《Water Resources Research》：A Novel Data-Driven Probabilistic Approach for Consequence Specific Urban Flood Risk Mapping
编辑推荐：
本文提出一种创新的概率框架，用于绘制特定后果的城市内涝风险图。该框架将风险定义为致灾概率与脆弱性概率的乘积，并通过拟合最优概率分布构建致灾图，同时结合一种新型数据驱动的经验改进层次分析法（E-IAHP）来确定脆弱性指标的权重，以消除传统AHP方法的主观性，从而提高客观性与计算效率。研究生成针对紧急服务中断、交通中断和建筑经济损失三种内涝后果的定制化风险图，揭示了海得拉巴市不同区域的空间风险模式，为城市洪涝风险管理和灾害应对提供了灵活的实时评估工具。
城市内涝风险制图：一种数据驱动的概率框架
摘要
近年来，城市内涝发生频率日益增加，对资源与基础设施有限的城市造成了显著的社会经济影响。传统的基于水文学和水力学的模型能够识别易涝区，但需要大量数据和计算资源。相比之下，风险制图通过整合人口、基础设施等风险要素，提供了一种数据效率更高的替代方案。本研究开发了一种针对特定后果的城市内涝风险概率制图框架。该框架将风险定义为致灾概率与脆弱性概率的乘积。
引言
城市洪涝暴露量在过去三十年中增加了四倍以上。在数据受限的情况下，基于风险的方法通常更受青睐。风险在数学上被定义为事件发生的概率与该事件相关的潜在后果的乘积，其中前者被视为致灾因子，后者则与脆弱性（包括暴露性）相关联。脆弱性受到物理、社会、经济、基础设施和制度等多方面因素的影响，这使得其成为一个多维度的估计值。
然而，在洪水风险评估中，很少将风险视为概率测度。为了弥补这一不足，本研究提出了一种数据驱动框架，旨在：（1）提出一个包含后果特异性脆弱性指标的概率洪水风险框架，并将风险计算为概率测度；（2）使用概率方法将脆弱性视为概率测度，计算指标特异性和总脆弱性指数；（3）开发一种数据驱动方法来推导指标权重，以消除层次分析法（AHP）中的主观性，同时确保一致性。
研究区域与方法
研究区域
研究区域为印度特伦甘纳邦首府海得拉巴市所在的大海得拉巴市政公司（GHMC）辖区。该区域面积约680平方公里，人口约950万，划分为154个选区。该市以胡赛恩萨加尔湖为中心，中部高度城市化，外围建筑分布稀疏。年均降雨量约800毫米，主要在季风季节。本研究使用了该区域129个自动气象站（AWS）从2013年6月至2024年12月的降雨数据。
方法框架
本研究提出了一个估算概率性洪水风险值并绘制风险图的方法论框架，包括估算不同降雨事件的致灾概率以及三种不同后果的脆弱性值。该框架的流程图展示了主要步骤：风险计算为致灾（H）与脆弱性（V）的乘积。致灾和指标特异性脆弱性使用所考虑指标的最佳拟合概率密度函数及其累积分布函数进行估算。脆弱性则是指标特异性脆弱性的线性组合，其权重通过数据驱动的方法——经验改进层次分析法获得。
致灾评估
在城市内涝背景下，强降雨等事件是主要致灾因子。本研究将超过特定阈值的降雨定义为致灾因子，并将降雨的非超阈值概率直接视为致灾值。对于每个1公里网格，使用超过2.5毫米（印度气象部门定义的“小雨”阈值）的日降雨量数据，拟合了正态、对数正态、伽马、威布尔和指数五种理论分布。根据贝叶斯信息准则和密度图目视检查选择最佳拟合分布，进而计算给定降雨量下的非超阈值概率（即致灾值）。所有网格的致灾值共同构成致灾图层。
脆弱性评估
