建筑环境特征与行人风险感知关系研究:跨城市背景的比较分析

《Sustainability》:Investigating the Relationship Between Built Environment Characteristics and Pedestrian Risk Perception: A Comparative Analysis Across Urban Contexts

【字体: 大 中 小 】 时间:2026年07月25日 来源:Sustainability 4.1

编辑推荐:

  洪水是一种破坏性自然灾害,因气候变化而加剧,对可持续灾害风险管理构成挑战。本研究开发并评估了在泰国玛哈沙拉堪府雨季条件下,基于六边形网格系统(H3,分辨率8)的洪水严重程度预测机器学习模型。研究人员使用11个环境变量,在历史年份(2018、2021、2022)

  
洪水是一种破坏性自然灾害,因气候变化而加剧,对可持续灾害风险管理构成挑战。本研究开发并评估了在泰国玛哈沙拉堪府雨季条件下,基于六边形网格系统(H3,分辨率8)的洪水严重程度预测机器学习模型。研究人员使用11个环境变量,在历史年份(2018、2021、2022)上训练了四种模型——随机森林(Random Forest, RF)、XGBoost、梯度提升(Gradient Boosting, GB)和支持向量机(Support Vector Machine, SVM),并在SSP(Shared Socioeconomic Pathway)情景下的预测年份(2025)上进行了测试。XGBoost表现出最稳定的性能(所有年份准确率>0.95),而SVM达到了较高的历史准确率(平均0.970),但未能检测到2025年的正样本洪水案例(召回率=0),凸显了时间验证的重要性。地形变量是最一致的预测因子,但NSMI(归一化土壤水分指数)在2025年成为SHAP(SHapley Additive exPlanations)最重要的预测因子(r=0.52),表明气候变化下洪水生成机制发生了转变。观察到一种极化模式:洪水影响面积在2025年下降至6.8%(较2022年减少79%),但最大洪水点计数仍高达14.0,表明洪水更加集中但强度更大。在SSP预测下,以历史基线(27.5%)为基准,SSP1-2.6(45.2%)和SSP2-4.5(45.0%)表明到2040年洪水风险相对于历史基线有所增加。SSP5-8.5预测(3.4%)通过正式的分布外评估(马氏距离=8.72,p<0.001)被识别为模型外推伪影,因此被排除在政策建议之外。尽管GRU(Gated Recurrent Unit)和LSTM(Long Short-Term Memory)在回顾性验证中取得了略高的AUC值,但研究人员推荐XGBoost用于业务预报,因其时间稳定性、计算效率和可解释性。研究人员进一步建议将实时土壤水分监测集成到预警系统中,并转向热点针对性适应策略。
**论文解读:基于六边形网格系统的洪水严重程度预测机器学习模型研究——以泰国玛哈沙拉堪府为例**

**1. 研究背景与问题**

洪水是全球最具破坏性的自然灾害之一,气候变化加剧了其频率和强度。在东南亚,特别是泰国,季风驱动降雨和热带风暴经常引发严重洪水,如2011年湄南河流域洪水造成巨大损失。传统的水文和水力学模型(如HEC-HMS、SWAT、HEC-RAS)需要大量校准数据和计算资源,在数据稀缺地区应用受限。近年来,机器学习(ML)模型在洪水易发性制图和预测中展现出潜力,但现有研究存在以下关键问题:多数研究仅使用历史数据通过随机交叉验证评估模型,忽视时间顺序,导致泛化能力被高估;空间单元选择(如方形网格 vs. 六边形网格)对预测性能的影响尚不明确;气候变化下环境变量(如土壤水分、植被指数)的相对重要性变化缺乏研究;共享社会经济路径(SSP)情景与ML预测的集成尚不成熟;模型时间泛化失败现象(如SVM在预测年份完全失效)未得到充分关注。为此,本研究旨在开发并评估基于六边形网格系统的时空动态ML模型,用于预测雨季洪水严重程度,并分析气候变化情景下的洪水风险。

