基于像素尺度的高分辨率一致性地物覆盖本底图驱动的水灾损失评估：集成语义分割、水动力模拟与生态系统服务价值核算

《Journal of Hydrology: Regional Studies》：Pixel-level flood loss assessment driven by a consistent high-resolution land-cover base map: Integrating semantic segmentation, hydrodynamic simulation, and ecosystem service valuation

　　

研究区域位于华北平原保定市徐水区典型山前洼地，破碎化的土地覆盖与混合承灾体亟需精细化区域洪水损失评估。研究聚焦于区域洪水损失评估常受限于水动力参数化、暴露制图及损失估算所采用的不一致土地覆盖数据集。研究人员提出了一种由一致的0.8?m、16类土地覆盖本底图驱动的像素级框架。四种经EfficientNetV2-S增强的语义分割模型生成了该本底图，并支持糙率、经济价值、生态系统服务价值（ESV）及脆弱性的统一赋值，确保了语义、参数与尺度一致性。耦合二维水动力模拟，框架估算了洪水强度、暴露度、直接经济损失与环境损害。其中E-UNet性能最优，平均交并比（mIoU）达76.83%，平均像素精度（mPA）达89.64%。区域水文新认知表明：土地覆盖分辨率、类别定义及时间一致性影响淹没格局、资产暴露及损失估算，同时放大了建成区与小水体对损失构成的贡献。两种极端洪水情景下，所提本底图与同期Esri-LC24的淹没面积差异为3.0%–5.0%。案例1中，直接经济损失达11.47–16.84亿人民币，货币化环境损害达1.23–1.77亿人民币，在采用的ESV系数与Fusion本底图假设下占总损失的8%–10%。该框架为区域洪水风险评估提供了可更新、可转移且空间一致的方法。

论文解读：一致高分辨率土地覆盖本底图驱动的像素级洪水损失评估框架

研究背景与动因

洪水灾害是全球高频高影响自然灾害，约23%全球人口面临百年一遇洪水风险。现有区域洪水损失评估多依赖二维水动力模型与地表属性叠加，常用方法如单位损失法、损失曲线法，其中基于水深-损害关系的方法因可操作性强被国际广泛采用。然而，当前研究面临三重制约：数据现势性不足，传统分类更新周期长；参数化失真，糙率场常基于经验或10?m–30?m公开土地覆盖产品，难以刻画细碎承灾体空间异质性；空间不一致，粗糙度参数化、暴露表征与损失核算常采用多源、多时相、多分辨率本底图，导致灾害强度场与暴露值像素错位。此外，现有评估偏重直接经济损失，忽视洪水对森林、草地、水体等生态系统服务价值（ESV）的退化损害。因此，构建以一致高分辨率土地覆盖本底图为空间基底的全链条评估框架具有重要科学意义与工程价值。该论文发表于《Journal of Hydrology: Regional Studies》。

主要关键技术方法

研究人员以华北平原徐水区山前洼地（面积约224?km2）为案例，采用2024–2025年Esri World Imagery 0.8?m RGB影像及GF-2 GID-15数据集（含15类+背景类）。语义分割方面，以EfficientNetV2-S为主干构建E-DeepLabV3+（含ASPP-3与ASPP-24改进）与E-UNet模型，实施迁移学习与滑窗瓦片推断生成一致本底图；水动力方面，采用HEC-RAS二维浅水方程模型，由本底图映射空间异质曼宁糙率（Manning's n）场；损失量化方面，建立像素级直接经济损失（基于水深分级损害率）与环境因素货币化损害（基于Zhang等2025b提出的淹没历时T与水深D动态脆弱性模型）的双重复合核算体系，并以Esri-LC24及ESA-WC21为对比基准。

研究结果

2.1 像素级洪水损失量化

通过统一分类-参数化方案，将土地覆盖类映射为 hazard-formative environment 参数、承灾体暴露值及脆弱性函数。2.1.1 致灾环境参数化：依据国标划分5大功能组16类，赋予唯一曼宁糙率，构建异质糙率场输入水动力模型。2.1.2 承灾体暴露表征：直接经济价值密度由区域GDP与统计年鉴按行业折算；ESV密度基于谢高地等当量因子法，以M=Y×Z/7校准单位当量货币值。2.1.3 基于脆弱性函数的像素损失估计：直接经济损失按像素面积A×V_DEL,i×R(d)/100计；环境损害按年等效损失率r（植被依耐涝阈值WT与特征高度H，水体取T/365）核算L_ED=A×V_ESV,i×r_i,j，总损失L_total为二者像素级求和。

