洪水动态监测与基于XGBoost-SHAP的风险评估：以中国北部地区2023年7月23日极端暴雨事件为例

《Environmental Technology & Innovation》：Flood Dynamic Monitoring and XGBoost-SHAP Based Risk Assessment :Case Study of the 23·7 Extreme Rainstorm in BTH Region, China

京津冀暴雨洪水监测与风险评估：基于地形约束MLC与XGBoost-SHAP模型的空间异质性分析

　　在全球气候变化加剧的背景下，极端降雨已成为城市洪涝灾害的重要诱因，对城市安全构成严重威胁。为了更好地应对这种风险，动态监测与风险评估成为灾害管理与恢复的关键环节。本文以2023年7月23日发生的“23·7”极端暴雨事件为研究案例，聚焦于京津冀（BTH）核心区域，通过结合多源地理信息数据与机器学习技术，提出了一种新的洪涝风险评估方法。该方法不仅提高了洪水监测的精度，还揭示了不同区域在极端降雨事件中的风险差异，为提升城市韧性提供了科学依据。

### 1. 研究背景与意义

联合国可持续发展目标（SDGs）明确指出，建设可持续、包容、安全且具有抗灾能力的城市是全球发展的重要方向。然而，随着全球气候模式的不断变化，由极端降水引发的洪涝事件变得愈加频繁和难以预测，给自然环境和社会经济带来了严峻挑战。这种现象已经成为可持续发展的重要制约因素。因此，洪水区域的动态监测、风险分布的空间分析以及其成因机制的研究，成为指导防洪规划和推动韧性城市建设的关键措施。

在这一背景下，微波遥感技术的迅速发展为洪水监测提供了新的手段。合成孔径雷达（SAR）因其全天候、全天时成像能力，广泛应用于洪涝监测，能够实现对特定暴雨事件中洪水范围的准确提取。尽管深度学习方法在边界识别方面表现出色，但其对高质量训练样本和强大计算资源的依赖性限制了其在时间敏感的洪涝监测中的应用。相比之下，传统方法如最大似然分类（MLC）因其较低的样本依赖性，更适合快速的大范围洪水图谱绘制。

### 2. 研究区域与数据来源

本研究选取了京津冀核心区域作为研究对象，该区域涵盖北京、天津以及廊坊、保定等市级城市，总面积达56,800平方公里，占全国GDP的8.5%，在区域协调发展方面具有重要战略意义。该地区属于温带季风气候，冬季寒冷干燥，夏季炎热多雨，年降水量的70%集中在6月至9月，且降雨强度大、持续时间短。地形上，该区域从西北向东南逐渐倾斜，北部有燕山山脉，西部有太行山前平原，东南部为华北平原。这种地形特征加速了洪水的汇集过程，扩大了洪水淹没范围，进一步加剧了洪涝风险。

为了提升洪涝风险评估的精度，研究者在该区域中划定了一个关键实验区，并借助SAR影像对其洪水淹没范围进行了动态监测。该实验区包括兰沟洼和东淀两个洪水蓄滞洪区，这两个区域在事件中均达到了设计蓄水容量的61%。该区域是监测洪水动态的理想目标，因为它在减少洪水峰值和保障下游天津城市安全方面具有重要作用。

为了确保多源数据的空间一致性，研究者对数据进行了预处理，包括统一坐标系统、将离散向量数据（如POI、道路网络）转换为具有空间连续性的栅格数据，以及通过双线性插值将多个源的栅格数据统一为500米×500米的栅格单元。这些步骤为后续的洪水淹没范围提取和风险评估提供了可靠的数据基础。

### 3. 方法论与技术路线

本研究采用多源数据融合与机器学习相结合的方法，首先利用地形约束的最大似然分类（MLC）方法，结合Sentinel-1A SAR时序影像，对实验区的洪水淹没范围进行了准确提取，并追踪了洪水的演变过程，同时对淹没区域内的关键要素（如道路、土地、POI等）进行了定量分析。通过整合DEM、POI和道路网络等多源数据，构建了一个综合的洪涝风险评估系统，包括三个主要指标：危害、暴露和脆弱性，以及十个二级指标，如降雨强度、河流密度、道路密度、人口密度等。