特定后果的脆弱性计算遵循以下步骤：（a）为选定后果确定相关指标；（b）计算每个指标的脆弱性（称为指标特异性脆弱性），将其量化为相对于定义阈值的超阈值或非超阈值概率，这些概率由指标值的最佳拟合概率密度函数计算得出；（c）将脆弱性估计为指标特异性脆弱性的加权组合。其中，指标权重通过本研究所提出的经验改进层次分析法计算得出。
脆弱性指标从三个维度选取：自然环境（如地形、地质）、社会经济（人口密度、经济不平等）和基础设施（道路网络密度、到应急服务的距离）。每个维度的具体指标根据后果类型（紧急服务中断、交通中断、建筑经济损失）有所不同。
经验改进层次分析法
为了克服传统层次分析法及其改进版本在成对比较矩阵中依赖主观判断的局限性，本研究提出了一种新的数据驱动方法——经验改进层次分析法。该方法具有两个关键特征：首先，它用绝对相关系数取代了专家判断，从而消除了比较矩阵（步骤2）中的主观性偏差；其次，通过纳入这种统计度量（即绝对相关系数），并基于判断矩阵的一致性比率对算法进行了优化，在一致性比率满足严格阈值（≤0.01）时可提前终止计算，从而提高了计算效率。该方法遵循与改进层次分析法相似的步骤和公式，但核心在于使用指标间的绝对相关系数构建比较矩阵，并通过计算排序指数和判断矩阵等步骤最终推导出准则权重。
结果与讨论
致灾分析
研究选择了2022年至2024年间代表不同季节和空间特征的三个降雨事件（E1， E2， E3）。基于网格特异性事件降雨量和最佳拟合分布（对数正态分布）估算了每个网格的致灾值，生成了相应的致灾图H1， H2， H3。致灾图的空间分布与降雨格局一致，但关系并非严格线性。例如，E1事件的致灾值在0到1之间变化，高值（>0.75）出现在北部和西部地区；E2事件的致灾值范围较窄（0.86–1），大部分区域大于0.95；E3事件的致灾值范围在0.2到1之间，高值出现在北部和西部大部分地区。
脆弱性分析
指标分析
研究共选取了15个指标，涵盖自然环境、社会经济和基础设施三个维度。通过分析其空间分布和拟合概率密度函数，发现大多数指标呈现偏态分布，而道路密度和高程符合正态分布。各指标的空间脆弱性模式显示，中部和南部选区通常脆弱性较高，而北部和外围区域脆弱性较低，但存在例外。指标特异性脆弱性的概率方法放大了原始指标图中不明显的对比，突出了即使指标密度中等也存在极端脆弱性的区域。
总脆弱性
使用经验改进层次分析法计算出的权重（见下表），将指标特异性脆弱性进行线性加权组合，得到了三种后果对应的总脆弱性V1（紧急服务中断）、V2（交通中断）和V3（建筑经济损失）。权重计算结果显示，与其他指标相关性强的指标（如不透水地表百分比、社会经济变量和道路密度）始终获得较高权重，而相关性弱的指标（如坡度和到溪流、水体的距离）则权重较低。
表1. 使用经验改进层次分析法得出的针对每种后果类型的脆弱性特定权重
总脆弱性的空间模式因后果类型而异。V1的高脆弱性（>0.6）集中在南部和中部选区，主要由人口密度、儿童人口密度、道路网络密度和不透水地表百分比等高权重指标驱动。V2的脆弱性范围与V1相似，但空间格局略有不同，北部选区风险稍高。V3的脆弱性值范围更广（0.03–0.95），高脆弱性集中在南部和中部选区以及北部少数选区，而外围大部分选区脆弱性较低，这归因于新变量的加入及其空间模式。
针对每种脆弱性类型，研究提出了相应的缓解、备灾和政策措施。例如，对于V1高脆弱性区域，建议改善道路连通性和排水系统，建立专门的灾害响应单元等。对于V2，则建议采取抗洪交通规划、实时预警和高容量泵送系统等措施。对于V3，措施包括提升建筑物的防洪韧性、早期预警系统以及分区法规等。
