准确率0.72，显著优于随机（p<0.001）；各期模型均显著，EIA最佳（κ=0.64，准确率0.82），FBA3最弱（κ=0.26）。差异不能归因于样本量，EIA样本最小却分类最好。结论是环境模式贯穿Bronze Age，并在EIA随大型中心集中而更清晰。
3.2 Collinearity：通过Spearman相关与Variance Inflation Factor（VIF，方差膨胀因子）诊断共线性。初始仅H1（VIF=12.9）与H6（7.2）超阈值；去除H1后最大VIF为4.3。H1共线性为结构性，因其面积占比大且地质类面积和近常数；纳入H1重跑后性能与变量层级基本不变。结论是共线处理稳健。
3.3 Selection ratios：通过use/availability选择比及非参数bootstrap评估地质偏好。H10（w=3.12，95% CI 1.89–5.59）与H6（w=1.75，95% CI 1.30–2.41）显著正选；H7（0.59）、H8（0.52）与H1（0.88）显著回避；其余类别置信区间跨1，不作解释。结论是地质偏好少而稳定。
3.4 Normalized split frequencies：通过各期标准化分裂频率比较变量使用层级。TPI与正地形开阔度在各期均居最高，水相关变量（海、河道、泉、内陆水体）多居高位，海拔处中上；多数地质类居后半，H6仅在FBA12升至第三。结论是层级高度稳定，但分裂频率混淆偏好与可用性，须结合选择比解读，如H8频繁使用却实际被回避，H6频率中等却实际被偏好。
3.5 SHAP values：通过SHAP依赖图判断变量贡献方向与阈值。TPI呈不对称V形，约>11 m后贡献转正；开阔度仅在>90°的凸地形高TPI区转正，与TPI局部冗余；海拔单调下降，约210 m处过零，低海拔有利；水可达性在短步行时间内为正，河道约950 s、泉约2600 s、海约23000 s，内陆水体阈值不稳定；H10面积增加带来正贡献，H6约在47000 cells（约4.7 km²）后转正且集中于Tolfa–Ceriti。结论是局部主导、低海拔、水与海岸可达性共同构成选址偏好。
3.6 Sensitivity to pseudo-absence sampling：通过改变伪缺失点数量及排除近聚落伪缺失点检验敏感性。150、250、305个伪缺失点时AUC为0.76–0.77，参考0.78，排序Spearman ρ=0.97–0.99；排除1 km与2.5 km内伪缺失点提高AUC，但造成空间偏倚；1 km排除下排序稳定（ρ=0.99），2.5 km排除下河道由第三降至第八、H6升至第三，符合河道近距离局部尺度。结论是主分析层级稳健且性能估计偏保守。

讨论部分总结：分析在统计层面确认了传统景观考古关于环境因素作用的多项假设，并将变量权重置于“Svolta Protourbana”社会复杂化背景下理解。TPI主导反映对可视性、人口、资源与移动路线的控制，而非仅防御；低绝对海拔与局部主导并存，表明选址兼顾可见性、可达性与连通性；水、河流、泉、湖泊及海岸邻近性显示水资源和海洋交换网络的结构性意义；地质作用有限，H10与H6偏好明显，H6更可能反映Tolfa–Ceriti区域的聚落吸引力及其在FBA12权重上升。EIA模型性能更高，符合原城市中心选址经过长期全境生产与战略评估的解释；di Gennaro关于原城市中心选址系有意识全境评价的观察获得定量支持。

研究结论部分翻译：该研究目标有二：评估机器学习工具研究古代景观聚落分布的潜力，并对南伊特鲁里亚原史时期既有解释框架作独立且统计稳健的评估。模型识别的最重要因素——地形主导性、水资源可达性、海岸邻近性及主要移动走廊邻近性——与四十余年景观考古研究所承认的因素收敛，构成对既有重建稳健性的独立确认。其价值在于分析基础：第一，它锚定于统计推断；第二，机器学习可捕捉传统检查难以发现的非线性关系；第三，可细察各变量作用大小及条件。必须强调，算法不替代解释，而是评估解释一致性与解释力的附加工具。局限有二：方法有效性依赖大而具代表性的数据集，分期模型在少量遗址时仍可检测环境签名但估计稳定性下降；考古记录不存在真实缺失，伪缺失点是分析构造，结果条件于负类定义与分布。人工智能不消除解释主体性，而将其转移至更早、更不显眼的流程阶段。总体而言，人工智能对聚落考古的贡献应理解为对解释的规训：它要求假设以形式化、可检验方式表达，使隐含假设显式化并测量关系强度；在南伊特鲁里亚，该练习未推翻既有原史聚落体系认识，而是使其更锐利。