《Land》：Identifying Homogeneous Regions for Flash Floods Using Graph Clustering Neural Networks in Jiangxi Province, China
编辑推荐：
摘要：通过分区(Regionalization)识别山洪(Flash Flood)均质区域(Homogeneous Region)对于有效减灾防灾至关重要。然而，现有大多数分区方法主要关注属性相似性(如气象及下垫面因子)，忽略了反映流域间拓扑网络及汇流关系的结
摘要：通过分区(Regionalization)识别山洪(Flash Flood)均质区域(Homogeneous Region)对于有效减灾防灾至关重要。然而，现有大多数分区方法主要关注属性相似性(如气象及下垫面因子)，忽略了反映流域间拓扑网络及汇流关系的结构相似性(Structural Similarity)。本研究提出一种基于图聚类神经网络(Graph-Clustering-Neural-Network-based Flash Flood Regionalization, GFFR)的新方法以解决上述局限并改进均质区域划分。首先将流域抽象为有向图(Directed Graph)；GFFR中设计图卷积自编码器(Graph Convolutional Autoencoder)学习同时捕捉流域属性与结构的潜特征(Latent Representation)，解码器将流域划分为簇(Cluster)。研究人员在中国江西省应用GFFR，其表现优于三种典型聚类方法。利用历史山洪事件验证GFFR分区图，显示其与高密度事件簇具有强空间一致性，判定力(Determinant Power)达81%，且较三种对比方法平均判定力提高24%。总之，GFFR为山洪分区提供了有力工具，划分出的区域可为政府山洪防灾减灾策略提供关键指导。
论文解读：基于图聚类神经网络的江西省山洪灾害均质分区研究
该研究发表于《Land》期刊。传统山洪灾害分区（Regionalization）多采用K-means或SKATER等聚类算法，仅依据流域单元的属性相似性（如降雨、地形、植被等下垫面因子）进行划分，忽视了流域间天然存在的水文拓扑连接及汇流方向所代表的结构相似性（Structural Similarity），导致分区结果空间破碎或需依赖专家知识进行后处理。此外，图聚类神经网络（Graph Clustering Neural Network, GCNN）虽能同时表征节点属性与图结构，但在山洪分区领域尚未得到应用。为此，研究人员提出一种基于图聚类神经网络的山洪分区方法（GFFR），将流域构建为有向图（Directed Graph），利用图卷积自编码器（Graph Convolutional Autoencoder, GCAE）联合学习属性与上游—下游结构信息，以实现更合理的山洪均质区域（Homogeneous Region）划分，并在中国江西省12,245个流域单元上进行验证。
主要关键技术方法
研究人员选取江西省为研究区，以面积10~50 km2的子流域为基本单元。属性数据包括22个气象因子（基于国家气象信息中心小时降水0.1°格点数据集经Pearson-III频率曲线推求1 h、3 h、6 h最大降雨量及不同年超越概率）及7个下垫面因子（DEM、高程差、坡度、NDVI、距最近河道高度HAND、地表粗糙度、稳定入渗率）。历史山洪事件（1950–2015年，来自全国山洪灾害调查评价项目NFFIEP）仅作独立验证用，不参与训练。依据D8算法构建流域间有向邻接矩阵表征汇流关系。GFFR模型基于PyTorch 1.9.0搭建，编码器由三层GCN（图卷积网络，维度512-256-128）、归一化层、ReLU及残差连接（Residual Connection，超参α=0.2, β=0.5）组成，通过加权平均各层输出获得潜特征；解码器采用内积重构图并以t-分布定义软分配概率，用KL散度（Kullback–Leibler Divergence）衡量聚类损失，联合二值交叉熵（Binary Cross Entropy, BCE）重构损失训练（平衡系数γ=10，Adam优化器，学习率0.001，50轮）。通过聚类质量指数（Clustering Quality Index, CQI）与Calinski–Harabasz指数（CHI）确定最优簇数，初始聚类后经变异系数（Coefficient of Variation, CV）和一阶差分（First-Order Difference, FOD）引导的后处理合并零散多边形保证空间连续性。采用地理探测器（Geodetector）因子探测模块计算q统计量评估分区与历史山洪事件密度空间分布的一致性。对比方法为K-means、SKATER及深度注意力嵌入图聚类（Deep Attentional Embedding Graph Clustering, DAEGC）。
研究结果
3.1. Optimal Number of Clusters（最优簇数确定）
通过计算不同簇数下CQI与CHI值，K-means、DAEGC和GFFR在簇数为6时CQI最低且CHI最高，定为三者最优簇数；SKATER在簇数为11时CQI最小，定为最优。表明六分区对该研究区属性—结构联合聚类最为适宜。
3.2. Clustering Results of Flash Floods（山洪聚类结果）
GFFR初始聚类产生孤立多边形仅42个，平均紧凑度（Compactness）达0.742，显著优于K-means（656个孤立多边形，0.481）、DAEGC（158个，0.697）及SKATER（较少孤立但因无后处理仍存大延伸区）。说明GFFR能有效兼顾属性与流向结构，减少空间碎化。
3.3. Regionalization Maps of Flash Floods（山洪分区图）
经后处理合并，K-means、DAEGC和GFFR最终分区数分别为17、16和13个。GFFR所得分区无飞地（Isolated Polygon），区域面积相对均衡且边界紧凑；K-means出现不连续岛状多边形，SKATER与DAEGC存在狭长延伸区。证明引入有向图结构可有效提升分区的空间连贯性与合理性。
3.4. Evaluation of Flash Flood Regionalization Maps（分区结果评价）
Geodetector q统计量结果为：K-means为0.406，SKATER为0.516，DAEGC为0.792，GFFR为0.810。GFFR较三种对比方法平均判定力提高约24%，说明其划分区域与历史山洪事件密度空间分布一致性最强，分区均质性最优。
讨论与结论
参数敏感性分析表明联合损失函数中平衡系数γ=10时CQI最低、CHI最高，模型性能最优。消融实验（Ablation Analysis）证实：用GCN层替换GAT层使CQI降低4.94%、CHI升高19.34%；加入残差连接进一步改善指标；采用有向图替代无向图使CQI降低18.28%。三者共同提升了GFFR在山洪分区中的表现。研究人员指出当前评估依赖历史事件，未来气候变化及人类活动影响下的适用性需进一步检验，且GFFR旨在提供均质分区基础以支持后续水文模型参数移植及差异化防灾策略制定，而非直接进行山洪预报；该方法可迁移至其他流域或其他地理分区（气候、生态、水文）研究中。
结论（翻译）
本文提出一种基于图聚类神经网络(GFFR)的山洪分区新方法，利用GCNN同时考虑属性与结构相似性划分均质区域。GFFR架构含编码器、解码器、GCN层、残差连接及流域有向图。以中国江西省为案例，收集流域气象与下垫面因子作属性，依汇流方向构建有向图表征空间结构。输入有向图训练GFFR生成聚类结果，经后处理得到江西省13个山洪均质分区。GFFR分区图对历史山洪事件空间分布的判定力达81%，较K-means、SKATER和DAEGC三种典型聚类方法平均性能提升24%。所提GFFR为山洪及其他地球科学领域分区研究提供了有价值的新途径。
