DOI: https://doi.org/10.1016/j.gsf.2024.101800
تاريخ النشر: 2024-02-02
المؤلف: Nan Wang وآخرون
الموضوع الرئيسي: الانهيارات الأرضية والمخاطر المرتبطة بها
نظرة عامة
تتناول ورقة البحث القضية الحرجة للعمليات الهيدرومورفولوجية (HMP)، التي تشمل المخاطر الطبيعية مثل تدفقات الحطام والفيضانات المفاجئة التي تهدد المجتمع بشكل كبير من خلال الوفيات والخسائر الاقتصادية. يستخدم المؤلفون نموذج تعلم عميق قابل للتفسير لتحليل حدوثات HMP عبر الصين، مستفيدين من بنية شبكة عصبية عميقة وتفسير النتائج من خلال قيم SHAP (SHapley Additive exPlanations). يسمح هذا النهج بفهم هرمي لمساهمات المتنبئين في قابلية HMP، محققًا أداءً تنبؤيًا مثيرًا للإعجاب بقيم AUC تتراوح بين 0.83 و0.86 خلال التحقق المتقاطع بعشر طيات. تسلط الدراسة الضوء على ميزة الجمع بين الدقة التنبؤية العالية النموذجية للتعلم الآلي وقابلية التفسير لطرق الإحصاء التقليدية، التي يسهلها التقدم الأخير في الذكاء الاصطناعي القابل للتفسير.
في الختام، يقدم المؤلفون تحليلًا شاملاً لقابلية HMP، مقدمين رؤى عالمية ومحلية حول مساهمات المتنبئين. يمثل دمج ملخصات SHAP غير الجغرافية تقدمًا كبيرًا مقارنة بالطرق التقليدية، بينما يعزز الفحص الجغرافي للمتنبئين قابلية التفسير لمناطق التجميع الفردية. تم توفير تطبيق webGIS مخصص للتفاعل مع المستخدم، يعرض نتائج النموذج ومعلومات التعرض ذات الصلة. يدعو المؤلفون إلى هذا النهج في النمذجة كمعيار مستقبلي للحلول المعتمدة على البيانات في التنبؤ بالمخاطر الطبيعية ويعبرون عن نواياهم لدمج الأبعاد الزمنية في نموذجهم لتحسين تقييمات المخاطر. كما يشيرون إلى داهال ولومباردو (2023) للوصول إلى الكود الأساسي الذي يستند إليه عملهم، مما يعزز البحث الإضافي في هذا المجال.
مقدمة
تناقش مقدمة الورقة العمليات الهيدرومورفولوجية (HMP)، التي تشمل ظواهر مختلفة مثل تدفقات الحطام والفيضانات المفاجئة، المدفوعة بديناميات الماء والحطام تحت تأثير الجاذبية. تشكل هذه العمليات مخاطر كبيرة على المجتمعات عالميًا، مما دفع إلى زيادة البحث الذي يركز على التنبؤ بحدوث HMP. تم استخدام طرق إحصائية تقليدية بنجاح للتنبؤ بأنواع مختلفة من HMP، لكنها غالبًا ما تفتقر إلى التوجه نحو الأداء وقابلية التفسير. لقد عززت التقدمات الأخيرة في الذكاء الاصطناعي، وخاصة التعلم الآلي والتعلم العميق، القدرات التنبؤية ولكن على حساب قابلية التفسير، مما أدى إلى ظهور الذكاء الاصطناعي القابل للتفسير (XAI) كحل واعد.
تؤكد الورقة على أهمية رسم خرائط القابلية، التي تقدر احتمال حدوث HMP بناءً على العلاقات الإحصائية بين المتغيرات وبيانات المخاطر. بينما توفر النماذج الخطية العامة (GLMs) والنماذج المضافة العامة (GAMs) قابلية التفسير من خلال معاملات الانحدار، فإنها تواجه تحديات مع مجموعات البيانات المكانية الكبيرة. في المقابل، غالبًا ما تخفي نماذج التعلم الآلي المنطق وراء التنبؤات. لمعالجة ذلك، تم دمج طرق التفسير المحلية مثل LIME وSHAP مع التعلم الآلي لتوفير رؤى مفصلة حول التنبؤات الفردية. تركز الدراسة على تطبيق هذه التقنيات القابلة للتفسير لتقييم قابلية HMP عبر الصين، حيث تسلط الأحداث التدميرية الأخيرة الضوء على الحاجة إلى اتخاذ قرارات مستنيرة في التخفيف من الكوارث. توضح الورقة هيكلها، موضحة البيانات والمنهجية وآثار النتائج.
