《Water》：Advancing Urban Flood Risk Mapping: A Hybrid Framework Integrating Interpretable Machine Learning and Uncertainty-Aware Expert Judgment
编辑推荐：
气候变化与城市化正在加剧全球范围内的城市洪水风险，使得洪水风险管理变得至关重要。尽管机器学习已被广泛应用于洪水易发性制图，但许多研究未纳入社会经济维度以进行综合风险评估；此外，传统的主观评价方法对专家判断不确定性的量化尚不充分。本研究提出了一种用于城市洪水风险
气候变化与城市化正在加剧全球范围内的城市洪水风险，使得洪水风险管理变得至关重要。尽管机器学习已被广泛应用于洪水易发性制图，但许多研究未纳入社会经济维度以进行综合风险评估；此外，传统的主观评价方法对专家判断不确定性的量化尚不充分。本研究提出了一种用于城市洪水风险制图的混合框架，该框架融合了可解释机器学习与基于Z数的模糊层次分析法（Z-FAHP），并将其应用于日本东京，利用了基于机载LiDAR的高分辨率数字高程模型（DEM）以及其他公开可用的地理空间数据集。该框架在发挥机器学习效率的同时，通过引入置信水平更好地容纳了模糊的语言化专家判断。洪水易发性通过包含14个特征的机器学习得出，模型性能分别采用非空间与空间4折交叉验证进行严格评估，其中CatBoost模型表现最优。进一步采用SHAP（SHapley Additive exPlanations）分析，通过量化特征贡献来增强模型透明度。暴露度和脆弱性分别通过Z-FAHP从3个和5个社会经济指标进行量化。这三个准则通过简单加权法进行综合，以生成洪水风险图。结果表明，约32.9%的研究区域面临高至极高洪水风险，主要集中在东部低洼地区及河流廊道。该框架具有可转移性，可作为有效的城市洪水风险管理工具应用于全球其他城市。
论文解读
一、研究背景与问题
随着城市化进程的持续推进和气候变化的影响，城市洪水风险不断上升，对人类生命和社会经济活动构成显著威胁。城市洪水可能源于局地极端降水、河流漫溢、沿海风暴潮或其复合作用，排水系统超载、不透水面积增加、建筑密度高以及地势平坦低洼等因素会进一步加剧其发生。在洪水风险研究中，风险通常被定义为对人类或生态系统产生不利后果的潜在可能，而洪水风险则被概念化为三个要素的函数：洪水危险性、暴露度和脆弱性。其中，洪水危险性是指可能产生不利后果的洪水事件的发生潜力，由洪水事件的物理特征和频率决定；暴露度指位于洪水易发区域的可能受到不利影响的人员和资产；脆弱性指这些人员和资产在洪水发生时遭受损害或损失的倾向或易损性。
在洪水危险性分析方面，机器学习等人工智能技术在过去十余年得到广泛应用，其可以降低对物理模型中关键城市排水数据的依赖。机器学习通过将洪水和非洪水位置作为目标变量，以地理、气候等相关特征为解释变量，生成表达研究区域洪水易发性的地图，即洪水易发性制图。然而，机器学习的主要局限性在于模型输出缺乏透明度，可解释人工智能（XAI）的出现为解决该问题提供了途径，其中SHAP（SHapley Additive ExPlanations）方法已成为增强黑箱模型预测透明性的重要手段。需要注意的是，洪水易发性制图不能与洪水危险性制图混为一谈，后者通常包含水深、流速、淹没历时等洪水物理特征。由于数据限制，通过水动力模型获取洪水物理特征或通过统计方法估算事件重现期并非总是可行，因此一些洪水风险研究将机器学习得出的洪水易发性作为洪水危险性的代理指标纳入风险评估框架。多准则决策分析（MCDA）在洪水风险研究中应用广泛，其中层次分析法（AHP）最为常用。然而，由于洪水事件及其社会影响的复杂性和固有不确定性，专家对洪水风险影响因素的判断往往不够精确。模糊AHP使用模糊数代替精确数值以容纳模糊的语言判断，而Z数的引入则能够描述专家对其自身判断的置信水平。当前Z数在洪水风险评估中的应用仍相对有限，更明确地表达专家判断可以增强不确定性条件下权重确定的可靠性，进而可能提高洪水风险评估的稳健性。
二、研究内容与结论
