运用改进的DPSIR-A框架与多模型机器学习方法评估山区村庄的灾害韧性

《Scientific Reports》：Assessing disaster resilience in mountain villages using an improved DPSIR-A framework and multi-model machine learning

　　

摘要

在全球气候变化与频繁的地质灾害双重挑战下，评估山区村庄的灾害抵御能力对于实现区域的可持续发展至关重要。本研究提出了一种专门为高海拔、依赖旅游业的少数民族村庄设计的综合抵御能力评估框架。该框架在传统的DPSIR模型基础上增加了“适应性”维度，用于量化传统生态知识以及社区的学習能力。为了解决小样本地质灾害数据集中常见的类别不平衡问题，本研究将SMOTE过采样技术与多模型评估流程（IVM-SVM-RF）相结合。这种方法能够克服机器学习模型在小样本环境下的泛化限制。研究结果如下：（1）模型性能提升：经过SMOTE优化的随机森林模型（S-RF）的性能优于SVM和IVM模型，其性能指标最高（AUC=0.753，Kappa=0.754）。该模型在小样本条件下识别低抵御能力区域方面表现尤为出色，证明SMOTE过采样技术可以有效解决类别不平衡问题，提升模型对边缘低抵御能力区域的识别精度。（2）空间差异性：张岔镇的抵御能力呈现出明显的“受地形约束的经济聚集”特征。高抵御能力核心区域（13.05%）集中在甘海子地区，这得益于当地的社会经济适应能力；而极低抵御能力区域（9.42%）则分布在南部边缘地带，这是由于地形陡峭以及应对措施滞后所导致的。（3）非线性驱动因素：特征重要性分析表明，植被覆盖度、降雨量以及距道路的距离是影响抵御能力的关键因素。此外，诸如建筑的抗灾能力以及村民的灾害意识等“软性抵御能力”因素，在降低物理风险方面也发挥着重要作用。