利用XAI与“知识注入型Transformer基神经网络”模型分析热带城市的洪水易发性及减灾措施

《Remote Sensing Applications: Society and Environment》:Flood Susceptibility and Mitigation in Tropical Cities Using XAI and ‘Knowledge-Infused Transformer-based Neural Network’ Model

【字体: 大 中 小 】 时间:2026年07月31日 来源:Remote Sensing Applications: Society and Environment 3.8

编辑推荐:

  摘要:由于城市化进程加快、地势低洼以及气候变化,洪水对曼谷等城市三角洲地区的威胁日益严重。然而,传统的洪水易发性制图方法在复杂的城市环境中往往存在可扩展性、可解释性和稳健性方面的问题。为解决这一难题,本研究提出了一种结合可解释人工智能技术的新型知识注入Transformer基神经

  摘要:由于城市化进程加快、地势低洼以及气候变化,洪水对曼谷等城市三角洲地区的威胁日益严重。然而,传统的洪水易发性制图方法在复杂的城市环境中往往存在可扩展性、可解释性和稳健性方面的问题。为解决这一难题,本研究提出了一种结合可解释人工智能技术的新型知识注入Transformer基神经网络(KITNN)。研究采用了包括地形、土地利用类型、降雨量、土壤状况、植被指数等15个影响洪水的因素来校准和验证该模型。并将KITNN与随机森林、二次判别分析、朴素贝叶斯以及基于直方图的梯度提升模型进行了对比。通过空间块交叉验证以及与现有方法的比较分析,结果表明KITNN模型在交叉验证中的平均ROC-AUC值为0.94,PR-AUC值超过0.95,展现出强大且稳定的预测能力。在超参数优化过程中,该模型还取得了0.9725的最高单次验证AUC值,这一数值反映的是在最优配置下单次验证的结果,与用于评估整体性能的交叉验证指标有所不同。空间分析显示,曼谷有43.71%的区域被划分为高或极高洪水易发性等级,这一结果与明武里、农竹和孔萨姆瓦等历史上的洪水易发区域一致。SHAP分析表明,土地利用类型是最具影响力的预测因子(平均绝对SHAP值大于0.11),其次是土壤类型和NDVI值,而曲率指标则显示出最高的梯度敏感性。该模型几乎没有过泛化现象,仅有11.42%的区域被划分为极低风险。这些结果凸显了KITNN在模拟非线性地理空间关系方面的优势,同时还能提供对决策者有用的可解释性信息。所提出的洪水易发性制图框架具有可扩展性,可应用于其他易受洪水侵袭的大城市,有助于制定具备气候适应能力的城市规划。

