利用机器学习和时间序列数据对气候变化下的武装冲突风险进行建模

武装冲突是指两个或多个有组织的武装团体、政府或非政府组织之间因领土、政策和/或资源的分歧而导致的武装部队的干预^1，2．在武装冲突的各种概念中，最突出的是乌普萨拉冲突数据计划(UCDP)地理参照事件数据集(GED)，该数据集将武装冲突事件定义为“一个有组织的行为者对另一个有组织的行为者或对平民使用武装力量，在特定地点和特定日期造成至少1人直接死亡的事件”。^3.．这样就可以在空间和时间单位上衡量武装冲突事件的发生率(特定年份的武装冲突事件)和发生率(前一年未发生武装冲突事件的发生率)(见补充资料中的方程)。在我们的分析中，我们计算了武装冲突事件的发生和爆发的存在，而武装冲突的其他方面没有具体说明，如冲突强度或后果、冲突各方、历史背景或文献中考虑的其他冲突模式。

根据UCDP-GED, 2000年至2015年期间，全球发生了9.1万多起武装冲突事件，直接造成约65.4万人死亡，其中包括近14.4万名平民⁴．武装冲突地点和事件数据项目报告称，2017年1月至8月，在亚洲和非洲发生了2.3万多起武装冲突事件，造成约2.4万人死亡⁵．尽管从十年的远景来看，全球武装冲突事件的数量和强度都呈下降趋势，高强度冲突的下降尤其明显^6，7年以来，多个地区武装冲突事件发生频率呈上升趋势，并更加集中于非洲、中东和南亚⁵．

近年来，了解冲突风险引起了跨学科科学家群体的越来越多的关注，因为它对人类安全和保障具有重要意义⁸．冲突风险一词与发生武装冲突事件的可能性有关⁹这里适用于指武装冲突事件的频率，涉及武装冲突的发生和武装冲突的爆发。研究人员和政策制定者最近都在深入讨论气候变化是否会影响冲突风险^9，10．例如，联合国安理会自2018年起每年都就气候变化与安全问题进行讨论。

关于气候冲突联系的研究涵盖了广泛的气候现象和冲突维度，这使得不同研究的不同结果难以进行比较。尽管科学家们尚未就气候冲突之间的因果关系达成一致^{11，12，13，14}在美国，人们越来越接受气候变化或气候变率的变化会在某些情况下增加武装冲突的风险^9，15，16．例如，政府间气候变化专门委员会(IPCC)的第五次评估报告(AR5)显示，气候变化有可能加剧国家之间争夺共享资源的竞争，这意味着气候变化增加了武装冲突的威胁¹⁷．此外，一些研究利用考古发掘数据在长期或全球范围内探讨气候变化与冲突之间的联系。例如，Kuper和Kröpelin根据放射性碳数据将气候变化与过去12000年的史前职业联系起来。他们证明，自全新世中期以来，由气候控制的撒哈拉沙漠的干燥和扩张最终可能被认为是非洲进化到现代的驱动力¹⁸．Hsiang等人对1986年至2013年关于气候变量与冲突之间跨期关联的文献进行了全面回顾，发现气候对现代冲突的影响程度具有高度统计学意义¹⁹．这些研究以千年以来的长期数据为基础，探讨了冲突与气候波动之间的联系，无法避免高度不确定性这一共同问题。与这些长期系列数据集相比，气候和武装冲突数据在过去三十年中变得更加准确。这一发展对气候变化和武装冲突的研究非常有益^20.．Schleussner等人使用事件巧合分析方法检验了1980年至2010年全球范围内气候相关灾害与冲突风险之间的统计相互关系。他们发现，在种族高度分化的国家中，约23%的冲突爆发与气候灾难密切吻合²¹．同样，Ide等人发现，在种族排斥、人类发展水平低和人口众多的情况下，与气候相关的灾害增加了武装冲突的可能性¹⁴．Bretthauer认为，气候引起的水和土地短缺增加了武装冲突的发生率²²．然而，上述三项研究主要探讨的是国家层面的气候变化与冲突之间的关系^14，21，22该模型忽略了国家内部冲突风险的空间差异，并假设冲突在大范围内的存在是一致的。在几项研究中，没有明确的证据表明气候变化和冲突之间存在联系¹²．对于这一现象，Uexkull等人提出，原因之一可能是未能正确规定气候极端事件可能破坏社会稳定和增加冲突风险的适当时间和空间范围。因此，他们量化了与政治相关的民族群体和生长季节之间的干旱-冲突关系。结果显示，1989年至2014年期间，亚洲和非洲发生持续冲突的可能性随着局部干旱而增加²³．

