城市洪水风险的时空演变及其空间异质性驱动因素：一种K-means优化的XGBoost模型

《Sustainable Cities and Society》：Spatiotemporal evolution and spatially heterogeneous drivers of urban flood risk: A K-means optimized XGBoost model

　　

- 城市内涝由单一核心转变为分散多中心格局。- K-means优化的XGBoost模型能够捕捉空间异质性的内涝风险驱动因素。- KXGBoost使AUC从0.84提升至0.89，准确率从0.76提升至0.81。- 在道路和建筑密集的区域，排水效益减弱。- 为不同城市区域提出了差异化的防洪策略。引言近年来，全球人口的持续增长，加上人类活动和经济生产的强化，导致了全球气候的快速变化（G. Zhang等，2025）。气温上升加速了大气水循环，增加了极端降水事件的强度和频率。同时，气候变化导致海平面持续上升，极端气象事件（如强台风和风暴潮）更加频繁。这些复合效应显著增加了沿海城市的洪水风险（Chan等，2024）。全球变暖对人类生存和发展构成严重威胁（M. Zhang等，2021），其社会影响日益复杂、加剧并呈级联效应（L. Liu等，2024；Yu等，2024）。此外，城市洪水风险的形成本身也受到人类社会经济活动的显著影响（G. Zhao等，2021）。不透水表面的扩展，以及城市人口和建筑密度的增加，导致了大量的二氧化碳排放和日益显著的城市热岛效应。在城市热岛效应的影响下，城市地区的大气持水能力增加，大气稳定性降低，对流活动增强，从而显著增加了城市地区极端降水的概率（Lin等，2021；Peng等，2018）。城市还集中了生命线基础设施，包括交通、电力和通信网络。一旦发生洪水，关键基础设施系统可能遭受严重损坏，容易瘫痪正常的城市运行，威胁居民的生命安全（K. Zhang等，2025；J. Li等，2023）。城市内涝是具有时空特征的典型地理事件。分析其空间分布模式和演变规律是深化对洪水风险理解的重要基础（Kim & Park，2016；S. Liu等，2019）。核密度估计（Sun等，2026）、空间自相关、标准差椭圆（Y. Zhang, Fang等，2025）和地理加权回归被广泛用于识别洪水发生的空间聚类、迁移方向以及洪水发生与城市环境条件之间的关系。（H. Zhang等，2024）以15座特大城市的流域为分析单元，应用地理加权回归（GWR）揭示了不同类型城市以及流域尺度上城市内涝空间分布的驱动机制。（M. Wu等，2024）进一步采用了多尺度地理加权回归（MGWR），使不同的影响因素具有各自最优的空间带宽，从而区分驱动因素在局部和更广泛空间尺度上的空间异质性。城市由异质的土地覆盖类型、建筑形态和功能区域组成，随着城市发展的扩展不断变化。这种动态且不确定的变化无疑增加了构建城市洪水风险评估模型的难度（M. Wang, Chen等，2023）。建立合适的指标体系是城市洪水风险评估的关键。借助灾害系统理论，城市洪水风险被认为是致灾因子、孕灾环境和承灾体共同作用的结果（C. Gao等，2023；Xu等，2024）。这与IPCC框架一致，该框架将危险性、暴露度和脆弱性视为气候变化驱动的洪水风险评估的核心组成部分。在此基础上，不同学者开发了诸如危险性—脆弱性（H-V）、危险性—暴露度—脆弱性（H-E-V）（Jia等，2024）和危险性—暴露度—脆弱性—韧性（H-E-V-R）（W. Wu等，2025；W. Wang, Kim等，2023）等分析框架。在评估方法方面，现有研究主要形成了包括基于水文和水力模型的数值模拟（Johannessen等，2019；Schmitt等，2004；Zoppou，2001）、基于历史数据的数学统计（Benito等，2004；Tempa，2022）、基于遥感（RS）和地理信息系统（GIS）的综合分析（Sajjad等，2020）以及数据驱动的机器学习方法（Khatri等，2022；H. Wang等，2021）等方法体系。其中，数值模拟方法具有明确的物理机制和准确的预测结果，但容易受到研究区域数据的完整性和准确性的影响（Kokkonen等，2003），更适合街道、区和县级的小尺度风险评估（Lyu等，2019）。基于历史灾害数据的方法计算简单且逻辑清晰，但需要高质量的样本数据，预测精度有限，不适合长时间序列数据。基于RS和GIS的方法可以通过卫星数据提取降雨事件前后的洪水信息以实现连续监测，但成本较高，且可能受到云层和城市建成环境的影响，导致数据精度降低。相比之下，数据驱动的机器学习方法成本更低，实施更快，具有快速响应能力（Wagenaar等，2020），被认为是一种新颖且可靠的风险评估方法（Ghosh & Das，2020）。影响因素与城市内涝之间的关系通常高度非线性，使机器学习方法特别适用于此类问题。包括基于树的模型、线性模型（Tsumita等，2025）和神经网络（Pasche & Engelke，2024）在内的广泛算法已被广泛应用。