最新，基于可解释机器学习发表在LUP上的文章

《Landsc Urban Plan》最新发文！基于可解释机器学习模型和多目标优化算法的城市尺度绿色基础设施规划优化 绿色基础设施（Green Infrastructure, GI）已发展成为缓解城市洪水的一种可持续方法。尽管机器学习（Machine Learning, ML）模型在城市洪水模拟方面展现出优势，但它们在支持城市尺度GI定量规划方面的直接应用仍然是一个挑战。为了解决这个问题，本研究将基于支持向量机（Support Vector Machine, SVM）的可解释ML模型和Shapley加性解释（SHAP）方法与非支配排序遗传算法II（Non-dominated Sorting Genetic Algorithm-II, NSGA-II）相结合。该模型应用于中国北京中心地区的案例研究，并展示了出色的性能，曲线下面积（Area Under Curve, AUC）值高达0.94。城市洪水易感性评估的结果表明，研究区域中的城乡过渡区面临着更大的洪水威胁。通过SHAP模型解释，揭示了GI和灰色基础设施（Grey Infrastructure, GrI）在防洪中的主导作用，并证明了在GI比例低于0.45的研究单元中，两者之间的非线性互补性更为显著。在NSGA-II优化框架的支持下，实现了不同GI总实施量下的最优GI计划，其中选择了一个GI总面积增加了3.21%的解决方案，作为投资效率最高的方案。模型建议GI实施的模式应该是分散和小规模的。本研究提供了一个具有广泛应用前景的工具，有效地将GI实施与城市规划整合起来。本研究的发现不仅为确定北京新生态空间的优先区域提供了重要参考，而且为与北京具有相似特征的地区提供了GI规划和城市洪水管理的新见解。 本文探索了一个由可解释的机器学习（ML）模型和多目标优化算法组成的创新模型。具体而言，本研究的主要目标包括：(1) 通过支持向量机（SVM）分析研究区域的洪水易感性及其空间分布，并验证ML模型在具有高空间异质性的城市建设空间中进行洪水模拟的可行性；(2) 引入Shapley可加解释（SHAP）来揭示影响城市洪水的主要因素及其相互作用的定量机制；(3) 使用基于非支配排序遗传算法II的优化框架确定GI实施的位置和规模。