《International Journal of Disaster Risk Reduction》：From Prediction to Decision: An Explainable AI Framework for Urban Ground Subsidence Risk Management
编辑推荐：
本研究针对城市地面沉降事故预测模型多为“黑箱”、难以转化为实际管理决策的问题，提出了一个将机器学习预测结果转化为可操作风险管理策略的可解释性AI（XAI）框架。该研究整合沉降历史和地下管网数据，构建了基于One-vs-Rest结构XGBoost的三类风险预测模型，并利用SHAP（SHapley Additive exPlanations）技术量化了不同风险等级下各特征变量的贡献，其中管网密度和老化（≥20年）被识别为高风险预测的关键因素。框架将预测、解释与决策制定分离，为巡检优先级确定和维护规划提供了透明、循证的决策标准，支持了基于证据的城市地面沉降风险管理。
城市地下，管线纵横交错，如同人体的“血管”与“神经”，支撑着现代都市的运转。然而，随着基础设施老化、地下空间日益拥挤以及地下水活动的动态变化，一种被称为“地面沉降”的灾害正悄然成为城市公共安全的重大威胁。与缓慢、均匀的地面沉降不同，地面沉降是地表上层突然发生的塌陷，可能导致人员伤亡和财产损失，因其发生频率低、诱因复杂（如管线损坏、回填不良、施工开挖等）且涉及非线性相互作用，预防起来极具挑战性。尽管机器学习（ML）已被广泛应用于沉降风险预测，但大多数研究仍局限于提升预测精度或风险可视化，而如何将这些预测结果转化为实际的维护和调查决策，则鲜有关注。模型常常像一个“黑箱”，管理者知其然（高风险在哪里），却不知其所以然（为什么是高风险），这使得基于预测结果制定透明、有据可依的管理策略变得困难。发表在《International Journal of Disaster Risk Reduction》上的这项研究，正是为了弥合预测与行动之间的鸿沟，提出了一个创新的、可解释的AI驱动框架，旨在将风险预测转变为清晰、可操作的管理指令。
为了构建这一框架，研究团队系统性地整合了历史沉降事故记录与六类主要地下管线（给水、污水、电力、燃气、热力、通信）的属性数据。他们将研究区域（韩国一个具有代表性的都市区）划分为500米×500米的网格单元，以此作为空间分析的基本单位。在数据处理上，他们将管线使用年限以5年为间隔分组，管径以50毫米为间隔分组，并计算了每个网格内的管线总长度密度。目标变量（风险等级）则根据2008年至2016年间每个网格内记录的沉降事件数量划分为三级：0起为低风险（0级），1-2起为中风险（1级），3起及以上为高风险（2级）。考虑到数据存在类别不平衡（高风险样本少），研究采用了“一对多”（One-vs-Rest, OVR）结构的极端梯度提升（XGBoost）分类模型，为每个风险等级独立训练二元分类器，以提升对高风险类别的识别能力。为了“打开”模型黑箱，揭示其决策依据，研究采用了沙普利加和解释（SHAP）这一可解释性AI（XAI）技术，来量化每个输入特征（如密度、不同年龄段的管线长度等）对模型预测每个风险等级的贡献度。
研究结果部分通过以下几个小标题，清晰地展示了从模型性能到管理洞见的完整链条：
4.1. 地面沉降风险等级分类模型的性能评估
模型在测试集上取得了宏观F1分数（macro-F1）0.62和受试者工作特征曲线下面积（ROC–AUC）0.81的性能。尤为重要的是，对于管理上最关键的高风险类别（2级），模型的召回率（Recall）达到了0.74。这意味着模型能够可靠地捕捉到约四分之三的真实高风险区域，避免了大量漏报，这对于优先安排有限的勘察资源至关重要。与直接的多类XGBoost模型相比，OVR结构显著提升了对高风险类别的识别能力。
4.2. 基于SHAP的主要影响因素分析结果
SHAP分析揭示了不同风险等级背后的主导因素。在所有风险等级的模型中，地下管线密度的平均绝对SHAP值都最高，表明它是模型进行风险分类时最一致且影响力最强的空间因素。其贡献呈现非线性特征：当密度超过某个阈值后，其对预测为高风险的概率贡献会急剧增加。管线年龄变量的贡献则因风险等级而异。在低风险模型中，各年龄段贡献相对平均；而在中、高风险模型中，贡献集中在如Y20、Y25、Y35、Y45等中高年龄段。这表明，特定老化管线与高密度的组合效应，是模型将网格判定为高风险的关键。
4.3. 从管理视角关联年龄分组结果与基于SHAP的解释
为提升结果的管理可操作性，研究将原始的5年间隔年龄变量（Y5-Y50）重组为三个管理导向的组别：青年（≤10年）、中年（10–20年）和老年（≥20年）。重新聚合SHAP值后发现，老年（≥20年）组在所有风险等级模型中的平均绝对贡献度最高。在高风险类别模型中，老年组管线倾向于正向贡献于高风险预测，而青年组管线则倾向于抑制高风险分类。这为“区域内老旧管线比例高的区域，更易被模型归类为高风险”这一管理直觉提供了量化证据。
4.4. 基于结果的预测-解释-决策框架验证
研究通过“前k名”优先级分析，实证了该框架的决策支持价值。例如，如果仅对模型预测概率排名前20%的网格（即全部网格的20%）进行优先调查，可以覆盖到全部真实高风险网格中的53.3%，且该优先区域内高风险网格的比例是随机选择的2.66倍。这证明该框架能高效浓缩风险，极大优化勘察资源的配置效率。
结论与讨论部分对上述发现进行了总结与升华。本研究提出的可解释性AI框架，其核心价值不在于追求预测精度的极致，而在于构建了一个从风险预测、因果解释到管理决策的连贯、透明的工作流。它成功地将机器学习模型从一个“黑箱”预测器，转变为一个能够提供循证决策依据的管理支持系统。关键结论包括：1）地下管线密度是进行大范围风险筛查的首要空间指标，且其影响存在非线性阈值效应；2）管线老化（特别是≥20年）是与高风险分类紧密相关的结构性因素，但需与高密度条件结合考虑；3）通过OVR-XGBoost模型与SHAP解释的结合，能够在数据不平衡的罕见事件中稳定识别高风险候选区，并为优先级的设定提供量化理由。
该研究的重要意义在于，它超越了大多数现有研究仅关注“预测何处”的局限，深入回答了“为何此处”以及“据此该如何行动”的问题。它将SHAP解释结果重组为“密度阈值”、“老化管线比例”等管理单元可直接理解和应用的标准，从而能够直接指导短期联合勘察（如地质雷达调查）的优先级排序，以及中长期管线维护与更新策略的制定。尽管研究存在一些局限性，如未纳入地下水波动、施工历史等更多因素，且针对特定城市，但其预测-解释-决策分离的框架设计具有可迁移性，可适应于不同地质和基础设施条件的城市。这项研究为城市地质灾害的风险管理，提供了一条从数据驱动预测走向证据支持决策的可行路径。
