编辑推荐：
为应对全球气候变化与城市扩张加剧的城市内涝问题，研究人员构建 XGBoost-SHAP 框架，分析粤港澳大湾区内涝驱动因素。发现不透水表面百分比（ISP）和植被覆盖度（FVC）为主要因素，且 ISP 转绿地可降低城乡边缘带风险。研究为城市规划提供科学依据。
城市内涝如同隐藏在都市中的 “心腹大患”，随着全球气候变暖加剧，暴雨频发与城市扩张导致地表硬化率攀升，传统排水系统不堪重负。据统计，城市内涝造成的经济损失占全球灾害总损失的 40%，仅过去几十年累计损失就达 6510 亿美元。在高密度城市化区域，如粤港澳大湾区（GBA），人口密集、降水集中（80% 降水集中在 4-9 月），内涝风险尤为突出。然而，传统分析方法如主成分分析、皮尔逊相关系数等，难以捕捉内涝驱动因素间复杂的非线性关系，导致精准防控策略缺乏科学依据。
为破解这一难题，来自国内的研究团队聚焦粤港澳大湾区，开展了一项极具创新性的研究。该研究构建了 “XGBoost-SHAP-PDP - 加权朴素贝叶斯（WNB）” 模型框架，系统分析城市内涝的关键驱动因素及土地覆盖变化的影响，相关成果发表在《Ecological Indicators》。
研究采用多源数据，包括气象数据（日降雨量≥25mm（R25）、年平均降水量（MAP）、最大 1 日降雨量（R1D））、地表覆盖特征（不透水表面百分比（ISP）、道路密度（RD）、植被覆盖度（FVC）、土壤持水能力（SWR））和地形参数（距最近水道距离（DW）、数字高程模型（DEM）、坡度（SLOP）），网格分辨率设为 300×300m。通过 XGBoost 机器学习模型识别驱动因素，利用 SHAP（可解释人工智能）量化各因素贡献度，借助 PDP（部分依赖图）分析变量间非线性关系，最后通过 WNB 模型模拟不同土地覆盖转换情景下的内涝风险变化。
4.1 内涝驱动因素分析
利用 SHAP 解释器评估发现，ISP 和 RD 对城市内涝有正向推动作用，而 FVC、SWR、SLOP、DEM、DW 则表现出显著的抑制效果。其中，ISP 的平均 SHAP 值达 0.195，是最关键的驱动因素，FVC 紧随其后（SHAP 值 0.0748）。PDP 分析显示，ISP 与内涝风险呈非线性正相关：当 ISP 低于 0.1 时，其增加会显著加剧内涝；超过 0.6 后，风险趋于稳定高位。FVC 则呈现 “先平缓后显著” 的负相关特性，当 FVC 超过 0.1 后，植被覆盖增加能有效降低内涝风险，超过 0.8 时效果趋于稳定。
4.2 内涝风险空间分布
基于 WNB 模型预测，2020 年大湾区内涝风险呈现显著空间差异：极高风险区域占 19.39%（约 10105.58 km2），主要集中在广州海珠、荔湾、越秀，佛山南海、禅城，中山中心区等核心城区；高风险区域占 3.69%（1922.61 km2），分布于核心城区周边；而肇庆、惠州、江门等农村地区多为极低风险区。
4.3 情景模拟分析
研究设置两类情景：①ISP 转绿地（Scenario1）：当 20% 的 ISP 转为绿地时，高风险区域从 1922.61 km2 骤降至 466.9 km2，中等风险区减少近 30%，但极高风险区仅微降；②绿地转 ISP（Scenario2）：20% 绿地转为 ISP 时，极高风险区扩大至 10745.2 km2，核心城区风险显著上升。这表明，绿地对城乡边缘带的内涝缓解效果显著，但对已高度硬化的核心城区作用有限，而核心区绿地减少会大幅加剧内涝风险。
研究证实，ISP 和 FVC 是城市内涝的核心驱动因素，土地覆盖类型转换对不同区域风险影响差异显著。在核心城区，应优先保护现有绿地、优化排水设施；城乡边缘带可通过 “海绵城市” 建设，增加绿地比例；农村地区需完善内涝预警系统。该研究首次将 XGBoost 与 SHAP 等可解释 AI 技术结合，为城市内涝的精细化防控提供了跨学科范本，其提出的分区治理策略（如核心区 “保绿强排”、边缘带 “增绿疏排”）具有极强的实践指导意义，为全球快速城市化地区的内涝治理提供了 “中国方案”。未来研究可进一步整合高分辨率遥感数据与实时监测，提升模型普适性，助力城市可持续发展。
