遥感与机器学习融合的洪水检测与预警：以肯尼亚Turkwell盆地Lodwar镇为例

《Frontiers in Water》：Remote sensing and machine learning integration to detect and forecast floods in Lodwar Town, Turkwel Basin, Kenya

本研究创新性地将遥感数据（如MODIS、Sentinel-2）与机器学习（决策树回归模型DTR）相结合，针对数据稀缺地区（肯尼亚Lodwar镇）的洪水检测与预警难题提出了低成本解决方案。通过分析归一化差分水体指数（NDWI）与降雨量（CHIRPS产品）的时空关联，研究成功识别了洪水信号区（海拔508–648?m），并将降雨-NDWI相关性提升25%。该框架为缺乏水文气象站网的干旱/半干旱区域提供了可操作的洪水风险预警途径，对全球气候变化背景下的防灾减灾具有重要实践意义。

　　

引言

洪水已成为全球性紧迫问题，造成广泛破坏和经济损失。1990-2022年间全球记录4,713起洪水事件，影响超过32亿人，造成218,000多人死亡，经济损失超过1.3万亿美元。非洲是气候相关灾害高度脆弱的大陆，近年来洪水造成广泛破坏。肯尼亚Turkana县的Lodwar镇多次遭受Turkwell河和Kawalasee河的洪水侵袭，2016、2018、2019、2022和2024年均发生重大洪水事件。

研究区域

Turkwel河（又称Suam河）位于肯尼亚西北部，流域面积23,740?km²，发源于Mount?Elgon（海拔4,321?m），注入Lake?Turkana（海拔361?m），全长125?km。流域气候为高原半干旱和低地干旱，年降雨呈双峰模式：长雨季（3-5月，峰值在4月）和短雨季（10-12月，峰值在10月）。西南部年降雨量900-1,750?mm，而干旱低地仅100-400?mm。Lodwar镇位于流域西北部，面积17?km²，是Turkana县的首府，平均温度约29.4?°C，潜在蒸散量高达2,000-2,500?mm/年。

数据集

气候数据集包括多种网格化卫星降雨产品：CHIRPS（空间分辨率0.05°×0.05°，1981年至今）、MSWEP（0.1°，3小时）、IMERG（0.1°，半小时）和TAMSAT（约0.0375°，每日）。CHIRPS因其高空间分辨率和性能被选为主要降雨数据。此外，使用CHIRPS-GEFS进行洪水预报，并从NASA?POWER门户获取每日气象变量（2?m相对湿度、2?m风速、2?m平均温度）作为机器学习输入特征。

卫星产品与NDWI计算

NDWI用于检测和监测水体，计算公式为：NDWI?=?(NIR???SWIR)/(NIR?+?SWIR)。值域解释：0.2–1为水面，0.0–0.2为洪水或湿润，-0.3–0.0为中等干燥非水面，-1至-0.3为干燥。本研究将负NDWI值设为零，以聚焦洪水事件。使用Google?Earth?Engine（GEE）生成NDWI时间序列，选用Aqua?MODIS（每日重访，250?m分辨率）进行时间序列分析，Sentinel-2（5日重访，10?m分辨率）用于历史洪水空间制图。

方法论

初步评估通过2021-2023年Lodwar的利益相关方研讨会和实地考察，识别洪水热点（如Napetet村、河流汇合处），验证遥感得出的淹没区。社区反馈明确了洪水类型（河流洪水和山洪）和季节（3-5月和10-12月），并指出近年降雨增加趋势。CHIRPS数据（1981-2024）证实流域年降雨上升，Sentinel-2影像显示2018-2024年间Lake?Turkana面积扩大约585?km²。

机器学习应用

采用决策树回归（DTR）模型，利用Python的DecisionTreeRegressor包，输入特征包括日降雨量（不同滞后时间）、气象变量和日期特征。数据集按80%/20%分为训练和验证集。超参数调优包括最大深度10、最小样本分裂5等，以平衡模型复杂度和泛化能力。特征重要性分析显示，零滞后降雨（RF_0DayLT）是最重要变量，其次是相对湿度、日期特征（MMDD）和平均温度；滞后1天及以上的降雨贡献较小，表明在Lodwar镇降雨对洪水条件的影响几乎是即时的。

性能评估

使用相关系数（CC）评估降雨产品与Aqua?MODIS?NDWI的相关性。CHIRPS和MSWEP表现最佳（CC分别为0.51和0.53，p<0.001），滞后时间为0天；IMERG相关性低（CC=0.13，滞后2天），TAMSAT中等（CC=0.47）。CHIRPS因更高空间分辨率被选用于后续分析。时间序列分析显示2018年4月和2019年10月降雨最高，对应NDWI峰值和Sentinel-2淹没图证实了洪水事件。空间分析表明，高降雨区在流域南部和西南部，但高NDWI-降雨相关性区域（信号区）在Lodwar镇附近（西部、西北部、西南部，海拔508–648?m），这些区域降雨量低但对洪水预警至关重要。

预测模型评估

DTR模型将降雨-NDWI相关性从0.51提升至0.64（训练期）和0.66（2018年验证期）。使用偏差校正后的CHIRPS-GEFS预报降雨（10天领先时间）预测NDWI，校正公式为P_c?=?P_GEFS?×?(平均P_CHIRPS/平均P_GEFS)。模型成功捕捉NDWI时序趋势，但低估部分峰值，可能与MODIS空间分辨率较粗有关。结果证实机器学习结合遥感数据能有效识别洪水信号区，并提供预警能力。

讨论

该研究为数据稀缺地区提供了实用的洪水检测与预警框架。多源数据（CHIRPS降雨、MODIS?NDWI、Sentinel-2淹没图）的一致性增强了可靠性。机器学习显著提升相关性，识别出的信号区（非主要洪水源区）可作为早期指标。偏差校正改善预报降雨实用性，模型提供可操作的预警时间。局限包括MODIS分辨率对峰值捕捉的不足，未来可采用更高分辨率影像提升精度。

结论

集成遥感与机器学习（DTR）显著增强数据稀缺地区洪水检测能力。模型将降雨-NDWI相关性提升至0.66，证实利用预报降雨（如CHIRPS-GEFS）进行洪水预警的可行性。空间分析揭示信号区（海拔508–648?m）的关键指示作用。这套低成本数字创新方法为缺乏水文气象站网的脆弱社区提供了有效的洪水风险管理工具，可推广至类似干旱/半干旱区域。