三峡水库地块体滑坡易感性映射中统计、机器学习与深度学习模型的可解释性研究
机器学习
2024-05-30 v2
摘要
地块体滑坡易感性映射（Landslide Susceptibility Mapping, LSM）对于识别高风险区域和制定防治策略至关重要。本研究探究了统计模型、机器学习（ML）和深度学习（DL）模型在预测滑坡易感性方面的可解释性。通过纳入各种相关解释方法，以及两类输入因子：一套19个与滑坡统计相关的贡献因子，以及一套9个直接与触发滑坡相关的触发因子。由于模型性能是LSM中的关键指标，本研究对可解释性的探讨自然涉及对不同模型下LSM准确率的评估与比较。在我们的研究中，卷积神经网络模型在19个因子（准确率为0.8447）和9个因子（准确率为0.8048）下的准确率最高，而极端梯度提升（Extreme Gradient Boosting）和支持向量机（Support Vector Machine）也展示出强大的预测能力，超越了传统统计模型。这些发现表明，DL和复杂ML算法能够有效捕捉输入因子与滑坡发生之间的复杂关系。然而，针对更广泛的19个贡献因子，不同模型的预测可解释性存在差异，尤其是使用SHAP、LIME和DeepLIFT等解释方法也导致了解释结果的差异。使用更全面的19个贡献因子可提高预测准确率，但会引入解释复杂度和不一致性。聚焦于专门的9个触发因子虽在牺牲部分预测性能方面，但通过各种模型识别出的关键因子更加一致，并与现场调查报告的发现相吻合，从而增强了可解释性。
引用
@article{arxiv.2405.11762,
title = {Interpretability of Statistical, Machine Learning, and Deep Learning Models for Landslide Susceptibility Mapping in Three Gorges Reservoir Area},
author = {Cheng Chen and Lei Fan},
journal= {arXiv preprint arXiv:2405.11762},
year = {2024}
}