破解AI黑箱：可解释人工智能让灾害预测透明可信 | 卓越亮点

地球进入更热、更急、更复杂的时代，传统基于物理与统计的灾害模型正被AI加速刷新，但“黑箱”增加了决策不确定性。悉尼科技大学Pradhan在Geoscience Frontiers发文称，可解释人工智能（XAI，eXplainableAI）是破题关键，可揭示模型如何利用输入变量、在何处识别风险，使洪水、干旱、滑坡等空间建模更透明、可审计，更易纳入政府与行业的风险治理流程。

相关研究从地学角度串起“数据—模型—解释”全链条：在“4V”数据（体量大、更新快、来源杂、真伪不一）与气候模式下行的信噪比挑战下，XAI把“做准”变为“为什么做准”。方法上区分2类路径：一是本征可解释模型（如注意力网络、NBDT、GAM、GNN），二是后验解释工具（SHAP、LIME）。案例显示，基于SHAP的变量重要度与耦合分析，已用于不丹/美国滑坡易发性、美国肯塔基洪水易感性、澳东干旱预测与新西兰降雨重建，提高精度并回答“为何在这里、为何在这时”。

XAI的核心并非复杂算法，而是“可验证的理由”。

• 在城市内涝评估中，它能量化“不透水面比例”“距排水通道距离”等要素如何叠加放大积涝深度；

• 在农业干旱监测中，它能解释“前期土壤水分—当季降水—植被荧光（SIF）”的链式影响；

• 在山地灾害治理中，它能区分“短历时强降雨触发的浅层滑坡”与“长期地下水抬升引发的深层滑坡”的不同敏感因子。
  

Pradhan也提醒，XAI需要更高质量与更均衡覆盖的观测（尤其在发展中地区），需要与物理机理对表以避免“相关当因果”，需要建立跨地区可迁移与可复现的评测基准，还要在极端事件定义不一的前提下，保持解释的稳健性与边界感。