融合遥感与可解释机器学习（XGBoost-SHAP）的京津冀地区未来洪灾风险评估及多情景模拟研究

本文创新性地集成多源遥感数据与可解释机器学习方法（XGBoost-SHAP），构建了基于灾害危险性-暴露度-脆弱性（HEV）框架的洪灾风险评估模型，揭示了地形崎岖度、高程与GDP等关键驱动因子，并模拟了SSP情景下2030年京津冀地区洪灾风险时空分异规律，为气候韧性防灾规划提供了科学依据。

　　

Highlight

本研究通过融合遥感技术与可解释机器学习（XGBoost-SHAP），构建了基于灾害-暴露-脆弱性（HEV）框架的洪灾风险评估模型，揭示了地形崎岖度、高程、降水量、抚养比与GDP是驱动洪灾风险空间分异的核心因子。

Study region

京津冀地区（BTH）总面积21.8万平方公里，属温带季风气候，夏季降雨集中，洪灾易发性高（Jiao et al., 2024）。其空间异质性显著——西部为陡峭山区，东部为低平冲积平原，这种地形分异直接影响了洪水的汇集与扩散模式。

Flood inundation area

洪涝区域集中分布于天津南部沿海、廊坊水体邻近区、沧州河流周边以及保定、衡水、邢台等低洼地带（图3）。北京西部局部区域也出现积水，凸显了地形、水文与土地利用方式对洪灾空间的复合影响。

Conclusions

XGBoost模型表现出最优预测性能（AUC = 0.8952，准确率 = 0.7954）。SHAP分析表明，地形崎岖度（Hazard）、高程（Hazard）、GDP（Exposure）和抚养比（Vulnerability）是风险分布的主导因子。多情景模拟显示，高排放路径（SSP370、SSP585）下高风险区域将显著扩张，强调需采取差异化防洪策略。