洪水易发性制图中的不确定性降低：整合信息价值模型与机器学习技术在黄河流域的应用

《ISPRS International Journal of Geo-Information》：Uncertainty Reduction in Flood Susceptibility Mapping: Integrating Information Value Model and Machine Learning in the Yellow River Basin

　　

摘要

由于样本选择和模型泛化方面的不确定性，黄河流域的洪水易发性制图仍然具有挑战性。本研究开发了一种新颖的两步耦合框架，该框架将信息价值（IV）模型与机器学习（ML）相结合以提高预测的可靠性。IV模型首先识别出低易发性的稳定区域，以选择可靠的非洪水样本，然后将这些样本与历史洪水数据结合起来训练ML模型。通过应用SHAP方法来量化各个因素的贡献并解释模型输出。结果表明，IV-RF模型具有最高的预测性能，而堆叠集成模型进一步降低了不确定性。敏感性分析证实，即使在随机数据划分和重复选择非洪水点的情况下，模型结果仍然保持稳定。高风险区域主要位于河套平原、渭河流域以及黄河下游的部分地区，这些地区的洪水易发性受排水密度、人为活动及城市开采导致的土壤变化、较高的地形湿润指数以及平缓坡度的影响。这项工作提供了一种可推广的方法，能够提高洪水风险评估中样本选择的物理一致性和模型的可解释性。