《Hydrology》：Flood Susceptibility Mapping: Scenario-Based Multi-Criteria Decision-Making Versus Random Forest Model
编辑推荐：
洪水是破坏性最强的自然灾害之一，对全球生命安全与基础设施构成显著威胁。有效的洪水风险管理需要精确且多维的分析方法。基于此，当前研究旨在评估并比较两种洪水风险评价方法：基于情景的有序加权平均（Ordered Weighted Averaging, OWA）方法与
洪水是破坏性最强的自然灾害之一，对全球生命安全与基础设施构成显著威胁。有效的洪水风险管理需要精确且多维的分析方法。基于此，当前研究旨在评估并比较两种洪水风险评价方法：基于情景的有序加权平均（Ordered Weighted Averaging, OWA）方法与数据驱动的随机森林（Random Forest, RF）方法。为此，研究选取伊朗大卡伦流域作为研究区，原因在于该区域具有复杂的水文（hydrological）与气候（climatic）条件。研究人员综合采用并分析了水文气候（hydro-climatic）、水文、地形、土地覆盖数据以及实际洪水观测资料，并依据专家意见推荐的15个影响因子开展研究。
在OWA方法中，因子权重采用最佳-最劣法（Best-Worst Method, BWM）确定，并基于五种情景生成洪水风险图，分别为：非常乐观、乐观、中间、悲观和非常悲观。在RF方法中，因子重要性指数通过平均不纯度下降算法（mean decrease impurity, MDI）计算，并对模型进行训练以生成洪水风险图。结果表明，在OWA中，距河流距离与坡度是最具影响力的因素；而在RF中，降水与汇流累积占主导地位。OWA各情景的预测率（Prediction Rate, PR）范围为1.4%至3.5%，而RF达到16.0%，其曲线下面积（Area Under the Curve, AUC）为0.984。乐观情景倾向于高估风险，悲观情景则倾向于低估风险，其中OWA的中间情景与RF结果最为接近。RF在洪水风险分类方面表现出更优性能，突显了其在精细化洪水管理中的适用性。总体而言，本研究通过整合基于情景的OWA-BWM与随机森林方法，提出了一个新的比较框架，用于探究决策者偏好与数据驱动学习对洪水易发性制图的影响。
该文发表于《Hydrology》，围绕洪水易发性制图中“主观决策驱动”与“数据驱动学习”两类方法的比较展开。研究背景在于，洪水作为最广泛且破坏性极强的自然灾害之一，近几十年来因人口、资产持续向洪泛区集聚以及气候变化引起极端降水和径流格局改变，其发生频率、强度与暴露度均显著上升。尤其在复杂流域系统中，洪水形成受水文气候、地形、下垫面、土地利用和人类活动共同控制，传统单一技术路径难以同时兼顾可解释性、灵活性与预测精度。因此，开展兼具情景分析能力与高精度识别能力的洪水易发性评价研究，对于流域尺度风险识别、空间规划和防灾减灾决策具有重要现实意义。
现有研究表明，机器学习模型在洪水易发性预测方面具有较高精度，能够刻画复杂非线性关系；与此同时，多准则决策分析（MCDA）方法则在纳入专家知识、表达管理偏好和开展不确定性分析方面具有优势。然而，两类方法往往分别使用，且基于情景的有序加权平均（OWA）与最佳-最劣法（BWM）组合框架，同随机森林（RF）的系统对比研究仍相对有限，尤其在伊朗大卡伦流域这一具有显著地形起伏、气候差异和人类水利工程影响的复杂流域中尚缺乏相关研究。基于此，研究人员以大卡伦流域为案例，构建了一个统一空间框架，对基于情景的OWA-BWM方法与数据驱动的RF模型进行比较，以回答在流域尺度洪水易发性制图中，RF是否能够在精度、稳健性与泛化能力上优于依赖专家判断的OWA-BWM方法这一核心问题。
在技术方法上，研究以伊朗大卡伦流域为研究区，统一构建300 m空间分辨率数据集，使用2000—2019年洪水清单作为目标数据，其中2000—2018年洪水范围来自全球洪水数据库（Global Flood Database, GFD），并通过Google Earth Engine（GEE）平台基于归一化差异水体指数（Normalized Difference Water Index, NDWI）变化检测补充提取2019年3月洪水淹没范围。研究纳入15个影响因子，涵盖水文气候、水文、地表覆盖和地形四大类；OWA中采用BWM获取专家权重，设置五种ORness情景；RF中采用平均不纯度下降（MDI）评估变量重要性，并按70%训练、30%测试进行建模，使用AUC和预测率等指标评估模型表现。
