《Journal of Hydrology: Regional Studies》：Capability assessment of the novel hybrid MCDM GIS-based approaches and machine learning algorithm for flood hazard analysis in South of Iran
编辑推荐：
研究区域为伊朗南部俾路支盆地。研究重点是提出新方法是发展洪水发生方法论的关键步骤，这对于有效洪水管理的环境规划至关重要。在本研究中，研究人员调查了多种混合方法的能力，包括扩展模糊-枢轴成对相对标准重要性评估（Fuzzy PIPRECIA）、模糊-组合妥协解（F
研究区域为伊朗南部俾路支盆地。研究重点是提出新方法是发展洪水发生方法论的关键步骤，这对于有效洪水管理的环境规划至关重要。在本研究中，研究人员调查了多种混合方法的能力，包括扩展模糊-枢轴成对相对标准重要性评估（Fuzzy PIPRECIA）、模糊-组合妥协解（Fuzzy CoCoSo）、加权聚合和积评估（WASPAS）、有序加权平均（OWA）和复杂比例评估（COPRAS），用于制备洪水灾害图（FHM）。此外，研究人员利用Sentinel-1和Sentinel-2影像及随机森林（RF）算法评估了土地覆被类别（LUC）在洪水灾害条件下的脆弱性以及被淹的LUC。对该区域的新水文见解：Fuzzy PIPRECIA模型的Spearman秩相关系数（SRCC）为0.8393，新型混合多准则决策（MCDM）模型平均ROC-AUC系数超过0.81，在FHM制备中表现出非常良好和优秀的性能。基于Fuzzy CoCoSo、Fuzzy PIPRECIA-Fuzzy CoCoSo-OWA、Fuzzy PIPRECIA-WASPAS和Fuzzy PIPRECIA-COPRAS模型，南部俾路支盆地约34.40%（16,712.69 km2）、41.20%（20,014.48 km2）、48.50%（23,562.26 km2）和31.54%（15,323.25 km2）的区域处于非常高和高的洪水灾害（FH）条件，29.67%、31.06%、36.14%和34.82%处于中等FH，25.99%、20.24%、17.18%和33.59%处于低FH。此外，2019年和2022年南部地区的洪水导致了牧场（1056.47 km2）、裸地（477.96 km2）、建成区（6.17 km2）和农作物（16.15 km2）的损毁。这些情况表明南部俾路支盆地的洪水状况严峻，需要适当的洪水管理规划。
### 论文解读文章
#### 研究背景
洪水是全球最具破坏性的自然灾害之一，造成环境、自然、社会经济等多方面的显著损失，尤其是人员伤亡。根据联合国减少灾害风险办公室（UNODRR）1995年至2015年的报告，全球超过25亿人受到洪水影响，发生了约150,061次洪水事件，其中近一半发生在亚洲。气候变化、人口增长和人类活动对自然环境的负面影响是洪水发生的关键因素。在伊朗，环境退化、地理特征及其位于亚洲大陆干旱和半干旱带的位置是洪水的主要原因。伊朗的地理位置导致降水时空分布不均，北部因强降水而洪水频发，南部则因暴雨和低土地覆被密度而面临洪水威胁。过去几十年，伊朗各地发生了约3700次洪水，造成近36亿美元的损失。2019年和2022年，东南部南部俾路支盆地两次经历破坏性洪水，导致电力、饮用水、道路、农业用地、桥梁、畜牧场和居民区严重受损。因此，识别洪水易发区并制备洪水图对于管理和减轻该地区的洪水损失至关重要。
现有研究广泛采用遥感（RS）影像、多准则决策（MCDM）模型和地理信息系统（GIS）进行洪水研究。Sentinel-1和Sentinel-2影像在洪水监测和制图中具有优势，而传统的层次分析法（AHP）等MCDM模型常与GIS结合用于洪水灾害评估。然而，传统模型如AHP在权重确定中可能依赖主观排序，且缺乏可靠性验证。新近模型如决策试验与评价实验室（DEMATEL）、最佳-最差方法（BWM）等已被引入，但仍有改进空间。本研究旨在通过引入新型混合MCDM方法，包括模糊PIPRECIA、模糊CoCoSo、WASPAS、OWA和COPRAS，并结合Sentinel影像和随机森林（RF）算法，提升洪水灾害制图的精度和可靠性。
