《Earth》：Uncertainty-Aware Flood Susceptibility Mapping Using Calibrated Ensemble Machine Learning in the Indus River Basin, Pakistan
编辑推荐：
洪水易感性制图是空间洪水风险评估的重要组成部分；然而，传统的机器学习方法对预测可靠性和空间不确定性提供的信息有限。本研究针对巴基斯坦印度河流域（Indus River Basin, IRB）开发了一个不确定性感知的洪水易感性框架，整合了卫星衍生的洪水观测、基于
洪水易感性制图是空间洪水风险评估的重要组成部分；然而，传统的机器学习方法对预测可靠性和空间不确定性提供的信息有限。本研究针对巴基斯坦印度河流域（Indus River Basin, IRB）开发了一个不确定性感知的洪水易感性框架，整合了卫星衍生的洪水观测、基于GIS的环境预测因子、空间分块验证、概率校准、集成学习和不确定性量化。基于Landsat-9对2025年7–8月季风洪水事件的观测建立了洪水清单，并将环境预测因子统一到500 m空间分辨率。使用五折空间分块交叉验证评估了四种基于树的算法（LightGBM、XGBoost、Extra Trees和HistGBM）。应用等渗回归校准模型概率，随后通过校准平均集成（Calibrated Averaging Ensemble, CAE）进行组合。CAE实现了平均受试者工作特征曲线下面积（ROC-AUC）和精确率–召回率曲线下面积（PR-AUC）分别为0.878和0.837，并相比单个分类器展现出更高的概率可靠性。高和极高易感区集中在中下游印度河泛滥平原及主要支流廊道。熵分析识别了模型一致性和较大预测不确定性的区域，而SHAP分析强调了排水密度、距河流和水体的距离、标准化降水指数（Standard Precipitation Index, SPI）和地形湿度指数是影响较大的预测因子。这些发现证明了将空间验证、概率校准、集成学习和不确定性量化整合用于流域尺度的洪水易感性制图的价值。由于分析基于单一洪水事件，所得地图代表事件信息支持的易感性模式，而非对未来洪水范围或深度的确定性预测。
**1. 研究背景与问题**
洪水是全球最频发且破坏性最强的自然灾害之一，1990至2022年间影响超过32亿人，造成逾1.3万亿美元累计经济损失。南亚地区受季风气候和高人口密度影响，洪水风险尤为突出。印度河流域（Indus River Basin, IRB）作为巴基斯坦最重要的水资源和农业区，曾经历2010年和2022年等灾难性洪水，但综合性的数据驱动洪水易感性评估仍较缺乏。传统机器学习方法在洪水易感性制图中存在三方面局限：一是多采用随机交叉验证，因空间自相关而高估模型泛化性能；二是仅关注判别能力而忽视概率可靠性；三是将不确定性视为附属问题，未直接纳入易感性解释。此外，单一算法或未校准概率的简单平均可能产生不可靠的洪水发生概率估计。因此，有必要建立一个整合空间独立验证、概率校准、集成学习和不确定性量化的框架。
**2. 研究内容与主要结论**
研究人员针对IRB开发了一个不确定性感知的洪水易感性框架，利用Landsat-9影像提取2025年7–8月季风洪水事件的水淹范围，生成多源地理空间预测因子，采用五折空间分块交叉验证评估四种树模型（LightGBM、XGBoost、Extra Trees、HistGBM），通过等渗回归校准概率，并以校准平均集成（CAE）组合输出。结果显示，CAE取得最优性能，平均ROC-AUC和PR-AUC分别达0.878和0.837，且概率可靠性优于单一模型。高和极高易感区集中于中下游泛滥平原和主要支流廊道。SHAP分析表明，排水密度、距河流和水体距离、标准化降水指数（SPI）及地形湿度指数为主导预测因子。研究证明，将空间验证、概率校准、集成学习和不确定性量化相结合，可为流域尺度的洪水易感性决策支持提供更可靠的基础。
**3. 关键技术方法**
研究使用Google Earth Engine处理Landsat-9 OLI-2影像，采用改进归一化差异水体指数（MNDWI）和Otsu阈值提取洪水范围，并排除永久水体。预测因子涵盖地形、水文、气候、土地覆盖和人口等，统一至500 m格网。采用32×32 km空间分块的五折交叉验证，训练折内执行分层欠采样至1:1类别平衡，验证折保留原始1:9比例。对四种树模型进行超参数优化；使用等渗回归校准概率，通过算术平均构建CAE；采用Shannon熵量化模型分歧，并利用SHAP评估变量重要性。
