自动可解释机器学习滑坡易发性评价模型

摘要

模型训练的复杂性和预测结果的难以解释极大限制了机器学习在滑坡易发性评价领域的发展.本研究基于SHAP-XGBoost算法构建综合可解释的滑坡易发性评价模型，将“可解释的人工智能（explainable artificial intelligence,XAI）”和“自动机器学习（automated machine learning,AutoML）”引入滑坡易发性评价研究，实现复杂模型训练、超参数优化、滑坡易发性评价制图和模型解释的自动化运行.该模型以网格单元和斜坡单元2种尺度在三峡库区奉节县的测试结果表明：模型实现了可解释的自动化滑坡易发性评价，具有较高的预测精度；基于网格单元与斜坡单元构建的模型测试集AUC值为0.875和0.873，准确率、精确度、召回率与F1分数值均远>0.5;SHAP算法可从全局与局部2个方面对模型进行解释，有助于理解模型决策成因与滑坡灾害的发生规律.此外，SHAP算法亦可解释单个评价单元的预测结果，具有较高的可信度.研究结果为自动机器学习与模型的可解释研究提供重要参考.

关键词

AutoML / Explainable / SHAP / 滑坡易发性区划

基金资助

国家重点研发计划资助项目（2023YFC3007203）; 重庆市自然科学基金资助项目（CSTB2023NSCQ-MSX0618）;重庆市自然科学基金面上资助项目（2023NSCQ-MSX1949）