将SAR遥感技术与机器学习相结合，用于尼日利亚科吉州的综合洪水风险评估

《Journal of African Earth Sciences》：Integrating SAR Remote Sensing and Machine Learning for Comprehensive Flood Risk Assessment in Kogi State, Nigeria

　　穆罕默德·陶希杜尔·拉赫曼（Muhammad Tauhidur Rahman）| 约翰逊·阿约米德·伊布昆（Johnson Ayomide Ibukun）| 阿约米德·埃马纽埃尔·奥卢巴朱（Ayomide Emmanuel Olubaju）| 埃丝特·奥莫托拉尼·索迪波（Esther Omotolani Sodipo）| 萨希德·奥耶库恩莱·奥耶图恩吉（Saheed Oyekunle Oyetunji）
德克萨斯大学达拉斯分校经济、政治与政策科学学院地理空间信息科学项目，地址：美国德克萨斯州理查森市坎贝尔路800号，邮编75023

**摘要**
尼日利亚尼日尔河与贝努埃河交汇处的洪水威胁着数百万人的生命，但现有的评估方法主要依赖于易受云层覆盖影响的光学图像，缺乏评估损失所需的关键深度信息。本研究结合了合成孔径雷达（SAR）和机器学习技术，对科吉州（Kogi State）在三次重大洪水事件（2018年、2020年、2022年）中的洪水特征进行了分析，旨在实现四个目标：（1）利用具有穿透云层能力的Sentinel-1 SAR图像绘制洪水范围；（2）通过成本距离插值法估算洪水深度；（3）通过整合SAR和光学数据评估不同土地利用类型的洪水暴露程度；（4）利用集成机器学习模型预测洪水易发性。研究数据包括Sentinel-1 GRD图像、Sentinel-2多光谱数据、NASA数字高程模型（DEM）以及CHIRPS降水记录，处理工具为Google Earth Engine和ArcGIS Pro。洪水深度通过基于校正后的DEM的成本距离插值法得出；随机森林（Random Forest）和极端梯度提升（eXtreme Gradient Boosting, XGB）算法则基于九个环境因素（海拔、坡度、归一化差异植被指数NDVI、河流邻近性、地形湿度指数、流量累积、土壤类型、土地覆盖类型和降水量）进行训练。洪水范围从2018年的161平方公里增加到2022年的405平方公里，最大洪水深度达到3.82米，主要集中在河岸带。受淹区域中，耕地占比始终在75%至85%之间；建成区受淹面积从5平方公里增加到10平方公里，反映出城市无序扩张进入高风险区域的现象。XGB模型的准确率为93.1%（AUC=0.94），其中海拔（>50%）、河流邻近性（约22%）和坡度（约9%）是主要影响因子。该研究表明，在数据有限的热带地区，SAR与机器学习的结合能够提供可靠的洪水风险评估，且这种方法可借助免费数据和开源工具应用于撒哈拉以南非洲的类似地区。

**引言**
洪水是一种普遍且反复出现的自然灾害，对全球各地的生命和经济发展造成重大影响（Jonkman 2005；Suhr和Steinert 2022）。专家认为，洪水成因包括河流泛滥、强降雨、潮汐涌浪、融雪以及地下水渗漏（Amoateng等2018；Alves等2020）。洪水类型多样，包括山洪暴发、地下水位上升引发的洪水、沿海洪水以及水库或大坝泄洪造成的洪水。尽管各国实施了多种政策来减轻洪水影响，但它仍是对财产、社区和人类生命构成严重威胁的因素（Adelekan 2016；Olapeju等2025）。1950年至2009年间，非洲因洪水导致的死亡人数增加了十倍，2000至2009年间记录的死亡人数超过15,000人（Di Baldassarre等2010；Ntajal等2017；Alves等2020；Echendu 2020）。在非洲范围内，尼日利亚的洪水问题尤为严重，尤其是在地势平坦或低洼的城市地区（Komolafe等2020）。尼日利亚每年发生的洪水事件频率高于其他西非国家（Adelekan 2016；Komolafe等2020；Echendu 2020；Adeyemi和Komolafe 2025；Olapeju等2025）。缺乏适当的排水设施或现有系统被市政垃圾、碎屑和侵蚀沉积物堵塞的地区，洪水危害更为严重（Nkeki等2013）。2012年3月和7月，该国遭遇了历史上最严重的洪水，导致大量人员伤亡和财产损失，793人死亡，130万人无家可归，566,466人流离失所（Agada和Nirupama 2015；Ogunwumi和Ihinegbu 2025）。科吉州受影响最为严重，因为它位于尼日尔河与贝努埃河的交汇处（Ozim等2021；Oyedele等2022；Aladejana和Ebijuoworih 2024）。卡因吉（Kainji）、希罗罗（Shiroro）和拉格多（Lagdo）大坝同时泄洪，加上强降雨，引发了尼日利亚有记录以来最大的洪水事件（Komolafe等2020）。除了2012年的这场灾难外，科吉州每年都会发生洪水（尤其是2018年、2020年和2022年的重大洪水）。研究表明，洛科贾（Lokoja）作为州首府，位于尼日尔河与贝努埃河交汇处，加上降雨强度增加和气温上升，是导致洪水危机的主要因素（Nkeki等2013；Aladejana和Ebijuoworih 2024；Ogunwumi和Ihinegbu 2025）。快速且无计划的城市发展加剧了这一问题，基础设施难以跟上人口增长的速度，使得非正式定居点的社区更容易遭受洪水侵袭。该州的经济活动（如农业、渔业和河流运输）严重依赖水资源，洪水对这些关键行业的影响威胁到了居民的生计，凸显了有效洪水风险管理的必要性（Nouhou等2025）。

