一种基于云端的地理人工智能框架，可实现自动高分辨率洪水测绘，并运用可解释机器学习技术

《Scientific Reports》：A cloud-based Geo-AI framework for automated high-resolution flood mapping with explainable machine learning

　　

摘要

快速洪水制图对应急响应至关重要，但现有的工作流程往往依赖人工标注数据的生成，且在多源数据整合与结果解释方面存在局限。本文提出了一种混合云本地地理空间人工智能框架，该框架将Google Earth Engine中的多源数据处理与本地机器学习建模及结果解释相结合。通过设定≤???3.5的保守Z分数阈值，从Sentinel-1时间序列数据中筛选出高可信度的洪水区域与非洪水区域训练样本，从而无需人工标注即可进行监督学习。将该框架应用于2022年巴基斯坦洪水事件，对比了17种算法的性能。根据综合标准化评分，LightGBM表现最佳；而随机森林、Extra Trees和梯度提升模型在分类性能上相近，但在精确度、召回率及时效性方面存在差异。基于SHAP方法的归因分析表明，雷达后向散射值、短波红外反射率、归一化差异水指数以及海拔高度是影响洪水预测的主要因素。通过与外部Sentinel-1洪水产品在产品层面的空间对比，发现两者在主要洪泛区特征上一致，但也存在一些差异。本研究展示了一种用于特定洪水事件的集成型且可解释的制图工作流程，不过仍需在不同地区进行进一步测试，并评估端到端处理流程的时效性。