在更细的尺度上模拟和预测冲突风险对于促进社会稳定与和平至关重要。Scheffran等人提出了气候系统、自然资源、人类安全和社会稳定之间联系的系统分析框架^24，25．Hegre等人概述了一个方法框架，并结合了几种建模方法，以评估非洲国家和国家以下一级的冲突风险²⁶．然而，在全球范围内探索气候冲突的因果关系仍然是一项具有挑战性的任务。近年来，模拟和数据驱动的方法(称为机器学习)已被证明具有解决基于大量数据的许多复杂问题的潜力^27，28，29，包括气候冲突的关联^30.．因此，我们提出了一个潜在的可处理的问题，即机器学习方法是否可以用于发现冲突风险和高维协变量之间的模式。

在这项研究中，我们将机器学习方法与高频时间序列数据相结合，以模拟气候变化下的武装冲突风险。我们提出了一个假设，即在存在这种模式的情况下，从单一年份数据集拟合的机器学习模型应该具有一定的能力，可以用我们捕获的模式预测其他年份的武装冲突风险。我们采用了时间交叉验证方法来在更详细的尺度上证明我们的假设。研究表明，武装冲突风险主要受具有复杂模式的稳定背景背景的影响，其次是与气候偏差相关的协变量。我们进一步揭示了正的温度偏差或极端降水与全球武装冲突风险的增加有关。我们还模拟了2000年至2015年全球武装冲突的风险。因此，这项研究为理解全球范围内的气候冲突联系提供了一个新的视角。

时间交叉验证分析

基于UCDP GED和高频时间序列协变量数据集，构建了四种策略下武装冲突发生率样本和武装冲突爆发样本(见方法)。为了验证机器学习模型的可行性，我们提出了一种时间交叉验证方法，其中在一年样本上训练的增强回归树(BRT)模型应该在其他年份的样本上具有良好的性能。数字1为策略a和策略a+下BRT模型在时间尺度上的表现，结果表明，在策略a+下训练的20个集成BRT模型的接收算子特征曲线(ROC-AUC)下面积大于策略a下的(0.886±0.039 s.e)。Vs 0.878±0.038 s.e.，p< 0.01)。4种策略下的20个集成BRT模型在时间交叉验证过程中的详细表现见补充图。2- - - - - -5及补充表格1而且2．ROC-AUC值为0.5的预测器是随机预测器。因此，集成BRT模型是正预测因子。时间交叉验证结果证实了冲突风险与高维协变量之间存在联系的假设。

增强回归树模型的性能评估

为了避免模型偏向单年样本，我们合并了2000 - 2015年的样本来训练BRT模型。10倍交叉验证ROC-AUC(0.937±0.001 s.e)表明，在20个模拟过程中，将稳定背景背景与气候变率(策略a和策略a+)配对能够较好地模拟武装冲突发生的时空动态。与策略a相比，策略a+考虑了24个月的气候偏离正常，具有更高的10倍交叉验证ROC-AUC(0.939±0.002 s.e)值。在四种策略下对所有样本训练的20个集成BRT模型的性能评估在补充表中描述3.- - - - - -6．说明显著性差异(*表示p< 0.05)，在策略a+下对所有样本训练的BRT模型的性能与策略a下的性能相当。

