基于集成权重与LightGBM–SHAP的京津冀长期洪水风险可解释地理空间评估

《Geomatics, Natural Hazards and Risk》:Geospatially interpretable long-term flood risk assessment using integrated weighting and LightGBM–SHAP

【字体: 大 中 小 】 时间:2026年10月24日 来源:Geomatics, Natural Hazards and Risk 4.5

编辑推荐:

  长期洪水风险评估对于识别持续性灾害易发区、支撑快速城市化地区的风险导向空间规划至关重要。本研究构建了一个可解释的地理空间框架,融合层次分析法(AHP)、LightGBM–SHAP与可靠性加权博弈论权重融合(reliability-weighted game-t

  
长期洪水风险评估对于识别持续性灾害易发区、支撑快速城市化地区的风险导向空间规划至关重要。本研究构建了一个可解释的地理空间框架,融合层次分析法(AHP)、LightGBM–SHAP与可靠性加权博弈论权重融合(reliability-weighted game-theoretic weight fusion),利用2001–2025年逐年洪水相关数据集,对北京–天津–河北(BTH)地区开展评估。负样本选择通过基于距最近排水沟高度(HAND)的低似然筛选及洪水标记像元周边缓冲区排除进行优化。LightGBM组件表现出较强的内部预测性能,受试者工作特征曲线下面积(AUC)、真实技能统计量(TSS)、F1-score和Kappa值分别为0.92、0.69、0.84和0.69。对2022–2025年最终洪水风险指数的独立验证进一步证实其识别洪水易发区的能力,逐年AUC值为0.63至0.83。高风险区主要集中于中东部和东南部平原,尤其是北京–廊坊–天津–沧州走廊沿线。洪水风险波动显著并呈弱上升趋势,稳定区和风险增加区分别占87.8%和11.7%。地形因素主导风险格局,其次为水文气象、城市化和生态因素。该框架可支持长期洪水风险制图、驱动因子归因及风险减缓措施的空间优先排序。
论文主体解读:研究背景与问题:洪水是全球高频且破坏性强的自然灾害。21世纪以来中国北方极端降雨增强,京津冀(BTH)地区洪水暴露增加;2012年“7·21”暴雨在北京造成79人死亡和116亿元直接经济损失,2016年“7·20”洪水影响河北890万人、损失超过530亿元,2023年“23·7”洪水影响京津冀超过525万人、直接经济损失约1010亿元。多因子洪水风险评估的关键挑战是因子权重可靠确定:AHP可纳入专家知识与水文认识,但受主观判断影响且难以捕捉非线性关系;熵权、主成分分析及LightGBM、随机森林、XGBoost等客观方法可从数据取重要度,机器学习改善复杂地理环境下的洪水易发性预测,但多数模型难解释,限制主导驱动过程识别与风险管理;样本不平衡也突出,直接用不平衡样本易过拟合非洪水样本并降低实际洪水事件识别能力。既有主客观集成框架多采用固定平衡系数简单线性融合,未充分考虑专家权重与数据驱动权重不一致,复杂区域鲁棒性不足。因此研究人员构建融合AHP、LightGBM–SHAP和博弈论权重优化的框架,在京津冀地区以SHAP客观权重与AHP主观权重经博弈论优化融合,计算2001–2025年逐年洪水风险及相对贡献,揭示长期时空变化和主导驱动因子;其贡献在于减少固定平衡系数任意性、提高专家知识与数据驱动结果一致性,利用LightGBM–SHAP进行客观赋权和模型解释,并开展连续长期风险评估,为防洪、风险管理和长期风险演变分析提供依据。

关键技术与方法(不超过250字):研究区为京津冀(BTH)地区;研究人员构建2001–2025年1 km×1 km逐年洪水相关栅格数据集,洪水标签取自JRC Global Surface Water Yearly History v1.4的年度季节性水体,2022–2025年最大洪水范围(MFE)取自CEMS全球洪水监测(GFM)服务用于独立验证;10项驱动因子数据来自Copernicus DEM GLO-30、CLCD、TPDC/CHIRPS、ERA5-Land、Zenodo和MODIS MOD13A3等。采用AHP主观赋权、LightGBM–SHAP客观赋权,并以可靠性加权博弈论融合;负样本策略比较S0–S4,选用基于HAND筛选、缓冲区排除和随机平衡的S2,构建50万平衡样本(25万洪水、25万非洪水);按60:20:20划分训练、校准与测试集,采用Platt缩放,并以AUC、F1-score、TSS、Kappa及MFE捕获率验证。

