《Sustainable Cities and Society》：Urban flood susceptibility decoded: A GeoAI workflow for urban flood-prone area delineation and mitigation mechanism inference
编辑推荐：
基于GeoAI框架，本研究通过多源数据融合与双阶段特征筛选，构建零膨胀地理卷积自注意力网络（ZI-Geo-CNN）模型，实现高精度城市内涝风险空间分异。SHAP分析揭示自然与经济社会因素的空间异质性，建立可跨城市的风险评估范式，为非稳态气候下的城市韧性规划提供决策支持。
吴俊豪|唐远鹏|马玲|梁东方|Ioannis Brilakis|Svetlana Besklubova
中国湖北省武汉市华中科技大学土木与水利工程学院国家数字建造技术创新中心建筑管理系，430074
摘要 在极端降雨加剧和城市不透水面积快速扩张的双重压力下，暴雨洪水已成为对城市安全和可持续性的主要威胁。传统的洪水易发性模型在处理高度稀疏、长尾目标分布以及提供物理可解释性方面面临挑战，这限制了对洪水易发区域的精细划分和差异化减灾策略的开发。为了解决这一问题，本文提出了一个基于地理人工智能（GeoAI）的集成框架，该框架系统地将城市表面特征与社会水文过程联系起来，以推进洪水风险管理。该框架综合了25个自然和社会经济变量，全面捕捉了不同城市环境中的洪水生成机制。通过两阶段特征提取过程，确定了每个城市中影响洪水易发性的十个最关键因素。这些因素构成了一个新颖的零膨胀卷积自注意力网络（ZI-Geo-CNN）的基础，该网络为中国六个主要城市生成了高分辨率的洪水易发性地图，准确度非常高（R 2 > 0.98 , A U C ≈ 1.00,
引言 近几十年来，人为变暖加剧了全球水文循环，显著增加了极端降水事件的频率和强度（Zhang等人，2022年）。同时，快速的城市化扩大了不透水表面覆盖面积，减少了自然渗透能力（Bai等人，2025年）。这两个过程的共同影响现在对城市基础设施构成了系统性威胁（Rogers等人，2025年；Tang等人，2024a年；Yin等人，2023年）。政府间气候变化专门委员会的第六次评估报告预测，全球平均温度每上升1°C，极端降雨强度大约会增加7%（Calvin等人，2023年；Lee等人，2023年）。这表明在密集建设的环境中，暴雨洪水的危险性呈非线性上升。世界气象组织的统计数据显示，在过去十年中，城市洪水每年造成的平均经济损失为400亿美元，影响了超过1.5亿人。其中80%的损失发生在发展中国家，这些国家的排水系统落后于城市扩张的速度（世界气象组织，2021年）。作为世界上最大的发展中国家，中国正是这一趋势的典型代表。不受监管的大城市扩张和郊区扩张已经超出了传统排水网络的设计能力，导致暴雨淹没事件越来越频繁，造成了巨大的社会经济损失（Xie等人，2024年）。因此，准确、高分辨率地评估洪水易发性，识别需要针对性干预的热点区域，以及制定有效的风险管理策略，对于可持续的城市发展至关重要（Kotz等人，2024年）。
作为城市防洪和减灾规划及决策的基础步骤，目前有三种方法主导着城市洪水易发性评估：确定性水动力模拟（Dimitriadis等人，2016年）、基于指标的多标准框架（Wu等人，2024年）和数据驱动的机器学习方法（Roudbari等人，2024年）。其中，确定性建模方法使用基于物理的水文或水动力模拟模型，如MIKE11（Agrawal等人，2024年）、HEC-RAC（Mohanty等人，2025年）和SWMM（Liu等人，2025a年），可以在规定的降雨情景下再现水深场。然而，这些方法的参数化要求高，对子网格地形敏感，并且忽略了结构和边界不确定性，进一步限制了它们在快速变化的城市环境中的适用性（Costabile等人，2021年）。相比之下，指标框架通过多维指数表示危险性、暴露度、敏感性和适应能力，并通过分析层次过程或熵加权来分配权重（Lyu等人，2023年；Mahmoodi等人，2024年）。虽然这种方法提供了概念上的清晰性，但其加权过程主要由专家驱动，引入了主观性和不确定性（Kaya & Derin，2023年）。此外，当考虑城市表面特征与社会经济变量之间的复杂相互作用时，这些框架难以捕捉非线性依赖性和时空异质性，导致风险地图的精度和可信度受到限制（Sun等人，2024年）。