每个协变量的相对贡献

对于在策略a和a+的所有发生率样本上训练的20个集合BRT模型，补充图。6而且7结果表明，主要预测因子为平均气温(46.493±1.187 s.e.);%， 45.944±1.171 s.e.。%，正相关)，自然灾害热点(15.925±0.725 s.e.)。%， 15.706±0.753 s.e.。%，复杂关联)，平均降水量(10.609±0.885 s.e.)。%和10.545±0.831 s.e.。%，正相关)，社会经济协变量(9.758±0.667 s.e。%， 9.684±0.648 s.e.。%与城市通达性呈负相关;3.150±0.166 s.e.; % and 3.207 ± 0.197 s.e. % for nighttime lights, positive association), elevation (5.900 ± 0.342 s.e. % and 5.578 ± 0.293 s.e. %, positive association), politically relevant ethnic diversity (2.889 ± 0.191 s.e. % and 2.835 ± 0.189 s.e. %, positive association) and normalized difference vegetation index (2.762 ± 0.197 s.e. % and 2.695 ± 0.190 s.e. %, complex association). Figure2和补充图。8说明标准化温度指数(1.720±0.167 s.e.)的相对贡献。%，正相关;2.508±0.231 s.e.;%，正相关)和标准化降水指数(0.794±0.090 s.e。%，正相关;1.298±0.133 s.e.;%，正相关)相对较低时，策略a和a+的稳定背景上下文。在策略a和a+下，在所有起始样本上训练的20个集合BRT模型，每个协变量的相对贡献见补充图。9- - - - - -12．

全球武装冲突模拟风险等级的时空分布

数字3.描述了基于策略a+下所有事件样本训练的20个集合BRT模型在2000年、2005年、2010年和2015年武装冲突发生的模拟概率，显示了不同年份模拟风险水平的变化。2000年，模拟的武装冲突发生高危地区集中在墨西哥和中美洲、南美洲西北部(委内瑞拉和哥伦比亚)、非洲(几内亚、阿尔及利亚、乌干达、肯尼亚和埃塞俄比亚北部)和亚洲部分地区(伊朗、阿富汗、巴基斯坦、印度、尼泊尔、孟加拉国、泰国、马来西亚和菲律宾)(图。3)．与图相比。3,无花果。3 b揭示了北美南部地区武装冲突发生的模拟高风险从墨西哥南部延伸到墨西哥北部。此外，2005年，土耳其东部和阿富汗东部发生武装冲突的风险有所增加，而阿尔及利亚北部发生武装冲突的风险有所降低。图的主要区别。3 b，c发生在墨西哥、哥伦比亚、摩洛哥、苏丹、乌干达、阿富汗和印度。例如，2010年苏丹南部、乌干达和印度东部地区武装冲突发生的模拟风险高于2005年，墨西哥北部和哥伦比亚西北部地区武装冲突发生的模拟风险低于2005年。2015年，墨西哥西北部、阿富汗和埃塞俄比亚东部地区发生武装冲突的风险高于2010年的模拟结果(图2)。3 d)．在所有发病样本或所有发病样本上训练的20个集合BRT模型的平均值得出的最终风险水平图见补充图。13- - - - - -20.,分别。

O’loughlin等人先前的研究表明，冲突风险与气候异常有关，但更多地受到政治、社会经济和地理环境的影响，尤其是在撒哈拉以南非洲地区^20.，31．我们的研究结果表明，在全球范围内也存在类似的模式。例如，稳定的背景协变量(见补充资料)对武装冲突发生率的时空分布贡献较大，平均相对贡献大于96.0%(补充表7)．与稳定背景协变量相比，标准化温度指数或标准化降水指数对模拟结果的影响相对较小，但与气候偏差相关的协变量累计占模拟结果的2.5%以上。这就是为什么不同年份模拟的局部地区武装冲突发生风险水平不同的原因。我们认为这是气候变化对冲突风险产生影响的证据。补充表3.表明考虑两年气候偏差可以略微提高BRT模型的性能。这一结果可以被视为部分支持其他研究发现，即连续多年偏离正常气候条件(社会所适应的气候条件)可能部分或全部影响社会的稳定性，这两者都是历史上的^32，33在当前的时间段内³⁴．补充表7结果表明，长时段气候偏差对风险水平的影响较大，相对贡献值为3.806%。这属于较低的范围，但符合不同学科专家的判断，即3-20%的冲突风险与气候变化有关⁹．

