International Journal of Disaster Risk Science近日发表了华南理工大学朱凯莉博士研究生为第一作者，曾照洋博士后为通讯作者的研究文章，该研究以长三角核心城市群为研究区域，构建了四种情景，定量评估了气候变化和人类活动的独立与组合影响，以衡量洪水易感性的空间变化。
结果表明，（1）在评估洪水易感性效果方面，极端梯度提升模型（XGBoost）优于决策树（Decision Tree）、支持向量机（SVM）和堆叠模型（Stacking Model）；（2）气候变化和人类活动均对该区域洪水易感性均有显著影响，易感性增加的区域主要分布在太湖的西北和东南部；（3）气候变化导致洪水易感性增加的区域明显大于人类活动，表明气候变化是影响该地区洪水易感性的主导因素；（4）极端降雨的强度和频率上升以及不透水地表面积的增加是导致长三角地区洪水易感性升高的重要原因。本研究强调了制定适应性策略增强区域防洪能力的重要性，以应对气候与人类活动等环境变化。
研究背景
研究目标与方法
本研究的目标是：（1）通过对比四种机器学习模型的模拟效果，确定在长三角地区预测洪水易感性的最优模型；（2）识别气候变化与人类活动在影响洪水易感性方面的主导因素；（3）揭示代表性指标与洪水易感性的空间关系。通过理解气候变化与人类活动单一和双重驱动下的洪水易感性变化规律，为当地防洪减灾和城市规划等工作提供参考，支持气候韧性城市发展。
本研究构建了一个洪水易感性的评估框架，使用机器学习方法对长三角地区的洪水易感性进行量化分析：建立了一个洪水易感性评估指标体系，包括极端降雨强度（EP）、极端降雨频率（FRE）、土地利用（LULC）、海拔、坡度、坡向、曲率、地形湿润指数（TWI）、岩性和与湖泊距离；基于洪水分布图，将特征点目标变量设置为两种类别，即洪涝或非洪涝状态；通过评价指标优劣选择最佳机器学习模型；设置了气候变化与人类活动独立和组合影响下的四种情景，将不同情景的数据输入到最优机器学习模型中，量化气候变化和人类活动单一/复合影响下的洪水易感性变化规律。
研究结论
（1）机器学习模型性能评估与指标重要性分析
对四种机器学习模型的训练和测试效果进行对比，结果表明，复杂的堆叠模型并不总是优于其他单一模型，且不同机器学习模型在不同训练和测试数据、评价指标下的评估效果不同。鉴于XGBoost模型的综合效果最优，因此选择该模型进行后续研究中的洪水易感性评估。
在指标重要性方面，XGBoost评估结果显示，海拔（Elevation）是最重要的指标（0.429），其次是土地利用（LULC，0.195）、极端降雨强度（EP，0.159）、岩性（Lithology，0.0462）和极端降雨频率（FRE，0.0365），表明气候变化和人类活动代表性指标在洪水易感性评估中具有较高的重要性。
（2）气候变化与人类活动对洪水易感性的影响评估
· 气候变化和人类活动共同作用的影响评估
在情景1（1993年，历史条件）中，洪水易感性等级高的区域主要分布在太湖南部的森林边缘地区和东部沿海地区。情景2（2015年，当前条件）表示气候变化和人类活动共同作用影响的情景，洪水易感性区域分布在太湖的西北部和东南部地区，而位于太湖东部和南部区域的洪水易感性有所下降。对比两种情景洪水易感性评估结果，63.73%的区域洪水易感性未发生变化，28.94%的区域呈增加趋势，仅7.33%的区域呈减少趋势。
· 气候变化的影响评估
情景3显示表示仅受气候变化影响的情景，与情景1对比，66.73%的区域洪水易感性未发生变化，26.89%的区域呈增加趋势，6.37%的区域呈减少趋势，与情景2相似。
· 人类活动的影响评估
情景4显示表示仅受人类活动影响的情景，与情景1对比，其中90.87%的区域洪水易感性未发生变化，7.15%的区域呈增加趋势，仅1.98%的区域呈减少趋势。
· 综合结论
从不同情景的对比可见，气候变化和人类活动都增加了区域整体洪水易感性，但气候变化的影响更为显著。二者的组合作用并非简单相加，而是呈现出复杂的非线性交互关系。
图6 情景3长江三角洲地区洪水易感性分布（a）及其相对情景1变化（b）图
（3）代表性指标变化对洪水易感性的影响评估
极端降雨强度（EP）和频率（FRE）的增加，以及不透水地表面积的扩张，是导致长三角地区洪水易感性上升的重要指标。
文章链接：
https://link.springer.com/article/10.1007/s13753-024-00590-6
