粤港澳大湾区城市内涝易发性建模与二维城市化及三维建筑形态预测贡献分析:基于样本优化的XGBoost-SHAP框架

《Land》:Urban Waterlogging Susceptibility Modeling and Predictive Contribution Analysis of 2D Urbanization and 3D Building Morphology in the Guangdong–Hong Kong–Macao Greater Bay Area

【字体: 大 中 小 】 时间:2026年10月22日 来源:Land 3.5

编辑推荐:

  沿海城市群的城市内涝易发性受到水平城市化和垂直致密化的共同塑造,然而,在自然环境和二维(2D)城市化因素之外,三维(3D)建筑形态的增量解释贡献在城市群尺度上仍不明确。此外,数据驱动的内涝易发性建模受到历史内涝编目中伪缺失不确定性、空间冗余和类别不平衡的挑战。

  
沿海城市群的城市内涝易发性受到水平城市化和垂直致密化的共同塑造,然而,在自然环境和二维(2D)城市化因素之外,三维(3D)建筑形态的增量解释贡献在城市群尺度上仍不明确。此外,数据驱动的内涝易发性建模受到历史内涝编目中伪缺失不确定性、空间冗余和类别不平衡的挑战。本研究以2014—2020年内涝记录和多源空间数据为基础,在300 m网格尺度上对粤港澳大湾区(GBA)进行了分析。将基于核密度估计(KDE)的逆密度下采样与条件表格生成对抗网络(CTGAN)增强策略集成到XGBoost-SHAP框架中,并使用四个消融模型来量化二维城市化和三维建筑形态的相对及增量贡献。在分层随机分割评估下,样本优化模型实现了ROC-AUC和PR-AUC值分别为0.9681和0.8851。相对高和高易发区仅占研究区域的11.85%,但包含了95.04%的历史内涝记录,形成显著的多核心模式。消融分析表明,二维城市化因素比三维建筑形态提供了更大的独立预测效益,而三维形态在自然环境和二维城市化因素之外仍产生了适度的额外增益。SHAP识别出不透水面比例和道路密度具有最高的基于模型的预测贡献,其次是建筑体积和建筑高度,其中三维建筑形态因素表现出更强的阶段性非线性响应。这些发现表明,水平城市化对区域易发性评估提供了最大的预测贡献,而三维建筑形态通过细化密集开发区内部的易发性差异,发挥着补充而非替代作用。
在全球气候变化与快速城市化背景下,沿海城市群极端降水事件频发,城市内涝已成为威胁城市安全和可持续发展的重大问题。粤港澳大湾区(GBA)作为高密度沿海城市群,其内涝易发性不仅受自然地形、水文和降水条件影响,还与水平方向的城市扩张和垂直方向的建筑致密化密切相关。然而,已有研究多聚焦于单个城市或街区尺度,三维(3D)建筑形态在自然环境与二维(2D)城市化因素之外的增量贡献在城市群尺度上仍缺乏定量认知。同时,基于历史内涝记录的数据驱动建模面临伪缺失样本不确定性、空间冗余和类别不平衡等挑战,直接影响模型可靠性与机制解释的有效性。为此,研究人员以GBA为研究区,将2014—2020年2569条历史内涝记录(来源于政府水务部门、应急管理部门、新闻媒体和在线平台)与多源空间数据在300 m网格尺度上整合,构建了融合样本优化与可解释机器学习的内涝易发性建模框架,旨在量化2D城市化与3D建筑形态的预测贡献,并揭示关键因子的非线性、交互及空间异质作用。

在方法上,研究人员采用基于核密度估计(KDE)的逆密度下采样减少伪缺失样本的空间冗余,利用条件表格生成对抗网络(CTGAN)在训练集内进行过采样以缓解类别不平衡。通过特征选择和多共线性诊断,从19个候选变量中保留17个输入特征,涵盖自然因素、2D城市化因素(不透水面比例ISA、道路密度RD)和3D建筑形态因素(建筑高度BuildH、建筑体积BuildVol、空间拥挤度SCD、容积率FAR)。模型采用XGBoost(极端梯度提升)算法,并利用Optuna贝叶斯优化超参数。为评估3D形态的增量贡献,设置了四个消融模型:仅含自然因子(M1)、加入2D因子(M2)、加入3D因子(M3)以及全模型(M4)。模型性能通过独立测试集上的ROC-AUC、PR-AUC、F1分数和Cohen’s Kappa等指标评估,并结合SHAP(SHapley Additive exPlanations)进行可解释分析。

