揭示巴西圣保罗州洪水暴露的空间不平等性

《Frontiers in Water》：Revealing spatial inequalities in flood exposure across S?o Paulo State, Brazil

　　

摘要：洪水仍是最为频发且破坏性最强的自然灾害之一，亟需空间显式化的工具来支撑风险减缓规划与应急准备。本研究针对巴西圣保罗州构建了一套集成的洪水敏感性与暴露评估框架，结合了机器学习、可解释人工智能以及基于人口普查的人口学信息。研究利用随机森林（Random Forest, RF）算法生成了30 m空间分辨率的洪水敏感性地图（Flood Susceptibility Maps, FSMs），并采用SHapley Additive exPlanations（SHAP）方法解释各 conditioning factor 的贡献。将敏感性地图与2022年巴西地理与统计研究所（Brazilian Institute of Geography and Statistics, IBGE）人口普查的空间粒度相结合，评估了人类暴露程度。基于15个 conditioning factors 以及包含2,000个易涝样本和2,000个非易涝样本的均衡数据集，RF模型表现出较高的预测性能（准确率 = 0.939；AUC = 0.982），其中距河流距离、坡度、曲线数（Curve Number）和海拔被识别为最具影响力的 conditioning factors。将敏感性格局与人口普查数据整合后，揭示了洪水暴露中显著的空间不平等：占该州领土6.2%的极高洪水敏感性区域集中了22.3%的人口，约合989万人，以及23.5%的住房单元。市级层面的分析进一步显示，24.6%的17岁以下人群和26.8%的65岁以上人群分布于高暴露等级的市镇。为支持基于暴露信息的规划，本研究开发了综合优先指数（Combined Prioritization Index, CPI），该指数整合了主导性市级敏感性、相对人口暴露和绝对人口暴露三个维度。CPI不仅识别出沿海区域的高优先市镇，也涵盖了内陆地区，包括 Guarujá、Rio Claro、Santos、Itanhaém、Praia Grande、Cubat?o、S?o Vicente 和 Caraguatatuba。总体而言，研究结果通过揭示高洪水敏感性与集中人口暴露的重叠区域，展现了洪水暴露中的空间不平等，为更具透明性和前瞻性的洪水风险规划提供了证据支持。

**论文解读：基于机器学习与人口普查数据揭示圣保罗州洪水暴露空间不平等性**

**1. 研究背景与问题**
洪水在全球范围内是最频发且破坏性最强的自然灾害之一，对基础设施、经济稳定和人类安全构成严重威胁。全球约有18.1亿人（约占总人口的23%）生活在显著的洪水危险区域，且这一数字到2050年可能增至23亿。从社会经济角度看，洪水暴露在不同收入国家间存在明显不均：约89%的洪水暴露人口居住在中低收入国家，表明洪水暴露与不平等、城市化进程以及安全土地获取受限等宏观格局密切相关。

洪水敏感性是指某一区域基于环境、地形、水文和人为等因素综合作用而发生洪水的空间倾向性。然而，仅依靠物理敏感性无法全面理解洪水的后果——易涝区往往与人口密集的河岸、洪泛平原、沿海地带以及非正规或快速扩张的城市聚落重叠，其实际影响取决于人口分布、居住密度以及老年人、儿童等特殊群体的空间位置。因此，将敏感性信息与人口统计数据相结合，是识别易涝条件转为社会风险的关键。

尽管洪水敏感性制图已广泛应用，但多数研究局限于国家尺度估算、单一城市分析或易涝区物理特征刻画，缺少将机器学习敏感性制图与人口普查小区级人口信息以及市级优先排序相结合的州级高分辨率评估。这一空白在圣保罗州尤为突出，该州城市密集、沿海与河流沿岸占用显著、社会经济反差强烈，形成异质性的洪水暴露格局。

**2. 研究目的**
本研究旨在实现三个目标：（1）构建圣保罗州30 m分辨率的洪水敏感性模型；（2）利用基于SHAP的可解释人工智能分析各 conditioning factors（环境、地形、水文和人为因素）的相对重要性和方向性影响；（3）在人口普查小区尺度上量化人口与住房暴露，评估市级年龄敏感人群（17岁以下和65岁以上）的暴露情况，并开发基于洪水敏感性与相对和绝对人口暴露的市级优先指数（Combined Prioritization Index, CPI）。

**3. 关键技术与方法**
研究人员采用了一套集成水文-人口框架，涵盖数据预处理、模型构建、结果分析和应用四个阶段（技术路线如图2所示）。模型训练基于2,000个易涝样本和2,000个非易涝样本。易涝样本来源于巴西地质调查局（SGB-CPRM）在2012—2019年通过技术制图和实地验证绘制的官方易涝区多边形；非易涝样本则依据坡度>5%且NDVI≥0.5的限定条件生成，以提高类别可分性。

