導讀

今天（5月12日）是我國第十七個“全國防災減災日”，今年的主題是“人人講安全、個個會應急——排查身邊災害隱患”。

不穩定的氣候變化和日益頻發的雨洪災害影響下，“城市看海”、“逢雨必澇”成為阻擾地方安全可持續發展的一大障礙。如何科學評估災害情勢，合理規劃降低風險始終是城市防災研究中的熱點問題。本文基于災害與風險相關理論，構建了雨洪災害風險定量分析模型與框架，以廈門為例探究城市雨洪災害的風險規律，并通過收集遙感影像、自然地理、建成環境、氣象災害等數據，使用MNDWI遙感水體指數和GBDT機器學習模型技術，評估了廈門市雨洪災害風險空間分布特征，揭示其非線性影響機制。結果表明：（1）機器學習與遙感相結合的方法可以較好適用于城市雨洪災害研究，彌補了傳統一般方法的不足。（2）城市增量發展中應關注雨洪風險隱患和防洪安全問題，城市-鄉村-生態等不同風貌環境空間的淹沒特點也存在差異。（3）城市雨洪災害風險總體趨于近水體、土地滲透率低、人類開發活動集中、海拔低的區域分布，且影響因素的作用多呈非線性特征。結合主要驅動因素分析可知，在城市規劃中應重點關注用地布局、綠化建設、引排工程等，以提升城市防洪安全韌性。

本文字數：9080字

閱讀時間：28分鐘

作者 |章云睿，江蘇省城市規劃設計研究院有限公司

關鍵詞

雨洪災害、風險評估、機器學習、遙感、梯度提升決策樹（GBDT）、影響機制、廈門市

1

引言

隨著全球氣候不穩定變化，暴雨洪澇（雨洪）災害頻發，給城市帶來了巨大的生命和財產損失。水利部統計，1991-2020年間，我國因雨洪災害年均死亡或失蹤人口達2020人，年均造成直接經濟損失1604億元[1]。近年來，每逢雨季，“城市看海”往往成為地方熱點。

在城市規劃與建設中，降低隨城市化進程而增加的雨洪災害風險勢在必行[2]。其中，科學精細的風險評估和規劃對策是破局城市“逢雨必澇”的有效途徑，掌握地方雨洪風險的分布規律和成災機制也有利于城市韌性防災規劃的制定。

在雨洪災害風險評估上，以往研究常用的方法主要包含基于歷史災情數據的統計法[3]、基于理論/經驗的指標評價法[4]、基于水動力模型的淹沒情景模擬法[5]和基于RS/GIS的空間分析法[6]等。然而，傳統一般方法存在各自的劣勢與局限，如災情統計法中個人獲取大量災情數據較困難，預測結果存在偏差與不確定性[7]；指標評價法的指標選取與權重確立主觀性較強；水文模擬法的數據門檻較高、計算過程復雜等。

近年來，多源地理數據與計算機技術的發展為研究雨洪災害風險提供了新工具。機器學習作為人工智能的一個重要領域，能夠通過計算機實現從大量數據中找出隱藏規律，自主學習災害風險與潛在影響因素之間的關系，建立擬合模型，實現評估預測[8]，客觀性較強。此外，機器學習可以處理多源數據，適用小樣本和非正態分布樣本的分析[9]，也能夠與一般方法結合使用[10]，靈活性較好。在新近外文文獻中，已有利用人工神經網絡[11]、蟻群算法[12]、支持向量機[13]、貝葉斯網絡[14]、決策樹模型[15]等機器學習方法開展的城市暴雨洪水災害研究，國內文獻目前也開始探索[16]。但是，研究人員對哪種模型最適用沒有達成共識，考慮選取的影響因素有重疊也有差異。實際上，不同模型各有千秋，其評估性能取決于數據、準確度和模型結構，并沒有放之四海皆準的算法[17]。因此，研究應根據災害或風險相關理論，結合地方特點，收集多源數據，構建系統性結構進行模型比較與災害風險機制探究。

考慮到機器學習模型需要大量數據用以學習，而傳統的雨洪監測與采樣工作量大、周期長且存在一定危險性，本文擬結合遙感技術開展研究。遙感衛星能高效獲取研究區的信息，可在不同時間間隔有效監測土地利用變化、暴雨洪澇事件[18]，識別區域內的山洪易發范圍、洪澇淹沒范圍[19]等。學者也指出，基于遙感分析的歷史洪澇水體淹沒頻次在很大程度上能反映雨洪災害風險的大小[20]。

