综述：探索量化城市洪水驱动因素贡献的最优方法

本综述聚焦于深圳这一快速城市化城市，运用多种回归方法评估城市洪水易感性及驱动因素贡献。研究发现随机森林模型能捕捉非线性关系，而SHAP可解析局部因素贡献，为城市防洪管理提供科学依据，助力制定针对性策略。

　　

城市洪水（Urban Floods, UFs）作为全球性挑战，严重阻碍城市可持续发展。其成因复杂，涉及气候变化与城市化进程。为有效管理城市洪水，需精准识别洪水易发区域及主要驱动因素。本研究以深圳为例，综合运用多种回归方法，包括线性模型、机器学习（ML）及Shapley Additive exPlanations（SHAP），对城市洪水易感性（Urban Flood Susceptibility, UFS）及驱动因素贡献进行深入分析。

研究结果表明，深圳城市洪水易感性呈现显著空间异质性，中西部地区风险较高，东南部较低。随机森林（RF）模型在评估城市洪水易感性方面表现最佳，能有效捕捉各驱动因素间的非线性关系。进一步分析发现，不透水表面百分比（ISP）、土地覆盖（LULC）、坡度及高程是影响城市洪水的主要驱动因素，且其贡献具有明显的空间异质性。SHAP分析进一步揭示了各驱动因素在不同地区的局部影响，为制定针对性防洪策略提供了科学依据。

本研究不仅验证了机器学习在UFS评估中的有效性，更通过SHAP分析揭示了驱动因素贡献的空间异质性，为城市洪水管理提供了新视角。未来研究可进一步拓展驱动因素范围，纳入更多城市环境特征，同时考虑动态变化因素，以更全面地理解城市洪水机制。

综上所述，本研究通过综合运用多种回归方法及SHAP分析，成功量化了深圳城市洪水驱动因素的贡献，为城市防洪管理提供了科学决策支持。