热点事件持续更新
研究团队提出Local Spatial TreeSHAP空间可解释机器学习框架
1 篇报道1 个报道来源15 小时前更新
先了解这件事
AI 综述
2026年11月，相关研究团队在arXiv发布成果，提出一种结合地理加权随机森林与Local Spatial TreeSHAP算法的空间可解释机器学习框架，旨在社区尺度解析城市洪涝韧性机制。该框架被应用于受2023年7月北京极端暴雨影响的779个社区进行验证，结果显示其SHAP值空间自相关较预测变量平均降低了66.2%，并揭示出横跨城镇化梯度的三种不同韧性模式。
AI 根据报道生成 · 11 小时前更新
最新进展11月3日 13:00
研究团队提出Local Spatial TreeSHAP框架并完成北京洪涝案例验证。报道时间线
沿着报道，了解事件的不同侧面。
11月3日
- arXiv 机器学习Local Spatial TreeSHAP：基于地理可解释 AI 揭示洪涝韧性的城镇化空间异质性
该研究提出结合地理加权随机森林与 Local Spatial TreeSHAP 算法的空间可解释机器学习框架，用于在社区尺度解析城市洪涝韧性机制。该框架应用于受 2023 年 7 月北京极端暴雨影响的 779 个社区，显示 SHAP 值空间自相关较预测变量平均降低 66.2%，并揭示出横跨城镇化梯度的三种不同韧性模式。
本事件热度走势
当前热度 7·可比范围峰值 9（11月3日 18:00）·近 24 小时可比范围变化–
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。