“如果……会怎样”框架：一种基于情景的逆向推理方法，用于模拟城市韧性和灾害影响

《Sustainable Cities and Society》：The 'What If' Framework: A Scenario-Based Counterfactual Approach to Modelling Urban Resilience and Disaster Impact

　　里卡多·卡马乔 | 贾加纳特·阿利亚尔 | 阿巴斯·拉贾比法德
澳大利亚墨尔本大学空间数据基础设施与土地管理研究中心（CSDILA）地球观测与人工智能研究小组

**摘要**
在易受灾地区，城市扩张往往受到非正式定居点扩展的影响。然而，灾害影响评估通常仅关注事件发生后的实际情况，而没有考虑在没有破坏性事件的情况下城市发展轨迹可能如何演变。本研究采用了一种反事实建模方法（“如果……会怎样”框架），将基于深度学习的多时相土地覆盖制图与元胞自动机（CA）模拟相结合，以分析不同的城市发展路径。该框架应用于2017年发生泥石流灾害后的哥伦比亚莫科阿市。利用U-Net深度学习架构生成多时相土地覆盖图，并用于校准和比较三种CA建模框架：Land Change Modeler（LCM）、MOLUSCE和Geographic Automata Tool（GAT）。通过两阶段验证策略评估模型性能，以测试校准数据的时间代表性。计算了全局一致性指标（总体准确率、Cohen’s Kappa和优值）和特定类别指标（精确度、召回率、F1分数和交并比），特别关注“非正式建筑”类别。结果表明，仅基于2010-2013年增量增长模式训练的模型在再现2016年出现的非正式定居点方面能力有限，而包含2010-2016年自发增长阶段的校准显著提高了预测性能。在测试的框架中，LCM取得了最高的特定类别性能（F1分数=94.34%，IoU=89.29%）。2021年的反事实模拟表明，如果没有这场灾害，非正式定居点可能会向危险区域扩展约1.68公顷，表明在灾害前的增长动态下暴露风险持续累积。研究结果表明，反事实城市模拟可以通过量化观察结果与替代发展路径之间的差异，为评估破坏性事件的长期空间影响提供依据。

**1. 引言**
城市化正以前所未有的速度重塑人类居住方式。目前全球超过55%的人口居住在城市地区，预计到2050这一比例将达到70%（联合国经济和社会事务部2023年数据）。这种扩张集中了人口、基础设施和经济资产，加剧了对环境灾害的暴露，并放大了极端事件的潜在后果（联合国人居署2022年、EM-DAT 2024年、CRED 2025年、McCloskey等人2023年、Mente?e等人2023年）。同时，灾害的频率和严重程度也在增加，部分原因是气候变化和易受灾地区的持续开发（EM-DAT 2024年、CRED 2025年）。快速的城市化和日益严重的自然灾害使得城市成为减少灾害风险和实现可持续发展的关键领域。

然而，城市并非静态实体。它们是复杂的、动态的、相互依存的系统，其中土地使用模式、基础设施网络和社会结构不断演变（Purwar等人2024年、Sharma等人2023年、Lozano等人2023年、Debray等人2025年）。城市形态的空间配置直接影响灾害脆弱性：发展的位置、密度和形态既影响暴露程度也影响影响程度（Abunyewah等人2018年、Jankowska等人2011年）。这种关系在非正式定居点尤为明显，这些定居点通常出现在环境边缘或易受灾地区，往往缺乏足够的基础设施和监管（Quesada-Román 2022年、Sandoval和Sarmiento 2020年、Miles等人2012年、联合国人居署2017年、Dovey等人2021年、Tavares等人2024年、Lizarralde等人2024年）。非正式城市化的特征，包括靠近水道、陡峭斜坡和城郊走廊，与灾害过程的相互作用加剧了风险（Qin等人2023年）。理解这些空间形态如何与灾害过程相互作用对于建设更具适应性、公平性和可持续性的城市至关重要。

尽管对这些动态的认识日益增加，但灾害影响评估仍主要集中在观察到的损失和灾后重建上，对灾害如何改变长期城市发展轨迹的洞察有限。不同类型的灾害以不同的方式影响城市空间动态。突发性灾害如泥石流、山洪暴发或滑坡可能引发突然的土地覆盖变化和强制迁移，从根本上扰乱正在进行的开发轨迹。相比之下，缓慢发生或慢性灾害可能会逐渐改变土地适宜性和定居模式（Fuentealba等人2025年、Quesada-Román等人2024年）。然而，大多数现有的评估方法主要关注灾害后的情况，而不是分析这些事件如何中断城市扩张和暴露累积的过程。

