将可解释机器学习（Explainable Machine Learning）与长短期记忆网络（LSTM）结合多种因素，用于识别和预测河南北部平原地区的土地变形机制

《Journal of Geovisualization and Spatial Analysis》：Integrating Explainable Machine Learning and LSTM with Multiple Factors for Mechanism Identification and Prediction of Land Deformation in the North Henan Plain

北平原区通过MT-InSAR提取2017-2022年地变形时序数据，结合SHAP可解释机器学习模型识别出地下水储量变化、年降水量和道路密度是主要驱动因素，并构建了融合动态时序数据、静态参数和空间信息的CMI-LSTM模型，预测精度显著提升。

　　

摘要

在全球极端气候事件、农业扩张和工业发展的共同影响下，中国豫北平原（NHP）经历了长期且显著的地面变形。本研究提出了一个两阶段的“机制识别–预测建模”框架来研究这一地质灾害问题。首先，利用多时相合成孔径雷达干涉测量技术（MT-InSAR）提取了2017至2022年NHP地区的长期地面位移时间序列和平均位移速率；随后，结合可解释的Shapley加性解释方法（SHAP）的机器学习模型（XGBoost和RF）被用来量化影响NHP地面变形的主要驱动因素，结果表明地下水储存变化（GWSC）、年降水量变化和道路密度是主要因素，其中地下水储存变化在沉降区的影响尤为显著。在此基础上，我们开发了一个LSTM模型（CMI-LSTM），该模型整合了动态时间特征（60个时期的MT-InSAR位移数据及地下水储存变化）、静态因素（土壤类型、覆盖层厚度、道路密度）和空间位置信息，用于预测整个NHP地区的地面变形。实验结果显示，CMI-LSTM的预测精度明显高于仅基于位移时间序列的LSTM模型以及CMI-RF模型（两者输入相同），其整体均方根误差（RMSE）为9.6毫米，平均绝对误差（MAE）为7.0毫米，决定系数（R2）为0.9836，76.9%的预测结果误差在±10毫米范围内。这一框架有效捕捉了水文地质因素和人为因素对地面变形的耦合控制作用，显著提升了短期和中期预测能力，并为全球依赖地下水的农业地区的沉降灾害评估和地下水管理提供了一种可推广的方法论途径。