طرق
في هذه الدراسة، استخدم المؤلفون بروتوكول نمذجة من خطوتين لتقدير القابلية لـ HMP (من المحتمل أن تكون خطر صحي أو بيئي محدد). تضمنت الخطوة الأولية بناء شبكة عصبية “صندوق أسود” مصممة لتوليد تقديرات القابلية. بعد ذلك، تم تفسير النموذج من خلال حساب قيم SHAP (SHapley Additive exPlanations)، مما سمح بتقييم الأنماط المكانية المرتبطة بكل متغير متنبئ. يتم تمثيل هذه المنهجية بصريًا في مخطط انسيابي (الشكل 2)، مما يوفر نظرة عامة واضحة على العملية من إنشاء النموذج إلى التفسير.
نتائج
في هذا القسم، يقدم المؤلفون تقييمًا شاملاً لأداء نموذج الشبكة العصبية الخاص بهم في التنبؤ بقابلية المخاطر الطبيعية. حقق النموذج أداءً تصنيفيًا ممتازًا، مع قيمة وسائط منطقة تحت المنحنى (AUC) تبلغ 0.85، كما هو موضح من خلال منحنيات ROC وتحليل الصندوق (هوسمر وآخرون، 2013). تراوحت قيم AUC بين 0.83 و0.86، مما يدل على قدرات تنبؤية قوية. بالإضافة إلى ذلك، تم تقدير مؤشر يودن عند 0.52، وكشف مصفوفة الالتباس عن معدل إيجابي حقيقي مرتفع (TPR) يبلغ 83% (7347 من 8821)، مما يشير إلى فعالية النموذج في تحديد مناطق التجميع القابلة للتأثر.
يستكشف المؤلفون أيضًا آثار الإيجابيات الكاذبة (FP)، التي بلغت 15,862 من 64,768 (24%)، مما يشير إلى أخطاء محتملة في النموذج أو مناطق قد تصبح قابلة للتأثر في المستقبل. يثير التوزيع الجغرافي لهذه الإيجابيات الكاذبة، الذي يتركز بشكل أساسي في وسط وجنوب شرق الصين، تساؤلات حول حالة تصنيفها. يختتم القسم بالتأكيد على أهمية إنشاء خرائط قيم SHAP لكل متنبئ، مما يعزز قابلية التفسير ويوفر نظرة عامة مكانية لمساهمات المتغيرات، وهي ميزة لم يتم تناولها بشكل موسع في الأبحاث السابقة للذكاء الاصطناعي القابل للتفسير في سياقات المخاطر الطبيعية. كما تم تقديم خريطة القابلية المقدرة، مما يعزز موثوقية النموذج التنبؤية.
مناقشة
في هذا القسم، يناقش المؤلفون المنهجية والنتائج المتعلقة بنمذجة قابلية الحركات الكتلية الخطرة (HMPs) عبر الصين، مستفيدين من مجموعة بيانات شاملة تم تجميعها من مشروع الوقاية من الكوارث الطبيعية للفيضانات المفاجئة والسيطرة عليها في الصين. قامت الدراسة بتصفية سجلات HMP من 1985 إلى 2015، مما أسفر عن 24,956 حالة صالحة، واستخدمت نهج وحدة رسم الخرائط المعتمد على منطقة التجميع، والذي يعتبر مناسبًا لنمذجة المخاطر من نوع التدفق. اختار المؤلفون 12 متغيرًا بيئيًا، بما في ذلك عوامل التضاريس والمناخ، واستخدموا شبكة عصبية اصطناعية (ANN) للنمذجة، مؤكدين على أهمية القابلية للتفسير من خلال قيم SHAP (SHapley Additive exPlanations) لتقييم مساهمة كل متنبئ.
تشير النتائج إلى أن المتنبئين الرئيسيين مثل NDVI، ومساحة المستوطنات، وأقصى هطول مطري يومي، والارتفاع، ودرجة انحدار المنحدر تؤثر بشكل كبير على قابلية HMP. يبرز المؤلفون مزايا قيم SHAP مقارنة بمقاييس أهمية المتغيرات التقليدية، حيث توفر رؤى حول كل من التفسيرات العالمية والمحلية لمخرجات النموذج. من خلال تصور الأنماط المكانية لتأثيرات هذه المتنبئين، تقدم الدراسة فهمًا أكثر دقة لقابلية HMP عبر مناطق جغرافية مختلفة في الصين. يقترح المؤلفون أن تطبيق webGIS الخاص بهم، الذي يسمح بالاستعلام التفاعلي عن القابلية ومساهمات المتنبئين، يمكن أن يضع معيارًا جديدًا لجهود نمذجة القابلية المستقبلية، مما يعزز قدرات تقييم المخاطر في العصر الرقمي.
DOI: https://doi.org/10.1016/j.gsf.2024.101800
Publication Date: 2024-02-02
Author(s): Nan Wang et al.
Primary Topic: Landslides and related hazards
Overview
The research paper addresses the critical issue of hydro-morphological processes (HMP), which encompass natural hazards such as debris flows and flash floods that significantly threaten society through fatalities and economic losses. The authors employ an explainable deep learning model to analyze HMP occurrences across China, utilizing a deep neural network architecture and interpreting results through SHAP (SHapley Additive exPlanations) values. This approach allows for a hierarchical understanding of predictor contributions to HMP susceptibility, achieving impressive predictive performance with AUC values between 0.83 and 0.86 during ten-fold cross-validation. The study highlights the advantage of combining high predictive accuracy typical of machine learning with the interpretability of traditional statistical methods, facilitated by recent advancements in explainable AI.
