基于GeoDetector–SHAP耦合的可解释机器学习框架用于滑坡易发性制图

《Geomatics, Natural Hazards and Risk》：A GeoDetector–SHAP coupled explainable machine learning framework for landslide susceptibility mapping

　　

摘要：滑坡易发性制图（LSM）对于灾害防治和土地利用规划具有重要意义。当前基于机器学习的LSM研究往往缺乏对空间解释、模型贡献和因子交互作用的综合解释。为解决这一问题，本研究开发了一个GeoDetector–SHAP耦合的可解释机器学习框架用于滑坡易发性制图，并将其应用于中国江西省。建模数据集包含2019–2020年间记录的156次经核实的致灾滑坡、468个非滑坡样本以及九个条件因子。研究人员构建并比较了四种机器学习模型，以确定用于后续解释和制图的最优模型。基于最优模型，研究人员首先分别从空间解释和模型预测角度使用GeoDetector和SHAP解释滑坡控制因子，随后通过耦合解释指数进行综合分析。为进一步阐明这些主导控制因子之间的交互机制，研究人员应用了GeoDetector交互探测器。耦合结果表明，在现有编目和分析设计下，距道路距离、DEM（数字高程模型）和岩性排名最高。所提出的框架提供了对滑坡控制因子更全面的解释，并为区域滑坡易发性评估提供了有益支持。

论文解读：GeoDetector–SHAP耦合可解释机器学习框架在滑坡易发性制图中的应用

一、研究背景与问题

滑坡是山地和丘陵地区最具破坏性的地质灾害之一，对人类生命、基础设施、生态安全和社会经济可持续发展构成严重威胁。滑坡的发生受地形、岩性、水文条件、植被覆盖和人类活动等多种因素的综合控制，具有显著的空间异质性和环境复杂性。在湿润亚热带以降雨为主的地区，由于丰富的季风降水、复杂的地貌条件以及广泛分布的山地和丘陵地形，滑坡灾害往往更为严重。近年来，随着交通基础设施的扩展、土地开发的加剧以及频繁的强降雨事件，滑坡灾害对社区和经济活动的潜在影响日益突出。

滑坡易发性制图旨在评估特定环境条件下滑坡发生的相对空间可能性，已成为灾害缓解、土地利用规划和基础设施管理的重要工具。与考虑发生时间概率的滑坡危险性评估不同，滑坡易发性制图主要关注识别滑坡更可能发生的区域。过去几十年中，多种方法已被应用于滑坡易发性制图，包括启发式方法、统计模型、基于物理的模型以及近期的数据驱动方法。然而，基于专家经验的方法往往受主观判断影响，而基于物理的模型通常需要在大区域尺度上难以获取的详细岩土和水文参数。因此，数据驱动方法逐渐成为当代滑坡易发性研究的主导方向。

随着遥感、地理信息系统和空间数据处理技术的快速发展，机器学习算法因其能够模拟多个条件因子之间复杂的非线性关系而被越来越多地应用于滑坡易发性研究。代表性模型如随机森林（RF）、支持向量机（SVM）、极端梯度提升（XGBoost）和逻辑回归（LR）已在不同地貌和气候条件下被广泛用于易发性制图。尽管机器学习提高了滑坡易发性制图的预测性能，但模型结果的可解释性仍是一个关键挑战。许多高性能模型常被视为"黑箱"模型，因为其内部决策过程难以直接理解。近年来，可解释人工智能为解释机器学习模型提供了有用工具。其中，Shapley加性解释（SHAP）已被广泛用于量化各条件因子对模型预测的贡献并揭示因子效应的方向。然而，SHAP主要解释变量对模型预测的贡献，其描述条件因子空间解释力及其交互机制的能力仍然有限。

GeoDetector提供了另一种解释滑坡控制因子的视角，通过量化空间分层异质性并测量条件因子对滑坡发生空间分异的解释力。此外，其交互探测器可用于检验两个因子对滑坡分布空间解释的联合效应是否增强。然而，GeoDetector不直接解释这些因子如何贡献于机器学习模型的预测过程。因此，GeoDetector和SHAP具有互补性：GeoDetector强调空间统计解释，而SHAP侧重于基于模型的预测贡献。

