基于可解释机器学习与空间自相关的城市洪涝敏感性精细制图——以中国合肥为例

针对气候变化下极端降雨事件频发导致的城市洪涝问题，研究人员结合可解释机器学习（LIME）与改进空间权重矩阵的空间自相关分析方法，构建了集成学习模型（RF/XGBoost/GAM），实现了合肥市洪涝敏感性的高精度制图。研究发现NDVI（归一化植被指数）是最关键影响因子，微地形归一化DSM（数字地表模型）能有效表征流域内地形特征，空间自相关分析揭示了洪涝高风险区沿道路和建成区聚集的规律。该研究为城市韧性规划和靶向防洪策略提供了科学依据。

　　

随着全球气候变化加剧，极端降雨事件频发导致城市洪涝灾害日益严重。中国作为快速城市化国家，北京"721"暴雨、郑州"720"特大暴雨等事件暴露出城市防洪体系的脆弱性。传统水文模型如SWMM、HEC-RAS虽能模拟洪涝过程，但依赖高精度水文地质数据且建模复杂；多准则决策分析（MCDA）方法则易受专家主观性影响。机器学习虽在灾害预测中展现优势，但"黑箱"特性限制了其实际应用，且现有研究多忽略城市洪涝空间异质性特征。

合肥市作为中国典型快速发展的省会城市，2020年与2021年夏季连续遭遇严重内涝。为解决城市洪涝敏感性评估中模型可解释性不足、空间异质性分析缺失等问题，中国的研究团队在《Journal of Hydrology: Regional Studies》发表研究，创新性地将可解释机器学习与空间自相关分析结合。研究通过社交媒体文本挖掘与Sentinel-1影像提取400个洪涝样本点，构建包含地形（DEM、DSM、坡度）、城市建设（NDVI、NDBI、道路密度）和降水等13类特征的数据集。采用随机森林（RF）、XGBoost和广义加性模型（GAM）构建集成分类器，开发基于道路网络改进的空间权重矩阵进行Moran's I空间自相关分析，并利用局部可解释模型（LIME）解析区域特异性影响因素。

关键技术方法包括：（1）基于网络文本与遥感影像（Sentinel-1）的洪涝样本提取；（2）微流域划分与DSM数据归一化处理；（3）集成学习模型（RF/XGBoost/GAM）构建与十折交叉验证；（4）融合道路特征的改进空间权重矩阵设计；（5）LIME局部特征重要性解析。

4.1 模型精度验证
集成模型在十折交叉验证中表现最优，精确度达82.05%，AUC值0.87，显著优于单一模型。其中RF模型F1-score为0.8183，XGBoost为0.7685，而集成模型通过硬投票策略将F1-score提升至0.8271，证明多模型融合能有效提升小样本下的分类性能。

4.2 洪涝敏感性制图
生成的敏感性地图显示合肥市二环内中心城区为高风险区，东南部敏感性高于西北部。高风险区呈现沿主干道分布特征，与建成区空间格局高度吻合，而水体周边因未考虑漫溢风险未显示显著高敏感性。

4.3 全局特征重要性分析
NDVI以最高重要性（三模型平均）成为最关键因子，证实植被覆盖对洪涝调节的核心作用。城市建设相关因子中，基于土地利用的径流曲线数（CN）和道路密度重要性突出。地形因子中，微流域归一化的DSM重要性（0.18）超越原始DEM（0.12）和坡度（0.09），验证了微地形归一化方法的优越性。

4.4 空间自相关与LIME局部解析
改进的空间权重矩阵（融合道路距离与空间距离）较传统KNN矩阵更准确识别高风险聚集区。LIME分析揭示：1）高-高聚集区（HH）如市中心（区域1-3）主要受CN值（>0.85）驱动，表征不透水面的主导作用；2）近天鹅湖的高风险区（区域4）受水体距离因子主导，反映排水能力不足；3）低-低聚集区（LL）如城郊（区域7-9）由高NDVI（>0.7）决定，植被促进雨水下渗；4）异常区域如稻田环绕的HL区（区域6）显示农业用地特殊水文响应。

该研究通过方法创新与实证分析得出三大结论：首先，集成学习模型能有效提升小样本城市洪涝预测精度，AUC值达0.87；其次，改进的空间权重矩阵可精准捕捉洪涝风险沿道路网络聚集的特征，为空间异质性分析提供新思路；最后，LIME方法揭示NDVI全局主导下的区域特异性机制，如中心城区受CN值控制（>0.85）、近水体区受排水能力限制等。研究提出的微流域DSM归一化方法，通过将同一微流域内DSM值标准化至0-1范围，能更精细刻画城市微地形特征，相较传统DEM提升分类效果20%。

在讨论部分，作者指出当前城市防洪存在两大矛盾：快速城市化带来的不透水面扩张与排水设施建设滞后的矛盾，以及集中式排水系统与气候变化下降雨时空分布改变的矛盾。研究建议在高风险聚集区（如区域2-3）优先实施低影响开发（LID）措施，如渗透沟渠、透水铺装等。未来研究可纳入排水管网密度、降雨强度等因子，并测试FABDEM等新型地形数据。该成果为理解城市洪涝形成机制提供了"全局规律+局部特征"的双重视角，对韧性城市建设和靶向防洪具有重要实践价值。