**2. 研究内容与结论**

研究人员以泰国玛哈沙拉堪府低洼洪泛区(约3200 km2)为研究区,采用H3六边形网格(分辨率8)将2018、2021、2022年历史洪水边界转化为严重程度指数(1-14级)。利用11个环境变量(7个遥感光谱指数:NDVI、NDWI、MNDWI、NSMI、BSI、NDSI、NDMI;4个地形变量:DEM、坡度、TWI、Prox2River)训练四种ML模型(随机森林RF、XGBoost、梯度提升GB、支持向量机SVM)及两种深度学习模型(GRU、LSTM),并在2025年预测年进行时间验证。主要结论:XGBoost表现最稳定(2025年准确率>0.95,AUC=0.993),SVM尽管历史准确率高(平均0.970)但2025年完全失效(召回率=0),GRU和LSTM AUC略高(0.991-0.992)但训练时间>4小时且可解释性差。地形变量(DEM、坡度、TWI)是最一致预测因子,但NSMI(土壤水分)在2025年成为SHAP最重要预测因子(r=0.52),表明气候变化下洪水生成机制转变。观察到极化模式:2025年洪水影响面积降至6.8%(较2022年减少79%),但最大洪水点计数仍达14.0,表明洪水更集中但强度更大。SSP1-2.6(45.2%)和SSP2-4.5(45.0%)预测显示到2040年洪水风险高于历史基线(27.5%),而SSP5-8.5预测(3.4%)被识别为外推伪影(马氏距离=8.72,p<0.001)并排除。论文发表在《Sustainability》。

**3. 关键技术方法**

研究采用以下关键技术方法:(1)基于H3六边形网格系统(Uber H3,分辨率8)将矢量洪水边界转化为严重程度指数,并通过敏感性分析确定最优分辨率;(2)时空动态ML模型训练与时间验证:使用2018、2021、2022年数据训练,2025年作为预测年(不重新训练)进行最严格的时间泛化测试;(3)SHAP(SHapley Additive exPlanations)分析解释特征重要性及其方向效应;(4)Pearson相关性分析评估环境变量与洪水发生的线性关系;(5)多指标评价(准确率、AUC、F1分数、PR-AUC等)及空间块交叉验证(5块)控制空间自相关偏差;(6)SSP情景(SSP1-2.6、SSP2-4.5、SSP5-8.5)预测及分布外评估(马氏距离、核密度估计);(7)不确定性分析(自助法、阈值敏感性、H3分辨率敏感性、模型选择敏感性)。数据来源:Sentinel-2遥感影像(10 m分辨率)提取光谱指数,10 m DEM提取地形变量,GISTDA提供历史洪水边界和土地利用数据,CMIP6/NEX-GDDP提供气象变量。

**4. 研究结果**

**3.1 模型性能评估**:通过时间验证协议(训练于2018-2022,测试于2025),XGBoost在所有年份保持准确率>0.95,F1分数0.948,AUC=0.993,表现最稳定;SVM历史准确率平均0.970但2025年准确率降至0.546,召回率为0,完全失效。

**3.2 洪水分类判别能力**:ROC-AUC分析显示XGBoost在各年份AUC均>0.99(2025年AUC=0.993,95% CI: 0.989-0.997)。公平模型比较下,XGBoost(AUC=0.993)优于SVM(0.546),与GRU(0.991)和LSTM(0.992)相当,但计算效率更高(<10 min vs. >4 h)。

**3.3 环境驱动因子**:Pearson相关性分析显示NDVI与洪水呈一致负相关(r=-0.45至-0.49),NSMI在2025年呈最强正相关(r=0.52)。SHAP分析表明NSMI在2025年成为最重要预测因子(方向为正),DEM、坡度、TWI为最一致预测因子(方向为负)。所有变量间弱相关性(|r|<0.1)表明低共线性。

