基于可解释机器学习的库岸滑坡变形关键控制因素辨识方法

本发明涉及一种基于可解释机器学习的库岸滑坡变形关键控制因素辨识方法，具体包括步骤S1：获取及预处理滑坡变形数据及环境数据；步骤S2：从环境数据中的库水位数据和降雨数据中提取潜在控制因素；步骤S3：使用XGBoost梯度提升算法建立潜在控制因素和变形数据间的预测模型；步骤S4：计算每个潜在控制因素在XGBoost预测模型中的SHAP值，基于SHAP值对潜在控制因素进行重要性排序并可视化；S5：使用SVM算法建立筛选后关键控制因素与变形数据间预测模型，结合预测模型表现对关键控制因素进行验证与评估。本发明利用XGBoost‑SHAP方法的可解释性机制，通过引入模型可解释性，掌握了每个控制因素对滑坡变形的重要性以及不同控制因素间的相互作用，提升了关键控制因素辨识的准确性。