1. 研究背景
洪水是一种破坏性极强的自然灾害，具有显著的社会和经济影响，在过去50年中占自然灾害损失的50%以上。近年来曾观察到极端洪水造成毁灭性影响的案例，包括德国（2021年）、巴基斯坦和伊朗（2022年）以及阿富汗、印度尼西亚、法国和巴西（2024年）。这些极端事件在气候变化中变得更加频繁，凸显了采取有效洪水控制措施以保护生命和财产的紧迫需求。
洪水易发性制图（FSM）是一种用于洪水控制的重要方法，通过定性和定量评估识别易受洪水影响的区域。FSM预测未来的洪水概率，有助于洪水预防、预警系统和应急响应。用于FSM的模型多种多样，包括物理模型、基于物理的模型、经验模型（统计、机器学习（ML）、决策分析）以及将这些方法结合的混合模型，从而实现全面的洪水风险管理。
2.创新之处
将CatBoost与优化算法相结合以提升洪水易发性预测的研究仍然缺乏。本研究旨在通过将CatBoost算法与AAEO（Augmented Artificial Ecosystem Optimization）、GCO（Germinal Center Optimization）和WCA（Water Cycle Algorithm）结合，提供洪水易发性的全面空间评估，从而弥补这一空白。
优化算法通过调整CatBoost的超参数，进一步增强了其在处理类别数据和降低过拟合方面的优势。这确保了模型收敛到最优解，提升了在如Jahrom County这样复杂环境中的预测性能。在易发生严重洪水的贾Jahrom County，这些技术的整合使模型更适应当地条件，从而提供更准确且可操作的洪水风险评估。本研究的关键创新点在于将CatBoost算法与三种优化算法——AAEO、GCO和WCA——相结合，以提高洪水易发性模型的准确性和可解释性。尽管CatBoost已广泛应用于各种领域，但在洪水预测背景下与这些优化技术相结合用于超参数调优尚属首次。这种方法不仅提升了模型在复杂环境中的预测性能，还确保结果在洪水多发地区（如Jahrom County.）具有实际应用的可解释性。
3. 关键图表
图1与洪水发生相关的空间因子：a) 海拔，b) 坡度，c) 平面曲率，d) 纵剖面曲率，e) NDVI，f) 距河流距离，g) TWI，h) SPI，i) 降雨量，j) 土壤纹理，k) 坡向，l) 地表覆盖，m) 岩性。
图2 预测的洪水多发区制图：a) CatBoost，b) CatBoost-GCO，c) CatBoost-WCA，以及d) CatBoost-AAEO模型。
4. 主要结论
研究结果显示，CatBoost-AAEO在洪水易发性制图方面的表现优于其他组合模型，包括CatBoost-WCA、CatBoost-GCO和基础CatBoost模型，按性能表现递减排序。我们使用PDP方法解释本研究开发的算法的结果，显示出低坡度、低海拔、植被覆盖较少、平坦曲率以及靠近河流的区域对机器学习模型预测洪水发生的性能有显著影响。本研究的发现可以帮助规划者管理和预防洪水，并避免在敏感区域进行开发，从而减少洪水造成的经济损失。
5. 发表信息
Razavi-Termeh S V, Pourzangbar A, Sadeghi-Niaraki A, et al. Metaheuristic-driven enhancement of categorical boosting algorithm for flood-prone areas mapping[J]. International Journal of Applied Earth Observation and Geoinformation, 2025, 136: 104357.
6．声明
（1）小编水平有限，文章分析和理解均是个人见解，强烈推荐通过合理渠道获取原文，直接进行阅读。
（2）文稿涉及的材料仅为交流学习，如涉及版权和其他问题，请联系删除，小编对此表示歉意，邮箱：xu_xibo@126.com。
