《Sustainability》:Hydrological Performance of Green Roofs: A Combined SWMM and SHapley Additive exPlanations-Based Analysis of Runoff Reduction Mechanisms
编辑推荐:
摘要:绿色屋顶(Green Roofs, GRs)被用作城市雨水管理的基于自然的解决方案(Nature-Based Solutions, NBSs),并可改善建筑的热工性能。其水文性能取决于结构属性和降雨特征,但这些因素的相对重要性尚未得到充分量化。因此,本研
摘要:绿色屋顶(Green Roofs, GRs)被用作城市雨水管理的基于自然的解决方案(Nature-Based Solutions, NBSs),并可改善建筑的热工性能。其水文性能取决于结构属性和降雨特征,但这些因素的相对重要性尚未得到充分量化。因此,本研究旨在识别控制绿色屋顶水文效能的关键变量。研究人员在暴雨管理模型(Storm Water Management Model, SWMM)中建立了代表波兰东南部典型独户住宅的平屋顶概念模型,建模屋顶面积为232 m2,100%的屋顶表面覆盖绿色屋顶低影响开发(Low Impact Development, LID)系统。共分析了24,576个模拟工况,考虑了土壤厚度(Soil Thickness, St)、挡水堰高度(Berm Height, Bh)、初始基质饱和度(Percentage Initial Saturation, PIss)、植被相关蓄水量(Vegetation Depression Storage, Vds)、降雨历时(Rainfall Duration, Rt)、降雨超越概率(Rainfall Exceedance Probability, Rp)及降雨时程分布(Half-Duration Rainfall Ratio, Rhd)的不同取值。采用峰现径流削减率(Peak Runoff Reduction, RQ)和选定时刻的累积径流量比(Cumulative Runoff Volume Ratio, RV(t))评价水文响应。建立了基于极端梯度提升(eXtreme Gradient Boosting, XGBoost)算法的预测模型,并利用SHapley Additive exPlanations(SHAP)方法进行了解释。本研究的主要创新在于采用面向应用的框架,结合SWMM模拟、XGBoost建模和SHAP可解释性分析,区分了控制绿色屋顶峰现径流削减和延迟径流释放的影响因素。结果表明,峰现径流削减率在10.97%至100.00%之间,中位数为99.91%,表明所分析系统普遍具备较高的削峰能力。相反,累积径流量比随时间增加,中位数从降雨刚结束时的0.05%上升至24 h后的7.91%,证实了绿色屋顶显著的滞留和滞蓄潜力。SHAP分析揭示,峰现径流削减主要由挡水堰高度(Bh)控制,而累积径流量主要由基质初始饱和度(PIss)控制。结果确认了不同机制分别控制绿色屋顶的短期和长期水文性能。
论文解读——《Hydrological Performance of Green Roofs: A Combined SWMM and SHapley Additive exPlanations-Based Analysis of Runoff Reduction Mechanisms》(发表于《Sustainability》)
一、研究背景与意义
快速城市化导致不透水下垫面增加,改变了天然水文循环,使地表径流体积增大、汇流时间缩短,加之气候变化导致极端降雨频发,城市排水系统过载及洪涝风险上升。传统集中式排水系统适应性有限且扩建成本高,基于低影响开发(Low Impact Development, LID)或最佳管理措施(Best Management Practices, BMPs)的海绵城市建设日益受到重视。绿色屋顶(Green Roof, GR)作为典型LID设施,可通过植被层、基质层及排水层的拦蓄、下渗、蒸发作用削减峰值流量、延迟产流并减少径流体积。然而,现有文献对绿色屋顶结构属性(如基质厚度、挡水堰高度、植被蓄水)、前期土壤湿度条件及降雨特征(历时、强度、时程分布)三者相对重要性缺乏系统性量化,且多数研究未同时区分短时段峰流削减与长时段累积径流释放的控制因子。为填补这一空白,研究人员采用过程模拟与机器学习可解释性分析相结合的方法,定量识别并比较各因子对绿色屋顶水文性能的贡献度,为优化设计提供科学依据。
二、主要技术方法概述
