A Satellite-Based Framework for Flood Mapping: Enhancing Explainability Through Multispectral Indices and SHAP Analysis
Nur Suhaili Mansor · Sergio Molina-Palacios · Hapini Awang 等 6 人
构建SHAP增强的卫星洪水制图框架，用多光谱与地形变量训练LightGBM实现高精度分类。
Landsat 7多光谱指数与SRTM地形，两阶段特征选择，LightGBM建模
AWEI、NIR、坡度、高程为关键预测因子，LightGBM精度92%、AUC 0.950，优于对比
可迁移至农田洪涝监测，探索多时相与作物物候耦合的可解释洪水风险制图。
将SHAP可解释性引入多光谱遥感洪水制图，方法新颖、精度可靠，对农业灾害监测信息化有参考价值，但属细分领域技术论文，影响面有限。
尽管机器学习（ML）模型在洪水等复杂环境现象的建模中展现出相当大的潜力，但其在洪水制图中的采用往往受限于可解释性不足。本研究开发了一个集成的SHapley加法解释（SHAP）增强框架，用于基于多光谱和地形变量的卫星洪水范围制图。从Landsat 7获取的光谱信息，包括归一化差异水体指数（NDWI）、自动水体提取指数（AWEI）、归一化差异植被指数（NDVI）以及近红外和短波红外反射率，与从SRTM获取的坡度和高程相结合。历史洪水范围标签来自全球洪水数据库。特征选择分两个阶段进行：首先通过相关性分析减少冗余，然后应用基于SHAP的归因来量化剩余变量的贡献。最终模型保留了四个主要预测因子：AWEI、近红外（NIR）反射率、坡度和高程。监督式轻量梯度提升机（LightGBM）模型达到了92%的准确率和0.950的AUC，优于逻辑回归和TabNet。SHAP分析为模型输出提供了全局和局部解释，而与MODIS衍生洪水范围的空间比较显示，在分析事件中两者具有广泛一致性。因此，该框架侧重于基于事件的洪水范围分类，而非长期灾前洪水脆弱性预测，并展示了将预测性能与模型透明度相结合对于基于遥感的洪水制图的价值。