《Geomatics, Natural Hazards and Risk》：Geographical reaction profiles of flood occurrence: insights from statistical, machine-learning, and ensemble models
编辑推荐：
洪水仍然是最具破坏性的自然灾害之一，威胁人类生命、基础设施以及可持续土地管理。尽管机器学习取得了进展，但将多种元启发式优化算法与人工神经网络（ANN）系统整合以提升预测精度与稳健性的研究仍然有限，尤其是在伊朗戈勒斯坦省（Golestan Province）这类
洪水仍然是最具破坏性的自然灾害之一，威胁人类生命、基础设施以及可持续土地管理。尽管机器学习取得了进展，但将多种元启发式优化算法与人工神经网络（ANN）系统整合以提升预测精度与稳健性的研究仍然有限，尤其是在伊朗戈勒斯坦省（Golestan Province）这类研究相对不足的地区。为弥补这一空白，本研究构建并比较了4种混合多层感知机（MLP）模型，这些模型将地理信息系统（GIS）与遥感数据同采用布谷鸟优化算法（COA）、和声搜索（HS）、教学—学习优化（TLBO）和鲸鱼优化算法（WOA）优化的人工神经网络相结合。基于412次已记录洪水事件，结果表明，TLBO-MLP获得了最高且最稳定的预测性能〔曲线下面积（AUC）= 0.9739〕，显示出在训练数据集与测试数据集上的强泛化能力。COA-MLP将AUC值由0.9561提升至0.9646，而HS-MLP与WOA-MLP的AUC值分别达到0.9427和0.9563。研究结果突出显示了TLBO-MLP的优越稳健性，以及不同算法之间优化效率的差异。本研究为元启发式优化ANN模型提供了新的比较框架，并为数据贫乏地区开展高精度洪水易发性制图提供了实践指导。
该论文发表于《Geomatics, Natural Hazards and Risk》，围绕洪水易发性制图这一灾害地理与空间预测核心议题，系统评估了多种元启发式优化算法与人工神经网络耦合后的建模表现，旨在提高数据相对匮乏地区洪水易发性识别的精度、稳健性与泛化能力。研究背景在于，洪水作为高频且高破坏性的自然灾害，常对人口安全、基础设施和土地资源利用造成严重冲击，而洪水发生过程受地形、河流邻近性、降水、土地利用、植被覆盖和地质条件等多因素共同控制，具有显著的非线性、空间异质性与复杂耦合特征。传统统计模型虽然具备一定可解释性，但往往难以刻画复杂非线性关系；单一机器学习模型虽预测能力较强，却常存在参数敏感、泛化不足和不确定性评价不充分等问题。尤其在洪水易发性制图中，如何系统比较不同优化算法对神经网络性能的影响，仍缺乏一致框架。因此，研究人员以伊朗戈勒斯坦省为案例区，基于历史洪水事件数据，构建了融合地理信息系统（GIS）和遥感信息的混合建模框架，对比分析COA-MLP、HS-MLP、TLBO-MLP和WOA-MLP四类模型的表现，进而形成适用于区域洪水风险识别的优化型人工智能（AI）方法体系。
从研究动因看，戈勒斯坦省地貌起伏显著，南部山区坡陡谷窄，易形成快速汇流；北部与中部则分布广阔低平冲积平原，地势平缓，排水不畅，易形成积水与泛滥。区域内还存在细粒冲积物、黄土及第四纪松散沉积物等低渗透性地层，加之受西风系与西伯利亚气团共同影响，降水时空分异明显，从而使该地区具备较高洪水敏感性。研究人员正是在这一自然地理背景下开展工作，以期通过更高效的优化神经网络框架，提升洪水空间分布预测精度，并服务于区域灾害管理与土地利用规划。
