[论文解读] Flood Prediction and Analysis on the Relevance of Features using Explainable Artificial Intelligence

Sai Prasanth Kadiyala, Wai Lok Woo|arXiv (Cornell University)|Jan 13, 2022

Hydrological Forecasting Using AI被引用 8

一句话总结

本文提出了一种用于印度喀拉拉邦的洪水预测框架，利用月度降雨数据和机器学习模型（如逻辑回归、随机森林、支持向量机等），并通过可解释人工智能（XAI）技术增强模型对特征重要性的解释能力。结果表明，XAI模块能够有效揭示驱动预测的关键气象特征，且模型决策与历史数据高度一致，验证了其可靠性。

ABSTRACT

This paper presents flood prediction models for the state of Kerala in India by analyzing the monthly rainfall data and applying machine learning algorithms including Logistic Regression, K-Nearest Neighbors, Decision Trees, Random Forests, and Support Vector Machine. Although these models have shown high accuracy prediction of the occurrence of flood in a particular year, they do not quantitatively and qualitatively explain the prediction decision. This paper shows how the background features are learned that contributed to the prediction decision and further extended to explain the inner workings with the development of explainable artificial intelligence modules. The obtained results have confirmed the validity of the findings uncovered by the explainer modules basing on the historical flood monthly rainfall data in Kerala.

研究动机与目标

• 利用历史月度降雨数据，开发针对喀拉拉邦的高精度洪水预测模型。
• 通过整合可解释人工智能（XAI）技术，解决传统机器学习模型可解释性不足的问题。
• 量化并分析输入特征（如降雨模式）对洪水预测结果的贡献程度。
• 利用喀拉拉邦的历史洪水数据验证XAI解释的可靠性。
• 通过透明、可解释的洪水预测方法，为灾害管理提供可操作的见解。

提出的方法

• 在月度降雨数据上训练多种监督式机器学习模型（如逻辑回归、K近邻、决策树、随机森林和支持向量机），用于洪水预测。
• 应用SHAP（SHapley Additive exPlanations）和LIME（局部可解释模型无关解释）作为XAI模块，以解释模型决策过程。
• 利用随机森林和SHAP等模型的特征重要性得分，对气象输入的相对重要性进行排序与分析。
• 通过与历史洪水事件对比，验证XAI解释的一致性与可靠性。
• 分析特征贡献的时间模式，以理解季节性与累积性降雨的影响。
• 在评估模型性能时使用标准指标（如准确率、AUC），同时强调模型的可解释性。

实验结果

研究问题

• RQ1 在喀拉拉邦，哪些气象特征（尤其是降雨模式）对洪水预测最为关键？
• RQ2 SHAP和LIME等XAI技术在多大程度上能准确解释机器学习模型的预测结果？
• RQ3 XAI模块提供的解释在多大程度上与喀拉拉邦已知的历史洪水模式一致？
• RQ4 XAI的集成能否提升洪水预测模型在政策制定者中的可信度与可用性？
• RQ5 不同机器学习模型在特征重要性排序与可解释性方面有何差异？

主要发现

• 随机森林与支持向量机模型实现了高预测准确率，其性能通过历史洪水数据得到验证。
• XAI模块（如SHAP与LIME）成功识别出月度总降雨量与季节性趋势是洪水发生的关键预测因子。
• 特征重要性分析表明，过去3至6个月的累积降雨量对洪水预测的影响最大。
• XAI工具提供的解释与喀拉拉邦已记录的洪水事件高度一致，证实了其可靠性。
• XAI的集成显著提升了模型的透明度，使利益相关方能够理解并信任预测结果。
• 本研究证实，可解释模型在保持高准确率的同时，能够为洪水风险管理提供可操作的见解。