引言:洪水是全球城市及城郊地区最常见且最具破坏性的自然灾害之一。由于气候变化、不规律的降水模式、水文压力以及快速的土地利用变化等多重因素的共同作用,洪水的发生频率和危害程度都在不断加剧(Chen等人,2021;Yusuf等人,2023)。在低洼或排水不畅的地区,强降雨、潮水上涨以及河流泛滥往往会迅速破坏现有基础设施,导致大片区域被淹没。气象变化的复杂性、地形脆弱性以及人类活动带来的压力——如无计划的城市扩张、森林砍伐和不良的排水系统——使得洪水预测成为一项极为复杂的任务。这些相互关联的因素使得有效的减灾策略难以制定,也暴露出城市规划中的诸多缺陷。因此,洪水越来越威胁到人们的生命安全,扰乱经济活动,阻碍可持续发展的实现,尤其是在那些城市化进程迅速的地区(Kundzewicz等人,2014)。为应对日益严重的洪水风险,《仙台减灾框架》通过风险评估和早期预警系统,为提高各地区的防灾能力提供了重要支持(UNISDR,2015)。该框架中最重要的组成部分之一就是洪水易发性制图,它能够识别出风险较高的区域,同时也是制定洪水灾害管理模型和估算方法的基础。洪水易发性制图通过整合地貌学、土壤科学、气候学、社会经济因素以及水文学等多个领域的数据,有助于准确评估洪水风险。泰国曼谷这样的热带大城市就体现了这种日益严重的洪水风险。曼谷位于湄南河口的低洼三角洲平原上,经常遭受季节性洪水侵袭,这不仅会破坏基础设施,还会危及当地居民的生命安全,尤其是那些条件较差的社区(Duangyiwa,2017;Euanontat & Nitivattananon等人,2021;Nguyen, Dang等人,2024;Nguyen, Nguyen等人,2024)。曼谷的洪水风险还因城市水文结构的复杂性、快速的土地利用变化、无序的城市扩张、功能不佳的排水系统以及严重的地面沉降而进一步加剧,某些地区的沉降速度每年甚至超过10厘米(Zeitoun & Wakshal,2013)。2011年的那场灾难性洪水影响了超过1300万人,造成的损失约为460亿美元,它暴露出了洪水管理方面的系统性缺陷,同时也凸显出迫切需要采用与自然相协调的城市规划策略、更具韧性的城市规划方案,以及发展能够有效应对日益严峻的洪水风险的基础设施。传统的洪水风险评估和制图方法是基于水文和水力模型进行的,比如水文工程中心的水文建模系统、水文工程中心的河流分析系统、MIKE FLOOD模型、多准则决策分析框架以及统计方法,但这些方法在曼谷这类高度城市化的地区效果并不理想(Sawangnate等人,2022;Singha等人,2025;Vajeethaveesin等人,2022)。这些模型都是基于物理原理的确定性模型,通过整合地形、降雨强度、土地利用类型以及排水参数等信息来模拟降雨径流和水流动态(Lawani Adjadi Mounirou等人,2025;Chaisri等人,2022)。尽管这类模型在科学上相当可靠,但它们需要大量的地面水文气象数据、详细的水力参数以及复杂的校准流程,这使得它们在数据匮乏的城市环境中难以应用。此外,这类模型的计算复杂度较高,而且无法适应复杂的城市环境,因此无法实现实时洪水预测。随机森林、支持向量机以及人工神经网络等机器学习方法由于其能够模拟复杂的非线性关系,越来越多地被应用于洪水易发性制图领域。这类模型在无需明确的物理公式的情况下就能发现潜在的模式,从而提升预测性能(Nevo等人,2020;Bharati等人,2024)。不过,它们也存在一些局限性:随机森林模型在高维度或数据不平衡的情况下容易过拟合(Falaras等人,2025;Singha等人,2025;Tran等人,2024),而支持向量机和人工神经网络则对超参数的调整十分敏感,且通常缺乏透明度与空间可解释性(Islam等人,2025;Habibi等人,2023;Eslaminezhad等人,2022;Vafakhah等人,2020)。许多机器学习和深度学习模型的另一个显著缺点是它们的“黑箱”特性,即最终用户、城市规划者和政策制定者无法了解决策背后的依据(Adadi & Berrada,2018;Feng等人,2023;Liu等人,2021)。缺乏可解释性会导致利益相关者对模型的信任度降低,尤其是在城市洪水管理这类至关重要的领域,因为决策者需要透明且易于理解的决策框架来进行决策和适应性治理。另外,典型的机器学习/深度学习模型通常对数据需求量很大,而且在训练过程中仅依赖统计相关性,未能充分利用诸如水文行为、排水模式以及局部洪水动态等领域知识(Vaswani等人,2017;Jiang等人,2022)。这样一来,虽然这类模型在数值上可能表现良好,但其跨空间和时间的泛化能力却较为有限。此外,传统模型也无法将基于知识的推理与深度表征学习相结合,因而难以提供超出简单预测范围的有用见解。