研究结果部分首先展示了洪水影响因子的空间格局。研究人员构建了水文气候、水文、地表覆盖和地形四类指标图层，用于为OWA与RF提供统一输入。水文气候因子图表明，北部和中部高地降水、温度、蒸散发与积雪覆盖水平较高，提示这些区域具有较强的产流潜势。水文因子图反映了排水密度、距河流距离、距水坝距离、河流能量相关指数及汇流累积的空间分异，下游部分区域表现出更高的地表径流积聚可能性。地表覆盖图揭示了土地覆盖、土壤、地质和植被覆盖对下渗与产流转换的影响；而地形图则通过高程、坡度、地形湿度指数（Topographic Wetness Index, TWI）、曲率和泥沙输移指数（Sediment Transport Index, STI）反映地表汇流路径及洪水形成环境。研究认为，四类因子的联合表征构成了流域尺度洪水易发性评价的多维基础。
在“Flood susceptibility prospectively maps for the selected values of ORness and RF model”部分，研究人员比较了五种OWA情景与RF生成的洪水易发性图。结果显示，随着ORness减小，OWA聚合行为更趋保守，更强调最不利条件，因此在完全悲观情景（ORness = 0）下，南部和西南部大范围区域被归入高至极高风险等级。随着ORness提高至25、50和75，高风险区范围逐渐收缩并更集中于主河道及低洼区。ORness = 50情景在乐观与悲观之间取得平衡，被视为后续分析的参考情景。完全乐观情景（ORness = 100）则将多数区域划为低风险，仅邻近主要河流等特定区域保留中高风险。与之相比，RF同样识别出流域南部及洪泛平原为持续高风险区，但空间聚焦性更强，避免了悲观OWA情景中的大范围高估，也比完全乐观情景呈现更谨慎的风险判定。研究进一步指出，RF与OWA的空间一致性在ORness = 50时最高，高风险区重叠约70%，而完全乐观情景仅约30%。
在“Comparative Analysis of RF Model Performance and OWA Scenarios with Different ORness Levels Based on Prediction Rate Index”部分，研究人员基于预测率（PR）系统比较了OWA不同情景的分类能力。完全悲观情景（ORness = 0）中，“极低”风险等级的PR最高，为2.8%，而“极高”风险等级仅为1.4%，说明该情景更倾向于识别低风险区而难以有效锁定高风险区。ORness = 25时，“极高”风险等级PR提高至2.2%，表明在保持一定保守性的同时，对高风险区的识别有所增强。ORness = 50时，“极高”风险等级PR达3.5%，为所有OWA情景最高，体现出较为均衡的风险覆盖与判别能力。ORness = 75与100时，模型更加偏向高值因子，但“极高”风险等级PR并未继续提升，分别为1.9%和2.2%，反而显示出较高ORness并不必然改进高风险识别能力，且低风险等级判别能力显著下降。
在“Analysis of Random Forest Model Performance Compared to OWA Scenarios”部分，RF表现出明显优于OWA情景的结果。“极高”风险等级PR达到16.02%，“高”与“中”等级分别为7.56%和4.67%，远高于各OWA情景，说明RF能够更准确地将实际洪水集中映射于高易发等级区域，同时在“极低”和“低”风险等级上的PR很低，意味着误报较少，更有利于灾害管理中的资源定向配置。研究同时报告RF的AUC为0.984，表明其具有极强的洪水与非洪水区分能力。进一步通过Wilcoxon符号秩检验和1000次自助法（bootstrap）重采样，证实RF与所有OWA情景间的性能差异均具有统计学显著性（p < 0.05），RF的优势并非随机波动所致。
