土地利用变化驱动因素的正负影响可视化和定量化方法技术

本申请涉及数据处理技术领域，提供一种土地利用变化驱动因素的正负影响可视化和定量化方法

【技术实现步骤摘要】
土地利用变化驱动因素的正负影响可视化和定量化方法


[0001]本申请涉及数据处理
，特别涉及一种土地利用变化驱动因素的正负影响可视化和定量化方法
。

技术介绍

[0002]土地利用
/
覆被变化
(Land
‑
Use and Land
‑
Cover Change
，
LUCC)
驱动机制是指影响和推动土地利用变化的各种因素和过程，包括自然和人为因素，这些因素和过程通过相互作用和影响，共同推动了土地利用变化的发生和演变
。
土地利用变化驱动力研究旨在从典型区域角度揭示
LUCC
变化背后的真正动因及其作用机理，进而动态模拟
、
预测区域土地利用变化过程
。
[0003]传统土地利用变化驱动机制机理研究方法包括基于经典统计原理的定量分析方法和基于质性研究的驱动机制分析方法
。
近年来，大数据技术和人工智能
(Artificial Intelligence
，
AI)
技术的进步和发展为解决上述问题带来了新机遇和新的技术手段，基于
AI
技术构建的地理空间人工智能模型
(Geospatial Artificial Intelligence
，
GeoAI)
能够对
LUCC
的复杂关系进行良好的模拟
。
然而，由于
GeoAIr/>模型不可解释性瓶颈的限制，使得科研人员无法理解
、
信任模型结果，同时也难以图形化
、
定量化地表达
LUCC
驱动因素的正
、
负贡献率
。
[0004]因此，需要提供一种针对上述现有技术不足的改进技术方案
。