针对上述问题，本研究提出了一种用于城市洪水风险制图的混合框架，其新颖性体现在两个方面：一是首次将可解释机器学习与基于Z数的模糊AHP（Z-FAHP）相结合用于城市洪水风险制图；二是基于完全公开可获得的地理空间数据集，首次生成明确考虑社会经济特征的东京都高分辨率洪水风险图。该框架包含三个准则：由机器学习得出的易发性、通过Z-FAHP计算的暴露度和脆弱性。研究人员以日本东京为案例，利用基于机载LiDAR的高分辨率数字高程模型（DEM）及其他公开地理空间数据，生成了空间分辨率为10米的洪水风险图，能够表达邻里和街道尺度的风险。结果表明，CatBoost模型在洪水易发性制图方面优于人工神经网络（ANN）模型。所生成的洪水风险图显示，约32.9%的研究区域面临高至极高洪水风险，主要集中在东部低洼地区和河流廊道。该框架具有可转移性和高效性，可作为有效的城市洪水风险管理工具应用于全球其他城市。论文发表在《Water》期刊。
三、关键技术方法
研究人员采用了以下主要技术方法：利用机器学习算法进行洪水易发性建模，系统比较了CatBoost和人工神经网络（ANN）两种算法，并采用非空间和空间4折交叉验证评估模型性能，其中空间交叉验证通过5公里缓冲区隔离训练数据以检验空间泛化能力；采用SHAP方法解释模型输出，量化各特征对预测结果的贡献；采用基于Z数的模糊层次分析法（Z-FAHP）确定暴露度和脆弱性指标的权重，其中Z数由三角模糊数表示的专家模糊判断和表示置信水平的三角模糊数组成，通过可靠性质心的平方根将Z数转换为常规模糊数后执行标准模糊AHP流程，并进行一致性检验；最后采用简单加权法（SAW）对三个准则进行综合。数据来源方面，样本基于1999—2019年东京都建设局洪水风险信息系统提供的官方洪水记录构建，包含2462个标记数据点。
四、研究结果与讨论
（一）洪水易发性制图
研究人员对14个解释变量进行了Pearson相关性分析，发现坡度和地形崎岖度指数（TRI）、高程和最大日降水量（MDP）两对变量之间存在较高相关性，但由于其物理意义不同且树模型对多重共线性相对稳健，所有变量均予保留。在模型性能方面，非空间4折交叉验证下，CatBoost模型的ROC-AUC为0.944，优于ANN模型的0.905；空间4折交叉验证下，CatBoost的ROC-AUC为0.894，比ANN高7.6%。DeLong检验表明两者差异具有统计显著性，说明CatBoost模型具有更强的空间泛化能力。SHAP分析显示，地形湿度指数（TWI）、归一化植被指数（NDVI）、高程、地表地质和距河流距离是最重要的五个特征。较高的TWI、较低的NDVI和较低的高程与较高的洪水易发性相关。
（二）暴露度与脆弱性制图
暴露度评估采用人口强度、脆弱人口比例和公示地价三个指标。脆弱性评估采用指定紧急疏散场所（DEES）密度、指定疏散避难所（DES）密度、紧急运输道路（ETR）密度、消防站（FS）密度和灾害基地医院床位（DBHB）密度五个指标的赤字。Z-FAHP确定的权重显示，脆弱人口比例在暴露度指标中权重最大；DEES密度在脆弱性指标中权重最高。暴露度较高的区域主要分布在东部城区，而脆弱性在这些区域相对较低。
（三）洪水风险制图
将易发性、暴露度和脆弱性三个准则通过等权重的简单加权法合成后得到洪水风险图。高和极高风险区域主要沿河流廊道分布，东部低洼地区相对风险最高，这与其地势低平以及人口和资产集中有关。高和极高风险区约占研究区面积的32.9%。
（四）讨论
研究存在若干不确定性来源：洪水记录完整性未知，样本数量和空间分布可能引入抽样偏差；模型训练基于历史洪水模式，未考虑气候变化、土地利用变化和防洪措施的未来变化；模型仅涵盖城市内涝和河流洪水，未纳入沿海洪水影响。权重矩阵由研究人员基于领域知识构建而非正式专家遴选程序，这不影响整体方法流程的有效性，但具体权重值应谨慎解释。未来研究可考虑整合极端降雨的预估变化以实现动态易发性制图，进行系统敏感性分析，并与其他洪水风险产品进行比较。
五、研究结论
研究人员首次提出了一种融合机器学习与Z-FAHP的可转移且高效的城市洪水风险制图评估框架。以日本东京为案例，基于完全公开的数据集开发了空间分辨率为10米且明确考虑社会经济特征的洪水风险图。该框架利用机器学习得出的洪水易发性作为洪水危险性的代理指标，实现了高效评估；在评估暴露度和脆弱性时，不仅纳入专家对相对重要性的模糊判断，还纳入了与该判断相关的置信水平。结果表明，CatBoost模型在洪水易发性制图的全部五个评估指标上均优于ANN模型。最终风险图显示，高和极高风险区域约占研究面积的32.9%，主要分布在河流廊道和东部低洼地区。所得到的洪水风险图可帮助公众了解居住区域的洪水风险水平并增强防灾意识，同时为决策者提供可叠加于现有淹没水深和历时地图的工具以进行更有效的减灾规划。该评估框架可转移应用于全球其他城市，作为城市洪水风险管理的有效工具，并可根据当地数据可用性灵活调整特征和指标。
