《Water》：Deciphering Multi-Scale Impacts of Urban Morphology on Flooding for Climate-Resilient Planning: An Explainable AI Approach
编辑推荐：
城市洪水受城市形态影响，但推断出的关系会随用于表示洪水和城市形态的空间单元而变化。现有研究通常报告选定空间配置下的结果，当分析尺度、网格布局和空间分离验证发生变化时，预测性能和识别的主要预测因子是否保持稳健尚不清楚。本研究以2020年5月22日广州暴雨事件为案
城市洪水受城市形态影响，但推断出的关系会随用于表示洪水和城市形态的空间单元而变化。现有研究通常报告选定空间配置下的结果，当分析尺度、网格布局和空间分离验证发生变化时，预测性能和识别的主要预测因子是否保持稳健尚不清楚。本研究以2020年5月22日广州暴雨事件为案例，评估了多尺度形态-洪水关联对这些空间分析选择的稳健性。研究人员整合了119个独特的官方内涝点位置与67个地理编码的社交媒体位置。在剔除100米内的4个跨源匹配点后，使用182个独特观测值构建核密度响应面，并检验1–5 km分析网格。采用空间自相关、XGBoost的重复嵌套地理交叉验证、折叠外SHAP归因和累积局部效应（ALE）来量化尺度依赖模式。全局莫兰指数（Global Moran's I）从1 km的0.125增加到4 km的0.524，然后在5 km下降至0.479（所有排列p < 0.001）。平均空间验证R2范围为0.483至0.610，在4 km处获得最高R2和最低RMSE，尽管残差空间自相关仍然存在。道路密度是每个尺度上最大的单个SHAP贡献者（35.54–40.89%）。ALE显示道路密度、建筑密度和不透水表面比率呈广泛正相关，而高程呈负相关，但不支持普遍的尖锐阈值。这些特定事件结果表明，当基于形态的证据用于洪水筛查和气候适应性规划时，应明确报告分析尺度和网格布局。
气候变化正加剧全球洪水风险，城市形态（如道路密度、建筑密度、不透水表面比率）已被证实显著影响洪水敏感性。然而，现有研究多基于单一空间尺度或预选网格，未系统评估分析尺度、网格布局和空间分离验证对预测性能及主要驱动因子识别的影响。这种不确定性可能导致规划决策依据不稳定。为此，研究人员以2020年5月22日广州暴雨事件为案例，旨在量化多尺度形态-洪水关联的稳健性，为气候适应性规划提供更可靠的筛查证据。该研究发表于《Water》。
研究人员采用核密度估计（KDE）将182个去重内涝点（来自119个官方记录和67个社交媒体位置）转化为响应面，并在1–5 km平方网格上分析。关键技术方法包括：全局/局部莫兰指数（Global/Local Moran's I）评估空间自相关；XGBoost模型结合重复嵌套地理交叉验证（5折外循环、3折内循环调参，重复3次）进行空间分离验证；折叠外SHAP（SHapley Additive Explanations）归因量化各预测因子贡献；累积局部效应（ALE）揭示边际关联模式；半网格偏移敏感性测试检验网格原点影响。
**4.1 内涝点空间特征**
通过KDE分析，内涝点高密度集中在广州中心城区西部，形成东西向带状分布。全局莫兰指数显示，内涝密度在1–4 km尺度上空间自相关递增（从0.125升至0.524），4 km后微降至0.479（所有p<0.001），表明聚合尺度增强聚类表现。局部莫兰图显示高位-高位聚类比例随尺度增加（从0.82%升至7.68%），但多数网格未通过显著性检验（未校正多重比较）。
**4.2 影响因素与内涝点关系**
皮尔逊相关分析表明，道路密度（RD）与内涝密度呈最强正相关（r从0.740增至0.857），建筑密度（BD）次之（r从0.535增至0.732），不透水表面比率（ISR）稳定在0.502–0.561。高程（DEM）为负相关，绿地率（GR）和归一化植被指数（NDVI）为负相关。方差膨胀因子（VIF）显示地形因子（TRI、SLOPE）和土地覆盖因子（GR、NDVI）间存在强多重共线性，因此SHAP归因需谨慎解读。
**4.3 城市形态因子对洪水的多尺度影响**
**4.3.1 不同尺度下的因子贡献**
重复嵌套地理交叉验证显示，平均R2从1 km的0.483升至4 km的0.610，再降至5 km的0.574；均方根误差（RMSE）在4 km最低（0.0309点km?2）。残差莫兰指数仍显著但递减（0.762降至0.463）。折叠外SHAP归因表明，道路密度（RD）是每个尺度上最大的贡献者（35.54–40.89%），建筑密度（BD）次之。将因子分组后，城市形态（RD+BD）贡献占比最高（约40–50%）。
**4.3.2 SHAP值空间分布**
空间SHAP图显示，RD在中心城区呈现强且一致的正向归因，BD和ISR在部分网格为正，DEM主要负向，地形湿度指数（TWI）较弱且空间混合。颜色深浅和透明度表示重复间符号一致性，说明RD的归因模式最稳健。
**4.3.3 关键预测因子的ALE曲线**
一阶ALE曲线显示，ISR、BD、RD与内涝密度呈广泛正相关，DEM呈负相关。曲线形状和置信区间随尺度和外折变化，未出现稳定、尖锐的全局阈值，因此不支持通用规划阈值。
**4.3.4 各网格洪水主导因子**
在70.35–77.41%的网格中，RD是模态主导因子（基于绝对折叠外SHAP值最大的因子），BD主导占3.10–9.87%，ISR占1.92–7.16%，DEM占1.28–10.66%。约2.69–5.12%的网格无多数一致。主导因子地图主要突出中心城区的RD优势，但网格间一致性随尺度变化。
**讨论总结**：形态-洪水关联的强度、聚类和可预测性随分析尺度变化，最优尺度（4 km）依赖于网格原点偏移（半网格偏移使最佳R2移至3 km），表明通用最优尺度不存在。RD的稳定性表明其可作为洪水筛查关键指标，但需结合地表径流、排水能力等过程解释。SHAP和ALE描述的是预测关联而非因果机制，不直接支持干预效应。局限性包括：地形数据时间滞后、社交媒体报告偏差、无空间显式降雨和排水管网数据、残差空间自相关未完全消除。
**结论（翻译）**：在广州1–5 km网格上，城市洪水表现出尺度依赖的空间聚类及与城市形态的关联。重复嵌套地理交叉验证得到平均R2为0.483–0.610，在4 km处获得最高R2和最低RMSE，但残差空间自相关仍显著。道路密度（RD）是最稳定的归因信号，贡献35.54–40.89%的绝对折叠外SHAP值，并在70.35–77.41%的网格中作为模态主导因子。ALE显示RD、BD和ISR呈广泛正相关，DEM呈负相关，但不支持固定阈值。由于偏移网格改变了最佳性能尺度，研究结果支持明确报告空间支持，而非推荐通用最优尺度。