**3.4 洪水统计与分布**:历史观测显示2022年洪水面积最大(32.3%,约1034 km2),2025年最小(12.9%,约412 km2)。模型预测2025年洪水面积为6.8%,较观测值低估6.1个百分点。洪水点计数分布显示2025年出现极化模式:中位数7.0,最大14.0,多数区域向低值偏移,但少数六边形维持高值(10-14)。土地利用转移矩阵分析表明建成区贡献指数最高(C=1.87),稻田转为建成区贡献了23.4%的高强度热点(严重程度≥10)。

**3.5 气候变化情景预测**:以历史基线(27.5%)为参考,SSP1-2.6(45.2%)和SSP2-4.5(45.0%)预测洪水面积显著高于基线,SSP5-8.5(3.4%)被识别为外推伪影(马氏距离=8.72,p<0.001)。不确定性分析确认前两个情景在不同阈值、H3分辨率和模型选择下稳健。

**5. 讨论与结论**

讨论部分总结了五个关键发现:(1)SVM的时间泛化失败与XGBoost的稳定性优势,归因于SVM作为最大间隔分类器对非平稳特征空间分布变化的脆弱性,以及XGBoost的集成特性提供正则化;(2)气候变化下驱动因子从地形控制向土壤水分动态转变,NSMI的崛起表明实时土壤水分监测应纳入预警系统;(3)极化悖论(面积减少但强度增加)由降雨强度增加、土地利用变化(建成区扩张)和地形-土壤水分耦合导致,建议转向热点针对性适应策略;(4)SSP1-2.6和SSP2-4.5预测可靠(分布内),SSP5-8.5为外推伪影,需采用物理约束ML或混合模型避免;(5)为可持续洪水风险管理提供政策建议:部署XGBoost业务预报、集成土壤水分监测、采用热点差异化控制措施(三级热点分类)、采用时间验证标准。研究结论翻译如下:本研究开发并评估了泰国玛哈沙拉堪府雨季条件下六边形网格系统内的空间动态时间机器学习洪水严重程度预测模型。在公平模型比较下(所有模型训练于2018-2022并在2025年测试),XGBoost在历史和预测年份表现最稳定,达到最高AUC(0.993)并保持准确率>0.95。SVM尽管历史准确率高(平均0.970),但在2025年完全失败(AUC=0.546,召回率=0),凸显了非平稳气候条件下时间验证的关键重要性。GRU和LSTM达到可比AUC值(分别为0.991和0.992),但需要更多计算资源且可解释性低于XGBoost。基于时间稳定性、计算效率和可解释性的多标准评估,推荐XGBoost用于业务洪水预报。地形变量(DEM、坡度、TWI)是所有年份最一致的预测因子,但NSMI(土壤水分)在2025年成为SHAP最重要预测因子(r=0.52),表明气候变化下洪水生成机制发生转变。SHAP方向效应与Pearson相关系数的一致性证实了高NSMI增加洪水风险,而高NDVI、高海拔和陡坡度降低风险。观察到极化模式:尽管2025年洪水观测范围最小(约412 km2,研究区12.9%),但包含最多的严重程度14级单元(完全淹没,93-100%),表明洪水可能更集中在更少位置且强度更高,提示需要从面积型向热点型适应策略转变。在SSP预测下,以历史基线(2018-2022平均27.5%)为参考,SSP1-2.6(45.2%)和SSP2-4.5(45.0%)预测洪水面积显著高于历史基线,表明即使是在气候缓解路径下,到2040年洪水风险仍可能保持高位。这些预测在不同严重程度阈值、H3分辨率和模型选择下均稳健(不确定性分析)。SSP5-8.5预测(3.4%)通过正式分布外评估(马氏距离=8.72,p<0.001)被识别为模型外推伪影,因此被排除在所有政策建议之外。研究人员建议:(1)部署XGBoost进行业务预报;(2)将实时土壤水分监测集成到预警系统;(3)从面积型向热点型适应策略转变;(4)采用时间验证协议进行模型评估。未来工作应采用物理-ML混合模型或领域约束机器学习以防止外推伪影,并将分析扩展到多个预测时间范围。这些发现支持可持续发展目标11(可持续城市)、13(气候行动)和15(陆地生物)。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号