《Geomatics, Natural Hazards and Risk》：Urban flood risk projection under climate change: an approach based on explainable and optimized ensemble learning
编辑推荐：
在气候变化背景下，城市洪水发生频率增加且响应呈现非线性，使得前瞻性风险预估复杂化。研究人员以北京为例，整合了涵盖危险性、暴露度和环境三个维度的12个指标，并将多种代表性浓度路径（RCP）排放情景与社会经济路径（SSP）情景配对。研究人员开发了一种优化的Stac
在气候变化背景下，城市洪水发生频率增加且响应呈现非线性，使得前瞻性风险预估复杂化。研究人员以北京为例，整合了涵盖危险性、暴露度和环境三个维度的12个指标，并将多种代表性浓度路径（RCP）排放情景与社会经济路径（SSP）情景配对。研究人员开发了一种优化的Stacking集成学习框架，包含四个异构基学习器和一个贝叶斯优化的轻量级梯度提升机（LightGBM）元学习器，在测试集上实现了约92%的准确率，且性能比单一模型基线更稳定。沙普利加法解释（SHAP）值和部分依赖图（PDP）量化了关键驱动因素（如建筑密度、人口、国内生产总值（GDP）、坡度和极端降雨）的非线性效应和阈值，从而在一致的RCP–SSP设置下为决策提供支持。预估结果显示，从中心到东南部持续存在高风险梯度，在RCP4.5和RCP8.5情景下增长更为显著。最低风险等级的面积从2010年代的约60.3%下降到2030年代至2060年代的约50%，表明中高风险区域在扩大。基于情景的地图和可解释的响应为防洪规划和韧性导向的基础设施投资提供了有针对性的指导。
**论文解读文章**
**研究背景与问题**
在全球气候变化背景下，极端天气事件日益频繁，其中城市洪水灾害因高发性、大范围影响和严重经济损失成为威胁城市可持续发展的紧迫问题。尽管已有大量研究关注洪水风险评估，但传统方法多依赖历史灾害数据和水动力学模型，难以捕捉气候与社会经济因素间的非线性耦合关系。现有机器学习模型虽能处理高维非线性关系，但往往被视为“黑箱”，缺乏可解释性，且鲜有联合代表性浓度路径（RCP）与社会经济路径（SSP）情景进行多情景前瞻性洪水风险预估的研究。因此，亟需一种既能优化模型性能、又能提供可解释决策依据的集成学习框架，以支持城市防洪规划与韧性投资。
**研究内容与结论**
本研究以北京为典型城市，构建了涵盖危险性、暴露度和环境三个维度的12个指标，并耦合RCP排放情景与SSP社会经济情景，提出了一种基于贝叶斯优化和可解释Stacking集成学习的城市洪水风险预估框架。通过该框架，研究人员揭示了城市洪水风险在多种情景下的时空演变规律，并量化了关键驱动因素的非线性影响与阈值效应。研究发表在《Geomatics, Natural Hazards and Risk》。
**主要技术方法**
研究人员采用以下关键技术方法：构建包含危险性（年最大日降水量（AMDP）、强降雨频率（FHR））、暴露度（人口（POP）、国内生产总值（GDP）、建筑密度（BD））和环境（数字高程模型（DEM）、坡度（SL）、地形湿度指数（TWI）、距河流距离（DTR）、距道路距离（DRO）、道路网络密度（RND）、径流深度（RD））共12个指标的指标体系；降水数据使用RegCM4.6驱动下的四个全球气候模型（GCM）输出，经双线性插值和累积分布函数（CDF）映射偏差校正后取多模型集合（MME）均值；未来POP和GDP数据分别来自Wang等（2022）和Wang与Sun（2022）的1 km网格数据集；历史土地利用数据来自GLC_FCS30，未来土地利用使用Hou等（2022）的1 km情景预测。目标变量为北京水务局发布的“北京城市洪水风险图”，整合了近十年积水点记录和水动力学模拟结果。
**研究结果**
**3.1 偏差校正效果**
经过偏差校正后，MME降水数据与历史观测数据（CN05.1，2010–2020年）高度吻合：相关系数R=0.84，偏差Bias=0，均方根误差RMSE=28.15，概率密度分布和月尺度特征均与观测一致，表明校正后的降水数据可用于后续洪水风险预估。