總的來說，本文擬重點解決兩方面問題：（1）機器學習與遙感結合的方法在城市雨洪災害風險評估中運用效果如何？（2）城市雨洪災害風險的空間分布規律如何，風險水平差異受什么樣的影響機制，對韌性城市規劃有怎樣的啟發？

2

研究思路與方法

2.1 研究思路

研究基于構建的雨洪災害風險定量分析模型，結合遙感與GIS，分三步進行：（1）測度城市空間的各項雨洪風險影響因素，作為自變量；（2）遙感影像提取并識別城市空間的雨洪淹沒風險，作為因變量；（3）選取樣本點，將變量導入機器學習模型進行訓練、測試和比較，利用測試好的模型評估城市雨洪災害風險的多維特征，并探索風險主因和影響機制，以便對城市防災規劃與韌性治理提出合理建議（圖2-1）。

圖2?1 研究思路

2.2 研究方法

2.2.1 雨洪災害風險定量分析模型

根據災害系統理論[21]、風險分析理論[22]、“H-E-V”風險評估框架[23]等經典理論，討論城市雨洪災害時應綜合考慮致災因子、孕災環境和承災體三大系統的綜合作用，結合已有研究建立了雨洪災害風險定量分析模型，表達式為：

式中，R為城市雨洪災害風險（Risk），H為致災因子危險性（Hazard），S為孕災環境敏感性（Sensibility），E為承災體暴露性（Exposure），V為承災體脆弱性（Vulnerability）。模型反映了風險是關于四個維度的函數。

基于模型與相關理論，按照“目標層-災害系統層-風險特征層-影響因素層”思路構建分析框架，從每個風險特征維度中選取若干影響因素，共計20項因素（基于國內外學者研究結果整理），探究其對雨洪災害風險的綜合影響結果與影響機制（圖2-2）。

圖2?2 雨洪災害風險定量分析模型框架

2.2.2 MNDWI水體指數法：雨洪淹沒遙感解譯提取

運用遙感影像進行水體淹沒范圍的提取主要用到水的反射波譜特性。通常情況下，水體在藍綠光波段的反射率較高，而在近紅外、中紅外等波段的吸收率較高。研究為避免影像中建筑物的干擾，采用改進的歸一化差異水體指數（MNDWI）進行分析[24]，公式為：

式中，GREEN為綠光波段反射率，MIR為中紅外波段反射率。MNDWI∈[-1,1]，一般情況下，水體的指數大于0，且越接近1，表示越可能是水體。為了提取精確的淹沒范圍，需要重點判別最小閾值，作為劃分水體和非水體區域的界限[25]。

2.2.3 GBDT機器學習算法：風險評估與影響機制探究

GBDT（梯度提升決策樹）是一種廣泛用于分類和回歸問題，高效率、低偏差、可解釋的機器學習算法。其基本原理是將幾個弱分類器（決策樹）組合成一個強分類器，利用梯度提升的方法不斷迭代，得到損失函數最小時的模型預測值[26]。GBDT算法的優勢在于不必預先假設因變量與自變量之間先驗的線性關系，可以探究因變量與自變量間不規則的非線性關系，在研究雨洪災害等復雜風險時可發揮強大作用。

圖2?3 GBDT機器學習模型示意圖

研究中，首先設置由i個自變量（即20項影響因素）組成的樣本空間xi，因變量yi為雨洪淹沒風險等級（即遙感解譯的淹沒風險值），得到n個樣本的樣本數據集T={(x1,y1),(x2,y2),……,(xn,yn)}。其次，放入GBDT回歸機進行多次迭代，每次迭代中后一個決策樹使用前一個決策樹預測的殘差進行訓練，最終得到的擬合模型是每一步迭代的決策樹的求和，公式為：

式中，F(x)為最終模型，pn為第n棵決策樹q(x;θn)的權重，x為自變量，θn為使本次迭代過程中損失函數最小的決策樹構建參數，N為決策樹總棵數。

為了提高模型的預測能力并防止發生過度擬合，GBDT應用了收縮策略，即學習率參數進行調整。學習率越小，模型對殘差的估計越精細，但結果收斂速度也將變慢。最終，n棵決策樹迭代完的模型可表示為：