为填补这些方法论和解释方面的不足,人们迫切需要一种智能、具备知识储备且易于解释的框架,这种框架不仅能更精准地预测洪水易发性,还能解释预测的依据。因此,本文提出了一种新的基于知识注入Transformer基神经网络(KITNN)并结合可解释人工智能技术的洪水易发性制图框架,用于曼谷市的洪水易发性分析。KITNN架构融合了Transformer架构的表征能力——它具备注意力机制和情境学习功能——以及基于水文、地貌和气候学原理的知识学习能力。在本研究中,知识注入是通过基于领域知识的特征工程、预处理约束以及解释框架等方式间接实现的,而非通过对注意力权重或损失函数进行直接修改。这里特意使用“知识注入”这一术语,其含义比传统的特征工程更为广泛。在标准的机器学习流程中,特征工程是一个独立于学习目标的预处理步骤,而在这里,领域知识则是通过模型构建过程中的三个相互关联的阶段逐步融入模型的。首先,根据已知预测因子与洪水发生之间的物理关系,预先确定每个模糊隶属函数的方向,使得海拔高度和NDVI值的隶属度呈单调递减趋势,而降雨量、坡度、SPI值和TWI值的隶属度则呈递增趋势。这样,在学习任何权重之前,输入空间就已经具备了水文一致性。其次,预测因子本身也仅限于那些在径流生成和洪水泛滥过程中具有明确因果作用的变量,而非仅仅根据数据驱动的重要性来选择。第三,在解释阶段,也会依据相同的水文先验条件,只有当SHAP值和梯度归因结果与预期的水文过程相符时,才会被视为具有物理意义。正是这种受限的、具有物理顺序的输入空间与基于注意力的表征学习以及基于先验条件的解释方式相结合,才使得KITNN区别于那些仅基于原始标准化特征训练的普通Transformer模型,也正因如此,该框架才可被称为具有知识注入功能的框架。这种方法使模型能够学习到与已知水文过程相一致的规律,同时又能保持Transformer架构的灵活性。此外,通过引入SHapley加性解释、局部可解释模型无关解释以及分层相关性传播等可解释人工智能技术,还可以提高模型输出的可解释性,让每个输入特征都能清楚体现出其对最终洪水易发性预测的贡献(Lundberg & Lee,2017;Bharati等人,2024)。这种混合式方法不仅提升了模型的透明度与可信度,还能帮助人们了解导致洪水易发性的各种因素,从而让城市规划者、政策制定者以及地方当局能够制定出基于证据的城市韧性战略。与传统或纯粹的统计方法不同,KITNN采用了知识引导式学习,将数据驱动的智能与专家型的推理方式整合到同一个模型中。知识注入是指将特定的水文和环境关系融入模型开发过程的各个环节,包括特征构建、数据标准化方法以及模型解释等。在本研究中,通过与洪水形成相关的机制的先验知识——比如降雨强度与洪水发生之间的正相关关系、海拔高度与洪水易发性之间的负相关关系,以及不同土地利用类型和局部排水条件对洪水的影响——通过三种方法注入模型:第一种是运用模糊隶属函数对数据进行标准化处理;第二种是筛选并转换具有水文意义的重要预测因子;第三种则是利用可解释人工智能技术来指导结果的解读。与纯粹基于数据的模型不同,这种知识注入方式会对模型的学习过程施加约束,从而形成具有物理意义的关联关系。受此启发,本研究旨在开发KITNN-XAI这一新一代洪水易发性制图概念,以克服基于物理原理的模型和黑箱式学习网络各自的局限性。通过将知识注入、深度情境学习以及解释功能有机结合起来,这种知识引导式的框架代表了城市洪水风险评估领域的重大进步,它能够让模型输出的结果兼具准确性、合理性以及实用性。为弥补这些不足,本研究提出了一种结合了可解释人工智能技术的基于知识注入Transformer基神经网络(KITNN)的创新型洪水易发性制图框架。本研究的主要目标有四点:第一,利用地理空间和水文气象数据,识别并分析影响曼谷城市洪水的关键水文环境、地形以及人为因素;第二,开发一种基于知识注入Transformer基神经网络(KITNN)的模型,将该模型的架构与水文领域知识相结合,从而提升洪水易发性预测的精度;第三,整合SHAP和LIME等可解释人工智能技术,对模型的决策过程进行解读和可视化处理,以此确保模型的透明度并赢得利益相关者的信任;第四,将所提出的KITNN-XAI框架与传统的机器学习及深度学习模型进行性能对比,进而生成一份具有空间明确性且易于理解的洪水易发性地图,为曼谷市的韧性城市规划及减灾措施提供有力支持。本研究的创新之处在于开发了一种混合式的、基于知识引导的Transformer框架,它将基于领域知识的特征工程与基于注意力的深度学习以及可解释人工智能技术相结合。与普通的黑箱式深度学习方法不同,KITNN整合了特定领域的知识以及可解释的机器学习技术,从而为洪水韧性规划中的算法环境预测以及具备情境感知能力的人工智能系统提供实用的决策依据。通过这一方法,本研究旨在为适用于气候脆弱城市地区的自适应、可信且具备情境感知能力的洪水建模框架树立先例,从而为建设具有洪水应对能力的城市未来铺平道路。