**研究方法**
地理空间技术和多标准决策分析的应用显著推动了洪水灾害研究的发展。Bathrellos等（2016）展示了将地理信息系统与分析层次过程结合用于雅典大都会区洪水灾害评估的有效性，强调了在易受灾地区考虑多种环境因素的重要性。Skilodimou等（2025）通过将构造活跃区域纳入分析层次过程（AHP）和地理信息系统（GIS）框架，进一步改进了洪水灾害制图方法，揭示了地质复杂性对洪水动态的影响。Andriopoulou-Mounteanou等（2025）通过研究构造活跃地区的洪水淹没模式，强调了局部地貌条件在决定洪水行为中的关键作用。Karpouza等（2023）将研究扩展到社会维度，评估学生在洪水和海啸事件中的保护措施，提醒我们洪水风险评估必须服务于人类安全和灾害准备。这些研究共同强调了综合地理空间方法在洪水评估中的价值，但也指出了数据有限地区（尤其是非洲内陆流域）面临的持续挑战。

**数据来源**
自2012年重大洪水灾害以来，众多研究聚焦于利用遥感和地理空间技术进行洪水灾害管理、韧性评估及易发性研究（Buba等2021；Ozim等2021；Aladejana和Ebijuoworih 2024），包括历史洪水数据分析、土壤制图、航拍照片、重要河流的水文建模以及卫星图像分析（Nkeki等2013）。Aladejana和Ebijuoworih（2024）结合模糊分析层次过程（FAHP）、GIS和遥感技术，建立了识别科吉州高风险区域的详细框架。Oyedele（2022）提出了一种基于指数的方法来提高社区层面的洪水易感性理解。Ozim（2021）对全州社区易感性进行了GIS分析。这些研究为有针对性的干预提供了重要依据，但它们主要依赖历史记录、静态风险指数或光学卫星图像，且常受数据可用性、时间分辨率和云层干扰的限制。

**最新进展**
在数据稀缺的非洲地区，机器学习方法在洪水灾害评估中显示出显著效果。El Baida等（2024）在摩洛哥成功应用优化后的随机森林算法进行洪水灾害制图，尽管地面水文数据有限仍取得了高预测精度。Youssef等（2023）利用多种机器学习算法对非洲不同地区的多重灾害进行了建模，随机森林算法的AUC值超过90%。这些研究表明，机器学习方法结合遥感数据，能为传统监测网络不足的地区提供可靠的洪水易发性评估方案。此外，Sentinel卫星图像在非洲环境制图中的应用也得到了充分验证（Nigussie等2019）。Amah等（2021）研究了尼日利亚东南部的水文动态和土壤特性，强调了地形、土壤和水文之间的复杂相互作用。

**研究区域**
本研究选择尼日利亚中北部的科吉州作为研究对象，该州面积约29,074平方公里，人口约447万（City Population 2025）。科吉州被称为“交汇州”，因为尼日尔河与贝努埃河在此交汇，这一交汇点在高峰流量期间形成了水文瓶颈（Oyedele等2022；Aladejana和Ebijuoworih 2024）。

**数据来源**
本研究分析了多种地理空间数据集，详见表1。2018年、2020年和2022年三次洪水期间获取了Sentinel-1地面范围检测（GRD）图像，涵盖洪水前后的情况。图像采用干涉宽模式（IW）采集，偏振方式为VH，轨道为上升轨道，空间分辨率为10米。此外，还使用了Sentinel-2多光谱图像。

**洪水范围制图**
图4展示了2018年、2020年和2022年科吉州洪水范围的时空分布情况，表3总结了各年的淹没面积（单位：平方公里）。2018年洪水面积约为360平方公里，2020年减少至161平方公里，表明洪水强度有所减弱（可能与降水量减少或水管理措施有效有关）；2022年洪水面积再次扩大至405平方公里。

**结论**
本研究首次利用Sentinel-1 SAR图像和集成机器学习方法，为尼日利亚科吉州提供了三维洪水风险评估。以往研究仅使用易受云层影响的光学图像绘制二维洪水范围，而本研究通过三项关键贡献推动了该领域的发展：（1）具有穿透云层能力的SAR技术在季风期间实现了可靠的洪水检测；（2）结合SAR淹没图和Sentinel-2土地覆盖分类，评估了不同土地利用类型的洪水暴露程度；（3）利用随机森林和极端梯度提升模型预测洪水易发性。约翰逊·阿约米德·伊布昆（Johnson Ayomide Ibukun）：撰写工作——原始稿件、方法论、形式分析、数据整理、概念化。阿约米德·埃马努埃尔·奥卢巴朱（Ayomide Emmanuel Olubaju）：撰写工作——原始稿件、方法论、数据整理；未引用参考文献：El baida等人，2024年。

**利益冲突**
作者声明他们没有已知的财务利益冲突或个人关系，这些利益或关系可能会影响本手稿中报告的工作内容。

**资金来源**
作者声明在准备本手稿期间未收到任何资金、资助或其他形式的支持。

**利益冲突声明**
? 作者声明他们没有已知的财务利益冲突或个人关系，这些利益或关系可能会影响本论文中报告的工作内容。