发表期刊： International Journal of Coal Science & Technology
分区及实时影响因子：1区TOP（10.102）
第一作者和单位：黄发明- 南昌大学
论文摘要
目前关于揭示滑坡易发性不同制图单元中机器学习模型的异同的研究往往只采用精度评估方法，而很少深入探讨可解释性。此外，单类型可解释性方法的适用性有限，解释能力不全面。为了应对这些挑战，已经提出了一个全面的可解释性框架，以揭示机器学习模型在各种测绘单元中用于滑坡易发性预测（LSP）的内在机制。以平阳县为例，我们首先选取了16个滑坡环境因子和225个滑坡样本。然后，对LSP进行斜率单元随机森林（RF）模型和网格单元RF模型。最后，提出了一种综合的可解释性方法来分析不同机器学习模型对LSP的可解释程度。该方法包括均方误差（MSE）特征重要性分析、基于部分依赖图（PDP）和个体条件期望（ICE）方法的单特征分析、基于受试者工作特征曲线下面积（AUC）的相互作用分析，以及以探索性方式对单个样本进行全特征Shapley加性解释（SHAP）值分析。结果表明：（1）两种模型的AUC精度均在0.9以上，表明预测高度准确。综合可解释性方法表明，斜坡单元RF模型的LSP结果与地质数据更为一致；（2）两种模型中的环境因素重要性相似；然而，地形水分指数和归一化植被指数在坡度单元RF模型中的影响更大。本研究表明，通过全面的单样本全特征SHAP值分析，斜率单位RF模型对单个样本的SHAP值表现出更大的SHAP。通过结合现实世界的案例研究，对可解释性结果的分析表明，该模型的预测对于坡度单元框架内的地形评估更为可靠。
主要图件
Fig 1. 本研究的详细流程图
Fig 3. 环境因素皮尔逊相关分析图。
Fig 4. 具有映射单元的RF模型的LSP图是斜率单元和网格单元。
Fig 5. a ROC曲线和b每种标测单元的预测准确率曲线。
Fig 6. 基于MSE的不同映射单元的射频模型特征重要性图。
Fig 7. 按网格单元（Ⅰ）和斜率单元（Ⅱ）绘制调节因子的PDP（深蓝色）和ICE（淡蓝色）图。
Fig 8. 所选特征对LSP预测的二维累积局部效应：斜率和NDBI的相互作用以及基于网格单元的RF模型的斜率和高程；基于RF模型的b斜率和NDBI以及d斜率和斜率单元高程的相互作用。红色表示LSP含量较高，蓝色表示LSP含量较低。
Fig 9. a选定案例的位置。具有网格单元的RF模型的部分b 2D和d 3D滑坡易发性图。基于坡度单元的RF模型局部c 2D和e 3D滑坡易发性图。
本研究采用16个环境因素和RF模型对浙江省平阳县进行了LSP和精度评估。随后，该研究通过综合可解释的方法系统地解释了不同映射单元的RF模型的LSP结果，并分析了各种映射单元预测结果差异的原因。主要研究结果如下：
1.基于网格单元和坡度单元的映射单元，本研究构建了RF模型来预测平阳县的滑坡易发性，取得了良好的预测精度（AUC>0.85）。网格单位和斜率单位的ROC-AUC值分别为0.964和0.947，准确率分别为0.955和0.936。网格单元和斜率单元的预测精度相当相似，但前者略好。两个制图单元的AUC精度相对较高，易感性结果都可以为当地防灾减灾提供参考。
2.鉴于过去缺乏对LSP的解释或可解释方法，本研究提出了一种全面的可解释方法。该方法从“MSE特征重要性分析”、“基于PDP和ICE方法的单特征分析”、”基于ALE方法的双因素交互分析”和“单样本全特征SHAP值分析”的角度，系统地解释了斜坡单元RF和网格单元RF模型预测平阳县滑坡易发性的结果。综合可解释方法中各种方法的结果可以相互支持，显著提高模型的可解释性；研究发现，影响滑坡的最重要因素是坡度和NDBI，这进一步证明了该模型的可解释性是稳定可靠的。
3.基于综合解释方法，本研究发现，在坡度单元中，尺度效应更为明显，因此坡度单元更有利于RF模型的判断。这为评估和优化LSP的效果提供了新的思路和参考。
论文引用
Song, J., Qiu, H., Emmer, A., Zhang, G., Wang, N., Liu, Y., Yang, G., & Liang, Y. (2026). Unraveling daily dynamics of supraglacial lakes in response to hydrological pulses and anomalous climate signals. Nature Communications, Article in Press. https://doi.org/10.1038/s41467-026-75669-3
投稿邮箱：bjwlkuzma@163.com
欢迎各位的关注与来稿！
