全国防灾减灾日 | 机器学习与遥感结合的城市雨洪灾害风险评估——以厦门市为例

随着全球气候不稳定变化，暴雨洪涝（雨洪）灾害频发，给城市带来了巨大的生命和财产损失。水利部统计，1991-2020年间，我国因雨洪灾害年均死亡或失踪人口达2020人，年均造成直接经济损失1604亿元^[1]。近年来，每逢雨季，“城市看海”往往成为地方热点。

在城市规划与建设中，降低随城市化进程而增加的雨洪灾害风险势在必行^[2]。其中，科学精细的风险评估和规划对策是破局城市“逢雨必涝”的有效途径，掌握地方雨洪风险的分布规律和成灾机制也有利于城市韧性防灾规划的制定。

在雨洪灾害风险评估上，以往研究常用的方法主要包含基于历史灾情数据的统计法^[3]、基于理论/经验的指标评价法^[4]、基于水动力模型的淹没情景模拟法^[5]和基于RS/GIS的空间分析法^[6]等。然而，传统一般方法存在各自的劣势与局限，如灾情统计法中个人获取大量灾情数据较困难，预测结果存在偏差与不确定性^[7]；指标评价法的指标选取与权重确立主观性较强；水文模拟法的数据门槛较高、计算过程复杂等。

近年来，多源地理数据与计算机技术的发展为研究雨洪灾害风险提供了新工具。机器学习作为人工智能的一个重要领域，能够通过计算机实现从大量数据中找出隐藏规律，自主学习灾害风险与潜在影响因素之间的关系，建立拟合模型，实现评估预测^[8]，客观性较强。此外，机器学习可以处理多源数据，适用小样本和非正态分布样本的分析^[9]，也能够与一般方法结合使用^[10]，灵活性较好。在新近外文文献中，已有利用人工神经网络^[11]、蚁群算法^[12]、支持向量机^[13]、贝叶斯网络^[14]、决策树模型^[15]等机器学习方法开展的城市暴雨洪水灾害研究，国内文献目前也开始探索^[16]。但是，研究人员对哪种模型最适用没有达成共识，考虑选取的影响因素有重叠也有差异。实际上，不同模型各有千秋，其评估性能取决于数据、准确度和模型结构，并没有放之四海皆准的算法^[17]。因此，研究应根据灾害或风险相关理论，结合地方特点，收集多源数据，构建系统性结构进行模型比较与灾害风险机制探究。

考虑到机器学习模型需要大量数据用以学习，而传统的雨洪监测与采样工作量大、周期长且存在一定危险性，本文拟结合遥感技术开展研究。遥感卫星能高效获取研究区的信息，可在不同时间间隔有效监测土地利用变化、暴雨洪涝事件^[18]，识别区域内的山洪易发范围、洪涝淹没范围 ^[19]等。学者也指出，基于遥感分析的历史洪涝水体淹没频次在很大程度上能反映雨洪灾害风险的大小^[20]。

总的来说，本文拟重点解决两方面问题：（1）机器学习与遥感结合的方法在城市雨洪灾害风险评估中运用效果如何？（2）城市雨洪灾害风险的空间分布规律如何，风险水平差异受什么样的影响机制，对韧性城市规划有怎样的启发？

研究基于构建的雨洪灾害风险定量分析模型，结合遥感与GIS，分三步进行：（1）测度城市空间的各项雨洪风险影响因素，作为自变量；（2）遥感影像提取并识别城市空间的雨洪淹没风险，作为因变量；（3）选取样本点，将变量导入机器学习模型进行训练、测试和比较，利用测试好的模型评估城市雨洪灾害风险的多维特征，并探索风险主因和影响机制，以便对城市防灾规划与韧性治理提出合理建议（图2-1）。

图2‑1 研究思路

2.2.1 雨洪灾害风险定量分析模型

根据灾害系统理论^[21]、风险分析理论^[22]、“H-E-V”风险评估框架^[23]等经典理论，讨论城市雨洪灾害时应综合考虑致灾因子、孕灾环境和承灾体三大系统的综合作用，结合已有研究建立了雨洪灾害风险定量分析模型，表达式为：

式中，R为城市雨洪灾害风险（Risk），H为致灾因子危险性（Hazard），S为孕灾环境敏感性（Sensibility），E为承灾体暴露性（Exposure），V为承灾体脆弱性（Vulnerability）。模型反映了风险是关于四个维度的函数。

