《Climate Services》：An explainable AI framework for multi-stressor climate risk screening of road networks using XGBoost and SHAP
编辑推荐：
本研究开发了一个可解释的人工智能框架，用于对道路基础设施的多胁迫因子气候风险进行筛查。该框架将极端梯度提升（XGBoost）模型与SHapley加性解释（SHAP）相结合，在《政府间气候变化专门委员会第五次评估报告》（IPCC AR5）的灾害—暴露—脆弱性框架
本研究开发了一个可解释的人工智能框架，用于对道路基础设施的多胁迫因子气候风险进行筛查。该框架将极端梯度提升（XGBoost）模型与SHapley加性解释（SHAP）相结合，在《政府间气候变化专门委员会第五次评估报告》（IPCC AR5）的灾害—暴露—脆弱性框架内提供透明的归因分析。研究人员利用澳大利亚维多利亚州7419条公路路段的公开数据，在1.2°C的基线全球变暖水平（GWL）下，分别对开裂、粗糙度和车辙三种病害结果建立了XGBoost模型。基于留出测试集的性能诊断表明，开裂和粗糙度模型支持可靠的SHAP归因，而车辙模型由于对受灾路段和少数严重等级的判别能力不足而被排除在统一归因之外。研究人员提出了一种基于SHAP权重的气候风险公式（CRF），用于计算每个路段的气候风险评分（CRiskS），并通过Aumann–Shapley分配对风险评分进行灾害、暴露和脆弱性分项分解。全局模型级归因显示，暴露度贡献最大（41.1%），其次为脆弱性（33.1%）和灾害（25.8%）；而路段级的Aumann–Shapley平均分配则显示脆弱性贡献最大（40.1%），其次为灾害（31.5%）和暴露度（28.4%）。Bootstrap重采样和随机森林交叉算法敏感性分析表明，主要预测因子的排序总体稳定。本框架为决策者提供了一个可复制、可解释且可扩展的工具，用于多胁迫因子气候风险筛查，支持气候韧性资产管理、维护优先级排序和适应规划，并与IPCC AR5风险概念及澳大利亚国家气候风险评估框架保持一致。
**论文解读：基于XGBoost–SHAP的公路网络多胁迫因子气候风险筛查可解释人工智能框架**
**一、研究背景与问题**
公路网络对经济生产和社会连通至关重要，但日益受到气候变化引发的极端高温、强降雨和干旱等胁迫因子的影响，同时叠加交通荷载等非气候因素。在澳大利亚维多利亚州，2004年至2020年间气候变化相关道路损坏损失超过2.2亿澳元，其中洪水占80%。然而，传统风险评估往往碎片化且偏于定性，未能整合多胁迫因子影响，也未纳入未来变暖情景。人工智能（AI）技术尤其是极端梯度提升（XGBoost）虽已提升基础设施退化预测能力，但常被视为“黑箱”，缺乏可解释性，限制了决策者的理解和采纳。可解释人工智能（XAI）方法如SHapley加性解释（SHAP）能将预测归因于输入特征，从而提供透明见解。当前关键研究缺口在于缺乏同时能够捕捉气候与交通多胁迫因子交互、提供风险驱动因素可解释归因、并将模型输出转化为可操作风险指标的集成框架。本研究旨在弥合这一缺口，开发一个结合XGBoost预测能力与SHAP可解释性的统一框架，以支持基于证据的公路网络气候风险筛查和韧性规划。
**二、研究内容与结论**
研究人员以澳大利亚维多利亚州公路网络为案例，利用7419条公路路段的横截面开放数据集，在1.2°C基线全球变暖水平下开展研究。数据集整合了来自DataVic和澳大利亚气候服务机构的公路、交通、路面状况和气候灾害数据。研究人员分别建立了开裂（二分类）、粗糙度（有序多分类）和车辙（有序多分类）三种病害的XGBoost模型，并应用SHAP TreeExplainer进行可解释归因。基于性能评估，开裂和粗糙度模型被纳入统一SHAP归因框架，车辙因判别性能不足被排除。