全生命周期城市内涝风险的空间异质性与归因分析:基于安全-经济-环境框架及可解释 MCDM-XGBoost-GWRF 模型的见解

《Journal of Hydrology》:Spatial heterogeneity and attribution analysis of urban flood risk throughout the full lifecycle: insights from a safety-economy-environment framework and an interpretable MCDM-XGBoost-GWRF model

【字体: 大 中 小 】 时间:2026年10月21日 来源:Journal of Hydrology 7.3

编辑推荐:

   - 在城区范围内开展了洪涝风险评估。 - 利用多准则决策制定模型构建了洪涝风险指数。 - 基于XGBoost-GWRF-SHAP模型识别了洪涝风险的影响因素。 - 建立了可解释的洪涝风险评估模型,得出更为合理的结果。 ## 引言 在全球气候变化和快速城市化叠加影响的驱动下

  

- 在城区范围内开展了洪涝风险评估。
- 利用多准则决策制定模型构建了洪涝风险指数。
- 基于XGBoost-GWRF-SHAP模型识别了洪涝风险的影响因素。
- 建立了可解释的洪涝风险评估模型,得出更为合理的结果。

## 引言

在全球气候变化和快速城市化叠加影响的驱动下,城市洪涝灾害呈现出频率增加、降水极端性升级和空间范围扩大的显著趋势(Balaian等,2024)。过去几十年来,全球极端降雨事件的强度和持续时间均有不同程度的增加,短时强降雨对城市排水系统造成了巨大压力(Mester等,2025;Qin等,2025)。对于中国许多典型的发展中城市而言,夏季暴雨的集中性和年降水量时空分布的不均匀性使得这些地区极易在短时间内产生大量地表径流。此外,城市化导致的不透水地表面积扩大进一步加剧了径流生成和汇流过程的突变性和严重性(Huang和Xiao,2025;Tang等,2024a)。大量研究表明,极端暴雨事件与城市建成环境的耦合已使城市洪涝演变为一种复杂的系统性灾害。该灾害涉及自然水文过程、基础设施功能以及人类活动空间组织等多重因素的叠加,具有高度非线性、复杂性和空间异质性特征(Huang等,2025;Wang等,2025a)。

在当前的城市规划和防洪管理中,洪涝风险评估仍严重依赖以工程排水设计标准为核心的传统范式(Liu等,2025)。这些方法主要基于线性叠加、单情景模拟或有限暴雨事件的实证分析,往往忽视了致灾因子、暴露度、脆弱性和适应能力共同影响下的复杂多因素耦合过程。当前洪涝风险评估研究主要分为两类:二维或三维(2D/3D)水动力建模,以及利用支持向量机(SVM)和随机森林(RF)等机器学习算法的指标评估体系。以SWMM和InfoWorks ICM为代表的水文模型侧重于区域水文过程,旨在通过分析降水、下垫面条件和排水管网设施等基本要素来模拟径流汇流和入流过程(Figueroa-Miranda等,2025)。虽然水文模型能准确识别淹没区域,但它们往往缺乏对风险的整体性视角。此外,模拟精度的提升显著受限于数据可用性——这一局限难以仅通过构建指标体系加以解决(Piadeh等,2022)。相反,传统指标法主要依赖城市空间数据,各指标图层的权重通过多准则决策方法确定(Jaafari等,2024)。随着地理信息系统(GIS)的进步,分析单元已达到像元尺度;然而,该方法仍高度依赖权重的无偏估计,缺乏针对历史城市洪涝事件的验证机制。因此,现有研究在模型选择上往往面临精度与普适性之间的权衡:水动力模型擅长过程模拟但受限于数据稀缺,而指标法虽具有空间可比性但往往缺乏实证验证(Seydi和Sadegh,2025;Yan等,2025)。

随着城市空间数据精度和可及性的显著提升,源自遥感、地理大数据、城市功能数据和洪水模拟的多源时空数据已被广泛应用于洪涝研究(Xing等,2025)。与此同时,机器学习(ML)在处理高维度、多源和非规则特征数据方面展现出显著优势。特别是XGBoost等集成学习模型,在解构复杂非线性关系、排名变量重要性和识别特征交互效应方面具备独特能力(Ma等,2021;Wang等,2023)。然而,尽管机器学习提供了精确的预测结果,传统"黑箱"模型固有的不透明性导致其缺乏可解释性,从而限制了其在风险治理、城市规划和政策制定中的可信度和适用性。为解决这一局限,可解释人工智能(XAI)方法如SHAP近年来应运而生。这些方法使机器学习模型能够量化每个特征的正向、负向贡献以及边际贡献和交互效应,在保持高预测性能的同时增强了模型透明度(Tang等,2024b;Zhou等,2024)。

城市洪涝风险具有典型的空间异质性特征。由于微地形变化、排水管网老化与布局不均以及土地利用结构差异等因素,城市洪涝过程表现出空间非平稳性,不同区域驱动因素的效应强度和方向存在显著差异(Wu等,2023)。因此,不考虑此类空间异质性而直接应用全局机器学习模型,可能会获得较高的拟合度,但这些模型难以阐明局部地区的风险分化机制。地理加权机器学习(GWML)为解决这一问题提供了有前景的方案。通过构建空间局部模型,GWML能够有效分析不同位置上特征贡献的变化,代表了城市微尺度洪涝研究的重要发展方向(Gu等,2025)。