基于模型与相关理论，按照“目标层-灾害系统层-风险特征层-影响因素层”思路构建分析框架，从每个风险特征维度中选取若干影响因素，共计20项因素（基于国内外学者研究结果整理），探究其对雨洪灾害风险的综合影响结果与影响机制（图2-2）。

图2‑2 雨洪灾害风险定量分析模型框架

2.2.2 MNDWI水体指数法：雨洪淹没遥感解译提取

运用遥感影像进行水体淹没范围的提取主要用到水的反射波谱特性。通常情况下，水体在蓝绿光波段的反射率较高，而在近红外、中红外等波段的吸收率较高。研究为避免影像中建筑物的干扰，采用改进的归一化差异水体指数（MNDWI）进行分析^[24]，公式为：

式中，GREEN为绿光波段反射率，MIR为中红外波段反射率。MNDWI∈[-1,1]，一般情况下，水体的指数大于0，且越接近1，表示越可能是水体。为了提取精确的淹没范围，需要重点判别最小阈值，作为划分水体和非水体区域的界限^[25]。

2.2.3 GBDT机器学习算法：风险评估与影响机制探究

GBDT（梯度提升决策树）是一种广泛用于分类和回归问题，高效率、低偏差、可解释的机器学习算法。其基本原理是将几个弱分类器（决策树）组合成一个强分类器，利用梯度提升的方法不断迭代，得到损失函数最小时的模型预测值^[26]。GBDT算法的优势在于不必预先假设因变量与自变量之间先验的线性关系，可以探究因变量与自变量间不规则的非线性关系，在研究雨洪灾害等复杂风险时可发挥强大作用。

图2‑3 GBDT机器学习模型示意图

研究中，首先设置由i个自变量（即20项影响因素）组成的样本空间x_i，因变量y_i为雨洪淹没风险等级（即遥感解译的淹没风险值），得到n个样本的样本数据集T={(x₁,y₁),(x₂,y₂),……,(x_n,y_n)}。其次，放入GBDT回归机进行多次迭代，每次迭代中后一个决策树使用前一个决策树预测的残差进行训练，最终得到的拟合模型是每一步迭代的决策树的求和，公式为：

式中，F(x)为最终模型，p_n为第n棵决策树q(x;θ_n)的权重，x为自变量，θ_n为使本次迭代过程中损失函数最小的决策树构建参数，N为决策树总棵数。

为了提高模型的预测能力并防止发生过度拟合，GBDT应用了收缩策略，即学习率参数进行调整。学习率越小，模型对残差的估计越精细，但结果收敛速度也将变慢。最终，n棵决策树迭代完的模型可表示为：

式中，F_n(x)为n次迭代得到的最终模型，n为迭代次数，η为学习率。最终模型可用于研究区的灾害风险评估预测。

与朴素贝叶斯、隐马尔可夫、深度学习网络等机器学习模型相比，GBDT能测度每项输入变量（自变量）对预测目标（因变量）的影响^[27]，可通过相对重要度和部分依赖图反映解释变量对响应变量的影响程度及二者之间的关系。相对重要度表示每个自变量对最佳拟合模型的重要程度（贡献率）。部分依赖图可以直观展示解释变量对响应变量预测结果的边际效应，用来刻画自变量与因变量间非线性的影响机制^[28]。

研究选取我国重要防洪城市之一的厦门市为研究区，厦门背山面海、地形多样，流域集水面积小，调蓄能力差，在遭遇台风暴雨时极易形成“外潮内涝”。距历史灾情统计，厦门平均约6年发生一次雨洪灾害，尤其是厦门本岛、海沧、杏林等沿海新区及旧城区，地势低洼，一旦同时受短时强降雨或海潮顶托，排水不畅，极易形成局部洪涝，灾情损失巨大。

图3-1 厦门市区位图

图3-2 厦门市台风和暴雨过程受灾图片

3.2.1 雨洪灾害风险因素数据

研究依托项目和多源数据平台，收集厦门市行政区划、自然地理、经济社会、建成环境、气象灾害等数据（表3-1），经过ArcGIS处理转化为雨洪灾害风险的20项影响因素，统一栅格精度为30米，结果将作为机器学习模型的学习特征（自变量）进行训练。