研究区域
曼谷大都会区包括曼谷以及周边的农塔布里府、巴吞他尼府、沙没巴干府、那空巴统府和沙没沙空府,是泰国政治、经济和行政活动的中心(图1)。从地理上看,该地区位于北纬13°30′至14°15′、东经100°15′至100°55′之间,处于湄南河下游洪泛区,地面海拔在平均海平面以上-0.2米至36米不等。

基于机器学习模型的洪水易发性评估
为有效模拟曼谷这类复杂城市环境中的洪水易发性,研究在经过严格的数据预处理后采用了多种机器学习模型,包括数据标准化和多重共线性分析。

讨论
洪水对城市系统影响巨大,尤其是在快速城市化的地区。由于无计划的城市化、气候变化和森林砍伐导致洪水事件的发生频率和强度不断增加,准确识别和绘制洪水易发区域显得愈发重要(Bharati等人,2024年)。灾害防范、城市规划、保险建模以及生态保护都依赖于洪水易发性地图,这一过程能够确定某一区域的洪水风险状况。

局限性及未来工作
尽管本研究取得了良好效果,但仍存在一些局限性,这些局限性需要得到重视,并为未来的研究指明方向。首先,预测的空间分布模式取决于所使用的模型类型。KITNN模型强调的是中部和南部低洼平原,而集成机器学习模型则更关注东部和东北部的运河走廊地带。虽然这两种模式在理论上都是合理的,且都存在高风险核心区域,但这种差异意味着……

结论与政策建议
本研究通过将先进的机器学习技术,尤其是新型的基于KITNN变换器的深度学习模型,与SHAP等可解释性人工智能方法相结合,推动了洪水易发性建模领域的显著进展。KITNN模型展现了出色的预测性能,其平均ROC-AUC值约为0.94,能够有效捕捉曼谷不同地形条件下土地利用、土壤类型、土壤水分指数以及城市化格局等关键地理空间变量之间的复杂非线性关系。

数据与代码获取方式
本研究中所使用的地理空间条件数据来自公开渠道,包括美国地质调查局EarthExplorer网站(https://earthexplorer.usgs.gov)提供的SRTM数字高程模型和Landsat衍生数据层,加州大学欧文分校CHRS数据网站(https://chrsdata.eng.uci.edu/)提供的降雨数据,粮农组织土壤数据库(https://www.fao.org/soils-portal/)提供的土壤数据,以及BB Bike网站(https://extract.bbbike.org/)提供的道路、河流和排水网络数据。经过处理的洪水相关数据也一并提供。

利益冲突声明
作者声明不存在可能影响本文研究的任何已知财务利益或个人关系。

CRediT作者贡献说明
Malay Pramanik:写作——审稿与编辑、监督、研究、正式分析、概念构建。Swapan Talukdar:写作——初稿撰写、软件应用、方法设计、正式分析、概念构建。Rizwan Ahamed:写作——初稿撰写、可视化处理、正式分析、概念构建。Harekrishna Manna:写作——审稿与编辑、软件应用、正式分析、数据整理、概念构建。Alok Das:软件应用、正式分析、概念构建。

未引用参考文献
Alalwany等人,2025年;Balica等人,2013年;Bhattarai等人,2024年;Chen等人,2019年;Dharmarathne等人,2024年;Forbes和Hamnett,2011年;Khodaei和Nasiri Saleh等人,2025年;Kopczewska,2022年;Langkulsen和Lambonmung,2023年;Adjadi Mounirou等人,2025年;Munpa等人,2022年;Nguyen等人,2024年;Noever-Castelos等人,2021年;Pourghasem等人,2025年;Saranya和Subhashini,2023年;Sayama等人,2017年;Shafique,2022年;Singha等人,2025年;Sitko和Almukhtar,2017年;Subair,2017年;Sugsaisakon,2020年。

伦理声明
作者声明本研究是按照所有相关的伦理准则和规定进行的。本研究没有涉及任何人类或动物实验。

资金来源
本研究未获得任何资金支持。

利益冲突声明
作者声明不存在可能影响本文研究的任何已知财务利益或个人关系。

致谢
作者感谢卡纳塔克中央大学地球科学学院地理系以及亚洲理工学院发展与可持续性系的支持。同时,我们也感谢审稿人提出的宝贵意见,这些意见有助于提升文章质量。

Malay Kumar Pramanik | Swapan Talukdar | Harekrishna Manna | Rizwan Ahamed | Alok Das
亚洲理工学院发展与可持续性系,泰国巴吞他尼府克隆卢昂,阿霍利奥廷公路,邮编12120
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