Оценка восприимчивости к наводнениям с использованием трёх методов машинного обучения и сравнение их эффективности

Почему риск наводнений в одном эфиопском водосборе имеет значение

Наводнения ежегодно уносят жизни тысяч людей во всём мире, уничтожают урожаи и повреждают дома и дороги. В водосборе Чоке в Эфиопии, высокогорном районе, питающем Голубой Нил, внезапные ливни приходят быстро и часто без предупреждения. В этом исследовании показано, как современные вычислительные методы могут преобразовывать спутниковые снимки, карты и погодные записи в детализированные карты риска наводнений, помогая общинам и планировщикам принимать решения о том, где строить, где вести сельское хозяйство и где защищать людей до следующей бури.

Горный ландшафт под давлением

Водосбор Чоке расположен в нагорьях северо-западной Эфиопии, где крутые горы дают начало более чем 60 рекам и сотням источников. Этот пересечённый рельеф обеспечивает фермы, гидроэнергию, питьевую воду и даже туризм, но он также направляет интенсивные сезонные осадки в узкие долины и поймы. За последнее десятилетие повторяющиеся наводнения повредили поля, дороги, мосты, школы и дома, особенно в основной сезон дождей с июня по сентябрь. Рост населения, вырубка лесов и расширение населённых пунктов изменили поверхность земли, часто снижая её способность впитывать воду и увеличивая вероятность резких потоков стока вниз по течению.

Преобразование карт и измерений в историю наводнений

Чтобы понять, где наводнения происходят чаще всего, исследователи сначала составили «инвентарь» наводнений по водосбору. Они объединили государственные отчёты о бедствиях, полевые данные и радарные изображения со спутников Sentinel-1, которые способны фиксировать затопленные участки даже сквозь облака. Для пяти крупных лет наводнений в период с 2005 по 2020 год они сравнивали снимки, сделанные до и после событий, чтобы определить зоны затопления. Также использовались данные о высоте рельефа для исключения постоянных озёр и крутых склонов, где стоячая вода не образуется. Из этого они сформировали сбалансированный набор мест, которые были затоплены, и мест, оставшихся сухими, ставший обучающим материалом для их компьютерных моделей.

Чтение ландшафта для предсказания будущих наводнений

Далее команда собрала одиннадцать типов данных, влияющих на накопление воды: высота местности, крутизна склонов, кривизна склонов, тенденции влажности почв, сеть рек, расстояние до русел, осадки, тип почвы и землепользование. Всё это было преобразовано в согласованные картографические слои в системе географической информации. Модели обучали распознавать закономерности, связывающие эти слои с прошлыми наводнениями. В разных тестах три признака оказались особенно важными: высота, крутизна и индекс влажности, отражающий склонность мест для накопления воды. Низкие участки с пологими склонами и высоким значением влажности выделились как явные очаги риска наводнений, тогда как экспозиция склона (направление его ориентации) и даже вариабельность осадков оказались менее значимыми в этом горном регионе.

Обучение машин выявлять зоны высокого риска

В исследовании сравнивались три продвинутых метода машинного обучения, основанных на ансамблях решающих деревьев: Random Forest, Gradient Boosting и Extreme Gradient Boosting. Эти подходы хорошо справляются со сложными взаимосвязями между множеством факторов без требования идеальных данных или простых формул. После разделения данных на тренировочную и тестовую группы авторы настраивали каждую модель и оценивали их по нескольким статистическим метрикам. Два метода, Gradient Boosting и Extreme Gradient Boosting, показали особенно высокую точность, правильно различая затопленные и незатопленные точки примерно в 97% случаев; Random Forest шёл немного позади. Все три метода сгенерировали карты восприимчивости к наводнениям, разделяющие водосбор на пять классов от очень низкого до очень высокого риска, при этом наибольшая опасность наблюдалась на севере и юго-западе бассейна.

От компьютерных карт к более безопасным сообществам

Для неспециалистов главный вывод в том, что эти карты, созданные с помощью машин, превращают разрозненные записи и спутниковые снимки в чёткое представление о том, где вода наиболее вероятно распространится. Лишь небольшая часть водосбора Чоке попадает в зоны наивысшего риска, но эти участки совпадают с населёнными низинами и важными сельскохозяйственными землями. Местные власти могут использовать результаты для принятия решений о размещении нового жилья, укреплении мостов и дренажа или восстановлении растительности для замедления стока. Хотя модели не способны заменить детальные гидравлические расчёты, они предоставляют быстрый и экономичный способ сфокусировать ограниченные ресурсы на наиболее уязвимых территориях и могут быть адаптированы к другим опасностям, таким как оползни или землетрясения. В стране, где данные и бюджеты часто ограничены, это сочетание спутников и умных алгоритмов предлагает практический путь к более устойчивым ландшафтам и сообществам.

Цитирование: Asrade, T., Abebe, S., Tadesse, K. et al. Flood susceptibility assessment using three machine learning techniques and comparison of their performance. Sci Rep 16, 8099 (2026). https://doi.org/10.1038/s41598-026-38391-0

Ключевые слова: восприимчивость к наводнениям, машинное обучение, водосборный бассейн Чоке, дистанционное зондирование, снижение риска бедствий