多哥上莫诺河流域洪水空间易感性综合评估方法：当地居民的看法与多标准风险分析 Essi Nadège Parkoo, Kossi Adjonou, Atsu K. Dogbeda Hlovor, Afi Amen Christèle Attiogbé, Kossi Komi, Kodjovi Senanou Gbafa, Kouami Kokou

《GeoHazards》：Integrated Approach to Assessing Spatial Susceptibility to Flooding in the Upper Mono Basin Valley in Togo: Local Perceptions and Multi-Criteria Risk Analysis Essi Nadège Parkoo, Kossi Adjonou, Atsu K. Dogbeda Hlovor, Afi Amen Christèle Attiogbé, Kossi Komi, Kodjovi Senanou Gbafa and Kouami Kokou

　　摘要 多哥的上蒙诺河流域（UMBV）面临着反复出现的洪水灾害。本研究采用了综合方法来评估洪水易发性，结合了地理信息系统（GISs）、多标准决策制定（MCDM）和层次分析法（AHP）。根据各因素的影响程度，对八个因素进行了加权：积聚流量、年降水量、土壤渗透性、土地利用/土地覆盖类型、坡度、海拔高度、距离排水网络的距离以及排水网络密度。层次分析法的一致性比为0.052，证明了其可靠性，并能够开发出一个标准化的洪水风险指数（FHI）。研究结果表明，积聚流量（权重=0.33）、距离排水网络的距离（0.18）和排水网络密度（0.16）是最关键的驱动因素，而降水量和土壤渗透性则次要一些。空间分类显示了该地区的异质性：UMBV的55%（871,046公顷）地区洪水易发性极低，而1%（10,034公顷）地区则高度脆弱，主要位于Est-Mono、Ogou、Anié、Tchamba和Tchaoudjo等地。相比之下，Blitta和Sotouboua由于海拔较高，洪水风险较低。这表明UMBV相对不易发生洪水。通过对14个市镇的28个焦点小组的数据与洪水易发性地图进行比较，发现当地居民的认知与地图结果有很高的吻合度（r = 0.805，p < 0.001）。这些发现强调需要制定区分性的区域策略，将物理参数、土地利用动态和社区风险认知结合起来，以加强UMBV地区的洪水风险管理。