例如，（G. Huang等，2026）在中南半岛应用并比较了XGBoost、RF、SVR、LightGBM和卷积神经网络（CNNs）的洪水预测能力。在不同类型的机器学习方法中，基于树的模型通过学习决策树或提升树结构，通常在洪水易发性预测中优于逻辑回归等线性模型（Kaiser等，2022）。与其他决策树模型相比，XGBoost进一步引入了额外的超参数以减少模型方差和过拟合风险（Hasan等，2023），并在城市洪水预测中展现了更强的预测性能（M. Wang, Li等，2023）。为了进一步提升其性能，先前的研究使用遗传算法（Thi Thuy Linh等，2022）优化XGBoost参数，使用猫群优化算法改进XGBoost（Vahid Razavi-Termeh等，2025），或通过堆叠集成XGBoost与其他提升模型以增强预测精度和稳定性（Zerouali等，2025）。随着模型复杂度的增加，使用机器学习进行决策的另一个挑战在于模型输出的可解释性。黑箱模型往往缺乏透明度，对洪水形成的物理驱动机制和影响途径提供不足的解释，从而在将模型结果转化为城市治理和风险控制方面造成障碍（von Eschenbach，2021）。因此，HAP和其他可解释机器学习方法越来越多地被纳入模型解释中。例如，（Lyu & Yin，2023）使用SHAP量化了不同影响因素对模型预测的贡献。然而，现有基于机器学习的洪水风险研究仍大多采用全球建模策略，即使用整个研究区域的样本来训练统一模型。此类研究通常将研究区域视为相对均匀的空间整体，并假设不同空间单元遵循相似的洪水风险形成关系，这可能导致有偏差的结果（Cheng等，2024；Z. Wang等，2024）。然而，洪水的形成机制具有明显的空间非平稳性。例如，（Tan等，2026）发现土地利用强度与城市洪水韧性之间的关系具有显著的空间异质性，在广州中心城区和北部从化表现出较强的负相关，但在番禺和南沙的效果较弱。因此，城市洪水风险评估不仅需要提高模型预测精度，还需要从空间异质性出发（S. Wang & Peng，2024）。开发区域化机器学习模型并比较不同空间特征下特征贡献和非线性响应，是深化对城市内部洪水风险异质性理解并制定差异化防洪减灾策略的重要途径。基于上述考虑，本研究以宁波市区为研究区域，从城市内部空间异质性的角度开发了一个区域化的城市洪水风险评估框架。该框架旨在通过纳入空间类别识别、区域化建模和区域特异性解释来解决全球模型可能忽视空间非平稳性的问题，从而提高模型的可解释性和区域适应性，并为城市规划、排水系统建设和防洪减灾提供精确证据。首先，基于历史洪水位置，使用核密度估计和标准差椭圆分析洪水的时空模式和演变特征。其次，结合K-means聚类和XGBoost机器学习算法构建KXGBoost模型，将研究区域划分为不同的聚类区域，并进行洪水风险评估。最后，引入SHAP和PDP可解释工具，识别不同区域中影响因素的特征贡献和非线性响应，提高模型解释洪水风险异质性的能力，并提出与不同区域相匹配的防洪控制优化策略。章节摘录研究区宁波（120°55′E–122°16′E，28°51′N–30°33′N）位于中国浙江省东部沿海。它是长江三角洲城市群的重要港口城市，也是中国东南沿海的主要经济中心（Tang等，2018）。宁波属于亚热带季风气候，降雨丰富且季节性集中，年均降水量约1300毫米。快速城市化以不透水表面扩展为特征基于核密度估计的洪水风险时空演变为了揭示宁波市区城市内涝的分阶段演变特征，对2010–2014年、2015–2019年和2020–2024年三个时期进行了核密度分析，如图5所示。结果表明，三个时期内涝点的空间格局发生了显著变化，总体上呈现出“以老三区的交叠区域为主要核心，逐步向外扩展，形成多个次级城市洪水风险时空演变与空间分布从时空演变的角度来看，宁波市区城市洪水风险的空间格局逐渐从高度集中向分散和多中心扩展转变。洪水风险从中心城区逐渐扩展到北部沿海地区和南部奉化区等外围区域。在2015–2019年期间，开始延伸至传统中心城区之外。在2020–2024年期间，高密度区域的空间分布范围进一步扩大结论本研究综合了历史城市内涝记录、空间统计分析、机器学习和可解释分析，系统地揭示了2010年至2024年宁波市城市洪水风险的时空演变特征以及不同区域的主要影响因素。主要结论如下：在研究期间，宁波城市洪水风险从传统城市核心区域的高度集中单一中心格局演变参考文献GAO Jixi等，2024作者贡献所有作者都参与了研究构思和设计。材料准备、数据收集和分析由朱文凯、王德云、张璐丹、王帅希、农淑雯完成。论文初稿由朱文凯撰写，所有作者对先前版本的论文进行了评论。所有作者阅读并批准了最终稿件。数据可用性数据可根据要求提供。CRediT作者贡献声明朱文凯：撰写—原始草稿，可视化，验证，软件，方法论，调查，正式分析，数据整理。王德云：撰写—审阅与编辑，监督，项目管理，资金获取。张璐丹：验证，监督，方法论。王帅希：验证，监督，方法论。农淑雯：软件，方法论，概念化。利益冲突声明作者声明他们没有已知的可能影响本文报告工作的竞争性财务利益或个人关系。致谢本工作得到了国家自然科学基金（批准号：72274186）的资助。朱文凯|王德云|张璐丹|王帅希|农淑雯