基于K-Means聚类与地理空间技术的尼日利亚伊莫州洪水易发性评估：机器学习在灾害防控中的创新应用

本文结合地理信息系统（GIS）与机器学习（K-Means聚类）技术，整合高程、坡度、降雨、排水密度等10个环境因子，对尼日利亚伊莫州进行洪水易发性制图。研究通过轮廓系数（0.560）和可视化方法（PCA、t-SNE）验证模型，发现38%区域属高易发区，为洪灾防控与土地规划提供科学依据。

　　

Highlight

Elevation

高程图（如图3）直接从数字高程模型（DEM）提取，反映了研究区域地形高度的变化。该图层为洪水易发区提供了关键洞察，因为较低海拔区域更容易发生积水。

Slope

土地坡度在决定地表水流速度方面起着关键作用。随着坡度减小，地表径流速度降低。平缓的坡度会减缓水流运动，促进地表水积聚，从而增加洪水风险。

5Discussion

通过地理空间和机器学习技术进行的洪水易发性分析揭示了与文献广泛一致的清晰模式。高程和坡度数据表明，低洼且坡度平缓的地形主导了研究区域，尤其是中部和南部地区——这些区域更容易出现地表水积聚。这与“洪灾在坡度最小和海拔最低的区域加剧”的共识一致。

植被覆盖通过归一化植被指数（NDVI）进行评估，显示出与洪水易发性的负相关关系，这与之前的研究一致。茂密的植被通过拦截降雨和增强入渗来减缓径流，而植被稀疏的区域（如城市或裸露土壤）则表现出更高的径流和积水倾向。

降雨分布是另一个关键驱动因素；南部地区年降水量较高，加上低海拔和密集的河流网络，进一步放大了洪水风险。排水密度和接近河流的距离也显著影响了易发性模式，这与水文研究一致，即较高的排水密度和靠近水道会增加洪水可能性。

最后，土地利用/土地覆盖（LULC）变化，特别是城市化导致的透水表面增加，加剧了洪水风险。建筑环境往往阻碍自然排水，导致径流增加——这一现象在全球洪灾文献中已有充分记载。

Limitations of the Study

尽管本研究通过机器学习和地理空间技术为洪水易发性制图提供了宝贵见解，但仍存在若干局限需在解释和未来研究方向中予以考虑。首先，分析受限于社会经济数据的有限可用性，如人口密度、财产价值以及以往洪水造成的损害、伤亡记录。这些数据对于从洪水易发性制图转向全面的洪水风险评估至关重要。

7Conclusion

本研究成功结合地理空间分析和机器学习算法，为尼日利亚伊莫州制定了综合洪水灾害与风险图。通过整合高程、坡度、降雨、植被覆盖、排水密度和土地利用模式等主题图层，研究强调了该区域洪水易发性的关键空间和环境决定因素。使用层次分析法（AHP）和加权线性组合（WLC）进一步提高了评估的准确性，生成了可靠且可操作的洪水风险图。研究结果可为区域土地规划、减灾战略和灾害应对工作提供信息。未来的研究应纳入社会经济和历史洪水事件数据，以提升从易发性到风险评估的过渡。