尽管许多基于机器学习的滑坡易发性研究评估了条件因子的重要性，但其解释往往局限于因子排序或模型输出解释，对空间解释力、模型贡献和因子交互机制的综合解释关注不足。江西省因其湿润亚热带季风气候、广泛的山地丘陵地形、多样的岩性和岩土条件以及密集的道路建设和采矿活动，为滑坡发生创造了复杂环境。因此，本研究开发了GeoDetector–SHAP耦合的可解释机器学习框架，用于中国江西省的滑坡易发性制图。

二、关键技术方法

研究人员构建了包含156个滑坡样本、468个非滑坡样本（按3:1比例选取，且距已知滑坡点至少500米）和九个条件因子的建模数据集。九个因子涵盖地形（DEM、坡度、坡向）、地质（岩性）、水文气象（年均降水量、距河流距离）、植被（NDVI）、人类活动（距道路距离）和土地覆盖六个类别。所有数据统一投影、重采样至30米分辨率并归一化至0–100范围。研究人员构建了RF、SVM、XGBoost和LR四种机器学习模型，采用分层五折交叉验证，以AUC、准确率、精确率、召回率和F1-score五个指标评估性能。基于最优模型，研究人员使用GeoDetector量化因子的空间解释力（q统计量），使用SHAP量化因子对模型预测的贡献，并通过耦合解释指数（α=0.5等权重）进行综合分析，同时利用GeoDetector交互探测器分析因子交互效应。

三、研究结果

模型性能评估：通过分层五折交叉验证，RF取得了最高的平均验证AUC（0.839±0.051），其次为XGBoost（0.821±0.065）、LR（0.737）和SVM（0.734）。RF在所有五个指标上均取得最高平均验证值，准确率为0.783±0.052，精确率为0.754±0.128，召回率为0.698±0.149，F1-score为0.725±0.118。因此，RF被选为后续SHAP解释和GeoDetector–SHAP耦合分析的最优模型。

空间解释与模型贡献：GeoDetector结果表明，距道路距离的q值最高，其次为岩性和DEM，表明道路相关扰动、地质条件和地形背景对已记录滑坡的空间分异具有相对较强的解释力。SHAP结果表明，距道路距离、DEM和NDVI是三个最重要的因子，表明RF模型主要依赖人类工程扰动、地形背景和植被条件来区分滑坡易发区域。SHAP图进一步显示，距道路更近的区域、海拔较高的区域和NDVI值较低的区域通常贡献于更高的预测滑坡易发性。

权重系数敏感性分析：研究人员将α从0到1以0.1为间隔变化，以评估耦合因子排序对权重系数的依赖性。距道路距离在所有权重情景下均保持排名第一，表明其主导地位不依赖于等权重假设。DEM在α=0至0.8时排名第二，在α=0.9和1.0时排名第三，始终处于前三名。相比之下，岩性和NDVI的相对排名对α敏感。这些结果表明距道路距离的主导地位和DEM的高排名对α变化具有稳健性。

耦合解释结果：在α=0.5的等权重基线条件下，距道路距离取得了最高的耦合得分，其次为DEM和岩性。土地覆盖和NDVI分别排名第四和第五。距道路距离排名第一是因为其在GeoDetector中具有最高的空间解释力，同时在SHAP分析中对RF预测的贡献也最大。耦合结果识别出距道路距离和DEM为两个主导因子，岩性紧随其后。

交互效应分析：GeoDetector交互探测器结果显示，交互q值范围为0.024至0.355，大多数两因子组合的解释力大于对应单因子的解释力，表明滑坡发生与多个交互因子相关而非单一因子。在所有因子组合中，岩性与距道路距离的交互q值最高（0.355），其次为DEM与距道路距离的交互（0.298）和NDVI与距道路距离的交互（0.275）。这三个最强的交互均涉及距道路距离，表明道路相关扰动与滑坡易发性之间的关联可能在特定岩性、地形和植被条件下得到增强。