1. 引言
洪水在西非是一个日益严重的威胁[1,2]，气候变化导致的极端事件增加，加上快速且往往缺乏规划的城市化进程，加剧了人口的脆弱性[3,4]。事实上，2010至2017年西非的降雨量创下了历史新高[5]。每年都有成千上万的人受到突然或长期洪水的影响，导致人员伤亡、被迫迁移以及基础设施和生计的严重破坏[6]。例如，在西非和中非，有710万人受到洪水影响，其中1567人死亡，4401人受伤，320万人流离失所[7]。
在多哥，近年来水文气候风险造成了重大的人员和财产损失。根据国家民防局的数据，2025年5月至6月期间，有8007人受到灾害的影响[8]。2024年7月至9月期间，记录了6701名灾民，其中6016人直接受到洪水的影响。这一时期还有7人死亡，凸显了灾害的严重性。财产损失包括1222栋房屋受损，6所学校和1处宗教场所受损，以及24.75公顷的农田被毁，表明暴露地区的脆弱性增加[8]。
根据灾难流行病学研究中心（CRED）的EM-DAT数据库的数据，1992年至2012年间多哥发生了多次重大洪水事件，尤其是在2007年、2008年和2010年[9]。这些洪水通常由强降雨、土壤饱和、突发性山洪和河流泛滥引发[10,11]。MERF报告（2010年）指出，有82,767人受到影响，21人死亡，85人受伤。这些灾害还损坏了12,382栋房屋，并毁坏了7744.24公顷的农田。由此造成的经济损失估计为3800万美元，约占国内生产总值的1.1%。1925年至1992年间，该国共发生了60次城市和农村洪水，反映出长期且持续的洪水风险[12]。这些洪水主要是由强降雨或持续降雨引起的径流、河流泛滥以及地下水位上升造成的，而森林砍伐和缺乏适当的基础设施（如排水渠道）则进一步加剧了这一情况[13,14]。此外，农村地区缺乏空间规划和适当的决策工具，这使得当地社区更加脆弱[15]。这些洪水的发生取决于气候条件和流域特征[16,17]。这种动态在蒙诺河流域尤为明显，那里的降雨空间分布、地形构造和排水网络密度强烈影响了洪水的易发性[18]。
对多哥主要河流流域之一——蒙诺河流域的气候预测显示，未来温度将上升，降水量将具有较高的变异性，这可能会导致河流流量平均值和最大值增加，从而引发严重洪水[19,20]。社会经济不稳定性和基础设施的低韧性加剧了这些洪水的影响[21]。季节性降雨以及生计和居住区靠近蒙诺河的特点，导致农业损失和基础设施破坏，进一步恶化了当地居民的生活条件和经济状况[22]。尽管已经实施了社区适应策略，但由于气候变化的影响，这些策略往往仍然不足[21]。
在上蒙诺河流域（UMBV），洪水主要是由于土壤逐渐饱和造成的，而不是由短暂的强降雨事件引起的[23]。据Narouwa[21]称，超过90%的当地居民认为洪水是该地区最频繁的气候风险，特别是在Tchamba、Tchaoudjo、Blitta和Sotouboua等市镇。2022年，Lacs、Est-Mono和Sotouboua等县发生了98%以上与重大水文气候灾害相关的灾害，导致大量房屋、学校和卫生中心受损，以及500多公里的农村道路受损[11]。这些损失促使人们对蒙诺河流域的气候趋势和洪水风险进行了多项研究[1,13,18,23,24]。然而，关于洪水易感性的综合分析尚未进行全面研究，特别是在水文、气象、地质地貌和人为因素方面[25]。
基于这一观察，本研究采用了多种方法，包括遥感技术、地理信息系统（GISs）、多标准决策制定（MCDM）和层次分析法（AHP），制作了UMBV地区的详细洪水易发性地图。目的是确定上蒙诺河流域的洪水高风险区域，为当地利益相关者和决策者提供科学依据，以指导土地利用规划和适应策略，从而减少洪水风险并降低多哥UMBV地区农村社区的脆弱性。

2. 方法论
2.1. 研究区域
上蒙诺河流域是位于多哥境内的流域部分，介于Nangbéto大坝和Tchaoudjo县之间（图1）。该流域总面积为15,801平方公里，长度为216.2公里，海拔高度从115米到881米不等。UMBV的气候受两个气团相互作用的影响，这种影响随年度内赤道辐合带（ITCZ）的南北移动而变化[26]。这一特征决定了流域的气候季节性，目前表现为由于强降雨导致的干旱和洪水交替出现[23]。大陆表面的水分重新分布也受到地貌和地表特性（土壤和地下渗透性、植被类型和密度等）的显著影响[23]。根据第五次人口和住房普查（RGPH 5），UMBV的人口估计为1,210,085人。

2.2. 数据收集
所使用的数据及其来源总结在表1中。此外，还与市政官员和UMBV地区的居民进行了焦点小组讨论和访谈，以验证GIS和遥感处理所得的结果。

2.3. 主题洪水地图的空间评估
八个标准（积聚流量、坡度、海拔高度、距离排水网络的距离、水文网络密度、土地覆盖和土地利用类型、年降水量以及土壤渗透性）的各层数据是在GIS环境中通过地理空间处理技术得出的，采用了遥感技术（图2）。这些数据来自不同的空间来源（表1），并重新采样到了相同的分辨率（10米）。选择这些因素是基于对科学文献的深入审查[27,28,29,30,31,32]，这些文献强调了它们在洪水风险建模中的决定性作用，不仅在非洲西部，而且在全世界范围内也是如此，因为它们代表了决定流域内水动力学的物理维度（地形、土壤、水文）和人为因素（土地利用）。这些因素的结合有助于构建一个稳健的多标准分析，以识别最易受洪水影响的区域[33,34,35,36]。

