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； 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； 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； 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响贡献率进行排序，得到重要性排列图； 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； 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单个驱动因素的SHAP依赖图； 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； 建模后验证模块包括专家验证法和模型扰动分析法； 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： 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。

2.根据权利要求1所述的方法，其特征在于，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； 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； 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。

3.根据权利要求1所述的方法，其特征在于，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解释结果中的重要性排列图，依次去除重要性排列图中影响最小的驱动因素，得到多个重组后的可解释地理空间人工智能模型， 对重组前的可解释地理空间人工智能模型的模拟预测结果与重组后的可解释地理空间人工智能模型的模拟预测结果进行对比分析，以评估XAI解释结果的合理性和有效性。

4.根据权利要求1至3任一所述的方法，其特征在于，在获取研究区域的土地利用变化数据和驱动因素数据集之后，还包括： 采用不同的重采样方法对土地利用变化数据进行重采样，以生成不同数据集； 使用不同数据集对可解释地理空间人工智能模型进行训练，确定不同数据集对应的可解释地理空间人工智能模型准确率； 以准确率最高的可解释地理空间人工智能模型作为训练好的可解释地理空间人工智能模型。

请联系平台

请联系平台