在风险评估阶段，研究者采用了XGBoost与SHAP（SHapley Additive exPlanations）相结合的方法，对各个风险因素的贡献进行了量化分析，并生成了500米网格精度的洪水风险分布图。通过将SHAP值直接作为各风险因素的客观权重，研究者摒弃了传统AHP（层次分析法）和熵值法等主观或基于统计假设的权重分配方法，提高了模型的可解释性。同时，SHAP方法能够揭示洪水风险与多因素之间的非线性驱动机制，明确区分增强和抑制风险的要素，从而为防洪措施提供科学依据。

研究的整体技术路线如图2所示，通过SAR与GIS数据的时空整合，实现了从洪水识别到风险解释的全链条分析。这种分析方法不仅提高了洪水风险评估的准确性，还为城市应急响应、灾后恢复和韧性城市建设提供了操作性技术工具。

### 4. 研究结果与分析

通过Sentinel-1A SAR时序影像和地形约束的MLC方法，研究者对实验区在2023年7月24日至8月29日期间洪水淹没范围的变化进行了精准绘制。图5（a）展示了洪水前后的对比分析，显示了洪水发生前后水体分布的显著变化。在暴雨事件发生前，水体主要分布在主要河流通道附近，如北运河和大清河，总面积为55.52平方公里。而随着暴雨的加剧，水体迅速扩展，特别是在7月28日开始降雨后，洪水在7月31日晚上23:30开始进入兰沟洼蓄滞洪区，至8月5日，洪水已扩展至该区的最南端，新增淹没面积达34.28平方公里，标志着洪水范围达到峰值。随着下游泄洪能力的增强，至8月17日，东南部的广泛水体逐渐退去，淹没面积减少了87%，但仍有部分低洼地区存在水渍残留。

在东淀蓄滞洪区，研究者发现该区的洪水情况与兰沟洼类似，但在时间上略有不同。东淀在8月1日02:00开始实施泄洪措施，至8月5日10:00，洪水已抵达天津的台头镇，淹没面积扩展至162.98平方公里，占该蓄滞洪区总面积的43.69%。洪水继续向东推进，直至8月17日才抵达东淀的最东端。与此同时，大清河的南岸出现了一个新的连续淹没区，新增淹没面积达59.21平方公里。随后，通过一系列人工干预措施，如下游水闸操作、水泵启动和堤坝加固，东淀蓄滞洪区的中心区域开始出现水位下降的趋势，部分被淹没的高程农田和村庄逐渐显露，但下游低洼农业区仍然存在水淹问题，总面积达180.34平方公里。

### 5. 洪水影响与风险评估

通过整合多源GIS数据（如道路网络、POI和土地利用）与最大淹没范围数据，研究者对东淀蓄滞洪区的洪水影响进行了系统评估。结果表明，洪水对道路网络造成了严重影响，287公里的道路（占总道路网络的40%）被淹没，包括高速公路、国道和地方道路。这些道路的中断不仅影响了交通流量，还导致了居民撤离和物资运输的困难。特别是关键的铁路线路，如北京至九龙铁路的霸州段因洪水导致轨道被淹而停止运行，严重影响了南北方向的客货运输。其他跨区域道路如京广铁路、 Jingde/Jingtai高速公路、兰泊线和京沪高速公路的部分路段也被淹没，降低了京津冀核心区域与周边城市的陆地连通性。