表3‑1 厦门雨洪灾害风险因素数据来源

3.2.2 遥感水体淹没数据

通过获取雨洪淹没数据，可掌握灾害发生时实际易产生内涝的区域，其结果能用作机器学习模型中的因变量进行训练，预估雨洪的发生位置与风险程度。

相比风险清单地图、城市历史洪涝点信息、水动力模型等数据，多景遥感影像能对较大范围区域进行长时间跨度的雨洪淹没信息提取，具有经济性、便捷性、易获得性和可复制性。

遥感数据是从地理空间数据云平台获取的厦门市2010年以来的Landsat影像产品。包含2013年前Landsat7 ETM+和2013年以后Landsat8 OLI-TIRS。影像时间分辨率为16d，空间分辨率为30m。同时，考虑到厦门降水的实际特点，也避免数据冗余，参考厦门市多年的气候公报，选取降雨较集中的雨季、夏季（每年5～9月）和降雨异常偏多年份的春雨季（3～4月）采集。后续分析发现，不同时间段的水体识别范围也存在差异，证实了研究采用多时段分析的合理性（图3-3）。

图3-3 不同时间段识别的水体淹没面积差异

根据雨洪灾害风险定量分析模型，从三大系统、四大特征测度20项雨洪风险影响因素（图4-1）。其中，致灾因子系统是从降水与台风角度识别雨洪灾害的危险性特征，因素多呈现宏观的空间线性变化。孕灾环境系统是从地形、水文、土地和植被共同反映雨洪孕灾环境的敏感性特征，因素结果与城市本身的自然环境密切相关。承灾体系统是从人口、经济、建筑、交通、设施等方面探究灾害下的暴露度与脆弱性特征，结果反映了厦门市经济社会发展的空间差异。

图4-1 雨洪灾害风险影响因素空间特征

研究运用ENVI软件，对遥感影像进行辐射定标、大气校正等预处理后，利用波段运算计算MNDWI指数，通过划定合适的分割阈值，提取不同遥感影像中的水体淹没范围。

在选取阈值进行水体判别方面，以往研究有取0，将MNDWI大于0的范围划分为水体，或通过简单二值法、otsu算法等进行处理^[29]。实际操作发现，0阈值的提取结果会包含小的云块和其他非水体单元，而otsu计算阈值的提取结果会明显缺少多处永久性水体，如同安区的汀溪和溪东水库、思明区的筼筜湖等。因此研究综合二者基础，结合目视判断、多景影像地物对照，调整确定合适阈值。修正后的提取结果能覆盖厦门市的各永久性水体，同时干扰要素较少，效果较好（图4-2）。

图4-2 不同阈值法的遥感影像水体识别效果与灰度直方图

参考相关研究^[30]，对多景影像解译的结果在ArcGIS中进行叠加分析，剔除永久性河、湖水体和频次小于3的偶然性图斑，计算得到各图斑的淹没频次。对叠加结果进行五级分类，得到厦门市雨洪淹没风险等级地图，其中低淹没风险区是遥感未观测到但不能完全排除无风险的区域（图4-3）。

图4-3 厦门市雨洪淹没风险等级地图

总体上，厦门市雨洪淹没风险呈现零碎分布特征，部分滨海与河口地带的淹没风险较高，内陆区域则存在多处零星的较低淹没风险区。有色图斑作为观测到的水体淹没区域，是城市规划布局与韧性建设的关注重点，其中较低淹没风险区占主体，说明多数受影响区主要属于偶发性淹没。

叠加卫星图发现，厦门市雨洪淹没的热点区域集中在马銮湾、东西溪河口-东嘴港、翔安区南部海岸和大嶝岛（图4-4）。其中，马銮湾偶发性淹没范围较大，南岸的滨海绿道和公园、西岸的新城开发用地均有明显受淹风险，在新区规划时应当关注。东嘴港地带的淹没区主要分布在岛屿、河口三角洲、河流沿岸，涉及到官浔溪西侧的保障性住房、同安区部分工业厂房、养殖场等存量用地。大嶝岛及海峡两岸地区作为中高淹没风险集中片，目前已规划国际博览中心、第一中学和翔安机场等公建，且附近多数社区与易淹区“一河之隔”，当遭遇台风暴雨时风险较高。

