综合水文灾害指数(Hydro-Hazard Index, HHI)用于旱涝风险评估:一种多时序机器学习方法

《Sustainability》:Integrated Hydro-Hazard Index (HHI) for Drought-Flood Risk Assessment: A Multi-Temporal Machine Learning Approach

【字体: 大 中 小 】 时间:2026年07月22日 来源:Sustainability 4.1

编辑推荐:

  气候变化正在加剧水文极端事件,然而多数框架独立评估干旱与洪涝灾害,限制了综合风险管理。研究人员提出一种二维分析框架以刻画旱涝连续体,超越单一指数方法。研究人员引入Hydro-Hazard Index(HHI)作为方向性度量(HHI = Flood Severi

  
气候变化正在加剧水文极端事件,然而多数框架独立评估干旱与洪涝灾害,限制了综合风险管理。研究人员提出一种二维分析框架以刻画旱涝连续体,超越单一指数方法。研究人员引入Hydro-Hazard Index(HHI)作为方向性度量(HHI = Flood Severity ? Drought Severity)以判别主导灾害类型,并引入Total Severity Index(TSI = Flood Severity + Drought Severity)作为补充度量以量化整体灾害量级。基于2018–2024年115个六边形空间单元的多时序数据,研究人员采用动态特征(趋势、变化、波动性)与四种机器学习模型,依据经验证洪水记录将区域分类为“易涝”。结果表明HHI介于?2.44至8.81,20.9%区域为洪涝主导型(均值HHI=4.58),79.1%为常态型(均值HHI=0.76)。关键在于二维分析揭示相同HHI可对应差异巨大的TSI,凸显双指数方法重要性。随机森林预测易涝状态性能最优(Accuracy=0.913,AUC=0.967,Recall=1.00),flood_volatility为最重要预测因子(24.2%)。空间自相关确认高风险区强聚集(Moran’s I=0.716,p<0.001)。该框架通过将旱涝作为区分但交互的维度分析,为综合风险评估提供更稳健且精细的工具,支持水文不确定性下的可持续水资源管理与气候适应规划。
研究背景方面,气候变化背景下水文极端事件频次与强度上升,旱涝交替或并发现象增多,但既有风险评估多将干旱与洪水作为独立灾害处理,采用分离监测与预警体系,难以刻画旱涝连续体动态,易导致适应性策略偏差。传统综合指数如Standardized Drought-Flood Index(SDFI)与Composite Hydrological Extremes Index(CHEI)常将二维灾害压缩为单维且依赖权重假设,丢失信息。机器学习虽在单灾种易感性与预报中表现优异,但少有研究将其用于旱涝集成分类,且易陷于目标泄露。为此,研究人员以泰国东北部Maha Sarakham省Chi河上游流域为案例,提出保留原始二维结构的HHI–TSI框架,并结合动态时序特征与可解释机器学习开展集成风险评价。该研究发表于《Sustainability》,其意义在于为SDG 6、11、13提供可操作的空间决策工具。
关键技术方法上,研究人员以H3地理索引系统分辨率H7划分115个六边形单元,洪涝严重度取2018、2021、2022三年均值(1–14标度),干旱严重度取2019、2020、2023、2024四年均值(0–18标度);为避免目标泄露,二分类标签“flood-prone”独立依据2018与2022年文献洪水记录且平均洪涝严重度≥7定义。动态特征工程提取9个变量:趋势(OLS斜率)、波动性(标准差)、年际变化(相邻及跨年差值)。比较随机森林、XGBoost、LightGBM、Gradient Boosting四类模型,训练测试按分层随机抽样8:2划分,5折交叉验证,采用准确率、精确率、召回率、F1、AUC评价;以SHAP解释最优模型,以PCA验证维度正交性,以Moran’s I(999次置换)检验空间自相关,并以Youden指数、Jenks自然断点、阈值敏感分析确定HHI>3分界。
研究结果部分,3.1节分布特征显示HHI范围?2.44至8.81,均值1.56,20.9%单元为洪涝主导(HHI>3,均值4.58),79.1%常态(均值0.76),Welch t检验p<0.001;二维散点中同HHI可对应低或高TSI,证明须联合TSI识别复合风险。3.2节相关分析表明洪涝年际间中等相关(2018与2022的Pearson r=0.260),干旱年际强相关(2020与2024的r=0.798),旱涝变量呈弱负关(≤?0.207),HHI与Flood_2022强正关(r=0.713)、与Drought_2024强负相关(r=?0.528)。3.3节趋势与波动性显示洪涝类单元flood_volatility为常态类1.77倍(4.44对2.51),drought_volatility反之常态类更高(1.28对0.66);趋势模式分类中“旱减涝增”占24.3%、“旱增涝减”占23.5%。3.4节机器学习分类中随机森林Accuracy=0.913、AUC=0.967、Recall=1.00、CV F1=0.92±0.08居首;特征重要性flood_volatility均权24.2%居首,flood_change_2021_to_2022为21.1%,干旱类特征合计21.4%。3.5节PCA中PC1(37.5%方差)载荷洪涝特征、PC2(18.4%)载荷干旱特征,正交性印证二维独立。3.6节SHAP分析确认flood_volatility平均绝对贡献0.662,所有干旱特征SHAP为负,方向与相关系数一致。3.7节特征与HHI相关中flood_mean达r=0.861,drought_mean为?0.604,洪涝侧影响更强。3.8节空间自相关Moran’s I=0.716(z=10.019,p<0.001),高风险簇集于河流邻近中部与东部。
讨论部分指出,HHI–TSI双指数相较SDFI/CHEI避免单维歧义,能区分“纯涝”与“涝旱复合”单元(如FID 168 TSI=6.19对照FID 48 TSI=8.25),指导差异化的排水与蓄水协同投资;volatility作为风险指示器呼应生态韧性理论中高变异性系统更易 regime shift 的观点;随机森林完美召回适于预警误报容忍场景;Moran’s I高值支持连片干预。局限包括旱涝年份非重叠、7年窗口短、115样本小、未纳入地形土壤等静态变量、HHI验证主要依赖洪水侧记录、未做完整ROC曲线。未来方向为延长时序、融入物理变量、跨区迁移验证、实时预警、深度学习与空间感知模型、社会经济耦合。
结论部分翻译如下:本研究提出用于旱涝风险评估的二维分析框架,克服单指数局限。Hydro-Hazard Index(HHI)作方向性度量判别主导灾种,Total Severity(TSI)作量级补充。115个六边形单元(2018–2024)分析显示HHI有效区分灾型,洪涝类(n=24)均值4.58显著高于常态类0.76(p<0.001),HHI=3阈值经Youden、敏感分析、Jenks验证且野外吻合94.2%。联合HHI–TSI揭示同HHI可伴异TSI,识别出单看HHI会遗漏的复合风险区。flood_volatility为最关键预测因子(24.2%,SHAP=0.662),洪涝类波动性为常态类1.77倍。随机森林性能最佳(Accuracy=0.913,AUC=0.967,Recall=1.00)且严格避目标泄露。高风险区空间聚集(Moran’s I=0.716,p<0.001)。该框架支撑可持续水资源管理、气候适应与减灾,贡献SDG 6/11/13;局限含短时序、年份错位、小样本、缺静态变量及验证侧偏,后续需延长时间、融物理变量、独立数据集验证。
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