我们正目睹创纪录数量的武装冲突，针对平民的袭击数量也在增加1.在加沙、乌克兰、苏丹和缅甸等冲突中，重型武器的使用、无人机战争和纵火造成了广泛的死亡、破坏和流离失所，给整个国家留下了持久的伤痕。这使得理解武装冲突不断演变的性质并制定减少暴力的策略成为关键的研究重点。

 

尽管研究武装冲突紧迫，现有数据仍存在重要局限性。在过去的15年里，冲突研究取得了显著进展，主要基于媒体来源的详细冲突事件数据集的出现14,15,16.然而，这些数据集存在有充分记录的局限性和偏差，反映了人工报告的不均衡可得性2,3,4,5,6.最显著的是，由于媒体报道以关注为驱动，缺乏来自媒体报道较少的地点和时期的可靠数据，以及那些常常未被报道或仅以不具体方式报道的事件类型 17,18，比如房屋和农作物的毁坏，或人口迁移。因此，对冲突相关暴力的定量研究主要关注死亡人数，常常忽视暴力的其他方面及其社会和环境影响。

 

我们提出一种方法，通过将基于文本的冲突事件数据与卫星数据整合，拓宽这一关注点。这里我们使用“卫星来源数据”一词来指通过卫星数据分析产生的信息（参见补充信息，B节）。自动卫星分析的进展7,8,9,10,19,20,21,22而日益开放的卫星数据的普及，使得这成为此类数据整合的关键时刻。此前的研究强调了卫星数据在人道主义行动中的潜力23,24,25并基于遥感提供了针对具体冲突的视角9,10,26,27,28,29.在本分析中，我们展示了基于文本和卫星数据的根本不同数据生成过程如何带来独特的优势和局限，这些优势只能通过数据整合来克服。我们提出了三种整合方法——改进、丰富和融合——并以乌克兰和缅甸的实证案例来说明其可行性及其带来的新颖实证见解。我们主张优先推动这一整合，以实现范式转变，从以致命事件为中心的研究转向更广泛的暴力领域，揭示塑造冲突景观的复杂互动动态。

 

拓展我们对暴力的看法

为了减少对平民的影响和战争的长期后果，我们必须了解冲突行为者何时何地利用暴力推进其军事或政治目标。这使得冲突相关暴力数据成为许多研究工作的核心。尽管实地调查和调查等方法为各种冲突动态提供了宝贵见解，但跨时间和空间的大规模分析需要系统性、回顾性的数据收集技术。当前冲突研究的范式几乎完全依赖于人类报告所得的数据。然而，报道不均意味着我们目前主要关注相对狭窄但极为重要的冲突相关暴力范围。能够自动分析卫星数据的新兴方法提供了互补视角，并有望扩大冲突研究的范围和深度。要实现这一潜力，我们必须了解每个数据源捕捉的内容、数据如何生成，以及生成过程如何塑造我们观测到的内容和精度。

 

基于文本的数据

基于人类报告的分解冲突事件数据，我们称之为文本数据，构成了大多数定量比较冲突动态研究的实证骨干。图1a展示了此类数据通常如何生成。大多数研究依赖手动编码数据14,15,16（图。1a，左侧）。人工编码员主要根据新闻报道和现场消息记录个别暴力事件30，记录事件地点和日期，涉及参与者及由此导致的死亡。自然语言处理和大型语言模型的进步使得自动化方法能够从文本中检测冲突事件31,32,33,34（图。1a，对）。这些方法更快且可扩展，且可利用多种语言的资料来源，但也带来了新的挑战，最显著的是事件的证实和验证减少4（补充信息，C部分）

 

图1：数据生成过程及相关限制。

图1：数据生成过程及相关限制。

全尺寸图像

a，基于文本的数据。b，卫星数据。轮廓表示优势（绿色）、当前可通过技术、概念或组织进展缓解的挑战和限制（橙色），以及每个数据生成过程固有的挑战和局限（红色）。虽然不同方法的具体步骤有所不同，但主要局限性依然不变。

 

报道范围因地理和时间而异，受政权开放度、媒体存在感和通信技术可及性等因素影响2,3,4,6,17,35.由于报道是关注驱动的，这些偏见在非致命暴力中尤为明显14,17,18，通常未报告或仅在总量层面报告。因此，旨在涵盖除死亡事故外事件的数据集15,31,34,36,37他们往往严重低估14,17,18.一个核心的细分冲突数据提供者只记录涉及死亡的事件，正是因为这种偏见1,14 .