#### 研究内容与结论
研究人员在伊朗南部俾路支盆地开展了三项主要研究： (1) 评估新型混合MCDM模型（模糊PIPRECIA-WASPAS、模糊PIPRECIA-COPRAS、模糊CoCoSo和模糊PIPRECIA-模糊CoCoSo-OWA）制备洪水灾害图（FHM）的能力； (2) 利用Sentinel-1和Sentinel-2影像及RF算法制备2019年和2022年洪水图； (3) 评估土地覆被/土地利用（LULC）类别在洪水灾害条件下的脆弱性，并估算被淹LUC。研究得出以下结论：模糊PIPRECIA模型具有高可靠性（Spearman秩相关系数SRCC=0.8393）；所有混合MCDM模型在ROC-AUC分析中表现良好（0.819–0.932），其中模糊PIPRECIA-模糊CoCoSo-OWA和模糊CoCoSo模型性能最优（ROC-AUC分别为0.932和0.905）。基于这些模型，盆地内约31.54%–48.50%的区域处于高至非常高洪水灾害等级。2019年和2022年洪水导致牧场、裸地、建成区和农作物严重受损，其中2019年洪水破坏面积更大（牧场1056.47 km2）。研究还发现，超过80%的建成区和55%–78%的裸地处于中等至非常高洪水灾害条件，表明该盆地洪水风险严峻，需优先在南部地区实施洪水管理规划。
#### 主要关键技术方法
研究人员采用了以下关键技术方法： (1) 遥感影像处理：利用Sentinel-1A/B Level-1 GRD产品的VV+VH极化影像和Sentinel-2A/B MSI Level-1C影像，通过SNAP v.6.0.0软件进行预处理（包括轨道文件应用、热噪声去除、辐射定标、斑点滤波（Lee滤波7×7窗口）和地形校正），并进行大气校正（Sen2Cor），将反射率转换至底大气层。 (2) 机器学习算法：采用随机森林（RF）算法对Sentinel-1和Sentinel-2影像进行分类，提取洪水水体、水体和其他土地三类，并使用5000个样本点和10棵树，设置最小和最大功率参数。 (3) 混合MCDM建模：应用模糊PIPRECIA模型计算准则权重（通过PIPRECIA和逆PIPRECIA两种方法，基于15位专家意见，使用1–2和0–1模糊标度）；采用模糊CoCoSo模型计算准则最终得分（基于SAW和EWP两种方法，λ值为0.5）；结合模糊PIPRECIA权重与模糊CoCoSo得分于OWA模型（确定相对权重和顺序权重）；以及应用WASPAS和COPRAS模型（使用模糊PIPRECIA权重，并通过λ优化参数）。 (4) 验证方法：使用ROC-AUC分析评估MCDM模型性能（置信区间95%），通过地面真值点（GTP）计算总体精度、生产者精度、用户精度和Kappa系数验证洪水图和LULC图。样本和队列来源：地面真值点通过实地调查收集，包括农业、植被、裸地、水体、建成区和牧场类别。
#### 研究结果
**1. 准则权重**
通过模糊PIPRECIA模型，研究人员计算出15个洪水灾害准则的权重。Spearman秩相关系数（SRCC）为0.8393，表明模型高可靠性。降水（P, 0.0932）、坡度（SL, 0.0919）、距河流距离（DTR, 0.0888）、排水密度（DD, 0.0844）、LULC（0.0739）和海拔（EL, 0.0729）权重最高，是洪水发生的最重要因素；而径流强度指数（SPI, 0.0325）、地形粗糙度指数（TRI, 0.0371）、坡向（A, 0.0527）、地形位置指数（TPI, 0.0581）和地形湿度指数（TWI, 0.0529）权重最低。
**2. MCDM模型验证**
ROC-AUC分析显示，所有模型在95%置信区间内表现非常良好至优秀：模糊PIPRECIA-模糊CoCoSo-OWA（0.932）和模糊CoCoSo（0.905）为优秀；模糊PIPRECIA-WASPAS（0.874）和模糊PIPRECIA-COPRAS（0.819）为非常良好。
