实验室王世福教授、孟梦副教授《npj urban sustainability》最新发文!通过机器学习支持的洪水风险评估提升城市韧性:融合洪水易发性与建筑功能脆弱性
2025-05-14
文章来源:未知浏览次数:10

实验室王世福教授、孟梦副教授《npj urban sustainability》最新发文!通过机器学习支持的洪水风险评估提升城市韧性:融合洪水易发性与建筑功能脆弱性


成果速递

近日,华南理工大学建筑学院覃小玲博士生为第一作者,孟梦副教授为通讯作者,王世福副院长为团队主要负责人,在nature旗下npj Urban Sustainability期刊发表了关于建筑物内涝风险评估的最新研究。论文标题为"Enhancing urban resilience through machine learning-supported flood risk assessment: integrating flood susceptibility with building function vulnerability"。


华南理工大学气候韧性与数字化治理团队,由王世福副院长担任总负责人,致力于气候韧性、城市洪涝风险管理与空间规划等领域的研究与实践。团队长期关注气候变化背景下城市极端天气事件的影响机制,致力于洪涝模拟技术、风险评估模型与适应性规划策略的创新研究,核心成员具有城乡规划学、环境科学、水利工程、地理信息科学与遥感技术等多学科背景。


题目:Enhancing urban resilience through machine learning-supported flood risk assessment: integrating flood susceptibility with building function vulnerability

期刊:nature旗下npj Urban sustainability  

DOI: https://doi.org/10.1038/s42949-025-00208-w




摘要

随着气候变化加剧和城市化快速推进,城市洪涝问题日益严峻,成为全球城市面临的重要韧性挑战。洪涝所引发的人身、财产与基础设施损失,严重阻碍了可持续发展目标中关于城市安全与气候行动的实现。本文以广州市为研究对象,将洪水易发性与建筑功能脆弱性相结合,开展城市建筑洪水风险评估。研究采用随机森林(Random Forest, RF)模型,基于洪水记录、水文、地形和人类活动特征预测洪水易发性;运用CatBoost模型,结合POI和AOI数据识别建筑功能类型。结果表明,广州市洪水易发性存在明显的空间差异:中心城区风险较高,外围区域相对较轻。超过一半的建筑处于中等脆弱性水平,高脆弱性建筑占比较小。基于洪水易发性与建筑功能脆弱性,研究将广州划分为三类地区:中心城区(Ⅰ类)、中间城区(Ⅱ类)和郊区/农村地区(Ⅲ类)。研究强调,需因地制宜制定差异化的洪水风险管理策略,以应对气候变化带来的水灾风险。


主要内容

城市内涝是指强降雨超过城市排水系统承载能力而引发的洪水灾害。近年来,全球气候变化叠加快速城市化的影响,使城市内涝日益成为全球城市共同面临的严峻挑战。城市化进程导致大量自然地表被不透水表面取代,显著降低了土地的渗透与储水能力,而城市排水设施建设常常无法及时跟上城市扩张步伐,难以有效应对短时强降雨带来的巨大排水压力。此外,气候变化进一步加剧了极端降雨事件的频率与强度,增加了城市洪涝的风险。

城市内涝所造成的影响复杂而深远,不仅直接导致人员伤亡与财产损失,还严重干扰交通、医疗、供水等关键基础设施的正常运行,对城市社会经济活动产生长期负面影响。这些后果严重阻碍了联合国可持续发展目标(SDGs)11.5和13.1(提高城市韧性和应对气候相关灾害能力)的实现。然而,现有研究普遍关注洪水对建筑结构的直接破坏和经济损失,较少涉及洪水导致建筑功能中断及其社会经济影响。这种研究偏差可能导致对城市洪灾长期社会经济影响的低估,进而影响灾后资源的合理配置,延缓医院、避难场所等关键设施的灾后功能恢复。

