Новый метод ИИ улучшает прогнозирование и интерпретацию овражной эрозии

Исследователи из Университета Иллинойса в Урбане-Шампейне использовали новый подход на основе искусственного интеллекта, сочетающий машинное обучение с инструментом интерпретируемости, чтобы улучшить прогнозирование образования оврагов и понимание работы моделей. Методологию протестировали на территории округа Джефферсон в штате Иллинойс. Исследование опубликовано в Journal of Environmental Management.

Овражная эрозия — наиболее серьёзная форма эрозии почвы, которая может внезапно активироваться одним сильным ливнем, нанося ущерб сельскохозяйственным угодьям и приводя к потере почвы и стоку питательных веществ. Точное прогнозирование уязвимых зон позволяет эффективнее планировать меры по сохранению почв. Учёные оценили 44 ансамблевые (stacking) модели, объединяющие разные одиночные алгоритмы. Наилучшая ансамблевая модель показала точность прогноза 91.6%, по сравнению с 86% у лучшей индивидуальной модели.

Для повышения прозрачности модели команда применила метод объяснимого ИИ под названием SHapley Additive exPlanations (SHAP). Этот инструмент показывает, как различные переменные влияют на вывод модели. Анализ SHAP выявил, что наиболее значимым фактором во всех базовых моделях является годовой индекс листовой поверхности сельскохозяйственных культур: большее покрытие листьями снижает прямое воздействие дождя на почву, уменьшая эрозию. Как отметил соавтор работы Хорхе Гусман, объяснимый ИИ предоставляет метрики, позволяющие понять, как переменные влияют на прогнозы и взаимодействуют друг с другом.