研究结果:4.1 Model validation and integrated weight interpretation(模型验证与集成权重解释):通过模型性能、独立验证和权重一致性评估,得出LightGBM–SHAP模型可靠、最终风险指数可识别洪水易发区、集成权重兼顾主客观信息。4.1.1 LightGBM–SHAP flood susceptibility model performance validation(LightGBM–SHAP洪水易发性模型性能验证):通过最大TSS确定最优分类阈值0.49,模型取得AUC 0.92、F1-score 0.84、TSS和Kappa均为0.69,混淆矩阵和概率密度分布显示洪水与非洪水样本分离清晰,说明LightGBM有效捕捉驱动因子与洪水发生的非线性关系,为SHAP客观权重(WSHAP)提供可靠基础。4.1.2 Independent validation of the flood risk index(洪水风险指数独立验证):通过2022–2025年MFE数据独立验证,最终洪水风险指数AUC为0.63–0.83,且大量观测MFE像元集中于最高风险区,说明其能较好区分洪水与非洪水区域并捕捉洪水易发区空间分布。4.1.3 Integrated weight interpretation(集成权重解释):通过比较AHP主观权重(WAHP)、SHAP客观权重(WSHAP)和最终权重(Wfinal),得出专家因子排序一致性较高(Kendall’s W=0.930,p<0.001);WAHP较均衡且PRE、HAND、WAT较高,WSHAP更重视WAT、DEM、HAND、IMP;最终WAT、DEM、HAND、IMP权重分别为0.24、0.17、0.11、0.11,累计贡献63%,偏差系数C=0.67、CAHP=0.35、CSHAP=0.57,最终权重更接近AHP,表明集成方案保留水文机制约束并纳入历史洪水样本客观信息。4.2 Spatiotemporal evolution of flood risk in the BTH region(京津冀洪水风险时空演变):通过2001–2025年逐年洪水风险指数统计均值、高风险频率、趋势、年高风险面积和年际变率,得出多年均值风险指数为0.01–0.94,高风险区集中于中东部和东南部低平原,形成北京东南–廊坊–天津–沧州连续带;稳定区占87.8%,风险增加区和减少区分别占11.7%和0.5%,增加区主要在中东部和东南部平原;年高风险面积波动明显并呈弱增加趋势,斜率97.19 km2 yr?1,R2=0.26,2025年最大;标准差高值集中于中东部平原、北京–天津–廊坊城市走廊和东南部低地;综合划分低风险稳定、中风险、间歇高风险、长期高风险和最高优先治理区五类,最高优先区主要在海河中下游低平原、河湖邻近区和密集城市化区,尤其北京东南–廊坊–天津–沧州走廊。4.3 Contributions of driving factors to flood risk(洪水风险驱动因子贡献):通过集成权重与方向归一化年因子值量化加权分量和相对贡献,得出地形因素贡献最大(55.9%),其次为水文气象(19.4%)、城市化(17.4%)和生态(7.3%);单因子DEM最高(37.1%),其次STD(15.3%)、SOIL(11.9%)、GDP(9.6%)、NDVI(7.3%)、PRE(6.5%)、LAND(4.1%)、IMP(3.7%)、HAND(3.5%)、WAT(0.9%);贡献不由权重单独决定,WAT权重较高但区域贡献低,可能因高水体密度区面积有限;DEM在所有治理优先区均主导,中风险和间歇高风险区超过40%,地形组贡献51.8%–61.2%;IMP贡献由低风险稳定区0.2%升至最高优先区10.5%,城市化组由17.3%升至23.0%;PRE年际波动最强且末期明显增加,IMP和LAND渐增,SOIL中等波动,NDVI略降;符号趋势贡献中PRE最大正贡献45.5%,IMP 21.9%,LAND 8.2%,NDVI为负贡献?21.1%,DEM、STD、HAND、WAT、SOIL和GDP对长期趋势贡献较小。

