《Geocarto International》：Beyond single techniques: can a hybrid MCDM approach re-define flood risk mapping and decision-making in Sub-Himalayan North Bengal?
编辑推荐：
摘要
由于洪水足迹不断变化且多种驱动因素相互作用，北孟加拉次喜马拉雅山前地带的洪水敏感性制图具有较大难度。研究人员提出了一种基于GIS的透明混合多准则决策（MCDM）集成方法，在最小-最大归一化和影响方向协调（较高值表示较高的敏感性）之后，集成了TOPSIS、
摘要
由于洪水足迹不断变化且多种驱动因素相互作用，北孟加拉次喜马拉雅山前地带的洪水敏感性制图具有较大难度。研究人员提出了一种基于GIS的透明混合多准则决策（MCDM）集成方法，在最小-最大归一化和影响方向协调（较高值表示较高的敏感性）之后，集成了TOPSIS、VIKOR、EDAS和PROMETHEE-II四种方法。为保持可解释性，四种模型输出被赋予相等权重，同时PROMETHEE-GAIA为因子贡献提供了事后分析洞见。使用独立的多次洪水事件清单进行验证，结果显示相较于单一方法，判别能力和校准能力均有提升（AUC = 0.80，95% CI 0.76–0.82；Brier = 0.200；DeLong检验显著）。五个敏感性等级识别出沿Torsa-Raidak-Jaldhaka走廊及低洼汇流区的高-极高风险热点区域，其中超过70%的高-极高风险像元位于主要河道约2公里范围内。Tufanganj I-II和Mathabhanga I被确定为重点筛查和减灾优先区块。极坐标图诊断补充了概率指标，为数据有限的喜马拉雅山前地带以走廊为重点的排水维护提供了支持。
**超越单一技术：混合多准则决策方法重新定义次喜马拉雅北孟加拉洪水风险制图与决策——论文解读**
**一、研究背景与问题**
次喜马拉雅北孟加拉的塔尔（Tal）低地与不丹丘陵山前地带长期遭受洪水侵袭，这一灾害因强季风降水、陡峭地形和复杂水文条件而加剧。该区域面临山洪、河岸侵蚀和长期淹没等多重威胁，亟需建立稳健的洪水敏感性制图（Flood Susceptibility Mapping, FSM）框架以支持减灾和备灾工作。然而，传统FSM方法，如逻辑回归、频率比和统计模型，往往难以充分容纳洪水风险因子的多维性，导致结果不一致且具有区域局限性。近年来机器学习和人工智能的进步虽提高了预测精度，但其黑箱性质和计算复杂性限制了在区域洪水管理中的实际应用。多准则决策（Multi-Criteria Decision-Making, MCDM）模型如TOPSIS、VIKOR、EDAS和PROMETHEE-II在洪水风险研究中日益受到认可，这些方法提供了结构化且透明的框架，能够同时考虑水文、地貌和社会环境参数。然而，多数FSM研究依赖单一MCDM技术，忽视了通过混合集成不同方法优势的可能性。已有研究表明，不同单一模型（如VIKOR与EDAS）的输出结果虽大体相似但并不完全一致，这意味着依赖单一技术时存在不确定性，决策者面对不同模型产出略有差异的热点区域时将面临信任困境。因此，亟需一种合理的混合MCDM框架，系统性地整合多种技术的优势并最小化各自弱点，以提升洪水敏感性制图的准确性和可解释性。本研究旨在开发一种基于GIS的混合洪水敏感性制图框架，集成TOPSIS、VIKOR、EDAS和PROMETHEE-II四种广泛使用的MCDM技术，并以PROMETHEE-GAIA决策支持工具作为补充，以增强预测性能和决策者可解释性。