2.2 面向制图的语义分割

2.2.1 数据集：GID-15裁剪为512及1024像素样本，Fusion本底图融合EA3-DLv3+与E-UNet预测并结合OpenStreetMap矢量与人工视觉仲裁。2.2.2 改进架构：EfficientNetV2-S主干通过FusedMBConv与MBConv实现轻量多尺度提取；E-DeepLabV3+增设ASPP-3（率3）与ASPP-24（率24）分支；E-UNet保留对称跳跃连接强化边界。

2.3 洪水灾害模拟

HEC-RAS 2D以ALOS PALSAR 12.5?m DEM及本底图糙率场为输入，输出最大水深与淹没历时栅格重采样至0.8?m供损失量化。

4.1 土地覆盖分割精度

4.1.1 总体精度：1024×1024输入下E-UNet的mIoU 76.83%、mPA 89.64%、OA 88.09%最高；EA3-DLv3+较基线mIoU提1.46百分点。4.1.2 各类精度：水体类IoU稳定89–92%，农田类77–80%，农村住宅与交通用地在大尺度输入下提升7–22百分点。4.1.3 可视化：Fusion图在村田交错区与Esri-LC24宏观格局一致。

4.2 洪水灾害模拟结果

案例1总淹区77.09–81.11?km2，案例2为58.99–62.86?km2；提议方案较Esri-LC24差3.0%–5.0%，深水深区（>3?m）差异主导。

4.3 洪水损失估算结果

案例1直接经济损EA3-DLv3+ 16.84亿、E-UNet 11.47亿、Fusion 13.40亿人民币；环境损害提议方案1.23–1.77亿，占总额8%–10%（Esri仅0.99%）；总损失最高为EA3-DLv3+ 18.61亿。空间上建成区为高直损核，水体为环境损主体。

讨论部分总结

框架以一致本底图消除多源错位，EA3-DLv3+小膨胀率分支对细碎边界更有效，E-UNet与EA3互补构Fusion。基底差异经糙率与暴露面积传播损失：建成区边界错划因高值密度放大偏差，水体识别不全使公共产品低估生态损。框架具备瓦片更新与参数解耦扩展性，但水体的L_ED集中敏感；局限含流速未纳入脆弱性、模型区域移植待验、不确定性量化不足等，未来应融速度因子、跨区校验及间接损失。

结论部分翻译

本研究提出一种由一致高分辨率土地覆盖本底图驱动的像素级洪水损失评估框架。该框架以深度学习语义分割生成的一致本底图为共有空间基底，通过分类-参数化方案同步映射土地覆盖类至空间异质曼宁糙率场与承灾体暴露值，并在0.8?m像素尺度集成二维水动力模拟与脆弱性函数驱动的像素损失核算，实现从高分遥感影像输入到总损失量、空间分布及类型构成输出的全流程量化。借由“语义-参数-尺度”三重一致约束，框架在同一空间基底统合致灾环境参数化与承灾体暴露表征，为洪水损失评估的空间可比性与类型可释性提供技术路径。基于华北平原山前洼地案例：一、同本底图保障糙率场与暴露分布像素对齐，提议方案与Esri-LC24淹区差3.0%–5.0%，E-UNet直损偏差9.4%，印证工作流可靠与瓦片更新潜力；二、E-UNet的mIoU 76.83%等最优，ASPP小分支助碎廓，Fusion与同期产品宏观一致；三、统一框架内直损与ESV环境损集成，环境损占比8%–10%，16类细分为应急分区提供分辨率；四、公共产品分辨率与现势性差异共致损失不确定，本研究16类系统在主题分辨率具优。框架为相似区域提供工程可行方法支撑。

Lai Yishu, Zhang Sherong, Cheng Xiaoliang, Wang Chao, Wang Xiaohua, Zhang Jiabin

State Key Laboratory of Hydraulic Engineering Intelligent Construction and Operation, Tianjin University, Tianjin 300350, China