图2. 方法流程图
AF（积聚流量）：在识别易发洪水区域时，许多先前的研究都包含了积聚流量这一要素。该因素表明从上游地区流向流域内某一点的总水量[35]。高积聚流量值与水积聚概率增加相关，因此洪水风险也更高[13]。UMBV包含了几条水流，其中蒙诺河是主要河道，该地区有时会发生洪水，影响当地居民的生活和生计[21,37,38]。因此，在洪水易感性制图中纳入积聚流量因子至关重要。这一因素有助于洪水预测，因为它突出了最易受淹没影响的区域。
E（海拔高度）：反映了地形的高低，直接影响径流方向和低洼地区积聚径流的倾向，从而增加其洪水风险[13,30]。使用数字地形模型（DTM）计算坡度值，生成了展示地形陡峭程度的地图。UMBV的长度为216.2公里，海拔高度范围从115米到881米。这一坡度是洪水易感性空间化中的一个决定性因素，因为风险水平随着海拔高度的不同而变化。海拔等级是根据Jenks自然分级方法定义的[39]。
LULC（土地利用和土地覆盖）：使用Landsat 8卫星图像绘制了土地利用和土地覆盖类型图。创建了一个七波段的光谱合成图，并选择了第4、3和2波段来真实地反映土地覆盖特征。采用监督分类方法，对不同类型的土地覆盖（人类居住区、农业用地、稀疏植被（灌木草原和种植园）和森林（天然森林和林木草原）进行了分类。LULC影响渗透率和地表径流，因此影响洪水生成过程。植被类型及其覆盖程度起着重要作用[13]，因为植被有助于改善雨水渗透，从而降低洪水风险[13]。
AP（年降水量）：是径流生成的关键因素，对洪水风险评估至关重要[23]。收集了二十年的降水数据，并将其汇总为年降水量。为了捕捉空间分布，使用插值方法展示了2004年至2024年研究区域的年降水量。选择2004年至2024年的数据是因为这段时间包含了多哥上蒙诺河流域降雨强度高和洪水频发的年份。此外，这个时间跨度足够长，可以捕捉该地区的气候变化情况，而在研究进行时，可用的降水量数据仅覆盖到2024年。
DD（距离排水网络的距离）：有助于识别靠近水道的区域，这些区域通常更容易发生洪水[30]。靠近河流的区域通常比远离水道的区域更容易发生洪水；然而，阈值距离取决于河流的特征[28]。基于文献证据[13,40]和当地的社会农业实践，确定了200米的阈值距离作为最可能遭受最大损害的区间。在多哥的农村地区，主要河床的肥沃程度促使人们在这些易受洪水影响的区域耕作[41,42]，从而增加了他们的脆弱性。
DD（排水网络密度）：反映了地表水排出的能力，影响水流的集中程度。排水网络密度通过一系列水文分析获得。对DTM进行了预处理以修正不完善之处，并生成了流量方向和积聚栅格，以模拟水流。应用阈值定义了河道，并进一步将其转换为矢量实体。在制作反映排水网络强度及其管理径流能力的地图之前，已经计算了这些排水线的密度[30]。坡度（S）：它衡量地形的陡峭程度，这是影响径流速度和水积聚速度的决定性因素。坡度也是影响洪水风险发生的另一个因素，因为它控制着径流速度和渗透率。随着坡度的减小，径流速度也会降低，但地表径流量和洪水易发性会增加[25]。由于UMBV的地形并不均匀，因此考虑这一因素至关重要。坡度等级的划分基于粮农组织（FAO）的土壤描述指南[43]。为了得到五个等级，我们调整了FAO的分类方法，该方法原本只提供了三个坡度类别。土壤渗透性（SP）：这一因素提供了关于土壤渗透性和保持能力的信息，这些直接影响到渗透过程。通过导入shapefile格式的土壤数据并根据研究边界进行划分来评估土壤特性。由多边形实体表示的土壤层根据每种土壤的渗透性进行分类[30]。土壤渗透性因其性质而异，UMBV在其地理范围内表现出多种土壤类型。在这项研究中，渗透性被作为一个因素考虑在内，因为它决定了不同区域遭受洪水的倾向。洪水易发性：通过使用地理信息系统（GIS）并结合层次分析法（AHP）来生成洪水易发性地图。图2中显示的完整图表说明了用于绘制UMBV洪水易发性地图的不同步骤。为了实现这些不同因素之间的综合分析和比较，所有八张专题地图都被重新分类为五个标准化等级，从非常低到非常高。2.4 层次分析法（AHP）由于在洪水形成过程中各种因素的影响程度不同，因此使用了AHP来估计分配给每个选定参数的相对权重。AHP的方法如[44]所述，是通过建立一个成对比较矩阵来根据它们对研究现象的贡献来评估标准的相对重要性。这种方法已在西非次区域的许多作者中成功应用于气候风险脆弱性分析[1,37,38,45]。这种评估是在1到9的范围内进行的，根据专门工作会议期间专家的判断进行排名（表2）。这一过程允许构建一个一致的因素层次结构，这是建模洪水危险指数（FHI）和生成UMBV洪水易发性地图的前提条件。表2. Saaty的加权任务重要性等级。在分配分数后，数值被标准化并加权。设（M = (Bij)）为成对比较矩阵（表3）。M中的每个数值代表第i个参数相对于第j个参数的相对重要性。表3. 标准矩阵中的变量成对比较（AHP）。如果Bij > 1，则第i个参数比第j个参数更重要；如果Bij < 1，则第i个参数比第j个参数更重要；如果两个参数同等重要，则Bij = 1。此外，数学数值必须满足方程（1）给出的条件：Bij×Bji = 1（1）。在建立比较矩阵并定义了因素的权重后，根据[46]提出的方程（2）计算了一致性比率（CR）：CR = CI/RI（2），其中CI是一致性指数，RI是随机指数，其值取决于n，即标准的数量。一致性指数的值使用方程（3）获得：CI = λmax/n-1（3），其中λmax表示矩阵的最大特征值，n表示参数的数量。常数RI取决于n（表4）。当CR < 0.1时，评估被认为是可靠的，可以从AHP模型中获得可靠的结果。表4. AHP一致性指数值。本研究中提出的洪水危险指数（FHI）模型考虑了八个因素。每个像素的洪水危险指数（FHIj）使用以下公式计算：FHI = ∑Wj × Xj，其中Xj是相对于jj层的分类分数，Wj表示jj层的权重。此外，洪水危险指数（FHI）被标准化并分为五个等级，即：非常低、低、中等、高和非常高。获得的最大特征值为：λmax ≈ 8.52。一致性指数计算如下：CI = (8.52 ? 