通过概率建模和可解释的机器学习方法，在降雨不确定性背景下解释城市洪水的易发性

《Journal of Hydrology》：Explaining urban flood susceptibility under rainfall uncertainty through probabilistic modeling and interpretable machine learning

本研究提出融合概率水动力模拟与可解释机器学习的新框架，系统分析城市洪水脆弱性驱动机制。结果表明地形特征（最小高程REmin、DEM）和排水能力贡献显著，城市形态影响呈现非线性阈值依赖性且空间异质性明显。该框架为不确定性条件下的城市洪水脆弱性评估与韧性规划提供了可解释解决方案。

　　

何思静|杰弗里·尼尔|赖成光|王兆莉

华南理工大学土木与交通学院，亚热带建筑与城市科学国家重点实验室，广州510641，中国

摘要

了解城市洪水易发性的驱动因素对于提高未来气候不确定性下的洪水抵御能力至关重要。本研究提出了一个综合框架，将概率流体动力学模拟与可解释的机器学习相结合，系统地分析影响网格尺度上洪水易发性的城市和环境因素。研究结果揭示了明显的深度和尺度依赖性模式：平均条件淹没概率在较高水深阈值下降低，而高风险区域的空间分布在不同阈值下保持一致。确定了17个影响城市洪水易发性的预测因子，其中地形特征如最低海拔（RE_min）和数字高程模型高度（DEM）具有最强的预测贡献，排水能力和城市形态因素也显示出显著影响。研究发现，城市形态的影响是非线性的且依赖于阈值，较高的开放度与较低的预测概率相关，尽管这种关联在不同空间位置有所不同。这些发现强调了多尺度、概率性和可解释性方法在有效评估城市洪水易发性和制定缓解措施规划中的必要性。

引言

城市洪水是一个日益紧迫的全球性挑战，其背后是气候变化加剧和城市化快速发展的双重作用（Rentschler等人，2023年；Sanders等人，2023年；Lee等人，2023年）。城市洪水发生的频率和严重程度的增加导致了大量人员伤亡和社会经济中断（Paprotny等人，2018年；Rentschler等人，2022年；He等人，2024年；Tang等人，2024年），损害了人类福祉，并威胁到城市的抵御能力和可持续发展（Li等人，2023年）。与河流洪水不同，城市洪水事件由于复杂的地表和水文过程而表现出高度的空间异质性和时间不可预测性（Tran等人，2024年），这使得它们的评估和归因变得复杂。在极端天气事件增多且人口集中在城市的未来，识别城市洪水的关键驱动因素对于制定风险缓解措施和韧性城市规划变得越来越重要。

城市洪水的产生是自然因素和人为因素复杂相互作用的结果。虽然地形和强降水等自然因素被认为是城市洪水的驱动因素（ten Veldhuis等人，2018年；Zhang等人，2024年），但包括排水基础设施和土地利用模式在内的人为因素也被证明会加剧洪水灾害（Elmer等人，2012年；Waghwal和Agnihotri，2019年；Zhou等人，2019年）。随着城市复杂性的增加，城市形态的配置有可能改变洪水事件的模式和严重程度（Bruwier等人，2020年；Li等人，2021年）。最初用于城市生态研究以量化结构和模式的景观指标，越来越多地被用来描述城市形态及其与城市洪水的关系（Miller和Brewer，2018年；Su等人，2018年）。然而，许多研究将这些指标视为空间上均匀的，未能捕捉到在局部尺度上塑造洪水响应的形态异质性（Zhang等人，2023年）。形态空间模式分析提供了对土地利用结构和分布的更细致的空间描述（Lin等人，2023年）。特别是以建筑物为中心的2D和3D形态特征已被证明在多个尺度上显著影响洪水行为（Wang等人，2022年；Wang等人，2023年；Wang等人，2025年）。新的指标，如城市孔隙率和Mermin序参数（用于量化建筑物排列的对称性），进一步证明了在分析洪水灾害中的实用性（Balaian等人，2024年；Sobstyl等人，2018年）。忽略这些结构和形态特征可能会在识别城市洪水灾害背后的机制时引入系统性偏差（Ke等人，2025年）。因此，将城市形态、土地利用和排水基础设施作为解释变量整合到洪水分析框架中具有重要意义。