式中，Fn(x)為n次迭代得到的最終模型，n為迭代次數，η為學習率。最終模型可用于研究區的災害風險評估預測。

與樸素貝葉斯、隱馬爾可夫、深度學習網絡等機器學習模型相比，GBDT能測度每項輸入變量（自變量）對預測目標（因變量）的影響[27]，可通過相對重要度和部分依賴圖反映解釋變量對響應變量的影響程度及二者之間的關系。相對重要度表示每個自變量對最佳擬合模型的重要程度（貢獻率）。部分依賴圖可以直觀展示解釋變量對響應變量預測結果的邊際效應，用來刻畫自變量與因變量間非線性的影響機制[28]。

3

研究區與數據

3.1 研究區選取

研究選取我國重要防洪城市之一的廈門市為研究區，廈門背山面海、地形多樣，流域集水面積小，調蓄能力差，在遭遇臺風暴雨時極易形成“外潮內澇”。距歷史災情統計，廈門平均約6年發生一次雨洪災害，尤其是廈門本島、海滄、杏林等沿海新區及舊城區，地勢低洼，一旦同時受短時強降雨或海潮頂托，排水不暢，極易形成局部洪澇，災情損失巨大。

圖3-1 廈門市區位圖

圖3-2 廈門市臺風和暴雨過程受災圖片

3.2 數據來源與處理

3.2.1 雨洪災害風險因素數據

研究依托項目和多源數據平臺，收集廈門市行政區劃、自然地理、經濟社會、建成環境、氣象災害等數據（表3-1），經過ArcGIS處理轉化為雨洪災害風險的20項影響因素，統一柵格精度為30米，結果將作為機器學習模型的學習特征（自變量）進行訓練。

表3?1 廈門雨洪災害風險因素數據來源

3.2.2 遙感水體淹沒數據

通過獲取雨洪淹沒數據，可掌握災害發生時實際易產生內澇的區域，其結果能用作機器學習模型中的因變量進行訓練，預估雨洪的發生位置與風險程度。

相比風險清單地圖、城市歷史洪澇點信息、水動力模型等數據，多景遙感影像能對較大范圍區域進行長時間跨度的雨洪淹沒信息提取，具有經濟性、便捷性、易獲得性和可復制性。

遙感數據是從地理空間數據云平臺獲取的廈門市2010年以來的Landsat影像產品。包含2013年前Landsat7 ETM+和2013年以后Landsat8 OLI-TIRS。影像時間分辨率為16d，空間分辨率為30m。同時，考慮到廈門降水的實際特點，也避免數據冗余，參考廈門市多年的氣候公報，選取降雨較集中的雨季、夏季（每年5～9月）和降雨異常偏多年份的春雨季（3～4月）采集。后續分析發現，不同時間段的水體識別范圍也存在差異，證實了研究采用多時段分析的合理性（圖3-3）。

圖3-3 不同時間段識別的水體淹沒面積差異

4

實證分析

4.1 雨洪災害風險影響因素測度

根據雨洪災害風險定量分析模型，從三大系統、四大特征測度20項雨洪風險影響因素（圖4-1）。其中，致災因子系統是從降水與臺風角度識別雨洪災害的危險性特征，因素多呈現宏觀的空間線性變化。孕災環境系統是從地形、水文、土地和植被共同反映雨洪孕災環境的敏感性特征，因素結果與城市本身的自然環境密切相關。承災體系統是從人口、經濟、建筑、交通、設施等方面探究災害下的暴露度與脆弱性特征，結果反映了廈門市經濟社會發展的空間差異。

圖4-1 雨洪災害風險影響因素空間特征

4.2 基于遙感解譯的雨洪淹沒風險識別

研究運用ENVI軟件，對遙感影像進行輻射定標、大氣校正等預處理后，利用波段運算計算MNDWI指數，通過劃定合適的分割閾值，提取不同遙感影像中的水體淹沒范圍。

在選取閾值進行水體判別方面，以往研究有取0，將MNDWI大于0的范圍劃分為水體，或通過簡單二值法、otsu算法等進行處理[29]。實際操作發現，0閾值的提取結果會包含小的云塊和其他非水體單元，而otsu計算閾值的提取結果會明顯缺少多處永久性水體，如同安區的汀溪和溪東水庫、思明區的筼筜湖等。因此研究綜合二者基礎，結合目視判斷、多景影像地物對照，調整確定合適閾值。修正后的提取結果能覆蓋廈門市的各永久性水體，同時干擾要素較少，效果較好（圖4-2）。

