22、地理空间数据分析中的可解释AI与以数据为中心的方法

地理空间数据分析中的可解释AI与以数据为中心的方法

1. 可解释深度学习在建筑足迹映射中的应用

在地理空间分析中，使用可解释深度学习进行高分辨率图像的建筑足迹映射是一项重大进展。深度卷积神经网络（CNN），尤其是像U - Net这样的语义分割架构，极大地提高了从卫星图像中描绘建筑结构的精度和效率。

1.1 U - Net模型的问题

U - Net模型在识别建筑足迹时，可能会过度依赖屋顶的颜色和纹理等特征，而不是理解建筑的整体结构。这可能导致模型学习到数据集中的特定特征，而非与建筑相关的通用模式，即学习到虚假相关性。这会使模型在特定数据集上表现良好，但在现实世界的其他数据集上难以泛化。

1.2 Grad - CAM的局限性

• 定性评估 ：Grad - CAM提供的是定性而非定量评估。热力图能直观显示模型的关注区域，但无法提供这些区域对整体性能贡献的定量指标，这使得仅基于Grad - CAM可视化比较模型变得困难，需要结合定量性能指标进行更全面的评估。
• 分辨率与细节的权衡 ：高分辨率图像能提供更多细节，但会增加解释的复杂性。例如，比较使用256x256像素分辨率的U - Net模型1和使用512x512像素分辨率的U - Net模型4，模型4的高分辨率能带来更好的聚焦效果，但增加的细节会使准确解释热力图变得更难，因为模型可能会更突出地显示较小、不太重要的特征。

1.3 数据质量的重要性

以数据为中心的可解释深度学习方法强调数据质量的重要性。训练数据集的大小和图像质量等因