8)/7 ≈ 0.074。相应的随机指数（RI）为：RI = 1.41。因此，一致性比为：CR = 0.074/1.41 ≈ 0.052。由于该结果低于0.1的阈值，因此认为矩阵是一致的，这验证了专家的判断并授权在危险指数模型中使用这些权重。为了确保单位的同质性和变量之间的空间可比性，用于计算洪水易感性的所有参数都事先进行了标准化。最终的洪水易感性地图是根据以下公式对标准化变量进行加权聚合的结果：FHI = (0.33×XA×F) + (0.05×XA×P) + (0.05×XS×P) + (0.06×XL×U) + (0.08×XS) + (0.09×XE) + (0.18×XD×D) + (0.16×XD×d）（5）。2.5 UMBV中的洪水因素分类表5展示了八个洪水风险易感因素，并将其分类为五个类别。表5. 洪水易感因素的分类。2.6 洪水易感性地图验证为了将洪水易感性地图的结果与当地人口报告的实证证据相结合，需要采用一种综合方法。实际上，社区对洪水事件的历史发生和当地动态有详细的了解。正如[47]所强调的，整合当地观点和知识是对定量方法的不可或缺的补充，以避免科学建模与社区实际感知的脆弱性之间的脱节。为了验证洪水易感性地图的地域一致性，进行了实地调查以收集当地人口的实证数据。为了确保涵盖所有易感性等级（从非常低到非常高），在研究区域内选择了二十八个（28）个地点（图1）。在这些地点组织了焦点小组（图3），每组9到13名参与者，以收集社区对洪水危险强度及其对生计影响的看法。图3. 在Kouloumi（Tchamba 2市）的焦点小组。参与者包括：至少30岁的妇女和男子，他们直接经历了2007年至2010年间发生在多哥的历史性洪水；具有较广历史记忆的老年人，能够定位和比较最早的洪水事件；来自规划部门的两名市政府官员；一名来自该地区洪水管理民间组织的代表。参与者被要求在一个1到5的范围内评估他们所感知的洪水程度，其中1对应非常低的强度，5对应非常高的强度。此外，还进行了关于洪水的现场观察，特别是洪水在建筑物和树木上留下的痕迹以及侵蚀迹象，以验证或反驳当地人口的描述。这种参与式方法的目的是将当地观点与AHP-GIS模型的结果进行比较，以进行交叉验证。实地调查的数据被录入Excel电子表格中，然后使用R 4.4.2软件中的皮尔逊相关性分析来评估社区观点与地图上显示的易感性等级之间的关联程度。此外，这些数据被整合到ArcGIS 10.8软件中，并叠加在洪水易感性地图上，从而生成了一个空间对照地图。这一操作使得可以可视化人口识别出的高风险区域与模型分类为高风险的区域之间的相关性，从而加强了诊断的地域合理性。3. 结果 3.1 专题地图为了实现详细的空间分析和与AHP多标准模型的有效整合，每个选定的因素都以专题地图的形式表示（图4），这些地图是基于在GIS环境中处理的地理空间数据开发的。以下专题地图展示了以下变量的空间分布：图4. UMBV中的洪水易感因素 (A) 积聚流量 (B) 与排水网络的距离 (C) 年降水量 (D) 排水网络密度 (E) 土地利用/土地覆盖 (F) 海拔 (G) 土壤 (H) 坡度。积聚流量是洪水风险建模中的关键水文指标，反映了流域内某一给定点汇聚的水量。在UMBV的背景下，积聚流量地图突出了水体集中区域的空间层次结构，其中非常高水平的区域主要位于排水网络附近。这意味着UMBV内的地区，特别是住宅、学校、医疗中心、田野和市场等人类居住区，将受到洪水的快速影响，对人口造成严重影响。与排水网络的距离：它识别出靠近水道的区域，这些区域的洪水易感性会增加。距离主要水文网络200米以内的区域由于直接暴露于溢流和自然出口的饱和而极易受灾。远离排水网络的区域（>2000米）受河流洪水的影响较小，尽管这些空间在强降雨期间仍可能受到内部径流和积水的侵袭。中间区域（500–2000米）作为过渡区，相对于水道的接近性增加了水量积聚的可能性。最接近排水网络的区域（500–200米），尽管范围较小，但显得非常关键，因为它们集中了洪水和积水的风险，尤其是在低洼地区或土壤渗透性较低的地区。根据洪水易感性等级重新分类的排水网络密度地图识别出水流集中加剧水文风险的区域。排水网络密度非常高的区域，表现为高度分叉的水文网络，由于水流快速汇集到出口而更容易受灾。这些区域通常位于斜坡上或汇流处，特别容易受到河流洪水的影响。相反，排水网络密度低或非常低的区域，一般位于高原或排水轴的边缘，具有中等易感性，但在缺乏次级排水系统的情况下可能会发生内涝。排水网络非常密集的区域包括流域南部的Nangbeto大坝周围以及向北延伸的Mono河沿岸地区。这突显了人类活动对自然水文过程的影响。海拔地图突出了洪水的空间结构。该区域分为五个海拔等级，范围从115米到881米（表5）。中等海拔（235至415米）占主导地位，占总面积的近59%。低洼地区（115–235米）占28%，而高海拔地区（>415米）仅占13%。海拔地图证实了这一分布，低海拔地区集中在西北部，高海拔地区位于东南部。这种空间配置表明低洼地区容易发生洪水和水体滞留。在UMBV中，中等海拔的普遍存在确保了相对的水文稳定性，而集中在南部的广阔低洼地区仍然特别容易遭受洪水和水体滞留。坡度图是UMBV洪水风险建模中的关键指标。它揭示了坡度程度的差异性空间结构，中心及北部地区以平缓坡度（0–5°）为主（60%），而东南部地区的坡度较陡（图4和表5）。这种地形配置直接影响水流动态：低坡度有利于水体积聚和停滞，从而增加了洪水的风险；而陡坡则加速了径流，减少了水体在地的停留时间。对LULC（土地利用类型）地图的分析显示，该地区以自然地形为主，其中74%的面积为森林、林地草原和稀疏植被（灌木草原和种植园）所覆盖。这种地形特征反映了该地区高度自然的特点，有利于水文调节，但在干旱期间可能容易发生植被火灾。农业用地占总面积的22%，表明该地区具有较高的生产力，尽管其分布范围相对有限。人类居住区集中在总面积的3%以内，这些区域功能密度较高，尽管占地面积较小，但仍面临较高的风险。最后，湿地仅占用地面积的1%，虽然面积较小，但在水资源保持和洪灾控制方面发挥着重要作用。