滑坡易发性制图：基于完整建模数据集重新训练的RF模型被用于生成江西省滑坡易发性图，采用Jenks自然断点法将易发性值分为五个等级。结果表明，江西省大部分区域被划分为低或极低易发性。低易发性区域占比最大（70.34%），其次为极低易发性区域（20.55%），中等易发性区域占5.91%，高和极高易发性区域分别占2.29%和0.91%。高和极高易发性区域并非随机分布，而是主要集中在局部区域，与可解释性结果一致。

四、讨论与结论

讨论部分指出，RF在当前数据集和参数设置下比其他候选模型具有更好的泛化能力，这可能与RF通过自助聚合和随机特征选择捕捉非线性关系同时降低预测方差的能力有关。模型排名在不同研究之间存在差异，这取决于编目特征、条件因子、采样策略、超参数设置、特征选择程序和验证设计等因素。距道路距离的高排名需要谨慎解释：道路建设可能通过开挖、坡脚移除、人工加载、植被干扰和地表及地下排水改变等物理方式使边坡失稳，但滑坡编目主要包含与人员伤亡或财产损失相关的致灾事件，此类事件更可能发生在道路、居民点和可达基础设施附近，而偏远地区的小型滑坡可能被低估。因此，距道路距离可能代表了物理道路相关扰动、人为暴露、场地可达性以及报告和采样偏差的综合信号。在江西省背景下，岩性与距道路距离的强交互表明边坡对道路建设的响应取决于其地质属性，道路开挖可能暴露软弱界面、使边坡变陡、移除坡脚支撑并改变排水路径。DEM与距道路距离的交互更可能被解释为地形背景效应，而非海拔的直接效应。NDVI与距道路距离的交互可能反映植被干扰和工程改造的联合效应。年均降水量在统计分析中重要性相对较低，这可能是因为年均降水量仅代表年尺度空间背景，可能平滑了局地极端降雨模式。

研究结论部分翻译如下：本研究利用2019–2020年可获得的已记录致灾滑坡编目，开发了GeoDetector–SHAP耦合的可解释机器学习框架用于江西省滑坡易发性制图。主要结论总结如下：（1）通过整合156个滑坡样本、468个非滑坡样本和九个条件因子构建了建模数据集，所有空间数据集均投影至统一坐标系、重采样至30米空间分辨率并进行空间配准。（2）在当前数据集和评估协议下，分层五折交叉验证表明RF在四个评估模型中取得了最高的平均验证性能，AUC为0.839±0.051，准确率为0.783±0.052，精确率为0.754±0.128，召回率为0.698±0.149，F1-score为0.725±0.118。（3）GeoDetector–SHAP耦合框架整合了GeoDetector导出的归一化空间解释力和SHAP导出的归一化预测贡献，使因子重要性能够从空间统计和模型预测两个角度联合评估。然而，这些解释代表统计关联而非因果关系的直接证据。（4）耦合分析一致地将距道路距离排名为最高因子，DEM和岩性分别排名第二和第三。交互探测器进一步表明岩性与距道路距离的交互q值最高，其次为DEM与距道路距离以及NDVI与距道路距离的交互。这些发现表明道路邻近性与已记录致灾滑坡发生之间的关联可能在特定岩性、地形和植被条件下得到增强。然而，距道路距离的高排名可能同时反映物理道路相关扰动和与事件报告及场地可达性相关的偏差。易发性图将研究区的2.29%和0.91%分别划分为高和极高易发性类别，这些区域可作为野外验证和道路边坡监测的初步优先区域。鉴于编目有限、其聚焦于致灾事件以及固定的3:1采样比例，所绘制的类别代表相对模型导出的易发性，而非绝对滑坡发生概率或江西省整体内在边坡不稳定性的全面估计。