摘要
遥感技术无需实地调查即可进行建筑层面的洪水脆弱性评估，但现有的方法通常需要针对特定地点进行校准，或者产生的结果仅是分类性的，缺乏物理上的可解释性。我们提出了全球洪水脆弱性模型（GFVM），该模型整合了六个遥感参数（海拔、坡度、地形位置指数、距水距离、建筑高度和地下室深度），并通过地理背景分类来量化沿海、河流和降雨区的地形和结构特征所带来的脆弱性。建筑高度数据主要来源于全球建筑地图集（Global Building Atlas），对于缺失的数据，使用在四个城市的高分辨率激光雷达（LiDAR）真实数据上训练的ConvNeXt神经网络进行补充（城市内的平均绝对误差为1.35–1.91米，城市间的平均绝对误差为2.05–3.47米）。地形指标则结合了多种分层数字高程模型（如USGS 3DEP 10米、AHN LiDAR 0.5米、UK环境署DTM 1米、澳大利亚5米）和全球数据集（NASADEM 30米、Copernicus GLO-30）得出。水文网络数据来自OpenStreetMap和Natural Earth。通过Google Earth Engine实现该模型时仅需输入坐标，即可得到一个包含多灾害维度（河流、沿海、降雨）的五级脆弱性指数，并通过SHapley Additive Explanations（SHAP）方法确定主要影响因素。在德国、英国和美国的183个独立地点进行验证后，该模型表现出良好的性能：区分洪水区和非洪水区的曲线下面积比为0.855，在不同管理区域的加权Cohen’s kappa值为0.493，与联邦应急管理署（FEMA）的分类结果的Spearman相关系数为0.746。通过对625种参数配置的敏感性分析，确认了模型的稳定性；此外，高分辨率数据与全球30米分辨率数据的对比显示，在仅有5.3–8.6%的地点出现分类结果的变化。将此模型应用于2024年哈萨克斯坦的洪水灾害，识别出581个评估点中的118个高脆弱性区域，其脆弱性分布与实际淹没情况一致。GFVM通过证明多源地理空间数据的融合无需本地校准或实地调查即可进行建筑层面的脆弱性评估，从而推动了遥感技术在灾害风险评估中的应用。
