基于深度学习的滑坡易发性预测模型的原则性可解释性分析

《Scientific Reports》：Principled XAI analysis of the deep learning-based landslide susceptibility prediction model

　　

摘要

将机器学习（ML）和深度学习（DL）技术应用于滑坡易发性分析的研究十分广泛，通过新型模型不断实现更精确的分析结果。利用机器学习模型预测滑坡易发性需要分析各种影响因素与滑坡发生之间的关联。与传统方法不同，机器学习模型并未明确融入岩土工程或水文理论，因此尽管准确率较高，但其结果的可靠性仍令人担忧。这一“黑箱”特性促使人们研究可解释人工智能（XAI）算法，用以解析影响因素（数字高程模型、森林特征、土壤性质及地质特征等）与滑坡易发性之间的关联，从而验证所提出的机器学习模型。本文基于20种影响因素以及支持向量机、随机森林、多层感知器及卷积神经网络等多种架构建立了滑坡易发性预测模型，并对它们的定量性能及XAI分析结果进行了比较。定量评估显示，传统的基于点的模型（随机森林、支持向量机和多层感知器）的准确率分别为0.6931、0.6621和0.7034，而基于图像的卷积神经网络的准确率则更高，为0.7586。此外，在灾难管理中至关重要的指标——召回率方面，卷积神经网络的表现显著优于随机森林、支持向量机和多层感知器，其召回率分别为0.8138、0.6345、0.6276和0.6828。这些结果表明，通过图像形式输入数据来捕捉空间特征，比传统的像素级分析更能有效用于滑坡易发性测绘。由于卷积神经网络处理数据的方式不同，针对这类模型还采用了梯度加权类激活映射和SHapley加性解释方法，而其他模型则仅使用了SHAP方法。分析结果显示，某些影响因素在滑坡易发性预测中存在特定的关联模式，卷积神经网络的Grad-CAM热图通过将数据视为图像来呈现这些模式，提升了机器学习输出结果的可解释性和可靠性。