圖4-2 不同閾值法的遙感影像水體識別效果與灰度直方圖

參考相關研究[30]，對多景影像解譯的結果在ArcGIS中進行疊加分析，剔除永久性河、湖水體和頻次小于3的偶然性圖斑，計算得到各圖斑的淹沒頻次。對疊加結果進行五級分類，得到廈門市雨洪淹沒風險等級地圖，其中低淹沒風險區是遙感未觀測到但不能完全排除無風險的區域（圖4-3）。

圖4-3 廈門市雨洪淹沒風險等級地圖

總體上，廈門市雨洪淹沒風險呈現零碎分布特征，部分濱海與河口地帶的淹沒風險較高，內陸區域則存在多處零星的較低淹沒風險區。有色圖斑作為觀測到的水體淹沒區域，是城市規劃布局與韌性建設的關注重點，其中較低淹沒風險區占主體，說明多數受影響區主要屬于偶發性淹沒。

疊加衛星圖發現，廈門市雨洪淹沒的熱點區域集中在馬鑾灣、東西溪河口-東嘴港、翔安區南部海岸和大嶝島（圖4-4）。其中，馬鑾灣偶發性淹沒范圍較大，南岸的濱海綠道和公園、西岸的新城開發用地均有明顯受淹風險，在新區規劃時應當關注。東嘴港地帶的淹沒區主要分布在島嶼、河口三角洲、河流沿岸，涉及到官潯溪西側的保障性住房、同安區部分工業廠房、養殖場等存量用地。大嶝島及海峽兩岸地區作為中高淹沒風險集中片，目前已規劃國際博覽中心、第一中學和翔安機場等公建，且附近多數社區與易淹區“一河之隔”，當遭遇臺風暴雨時風險較高。

圖4-4 廈門市雨洪淹沒風險熱點區域

從城鄉空間特征出發，不同風貌環境的區域雨洪淹沒的特點也存在差異（圖4-5）。城市CBD地區淹沒多以塊狀特征分布，淹沒位置與道路位置關聯性較大，說明城市建設中的不透水路面加重了局部積澇的安全隱患。鄉村地帶淹沒多以零星點狀分布，整體相對安全，少數新開發的城郊住宅區由于地勢較低，存在一定的受淹風險。生態空間即使在更小比例尺下的淹沒風險也顯著偏低，僅汀溪-西溪的沿河地帶、竹壩水庫周邊存在暴雨洪泛的可能，但整體反映出生態環境對雨洪的彈性吸收較強。

圖4-5 不同風貌環境特征下的雨洪淹沒風險

4.3 基于機器學習的雨洪災害風險評估與

影響機制探究

4.3.1 模型測試與廈門市雨洪災害風險評估

基于機器學習的災害風險評估要通過樣本進行模型的訓練和測試，將測試效果好的模型用作評估預測和機制探究的基礎。研究在廈門隨機選取4000個樣本點，以20項雨洪風險影響因素為自變量，遙感解譯的雨洪淹沒風險等級為因變量，構建樣本數據集（圖4-6），分別運用決策樹、隨機森林和GBDT三種機器學習模型進行訓練、測試。測試集與訓練集比例為2:8，運用網格搜索算法對模型進行超參數優化[31]。

相關指數表明（表4-1），GBDT的測試效果相對較好，因此選取該模型測算廈門全市范圍（除永久性水體外）的空間雨洪災害風險。考慮到研究是對廈門全市進行整體性風險評估，并探究風險背后的影響機制，進而提出韌性城市規劃的對策，因此認為模型準確率基本滿足研究需要。

圖4-6 GBDT樣本數據集構建

表4?1 三種機器學習模型測試效果比較

根據評估結果（圖4-7），廈門市雨洪災害風險總體上呈現越接近的水體地帶越表現為片狀分布，越內陸區域越表現為條帶狀或斑塊狀分布的特征。中高風險區主要分布在河流、湖泊及海岸沿線（除思明區南部海岸以外），如馬鑾灣新城，翔安區蓮河社區、大嶝島，一些河流入海口的三角洲、濕地、水田、漁場等，現狀人口較少。較低風險區及部分中風險區會涉及人口和城市建設集中地區，反映偶發性的雨洪災害是城市關注的重點。統計發現，較低風險及以上區域約占全市土地面積的四成，中風險及以上區域約占一成。