随着地理空间大数据和人工智能技术的普及，数据驱动的机器学习模型在捕捉非线性洪水生成过程方面表现出显著的能力，同时避免了指数系统固有的主观加权问题（Herath等人，2025年；Kaluarachchi，2021年；Razavi-Termeh等人，2025年）。然而，它们的预测能力和可转移性依赖于两个前提：严格的特征工程和透明的可解释性（Helderop & Grubesic，2019年）。这些前提在现有研究中尚未得到完全满足。在城市暴雨洪水背景下，控制变量包括降雨动态、地形和土地利用模式、排水网络配置、人口密度、基础设施韧性和社会经济状况等，这些因素高度非线性且相互紧密耦合（Liu等人，2025b年；Wang等人，2025年）。当前的研究很少进行全面的敏感性分析或优化特征集，因此对模型性能在不同空间域中的变化提供了有限的见解（Jiang等人，2023年；Jin等人，2024年）。此外，不同城市之间洪水驱动因素的相对重要性存在显著差异，但这种空间异质性尚未得到系统量化或解释（Kephart等人，2025年；Shah等人，2023年）。解决这些差距需要一个能够整合多维空间因素并平衡预测准确性和物理可解释性的统一框架（Qin等人，2025年）。通过定量比较不同驱动因素对洪水易感性的影响，这样的框架可以为城市规划和排水系统设计提供有力的指导。
本研究提出了一个集成的Geo-AI框架，将数据融合、特征提取、深度学习和机制解释结合起来，以推进城市暴雨洪水易感性评估。首先，利用一系列自然和社会经济数据，该研究实施了两阶段特征选择策略，分离出城市洪水的核心驱动因素，从而回答了“哪些变量最强烈地驱动暴雨洪水的发生？”这个问题。它还减少了模型冗余并提高了模型的鲁棒性。接下来，设计并训练了一个零膨胀地理卷积神经网络（ZI-Geo-CNN），将选定的驱动因素与历史积水记录结合起来，准确预测和识别城市地区的潜在洪水热点分布。这一步解决了“如何在不牺牲空间细节的情况下对细粒度洪水易感性进行建模？”的问题。最后，通过对六个具有代表性的中国城市进行实证分析，并使用Shapley加性解释（SHAP）来量化驱动因素的贡献，本研究阐明了“每个因素在多大程度上影响城市洪水易感性，以及这种影响在地理上如何变化”。它进一步揭示了控制机制的显著空间异质性，为洪水风险管理和空间规划提供了严格的证据。本文的研究目标包括：（1）建立一个统一的GeoAI工作流程，整合特征提取、模型训练和机制解释，填补了城市暴雨洪水敏感性分析及可解释性方面的关键空白；（2）通过引入跨城市比较和尺度适应，系统评估ZI-Geo-CNN模型在对比气候和地貌条件下的空间泛化能力，从而为区域洪水风险管理提供可复制的途径；（3）使用SHAP量化自然和社会经济驱动因素的相对影响，深入理解洪水生成过程，并为城市规划、排水系统升级和应急管理提供定量指导。总体而言，本研究建立了一个准确、可解释且可转移的城市洪水易感性评估系统，能够应对洪水挑战，并为城市管理者和政策制定者提供可行的支持。
方法论 基于GeoAI的城市暴雨洪水易感性预测框架如图1所示，包括四个连续组成部分。（1）多源数据整合和特征构建：将气象记录、地形、土地覆盖和社会经济统计数据融合，形成一个涵盖自然和人为属性的全面候选特征库。（2）两阶段特征选择：全局敏感性分析（GSA）与随机森林包装器相结合
第一阶段：特征工程筛选 城市暴雨洪水是一种典型的人水耦合灾害，其发生受到气象强迫、地形、地表特性和社会经济暴露的共同控制。为了可视化候选变量之间的潜在相关性，并初步评估它们与洪水易感性的关系，首先应用了经典统计分析（Bao等人，2025年）。线性依赖性用皮尔逊相关系数量化：值接近
分析尺度对模型性能的影响 为了测试ZI-Geo-CNN的跨尺度鲁棒性，在11个从250米到1500米不等的网格分辨率下进行了完全重复的实验。如图8（a–d）所示，当网格分辨率从250米粗化到1300米时，2 R 2 –5 下降到3.60 × 10–5 （图8d）。超过1400米时，
结论 本研究开发了一个基于GeoAI的城市暴雨洪水易感性评估框架，该框架整合了特征选择、深度学习预测和机制解释。首先，通过两阶段选择流程，从25个候选指标中提取了10个关键驱动因素，显著减少了输入冗余和多重共线性风险。在此基础上，提出了一个ZI-Geo-CNN模型，同时解决二元发生问题
资助 本研究部分得到了国家自然科学基金 （编号72474076）和国家重点研发计划 （2024YFE0114400）的支持。计算工作在华中科技大学的HPC平台上完成。
CRediT作者贡献声明 吴俊豪： 撰写 – 审稿与编辑，撰写 – 原始草稿，可视化，验证，资源，方法论，概念化。唐远鹏： 撰写 – 原始草稿，可视化，方法论，调查，数据管理，概念化。马玲： 撰写 – 审稿与编辑，撰写 – 原始草稿，验证，监督，方法论，调查，概念化。梁东方： 撰写 – 审稿与编辑，可视化，方法论，正式分析。
利益冲突声明 作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文所述的工作。