**二、主要关键技术方法**
研究人员以印度西孟加拉邦的库奇比哈尔（Cooch Behar/Koch Bihar）地区（面积约3345平方公里）为研究区，该区位于Torsa、Jaldhaka、Kaljani、Raidak和Sankosh等主要河流系统的活跃泛滥平原上。研究整合了20个洪水条件因子，涵盖地形因子（如高程、坡度、地形崎岖指数TRI、地形位置指数TPI等）、水文参数（如排水密度DD、水流功率指数SPI、地形湿度指数TWI、距河流距离DFR）、气候气象变量（如年降雨量ARF、降雨侵蚀力因子REF、修正傅尼埃指数MFI）以及植被和地表因子（如NDVI、SAVI、MNDWI、土地覆盖分类LCC等）。数据源包括ASTER DEM、SRTM、Sentinel-2A影像、NBSS-LUP土壤数据及SMAP L波段辐射计数据。所有预测因子统一到UTM 45N、WGS-84坐标系和30米像元大小，采用最小-最大归一化至[0, 1]区间，并进行影响方向协调以确保较大值始终表示较高的洪水敏感性。通过Spearman's ρ和方差膨胀因子（VIF）进行多重共线性筛查，VIF > 5或|ρ| ≥ 0.70的变量按理论相关性和排列重要性保留。四种MCDM模型的输出经方向调整后采用等权重（各0.25）线性聚合生成混合洪水敏感性指数（Hybrid Flood Susceptibility Index, HFSI），并利用Jenks自然断点法将连续敏感性指数划分为五个等级。模型验证采用独立的多事件洪水清单，使用ROC-AUC、Brier分数、DeLong检验、极坐标图（Taylor图）及Copernicus EMS全球河流洪水风险图（GRFHM）等多重指标。此外，还运用PROMETHEE-GAIA二维可视化工具和敏感性分析（权重±10%扰动）来评估模型稳定性和因子贡献。
**三、研究结果**
**3.1 混合模型与单一技术的比较：准确性与可靠性**
研究结果表明，混合MCDM模型在预测准确性、可靠性和整体稳健性方面明显优于各单一技术。混合模型取得了最高的验证性能，其ROC-AUC值为0.80（95% CI 0.76–0.82），超过所有单一方法：TOPSIS-PROMETHEE-II为0.78，EDAS-PROMETHEE-II为0.74，VIKOR-PROMETHEE-II为0.72，绝对增益较最佳单一模型（TOPSIS）提高了0.03，较最低模型（PROMETHEE-II）提高了0.06。混合模型还记录了最低的Brier分数（0.200），表明其概率预测具有最佳校准性，预测概率与实际洪水发生结果最为吻合。相比之下，单一模型虽仍可靠，但Brier分数较高，表明预测洪水可能性与现实之间存在较大差距。这一改进表明，组合模型能够平滑各技术特有的误差，产生更可信的概率估计。
**3.2 组合与混合模型性能及洪水敏感性制图**
四种模型均将研究区域划分为五个敏感性等级（极低、低、中等、高、极高），但单一MCDM-PROMETHEE模型倾向于高估极高敏感性区域面积：TOPSIS-PROMETHEE为43.06%，VIKOR-PROMETHEE为42.59%，EDAS-PROMETHEE为39.85%。相比之下，混合模型（AUC = 0.80）给出了更平衡和准确的分类：1.47%极低、3.04%低、14.21%中等、38.05%高、43.23%极高敏感性。这种高和极高敏感性区域约5–8%的调整证明了混合模型精度的提高。Spearman相关分析显示PROMETHEE与TOPSIS（r = 0.389）和EDAS（r = 0.386）呈中度正相关，表明共享排序结构，而与VIKOR呈负相关（r = ?0.135），反映VIKOR基于遗憾决策的独特聚合机制导致排序模式出现实质分歧。极坐标图分析显示混合模型具有最低标准差（σ ≈ 0.09），表现出较高的稳定性。空间分析表明，极高敏感性区域高度集中在Torsa、Raidak、Jaldhaka和Kaljani河道走廊及低洼汇流区，超过70%的高-极高敏感性像元位于主要河道2公里范围内，50%位于1公里范围内。Tufanganj I和II、Mathabhanga I及Cooch Behar I和II被确定为重点减灾区块，其中Tufanganj II约85%的面积处于显著洪水敏感区。