**3.2 基于集成学习的洪水风险预估模型**
模型调优阶段，贝叶斯优化确定了LightGBM元学习器的最优超参数：learning_rate=0.012，max_depth=4，n_estimators=147，num_leaves=10。Stacking集成学习框架在测试集上达到约92%的准确率，精确率、召回率和F1分数均表现良好，受试者工作特征（ROC）曲线下面积（AUC）高，表明模型具有良好的判别能力。特征重要性排序显示，建筑密度（BD）贡献最大，其次为距河流距离（DTR）和坡度（SL），降水指标（FHR和AMDP）及径流深度（RD）贡献相对较低，但人口（POP）和GDP重要性较高。历史时期（2010年代）北京洪水风险呈现明显的中心-外围梯度：最低风险区占约60.3%（9,893.42 km2），主要位于西北和东北山区；高风险和最高风险区集中在中心城区及扩展区域，分别占约11.5%和8.1%。
**3.3 2030年代和2060年代北京洪水风险分布**
**3.3.1 2030年代情景驱动下的空间格局**
2030年代，温室气体排放情景（RCP）对风险格局的影响远大于社会经济路径（SSP）。在RCP2.6和RCP8.5下，最高风险区显著增加；在RCP4.5和RCP6.0下，最高风险区略有收缩，但高风险区在中心城区及周边扩展。空间上，洪水风险始终集中在中心城区并向东南延伸，形成“东南高、西北低”的格局。
**3.3.2 长期演变与风险结构变化（2060年代）**
2060年代，高风险和最高风险区面积仍高于2010年代。与2030年代相比，多数情景下最高风险区减少，但高风险区保持稳定或略有扩展，显示风险结构发生转变。在RCP4.5和RCP8.5下，中心城区最高风险区显著收缩，但房山和大兴区仍存在大面积最高风险区。堆叠面积图显示，最低风险区面积从2010年代的60.3%降至2030年代和2060年代的约50%，中高风险区明显扩大。不同RCP情景下风险结构差异显著，而不同SSP情景间差异较小，表明降雨强度是短期内驱动风险结构变化的主导因素。
**3.4 城市洪水风险驱动因素与影响路径分析**
**3.4.1 暴露度和危险性因素的非线性响应**
部分依赖图（PDP）显示，暴露度因素（BD、POP、GDP）均呈现快速上升后趋于稳定的模式，BD和GDP在较低值区间风险曲线陡峭，超过阈值后进入平台期。危险性因素（AMDP、FHR）表现出明显阈值效应：AMDP约低于80 mm时影响很小，超过后风险急剧上升；FHR在超过一定频率后风险显著攀升，随后略有下降。
**3.4.2 环境控制与空间放大机制**
环境因素中，DTR和DRO的风险曲线均呈显著下降趋势，距河流2,000米以内和距道路较近处风险显著更高。RND呈阶梯式上升，表明高道路密度增加不透水面积，加剧洪水风险。TWI持续上升，坡度（SL）和高程（DEM）与风险呈负相关，RD持续下降。
**讨论与结论**
**讨论部分**：研究揭示了洪水风险并非由单一气候驱动因素决定，而是危险性、环境和暴露度因素复杂非线性耦合的结果。环境因素作为风险传播和放大的媒介，城市地形、土壤湿度和道路网络显著降低自然排水和入渗能力。暴露度代表资产脆弱性和集中度，但风险形成可视为“危险性-暴露度-环境”机制被适应能力（AC）调节的耦合过程。多情景模拟为城市防洪提供了创新性政策启示：中等和高排放情景（RCP4.5、RCP8.5）下中心城区和东南部风险增加，需加强极端气候风险评估；低排放情景（RCP2.6）下局部高风险走廊扩展，表明风险由非线性极端值和系统能力决定，而非仅排放水平。研究人员将SHAP/PDP输出转化为“阈值+空间控制”的行动规划规则，如建筑密度超过识别拐点（例如BD>0.4）时设置开发强度上限，AMDP超过约80 mm时升级暴雨设计标准等。模型可解释性方面，Stacking集成融合多种基模型优势，贝叶斯优化和交叉验证生成的元特征提升了泛化能力。研究局限性包括数据分辨率限制、假设基线条件不变、以及模型外推不确定性。
**结论部分**：本研究整合多源数据，在RCP–SSP框架下，采用优化的可解释两级Stacking模型预估了北京2030年代和2060年代的城市洪水风险。预估结果显示，中心城区和东南部地区风险持续较高，在RCP4.5和RCP8.5情景下增长更为显著。贝叶斯优化的Stacking集成在准确性和鲁棒性上优于单一模型基线。SHAP和PDP通过量化关键驱动因素（如BD、POP、GDP、坡度、AMDP）的非线性效应和阈值，增强了可解释性，为决策支持提供了依据。情景特定的空间模式支持有针对性的防洪规划，包括城市空间优化、加强预警、改进应急管理和韧性导向的排水系统升级。未来工作将纳入更多耦合数据源，评估更极端或复合情景，并完善排水和适应能力的表征，以进一步增强风险预估和政策转化。