研究使用随机森林（RF）算法构建敏感性模型，并通过网格搜索结合10折交叉验证进行超参数调优。优化后的模型参数为200棵树、最大深度20层、最小分裂样本数5，选用平方根特征数作为分裂准则。模型性能通过ROC-AUC、准确率、召回率和F1分数进行评估。可解释性分析采用SHAP方法，量化各因素对预测结果的贡献方向和大小。人口暴露评估基于2022年巴西地理与统计研究所（IBGE）人口普查小区数据，将敏感性图与人口和住房信息叠加，分析各敏感性等级下的人口和住房分布；市级年龄敏感人群暴露分析及CPI指数用于识别需要优先干预的市镇。CPI采用简单加性加权法（SAW），其中绝对暴露人口权重为40%，敏感性得分占35%，相对人口暴露占25%。

**4. 研究结果**

**4.1 模型性能与条件因素解释**
RF模型在独立测试集上表现出优异的判别能力，AUC达0.982，准确率为0.939。SHAP分析显示，距河流距离是最具影响力的预测因子，靠近河网区域对应正向SHAP贡献和更高的洪水敏感性。坡度和海拔与敏感性贡献呈反向关系——低海拔和缓坡产生正向贡献，陡坡和高海拔为负向贡献。曲线数（CN）和土地利用/覆盖（LULC）分别位列第三和第五位重要因子，高CN值（即低渗透性、高径流潜力表面）与更高敏感性相关。排水密度、地形湿度指数（TWI）、降雨量和土壤分类显示次级贡献，而剖面曲率、平面曲率和坡向的影响相对有限。

**4.2 洪水敏感性的空间分布**
基于自然断点（Jenks）方法，研究将敏感性连续值划分为五级：极低、低、中、高和极高。极低和低等级合计占制图面积的67.3%，而高和极高等级仅占16.4%。高和极高敏感性区域主要集中于沿海地带，与城市密集区和广布的建设用地表面高度吻合，反映出地形和人为因素的综合影响。

**4.3 人口对洪水敏感性的暴露**
将敏感性图与2022年IBGE人口普查小区叠加后，研究揭示了人口和住房分布与敏感性类别空间范围之间的显著错配。极高敏感性区域仅占全州面积的6.2%，却集中了22.3%的总人口（约989万人）和23.5%的住房单元。当高和极高两类合并时，它们仅占分析面积的9.2%（22,816 km2），但集中了44.6%的人口和45.2%的住房单元。在19,637,377套登记住房中，约8,877,707套位于高和极高敏感性区域。在人口普查小区尺度上，42.7%的小区被归类为高或极高敏感性，容纳了约1,980万人口，占总分析人口的44.6%。

市级年龄敏感人群分析显示，在1,240万17岁以下人口中，24.6%居住于高暴露等级的市镇；在530万65岁以上人口中，26.8%居住于高暴露市镇。高暴露市镇包括圣保罗、Ilha Comprida、Potim、Registro、Iguape、Guarujá、Hortolandia、Pariquera-A?u、Carapicuíba和Sumaré。

**4.4 基于敏感性和人口暴露的市级优先排序**
在645个市镇中，5.1%被归类为极高敏感性，16.7%为高敏感性。基于CPI指数的分类结果显示，8.8%的市镇被列为最高优先（priority 1），12.2%为高优先（priority 2），12.6%为中优先（priority 3），合计33.6%的市镇处于较高优先等级。高优先市镇不仅分布于沿海地区，也包括Rio Claro、Sumaré、Jacareí、Pindamonhangaba、Taubaté、Guaratinguetá、Paulínia、Jundiaí、Valinhos、Ribeir?o Preto和Piracicaba等内陆市镇，表明优先级别由敏感性与人口暴露的空间重叠共同决定，而非仅取决于地理位置。

**5. 讨论与结论**
讨论部分指出，SHAP分析表明圣保罗州的洪水敏感性并非仅由静态地形条件决定，而是河流邻近性、地形配置和城市化相关地表改造的综合结果。距河流距离和坡度是最主要的控制因子，而CN成为最主要的非地形因子，表明不透水面和扰动地表可显著加剧城市化流域的直接径流产生。该发现与Zhu等（2024）和Debnath等（2024）的研究一致。

研究人员强调了本研究的主要贡献：将基于物理的敏感性模式与人口暴露和市政优先排序相连接，超越了传统洪水敏感性制图，展示了模型推导的敏感性通过人口集中和年龄敏感人群的重叠而具有社会相关性。研究结果从空间不平等视角表明，洪水敏感性在与集中人口暴露重叠时具有社会显著性，为更具透明性和公平导向的洪水风险治理提供了依据。同时，研究也承认若干局限性：敏感性模型依赖静态因子，未显式表达降雨事件的时序动态和排水系统性能，易涝区清单可能存在制图和报告偏差，年龄敏感人群分析限于市级尺度，CPI权重属决策导向性的优先级框架而非对洪水风险的客观度量。

研究结论强调，高和极高敏感性区域仅占该州领土面积的9.2%，却集中了44.6%的人口和45.2%的住房单元，这一发现为针对性规划提供了强有力的实证基础。城市洪水韧性不仅取决于基础设施，还取决于对空间不平等暴露模式的认知，并利用这一信息指导更具前瞻性、透明性和包容性的国土规划。