研究结果如下。4.1 模型性能与3D建筑形态的增量贡献:在分层随机分割下,样本优化XGBoost模型在测试集上达到ROC-AUC=0.9681、PR-AUC=0.8851,准确率0.9204,F1=0.8556。消融分析表明,M1性能最低;加入2D因子后M2显著提升;加入3D因子后M3提升有限,仍低于M2;全模型M4最优。与M2相比,M4加入3D因子后ROC-AUC提升0.0243,PR-AUC提升0.0462,配对自助抽样和空间分块交叉验证显示该增益稳定存在,但幅度小于2D因子带来的提升。这表明3D建筑形态提供的是补充信息,而非替代2D城市化指标。4.2 城市内涝易发性的空间分布格局:基于模型输出,用Jenks自然断点法将研究区划分为五个易发性等级。相对高和高易发区仅占全区面积的11.85%,却包含95.04%的历史内涝记录,呈现以珠江口为核心的多中心集聚格局,主要分布在广州、佛山、东莞、深圳等高度城市化区域;而低易发区占74.28%,集中于肇庆、惠州、江门等外围山地丘陵和生态空间。全局Moran’s I为0.8523,证实显著正空间自相关。4.3 全局SHAP贡献与关键因子非线性响应:SHAP结果显示,ISA和RD的平均绝对SHAP值最高,分别约0.32和0.23,为模型输出贡献最大的预测因子;其次是BuildVol和BuildH,约0.17和0.15。非线性响应上,ISA的SHAP在低值区为负,在0.25—0.45阈值后快速转正并持续上升;RD呈饱和型增长。BuildVol和BuildH则表现出阶段性非线性:从低值到中低值区间快速转正,但在极高值处增幅放缓或略有下降。相反,增强型植被指数(EVI)和地形起伏度(Relief)总体为负向贡献,但负效应逐渐趋于平坦。4.4 关键因子间的交互效应:SHAP交互分析显示,ISA与距水系距离(DW)的交互在低ISA时近零,高ISA时随DW水平分化;RD与DW在高RD、低DW时呈正交互;BuildVol与DW类似。Relief与ISA及BuildH的交互表明低起伏下两者正贡献更强。建筑高度与强降雨、道路密度、植被覆盖的交互也呈现条件依赖:在高降雨、高路网密度和低植被背景下,建筑高度的正贡献更突出。4.5 因子贡献的空间异质性:将SHAP值映射到空间,发现ISA、RD、BuildVol、BuildH的正贡献集中分布在珠江口沿岸的核心建成区,而EVI和Relief的负贡献广泛分布在外围生态山地。这些空间差异支持分区治理策略:高密度建成区应强调微更新和海绵化改造;城市扩展区需控制开发强度并保留蓄滞空间;生态外围区应保护蓝绿空间和连通性。

讨论部分指出,样本优化策略有效缓解了伪缺失和类别不平衡问题,KDE下采样与CTGAN增强提供了互补增益。2D因子贡献大于3D因子,但3D形态通过刻画垂直发展强度,在类似不透水覆盖率区域中细化了易发性差异。研究仍存在历史记录报告偏差、数据时间不一致以及缺少管网和排水设施数据等局限。结论方面,本研究在300 m网格尺度上,融合样本优化与XGBoost-SHAP框架,评估了粤港澳大湾区的城市内涝易发性并解析了因子贡献。第一,在KDE伪缺失下采样与CTGAN增强策略下,XGBoost模型具备较强判别能力,ROC-AUC和PR-AUC分别为0.9681和0.8851;相对高和高易发区仅占研究区的11.85%,但包含95.04%的内涝记录,呈围绕珠江口的多核心集聚,低易发区主要分布于外围山地丘陵和生态区域。第二,2D城市化因素的预测贡献大于3D建筑形态因素,ISA和RD贡献最高,其次为BuildVol和BuildH;在自然环境和2D因子基础上加入3D因子仅带来适度的ROC-AUC和PR-AUC增益,且该增益小于2D因子自身带来的增益,说明3D建筑形态提供的是补充而非替代信息,其主要价值在于精细区分高密度建成区内部的垂直发展差异。第三,关键因子贡献呈现明显的非线性、交互和空间异质性:ISA和RD总体为持续正贡献;建筑形态因子呈阶段性响应;建筑形态的贡献受降水、路网、植被、距水系距离和地形起伏的调节;空间上,2D和3D建成因子的正贡献集中于核心建成区,植被和地形因子的负贡献则多见于外围生态山地。总体而言,水平城市化对区域易发性评估贡献最大,而三维建筑形态的补充作用有助于细化高密度区域内的易发性空间差异,为粤港澳大湾区差异化内涝治理和气候适应性规划提供了空间明确证据。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

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