Geosci. Front. | 使用可解释人工智能（XAI）模型进行空间洪水易发性制图

背景：洪水是造成严重社会经济损失的自然灾害，尤其在韩国等亚洲国家。为识别洪灾风险区，洪水易发性制图方法不断发展，但现有机器学习与深度学习模型普遍存在“黑箱”特性，可解释性不足，制约了实际应用。研究目的：本研究首次将卷积神经网络（CNN）深度学习模型与可解释人工智能（XAI）中的沙普利加法解释（SHAP）模型相结合，应用于韩国晋州地区的空间洪水易发性制图，旨在提高模型预测准确性的同时，增强其可解释性，揭示关键影响因素。结论：模型预测精度达到88.4%（AUROC值为0.88）。SHAP分析表明，土地利用和各种土壤属性是影响洪水易发性的最重要因素。基于XAI的模型有助于理解变量间的相互作用机制，能提升模型结果的解释性，增进利益相关者信任，并为洪水减灾与管理决策提供更可靠的依据。