现有的城市洪涝风险评估往往侧重于灾前预防或灾中应急响应,对洪涝从形成、发展到消退和恢复的全生命周期关注有限(Wang等,2025b)。传统的"危险性—暴露度—脆弱性"(HEV)框架通常相对独立地评估这三个风险要素,并通过静态加权聚合进行整合,难以充分捕捉水力扰动、基础设施响应、社会经济集中度和生态调节之间的相互作用(Alves等,2020;Zhou等,2025)。为克服这一局限,本研究提出了一个"安全—经济—生态"(SEE)框架,在保留危险性、暴露度和脆弱性基本概念的同时,按照城市功能子系统重新组织风险因素。安全维度整合了洪涝危险性与工程基础设施及应急响应能力;经济维度刻画了人口和经济暴露度以及潜在损失的敏感性;生态维度反映了地形、植被和土地利用条件对洪涝过程的调节作用。通过这种方式,SEE框架将洪涝过程、社会经济影响和生态调节与灾前预防、灾中应急响应和灾后恢复联系起来,为全生命周期城市洪涝风险评估提供了理论基础。

在SEE框架的基础上,本研究开发了一种整合多准则决策分析、可解释机器学习和空间异质性分析的综合城市洪涝风险评估方法。该框架不仅旨在表征不同降雨强度下洪涝风险的空间分布,还旨在识别非线性驱动机制及其空间变异性效应。据此,本研究探讨三个关键科学问题:(1)焦作市主城区的洪涝风险空间格局如何随不同降雨重现期而演变?(2)多种驱动因素如何通过非线性、阈值依赖和交互机制影响城市洪涝风险?(3)这些驱动机制在多大程度上表现出空间异质性,这些局部变化如何为差异化的洪涝风险治理提供信息支持?

本研究的主要创新与贡献总结为以下三个方面:

(1)构建了多维"安全—经济—生态"(SEE)理论框架,实现对城市洪涝风险的系统全生命周期分析。与传统侧重于危险性强度或排水能力的单一维度风险框架不同,所提出的SEE框架整合了自然、水文、工程、社会经济和生态因素,实现从致灾因子到承灾体的综合建模,覆盖从暴露度到适应能力的完整链条。

(2)基于MCEWM-VIKOR方法构建洪涝风险指数,实现多维指标的综合定量评估。与主观判断不同,融合蒙特卡洛模拟的熵权法(EWM)自动识别不同指标的信息贡献,从而增强了评估结果的客观性和稳定性。此外,VIKOR方法在相互冲突的指标间识别妥协方案,使风险评估更贴近实际场景。

(3)整合XGBoost-SHAP和GWRF模型,阐明非线性效应、关键阈值和空间异质性,实现从风险预测到可解释分析的跨越。

## 研究区概况

焦作市位于中国中部河南省西北部,北依太行山,南临黄河(图1)。作为黄河盆地的重要城市,焦作地处黄河中下游过渡带,表现出明显的山—平原过渡特征。研究区域覆盖焦作市主城区,是全市的政治、经济和文化中心。

## 方法论

本研究建立了一个综合全生命周期城市洪涝风险评估框架,并基于多模型协同机制进行了系统分析。本文的研究流程图见图2。首先,利用多准则决策制定(MCDM)方法,纳入15个不同的评估因子,量化了各种暴雨情景下洪涝风险的时空分布格局。其次,构建了一个多维指标体系。

## 多尺度洪涝风险分布的时空演变

本研究采用多维空间分析方法,系统揭示了五种不同降雨重现期下城市洪涝风险的空间分布特征。趋势面分析表明,沿X轴(东西方向)和Y轴(南北方向)存在显著的空间梯度变化,洪涝风险强度从城市中心向外围区域逐渐减弱。Z值(代表洪涝风险指数)在城市中心区域达到峰值。

## 模型性能的定量比较

为验证将空间异质性和非线性特征纳入城市洪涝风险建模的重要性,本研究比较了四种代表性方法,包括普通最小二乘法(OLS)、随机森林(RF)、XGBoost和地理加权随机森林(GWRF),并以R2、RMSE和MAE作为评估指标(图16)。为确保公平比较,所有四种模型采用了相同的训练集与测试集划分方案,并基于完全相同的独立测试集进行评估。

## 结论

本研究开发了一个整合多维"安全—经济—生态"框架的全生命周期城市洪涝风险评估体系,系统地评估了焦作市主城区洪涝风险的空间分布格局和相互作用机制。通过耦合多准则决策制定(MCDM)与可解释的XGBoost-SHAP和GWRF模型,深入解析了关键影响因素的全局驱动力、非线性阈值效应和空间异质性。在此基础上,我们提出了……

## 数据资助来源

本研究部分得到河南省自然科学基金(项目编号:252300421086)、河南省科技研发计划联合基金重点项目(项目编号:245200810028)、国家自然科学基金委员会(项目编号:42477172)、河南省高校和大学科技创新人才计划(项目编号:24HASTIT026)以及青年支持计划的资助。

## CRediT作者贡献声明

贾浩:撰写—审阅与编辑、撰写—原始稿、可视化、验证、监督、软件、方法论、资金获取、数据整理、概念构思。
邸丹阳:撰写—审阅与编辑、撰写—原始稿、可视化、验证、软件、方法论、资金获取、数据整理、概念构思。
陈卓:监督、资金获取、概念构思。
张兆洋:撰写—审阅与编辑、监督、软件、方法论。

## 未引用参考文献

Alizadeh等,2024;Zhou等,2025a;Zhou等,2025b。

## 利益冲突声明

作者声明不存在任何可能影响本文所述工作的已知竞争性经济利益或个人关系。

贾浩 | 邸丹阳 | 陈卓 | 张兆洋 | 齐美琴 | 李杰
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号