In conclusion, the authors present a comprehensive analysis of HMP susceptibility, offering both global and local insights into predictor contributions. The integration of non-geographic SHAP summaries marks a significant advancement over traditional methods, while the geographic examination of predictors enhances interpretability for individual catchments. A dedicated webGIS application is provided for user interaction, showcasing model results and relevant exposure information. The authors advocate for this modeling approach as a future standard for data-driven solutions in natural hazard prediction and express intentions to incorporate temporal dimensions into their model for improved risk assessments. They also reference Dahal and Lombardo (2023) for access to the core code underlying their work, promoting further research in this area.
Introduction
The introduction of the paper discusses hydro-morphological processes (HMP), which encompass various phenomena such as debris flows and flash floods, driven by the dynamics of water and debris under gravity. These processes pose significant risks to communities globally, prompting a surge in research focused on predicting HMP occurrences. Traditional statistical methods have been employed successfully for predicting various types of HMP, but they often lack performance orientation and interpretability. Recent advancements in artificial intelligence, particularly machine and deep learning, have enhanced predictive capabilities but at the cost of interpretability, leading to the emergence of explainable AI (XAI) as a promising solution.
The paper emphasizes the importance of susceptibility mapping, which estimates the likelihood of HMP occurrences based on statistical relationships between covariates and hazard data. While Generalized Linear Models (GLMs) and Generalized Additive Models (GAMs) provide interpretability through regression coefficients, they face challenges with large spatial datasets. In contrast, machine learning models often obscure the reasoning behind predictions. To address this, local interpretation methods like LIME and SHAP have been integrated with machine learning to provide detailed insights into individual predictions. The study focuses on applying these explainable techniques to assess HMP susceptibility across China, where recent destructive events highlight the need for informed decision-making in disaster mitigation. The paper outlines its structure, detailing the data, methodology, and implications of the findings.
Methods
In this study, the authors employed a two-step modeling protocol to estimate susceptibility to HMP (presumably a specific health or environmental risk). The initial step involved constructing a “black box” neural network designed to generate susceptibility estimates. Subsequently, the model was interpreted by calculating SHAP (SHapley Additive exPlanations) values, which allowed for an assessment of the spatial patterns associated with each predictor variable. This methodology is visually represented in a flowchart (Fig. 2), providing a clear overview of the process from model creation to interpretation.
Results
In this section, the authors present a comprehensive evaluation of their neural network model’s performance in predicting susceptibility to natural hazards. The model achieved an excellent classification performance, with an Area Under the Curve (AUC) median value of 0.85, as indicated by the ROC curves and boxplot analysis (Hosmer et al., 2013). The AUC values ranged from 0.83 to 0.86, demonstrating robust predictive capabilities. Additionally, the Youden Index was estimated at 0.52, and the confusion matrix revealed a high true positive rate (TPR) of 83% (7347 out of 8821), suggesting the model’s effectiveness in identifying susceptible catchments.
The authors further explore the implications of false positives (FP), which numbered 15,862 out of 64,768 (24%), indicating potential model errors or areas that may become susceptible in the future. The geographic distribution of these FPs primarily concentrated in central and southeastern China raises questions about their classification status. The section concludes by emphasizing the importance of generating SHAP value maps for each predictor, which enhances interpretability and provides a spatial overview of variable contributions, a feature not extensively addressed in prior explainable AI research in natural hazard contexts. The estimated susceptibility map is also presented, reinforcing the model’s predictive reliability.
Discussion
In this section, the authors discuss the methodology and findings related to the susceptibility modeling of hazardous mass movements (HMPs) across China, utilizing a comprehensive dataset compiled from the China National Flash Flood Disasters Prevention and Control Project. The study filtered HMP records from 1985 to 2015, resulting in 24,956 valid occurrences, and employed a catchment-based mapping unit approach, which is deemed appropriate for modeling flow-type hazards. The authors selected 12 environmental variables, including terrain and climatic factors, and utilized an Artificial Neural Network (ANN) for modeling, emphasizing the importance of explainability through SHAP (SHapley Additive exPlanations) values to assess the contribution of each predictor.
The results indicate that key predictors such as NDVI, settlement area, maximum daily rainfall, elevation, and slope steepness significantly influence HMP susceptibility. The authors highlight the advantages of SHAP values over traditional variable importance metrics, as they provide insights into both global and local interpretations of model outputs. By visualizing the spatial patterns of these predictors’ effects, the study offers a more nuanced understanding of HMP susceptibility across different geographic regions in China. The authors propose that their webGIS application, which allows for interactive querying of susceptibility and predictor contributions, could set a new standard for future susceptibility modeling efforts, enhancing risk assessment capabilities in the digital age.