研究人员进而提出基于SHAP权重的气候风险公式（CRF），生成每个路段的气候风险评分（CRiskS），并采用Aumann–Shapley分配对风险评分进行分项解析。研究得出以下主要结论：全局模型层面，暴露度贡献最大（41.1%），其次为脆弱性（33.1%）和灾害（25.8%）；而路段层面平均Aumann–Shapley分配显示脆弱性贡献最大（40.1%），其次为灾害（31.5%）和暴露度（28.4%）。研究还发现重型铰接式卡车指数（HATI）是最主要预测因子。该框架发表在《Climate Services》期刊，为气候服务实践提供了可操作、可解释的基础设施风险筛查工具，与国际和国家适应战略保持一致。
**三、主要技术方法**
本研究采用的主要技术方法包括：使用XGBoost（v3.0.0）建立三种病害预测模型，并通过SHAP（v0.47.1）TreeExplainer计算特征贡献进行归因分析；采用两阶段建模策略区分病害有无与严重程度分级，结合链接长度权重、类别权重和合成少数类过采样技术（SMOTE）处理类别不平衡；通过留出测试集评估模型性能，并利用Bootstrap重采样（50次）和随机森林交叉算法验证SHAP归因稳定性；最终构建基于统一SHAP权重、由灾害、暴露度、脆弱性三因子相乘的气候风险公式（CRF），并应用Aumann–Shapley分配进行局部分解。
**四、研究结果**
**预测性能评估**：在留出测试集（1484条路段）上，车辙、粗糙度和开裂模型的准确率分别为87%、77%和66%，但F1-macro分别为0.38、0.49和0.65，表明类别不平衡对少数严重等级判别影响显著。阶段诊断显示车辙模型对受灾路段判别能力不足，故被排除在统一SHAP归因之外；粗糙度模型在阶段一（病害有无区分）表现较好，阶段二严重度分级仍有限；开裂模型整体表现中等且类别间较均衡。
**SHAP驱动因素归因**：基于开裂–粗糙度统一SHAP聚合，HATI（平均|SHAP|=0.585）为最主要预测因子，其次是路面类型（0.268）、密封宽度（0.190）、年平均日交通量（AADT=0.186）和道路等级（0.151）。气候因子亦有贡献，包括温差（0.124）、三个月降水指数（spi3=0.117）、极端高温（tx40=0.114）、低温（tn02=0.108）和极端降水（rx5d=0.080）。全局组件层面，暴露度占比最大（41.1%），其次为脆弱性（33.1%）和灾害（25.8%）。Bootstrap分析显示特征排序稳定，平均Spearman相关系数0.876，随机森林交叉算法验证的Spearman相关系数0.874，前五个特征完全一致。
**气候风险评分**：气候风险公式生成7419条路段的CRiskS值，范围接近零至0.0579，均值0.00581，中位数0.000664。Aumann–Shapley分配显示路段间灾害、暴露度和脆弱性贡献存在显著异质性。网络平均每路段贡献为脆弱性40.1%、灾害31.5%、暴露度28.4%，与全局SHAP归因视角互补。图件展示了克里克风险评分在维多利亚州路网的空间分布，识别出高风险走廊。
**五、讨论与结论**
讨论部分指出，尽管XGBoost模型提供了有用的预测判别能力，但类别不平衡和少数严重等级的弱判别性限制了深度归因解释。车辙因模型不可靠而排除在归因框架之外，这确立了基于可靠性的可解释性边界。全局SHAP归因与局部Aumann–Shapley分配的互补结果表明，交通暴露在模型层面为主导，而脆弱性在路段层面为主导，突显了综合适应政策的必要性。框架的可解释性和可转移性支持其融入资产管理实践和气候服务体系。未来工作将扩展至多年度数据集、结合维护与生命周期变量、并应用于未来变暖情景。研究结论确认，该框架实现了可解释AI与气候风险框架的操作性结合，提供了透明、可扩展的公路基础设施气候风险筛查工具，支撑气候韧性适应规划。