虽然越来越多的定量研究发现，气候变化对武装冲突的发生有影响，但关于气候变化和武装冲突发生的证据更加稀缺和有争议^10，23，35．因此，我们的研究不仅模拟了武装冲突发生的可能性，而且进一步探索了模拟武装冲突爆发的可行性。根据van Weezel的定义³⁶，我们构建了一个发生率和发病指标来表示冲突风险，并分别进行了建模分析。研究结果进一步表明，将机器学习与高频时间序列数据相结合，在预测全球范围内武装冲突爆发的风险方面具有巨大潜力(补充图)。4，17而且18)．此外，我们的结果还表明，在全球范围内，武装冲突的爆发比武装冲突的发生对气候变化更敏感，如补充表所示7而且8．

我们的程序允许在全球范围内量化协变量和武装冲突之间的关系。总的来说，从大量数据中发现的模式是复杂的。这是因为不同的气象、地理、政治和社会经济背景可能使人类以不同的方式适应环境压力^37，38，导致社会稳定对气候变化的不同反应。然而，有几种通用的模式，如补充图所示。6，7，9而且10．例如，冲突风险水平与民族多样性之间的正相关关系表明，政治相关民族的多样性越大，冲突风险就越高，这与之前的几项研究一致^{21，39，40，41}．同时，冲突风险水平与城市可达性之间存在正相关关系，这表明交通枢纽在控制领土和冲突物流方面发挥着关键作用，很容易成为冲突的爆发场所^42，43．对于气候偏差相关的协变量，少数研究表明温带地区的负温度偏差可能导致各种形式的冲突，负降水偏差与社会不稳定相吻合^{23，44，45，46}．然而，由于技术适应能力的提高和社会结构复杂性的增加，现代人对气候变化的适应能力远远高于历史研究记录的水平。然而，气候变化仍有可能超出特定区域(例如，当他们地处偏远和依赖农业时)或群体(例如，当他们贫穷和在政治上被排斥时)的适应能力。这使得从单一案例(例如叙利亚内战)中得出的全球范围的推论存在问题。数字2和补充图。8，11而且12表明2000年至2015年全球范围内正温度偏差或极端降水与武装冲突风险增加有关。这证实了其他研究的结果，如Hsiang等人的研究。¹⁹，马赫等人。⁹赫尔曼和扎奇克⁴⁷．此外，我们的研究结果表明，在全球范围内，气温上升对武装冲突发生和武装冲突爆发风险的非线性影响比降水偏差更大。

基于高维数据集和大量的事件记录，我们利用BRT模型模拟了四种策略下全球武装冲突发生和爆发风险的网格年水平(0.1°× 0.1°)。在全球范围内，2000 - 2015年冲突风险分布呈现出明显的空间集聚特征，模型能够较好地模拟这一特征。模拟结果取决于样品的分布。为了提高模拟精度，减少低风险样本的影响，我们重复随机选择低风险样本20次，并根据每个样本集构建BRT模型。与这些模拟相关的不确定程度的地图是根据20个集成BRT模型中每个网格计算的标准偏差值生成的，这在补充图中显示。21- - - - - -28,分别。不确定等级图表明模拟不确定性较低。

在这项研究中，有一些注意事项。首先，媒体报道是UCDP GED数据的一个来源，众所周知的媒体偏见可能会在一定程度上增加我们结果的不确定性。尽管采用了一些措施(即三重检查)来确保最终数据集的高质量⁴UCDP无法完全解决GED中的偏差，也无法将所有武装冲突事件包括在其数据集中。其次，我们的分析基于全球尺度的多维时空精细化数据集。由于缺乏文化和历史因素的精细数据集，我们对机器学习模型的训练在量化这些变量的作用方面受到限制。然而，有了更多的样本供机器学习模型训练，我们的全球范围的精细化分析可以帮助模型捕获更可靠的关系。第三，目前还没有在全球范围内解释气候冲突联系因果机制的一般理论，但我们的建模框架可能有助于冲突风险的早期预警。对比分析表明，非洲地区武装冲突发生的预测风险(补充图;29个b)与Hegre等人估计的风险水平大体一致。²⁶．总的来说，我们的研究提供了对全球范围内气候冲突联系的更好理解，并提高了全球武装冲突风险的时空建模能力。