土壤渗透性地图揭示了某些区域，其渗透能力直接影响着该地区的水文行为。具有良好渗透性的Plinthosols和Humic Nitisols（PT-NTeu）占地表面积的60%；中等渗透性的Lithic Leptosols占20%；限制性较强的Haplic Lixisols（LXha）占13%；渗透性不稳定的Haplic Vertisols和Nitisols（VRha-NTdy）占8%；而Gleyic Luvisols（LVgl）的占比不足1%（表5）。Upper Mono Basin Valley（UMBV）的土壤类型以Plinthosols和Humic Nitisols为主，其高渗透性有助于水分渗透和水文调节。Lithic Leptosols和Haplic Lixisols则存在径流和积水的问题，而Vertisols和Nitisols（占8%）虽然具有农业潜力，但也容易遭受水文灾害。总体而言，这种土壤配置具有较强的渗透能力，有助于降低积水引发的洪水风险。

降水分布图显示，研究区域的降雨模式存在一定程度的异质性。年降水量在1100至1170毫米之间的地区占主导地位，占总面积的28%；其次为年降水量在1170至1220毫米之间（26%）和1220至1275毫米之间的地区（22%）；年降水量超过1340毫米的极端降水区占比为14%（表5）。这种降水模式总体上有利于水文调节和农业发展，但也揭示了该地区对气候灾害（尤其是洪水和干旱）的脆弱性。此外，降水量的不均衡分布进一步凸显了水资源差异化管理和适应性管理的必要性，以确保区域的可持续发展。

