相关实验视频
Updated: May 14, 2025

Watershed Planning within a Quantitative Scenario Analysis Framework
Published on: July 24, 2016
通过SHAPley添加式扩张 (SHAP) 方法的透视来预测峡谷侵蚀易感性,使用堆叠组合模型
Jeongho Han1, Jorge A Guzman2, Maria L Chu2
1Department of Agricultural and Biological Engineering, The GRAINGER College of Engineering, College of Agricultural, Consumer & Environmental Sciences, ACES, University of Illinois at Urbana-Champaign, Urbana, IL, 61801, USA; Agriculture and Life Sciences Research Institute, Kangwon National University, Chuncheon, 24341, Republic of Korea.
一个新的可解释的堆叠组合模型改善了峡谷侵蚀预测和解释. 这种方法提高了准确性,并为更好的环境管理提供了有关特征的重要性的见解.
科学领域:
- 环境科学 环境科学
- 地理空间分析的研究.
- 机器学习 机器学习
背景情况:
- 峡谷侵蚀对农田和生态系统构成重大威胁.
- 准确的易受性测绘对于有效的侵蚀控制和土地管理至关重要.
- 现有的模型往往缺乏解释性,阻碍了对侵蚀驱动因素的理解.
研究的目的:
- 开发和评估一种新的可解释的堆叠组合模型,用于沟侵蚀易感性.
- 将各种堆叠配置的预测性能与单个模型进行比较.
- 为了解释模型的预测,使用夏普利添加式解释 (SHAP) 来解释特征和模型的重要性.
主要方法:
- 开发了44个堆叠组合模型,结合了随机森林,梯度增强机,物流回归和深度神经网络.
- 采用堆叠的概括来创建集合,以及用于模型可解释性的SHAP.
- 在200个随机沟地点使用LiDAR数据和曲线下的面积 (AUC) 验证的模型.
- 创建了伊利诺伊州杰斐逊县的峡谷侵蚀易感性地图.
主要成果:
- 堆叠组合模型的表现明显优于单个基准模型,除了三个外,所有模型都超过了最佳基准模型的AUC 0.86.
- 后勤回归堆叠模型 (RF和GBM基础学习者) 实现了最高的AUC0.916.
- 性能最好的模型将33%的农田映射到"非常高"的侵蚀易受性类别,与单个模型相比大幅增加.
- SHAP分析确定了年度叶面积指数 (LAI) 作为一个关键特征,并突出了GBM模型对整体的影响.
结论:
- 可解释的堆叠组合模型为沟侵蚀易感性映射提供了卓越的性能和可解释性.
- 开发的方法提供了对特征贡献和模型决策流程的透明见解.
- 这种方法可以为环境管理和政策提供信息,以便更有效地分配土地资源和缓解侵蚀.
相关概念视频
Design Example: Analyzing Capacity Contours for Flood Risk Assessment
Manipulation and Analysis
Typical Model Studies
Survival Tree
Building a Survival Tree
Constructing a...
Precipitation Processes
Unsoundness of Aggregate due to Volume Change

