基于SHAP的可解释机器学习的滑坡易发性评价模型

摘要

机器学习在构建滑坡易发性评价模型中因其训练复杂且预测结果难以解释而发展受限。通过SHAP(SHapley Additive exPlanations)结合机器学习模型揭示各影响因子对滑坡发育的影响，增强模型可信度与可解释性。以三峡库区忠县为研究区，通过随机森林、XGBoost(eXtreme Gradient Boosting)以及深度随机森林机器学习算法结合贝叶斯优化算法分别构建滑坡易发性评价模型；利用混淆矩阵及受试者工作特征曲线开展评价精度验证；基于4种分级方法得到滑坡易发性区划图；通过SHAP分析影响滑坡发育的主导因子。结果表明，优化后的XGBoost模型受试者工作特征曲线下面积(AUC)值(0.817)高于随机森林的AUC值(0.803)和深度随机森林的AUC值(0.806);不同分级方式下的易发性区划图分布差异很大，其中基于相等间隔法和XGBoost模型的分级效果相对更好，极高-高易发区主要集中在研究区的东南部和东北部，特别是长江及其支流两岸。SHAP图揭示各主导因子不同特征值对滑坡发育有明显差异，高程和距河流距离是研究区滑坡发育的主要影响因子，对滑坡发育贡献显著。本研究的XGBoost模型具有较高的预测精度，模型可解释性强，为滑坡灾害的精准防治提供科学依据。

关键词

XGBoost / 深度随机森林 / SHAP / 三峡库区 / 滑坡易发性评价