**3.3 PROMETHEE-GAIA决策支持框架的作用**
PROMETHEE-GAIA的PCA驱动分析揭示了因子得分的明确分化，净流量值超过145的高排名位置主要与混合模型识别的高洪水敏感区一致。GAIA双标图中决策轴（π）与主要洪水条件信号对齐，靠近π且较长的标准射线是数据集中的决定性驱动因子，而背离π的射线则表示缓解效应或权衡关系。PCA双标图显示主导控制变量包括高程、坡度、地形崎岖指数（TRI）和土壤湿度（SM），其中TRI和坡度与高洪水敏感性排名呈强正相关（PC1上因子载荷 > 0.35），强调了低洼临河区域在洪水暴露中的重要作用。该方法将不确定性降低了7–12%，经多种MCDA技术的比较敏感性分析验证。
**3.4 验证**
极坐标图评估显示，HYB_ALL模型具有最低标准差（0.092），表明变异性最小。尽管在极坐标图中显示略负的相关系数（r = ?0.147）和较高的CRMSD（0.603），但混合模型在相同验证集上仍表现出强判别力（AUC 0.80）和良好校准性（Brier 0.200）。AUC测量基于排序的判别能力且不受单调重缩放影响，而Brier分数评估概率校准。定量比较显示，混合模型最接近观测洪水发生率（+4.5个百分点），实现了最高的空间重叠（IoU = 0.575）。与Copernicus EMS全球河流洪水风险图（GRFHM）及2017年Sentinel-1 SAR洪水淹没数据的对比进一步验证了混合模型输出的可靠性。
**四、讨论与结论**
讨论部分指出，近年东喜马拉雅泛滥平原的MCDM应用研究（如Brahmaputra流域、Kashmir山谷等）虽证明MCDM技术在多样喜马拉雅地区效果良好，但结果常因方法而异，强调了减少这种不确定性的混合方法的价值。本研究通过PROMETHEE-GAIA超越了以往仅提供静态地图和汇总指标的研究，使每个标准如何影响洪水敏感性以及备选方案如何比较变得更加透明。研究结论指出，本研究通过混合TOPSIS、VIKOR、EDAS和PROMETHEE-II并使用PROMETHEE-GAIA解释结果，为库奇比哈尔（Koch Bihar）提供了高分辨率、可供决策使用的洪水敏感性评估。该集成模型通过结合更高的预测技能、更大的排序稳定性和透明的标准洞察，优于单一方法基线。敏感性沿Torsa、Raidak、Jaldhaka和Kaljani走廊持续达到峰值，Tufanganj I和II、Mathabhanga I及Cooch Behar I和II成为优先区块，与已知的河岸带和河洲岛（char）暴露模式一致。验证显示强判别力（ROC-AUC > 0.75）和更好的校准性（测试模型中最低Brier分数），敏感性测试表明最高十分位热点区域在合理权重扰动下保持稳定。PROMETHEE-GAIA图揭示了位置排名背后的原因，暴露了标准向量（如坡度/TRI与TWI/MNDWI）并阐明了权衡关系，从而提高了规划者的信任和采纳度。实际应用中，地图和区块级汇总支持在主要河道1–2公里范围内的针对性干预，优先考虑堤防加固、排水管理和土地利用管控。研究模型的局限性在于未集成社会经济层面因素，校准过程依赖少量历史洪水事件。未来工作可从敏感性扩展到完整风险评估，添加暴露度和脆弱性图层（人口、基础设施、关键设施）。由于该工作流程基于GIS、可复现且成本相对较低，可嵌入国家灾害管理系统或用于印度-孟加拉跨境洪水协调平台。