**3. 洪水灾害制图与评估**
通过将模糊CoCoSo模型与GIS集成，研究人员计算了准则最终得分（公式52），并制备了洪水灾害图，分为五类。统计表明：模糊CoCoSo模型显示34.40%面积处于高和非常高洪水灾害；模糊PIPRECIA-模糊CoCoSo-OWA为41.20%；模糊PIPRECIA-WASPAS为48.50%；模糊PIPRECIA-COPRAS为31.54%。所有模型中，中等至非常高洪水灾害面积超过60%，且非常低等级面积小于10%。
**4. 2019年和2022年洪水验证与空间监测**
2019年和2022年洪水图经RF算法从Sentinel-1和Sentinel-2影像提取，验证结果：2019年Sentinel-1的总体精度为89%、Kappa系数87%；Sentinel-2为92%和89%。2022年Sentinel-1为87%和85%；Sentinel-2为90%和88%。2022年LULC图Kappa系数78%、总体精度81%。2019年洪水淹没面积（Sentinel-2: 1562.1 km2）大于2022年（1477.22 km2）。洪水主要影响盆地西南至东南部。
**5. 2019年和2022年洪水在洪水灾害条件下的演变**
将洪水图与MCDM模型输出叠加，发现洪水分布于所有灾害等级。在模糊CoCoSo等模型中，高和非常高灾害等级的洪水面积显著（如模糊PIPRECIA-WASPAS模型中2019年Sentinel-2为528.26 km2），而低和非常低等级面积较小。最大洪水面积出现在中等灾害等级（模糊CoCoSo、模糊PIPRECIA-WASPAS、模糊PIPRECIA-COPRAS）或低灾害等级（模糊PIPRECIA-模糊CoCoSo-OWA）。
**6. LULC类别在2019/2022年洪水及洪水灾害条件下的状况**
2019年洪水导致牧场受损1056.47 km2、裸地477.96 km2、建成区6.17 km2、农作物16.15 km2、树木4.16 km2、水体1.19 km2；2022年洪水分别导致963.49、496.36、9.23、6.05、1.3和0.78 km2。在洪水灾害条件评估中，所有模型显示超过80%的建成区、55%–78%的裸地和64%–84%的牧场处于中等至非常高洪水灾害；而农作物和树木主要处于低至中等洪水灾害（农作物约65%–89%，树木约63%–70%）。
#### 讨论与结论
讨论部分指出，模糊PIPRECIA模型通过PIPRECIA和逆PIPRECIA两种方法提高了结果可靠性，且SRCC验证了其性能优于AHP等传统模型。降水、坡度、距河流距离、排水密度和LULC是研究区关键洪水因子，这与干旱-半干旱气候下暴雨和低密度LULC导致水流汇集相符。2019年和2022年洪水验证了盆地易发洪水，MCDM模型输出显示60%以上区域处于中等至非常高洪水灾害。新型混合方法（如模糊CoCoSo、WASPAS、COPRAS、OWA）与GIS结合展现出高能力，其中模糊PIPRECIA-模糊CoCoSo-OWA因利用模糊CoCoSo确定顺序权重而改进了传统OWA模型性能。
研究结论部分：本研究以三个主要目标进行：(1) 评估新型混合MCDM模型制备洪水灾害图（FHM）的能力；(2) 利用Sentinel-1、Sentinel-2影像和RF算法制备2019年和2022年洪水图；(3) 评估LULC类别在洪水灾害条件下的脆弱性并估算南部俾路支盆地被淹的LUC。研究人员分析表明，将模糊CoCoSo模型结果集成到GIS、开发传统OWA模型以及使用模糊PIPRECIA-WASPAS和模糊PIPRECIA-COPRAS模型在制备洪水灾害图方面具有高能力。此外，Sentinel-1和Sentinel-2影像在提取和制图洪水水体方面具有高潜力，但Sentinel-1的光谱带限制导致其在小水体提取和精度上不及Sentinel-2。2019年和2022年洪水图的空间监测以及MCDM模型输出表明，南部俾路支盆地超过70%的区域处于中等、高和非常高洪水灾害条件。这些洪水导致西南至东南部大量牧场、裸地、建成区、农作物和树木在中等至非常高洪水灾害条件下受损。因此，鉴于南部俾路支盆地的洪水灾害严峻状况，有必要采用自然和环境规划来管理未来可能的洪水并减少洪水损失，优先分配资源到南部地区。此外，本研究所提出的MCDM模型因其高能力，成为发展洪水灾害研究方法论的最实用方法之一，可在许多未来研究和规划中发挥重要作用。
