SSP情景下洪水风险评估的时空机器学习:以泰国马哈沙拉堪为例

《Sustainability》:Spatio-Temporal Machine Learning for Flood Risk Assessment Under SSP Scenarios: A Case Study of Maha Sarakham, Thailand

【字体: 大 中 小 】 时间:2026年07月26日 来源:Sustainability 4.1

编辑推荐:

  洪水是由气候变化加剧的破坏性自然灾害,对可持续灾害风险管理提出了挑战。本研究开发并评估了机器学习(ML)模型,用于在泰国马哈沙拉堪雨季条件下的六边形网格系统(H3,分辨率8)内进行洪水严重程度预测。四个模型——随机森林(RF)、XGBoost、梯度提升(GB)

  
洪水是由气候变化加剧的破坏性自然灾害,对可持续灾害风险管理提出了挑战。本研究开发并评估了机器学习(ML)模型,用于在泰国马哈沙拉堪雨季条件下的六边形网格系统(H3,分辨率8)内进行洪水严重程度预测。四个模型——随机森林(RF)、XGBoost、梯度提升(GB)和支持向量机(SVM)——使用历史年份(2018、2021、2022)的11个环境变量进行训练,并在SSP情景下的预测年份(2025)进行测试。XGBoost表现出最稳定的性能(所有年份的准确率 > 0.95),而SVM实现了较高的历史准确率(平均0.970),但在2025年未能检测到正洪水案例(召回率 = 0),突出了时间验证的重要性。地形变量是最一致的预测因子,但NSMI(土壤湿度)在2025年成为顶级SHAP预测因子(r = 0.52),表明在气候变化下洪水产生机制发生了转变。研究观察到一种两极分化模式:2025年受洪水影响区域下降至6.8%(较2022年减少79%),但最大洪水点计数仍保持在14.0的高位,表明洪水更加集中但强度更高。在SSP预测下,使用历史基准(27.5%),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。通过正式的分布外评估(马哈拉诺比斯距离 = 8.72,p < 0.001),SSP5-8.5预测(3.4%)被确定为模型外推伪影,因此被排除在政策建议之外。尽管门控循环单元(GRU)和长短期记忆网络(LSTM)在回顾性验证中获得了略高的受试者工作特征曲线下面积(AUC)值,但鉴于XGBoost的时间稳定性、计算效率和可解释性,研究人员建议将其用于业务预报。研究人员进一步建议将实时土壤湿度监测整合到预警系统中,并转向针对热点的适应策略。
洪水是全球最具破坏性和最频繁发生的自然灾害之一,会造成巨大的经济损失、人口流离失所和生命损失。在气候变化背景下,全球洪水事件的频率和强度预计将增加。东南亚地区由于季风降雨和热带风暴的影响,洪涝灾害频发。泰国近年来经历了多次灾难性洪水,尤其是2011年昭拍耶河流域的特大洪水,暴露了该国在极端水文气象灾害中的脆弱性。此外,快速的城市化和土地覆被变化进一步加剧了洪水风险,不透水地表的增加降低了雨水下渗能力。传统的物理水文模型虽然能模拟物理过程,但依赖大量校准数据和高精度的地形测量,在数据稀缺地区的应用受限。同时,物理模型在捕捉气候变化下环境变量与洪水复杂非线性关系时存在困难。近年来,机器学习(ML)成为洪水预测的有力替代方案,无需显式的物理方程即可从历史数据中自动学习模式。然而,现有研究存在几个关键缺口:首先,大多数基于机器学习的研究采用随机交叉验证评估历史数据,忽视了时间自相关和信息泄露,未在气候变化情景下测试模型的时间泛化能力;其次,空间单元的选择缺乏探索,传统方形网格存在边缘效应,而六边形分级空间索引系统(H3)能更好地近似圆形空间过程;第三,环境变量在气候变化下的相对重要性变化尚不明确,特别是如归一化土壤湿度指数(NSMI)等动态变量的作用;第四,共享社会经济路径(SSP)与机器学习预测的整合仍处于起步阶段;最后,模型过拟合和时间泛化失败现象未得到足够重视。针对上述问题,研究人员以泰国马哈沙拉堪省为研究区,在六边形网格系统中开发并评估了时空动态机器学习模型,用于雨季条件下的洪水严重程度预测,并将成果发表于《Sustainability》。