研究人员以波兰东南部典型独栋住宅平屋顶(面积232 m2)为对象,在暴雨管理模型(Storm Water Management Model, SWMM 5.2.3)中分别建立传统屋面参照情景和采用LID模块的绿色屋顶情景。选取七项输入变量——基质厚度(St:50–150 mm)、挡水堰高度(Bh:5–30 mm)、初始基质饱和度(PIss:0%–100%)、植被表面洼地蓄水(Vds:1–4 mm)、降雨超越概率(Rp:1%、2%、5%、50%)、降雨历时(Rt:15–120 min)及半历时雨量比(Rhd:0.3–0.7),全因子组合生成24,576个SWMM模拟工况。提取各工况下绿色屋顶与传统屋面的峰现流量以计算峰径流削减率 RQ,以及雨止后0 h、0.25 h、0.5 h、1 h、2 h、3 h、6 h、12 h、24 h的累积径流量比 RV(t)。将模拟数据集按7∶1.5∶1.5划分为训练集、验证集与测试集,建立极端梯度提升(eXtreme Gradient Boosting, XGBoost)回归代理模型,经贝叶斯超参数优化与早停法防止过拟合。最后应用TreeExplainer算法计算SHapley Additive exPlanations(SHAP)值,以平均绝对SHAP值评估全局特征重要性,通过蜂群图(Beeswarm Plot)分析变量影响方向与非线性关系,分别针对 RQ和各时刻 RV(t) 进行机理解释。
三、研究结果
3.1. Hydrological Performance of the Green Roof(绿色屋顶的水文性能)
经24,576组模拟统计,峰径流削减率 RQ范围为10.97%–100.00%,中位数99.91%,上四分位数为100%,呈负偏态分布,说明大多数情景下绿色屋顶几乎完全消除峰值流量。累积径流量比 RV(t) 雨止即刻中位数仅0.05%,随排水过程逐渐升高,1 h后0.52%,6 h后3.19%,24 h后达7.91%;分布为正偏态且随时间的推移峰度降低、离散度增大。表明该系统兼具强峰流衰减与显著滞留、延迟排放功能。
3.2. Machine Learning Model Performance(机器学习模型性能)
XGBoost代理模型对训练集、验证集及测试集的决定系数 R2均为0.999,均方根误差(RMSE)与平均绝对误差(MAE)极低且在子集间一致,证实模型无过拟合并高精度复现SWMM响应曲面,可用于后续SHAP解释。
3.3. SHAP-Based Feature Importance Analysis(基于SHAP的特征重要性分析)
3.3.1. SHAP Analysis—Peak Runoff Reduction(峰径流削减率的SHAP分析)
模型基准值(Base Value)为平均峰削减率88.922%。全局重要性排序:挡水堰高度(Bh,平均|SHAP|=12.23%)?降雨超越概率(Rp,4.88%)>降雨历时(Rt,4.04%)>初始饱和度(PIss,3.21%)>半历时雨量比(Rhd,1.71%)>基质厚度(St,1.30%)>植被洼地蓄水(Vds,1.11%)。Bh正向(较大值提升削减率),Rp、Rt、PIss增大会降低削减率。结论:峰流削减主要受表面临时蓄存容量(即挡水堰高度)控制,其次受降雨输入与前期湿度影响,基质与植被参数影响较小。
3.3.2. SHAP Analysis—Cumulative Runoff Volume Ratio(累积径流量比的SHAP分析)
雨止即刻(t=0 h),重要性最高为 Bh、Rt、Rp(降雨与表面存储主导);随着时间延长,降雨特征重要性递减,基质相关变量重要性递增;至 t=24 h 时,初始饱和度 PIss(平均|SHAP|=9.52%)成为最重要因子,依次为 Rp(5.81%)、Bh(5.62%)、St(4.94%)、Rt(4.77%),Vds与 Rhd仍较低。PIss与 Rp、Rt增大使 RV(t) 升高(更多径流),Bh、St、Vds增大使 RV(t) 降低(更好滞留)。结论:绿色屋顶水文响应具双区制特征——早期径流受降雨强迫与表面存储控制,后期累积径流释放受基质可用储水容量及前期湿度(PIss)控制。
四、讨论与结论总结
讨论部分指出:(1) SWMM–XGBoost–SHAP 集成框架可有效量化LID设施中各因子的相对贡献,弥补了传统水文模型"黑箱"参数敏感性分析的不足;(2) 峰流削减与累积径流由不同主导机制控制,工程设计需依目标权衡——增大挡水堰高度(Bh)最利于削峰,而增加基质厚度(St)并确保较低初始饱和度(PIss)利于长期滞留,二者协同可实现综合效益;(3) 植被洼地蓄水(Vds)与降雨时程分布(Rhd)在所选参数范围内影响有限,但不同气候区或扩大参数域可能改变排序;(4) 局限包括未用实地数据校准、未考虑植物季相变化与蒸散(ET)、结论适用范围受SWMM设置及参数空间约束。
结论(Conclusions)翻译浓缩:
广泛模拟表明所研究扩展型绿色屋顶具高水文效益——RQ中位数99.91%,RV(t) 24 h中位数7.91%。集成SWMM、XGBoost与SHAP的方法可分别量化峰流削减与延时累积径流的主控因子。(1) 挡水堰高度(Bh)是峰径流削减最主要控制参数;(2) 降雨特征(Rp、Rt)对峰削减与早期累积径流影响显著;(3) 初始基质饱和度(PIss)是长时段累积径流量的主控因子;(4) 基质厚度(St)有助于长期滞留,植被洼地蓄水(Vds)与降雨时程分布(Rhd)影响相对较小;(5) 变量影响方向一致——PIss、Rp、Rt增大促进径流,Bh、St、Vds、Rhd增大增强滞留削减径流。绿色屋顶具双区制水文响应:短期峰削减由表面存储与降雨输入主导,长期累积径流由基质存储与排水过程主导。研究结果受参数范围及SWMM假设限制,未来需拓展至其他绿色屋顶类型、气候区并以实测数据验证。