**4. 结果分述**
**4.1 整体模型性能（Overall Model Performance）**
通过空间分块交叉验证，CAE获得最高平均ROC-AUC（0.878）、PR-AUC（0.837）和F1分数（0.847），且折间变异性低于单个分类器，表明概率校准与集成提升了空间稳健性。
**4.2 对随机欠采样的稳健性（Robustness to Random Undersampling）**
重复十次随机欠采样后，CAE仍保持最佳性能（ROC-AUC 0.877±0.008，PR-AUC 0.836±0.010，F1 0.847±0.011），且标准差较小，说明结果对欠采样随机性不敏感；但该分析并不能消除因同一空间折用于超参数选择而可能产生的模型选择偏差。
**4.3 印度河流域洪水易感性格局（Flood Susceptibility Patterns in the IRB）**
所有模型一致识别中下游印度河泛滥平原及主要支流廊道为高易感区。LightGBM和Extra Trees输出呈现空间碎片化，而HistGBM和XGBoost较为平滑；CAE减少了孤立伪影，形成更连贯的易感面。高和极高易感区分别占流域面积19.7%和11.5%，低和极低易感区占27.6%和24.8%，中等易感区占16.4%。
**4.4 集成易感性与空间置信度分析（Ensemble Susceptibility and Spatial Confidence Analysis）**
集成多数图显示高易感区沿中下游泛滥平原和支流廊道集中；熵分析表明，主要泛滥平原区域模型一致性高，而山区和过渡带模型分歧较大，不确定性较高。
**4.5 基于SHAP的变量重要性和水文解释（SHAP-Based Variable Importance and Hydrological Interpretation）**
排水密度均值绝对SHAP值最高（0.64），其次为距河流距离（0.58）、距水体距离（0.53）、SPI（0.47）、TWI（0.43）。高排水密度、靠近河流和高湿度条件对易感性贡献为正；地形因子也有显著贡献，而NDVI、NDBI等贡献较低。
**5. 讨论总结**
讨论指出，IRB洪水易感性受排水结构、河道邻近性、地形和水文连通性共同控制，而非单一因素决定。CAE的优势在于通过等渗校准调整概率后再进行平均，从而同时考虑判别能力与概率可靠性。空间分块验证避免了随机交叉验证的乐观估计，更贴近跨区域转移的真实性能。熵不确定性层有助于区分高易感且模型一致的区域与高易感但模型分歧大的区域，前者可优先采取减灾措施，后者需进一步调查。局限性包括：基于单一洪水事件，易感模式仅代表该事件条件；500 m分辨率难以刻画细尺度过程；未模拟淹没深度、流速和历时；熵仅代表所选模型间的分歧，且超参数选择可能引入偏差。未来研究应纳入多事件清单、更高分辨率数据、径流观测和动态水动力模拟。
**6. 研究结论翻译**
本研究通过集成卫星洪水制图、多源地理空间预测因子、空间分块交叉验证、概率校准、集成机器学习和集成分歧分析，为印度河流域开发了一个不确定性感知的洪水易感性框架。校准平均集成产生了最强的预测性能，平均ROC-AUC和PR-AUC值分别为0.878和0.837。所得易感性地图一致地将中下游印度河泛滥平原和主要支流廊道识别为高洪水易感区域。SHAP分析表明，排水密度、距河流和水体网络的邻近性、标准化降水指数和地形湿度指数是最具影响力的预测因子，强调了水文连通性、地形组织和流量累积的重要性。集成分歧分析通过区分模型强一致区域与预测不一致区域，为传统易感性制图增加了重要的可靠性维度。高易感且模型强一致的区域可为防洪减灾、土地利用规划和进一步水文评估提供有用的优先项。本研究的主要贡献在于将空间独立验证、概率校准、集成学习和不确定性表征整合到一个流域尺度的洪水易感性框架中。然而，由于分析基于单一洪水事件，结果应被解释为事件信息支持的易感性模式，而非对未来洪水范围或深度的确定性预测。未来工作应纳入多事件洪水清单、更高分辨率观测、流量信息和动态水动力模拟，以提高时间泛化性和过程表征能力。
