基于随机森林和SHAP的遥感野火易感性概率评估
机器学习
2025-11-18 v1 人工智能
计算机视觉与模式识别
摘要
野火对全球生态系统构成严重威胁，加州因气候、地形特征、植被模式和人类活动等因素频繁发生野火。本研究旨在开发加州全面的野火风险图，通过应用随机森林(RF)算法并辅以基于Shapley Additive exPlanations(SHAP)的可解释人工智能(XAI)，以解释模型预测。评估了模型的空间和时间验证性能。RF模型显示出色的预测性能，针对草地(AUC=0.996)和森林(AUC=0.997)几乎完美的区分度。空间交叉验证显示中等的可迁移性，森林ROC-AUC为0.6155，草地ROC-AUC为0.5416。相比，时间分割验证显示出增强的泛化能力，尤其是森林(ROC-AUC=0.6615，PR-AUC=0.8423)。SHAP基于XAI分析识别出关键的生态系统特定驱动因素：土壤有机碳、树木覆盖率和归一化植被指数(NDVI)在森林中最具影响力，而地表温度(LST)、海拔和植被健康指数在草地中占主导地位。地级划分揭示，中部谷和北部Buttes地区是高风险草地的集中区域，而北部Buttes和北海岸红木林地区则主导森林高风险区域。该RF-SHAP框架提供了一种稳健、可理解且可适应的野火风险评估方法，使决策者能够制定针对性策略以减轻风险。
引用
@article{arxiv.2511.11680,
title = {Probabilistic Wildfire Susceptibility from Remote Sensing Using Random Forests and SHAP},
author = {Udaya Bhasker Cheerala and Varun Teja Chirukuri and Venkata Akhil Kumar Gummadi and Jintu Moni Bhuyan and Praveen Damacharla},
journal= {arXiv preprint arXiv:2511.11680},
year = {2025}
}
备注
7 pages, 2025 IEEE Asia-Pacific Conference on Geoscience, Electronics and Remote Sensing Technology (AGERS)