技术实现思路

[0005]本申请的目的在于提供一种土地利用变化驱动因素的正负影响可视化和定量化方法，以解决或缓解上述现有技术中存在的问题
。
[0006]为了实现上述目的，本申请提供如下技术方案：
[0007]本申请提供了一种土地利用变化驱动因素的正负影响可视化和定量化方法，包括：
[0008]基于可解释性人工智能
XAI
技术，构建可解释地理空间人工智能
GeoAI
模型；所述
GeoAI
模型包括土地利用变化驱动机制的多级模型解释器；多级模型解释器包括建模前解释模块
、
建模中解释模块
、
建模后验证模块，所述建模前解释模块用于对建模前的土地利用变化驱动机制进行解释，建模中解释模块用于基于
XAI
方法对建模中的土地利用变化驱动机制进行定量化和可视化分析，建模后验证模块用于对建模后的土地利用变化驱动机制解释结果进行合理性评估；
[0009]获取研究区域的土地利用变化数据和驱动因素数据集，并通过建模前解释模块对土地利用变化数据和驱动因素数据集进行驱动机制解释和知识发现，得到建模前先验知识库；
[0010]通过建模中解释模块对
GeoAI
模型的模拟预测结果进行显示化破解，得到土地利用变化驱动机制的
XAI
解释结果；
[0011]利用建模后验证模块，结合建模前先验知识库对
XAI
解释结果进行合理性评估
。
[0012]优选地，通过建模前解释模块对土地利用变化数据和驱动因素数据集进行驱动机制解释和知识发现，得到建模前先验知识库，具体为：
[0013]通过建模前解释模块中的驱动因素趋势分析
、
相关性分析或者重要性分析，对驱动因素数据集进行驱动机制分析
、
解释和可视化，以得到建模前先验知识库
。
[0014]优选地，
XAI
技术包括
SHAP
可解释技术；通过建模中解释模块对
GeoAI
模型的模拟预测结果进行显示化破解，得到土地利用变化驱动机制的
XAI
解释结果，具体为：
[0015]通过
SHAP
可解释技术，获取
GeoAI
模型的模拟预测结果在局域尺度上单个样本可解释力，以及全局尺度上的群体样本可解释力和特征重要性排序图；
[0016]将单个样本可解释力
、
群体样本可解释力和特征重要性排序图映射到土地利用变化机制机理的图形化和定量化研究中，相应得到单个驱动因素对土地利用变化的影响程度
、
整体驱动因素对土地利用变化的影响程度
、
驱动因素概要图
。
[0017]优选地，还包括：通过
SHAP
可解释技术，输出
GeoAI
模型的驱动因素概要图；
[0018]对驱动因素概要图进行统计，获取各个驱动因素的正负影响贡献率；
[0019]根据各个驱动因素的正负影响贡献率进行排序，得到重要性排列图
。
[0020]优选地，在获取各个驱动因素的正负影响贡献率之后，还包括：对各个驱动因素的正负影响贡献率进行空间制图，以确定各个驱动因素的正负影响贡献率的空间分布规律
。
[0021]优选地，还包括：
[0022]通过
SHAP
可解释技术，输出
GeoAI
模型的单个驱动因素的
SHAP
依赖图；
[0023]基于单个驱动因素的
SHAP
依赖图，确定单个驱动因素对区域土地利用变化的影响
。
[0024]优选地，建模后验证模块包括专家验证法和模型扰动分析法；
[0025]利用建模后验证模块，结合建模前先验知识库对
XAI
解释结果进行合理性评估，具体为：
[0026]结合建模前先验知识库，采用专家验证法或模型扰动分析法对
XAI
解释结果的合理性和有效性进行评估，以判断
XAI
解释结果是否能够准确表达土地利用变化与驱动因素之间复杂的非线性关系
。
[0027]优选地，采用专家验证法对
XAI
解释结果的合理性和有效性进行评估包括：根据土地利用变化驱动机制研究的目标确定多个验证任务；
[0028]将每个验证任务的验证指标设置为清晰度
、
准确性和可解释性，采取专家打分法确定每个验证指标的分数；
[0029]向专家提供建模前先验知识库以及
XAI
解释结果，以便专家对
XAI
解释结果的合理性和有效性进行评估
。
[0030]优选地，采用模型扰动分析法对
XAI
解释结果的合理性和有效性进行评估包括：基于
XAI本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种土地利用变化驱动因素的正负影响可视化和定量化方法，其特征在于，包括：基于可解释性人工智能
XAI
技术，构建可解释地理空间人工智能模型；所述可解释地理空间人工智能模型包括土地利用变化驱动机制的多级模型解释器；多级模型解释器包括建模前解释模块
、
建模中解释模块
、
建模后验证模块，所述建模前解释模块用于对建模前的土地利用变化驱动机制进行解释，建模中解释模块用于基于
XAI
方法对建模中的土地利用变化驱动机制进行定量化和可视化分析，建模后验证模块用于对建模后的土地利用变化驱动机制解释结果进行合理性评估；获取研究区域的土地利用变化数据和驱动因素数据集，并通过建模前解释模块对土地利用变化数据和驱动因素数据集进行驱动机制解释和知识发现，得到建模前先验知识库；通过建模中解释模块对可解释地理空间人工智能模型的模拟预测结果进行显示化破解，得到土地利用变化驱动机制的
XAI
解释结果；利用建模后验证模块，结合建模前先验知识库对
XAI
解释结果进行合理性评估
。2.
根据权利要求1所述的方法，其特征在于，通过建模前解释模块对土地利用变化数据和驱动因素数据集进行驱动机制解释和知识发现，得到建模前先验知识库，具体为：通过建模前解释模块中的驱动因素趋势分析
、
相关性分析或者重要性分析，对驱动因素数据集进行驱动机制分析
、
解释和可视化，以得到建模前先验知识库
。3.
根据权利要求1所述的方法，其特征在于，
XAI
技术包括
SHAP
可解释技术；通过建模中解释模块对可解释地理空间人工智能模型的模拟预测结果进行显示化破解，得到土地利用变化驱动机制的
XAI
解释结果，具体为：通过
SHAP
可解释技术，获取可解释地理空间人工智能模型的模拟预测结果在局域尺度上单个样本可解释力，以及全局尺度上的群体样本可解释力和特征重要性排序图；将单个样本可解释力
、
群体样本可解释力和特征重要性排序图映射到土地利用变化机制机理的图形化和定量化研究中，相应得到单个驱动因素对土地利用变化的影响程度
、
整体驱动因素对土地利用变化的影响程度
、
驱动因素概要图
。4.
根据权利要求3所述的方法，其特征在于，还包括：通过
SHAP
可解释技术，输出可解释地理空间人工智能模型的驱动因素概要图；对驱动因素概要图进行统计，获取各个驱动因素的正负影响贡献率；根据各个驱动因素的正负影...

【专利技术属性】
技术研发人员：巴图娜存，黄晓君，玉山，萨楚拉，包玉海，
申请(专利权)人：内蒙古师范大学，
类型：发明
国别省市：