 

无论是手动还是自动化的进步，都无法解决基于文本的数据这些核心局限性，这些局限性源于人工报告的不均性。专业化的编码程序、来源选择和透明度有助于应对这些偏见4但无法克服其底层约束38.跨事件数据集三角定位只会突出整体覆盖范围中的不同盲点39.新兴方法，如众包报告平台和数字实地调查基础设施 40,41，绕过媒体中介，可能改善对未被报道暴力形式（如性暴力）的报道。然而，这些也依赖于目击者在场、愿意且能够分享信息。

 

卫星数据

我们看到用卫星影像数据补充现有冲突数据的前景（见图）。1b）卫星在冲突期间独立于物理访问或新闻价值感知之外收集数据。图像在已知时间拍摄并进行地理定位，将每个像素与精确的时间和地点联系起来。这使得在信息难以获取的领域进行数据收集成为可能，能够实现超越文本来源的空间精确度，以及常被忽视的事件，尤其是针对物质目标的暴力事件。

 

理论上，卫星可以捕捉与暴力相关的广泛信息：暴力行为者和工具，如部队调动或武器系统;暴力的直接影响，如建筑和自然环境的破坏;以及间接影响，如农业活动的退化或市场活动的下降（补充信息，A部分）。然而，以细粒度的空间和时间分辨率自动检测演员及其仪器存在高度双重使用风险24我们不倡导该领域的公共研究。鉴于其与冲突研究和应对的直接相关性，以及与基于文本的死亡数据的互补性，我们重点关注捕捉暴力对建成环境和自然环境的直接影响的数据，我们称之为战争损害。捕捉这些损害很重要，因为尽管生命的逝去是战争最悲惨的后果之一，但它们既不是唯一，也不总是衡量暴力严重性的最重要指标。如果人口逃离，焚烧房屋和破坏生计可能很少造成直接死亡，但它们却重塑了地面现实，带来长期社会后果，且常常导致大量间接冲突相关死亡 42,43.

 

传统上，战争损害数据是通过人工标注非常高分辨率的卫星图像收集的（见图）。1b，左侧），这是一种昂贵且劳动密集的方法，限制了此类数据收集的范围。多时卫星数据自动化分析的进展7,8,9,10,19,20,21,22现在使大规模、长期的数据收集成为可能（见图）。1b，右），尽管该领域仍处于早期阶段。建筑损坏的检测是一个独立且强有力的领域8,9,10,11,12,13.其他研究则研究针对自然环境的暴力行为，包括砍伐森林以剥夺武装团体的掩护，以及对农田和水资源的攻击以破坏农村生计26,44,45,46,47.研究记录了火箭发射和弹药爆炸造成的植被破坏48,49,50，纵火烧毁树木和庄稼 26,51，以及直接植被清除52（补充信息，B部分）

 

卫星数据也面临重要限制。而十年的审视已清晰地理解基于文本的冲突数据的局限性2,3,4,5,6鉴于该领域的较新，卫星数据分析较为系统性。我们看到三种主要的限制类型。

 

第一种类型源于有限的参考数据，用于训练和验证战争损害检测。因此，方法只能针对少数冲突进行微调，我们缺乏适用于信息匮乏环境的方法和分析数据，而这正是卫星数据最有价值的地方。参考数据的可用性与国际关注相关，但我们可以有意扩展参考数据，投资于推广到代表性不足冲突的方法。此外，卫星档案跨越数十年，即使事件未被发现或模式被忽视，卫星数据仍能记录武装冲突的影响，随着方法的改进，可以事后分析。