此外，洪水对POI（兴趣点）也产生了显著影响。图7显示了洪水影响下的POI分布情况，其中蓝色区域表示洪水淹没区，红色点表示学校，绿色三角形表示医疗机构，黑色方块表示加油站。部分学校如北楼幼儿园、赵家庄小学和山来营幼儿园因洪水而停课，导致短期的教育服务缺口。一些药店和诊所被迫关闭，使得洪水区域的居民难以获得常见疾病的治疗和紧急药品的供应。加油站等危险化学品设施的被淹不仅影响了区域的燃料供应，还可能引发燃料泄漏和水污染等次生灾害。

洪水对农田的影响尤为严重。图8展示了东淀蓄滞洪区不同土地类型在洪水中的淹没情况，其中农田的淹没面积最大，达206.64平方公里，占总淹没面积的67%。相比之下，林地和建成区的淹没面积较小，分别为7.4%和6.0%。从作物生长的影响来看，结合图5（c）中的时间序列变化图，东淀蓄滞洪区的核心淹没区域农田被淹没长达24天。这段时间正好是华北地区玉米生长的关键阶段，即“拔节期”，水淹导致玉米根部缺氧和腐烂，严重影响了产量。根据农业产量估算模型的计算，这些被淹没农田的产量损失率可达40%-70%，部分农田甚至出现大规模作物歉收。这一结果与Quan等人（2024）的研究发现相吻合，他们指出暴雨导致了与东淀蓄滞洪区相邻的22个县市玉米产量损失达0.22百万吨，其中92%的损失归因于作物完全歉收。

在洪涝风险评估方面，研究者利用SHAP值确定了各个风险因素的权重，并生成了研究区域的洪涝危害、暴露和脆弱性评估图。风险等级分为非常高的风险、高的风险、中等风险和低风险，采用Jenks自然断点法进行分类，以最小化同类内部差异，最大化类间差异。结果显示，洪水危害从西北向东南逐渐减弱，受地形坡度和时空降雨变化的共同作用。西北地区由于地形抬升，短期降雨强烈，导致径流迅速汇集，但实际灾害风险较低，因为该区域人口密度低，森林覆盖率高。相比之下，东南部平原虽然危害较低，但由于高暴露和高脆弱性，成为“隐性高风险区”，呈现出危害水平与实际损失之间的明显不匹配。

### 6. 风险驱动机制分析

本研究通过XGBoost-SHAP模型对洪涝风险驱动机制进行了深入分析。结果表明，降雨强度（RFI）、河流密度（RVD）和温度（Temp）是影响城市洪涝风险的主要正向因素，而道路密度（ROD）则表现出显著的负向影响，有助于缓解洪涝风险。这些发现不仅验证了已知的水文机制，还揭示了人类干预在洪涝风险缓解中的重要作用。

研究者指出，虽然传统观念认为高密度道路网络会增加不透水地表面积，从而降低雨水渗透能力，加剧洪水风险，但本研究发现，高密度道路区域通常配备更先进的排水基础设施（如充足的管道网络容量）和科学的城市规划措施（如分布式蓄滞洪系统），这些措施有效抵消了高不透水地表带来的负面影响。通过SHAP值分析，研究不仅揭示了已知的水文机制，还发现了人类干预在风险缓解中的重要路径，为区域防洪规划提供了新的科学证据。

### 7. 城市扩张对蓄滞洪区的影响

在“23·7”极端暴雨事件中，有八个蓄滞洪区被激活，通过洪水蓄滞、峰值削减和错峰排放等措施，显著减轻了整个流域的防洪压力。然而，研究者指出，当前城市规划与实际洪水管理之间存在一定的偏差。图11展示了东淀蓄滞洪区在2010年至2020年间的土地利用变化，结果显示农田面积显著减少，建成区面积大幅扩张，农业用地向城市建设用地转化。这种土地利用变化通过两个主要机制影响了区域的防洪系统：首先，快速城市化显著增加了不透水地表面积，降低了自然雨水渗透能力，从而加剧地表径流，加快洪水形成并增加峰值流量；其次，农田的减少削弱了传统农业用地在水储存和排水方面的生态功能。如果这种趋势持续，将对蓄滞洪区的蓄水能力和区域社会经济对洪水的韧性造成巨大压力。