圖4-7 廈門市雨洪災害風險評估結果

通過計算各級風險區的影響因素均值，進一步比較不同雨洪風險等級地區的風險因素特征與災害系統特征（表4-2）。

表4?2 廈門市不同風險等級地區的雨洪因素均值

從風險等級縱向看：（1）高風險區的承災體密度平均水平顯著小于其他風險區，而中風險與較低風險區的密度相對較高，反映了廈門市人口、經濟建設、設施建筑多集中在相對安全的區域，城市發展布局較為科學。（2）低風險區的高程、坡度、植被指數、水體距離等明顯高于其他風險區，但人口和GDP密度卻相對偏低，表明低風險區一般位于人口稀少、經濟欠發達的內陸山區。

從風險因素橫向看：（1）相較于平均降水量，最大日降水量指標與風險水平有著更清晰的正向關系。（2）隨著高程降低、坡度趨緩、植被覆蓋減少等，風險等級也趨于上升。（3）多數影響因素的值變化情況與風險等級的變化情況并非呈簡單的線性關系。

從災害系統歸納看：（1）孕災環境系統對于風險區等級變化更加敏感。（2）承災體系統在中風險、較低風險區分布更密集。（3）致災因子系統在除低風險區外，在其他風險等級地區的危險性差距并不大。

4.3.2 廈門市雨洪災害風險的主要驅動因素與影響機制

研究利用python-sklearn包中的GBDT回歸機模型，進一步分析各雨洪風險影響因素的相對重要度和部分依賴圖，根據相對重要度排序結果判別雨洪災害風險的主要驅動因素，通過部分依賴圖的變化特征探究各影響因素對災害風險水平的影響機制。

圖4-8 廈門市雨洪災害影響因素的重要性排序

表4?3 廈門市雨洪災害影響因素的相對重要度

根據計算結果（表4-3），廈門市雨洪災害風險的主要驅動因素是徑流曲線數、歸一化植被指數和高程（重要度＞10%），累積影響百分比達80%多。次要驅動因素包含到水體的距離、年均降水量、建筑密度等。結合部分依賴圖，重點分析主要驅動因素（圖4-9）。

圖4-9 廈門市雨洪災害風險主要驅動因素的部分依賴圖

徑流曲線數（CN）的相對重要度達0.4，是影響廈門市雨洪災害風險的關鍵因素。CN值較低時（土地覆被屬于森林、灌木地和草地等），隨CN變化風險基本不變。當CN＞87時（土地變為下滲率小的耕地以及人造地表如城鎮村居民點等），隨CN變化風險快速提高，反映了水稻土等低滲透率土壤類型的耕地和建設用地是抗洪防災規劃和建設的重點區域。

歸一化植被指數（NDVI）的相對重要度在0.25。隨NDVI增大,即植被覆蓋變多、綠化情況變好，風險水平發生顯著下降。當NDVI＞0.4后，下降趨勢放緩，當NDVI＞0.6后，變化不再顯著，表明了在生態文明建設中，城市綠地率發展到0.4～0.6之間是減少雨洪災害風險的理想水平。規劃較低的綠地率難以有效地吸收雨水，而過高的綠地率不符合現實發展需求，對雨洪風險的緩解作用也不顯著。

高程（DEM）的相對重要度在0.15。由曲線可知，僅當地區DEM＜35米時，風險水平會隨DEM升高而下降。一方面映證了高程較低的地方更易受到洪澇威脅的結論[32]，另一方面也反映出高程對雨洪災害的影響具有“閾值效應”，當地塊在35米及更高位置時，雨洪風險變化影響不再顯著。

此外，其他影響因素也能通過部分依賴圖曲線反映其與雨洪風險水平的變化關系（圖4-10），進而提出相應的城市韌性規劃與治理策略，此處不再贅述。

圖4-10 其余雨洪災害風險影響因素的部分依賴圖

5

結論與討論

本文在災害風險相關理論基礎上構建了雨洪災害風險分析框架和定量分析模型，運用機器學習算法，輔以遙感技術，收集多源數據，以廈門為例評估了城市雨洪災害風險，并探究其影響機制。結果表明：

