基于EBF-RFR-SE集成模型的新方法在西非海岸大都会洪水易发性区划中的应用研究

针对西非加纳海岸大都会区频发的洪涝灾害，研究人员创新性地整合证据信念函数(EBF)、相对频率比(RFR)和香农熵(SE)算法，构建了9种集成模型场景。通过13项环境参数的多重共线性检验和AUC/ROC验证（最高精度达99.6%），成功将研究区划分为5级风险带，其中沿海中部区域18.9%面积属极高风险区。该研究为资源受限地区的洪水精准防控提供了可推广的技术框架。

　　

在全球气候变化加剧的背景下，洪水已成为威胁人类生命财产安全的重大自然灾害。统计显示，仅2023年全球就有7763人因洪灾丧生。西非加纳的海岸大都会区(CCM)作为典型易灾区，因快速城市化、排水设施不足及极端降雨事件频发，在2016和2019年相继发生致命性洪水。传统单一模型在洪水风险评估中存在参数权重分配主观、机器学习模型复杂度高等局限，亟需开发兼顾精度与实用性的新型评估方法。

针对这一科学问题，国外研究团队在《International Journal of Applied Earth Observation and Geoinformation》发表创新成果。研究采用多源地理空间数据，通过ASTER GDEM和Landsat 8获取地形与植被指数等13项参数，利用70%历史洪水点训练模型，30%验证精度。关键技术包括：证据信念函数(EBF)量化空间关联度、相对频率比(RFR)计算参数贡献值、香农熵(SE)确定指标权重，最终通过9种算术组合构建集成模型。

研究结果部分：

1. 多重共线性检验：所有参数VIF值<3，确认13项参数均具独立性，其中坡度(PR=6.78)被SE和RFR共同识别为最关键因子。
2. 单模型表现：EBF显示沿海0-15m低地Bel值达0.956，RFR揭示距河流240m内区域风险值升高44%，SE权重分析表明坡度贡献度占23%。
3. 集成模型优化：9种组合中(EBF×RFR)/2构成的Ensemble 8表现最优，AUC达0.996，较单模型提升约3%。
4. 风险区划：采用分位数法将CCM划分为5级，发现18.9%的沿海区域属极高风险区，其典型特征为坡度<2.67°、NDVI<0.33且位于Sekondian地质单元。

讨论部分指出，该研究首次实现EBF-RFR-SE的算法融合，解决了传统方法中EBF无法赋权、机器学习依赖专家经验等问题。成果对实现联合国可持续发展目标(SDG)中的可持续城市建设具有实践价值，特别为缺乏高精度水文数据的非洲城市提供了可操作的评估工具。研究还警示，当前北部占20%的低风险区可能因植被覆盖下降而面临风险升级，建议将模型纳入国土空间规划决策系统。模型框架未来可扩展至其他灾害评估领域，但需注意在极高精度(>99%)场景下需结合实地验证数据。