图4-4 厦门市雨洪淹没风险热点区域

从城乡空间特征出发，不同风貌环境的区域雨洪淹没的特点也存在差异（图4-5）。城市CBD地区淹没多以块状特征分布，淹没位置与道路位置关联性较大，说明城市建设中的不透水路面加重了局部积涝的安全隐患。乡村地带淹没多以零星点状分布，整体相对安全，少数新开发的城郊住宅区由于地势较低，存在一定的受淹风险。生态空间即使在更小比例尺下的淹没风险也显著偏低，仅汀溪-西溪的沿河地带、竹坝水库周边存在暴雨洪泛的可能，但整体反映出生态环境对雨洪的弹性吸收较强。

图4-5 不同风貌环境特征下的雨洪淹没风险

4.3.1 模型测试与厦门市雨洪灾害风险评估

基于机器学习的灾害风险评估要通过样本进行模型的训练和测试，将测试效果好的模型用作评估预测和机制探究的基础。研究在厦门随机选取4000个样本点，以20项雨洪风险影响因素为自变量，遥感解译的雨洪淹没风险等级为因变量，构建样本数据集（图4-6），分别运用决策树、随机森林和GBDT三种机器学习模型进行训练、测试。测试集与训练集比例为2:8，运用网格搜索算法对模型进行超参数优化^[31]。

相关指数表明（表4-1），GBDT的测试效果相对较好，因此选取该模型测算厦门全市范围（除永久性水体外）的空间雨洪灾害风险。考虑到研究是对厦门全市进行整体性风险评估，并探究风险背后的影响机制，进而提出韧性城市规划的对策，因此认为模型准确率基本满足研究需要。

图4-6 GBDT样本数据集构建

表4‑1 三种机器学习模型测试效果比较

根据评估结果（图4-7），厦门市雨洪灾害风险总体上呈现越接近的水体地带越表现为片状分布，越内陆区域越表现为条带状或斑块状分布的特征。中高风险区主要分布在河流、湖泊及海岸沿线（除思明区南部海岸以外），如马銮湾新城，翔安区莲河社区、大嶝岛，一些河流入海口的三角洲、湿地、水田、渔场等，现状人口较少。较低风险区及部分中风险区会涉及人口和城市建设集中地区，反映偶发性的雨洪灾害是城市关注的重点。统计发现，较低风险及以上区域约占全市土地面积的四成，中风险及以上区域约占一成。

图4-7 厦门市雨洪灾害风险评估结果

通过计算各级风险区的影响因素均值，进一步比较不同雨洪风险等级地区的风险因素特征与灾害系统特征（表4-2）。

表4‑2 厦门市不同风险等级地区的雨洪因素均值

从风险等级纵向看：（1）高风险区的承灾体密度平均水平显著小于其他风险区，而中风险与较低风险区的密度相对较高，反映了厦门市人口、经济建设、设施建筑多集中在相对安全的区域，城市发展布局较为科学。（2）低风险区的高程、坡度、植被指数、水体距离等明显高于其他风险区，但人口和GDP密度却相对偏低，表明低风险区一般位于人口稀少、经济欠发达的内陆山区。

从风险因素横向看：（1）相较于平均降水量，最大日降水量指标与风险水平有着更清晰的正向关系。（2）随着高程降低、坡度趋缓、植被覆盖减少等，风险等级也趋于上升。（3）多数影响因素的值变化情况与风险等级的变化情况并非呈简单的线性关系。

从灾害系统归纳看：（1）孕灾环境系统对于风险区等级变化更加敏感。（2）承灾体系统在中风险、较低风险区分布更密集。（3）致灾因子系统在除低风险区外，在其他风险等级地区的危险性差距并不大。

4.3.2 厦门市雨洪灾害风险的主要驱动因素与影响机制

研究利用python-sklearn包中的GBDT回归机模型，进一步分析各雨洪风险影响因素的相对重要度和部分依赖图，根据相对重要度排序结果判别雨洪灾害风险的主要驱动因素，通过部分依赖图的变化特征探究各影响因素对灾害风险水平的影响机制。

图4-8 厦门市雨洪灾害影响因素的重要性排序

 表4‑3 厦门市雨洪灾害影响因素的相对重要度

根据计算结果（表4-3），厦门市雨洪灾害风险的主要驱动因素是径流曲线数、归一化植被指数和高程（重要度＞10%），累积影响百分比达80%多。次要驱动因素包含到水体的距离、年均降水量、建筑密度等。结合部分依赖图，重点分析主要驱动因素（图4-9）。