在技术方法方面，研究人员以戈勒斯坦省412个样本点为基础，其中包括206个洪水发生点和206个非洪水点，按70%训练集、30%测试集进行划分。研究选取高程、坡度、坡向、土地利用、地质、归一化植被指数（NDVI，Normalized Difference Vegetation Index）、降水和距河流距离等因子，在GIS环境下完成标准化、重分类与栅格叠加。以30 m数字高程模型（DEM，Digital Elevation Model）提取地形参数，利用Landsat 7 ETM+影像反演NDVI，基于气象站年均降水数据采用反距离权重法（IDW，Inverse Distance Weighting）进行空间插值。随后，在MATLAB中构建反向传播（BP，Back Propagation）MLP模型，并分别引入COA、HS、TLBO与WOA优化网络参数与权重，通过均方误差（MSE）和受试者工作特征曲线下面积（AUC）进行模型评估。
研究结果部分具有清晰的小标题结构，并逐层展示了不同模型的性能差异及其空间应用价值。
5. Results and discussion
研究人员首先对不同网络结构进行了模拟与比较，以寻找基础ANN的最优配置。通过MATLAB建立多种不同层级结构和神经元组合的网络，并基于均方根误差（RMSE）评估模型精度，结果显示前馈反向传播网络在采用6个隐藏层时表现最佳。神经元数量敏感性分析表明，基础神经网络的预测精度会随神经元增加而改善，但存在最优阈值，超过该阈值后并不会持续提升。该阶段为后续混合模型优化提供了结构基础。
进一步地，在优化收敛特征方面，COA-MLP、HS-MLP、TLBO-MLP和WOA-MLP分别在约350、450、450和350次迭代后达到较优解，表明不同元启发式算法在搜索效率与收敛路径上存在明显差异。总体看，采用较低MSE的网络设计能够提升洪水易发性预测性能，而混合优化策略普遍优于未优化的单一ANN。
5.1. Error analysis
在误差分析中，研究人员主要利用ROC曲线和AUC指标检验模型分类能力，并结合预测值与观测值之间的偏差评估模型稳定性与校准能力。结果显示，四类混合模型均显著降低了预测误差，并优于常规ANN。COA-MLP在不同种群规模下AUC稳定提升，说明参数优化有效增强了模型学习能力；HS-MLP的性能同样提升，但对种群规模更敏感；TLBO-MLP在训练集和测试集之间波动最小，表现出最佳泛化性和最低过拟合风险；WOA-MLP也展现出较高精度，尤其在测试数据集上具有很强的模式识别能力。综合比较表明，TLBO-MLP取得了最优且最稳定的预测表现，训练AUC和测试AUC均处于最高水平附近，是四种模型中综合性能最强的方案。误差分布图进一步说明，这些优化模型的预测残差主要集中于0附近，表明其输出与真实洪水发生状态具有较高一致性。
5.2. Taylor diagrams
Taylor图用于比较不同模型预测结果与观测值之间的标准差、相关系数和综合接近程度。研究结果显示，在训练阶段，所有模型的相关系数均高于0.85，说明均能有效学习洪水空间分布模式。但在测试阶段，模型间差异更为明显，其中TLBO-MLP与WOA-MLP在稳定性和泛化性方面表现更突出。论文指出，WOA-MLP在Taylor图上更接近参考点，显示其在训练与测试中的平衡性能较好；与此同时，前述AUC结果又表明TLBO-MLP在整体分类精度和稳定性上更占优势。由此可见，不同评价指标从不同侧面揭示了模型性能特征，而元启发式优化对模型稳健性提升具有决定性作用。
在因子敏感性分析中，研究人员基于训练完成的TLBO-MLP模型，对各输入因子进行了扰动分析。结果表明，距河流距离、NDVI、高程和降水是控制洪水易发性的最重要因子，其中距河流距离的重要性最高。这一发现说明，河网邻近性及其引发的水文连通性是该研究区洪水形成的首要控制因素；同时，较低植被覆盖、较低地势和较高降水共同强化了区域积水与漫溢风险。坡度、地质、土地利用和坡向虽也发挥作用，但相对贡献较低。
