读文献308|基于SHAP解释方法，构建卷积神经网络-元胞自动机（CNN-CA）模型模拟城市土地利用变化

文献链接

https:///10.1016/j.compenvurbsys.2024.102133

（1）文献基本信息

• 英文题目
  

  How can SHAP (SHapley Additive exPlanations) interpretations improve deep learning based urban cellular automata model?

• 中文题目
  

  SHAP（Shapley加性解释）如何提升基于深度学习的城市元胞自动机模型的可解释性？

• 发表年份
  

  2024年

• 期刊来源
  

  Computers, Environment and Urban Systems

---

（2）文献摘要翻译

本研究旨在提升城市元胞自动机（CA）模型的可解释性，以确保其预测行为符合真实的城市扩展过程。然而，当前的深度学习（DL）驱动的城市CA解释方法存在三大问题：（1）解释过程与特征选择未有效整合；（2）不同模块输入的解释方法各自为政，缺乏统一；（3）缺乏针对单元格级别的解释，无法揭示空间异质性发展模式。为此，本文提出了一个基于SHAP（Shapley加性解释）的方法框架，解决上述难题。该框架首先使用模型级SHAP重要性来筛选不同模块中最关键的特征，再借助单元格级SHAP值揭示空间异质的城市扩展驱动力。实证研究以中国东莞市为例，构建卷积神经网络-元胞自动机（CNN-CA）模型，并通过实验证明：（1）基于SHAP的特征选择可提升模型精度，FoM提升3%，优于多种传统方法；（2）SHAP可整合地衡量不同模块特征的重要性，物理因素影响最大，邻域效应次之，接近度和可达性影响较小；（3）单元格级别解释有效揭示局部驱动机制，比如在松山湖工业区，靠近主干道成为扩张的主要推动因子。

---

（3）核心内容整理

引言

文章首先介绍了城市快速扩张对环境、健康等造成的影响，强调模拟城市土地利用变化（LUCC）对于可持续发展的必要性。城市CA模型因能模拟空间自组织过程而被广泛使用，但在引入深度学习之后，其“黑箱”特性限制了模型的可解释性，尤其在特征选择、模块整合和空间异质解释方面存在显著缺陷。

方法

提出了一个SHAP驱动的解释框架，包含三大步骤：

1. CNN-CA建模：通过卷积神经网络构建土地适宜性模块，结合邻域效应和约束因素生成土地转换概率（LTP）。

2. SHAP特征选择：基于全特征模型计算各特征SHAP值，选出排名前7的特征，排除冗余特征以优化模型。

3. SHAP模型解释：不仅评估模型级别的平均SHAP值，还深入分析单元格级别的特征贡献分布，揭示空间异质性。

结果

• 使用SHAP进行特征选择的CNN-CA模型表现优于传统方法，FoM提升至0.4069。

• 模型级别分析发现：物理特征（如坡度、距离河流等）对城市扩张预测最重要；邻域效应排名第二。

• 单元格级别解释揭示了局部发展差异。例如，在松山湖区，靠近主干道成为工业用地扩张的关键因素，而靠近水体在不同区域表现出正负两种影响。

讨论

验证了所提SHAP框架在三个方面的有效性：提高深度学习CA模型性能、统一解释不同模块影响、揭示局部空间驱动力。也指出了目前存在的不足，比如未使用更精细的递归特征消除法（RFE），以及SHAP计算成本高、难以处理更复杂的长时序模型。

结论

SHAP框架提升了深度学习CA模型的准确性与可解释性，能够有效整合特征选择、模块间权重分析和空间异质性揭示，为城市土地利用预测提供理论支持和技术工具。

---

（4）一句话总结

本文利用SHAP解释方法，以东莞市为案例，研究基于卷积神经网络的城市元胞自动机模型，通过模型与单元格级别的解释分析，改进了特征选择过程，揭示了空间异质性驱动机制，实现了更精准、可解释的城市扩张模拟，提出的SHAP解释框架具备显著创新性和实用价值。