在洪水风险管理领域,基于物理过程的水文模型一直占据主导地位。这类模型以降雨、径流、入渗等水文物理原理为基础,可精确模拟洪水的动态过程,如MIKE Flood、PCSWMM 2D及HEC-RAS等模型。这些物理模型虽然精度高,但数据需求量大,计算资源需求高,限制了其在数据基础设施薄弱地区的适用性,尤其不适用于大尺度区域的洪水易发性评估。

近年来,机器学习(ML)技术在洪水风险管理领域逐渐崭露头角。与传统物理模型不同,机器学习利用历史降雨、土地利用和洪水记录等数据自动学习内在规律,实现洪水易发性预测。常用算法包括随机森林(RF)、支持向量机(SVM)和CatBoost等,其中已有研究表明RF在洪水易发性预测中的表现优于其他传统机器学习算法。

与机器学习相对应的是深度学习(DL)技术,如卷积神经网络(CNN)与循环神经网络(RNN)。尽管深度学习模型在洪灾分析中有一定成效,但其对数据和计算资源要求较高,在数据受限地区实用性不足。鉴于本研究实际的数据与计算资源限制,本研究选择更适用的机器学习技术,实现更高效可靠的城市洪水风险分析。

近年来,中国在机器学习用于洪水风险管理领域的研究逐渐增多。一方面,已有研究探索不同机器学习模型在洪水易发性评估中的表现。另一方面,也有学者尝试结合社交媒体、遥感数据等新数据源,解决传统历史数据稀疏的问题。

然而,目前中国对洪水易发性制图在关键基础设施风险评估中的应用探索仍相对较少。国际上已有研究将易发性地图应用于基础设施风险评估,如在伊朗、尼日利亚和美国等地对学校、桥梁和道路等开展的研究。因此,本研究以广州为案例,探索如何将洪水易发性分析与建筑功能脆弱性评估相结合,进一步丰富城市洪水风险评估的理论与方法。

广州是典型的珠江三角洲超大城市,长期饱受洪涝灾害影响,对城市安全与经济发展构成持续威胁。尽管自2000年以来广州已实施一系列防洪减灾措施,如推广绿色基础设施和排水系统升级,但长期忽视了建筑功能在灾害管理中的重要性,这在中国其他城市中也较为普遍。本研究的开展将有助于更深入理解城市空间要素与城市韧性的关系,并为未来气候适应性策略的制定提供科学依据。

重要图表



研究方法创新与贡献

本研究在城市洪涝风险评估的理论与方法上做出了多方面的创新和贡献,与联合国可持续发展目标(SDGs)11.5和13.1紧密相关,致力于减少自然灾害的负面影响并提升对气候相关灾害的适应能力。具体而言:

(1)研究采用随机森林(RF)和CatBoost两种机器学习模型,扩展了机器学习方法在建筑洪水风险评估领域的应用。特别在RF模型的非淹没点定义上,提出了一种新的判定方法,即以所有淹没点之间最短距离的3/4分位数为界限确定非淹没点位置,有效提高了模型性能(准确率提升6.48%,AUC值提升23.35%),为同类研究提供了一种改进的技术路径。

(2)在建筑功能识别方面,现有研究多依赖城市土地利用数据或街景影像进行推断,而POI和AOI数据虽有所应用,但潜力尚未完全发挥。本研究通过CatBoost模型,更深入地挖掘POI和AOI数据的功能识别价值,尤其适用于相关数据相对稀疏的地区,为未来研究提供了更实用的分析框架。

(3)在建筑脆弱性评级方面,本研究借鉴了英国国家规划政策框架(NPPF)的高标准体系,弥补了中国现有建筑脆弱性评级体系多针对地震、较少涉及洪水风险评估的不足。



主要结论

本研究通过整合随机森林(RF)和CatBoost模型,对广州城市建筑内涝风险进行了综合评估,分析了城市洪水易发性与建筑功能脆弱性的空间分异特征,得出以下重要结论:

(1)广州的内涝易发性空间差异显著,中心城区因人口密度高、开发强度大而具有最高的洪水易发性,外围区域则洪水易发性相对较低;

(2)建筑功能脆弱性方面,大部分建筑属于中等脆弱性,高脆弱性建筑比例不超过2%;