在洪水易发性空间制图方面，研究人员依据四类最佳模型生成了训练与测试阶段的洪水易发性图，并采用Likert分级划分为极低、低、中、高和极高易发区。结果表明，戈勒斯坦省东部、东南部和南部为主要高风险区。这些区域往往同时具有低海拔、邻近主河道、坡度平缓、植被稀疏以及较不利排水条件等特征，因而在强降水条件下更易发生地表径流汇聚与洪涝灾害。研究据此指出，洪水发生并非单因子作用结果，而是地形、水文与地表覆盖条件复杂耦合的体现。
6. Discussion
讨论部分指出，MLP与元启发式优化算法的耦合模型在洪水易发性预测中表现出明显优势，尤其适用于复杂环境下的非线性空间过程建模。研究结果证明，仅依赖传统非优化模型难以充分刻画距河流距离、高程、降水和植被覆盖之间的复杂交互作用，而优化后的混合模型能够显著提高收敛效率、降低预测不确定性并增强跨数据集泛化能力。论文特别强调，GIS和遥感数据与混合机器学习框架的融合，不仅提高了洪水高风险区识别精度，也为区域洪水风险管理、早期预警、基础设施布局和土地利用分区提供了可操作的空间决策支持。
研究还指出，该方法在戈勒斯坦省这类数据条件有限的区域具有重要应用潜力。通过持续更新降水指标和遥感变量，相关模型还可进一步扩展至近实时洪水预报。对管理实践而言，高易发区可优先实施排水系统改善、河岸加固、受限开发和农业用地优化等减灾措施，从而提升区域韧性与灾害应对能力。
7. Summary and conclusions
结论部分表明，精确的洪水易发性图对于减轻洪水灾害影响具有关键意义。本研究建立并比较了4种用于洪水易发性制图的机器学习（ML）方法，提出了一个在相同数据与验证条件下评估COA、HS、TLBO和WOA四种元启发式算法优化MLP模型的受控比较框架。除预测精度外，该分析还考察了收敛行为、稳健性和不确定性，并表明优化器的选择显著影响模型稳定性与泛化能力。结果为ANN-元启发式混合模型的选择提供了实践指导，并有助于实现更加可靠和可重复的洪水易发性评估。
同时，洪水发生影响因子分析显示，距河流距离、NDVI、高程和降水在研究区洪水易发性形成中具有重要作用。其中，距河流距离是主导因子，越接近河网的区域越易发生洪水；高程与洪水易发性呈明显负相关，低洼区域更易积水；较高降水水平通常对应更高洪水风险，尤其在排水能力有限区域表现更为突出；NDVI则反映植被密度和地表覆盖状况，植被较少地区因入渗减弱、地表径流增强而更易受洪水影响。总体而言，洪水易发性由地形、水文和地表特征的复杂相互作用共同驱动，说明在洪水风险建模中整合多因子信息具有必要性。
此外，模型性能在不同空间位置上存在差异，表明不同模型在不同环境条件下的适应性并不完全一致。研究进一步发现，模型表现受优化算法类型和种群规模影响显著。COA-MLP在种群规模350–450时获得最高训练和测试AUC；HS-MLP在种群规模250时测试AUC最高；TLBO-MLP在种群规模300–450时取得最佳总体表现；WOA-MLP则在种群规模350时获得最高测试AUC。与未优化MLP基线模型相比，所有优化后的混合模型均表现出更高精度和更强稳定性，其中TLBO-MLP在训练集和测试集上持续保持较高AUROC，清晰表明元启发式优化的有效性。不过，部分非洪水区域仍存在内在不稳定性，说明未来仍需补充更多洪水样本数据以进一步提高预测可靠性。
总体而言，该研究构建了一个面向洪水易发性制图的优化型神经网络比较框架，验证了元启发式算法增强ANN性能的可行性，尤其证明TLBO-MLP在精度、稳健性和泛化能力方面最具优势。研究不仅丰富了洪水空间建模与灾害地理研究的方法体系，也为数据不足地区开展高精度洪水风险识别、空间规划与防灾减灾实践提供了重要技术支撑。
