黄土湿陷系数预测方法以回归分析为主，但受黄土区域性影响显著，预测准确度不足。现有的机器学习预测方法存在解释性局限。针对陇西地区黄土，通过相关性与聚类分析筛选密度、饱和度、自重应力、液限和内摩擦角5个关键影响因素，基于极端梯度提升树（extreme gradient boosting，简称XGBoost）、随机森林（random forest，简称RF）、支持向量机（support vector machine，简称SVM）和回归分析方法构建了黄土湿陷系数预测模型，并结合沙普利加性解释（Shapley additive explanations，简称SHAP）技术对预测结果进行了可解释性分析。研究结果表明：陇西黄土湿陷系数与密度、干密度、孔隙比、饱和度、内摩擦角等指标的相关系数在0.63～0.90之间，具有极强或强的相关性；XGBoost模型和RF模型的湿陷系数及湿陷性等级预测准确率均超90%，性能优于SVM模型和回归方法。SHAP分析揭示，密度小于1.44 g/cm

3

的黄土湿陷概率较高，饱和度大于29.0%的黄土湿陷等级相对较低，且处于高饱和度、高自重应力状态下的黄土湿陷倾向性更弱，湿陷性等级更低。研究结果可为陇西地区黄土工程建设提供理论参考。