图4-9 厦门市雨洪灾害风险主要驱动因素的部分依赖图

径流曲线数（CN）的相对重要度达0.4，是影响厦门市雨洪灾害风险的关键因素。CN值较低时（土地覆被属于森林、灌木地和草地等），随CN变化风险基本不变。当CN＞87时（土地变为下渗率小的耕地以及人造地表如城镇村居民点等），随CN变化风险快速提高，反映了水稻土等低渗透率土壤类型的耕地和建设用地是抗洪防灾规划和建设的重点区域。

归一化植被指数（NDVI）的相对重要度在0.25。随NDVI增大,即植被覆盖变多、绿化情况变好，风险水平发生显著下降。当NDVI＞0.4后，下降趋势放缓，当NDVI＞0.6后，变化不再显著，表明了在生态文明建设中，城市绿地率发展到0.4～0.6之间是减少雨洪灾害风险的理想水平。规划较低的绿地率难以有效地吸收雨水，而过高的绿地率不符合现实发展需求，对雨洪风险的缓解作用也不显著。

高程（DEM）的相对重要度在0.15。由曲线可知，仅当地区DEM＜35米时，风险水平会随DEM升高而下降。一方面映证了高程较低的地方更易受到洪涝威胁的结论^[32]，另一方面也反映出高程对雨洪灾害的影响具有“阈值效应”，当地块在35米及更高位置时，雨洪风险变化影响不再显著。

此外，其他影响因素也能通过部分依赖图曲线反映其与雨洪风险水平的变化关系（图4-10），进而提出相应的城市韧性规划与治理策略，此处不再赘述。

图4-10 其余雨洪灾害风险影响因素的部分依赖图

本文在灾害风险相关理论基础上构建了雨洪灾害风险分析框架和定量分析模型，运用机器学习算法，辅以遥感技术，收集多源数据，以厦门为例评估了城市雨洪灾害风险，并探究其影响机制。结果表明：

（1）机器学习与遥感相结合的方法可以较好适用于城市雨洪灾害研究中，在数据获取、空间分析、风险评估和机制探究等方面提供了帮助。运用GBDT机器学习进行风险分析既能避免指标赋权的主观判断，发掘风险影响因素与风险水平之间非线性的关系，还能经适当调整、再训练后用于其他城市的研究。结合遥感技术也能快速获取区域的大量空间信息，省时省力，弥补了一般方法的不足。

（2）遥感解译发现，城市局部地区的增量建设可能涉及雨洪淹没风险，不同风貌环境空间的淹没特点也存在差异。以厦门而言，马銮湾新城、东嘴港、大嶝岛等属于淹没热点地区，部分涉及规划项目的落地，应做好防洪排涝工程。此外，城市的淹没多以块状分布，与道路关联密切，乡村地区的淹没多以点状分布，生态环境地区的风险情况整体较好。

（2）机器学习探索发现，城市雨洪灾害风险总体趋于近水体、土地渗透率低、人类开发活动集中、海拔低等特征的区域分布，且影响因素的作用多呈非线性特征。以厦门而言，雨洪风险主要在河流、湖泊及南部海岸沿线分布，受土地利用方式、土壤水文性质、植被覆盖度与海拔等因素影响较高。对此，应科学规划合适的用地布局、绿化水平、引排与堤防工程、竖向设计等。

必须指出，本文尚存诸多不足。一方面是机器学习模型的预测能力还有待提高，对其他城市的适用性还有待试验，可考虑加入更多的模型学习特征以提升精度，并结合其他方法和案例辅助验证。另一方面是分析过程仍受到一定的数据限制，如高精度的排水管网数据、各影响因素的面板数据较难获取，在数据满足的基础上可加入时间维度的研究，提高分析的多维性。

参考文献（上滑查看全部）

*本文为2024中国城市规划年会论文

【免责声明】本公众号发布的内容仅供学习交流使用，不以任何形式进行牟利。内容版权归原作者所有。如有侵犯您的权益，请及时与我们联系，我们将于第一时间协商版权问题或删除内容。内容为作者个人观点，不代表本公众号立场和对其真实性负责。