可持续的城市发展需要将灾害韧性纳入长期规划策略（联合国人居署2017年、March等人2017年、CDMPS 2018年）。然而，现有的灾害影响评估方法主要是回顾性的，通常在宏观尺度上操作，经常忽视脆弱社区内的局部空间动态（Rezvani等人2023年）。模型常常难以整合多时相和多尺度的空间数据，或准确捕捉灾害影响在 urban 系统中的动态、级联和空间异质性（Abunyewah等人2018年、Fuentealba等人2025年、Quesada-Román等人2024年、March等人2017年）。此外，传统的土地利用变化模型常常外推历史趋势，而没有明确考虑偶发或冲击驱动的增长过程，尤其是在非正式定居点背景下（Guzman等人2020年、Tellman等人2022年）。最近的研究探索了基于情景的“如果……会怎样”规划模型，以探索不同的城市发展路径（Lu等人2024年），但在受灾城市中的应用仍然有限。

另一个挑战在于评估替代未来。灾害风险管理（DRM）干预措施往往“看不见”，因为关注的是观察到的损害而非避免的后果，这给识别和激励有效干预带来了困难（Rabonza等人2022年）。传统规划很少量化在没有破坏性事件或政策干预的情况下城市系统可能如何演变（Tellman等人2022年、Lu等人2024年、Tarsi 2020年、Ndabezitha等人2024年）。这导致偏向于反应性恢复而非预见性治理。反事实分析提供了一种方法，通过构建合理的替代路径来对比观察结果（Rabonza等人2022年、Córdova等人2023年、Wu等人2022年、Dash和Punia 2019年、Camacho等人2024年、Ulbrich等人2023年）。通过估计在不同干扰条件下可能发生的情况，反事实方法使避免的暴露和中断的脆弱性变得可分析。

这些挑战在快速城市化的全球南方地区尤为明显，那里的非正式定居点动态高度异质且依赖于具体情境（Kolowa等人2024年）。关于城市增长的通用假设往往无法捕捉到非正式性的局部驱动因素和空间模式，限制了规划模型准确表示现实世界城市过程的能力。地球观测和机器学习的进步为克服这些限制提供了新机会，即使在地形多变和数据稀缺的情况下也能实现高分辨率的地图绘制和分析（Milojevic-Dupont和Creutzig 2021年）。

为应对这些挑战，本研究引入了“如果……会怎样”框架，这是一种基于情景的建模方法，用于分析在不同干扰条件下城市区域可能如何演变。该框架将基于深度学习的多时相土地利用和土地覆盖（LULC）制图与元胞自动机（CA）模拟相结合，以表示城市增长动态并生成反事实发展轨迹。深度学习架构能够高分辨率地分类异质的城市形态，包括非正式定居点，而CA模型则捕捉城市扩张背后的空间行为（Guzman等人2020年、Milojevic-Dupont和Creutzig 2021年）。这些建模组件嵌入在概率反事实逻辑中，能够明确比较观察到的城市结果和模拟的“无灾害”情景（Rabonza等人2022年、Bernal等人2017年）。

该框架应用于哥伦比亚莫科阿市，这是一个位于安第斯-亚马逊过渡区的快速发展的城市，2017年曾遭受灾难性的泥石流灾害。灾前，莫科阿经历了由内部迁移和流离失所驱动的非正式城市扩张。灾害造成了广泛的破坏，扰乱了正在进行的开发轨迹，使该市成为研究突发性灾害如何重塑城市空间动态的典型案例。

本研究从三个方面为城市韧性和灾害风险降低研究做出了贡献。首先，它在结合深度学习和元胞自动机模拟的空间建模环境中实现了概率反事实推理。其次，它引入了两阶段验证策略，以评估校准数据的时间代表性对模型再现非正式定居点动态的影响。第三，通过莫科阿案例研究，量化了灾后发展与模拟的“无灾害”轨迹之间的差异，提供了关于灾害如何改变长期暴露累积和城市空间演变的实证见解。

