楚文浩/张春晓：基于BNN-SHAP模型的城市洪涝建模及时空效应可解释性

2024-06-26     发布：信息工程学院    点击：68次

【JAG，2024】

准确预测城市内涝灾害对于保障人民生命财产安全以及促进城市可持续发展至关重要。然而，现有的方法多利用城市内涝过程的时间自相关或空间自相关，忽略了其时空演化特征的综合利用及其可解释性。

针对这些问题，我校信息工程学院博士研究生楚文浩在导师张春晓副教授及其合作者的指导下，以城市排水系统中的人孔溢流问题为例，提出一种新颖的耦合时空效应、贝叶斯神经网络（BNN）和SHAP方法的框架（图1）。该框架利用动态空间杜宾模型对降雨过程中的时空滞后效应进行提取，并将所提取的信息纳入BNN建模中，以提高模型对内涝时空演化的理解，最终通过SHAP分析揭示时空效应的贡献和有效性。

图1 顾及时空效应及其可解释性的数据驱动建模框架

基于此框架，研究开发了人工神经网络（ANN）、BNN、LightGBM、长短时记忆网络（LSTM）及上述模型时空效应增强的版本（一共八种模型），并在四川南充进行了案例研究。研究结果表明：时空效应增强的BNN模型（BNNST）显著优于基准模型，并能够对预测结果进行了不确定性量化（图2和图3）。SHAP方法进一步揭示了时空效应对于BNNST模型输出的平均贡献约为14% （图4）。此外，得益于BNNST方法在不确定性度量方面的优势，SHAP方法可以清晰展示输入特征在不同置信水平下对模型的贡献，进一步彰显了模型可解释性的一致性和可信度（图5）。

图2 模型在训练集及验证集上的精度对比

图3 BNN及BNNST模型在测试案例上的表现

图4 SHAP分析揭示的各输入特征对于模型预测的平均贡献度

图5 在不同置信度水平下各输入特征对模型预测的影响

本研究受到国家自然科学基金(42371425, 42077438, 42325107 和42330108) 的联合资助。该项研究成果发表在遥感领域顶级期刊《Journal of Applied Earth Observation and Geo-information》。

引用格式：Wenhao Chu, Chunxiao Zhang, Heng Li, Laifu Zhang, Dingtao Shen, Rongrong Li, SHAP-powered insights into spatiotemporal effects: Unlocking explainable Bayesian-neural-network urban flood forecasting, International Journal of Applied Earth Observation and Geoinformation, Volume 131, 2024, 103972, ISSN 1569-8432.（JCR-Q1，中科院一区Top，IF：7.6）

全文链接： https://doi.org/10.1016/j.jag.2024.103972