解析城市洪水成因：基于可解释机器学习的印度尼西亚流域脆弱性评估方法

《Hydrology》：Deciphering Urban Flood Drivers: An Explainable Machine Learning Approach to Vulnerability Assessment in Indonesian Catchments

　　

摘要

洪水是最常见且最具破坏性的自然灾害之一，全球近一半的灾害都与洪水有关。在印度尼西亚，洪水占该国记录在案的灾害总数的约77%，因此构成了重大挑战。快速的城市化进程、土地使用变化以及气候导致的极端降雨进一步加剧了全国范围内的洪水风险。然而，现有的脆弱性评估往往较为零散且局限于局部地区，难以用于国家层面的适应规划。本研究利用基于云的地理空间数据以及可解释的机器学习技术，构建了一个可用于评估印度尼西亚各城市洪水脆弱性的可衡量且易于理解的框架。该框架整合了CEMS-GLOFAS（洪水风险数据）、WorldPop（人口暴露数据）、SRTM（地形数据）以及ESA WorldCover（土地覆盖数据）等数据集，并在Google Earth Engine平台上进行分析。通过结合风险、暴露程度和物理脆弱性等因素，采用改良后的洪水脆弱性指数来量化洪水脆弱性。极端梯度提升模型用于预测该指数值，而SHapley加性解释方法和部分依赖图则有助于提高模型的透明度，同时识别出洪水深度、人口密度和海拔高度等关键变量对洪水脆弱性的影响。该模型具有较高的预测精度（R² = 0.89；RMSE = 0.04728 FVI单位，无量纲），并且在514个行政区中发现了显著的空间差异，其中班达亚齐、莫佐克托、帕苏鲁安、萨马林达和梅拉乌克的洪水脆弱性指数最高，介于0.75至0.85之间。将Google Earth Engine与可解释人工智能技术相结合，为印度尼西亚开展以数据为驱动的洪水风险缓解工作和提升城市气候韧性提供了透明且可扩展的解决方案。