分析

我们假设机器学习模型应该能够基于既定事实推断武装冲突和气候变化之间的潜在模式，这可能有助于模拟武装冲突的风险。潜在的模式可能很复杂。为捕获复杂响应，采用基于R版本3.3.3 64位统计计算平台的增强回归树(BRT)建模框架。在本研究中，自变量分为两类:稳定背景背景和气候偏差相关因素。前者用于反映各种气象、地理、政治和社会经济背景，而后者则用于描述气候变化的程度。以UCDP GED为基础，在每个0.1°× 0.1°格点上，以年为单位定义武装冲突发生率和武装冲突爆发两个二元因变量来代表武装冲突风险。如果一个网格在一年内发生了一起或多起武装冲突事件，则该网格的武装冲突发生率指标将被编码为一个(高风险)。此外，如果在一个网格中一个日历年不活动之后爆发了新的武装冲突事件，则为该网格分配武装冲突爆发值为1。否则，两个二进制因变量都被赋值为零(低风险)。每年随机抽取等量的低风险样本和高风险样本，构建一年样本，训练BRT模型。 The detailed description of the BRT modelling framework, of independent variables and dependent variables can be found in the Supplementary Information.

在本研究中，我们使用了与武装冲突事件发生概率相关的术语冲突风险⁹，这里根据UCDP GED数据库对武装冲突事件的频率进行了调整(见简介)。这样就可以以空间和时间单位衡量武装冲突的发生率和爆发(补充资料)。我们设计了两种策略来构建样本的维度信息:(a)稳定背景背景与气候偏差相关协变量的配对，以及(b)将长期降水和平均温度分布与气候偏差相关协变量相结合。此外，我们还增加了a+和b+两种策略来分析长期气候偏差的影响。关于这四种策略的更多信息见补充信息。所有协变量层从2000-2015年使用统一坐标系统(即WGS-84)每年聚合到一个共同的0.1°全球网格。在排除缺少协变量数据的网格后，结果总共有1,443,579个网格单元。分析过程概述见补充图。1．

数据

武装冲突数据库

GED 17.1版本数据来自UCDP网站，这是一个公开的武装冲突数据集，具有地理参考信息⁴．该数据集记录了三种类型的武装冲突事件(基于国家的冲突、非国家冲突和单方面暴力)，在特定地点至少有一人直接死亡，并有具体数据。UCDP GED 17.1版本的最大空间分辨率是单个村庄或城镇。因此，我们可以将武装冲突定位到基于经纬度坐标的0.1°× 0.1°网格。

降水

研究发现，与正常降水的偏差会系统性地增加各种形式冲突的风险，这在从公元前10000年到现在的各个时间段以及世界上所有主要地区都很明显^19，21．例如，发现局部负降水偏差会增加冲突风险，特别是在依赖农业的地区²³．鉴于能够广泛反映全球干旱/潮湿事件⁴⁸时，采用标准化降水指数表示与历史平均降水量(1970年以来)的偏差。利用从东安格利亚大学气候研究中心(CRU)下载的气候研究中心TS4.0全球数据集，构建了1901年至2015年期间0.5°× 0.5°网格化地表降水数据集。然后利用月降水数据集生成长期(1970-1999年)平均降水分布数据、一年和两年标准化降水指数(2000-2015年)。为了匹配其他协变量，我们将这些数据重新采样到0.1°× 0.1°网格。

