空间分析中的可解释人工智能

本章讨论了可解释人工智能（eXplainable Artificial Intelligence, XAI）在空间分析领域的机遇。空间分析的一个关键目标是对空间关系进行建模并推断空间过程，从而从空间数据中生成知识，这在很大程度上依赖于空间统计方法。近年来，机器学习提供了可扩展且灵活的方法来补充传统方法，并在空间数据科学中得到了越来越多的应用。尽管具有优势，机器学习常因被视为黑盒而受到批评，这限制了我们对其模型行为和输出的理解。认识到这一局限性，XAI 已成为人工智能中的一个关键领域，它提供了用于解释机器学习模型输出的方法，以增强透明度和理解。这些方法对于模型诊断、偏差检测以及确保从机器学习模型获得的结果的可靠性至关重要。本章介绍了 XAI 的关键概念和方法，重点关注基于 Shapley 值的方法（可以说是最流行的 XAI 方法）及其与空间分析的结合。通过一个 2020 年总统选举中县级投票行为的实证案例，展示了 Shapley 值和空间分析的应用，并与多尺度地理加权回归进行了比较。本章最后讨论了当前 XAI 技术的挑战和局限性，并提出了新的方向。