(3)基于内涝易发性与建筑功能脆弱性分布特征,广州市分为三类风险管理区:Ⅰ类为中心城区,高风险建筑物和极高风险建筑的洪水易发性最高(0.9–1.0);Ⅱ类为中间城区,高风险建筑物和极高风险建筑物的易发性中等偏高(0.7–0.9);Ⅲ类为外围郊区及农村区域,高风险建筑物和极高风险建筑物的易发性相对较低(0.6–0.8)。

以上研究结论为城市洪水风险管理提供了更精准的理论依据和实践参考,有助于城市规划和政策制定部门更有效地开展城市洪水风险治理,应对气候变化背景下日益严峻的城市洪涝威胁。



作者简介

第一作者:覃小玲,华南理工大学建筑学院博士研究生,导师为王世福教授。博士期间,参与加拿大不列颠哥伦比亚大学联合培养项目。担任International Journal of Disaster Risk Reduction、Cities、Sustainable Cities and Society等国际高水平期刊的论文同行评审。研究方向聚焦韧性城市、气候适应性规划及多元灾害风险评估,致力于利用空间分析、遥感数据及机器学习方法提升城市应对极端气候事件的能力。参与国家自然科学基金、省部级重点科研项目及行业标准编制,累计参与科研项目9项,参与编写团体标准1部。研究成果发表于npj Urban Sustainability,Environmental Impact Assessment Review,Advances in Climate Change Research等国际权威期刊,以及《热带地理》、《自然资源学报》和《南方建筑》国内核心期刊。累计发表学术论文10余篇,其中SCI/SSCI一区论文3篇,涵盖洪水风险评估与气候适应规划等领域。


第二作者:王世福,华南理工大学建筑学院副院长,二级教授,亚热带建筑与城市科学全国重点实验室“城市智能感知与数字驱动”任务组副组长。为城市国务院学位委员会学科评议组成员、教育部高等学校教学指导委员会委员,全国高校黄大年式教师团队学科负责人,首批国家级一流本科课程“城市规划原理”金课负责人、首批国家级一流本科专业建设点负责人。长期致力于城市治理领域的跨学科理论研究与实践创新,主持国家社科基金重大项目2项、国家重点研发计划课题1项,获省部级优秀成果奖一等奖等重要奖项多项。出版著作10部,发表CSSCI期刊论文77篇,在《人民日报》《光明日报》发表署名文章7篇,25份决策咨询报告获省部级采纳或领导批示。获评世界规划教育组织金牌教授(2023),担任中国城市规划学会理事、学术工作委员会副主任。组建广东省城乡高质量发展研究中心,获评广东省工程勘察设计大师,担任广东省“百千万工程”智库首批专家、广东省智慧城市规划工程技术研究中心主任、广东省土地学会副理事长等。



通讯作者:孟梦,华南理工大学建筑学院副教授,博士生导师,兼任亚热带建筑与城市科学全国重点实验室副研究员,粤港澳大湾区规划创新研究中心副研究员,中国灾害防御协会规划与标准专业委员会委员。博士毕业于全球规划专业排名第二的荷兰代尔夫特理工大学,2021年通过广东省"海外青年引进计划"(原珠江人才计划)作为高层次人才引进回国,2023年入选中国科协战略发展部"科技智库青年人才计划"。主要研究方向为韧性城市、气候适应性规划与水管理、空间发展战略与跨部门协同、国际规划研究对比、政策转化与迁移。作为活跃在国际学术社区的专家,长期担任Cities、Environmental Science and Policy、Journal of Environmental Planning and Management等国际权威期刊同行评审。近五年主持国家自然科学基金青年项目一项,深度参与十三五国家重点研发、国社科重大、国际合作项目三项国家级课题,并牵头开七项省部级、市级、厅局级纵向科研项目。近五年以第一作者和通讯作者发表各类成果近30篇,其中SCI、SSCI行业顶刊6篇、英文独著著作1部、行业标准1份、政府决策报告3份。



分享到: