一种整合概率性灾害发生与城市环境响应的城市洪水风险评估新框架

《Water Research》：A novel framework for urban flood risk assessment integrating probabilistic hazard occurrence and urban environmental response

　　

摘要

城市内涝（UF）风险评估为应对城市发展威胁与公共安全挑战提供了地理学视角。尽管灾害—暴露—脆弱性（H-E-V）框架被广泛使用，但暴露与脆弱性之间界限模糊、耦合风险值分布不合理等问题可能削弱时空风险表征的可靠性。为应对这些问题，本研究提出了一种面向城市内涝灾害形成过程与承灾环境（DBE）优化的UFR方法，明确了灾害、暴露与脆弱性的定义与量化方式，通过耦合暴露与脆弱性重构了承灾环境，并采用数据变换优化耦合风险值分布。以中国广州市为案例研究。结果表明：（1）与传统基于简单乘法耦合的风险公式相比，本研究提出的方法在相同面积约束下实现了更高密度的观测内涝点位落在高风险区内的比例，提高了高风险区识别效果；（2）立方根变换在值域范围、分布特征和信息熵方面优于其他变换方法，通过减少低值压缩、右偏态和长尾效应提高了分布合理性，同时保留了空间分异信息；（3）识别出的高UFR区域与遥感影像和社会经济数据所揭示的承灾环境特征一致，包括高密度建成地表、平坦地形、临近河流与道路以及人口与经济活动集中。所提出的基于H-E-V框架的UFR方法为高风险区识别、精细化洪涝管理以及城市可持续发展提供了方法学支持。

引言

城市内涝（UF）是指在强降水或持续降水期间，道路、低洼地区或建筑物周边出现的地表面积水现象，通常由排水能力不足、地形不利及城市环境条件等因素引起（Rafiei-Sardooi et al., 2021）。受气候变化与快速城市化的驱动，城市内涝已成为日益增长的公共安全威胁（Sun et al., 2026）。《2022年全球自然灾害评估报告》指出，洪水是2022年发生频率最高的灾害，影响了大量人口并造成449亿美元经济损失（Academy of Disaster Reduction and Emergency Management et al., 2023）。发展中国家由于社会经济敏感度更高、适应能力更弱而尤其脆弱（Ward et al., 2017）。作为中国最大的发展中国家，也面临严峻挑战。2021年，洪水影响了5901万人，造成直接经济损失2458.9亿元人民币。这些影响凸显了深入理解城市内涝以支持洪涝缓解和城市可持续发展的必要性。

不同学科从不同角度研究城市内涝。水文学主要通过水动力模型模拟径流、淹没深度和流量过程（De Arruda Gomes et al., 2021），工程学则侧重于排水能力与系统优化（Schmitt et al., 2002）。地理学强调通过将观测到的城市内涝事件与气候、地形和地表因素联系起来，实现洪涝易发区域的空间识别（Feloni et al., 2022）。因此，早期地理学研究者常依赖城市内涝易发性（UFS），即确定城市内涝更可能发生的位置（Islam et al., 2025）。然而，高易发性区域并不一定遭受严重损失；例如，人口稀少或未开发地区可能属于内涝易发区，但潜在损失有限（Tang et al., 2024）。鉴于缓解资源有限，城市管理应优先关注城市内涝可能产生重大社会经济影响的区域（Zhu et al., 2025），这正是城市内涝风险（UFR）的核心。因此，城市内涝评估需要从基于易发性的制图转向面向风险的评估，以更好地支持精准的洪涝管理。

风险评估中常用的两个概念框架是"概率—后果"（P-C）框架（Gouldby and Samnels, 2005）和"灾害—暴露—脆弱性"（H-E-V）框架（Bernardini et al., 2024）。P-C框架将风险定义为灾害发生概率与后果的组合，为风险量化提供了直观的逻辑。它倾向于强调直接的洪涝后果，特别是经济损失（Meyer et al., 2009），而对城市承灾环境（DBE）如何放大或缓冲洪涝影响考虑不足。相比之下，H-E-V框架被广泛应用于气候相关风险研究，包括IPCC评估报告（Field et al., 2012），将风险概念化为灾害、暴露和脆弱性之间的相互作用。通过联系灾害发生、暴露要素和城市系统响应，它为空间明确的UFR评估提供了合适的框架基础。在实践中，基于H-E-V的评估通常包括两个步骤：对灾害、暴露和脆弱性进行空间表征，并通过数学模型耦合这些要素以生成最终风险分布。然而，在要素表征和要素耦合方面仍存在不确定性，可能影响最终风险分布的合理性。

关于要素表征，灾害相对成熟，因为它代表灾害本身，包括城市内涝的可能性、空间分布以及在某些情况下发生的强度。可利用历史洪涝事件、淹没信息或相关环境因子进行表征（Truu et al., 2026）。统计和机器学习（ML）方法常用于灾害建模，其中机器学习方法日益被用于捕捉城市内涝发生与降水、地形和地表条件等因素之间的非线性关系（Qin et al., 2025）。相比之下，暴露和脆弱性描述的是承灾环境（Kai et al., 2017），但其定义和边界仍不够清晰（Thanvisitthpon et al., 2020; Klijn et al., 2015）。由于承灾环境对城市内涝的响应难以直接观测，部分研究利用损失曲线量化脆弱性或潜在损失（Notaro et al., 2014），而大多数则依赖社会经济指标和加权汇总方法（Abdrabo et al., 2023）。然而，暴露和脆弱性指标往往相互混杂（Ingle and Chattopadhyay, 2022; Krellenberg and Welz, 2017; L?we et al., 2017）：相似的人口、经济或基础设施相关因子在不同研究中可能被归入不同要素，模糊了其概念差异与功能作用。

关于要素耦合，现有研究通常采用加法或乘法公式组合灾害、暴露和脆弱性（Bin et al., 2023; Wang et al., 2024）。加法公式将三个要素视为相对独立的贡献因素。虽然简单且能产生更平滑的风险分布，但无法充分表达风险作为灾害发生、暴露要素和城市系统响应的共同结果（Mamuji and Etkin, 2019）。相比之下，乘法公式强调三个要素的协同效应，更符合"灾害发生—暴露要素—系统响应"的风险形成逻辑；因此，已被当前风险研究广泛采用（Carr?o et al., 2016）。所得风险值分布直接影响空间分类和时空模式的表征。由于灾害、暴露和脆弱性通常在计算前标准化为0至1，直接相乘可能产生累积压缩效应，导致风险值聚集在低值区间并形成右偏长尾分布（Lyle et al., 2026）。这可能削弱区域风险分异，影响UFR时空模式的准确表征。

综上所述，当前UFR研究仍面临两大挑战：H-E-V要素表征不清晰，尤其是暴露与脆弱性的区分，以及要素耦合不足，难以生成合理的风险值分布。这些问题限制了UFR时空模式的准确表征。为解决上述问题，本研究提出了一种基于H-E-V框架的UFR方法，首先根据可观测特征明确灾害、暴露和脆弱性，然后比较多种变换方法以优化耦合风险值分布。我们希望本研究能为更客观的UFR表征和面向城市可持续发展的精细化城市内涝管理提供方法学支持。

案例研究区域

广州位于中国南方，是粤港澳大湾区核心都市区之一（图1a）。该地区呈现东北高、西南低的地形梯度特征。属于亚热带季风气候，降水主要集中在夏季，且表现出强烈的时空变异性（图1b）。快速的城市扩张、不透水面增加以及自然滞蓄能力下降等因素加剧了城市内涝风险。

灾害量化

由于环境预测因子和城市内涝形成条件在不同研究区域存在差异，模型比较对于选择适应当地环境特征的算法至关重要。本研究采用基于树结构的机器学习模型进行城市内涝灾害（UFH）建模，因为它们能够处理高维预测因子和非线性关系，并已在洪涝可能性量化中被广泛应用（Mosavi et al., 2018）。研究选择了三种代表性算法：随机森林（RF）、梯度提升和GBDT。

UFH建模与时空特征

为选择合适的UFH建模算法，RF、XGBoost和GBDT使用相同的1000个平衡数据集进行训练和评估，每个数据集按7:3的比例划分为训练集和测试集。如图4b所示，RF取得了最佳的整体性能，平均Kappa值为0.731，高于XGBoost（0.722）和GBDT（0.721）。RF还在大多数迭代中于各评估指标上优于其他模型，AUC和召回率的比例分别为80.3%和69.9%。因此，RF被选为最终模型。

所提出UFR评估公式的验证

为验证所提出的UFR公式的有效性，本研究从三个方面进行了评估：（1）准确性验证，（2）分布合理性，（3）空间合理性。

（1）利用观测到的城市内涝点位，对比所提出的基线UFR评分与传统风险值（H×E×V）在识别高风险区方面的表现。在相同的高风险区比例约束下，将观测城市内涝点位落入已识别高风险区内的比例与……

结论

本研究开发了一种新型时空UFR评估方法，并应用于2014至2022年的广州市。结果表明：（1）所提出的UFR公式改进了高风险区识别效果。与传统风险值（H×E×V）相比，基线UFR评分能更有效地捕捉有记录的城市内涝事件区域，而立方根变换则缓解了右偏长尾的风险值分布，增强了UFR的空间表征。（2）广州UFR呈……

作者贡献声明

YinYin Chen：写作——审阅与编辑、写作——初稿撰写、可视化、验证、软件、方法论、形式分析、数据整理、概念化。GuiCheng Yang：写作——初稿撰写、验证、软件、方法论、形式分析、数据整理、概念化。XuHeng Xiong：写作——初稿撰写、验证、方法论、数据整理、概念化。Can Li：软件、资源、项目管理、资金获取。Luo Liu：软件、方法论。JiuFeng Li：监督、资金获取。XianZhe Tang：监督、资金获取。

利益冲突声明

作者声明不存在可能影响本论文报告工作的已知竞争性经济利益或个人关系。

致谢

我们衷心感谢Water Research的编辑和三位匿名审稿人，他们的宝贵意见帮助我们改进了这篇手稿。本研究部分得到了国家自然科学基金（42307580和42371268）和广东省基础与应用基础研究基金（2022A1515110686）的支持。

YinYin Chen | GuiCheng Yang | XuHeng Xiong | Can Li | Luo Liu | JiuFeng Li | XianZhe Tang
华南农业大学土地资源利用与整治广东省重点实验室，广州 510642，中国