可解释AI集成的特征工程用于野火预测
机器学习
2024-04-03 v1
摘要
野火给预测带来了复杂的挑战，需要使用先进的机器学习技术进行有效建模。在我们的研究中，我们对与野火预测相关的分类和回归任务的各种机器学习算法进行了全面评估。我们发现，在对野火不同类型或阶段进行分类时，XGBoost模型在准确性和鲁棒性方面优于其他模型。同时，随机森林回归模型在预测野火影响区域范围方面表现出更优的结果，在预测误差和解释方差方面均表现出色。此外，我们开发了一个混合神经网络模型，该模型集成了数值数据和图像信息，用于同时进行分类和回归。为了更深入地了解这些模型的决策过程并识别关键贡献特征，我们利用了可解释人工智能（XAI）技术，包括TreeSHAP、LIME、部分依赖图（PDP）和梯度加权类激活映射（Grad-CAM）。这些可解释性工具揭示了各种特征的重要性和相互作用，突出了影响野火预测的复杂因素。我们的研究不仅证明了特定机器学习模型在野火相关任务中的有效性，还强调了模型透明度和可解释性在环境科学应用中的关键作用。
引用
@article{arxiv.2404.01487,
title = {Explainable AI Integrated Feature Engineering for Wildfire Prediction},
author = {Di Fan and Ayan Biswas and James Paul Ahrens},
journal= {arXiv preprint arXiv:2404.01487},
year = {2024}
}
备注
arXiv admin note: text overlap with arXiv:2307.09615 by other authors