风险分析
通过将三种致灾情景与三种后果相结合，共生成了九幅风险图。每行对应一种后果，每列对应一种致灾条件。地图标记为Rij，其中i代表后果，j代表致灾情景。
对于紧急服务中断（第一行），三种致灾情景下的风险水平总体可比，范围在0到0.78之间。R11在北部和西部选区显示中度到高风险，而R12和R13则显示高风险集中在中部和南部选区。
交通中断的风险（第二行）普遍更高，最高可达0.85。其空间格局与紧急服务中断类似，但由于脆弱性V2略高，北部和东部部分选区风险也较高。
建筑经济损失的风险（第三行）范围更广，覆盖了低、中、高风险范围。由于脆弱性V3更高且变异性更大，高风险密集分布在中部和南部选区，外围区域则以低风险为主。不同致灾图之间的差异主要反映了致灾值的空间变化。
总体而言，事件E3（图8第三列）的风险值最高，其次是事件E2和E1。事件E2的中高风险空间分布更广，这与降雨事件更广泛的特点一致。研究通过叠加来自社交媒体X（原Twitter）的众包洪水位置数据对估计的风险值进行了间接验证。大多数观测到的洪水点落在中度或低风险区域内。
总结与结论
本研究提出了一个计算风险的概率框架，其中风险是致灾概率和脆弱性概率的乘积。研究估算了三种主要城市内涝后果在三种不同致灾事件下的风险。
经验改进层次分析法的核心在于，基于统计方法为与其他指标相关性更强的指标赋予更高的权重，这反映了其空间分布的相似性及其对总脆弱性的贡献。计算出的权重是数据驱动的，取决于所考虑的指标集、其空间格局及其相互关系。因此，权重具有后果特异性，适应每种城市内涝后果。这种基于相关性的数据驱动方法，与传统层次分析法相比，消除了主观性偏差，且计算高效。
三个选定降雨事件的致灾值各不相同，反映了降雨的高度空间异质性和每个事件的独特空间格局。致灾与降雨之间的关系并非严格线性。
大多数脆弱性指标呈现偏态分布。指标特异性脆弱性的空间模式显示，南部和中部选区普遍高度脆弱，而北部和外围区域脆弱性较低。由于总脆弱性是指标的线性组合，其总体脆弱性反映了所有指标的贡献，但由此产生的空间格局因后果类型而异。
三种城市内涝后果的风险空间格局各不相同：建筑经济损失在南部和中部选区风险最高，交通中断在北部选区有中度风险，紧急服务中断在北部和西部地区风险大多较低。三种致灾事件之间的差异影响了风险的大小和空间范围，但塑造风险格局的主导因素是后果类型。
所提出的框架具有灵活性，允许在不同时间尺度上定义致灾因子，并可通过选择相关指标来针对特定后果进行调整。结合数据驱动的经验改进层次分析法，该框架在统计上稳健且计算高效，适用于复杂、数据丰富的城市系统。
局限性与未来方向
脆弱性指数受到所用数据集的异质性和局限性的影响。未来的工作应纳入更新的数据集，并应用不确定性量化和敏感性分析来评估其对所开发指数的影响。
对风险估计框架的改进可以扩展其适用性。例如，对经验改进层次分析法进行统计改进（如使用偏相关或基于熵的权重）、采用替代的非线性聚合方法来计算总脆弱性，以及改进后果特异性验证数据集，都将增强其稳健性。最后，开发基于情景的风险库和集成天气预报可以支持前瞻性决策，并推进城市内涝管理。
数据可用性声明
本研究所用数据来源包括：特伦甘纳邦发展规划协会提供的自动气象站日降雨数据；从印度国家遥感中心购买的10米空间分辨率Cartosat数字高程模型；从谷歌地球专业版数字化获取的纳拉网络；来自人口普查的社会经济数据集；以及通过开放街道地图获取的基础设施维度数据集。
