将超参数优化与可解释人工智能技术相结合，用于复杂山区环境中的高精度滑坡易发性制图

《Scientific Reports》：Coupling hyperparameter optimization and explainable artificial intelligence (XAI) for high-precision landslide susceptibility mapping in complex mountainous environments

　　

摘要

在地震活跃且地形复杂的地区，滑坡易发性制图对于降低灾害风险至关重要。现有研究未能充分解决类别不平衡问题以及模型可解释性方面的难题，尤其是在怒江傈僳族自治州——这一地区以深切河谷和活跃的构造活动为特征。本研究提出了一种混合框架，将粒子群优化算法与随机森林相结合，并采用平衡负采样策略（1:1比例，将已记录的滑坡点与500米缓冲区外的9,700个非滑坡区域进行配对）。通过多源空间数据库，经过粒子群优化的随机森林模型性能优于SVM和XGBoost等基准模型，达到了最高的准确率（0.860）和AUC值（0.928）。SHAP分析表明，海拔、土壤类型和降雨量是影响滑坡易发性的主要因素。由此生成的高分辨率易发性地图显示了怒江沿岸的高风险区域以及人类活动频繁的区域。通过将超参数优化与模型可解释性相结合，该框架为怒江傈僳族自治州的灾害预防和土地利用规划提供了有针对性的支持。