用于吉尔吉斯斯坦主要城市地区洪水易发性绘制的可解释机器学习方法

《Scientific Reports》：Explainable machine learning for flood susceptibility mapping in Kyrgyzstan’s major urban areas

　　

摘要

本研究针对吉尔吉斯斯坦的三个主要城市——贾拉拉巴德、奥什和托克莫克，构建了用于洪水易发性分析的机器学习模型。通过采用一种稳健且可解释的建模方法，该研究为这些易受洪水侵袭的大都市区的洪水易发性评估提供了有价值的见解。研究利用Sentinel-1卫星图像创建了详细的洪水分布数据集，以此区分洪水区域与非洪水区域，并整合影响洪水的各种因素数据。研究采用了随机森林、极端梯度提升和AdaBoost等机器学习算法来生成洪水易发性地图。随后，通过准确性、卡帕系数、灵敏度、特异性、阳性预测值、阴性预测值以及接收者操作特征曲线下面积等多种统计指标对模型性能进行了严格评估。三种模型的预测成功率均超过84%。贾拉拉巴德、奥什和托克莫克的极高洪水易发性类别的平均值分别为8.44%、12.01%和37.8%。此外，研究还运用SHAP（Shapley加性解释）分析方法，解读了预测模型中各影响洪水因素的重要性，提升了模型的可解释性，同时也为理解洪水易发性机制提供了帮助。