基于物理的流体动力学模型被广泛用于模拟地表水动态并研究洪水风险与其驱动因素之间的关系（Neal等人，2010年；Zeng等人，2022年）。通过改变模型输入，如降雨的时空结构或土地利用模式，这些模型可以评估城市洪水对不同因素的响应（Hettiarachchi等人，2018年；Zhou等人，2021年；Feng等人，2021年）。然而，解决复杂的物理方程使得流体动力学模拟在计算上非常耗时，限制了它们在大规模或实时评估中的适用性（Yamazaki等人，2018年；Bates等人，2021年；Wing等人，2024年）。此外，高昂的计算成本阻碍了这些模型量化多个驱动因素的相对贡献和相互作用，因为这需要大量的模拟场景。大数据和计算技术的进步促进了数据驱动的机器学习（ML）方法在城市洪水预测和驱动因素分析中的应用（Aydin和Iban，2023年；Wei等人，2025年）。支持向量机（SVM）、随机森林（RF）、XGBoost、LightGBM和卷积神经网络（CNNs）等算法在复杂的城市条件下展示了强大的预测性能（Wang等人，2015年；Rafiei-Sardooi等人，2021年；Wang等人，2023年；Liao等人，2023年；Zhou等人，2024年）。这些模型能够在较低的计算成本下捕捉多个变量之间的高维非线性关系（Ke等人，2025年）。然而，它们的“黑箱”性质限制了可解释性，并限制了对洪水生成过程的机制理解。为了解决这一限制，可解释人工智能（XAI）的最新发展引入了事后阐明技术，如Shapley Additive exPlanations（SHAP）、Partial Dependence Plots（PDP）和Local Interpretable Model-Agnostic Explanations（LIME）（Barredo Arrieta等人，2020年）。这些方法阐明了各个输入特征对模型输出的贡献，提供了关于输入变化如何影响预测的见解（Lundberg和Lee，2017年）。XAI在水文应用中展示了有希望的结果，如洪水预报（Huang等人，2024年）、洪水机制分析（Jiang等人，2022年）、水质预测（Zhi等人，2024年）和城市洪水深度建模（Gao等人，2024年），但其应用于理解城市洪水概率的驱动因素仍然有限。

洪水概率（也称为洪水易发性）描述了一个地区发生洪水的可能性。与洪水深度预测相比，洪水概率可以识别出洪水易发区域，为决策者提供支持，以减少洪水风险和促进未来的可持续发展（Avand等人，2022年）。最近的研究将洪水易发性分析从传统的人工判断（Hosking和Wallis，1986年）转向了包括逻辑回归、模糊逻辑和机器学习在内的数据驱动方法（Jebur等人，2014年；Costache，2019年；Amiri等人，2024年）。虽然这些方法已成功应用于城市洪水易发性制图（Huang等人，2023年；Tang等人，2018年），但大多数研究依赖于分辨率较低的数据和稀疏的洪水观测数据。此外，城市洪水概率的潜在驱动因素仍不甚清楚。

在这里，我们开发了一个新的框架，将流体动力学模型和XAI结合起来，以预测城市洪水概率并阐明影响它的潜在重要因素。该框架不是依赖于有限的观测降雨输入，而是引入了一种由基于事件的随机降雨生成器驱动的动态模拟策略来考虑降雨不确定性。我们的目标是：（1）构建一个整合水文气象变量和城市形态特征的多源数据库；（2）开发一个由随机降雨事件驱动的1D/2D耦合水文模型；（3）使用XGBoost和贝叶斯优化提出一个网格尺度的条件洪水概率预测模型；（4）使用SHAP解释算法探索城市形态与洪水概率之间的非线性关系。该框架提供了一个强大且可解释的工具，用于在不确定性下理解城市洪水易发性，为适应性城市规划和洪水风险管理提供了新的见解。

部分摘录

数据和方法

如图1所示，基于随机降雨生成器的XGBoost算法可以通过以下五个步骤实现：（1）使用历史降雨数据构建了一个基于事件的随机降雨生成器，以开发降雨事件数据集；（2）使用降雨数据集驱动一个耦合的流体动力学模型（SWMM/LISFLOOD-FP）。在研究区域内未产生任何淹没事件的降雨被丢弃，并重复了模拟过滤过程

输入随机降雨事件

通过随机降雨生成器和耦合流体动力学模型之间的迭代模拟，共生成了1,000个在研究区域内导致淹没的降雨事件，并将其选为最终降雨数据集（图3）。由于数据集中排除了降雨量低且持续时间短的未引发洪水的事件，所选降雨事件的统计特征与历史分布不同。降雨量范围从

半径对城市形态特征的尺度效应

为了进一步研究空间尺度对城市形态特征及其对淹没概率潜在影响的作用，我们计算了以每个网格单元为中心的十个不同移动窗口半径（100–1000米）下的特征值（图11）。不同移动窗口半径下不同城市形态特征的空间分布可以在补充材料S4中找到。

对于孔隙率，半径的增加导致整体值的逐渐上升和范围的缩小

结论

本研究提出了一个综合框架，将概率流体动力学模拟和可解释的机器学习方法相结合，以研究影响条件城市淹没概率的因素。通过开发大量合成降雨事件及其对应的模拟，我们生成了可靠的网格尺度概率估计，并系统地探索了城市和环境因素的影响。

研究结果表明：1）城市洪水

CRediT作者贡献声明

何思静：撰写——原始草稿，方法论。杰弗里·尼尔：撰写——审阅与编辑，监督。赖成光：资金获取。王兆莉：监督，资金获取。

利益冲突声明

作者声明以下可能被视为潜在利益冲突的财务利益/个人关系：王兆莉报告获得了中国国家自然科学基金会的财务支持。王兆莉报告获得了广东省自然科学基金的财务支持。何思静报告获得了中国留学基金会的财务支持。赖成光报告获得了广东省的财务支持

致谢

本研究得到了中国国家自然科学基金（52379010；52539005）、广东省自然科学基金（2023B1515020087；2022A1515240071）、中国留学基金会和中国重大科技项目（SKS-2025037）的支持。