![]()
图1 Mig_R和HIE的地区估计值
科学问题
移民过程历来是一个使人们能够规避自然灾害带来的风险，远离贫困和欠发达地区，躲避冲突和迫害，追求安全、平等和舒适的生活的关键机制。由于气候变化的影响日益加剧，洪水、降水过多和其他恶劣天气相关现象的发生率预计将增加移民趋势的强度。因此，本文旨在探究水文入侵风险是否引发了全球次国家级人口迁移。![]()
1. 次国家级移民。在对WorldPop数据进行校正并剔除人口自然增长率的影响后，年度人口存量的差异被定义为次国家级人口迁移的数量。研究通过计算单位人口迁移与总人口之比Mig_R，来描述全球次国家级人口迁移的特征。
2. 水文侵入暴露。研究采用人群加权水文暴露指数来量化水文侵入暴露（HIE），公式如下：
其中，HIEj代表编号为j的次国家级行政单位的HIE值，Popi表示第i个栅格单元的人口数；SurfaceWateri表示第i个栅格单元当年地表水出现的比例；n表示在该次国家级行政单元中的栅格数量。此外，研究还计算了本地水文入侵暴露与周边次国家级单元的差异性指标（HIE_D），公式如下：
其中，m代表邻近次国家级行政单位的数量；HIEi代表第i行政单位的HIE值。3. 水文灾害。本文使用最大5天降水量（Rx5day）作为间接变量来表示水文灾害。Rx5day是一年中连续5天的时间窗口内的最高总降雨量，对可能导致洪水或其他水文灾害的极端事件的强度提供全球一致的观测。基本降雨数据集是从ERA5-Land数据集中提取的。
4. 脆弱性。脆弱性的概念是对有害影响的固有易感性，这一概念被广泛认为在社区内和社会间都会表现出对灾害的不同响应，同时也会随着时间的推移而变化。本文在次国家级行政单元对脆弱性进行了全面评估，并将温度、降水、海拔和与水体的最近距离等变量作为衡量环境和地理脆弱性的指标。。同时，
根据SRTM数据集，确定了数字高程模型（DEM）。关于与水体的最近距离（Water_Dis），需要计算每个指定栅格与水体的平均距离。公式如下：
其中，Distancei表示第i个栅格单元与水域的距离；n表示次国家级级行政单位中栅格单元的数量。此外，研究还致力于衡量人口的脆弱性，通过繁荣程度、经济地位、城市化程度和教育程度等参数对其进行划分。繁荣度指标（NTL_PA）来自夜间灯光数据（DMSP-OLS与NPP-VIIRS）。为了对次全球国家级的经济水平进行一致的估算，本文使用了基于自上而下估算的GDP栅格数据计算的GDP_PA变量。城市化（Urban_R）代表城市人口占总人口的比例，城市人口来自 WorldPop，利用欧洲航天局提供的土地覆盖数据确定城市边界。此外，教育水平（用Edu表示）是根据次国家级人类发展指数（SHDI）的平均教育年限推算出来的。
5. 经验模型。在充分考虑到Mig_R与水文入侵风险变量之间固有的非线性关系后，机器学习模型成为捕捉水文入侵风险细微差异影响的适当方法。LightGBM算法植根于梯度提升框架，是机器学习模型中预测建模的可靠工具。LightGBM算法具有高效率、能解决管理稀疏和高维特征与泛化能力强的优势，使其成为探究水文风险影响的最佳选择。但是，一些高精度的非线性模型在提供一定精度的同时，往往会面临参数数量过多的挑战，难以解释。因此，本文通过采用SHAP解释算法克服了这一挑战，促进了从微观模型解释到更宏观或整体理解的过渡。在本文实验，80%的数据集用于训练模型，20%用于验证模型。采用五重交叉验证技术对模型的性能进行了严格评估。研究结果
为了确保次国家级移民估计方法的稳健性，该研究汇总了国家层面的次国家级移民值。它计算了估计值与根据2022年世界人口展望（WPP22）得出的国家层面移民估计值之间的决定系数（R2）（如图1b 所示）。R2为0.89，为次国家级迁移估计方法的有效性和可靠性提供了令人信服的证据。图1a说明了次国家级层面人口迁移的显著差异。大洋洲是移民向外迁移的主要来源，而欧洲和美洲则明显被视为吸引移民的主要地区。Getis-Ord Gi*分析（图1c）揭示了包括中非、中亚和南欧等地区在内的普遍移民趋势。同时，与移民相关的集群全球各地区的Mig_R平均值为-0.59%，这表明世界上很大一部分人口正在经历向外移民。
当HIE低于6.74时，HIE增加一个标准差（1.51%）对应于人口迁出率的平均增加0.09%（根据回归曲线，95%置信区间范围为-0.11至-0.06%）。值得注意的是，较高的HIE（>6.74%）似乎不利于向外迁移，回归曲线中的拐点清楚地反映了这一点。这似乎是由于水文风险导致区域资源稀缺，这反过来又限制了居民的迁移能力。与HIE不同，HIE_D显示出明显增强的影响（如图2b），表明当存在其他选择和替代方案时，某些群体对HIE变得更加敏感。更具体地说，由于HIE的差异超过0%，HIE增加一个标准差（127.42%）对应于Mig_R增加0.34%（95%置信区间-0.36至-0.33%）。简而言之，当人们认为他们所在的地区与邻近地区相比处于更高的风险中时，迁移的倾向就会加剧。此外，社会经济变量在建模结果中通常表现出更大的相对重要性。然而，一项综合分析表明，GDP_PA和Edu变化一个标准差对应于全球模型中0.05%（95%置信区间0.04%至0.06%）和0.06%（95%置信区间0.05至0.007%）的Mig_R平均变化。相比之下，对于HIE_D，Mig_R的平均变化为0.16%（95%置信区间-0.17至-0.15%），这明显超过了社会或经济特征的影响。具体来说，HIE引起的移民效应增加得比较慢，当HIE达到一定阈值时，这种增加就会停滞不前。然而，经济层面呈现出完全不同的影响机制。我们可以注意到，GDP_PA影响在0值附近显示出爆炸性提升，并且很快保持平稳。这一趋势表明，当该地区的经济水平超过国内平均水平时，它会对人口产生强大的吸引力，但这种吸引力不会随着经济的进一步增长而增强。这种跳跃机制导致相对重要的统计结果对经济变量的高估。图2 每个因素对Mig_R的影响