UMBV的洪水风险地图（图5）显示了各个市镇之间的风险分布差异。Est-Mono 1、Est-Mono 3、Anié 1、Anié 2、Ogou 1、Ogou 2、Tchamba 2和Tchaoudjo 1等市镇的部分区域风险极高，尤其是在靠近主要河流系统和地形低洼地带。这些地区径流积聚严重且排水能力较弱，因此物理上的脆弱性较高。相比之下，Blitta 1、Blitta 2、Blitta 3、East-Mono 2、Tchaoudjo 4、Tchaoudjo 3、Tchamba 1、Tchamba 3等市镇以及Sotouboua 1、Sotouboua 2和Sotouboua 3的大部分区域风险较低至中等，这通常与较高的海拔、较陡的坡度或距离排水轴较远有关。该地图基于AHP模型选择的八个因素的加权线性组合得出，结果显示风险低至极低的地区占总面积的55%（871,046公顷）。风险较低和中等地区分别占24%（373,933公顷）和14%（229,316公顷）。高风险地区占6%（88,465公顷），而极高风险地区仅占1%（10,034公顷），主要位于地形低洼地带或主要水文网络附近（图6）。

洪水风险地图与当地风险认知的对比显示，被识别为高或极高风险的区域在公众中也普遍被视为高风险区，这反映了当地频繁发生洪水的经历。然而，也存在一些例外：一些风险中等或较低的地区被高估，而另一些风险较高的地区则被低估。这种差异反映了认知和记忆过程的复杂性，受到事件频率、影响可见性以及社区信息水平的影响。空间建模与实地数据的相关系数为r=0.805，表明当地认知与模型预测的空间变化高度一致。此外， p值（0.000）进一步证实了这种关系具有极高的统计显著性。