在“Quantitative and Comparative Analysis of Flood Risk Classes Based on OWA and RF Models”部分，研究人员比较了各模型下五类风险等级的面积占比。OWA完全悲观情景中，“极低”风险占49.6%，说明其高度依赖最低值导向，易使部分区域因单一安全特征而被划为低风险。ORness = 25时，风险分布趋于均衡。ORness = 50情景下，“中等”风险占比最高，且“高”与“极高”风险合计约43.1%，体现较合理的空间分布。ORness = 75时，“高”和“极高”风险合计约76%，风险判定明显趋严。ORness = 100时，超过半数区域被划为“极高”风险，显示出对极端值的高度敏感和潜在高估。相较之下，RF模型中“中等”风险占比最高（35.5%），“高”和“极高”风险合计47.85%，与ORness = 50和75在总量上有一定相似，但空间分布更有结构性，避免了极端情景中的系统性低估或高估。研究据此认为，ORness = 50是OWA中与RF统计和概念最一致的情景。
在关于实际洪水发生位置分布的分析中，研究还利用不同风险等级中实际洪水点的百分比分布，进一步比较OWA与RF。研究描述指出，OWA在不同ORness下反映出从低估到高估风险的连续变化：低ORness偏向低风险等级，高ORness则显著增加“高”和“极高”风险区覆盖。RF则体现出基于历史模式学习后的独特分布特征。虽然文中这一部分关于面积占比和洪水点分布的叙述存在不同图示语境，但核心结论保持一致，即OWA适于表达决策偏好与情景敏感性，RF适于从经验数据中识别复杂空间模式，二者联合具有互补价值。
在“Validation of Flood Susceptibility Mapping via Observed Flooded Points”部分，研究人员使用2000—2019年150个实测洪水野外点对模型进行空间验证，这些点位由Khuzestan Water and Power Authority记录。结果显示，RF将73.5%的洪水点归入“极高”风险等级，将87.7%的洪水点归入“高”和“极高”风险等级，表明其在实际洪水空间再现方面表现最佳。该结果进一步支持了RF在洪水易发性分类中的高敏感性与高准确性。同时，研究也确认GFD数据在洪水频次时空格局表达方面具有良好的可靠性，可为洪水敏感性建模与风险制图提供有效基础。
讨论部分指出，本研究最重要的发现之一，是专家知识驱动的OWA与数据驱动的RF在主导因子识别上存在明显差异。OWA中，距河流距离和坡度被赋予最高权重，体现出专家对地貌可解释性强因素的重视；RF则识别出降水与汇流累积为关键因子，说明机器学习可挖掘更复杂、更隐蔽的变量相互作用。这种差异揭示出主观赋权方法可能带来认知偏倚，而数据驱动模型则有助于减弱此类偏倚。研究还强调，OWA情景分析虽具有透明性和灵活性，但其结果高度依赖决策者风险容忍度与主观设定；RF则凭借非参数学习、复杂关系建模和抗过拟合能力，在复杂水文环境中展现出更高稳定性和泛化性能。因此，若单独依赖任一方法，都可能无法完整刻画洪水风险图景，二者结合更有利于形成多层次、可辩护的风险认知框架。
论文结论部分可译述如下：研究对OWA多准则决策模型与RF数据驱动模型两种洪水风险分区方法进行了比较。结果表明，OWA模型借助可调ORness参数能够覆盖从完全悲观到完全乐观的广泛决策情景，从而支持灵活的敏感性分析与不确定性分析；RF模型则通过聚焦历史数据中的复杂模式，提供了更贴近实际的预测。在各类OWA情景中，理性或中性情景（ORness = 50）与RF结果一致性最高，可作为情景分析和洪水风险管理实践中的合适参考。该情景在乐观与悲观之间实现了合理平衡，并呈现出较为适宜的风险等级分布。相反，极低ORness情景倾向于低估风险，极高ORness情景则倾向于高估风险，二者都可能导致风险管理中的误判或低效决策。最终，研究结果表明，在复杂且不确定的条件下，将OWA这类判断驱动模型与RF这类数据驱动模型进行同步而智能的整合，能够为洪水风险管理提供更有潜力的方法框架。
进一步而言，研究还指出，这一比较不仅是方法性能差异的体现，也揭示了洪水易发性建模的认识论属性。OWA与RF在相同输入条件下仍生成结构差异显著的风险表面，说明洪水危险性表征具有显著的模型依赖性，其结果取决于底层决策逻辑、参数化方案与学习策略。RF通过非参数学习捕捉潜在多变量依赖关系，而OWA则将决策者偏好显式嵌入聚合过程。因此，将两种范式加以整合，可形成双重视角框架，从而增强认识稳健性、改进不确定性表征，并为水文与流域管理系统中的深度不确定性决策提供更具依据的支持。