（1）機器學習與遙感相結合的方法可以較好適用于城市雨洪災害研究中，在數據獲取、空間分析、風險評估和機制探究等方面提供了幫助。運用GBDT機器學習進行風險分析既能避免指標賦權的主觀判斷，發掘風險影響因素與風險水平之間非線性的關系，還能經適當調整、再訓練后用于其他城市的研究。結合遙感技術也能快速獲取區域的大量空間信息，省時省力，彌補了一般方法的不足。

（2）遙感解譯發現，城市局部地區的增量建設可能涉及雨洪淹沒風險，不同風貌環境空間的淹沒特點也存在差異。以廈門而言，馬鑾灣新城、東嘴港、大嶝島等屬于淹沒熱點地區，部分涉及規劃項目的落地，應做好防洪排澇工程。此外，城市的淹沒多以塊狀分布，與道路關聯密切，鄉村地區的淹沒多以點狀分布，生態環境地區的風險情況整體較好。

（2）機器學習探索發現，城市雨洪災害風險總體趨于近水體、土地滲透率低、人類開發活動集中、海拔低等特征的區域分布，且影響因素的作用多呈非線性特征。以廈門而言，雨洪風險主要在河流、湖泊及南部海岸沿線分布，受土地利用方式、土壤水文性質、植被覆蓋度與海拔等因素影響較高。對此，應科學規劃合適的用地布局、綠化水平、引排與堤防工程、豎向設計等。

必須指出，本文尚存諸多不足。一方面是機器學習模型的預測能力還有待提高，對其他城市的適用性還有待試驗，可考慮加入更多的模型學習特征以提升精度，并結合其他方法和案例輔助驗證。另一方面是分析過程仍受到一定的數據限制，如高精度的排水管網數據、各影響因素的面板數據較難獲取，在數據滿足的基礎上可加入時間維度的研究，提高分析的多維性。

參考文獻（上滑查看全部）

[1]https://baijiahao.baidu.com/s?id=1727899048849659504&wfr=spider&for=pc（訪問時間：2023.9）

[2] Wu M, Wu Z, Ge W, et al. Identification of sensitivity indicators of urban rainstorm flood disasters: A case study in China[J]. Journal of Hydrology, 2021, 599:126393

[3] Yang T H, Yang S C, Ho J Y, et al, Flash flood warnings using the ensemble precipitation forecasting technique: A case study on forecasting floods in Taiwan caused by typhoons[J]. Journal of Hydrology, 2015, 520:367-378

[4] 扈海波,軒春怡,諸立尚.北京地區城市暴雨積澇災害風險預評估[J].應用氣象學報,2013,24(01):99-108.

[5] 朱祖樂.基于WebGL的鄭州市區積水路段暴雨洪水三維場景模擬[D].鄭州大學,2016.

[6] Nkeki F N, Bello E I, Agbaje I G. Flood risk mapping and urban infrastructural susceptibility assessment using a GIS and analytic hierarchical raster fusion approach in the Ona River Basin, Nigeria[J]. International Journal of Disaster Risk Reduction, 2022, 77: 103097.

[7] Js A, Pka B, Sd A, et al, Hydro-meteorological risk assessment methods and management by nature-based solutions[J]. Science of The Total Environment, 696:133936-133936

[8] 黃華兵,王先偉,柳林.城市暴雨內澇綜述：特征、機理、數據與方法[J].地理科學進展,2021,40(06):1048-1059.

[9] Ghosh S, Das A. Wetland conversion risk assessment of East Kolkata Wetland: A Ramsar site using random forest and support vector machine model[J]. Journal of cleaner production, 2020, 275: 123475.

[10] 朱科旭,管琴,白愛娟.青海省洪澇災害時空分布和致災雨量特征[J].沙漠與綠洲氣象,2024,18(01):81-88.

[11] Kia M B, Pirasteh S, Pradhan B, et al. An artificial neural network model for flood simulation using GIS: Johor River Basin, Malaysia[J]. Environmental earth sciences, 2012, 67: 251-264.

[12] Lai C, Shao Q, Chen X, et al. Flood risk zoning using a rule mining based on ant colony algorithm[J]. Journal of Hydrology, 2016, 542: 268-280.