对Upper Mono Basin Valley（UMBV）洪水易感性的空间评估结合了AHP分析和GIS工具。该方法综合考虑了八个关键因素（径流积聚、年降水量、土壤渗透性、土地利用类型、坡度、距离排水网络的距离以及水文网络密度），并根据它们对研究现象的影响程度进行了加权。对高风险区域的详细空间分析证实了模型的可靠性（一致性比CR=0.052）。这种方法在西非次区域已经得到了广泛验证[1,13,30,42,47,48,49,50]，尤其在结合当地风险认知方面表现出独特优势。研究结果与当地居民的认知相符，相关系数超过80%，统计显著性显著（p值<0.001）。将社区认知纳入洪水风险评估是参与式治理的重要组成部分，相关研究[31,51,52,53,54]强调了这一点。研究结果表明，径流积聚是导致UMBV洪水的主要因素，其相对权重为0.33，这与先前研究[13]的结果不同[13]中将径流积聚视为影响较小的因素。这种差异可能源于两地洪水成因的差异：在后者研究中，洪水主要源于降雨；而在UMBV，洪水主要是由河流流动引起的，上游地区的径流在下游地区汇集，加剧了区域脆弱性。由于本研究位于上游地区，洪水并非直接由降雨引发，而是由水流向下游导致的。然而，这一发现与[29]在希腊Rhodope-Evros地区使用指数法和层次分析方法进行的研究结果一致，该研究中径流积聚的权重与本研究相同。

距离排水网络的距离（0.18）和水文网络密度（0.16）是评估洪水脆弱性的重要参数[28]。然而，在UMBV背景下，降水（0.05）和土壤质地（0.05）的作用相对较小。这表明仅依靠降雨强度无法完全解释洪水动态，还需考虑地形特征和土地利用模式。这一现象在流域上游尤为明显，那里的降水会向下流动，从而改变不同地区的脆弱性。这一发现与[32]在加拿大Don河流域的研究结果一致，他们发现降雨强度并非决定洪水风险的主要因素，而是水流特征和土地利用模式起关键作用。相比之下，[30]在尼日利亚Markudi流域的研究中认为降雨是主要因素，而[1]在菲律宾Davao Oriental省的研究表明降雨在洪水风险评估中作用有限。最后，[26]的研究中将土壤渗透性排在最后一位，证实了其在洪水风险模型中的次要作用。

风险地图显示了 torrentiality 和当地风险认知之间的显著空间差异。高风险区域主要集中在Ogou、Anié、Est-Mono1、Tchamba2和Tchaoudjo4等市镇，这些地区通常位于地形低洼地带或靠近主要水文网络。相反，Blitta、Sotouboua等市镇的风险较低至中等，这与较高的海拔和较好的排水能力相关。这种差异反映了各地区之间的脆弱性差异，需要根据不同的水文气候特征和社会实际情况制定差异化的区域策略。

综上所述，利用地理信息系统（GIS）、多准则决策（MCDM）和层次分析（AHP）方法对Upper Mono Basin Valley（UMBV）的洪水易感性进行空间评估，得到了较为一致的结果，并与社区认知高度吻合。研究结果表明，径流积聚、距离排水网络的距离和水文网络密度是洪水发生的主要因素，而降水和小土质在UMBV背景下作用较小。易感性映射揭示了显著的空间异质性，高风险区域主要集中在Ogou、Anié、Est-Mono1、Tchamba2和Tchaoudjo4等市镇，这些地区多位于地形低洼地带或靠近主要水文网络。相比之下，Blitta、Sotouboua等市镇的风险较低至中等，这与较高的海拔和较好的排水能力相关。这些结果为在乌姆贝特瓦地区（UMBV）实施降低洪水风险的本地策略提供了科学和操作上的依据。所采用的综合方法的成功有助于优先规划、加强早期预警系统，并优化最易受影响的市政区域的资源配置。此外，当地民众的认知与生成的地图之间的高度一致性增强了该模型在地区相关利益方中的可信度，从而便于将其纳入次区域层面的市政发展计划和气候适应能力政策中。这些结果进一步强调了整合物理参数、土地利用动态以及社区认知的必要性，以制定可持续的适应措施，提升社区对洪水灾害的抵御能力。