讨论部分总结:该框架结合AHP专家知识、LightGBM–SHAP因子重要性和可靠性加权博弈论融合,配合一致指标、归一化和权重框架,实现2001–2025年时间可比风险制图和驱动贡献分析。数据驱动权重依赖样本构建;S2最佳(AUC 0.92),S2–S4的AUC为0.92、0.91、0.90,说明优化采样下模型判别较稳健;HAND筛选未人为提高HAND的SHAP重要性。局限包括:洪水标签来自JRC年度季节性水体而非独立观测洪水事件清单,可能含湿地、季节性河湖、灌溉区、临时积水等,模型代表长期季节性洪水易发条件而非事件型洪水;外部验证不能完全消除标签不确定性;AHP依赖专家判断,SHAP受标签质量、样本代表性和模型结构影响,专家背景相似可能部分贡献一致性,固定SHAP权重降低单个专家影响,但权重稳定性不等于消除主观性;框架假设2001–2021年关系在2022–2025年足够稳定,快速城市化、土地利用变化和极端降水变化可能削弱该假设;1 km分辨率不能充分表达城市排水网络、微地形和街道尺度积水,结果更适合区域筛选、长期格局分析和优先区识别,而非深度、流速、历时或工程尺度淹没估计;GDP可能同时反映资产暴露和灾害响应能力,基准年之间线性插值不能完全捕捉非线性经济增长或突变。机制上,地形贡献55.9%、DEM贡献37.1%,海河平原低起伏利于汇流蓄水,高海拔和较陡排水梯度利于排水,地形构成稳定物理背景;PRE年际波动大并贡献45.5%正趋势,SOIL反映前期湿度,WAT在长期高风险和最高优先区局地相关性增强;IMP和LAND趋势贡献分别为21.9%和8.2%,不透水面扩张减少下渗、加速径流并增加强降雨敏感性,尤其在北京–廊坊–天津–沧州走廊;GDP主要反映社会经济暴露空间集中,对时间趋势贡献小;NDVI负趋势贡献?21.1%可能为加权风险指数中的缓冲信号,但不应解释为直接因果减缓证据。治理上,应由统一干预转向差异化:低风险稳定山地优先生态保护、水土保持和自然径流调节;间歇高风险区加强水文气象监测预警;长期高风险海河中下游平原维护蓄洪能力和排水连通,保护湿地、低洼滞蓄区、蓄洪空间和河湖连通,控制占用自然排水路径或蓄洪区的开发;最高优先区综合采取排水改善、雨水蓄存、透水面、海绵城市基础设施和洪水敏感区更严格土地利用控制,并发挥湿地、城市绿地、农田、河流湖泊等蓝绿基础设施的截留、下渗、临时蓄存和延迟排水作用;同时需跨区域协调,治理区将风险集中与需干预过程相连接,为土地利用规划、排水改善、蓄洪管理、生态修复和区域洪水风险治理提供空间依据。

研究结论(翻译):本研究通过融合AHP、LightGBM–SHAP与可靠性加权博弈论权重融合,构建了京津冀地区集成且可解释的洪水风险评估框架。基于HAND的负样本筛选及洪水正样本周边缓冲区排除(S2)提高了客观权重估计的可靠性,LightGBM模型AUC达0.92。生成的长期洪水风险数据集为识别风险格局、时间变化、治理优先区和主导驱动因子提供了连续一致基础。洪水风险在京津冀地区呈现显著空间异质性,高风险区主要集中于中东部和东南部低平原,尤其北京东南–廊坊–天津–沧州走廊沿线。尽管87.8%的研究区保持相对稳定,11.7%呈风险增加,表明局地风险加剧。地形因素占多年相对贡献55.9%,并在很大程度上界定洪水风险的持续空间格局,而降水、不透水面、土地利用、土壤湿度和植被与年际变率和长期变化关系更密切。这些发现强调差异化洪水风险管理的必要性,应在低平原更重视保护蓄洪和滞蓄空间,在高度城市化地区加强排水、雨水蓄存、不透水面控制和蓝绿基础设施。总体而言,该框架为京津冀地区长期洪水风险评估、优先区识别和协调洪水管理提供了空间明确基础。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号