一区TOP期刊CEUS最新！可解释的机器学习！用

一区TOP期刊CEUS最新！可解释的机器学习！用于使用交织的土地和建筑环境特征预测城市山洪暴发热点 雨积山洪是快速移动的灾害，对城市地区造成重大破坏。随着强降水的增加，主动识别城市山洪热点的能力对于洪水临近预报和风险预测监测至关重要。虽然降雨径流模型和水文模型是山洪预测的有用模型，但这些模型用于洪水临近预报的计算成本高昂且耗费大量精力。为了应对这一挑战，本研究提出了可解释的机器学习模型，用于基于交织的土地和建筑环境特征预测城市山洪暴发热点。将山洪热点的预测任务表述为二元分类问题，选取美国城市近期发生的3起山洪事件进行数据收集和模型验证。使用不同的数据集构建与土地和建筑环境特征相关的各种特征，并使用事件中的众包数据捕获山洪暴发的发生。利用这些特征和数据集，使用两个基于决策树的集成模型预测了城市的山洪热点。结果表明，模型在识别淹没/未淹没位置方面具有较好的准确率（0.8）。特别是，这些模型能够实现较高的真阳性率（0.83–0.89）和较低的漏报率，证明了该方法在准确预测淹没热点方面的实用性。模型解读结果表明，与水文和拓扑特征相关的土地特征对山洪灾害风险的影响大于建筑环境特征。进一步分析表明，不同城市的特征重要性、模型性能和模型可转移性性能各不相同，需要模型的本地化规范才能准确预测特定城市的山洪暴发。本研究中提出的数据驱动的机器学习模型为基于城市土地和建筑环境交织特征的山洪热点预测山洪热点提供了有用的工具，以实现对山洪热点的临近预报和主动监测，以便应急响应，并为降低山洪风险的综合城市设计和开发提供信息。 本研究提出了一种数据驱动的方法，通过可解释的机器学习模型，利用城市中相互交织的土地和建筑环境特征，可靠地预测城市山洪暴发热点。与模拟洪水动态过程的传统水文模型不同，本研究重点关注一个区域是否可能成为潜在的山洪暴发热点，以及哪些城市特征会导致该热点的发生。预测山洪热点的任务被表述为二元分类问题（真或假），以指示山洪的发生。本文提出的可解释机器学习模型能够捕获多个水文、地形和建筑环境特征之间的复杂非线性相互作用，以指定山洪热点。对模型特征重要性的进一步解释可以表明导致山洪热点的决定因素。与基于物理的标准模型相比，所提出的机器学习模型可以以更少的工作量和更少的计算资源和时间实现，为山洪临近预报提供了及时的解决方案。