水文入侵对迁移模式的影响在不同收入群体之间表现出明显的差异。在高收入群体的背景下，HIE的增加会导致Mig_R中相对较小的负波动。这凸显了高收入居民对水文风险的强大复原力。值得注意的是，在强烈暴露阶段（当HIE超过2.40%时），群体表现出向内迁移的趋势。这个阶段的单位主要是沿海地区，其特点是丰富的经济资源（与其他阶段相比，GDP_PA超过标准差0.30），从而吸引了人口。对于中等收入群体，HIE的影响与上述全球建模结果相似，尽管抑制阈值较低（如图3d所示）。当HIE降5.00%以下时，HIE增加一个标准差对应于Mig_R的平均减少0.09%（95%置信区间-0.09%至-0.08%）。在低收入群体的情况下，HIE的影响表现出与在高收入群体中观察到的相似的振荡（如图3e）。结合HIE_D的影响趋势来看，这可能表明资源稀缺导致的迁移限制，而不是高收入群体的抗风险机制。在低收入组中，HIE_D 成为主导变量，其相对重要性为10.52%，排在第四位，明显超过其他组别。当地的HIE超过周边地区的HIE时，HIE_D增加一个标准差（168.14%），Mig_R平均减少0.47%（95%CI-0.49%至-0.45%）。HIE和HIE_D的相互作用表明，低收入群体容易受到水文侵蚀的影响，但又受到资源限制的制约，邻里迁移成为其主要模式。![]()
图3 HIE对收入群体的影响
在年龄人口统计方面，未成年人组、成年人组和老年人组的Mig_R中值分别为-1.41%、-0.71%和2.23%。这表明，大多数单位的低龄群体主要呈现出向少数地区外流的趋势，而高龄群体则呈现出相反的模式。这一现象可归因于劳动力流动，即地区经济差距和就业机会促使年轻人向外迁移。相反，税收负担和移民后的生活压力往往迫使移民在年老时返回原籍地。图4a-c进一步强调了三个年龄组之间不同的脆弱性特征。未成年人组和老年人组都表现出明显的边际递减趋势，尤其是老年人组，当HIE超过0%时，其影响在零点附近徘徊。再加上观察到老年人组的HIE_D徘徊在零附近，可以推断老年人对环境变化的抵御能力非常脆弱，使他们被困在高水文入侵区域。
![]()
图4 HIE对不同人群的影响
个人评价
本文运用多源遥感技术和数据驱动的机器学习模型，提取并构建相关指标，深入探讨了水文风险对全球46,776个次国家级单元移民的复杂非线性影响，填补了这一研究方向的空白。在研究方法方面，本文利用人口加权提出了水文入侵暴露（HIE）与水文入侵暴露邻域差异（HIE_D)两个指标，对刻画水文风险有重要借鉴意义。本文为了剔除人口自然增长率对计算人口迁移率的影响，假设了次国家级单元的人口增长率与国家级的自然增长率是一致的。但事实上，国家内部不同区域的自然增长率也存在明显差异，可以通过更精细的统计数据提升整体的精度。本文利用Global Surface Water dynamics数据刻画水文入侵暴露，但该数据集受限于Landsat卫星的重访周期（16 d），可能会对水文入侵暴露有所低估。Understanding the global subnational migration patterns driven by
hydrological intrusion exposureAbstract：
Amid the escalating global climatic challenges, hydrological risks significantly influence human settlement patterns, underscoring the imperative for an in-depth comprehension of hydrological change’s ramifications on human migration. However, predominant research has been circumscribed to the national level. The study delves into the nonlinear effects of hydrological risks on migration dynamics in 46,776 global subnational units. Meanwhile, leveraging remote sensing, we procured globally consistent metrics of hydrological intrusion exposure, offering a holistic risk assessment encompassing hazard, exposure, and vulnerability dimensions, thus complementing previous work. Here, we show that exposure is the primary migration driver, surpassing socioeconomic factors. Surrounding disparities further intensified exposure’s impact. Vulnerable groups, especially the economically disadvantaged and elderly, tend to remain in high-risk areas, with the former predominantly migrating within proximate vicinities. The nonlinear analysis delineates an S-shaped trajectory for hydrological exposure, transitioning from resistance to migration and culminating in entrapment, revealing dependence on settlement resilience and adaptability.
Citation：
Qiao, R., Gao, S., Liu, X. et al. Understanding the global subnational migration patterns driven by hydrological intrusion exposure. Nat Commun 15, 6285 (2024). https://doi.org/10.1038/s41467-024-49609-y
![]()