温度

温度变化与冲突有关⁴⁹．例如，温带气候中较冷的温度导致作物歉收，而较暖的偏差在较暖的气候中引入了农业压力^20.．在本研究中，使用标准化温度指数来衡量与长期温度(1970年以来)的偏差。从CRU网站上，我们获得了由气候研究单元TS4.0全球数据集算术推导的全球陆地表面每个0.5°纬度/经度网格单元的月平均温度数据集。然后生成长期(1970-1999年)平均温度分布数据，以及1年和2年标准化温度指数(2000-2015年)，并重新采样到0.1°× 0.1°网格。

植被指数

先前的文献也说明了植被指数和冲突之间的联系^20.．例如，植被指数可以用来衡量动物和人类的食物供应^20.．在这项研究中，我们从全球库存建模和测绘研究小组获得了1982年至2015年的先进的超高分辨率辐射计(AVHRR)归一化植被指数数据集，该数据集空间分辨率为8 × 8 km，间隔时间分辨率为15天。以AVHRR数据集为基础，建立了空间分辨率为0.1°× 0.1°的平均归一化植被指数层，以反映粮食可获得性的长期平均水平。

自然灾害热点

根据事件符合率分析，1980 - 2010年全球范围内自然灾害发生与武装冲突爆发的符合率为9%²¹．鉴于不同的自然灾害可能对人类生活产生不同的影响，我们假设自然灾害热点与武装冲突之间存在一些尚未探索的关系。在本研究中，利用从哥伦比亚大学社会经济数据和应用中心下载的全球多重灾害频率和分布数据，使用简单的多重灾害指数来显示自然灾害热点。

地形

地形在军事事务中的作用在大多数关于冲突组织解剖的研究中都被讨论过⁵⁰，比如2000多年前编撰的《孙子兵法》⁵¹．在地形、极端天气(即冰雹发生率)和军事之间也有明确的联系^52，53．鉴于这些情况，我们使用NASA航天飞机雷达地形任务获得的高程数据集来描述地形，并将此协变量作为模型的输入之一。

种族多样性

以往的文献表明，在发展中国家的大部分地区，政治上相关的族裔群体与发生武装冲突的风险之间存在密切关系^39，40．种族多样性可能在冲突易发地区(特别是非洲和亚洲)发挥突出作用，从而成为预先确定的冲突线²¹．此外，大多数当代内战都发生在种族分界线附近⁴¹．本研究采用地理参照民族权力关系(GeoEPR) 2014数据集。这将每个政治上相关的种族群体分配到矢量多边形中，并在数字地图上提供它们的分布⁵⁴．基于GeoEPR 2014数据集，我们生成了一个0.1°× 0.1°空间分辨率的全球种族多样性层，该层计算了每个网格中不同政治相关的种族群体的数量。

城市的可访问性

由于在控制地区的关键作用，交通枢纽往往是战略家必须争夺的目标地点⁴²．Hegre等人此前的研究将到最近城市的旅行时间作为冲突风险建模过程中的社会协变量²⁶．在这项研究中，到最近的5万人口以上城市的旅行时间被用来同时解释城市可达性。城市可达性数据集是开放获取的，可从欧盟委员会联合研究中心网站下载，该数据集来自基于距离摩擦算法的陆基和水基交通网络⁵⁵．

夜晚的灯光

最近一项关于气候变化与武装冲突之间关系的专家评估表明，来自不同学科的几位专家将低社会经济发展水平视为冲突的关键预测因素⁹．在本研究中，使用了夜间灯光数据集，该数据集可以提供在国内生产总值(GDP)和人口驱动增长的特定水平下，社会经济发展动态变化的潜在全球衡量标准⁵⁶．与国内生产总值和宏观经济表现的其他指标相比，夜间灯光可以在大约1公里的空间分辨率上反映社会经济水平，不太容易受到商品价格波动的直接影响。夜间灯光数据也越来越多地用于气候安全研究⁵⁷．2000年至2013年的稳定型夜间灯光数据从国防气象卫星计划/业务线扫描系统网站下载。基于14年的夜间灯光数据集，我们计算每个网格单元的平均夜间灯光值，然后将平均年夜间灯光层重新采样为0.1°× 0.1°网格。

报告总结

有关研究设计的进一步资料，请参阅自然研究报告摘要链接到这篇文章。