使用三种机器学习技术进行洪水易发性评估及其性能比较

为什么埃塞俄比亚某一流域的洪水风险很重要

洪水每年在全球夺走数千条生命，摧毁农作物并破坏住房和道路。在埃塞俄比亚供给青尼罗河的高地区域——乔克流域，山洪来得快且常常没有预警。本研究展示了现代计算技术如何将卫星影像、地图和降雨记录转化为详细的洪水风险地图，帮助社区和规划者在暴雨来临前决定在哪里建设、哪里耕种以及在哪里保护居民。

承受压力的山地景观

乔克流域位于埃塞俄比亚西北部的高地，陡峭的山地孕育了60多条河流和数百处泉水。该崎岖地形支撑着农田、水力发电、饮用水乃至旅游业，但也将季节性强降雨汇入狭窄的山谷和洪泛平原。在过去十年中，反复发生的洪水损毁了农田、道路、桥梁、学校和住房，尤其在6月至9月的主雨季。人口增长、森林砍伐和城镇扩张改变了地表，常使土地减少蓄水能力，更容易将突发的径流下泄到下游。

将地图与测量转化为洪水记忆

为了解洪水发生的高发区，研究人员首先为流域建立了洪水“清单”。他们结合了政府灾情报告、实地信息和来自Sentinel-1卫星的雷达影像——这种影像即便在云层下也能识别淹水区域。对2005到2020年间五个主要洪年，研究人员比对事件前后的影像以定位淹水区。他们还利用高程数据剔除了永久性湖泊和过陡的坡面，这些地方不会有滞留的洪水。据此，他们组装出一套平衡的样点集，包含已被淹没和保持干燥的位置，作为计算模型的学习素材。

解读地表以预测未来洪水

接着，团队收集了十一类影响水流聚集的信息，包括地形高程、坡度、坡面曲率、土壤湿润趋势、河网、与河道的距离、降雨、土壤类型和土地利用等。所有这些都在地理信息系统中处理成相互匹配的地图图层。模型被训练以识别这些图层与历史洪水之间的关联模式。在不同测试中，三项特征尤为重要：高程、坡度和反映水分易聚集程度的湿润指数。低洼、坡度缓和且湿润指数高的地区显现为明显的洪水高危区，而坡向（坡面朝向）甚至降雨变异在这处山区中的影响相对较小。

教机器识别高风险区域

该研究比较了三种基于大量决策树协同工作的先进机器学习方法：随机森林、梯度提升和极端梯度提升。这些方法擅长处理多因素之间复杂的关系，无需完美的数据或简单的解析公式。在将数据分为训练集和测试集后，作者对每个模型进行了调参，并使用若干统计指标评估性能。其中两种方法——梯度提升和极端梯度提升——表现尤其精准，约97%地正确区分了被淹与未被淹的点；随机森林紧随其后。三种方法均生成了将流域划分为从非常低到非常高五个风险等级的洪水易发性地图，北部和西南部片区显示出最高的危险性。

从计算地图到更安全的社区

对非专业读者而言，关键成果在于这些机器生成的地图将分散的记录和卫星影像整合为一幅清晰的画面，显示洪水最可能蔓延的地点。乔克流域只有一小部分属于最高风险区，但这些高风险区往往与有人居住的低地和重要农田重合。地方当局可以利用这些结果指导新住房选址、加固桥梁与排水系统，或恢复植被以减缓径流。尽管这些模型无法取代详尽的水力模拟，但它们提供了一种快速、经济的方法，帮助把有限资源集中到最脆弱的地区，并可适配用于滑坡或地震等其他灾害。在数据和预算常常短缺的国家，这种卫星与智能算法的结合为建设更具韧性的景观与社区提供了一条切实可行的路径。

引用: 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

关键词: 洪水易发性, 机器学习, 乔克流域, 遥感, 减灾