 

第二种类型是因为事件在不同暴力形式和环境中的检测性不均。例如，在周边地区，建筑物通常更为孤立、规模较小，且被植被包围，这使得识别破坏更为困难。对于基于中等分辨率数据的自动化建筑损害评估，这会导致城市偏向，与基于文本的数据相似，尽管其机制不同。技术改进如多模态方法或更高分辨率开放获取影像，可以随着时间推移缓解这一限制。目前，研究人员必须考虑这些偏倚，尤其是当它们与基于文本的数据相关时。

 

第三种类型与前两种不同，因为它是源头固有的，无法通过技术、概念或组织创新来克服。卫星只能捕捉对地球表面有物理存在或可见影响的现象，无法提供背景叙述信息。类似于基于文本的数据固有局限性，源于人工报告的不均性，这第三类限制反映了来源本身的性质，而非分析方法。其含义很明确：推动该领域的进步取决于我们通过数据整合，利用每种数据类型的优势并克服其局限性的能力。

 

数据集成

单一来源数据的固有局限性促使了不同的整合形式。关于冲突研究中数据整合的先前研究 39,53重点是结合基于文本的事件数据集，强调其互补覆盖性以及跨来源交叉验证和丰富数据的使用。我们聚焦于大规模整合，提出了三种主要方法来结合基于文本的数据和卫星数据;选择取决于需要弥合的鸿沟。改进解决了某些数据类型涵盖了相关暴力但缺乏特定特征的情况，例如文本数据中缺失的空间精确性，或卫星数据中缺失的上下文叙述信息。当没有单一来源能全面反映相关暴力的全貌时，比如那些结合杀戮、破坏和流离失所的运动，就需要丰富化。融合是最深层次的整合，结合文本和卫星数据，推断出双方都无法直接捕捉的现象。

 

我们将这些方法置于两个截然不同的背景下进行说明：乌克兰，一个信息丰富的环境中，自动化战争损害数据可用;缅甸，一个信息匮乏的地区，我们主要依赖人工注释的数据。整合在这两个情境下都能增加价值，尽管它弥合的鸿沟各不相同。在信息匮乏的环境中，文本数据稀少，卫星数据承担更多分析权重。相反，一些集成应用需要细粒度的文本数据，且在信息丰富的环境中最为可行。

 

改进

单一来源数据的固有局限性（见图）。1）即便我们关注特定形式的暴力，如致命暴力或针对生计的攻击，依赖单一数据类型仍可能导致偏见结果或排除某些研究问题。例如，分析社区层面暴力扩散或识别定向模式需要空间精确度，而文本死亡数据通常缺乏。改进通过使用一种数据类型将缺失特征添加到另一种数据类型中，从而实现新的分析形式。

 

一个关键机会是利用卫星数据提升基于文本的数据的空间精度（相关方法请参见关于达对称映射的文献 54,55).在许多情境下，武装行为者追求特定目标，而非随机使用暴力;了解他们战斗的地点是理解暴力逻辑的核心。由于卫星数据在空间上是明确的，我们可以利用它们来细化基于文本的数据的位置，前提是文本数据中捕捉到的暴力形式与卫星来源数据中捕获的形式（补充信息，C节）——例如，发生在住宅破坏过程中发生的杀戮事件。我们用缅甸当地针对罗兴亚人的暴力事件来说明这一点（图）。2a–e）以及更多的骨料（见图。2f–h）等级。我们的地方层面的例子聚焦于若开邦的朱特平，数百人在大规模屠杀中丧生;扩展数据图。1和2提供了两个额外的村级例子。

 

图2：若开邦空间暴力归因。

图2：若开邦空间暴力归因。

全尺寸图像

a–e，若开邦朱平。a，事前光学影像（2016年12月27日）。b，事件后光学影像（2019年4月19日），显示选择性破坏。c、定居点层面报告死亡人数的空间分布。d，卫星探测到的破坏足迹。e，精细化的死亡地点（红色），源自与破坏数据交叉的报告事件，排除未受影响区域（绿色）。f–h，若开邦。f，仅在行政1级（州）级别记录的死亡人数。g， 基于美国国家航空航天局（NASA）资源管理系统（FIRMS）火灾信息数据，于2017年8月25日至9月9日间检测到的热异常。h， 基于热异常，改善将州级死亡归因归因于特定子区。a 和 b 转载自 Google Earth、CNES/Airbus 和 Maxar Technologies（2025）。c–e，基于OpenStreetMap贡献者ODbL（https://opendatacommons.org/licenses/odbl/1-0/ 年）改编的基图。数据来源：参考文献。1,14,70,71,72.

 

基于文本的数据 14,15构成我们理解这场暴力及其相关行为者的骨干，但在空间上却不够精确。最佳的可得死亡数据报告在定居层面（见图）。2c，红色光栅封装）。由于这一时期的暴力涉及协调攻击——在同一行动中杀害平民并摧毁其房屋——我们使用卫星推导的战争损害数据（见图）。2d）指示可能发生死亡的地点。这使得死亡人数归因于特定社区成为可能（见图。2e）。本案中，空间分布的分布仅通过提升的空间精度显示，指向族群针对性，表明罗兴亚平民被杀害，而同一定居点的若开族居民可能幸免56.这一过程可以大规模进行，前提是有卫星衍生的销毁数据（补充信息，D部分）。由于基于文本的数据通常局限于定居点层面，地方层面的改进可以实现信息环境中的定居点内部变异分析。

 

图2f–h展示了一种在更聚合层面提升文本数据空间精度的方法。在若开邦致命暴力高峰期，报告死亡中有相当比例（13%）仅在邦级编码（见图）。2f），迫使研究人员在粗糙的空间尺度进行分析——在这些尺度下的结果意义较小——或者排除这些事件，从而存在有偏见推断的风险。因为这一时期大多数杀戮都与焚烧罗兴亚人房屋同时发生56我们利用卫星获取的火灾数据来缩小这些事件可能发生的区域范围。在这种情况下，火灾数据（图。2g）仅指向已通过空间精确数据识别的三个子区。我们可以推断，这些编码不精确的事件发生在同一区域（见图）。2h）。这种汇总层级的细化在信息匮乏的环境中尤为有价值，因为报告事件的大部分可能被编码为粗糙的空间单位。该细化使得在更小的地理单元进行分析，使研究人员和政策制定者能够识别暴力实际发生的位置，而非报告的具体地点。

 

相反，基于文本的数据可以通过捕捉上下文信息来增强卫星分析。关于施害者、受害者或事件背景的细节只能从基于文本的数据中提取。在信息丰富的环境中，拥有细粒度的文本数据，这使得仅靠卫星数据无法获得的洞察成为可能。我们通过对乌克兰前线战争期间建筑破坏的分析（见图）来证明这一点。3;详见扩展数据图。3 用于全时系列和扩展数据图。4个用于将俄罗斯的战果拆分为作战阶段）。尽管卫星衍生的战争破坏数据揭示了建筑物破坏的时空分布，但只有基于文本的领土控制数据整合揭示了俄乌军队在目标模式上的不对称性。例如，在乌克兰2022年的反攻期间，新被摧毁建筑的绝对数量依然很高（扩展数据图。5）。比较前线战争期间的首次稳定过渡（方法），我们的分析显示，俄军夺取的人口区比乌克兰军队收复的地区更频繁地遭受建筑破坏。在领土过渡期间，俄罗斯获得的人口区域中有70.5%的新建筑物被破坏，而乌克兰收复的人口区域仅占43.9%（χ2（1） = 16.5，P < 0.001，φ = 0.26;5个月窗口的完整结果见扩展数据表1）。在发生损害的地方，破坏也更为严重：在受损的部分区域中，俄罗斯的占领地在控制权变更前两个月到控制权变更后一个月期间，建筑破坏多于乌克兰占领地（见图）。3b;扩展数据表2中的统计分析）。这些模式在没有基于文本的领土控制数据的情况下依然隐藏。此类综合分析，单一来源数据无法支持，为评估不同部队如何发动战争提供了实证基础，并揭示对平民所承受破坏规模产生系统性影响的差异。

 

图3：乌克兰领土扩张、前线战争相关的建筑损坏。

图3：乌克兰领土扩张、前线战争相关的建筑损坏。

全尺寸图像

a、至少有一次领土控制变更的地区（2022年2月至2023年10月），并叠加于前线战争期间首次稳定过渡（2022年5月至2023年10月;方法）。b、按控制变更月份为中心的五个月窗口内，按俄罗斯（蓝色）和乌克兰（紫色）增长分层，涵盖人口稠密区每1000栋完整建筑（月初）新受损建筑的箱形图。中心线显示中位数，箱形跨度为四分位数范围，胡须延伸至最极端的观测点，位于箱体最近边缘1.5× IQR范围内。这些仅包括具有首次稳定转变和雷达探测损伤的已绘制建筑足迹的区域（方法）。这种不对称性在两个月前（m）中具有统计学上显著性−2）到（m）后一个月+1控制变更后两个月趋于收敛（M）+2）（Kolmogorov–Smirnov，双面，m−2： D = 0.313，P = 0.008;m−1： D = 0.372，P < 0.001;m0： D = 0.237，P = 0.039;m+1： D = 0.275，P = 0.007;m+2： D = 0.151，P = 0.367）。曼-惠特尼检验也证实了相同的模式;完整结果见扩展数据表2，空间自相关分析及其解释见补充表1。完整时间序列见扩展数据图。3，以及与俄罗斯增益相关的阶段特定分析见扩展数据图。4. 数据来源：参考文献。9,73,74.

 

数据丰富

第二层整合——丰富化——使研究人员能够探讨不同形式的暴力如何关联并捕捉无法单独从单一数据类型中观察到的时空动态。与改进不同，改进中一个主要数据源由辅助数据补充，丰富化通过共同的时间和地点连接文本和卫星数据，同时保持分析上的区别。

 

一个与政策相关的例子是种族清洗：行为者通过杀戮、强奸和恐吓针对族群或宗教群体的个人，同时摧毁文化或宗教建筑，摧毁房屋。随着人们遭受袭击和生计被摧毁，人们被迫逃离，从而更广泛地减少了针对人的死亡和暴力事件。只有数据集成才能捕捉这些复杂的关系。

 

图4展示了整合死亡人数和战争损害数据如何改变我们对缅甸罗兴亚族群清洗运动的理解。图4a，b显示，受影响最严重的两个镇区所有报告的杀戮事件均发生在运动的第一周（扩展数据中受影响第三大镇区，图）。6;扩展数据图中使用替代冲突事件数据的相同模式。仅依赖死亡数据，则认为暴力事件很快减少。卫星推导的战争损伤数据（图。但显示，暴力事件在杀戮似乎平息后至少持续了六个月，尽管形式和强度明显发生了变化。随着数十万人因暴力和屠杀报道逃离，政府开始重塑若开邦，推土机推平被烧毁村庄的残余，砍伐树木和其他植被，有时还建设了新的安全基地或专门留给其他若开社区的村庄56.这一阶段对幸存的罗兴亚人至关重要，因为它阻碍了他们返回若开邦的持续存在。仅从死亡人数数据来看，这场竞选就像是暴力的一周;综合分析揭示了一个持续数月的永久流离失所过程。在信息匮乏的环境中，卫星数据承担了更多分析权重，尤其是在暴力事件本身减少、人口被杀害和逃离时，这一重要性更甚。