[13] Choubin B, Moradi E, Golshan M, et al. An ensemble prediction of flood susceptibility using multivariate discriminant analysis, classification and regression trees, and support vector machines[J]. Science of the Total Environment, 2019, 651: 2087-2096.

[14] Wu Z, Shen Y, Wang H, et al. Urban flood disaster risk evaluation based on ontology and Bayesian Network[J]. Journal of Hydrology, 2020, 583: 124596.

[15] Chen J, Huang G, Chen W. Towards better flood risk management: Assessing flood risk and investigating the potential mechanism based on machine learning models[J]. Journal of environmental management, 2021, 293: 112810.

[16] 王德運,張露丹,吳祈,等.基于機器學習算法的洪澇災害風險評估——以宜昌市為例[J].長江流域資源與環境,2023,32(08):1710-1723.

[17] Khosravi K, Panahi M, Tien Bui D. Spatial prediction of groundwater spring potential mapping based on an adaptive neuro-fuzzy inference system and metaheuristic optimization[J]. Hydrology and Earth System Sciences, 2018, 22(9): 4771-4792.

[18] Hermas E S, Gaber A, El Bastawesy M. Application of remote sensing and GIS for assessing and proposing mitigation measures in flood-affected urban areas, Egypt[J]. The Egyptian Journal of Remote Sensing and Space Science, 2021, 24(1): 119-130.

[19] 陽馳軼,官海翔,吳瑋,等.基于國產GF-3雷達影像的農田洪澇遙感監測方法[J].自然資源遙感,2023,35(04):71-80.

[20] 李加林,曹羅丹,浦瑞良.洪澇災害遙感監測評估研究綜述[J].水利學報,2014,45(03):253-260.

[21] 史培軍.三論災害研究的理論與實踐[J].自然災害學報,2002,(03):1-9.

[22] 黃崇福.自然災害風險分析的基本原理[J].自然災害學報,1999,(02):21-30.

[23] 張會,李鋮,程炯,等.基于“H-E-V”框架的城市洪澇風險評估研究進展[J].地理科學進展,2019,38(02):175-190.

[24] 徐涵秋.利用改進的歸一化差異水體指數(MNDWI)提取水體信息的研究[J].遙感學報,2005,(05):589-595.

[25] 張林鵬,于婉,張子鶯,等.基于MNDWI/LSMM/K-T變換的淮河流域面狀水體提取的比較研究——以南灣水庫為例[J].環境與發展,2020,32(10):142-144+146.

[26] 羅雪瑤,張文佳,柴彥威.15分鐘生活圈的建成環境閾值效應研究[J].地理研究,2022,41(08):2155-2170.

[27] Zou G, Lai Z, Li Y, et al. Exploring the nonlinear impact of air pollution on housing prices: A machine learning approach[J]. Economics of Transportation, 2022, 31: 100272.

[28] 劉柯良,陳堅,祝燁,等.社區建成環境對小汽車使用行為的非線性影響模型[J].北京交通大學學報,2022,46(03):49-56.

[29] 張振國,于弘,闞志毅,等.基于Landsat 8 OLI的合肥市水域面積提取方法有效性研究[J].安徽科技學院學報,2021,35(01):58-63.

[30] 羅紫元,田健,丁鍶湲,等.基于熵權TOPSIS和神經網絡復合方法的廈門市雨洪災害風險評估[J].災害學,2022,37(04):184-192.

[31] Wu Z, Zhou Y, Wang H, et al. Depth prediction of urban flood under different rainfall return periods based on deep learning and data warehouse[J]. Science of The Total Environment, 2020, 716: 137077.

[32] Wang Z, Lai C, Chen X, et al. Flood hazard risk assessment model based on random forest[J]. Journal of Hydrology, 2015, 527: 1130-1141.

*本文為2024中國城市規劃年會論文

【免責聲明】本公眾號發布的內容僅供學習交流使用，不以任何形式進行牟利。內容版權歸原作者所有。如有侵犯您的權益，請及時與我們聯系，我們將于第一時間協商版權問題或刪除內容。內容為作者個人觀點，不代表本公眾號立場和對其真實性負責。

兩會訪談 | 樊杰：如何認識和把握主體功能區

點擊圖片閱讀全文

城市更新大家談 | 陽建強：全面理解可持續城市更新的多維性

點擊圖片閱讀全文

理論研究 | 葉嘉安：新科技下的城市規劃和發展

點擊圖片閱讀全文