评估 GeoAI 解释与卫星-based 洪水映射中领域知识的对齐性

卫星数量的增加提高了地球观测的时间分辨率，使基于卫星的洪水映射成为操作性洪水监测的有前景的方案。基于深度学习的洪水映射方法是地空人工智能（GeoAI）中的重要应用，已通过从大规模遥感数据中学习复杂的空间和光谱模式，显著提高了预测性能。然而，深度学习模型的不透明决策过程仍是其集成到关键科学和操作工作流程中的主要障碍。这凸显了系统性评估模型解释是否与遥感领域中建立的知识相吻合的必要性。为此，本研究引入ADAGE（Alignment between Domain Knowledge And GeoAI Explanation Evaluation）框架。该框架旨在系统评估深度学习模型解释与 established 遥感知识（特别是地表特殊光谱特性）的匹配程度。ADAGE框架采用通道-组 SHAP（SHapley Additive exPlanations）方法估算分组输入通道对像素级预测的贡献。在两个基于卫星的洪水映射任务实验中，结果表明ADAGE框架能够（1）定量评估模型解释与从领域知识中派生的参考解释之间的匹配度；（2）帮助领域专家通过匹配得分识别不匹配的解释。该研究促进了GeoAI解释与领域知识之间的鸿沟，增强了GeoAI模型在科学和操作工作流程中的可应用性。