### 8. 洪水治理策略

基于“多中心聚集-外围扩展”的洪水风险格局，研究建议在城市规划中应摒弃统一的管理方式，转而采用具有空间特性的分级控制策略。城市核心区域（如北京和天津）被划分为高风险区，这些区域应采取包括增加透水铺装比例、建设湿地公园以及将医院、学校和数据中心等关键设施迁移或加固的措施，以确保极端事件期间服务的连续性。中等风险的外围区域，如廊坊，应作为“道路网络蓄滞走廊”，每条主要道路保留10-20米的绿化带和蓄滞区域，以防止物流系统因洪水而瘫痪。

在低风险的保定西部山区，应恢复河岸森林并保持自然洼地的完整性，以提供上游蓄水功能，同时支持联合国可持续发展目标15.3（土地退化中性）。XGBoost-SHAP模型将每个驱动因素转化为明确的政策工具，例如在京津冀核心区域的西北部，将500米网格的降雨强度数据整合到市级预警平台，延长了高降雨强度区域的预警时间3-6小时。在大清河等高河流密度区域，要求强制设置50米的建设后退带，以扩大有效泄洪通道。城市总体规划中应将道路密度与排水等级相协调，确保高道路密度区域在暴雨期间既保持交通畅通，又能发挥蓄水功能。在东淀和兰沟洼蓄滞洪区，核心区域被划为“禁建区”，非法占用的农田被恢复为生态蓄滞区域，以最大化蓄水能力。

在其他高密度聚集区，可以借鉴相同的逻辑。例如，在上海浦东和广州天河区，要求建设超过15%的海绵城市设施；在中等风险的郊区如昆山和虎门，复制道路蓄滞走廊以缓冲供应链冲击。通过将区域特定的驱动因素（如长江三角洲的梅雨降水量、粤港澳大湾区的台风降雨频率）纳入XGBoost-SHAP框架，可以快速制定符合当地气候和地形特征的防洪方案，从而提高区域防洪的针对性和有效性。

### 9. 结论与展望

本研究通过分析“23·7”极端暴雨事件，提取了实验区的洪水淹没范围，并对关键要素的受损情况进行了评估。同时，整合了多源GIS数据，构建了H-E-V洪水风险评估系统和灾害样本数据集。通过XGBoost-SHAP耦合模型，对各个风险因素的贡献进行了量化分析，并生成了京津冀核心区域的500米网格精度的洪水风险分布图。

研究的主要结论包括：首先，洪水淹没范围在极端降雨事件下迅速扩大，至8月17日达到峰值，淹没面积为220.85平方公里，主要集中在低洼平原和蓄滞洪区。其中，东淀蓄滞洪区占总淹没面积的61%，其内部67%的农田被淹没；其次，洪水风险呈现出显著的空间异质性，呈现出“多中心聚集-外围扩展”的分布模式，非常高的风险区域（占研究区域的8.3%）主要集中在城市中心如北京和天津，随着距离城市中心的增加，洪水风险逐渐减弱；第三，XGBoost-SHAP模型的定量分析表明，洪水风险与多种因素密切相关。其中，降雨强度、河流密度和温度是主要的正向因素，而道路密度则具有显著的负向影响，有助于缓解洪水风险。这些研究结果不仅揭示了洪水风险的空间分布模式和驱动机制，还为类似极端降水事件下的洪水预警和应急响应提供了科学支持。

未来，研究者建议进一步加强城市与自然环境的协同治理，提升城市对极端天气的适应能力。同时，应加强数据共享与多部门协作，以实现更精准的洪水监测和风险评估。通过引入更多的社会经济因素，如人口密度、基础设施布局等，可以更全面地评估洪涝风险，并制定更具针对性的防洪措施。此外，结合遥感技术与人工智能方法，可以实现对洪水风险的实时监测与动态评估，为城市管理者提供更及时、更有效的决策支持。