为开展此项研究,研究人员主要采用以下关键技术方法:基于10米分辨率数字高程模型(DEM)与历史淹没图界定了位于泰国马哈沙拉堪省的面积约为3200 km2的泛滥平原边界作为样本队列来源;将历史和预测年份的洪水边界转换为H3六边形网格系统(resolution 8)以提取洪水严重程度指数作为二分类目标;提取了包括7个遥感光谱指数(NDVI等)与4个静态地形变量在内的11个环境变量作为预测因子,2025年的光谱指数通过线性回归模型进行估算;在严格的保留年份时间验证协议(仅用2018、2021、2022年数据训练并在2025年测试)下对比了随机森林(RF)、XGBoost、梯度提升(GB)、支持向量机(SVM)以及循环神经网络架构(GRU和LSTM)的性能;利用皮尔逊相关系数与SHapley Additive exPlanations(SHAP)分析环境驱动力并计算马哈拉诺比斯距离进行分布外(OOD)评估。

模型性能评估
通过严格的时间验证协议,研究人员将所有模型仅使用历史数据(2018、2021、2022年)进行训练并在2025年预测年份进行测试。结果表明,尽管SVM在历史年份的平均准确率达到0.970,但在2025年完全失效(召回率为0),未能预测出任何正洪水案例。相反,XGBoost在所有年份表现出最稳定的性能,2025年的准确率保持在0.95以上。因此,综合稳定性、计算效率和可解释性,推荐将XGBoost用于业务洪水预报。

环境驱动因素
皮尔逊相关分析和SHAP特征重要性分析揭示了环境变量与洪水发生的关系及随时间的变化。地形变量在所有年份中是最一致的预测因子。然而,在2025年预测年,归一化土壤湿度指数(NSMI)成为最重要的SHAP预测变量(r = 0.52),这表明在气候非平稳条件下,土壤湿度在洪水产生机制中的作用显著增加。此外,归一化植被指数(NDVI)表现出持续的负相关,说明植被覆盖能有效降低洪水易发性。

洪水统计与分布
针对洪水受影响面积与洪灾区点强度分布的研究指出,2025年模型预测的受影响面积降至6.8%(较2022年减少79%),但最大洪水点计数保持在14.0的高位。这种两极分化模式表明,未来洪水可能变得更加集中且局部强度更高。土地利用转移矩阵分析证实,水田向建成区的转化是加剧这种洪涝热点极化现象的关键驱动因素。

气候变化情景预测
利用训练好的XGBoost模型,研究人员预测了三种共享社会经济路径(SSP)情景下的受洪水影响面积。以27.5%的历史基准面积为参考,SSP1-2.6(45.2%)和SSP2-4.5(45.0%)情景表明,直到2040年洪水风险相对于历史基准仍将保持较高水平。然而,通过正式的分布外(OOD)评估(马哈拉诺比斯距离 = 8.72,p < 0.001),发现SSP5-8.5(3.4%)情景的气候输入变量超出了训练数据的分布域,其极高的降雨和水位预测下产生极低淹没面积的预测被确认为模型外推伪影,从而被排除在政策建议之外。

在讨论与结论部分,研究人员重申了时间验证在评估气候非平稳条件下模型泛化能力的重要性,指出由于协变量偏移,SVM在预测年发生时间泛化失败,而XGBoost的集成特性赋予其更强的时间稳定性。环境驱动机制在气候变化下发生了从静态地形控制向动态土壤水分控制的转变,凸显了将实时土壤湿度监测纳入预警系统的必要性。洪水范围与强度的极化悖论促使管理策略从基于面积的统一减灾向针对高严重性指数热点的局部干预转变。域约束或物理-ML混合模型应成为未来研究重点,以避免在极端气候情景下产生物理上不合理的预测结果。这些发现直接支持了可持续发展目标中可持续城市与社区、气候行动和陆地生物的实现。
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