本文的其余部分详细介绍了这一贡献。第2节介绍了所提出框架的理论基础。第3节描述了数据集和建模方法。第4节展示了验证和反事实模拟的结果。第5节讨论了对城市规划和灾害风险降低的启示，第6节提出了未来研究的建议。

**2. 理论框架**
在本研究中，“如果……会怎样”框架主要被视为一种决策支持和规划导向的分析工具，用于研究易受灾环境中的城市空间动态。该框架不仅作为预测或优化工具，还构建了反事实、基于情景的推理，以探索在不同干扰或干预条件下城市发展的替代路径可能如何展开。这种逻辑可以回顾性和前瞻性地应用，从而为旨在减少未来暴露和脆弱性的主动规划决策提供信息。为了在数据稀缺和非正式化主导的环境中实现这一逻辑，该框架整合了数据驱动的空间建模技术，同时保持方法上的灵活性。其贡献在于通过明确灾害和政策选择的空间后果，支持以韧性为导向的规划和解释。

本研究整合了城市空间动态、灾害韧性和反事实分析的理论概念，以理解城市如何应对和从破坏性事件中恢复。城市区域被视为复杂的、动态的、相互连接的系统，其中人员、活动、机构和基础设施的相互作用不断演变（Ultramari等人2018年）。这种系统视角强调了需要能够捕捉多维城市变化的分析框架。

**2.1. 城市空间动态和灾害韧性**
历史上，城市的基础设施和社会组织培养了人们对安全的感知和对环境威胁的控制（Chen等人2024年）。然而，快速的城市化和与气候相关的灾害频率增加使城市成为灾害风险的焦点（March等人2017年）。这种转变要求灾害风险管理（DRM）策略超越单纯的抗灾措施，更加注重系统的韧性，强调吸收、恢复和适应冲击的能力，同时保持基本功能（Córdova等人2023年、Moroz和Thieken 2024年）。

韧性现在被广泛定义为系统准备、吸收、从不利事件中恢复和适应的能力（Hamnett 2006年）。然而，这需要认识到城市风险是一个动态的时空过程，需要捕捉人口暴露的波动，而不仅仅是关注物理基础设施（Bernardini等人2024年）。在城市系统的背景下，灾害韧性的一个关键方面是城市区域恢复甚至超越灾前功能的能力，这不仅涉及物理重建，还包括社会经济机构的恢复（联合国人居署2017年、Hamnett 2006年、UNISDR 2015年、Allan等人2024年）。由于城市的物理配置（包括未经规划的增长模式）直接影响灾害脆弱性（Lizarralde等人2024年），因此需要一种精细的评估方法，在微观层面捕捉特定要素的风险，而不仅仅是依赖宏观指标（Qin等人2023年）。这对于非正式定居点尤为重要；虽然这些地区由于生活条件危险和位置不佳而本质上脆弱（Tavares等人2024年、Ndabezitha等人2024年），但必须认识到非正式城市化的适应逻辑对其空间演变的影响（Quaye等人2022年）。理解这些空间关系为开发能够代表动态、相互依赖的网络的城市系统提供了基础。

**2.2. 基于情景和反事实分析**
基于情景的规划是城市规划中的强大工具，特别是用于管理未来发展的不确定性（Guzman等人2020年）。情景描述了合理的、内部一致的未来描绘，帮助决策者探索多种潜在结果，而不是追求单一预测（Mente?e等人2023年）。在灾害恢复的背景下，当可能发生重大变化、结果不明显且时间范围为中长期时，情景分析非常有价值（Ghaffarian等人2021年）。它们允许地方政府比较政策选择的空间后果，并确定能够优化韧性和可持续性的策略。在此基础上，反事实分析为理解复杂城市系统中的因果关系提供了一个严谨的分析框架（Rabonza等人，2022年；Magliocca等人，2023年）。反事实土地变化建模构建了“如果……会怎样”的情景，这些情景是隔离特定干预或事件影响的替代空间现实（He等人，2013年）。这种方法特别有助于挑战可能激发过去政策干预的现有假设，并隔离政策的空间效应。在灾害风险管理（DRM）中，概率反事实分析的一个主要贡献是它能够突出成功干预措施往往看不见的好处，例如避免的损害、减少的损失，甚至是“可能挽救的生命”。缓解工作的成功意味着潜在的灾难和干预的积极效果对公众来说往往是“看不见的”。反事实分析通过关注被避免的结果来解决这个问题，为识别和从有效的DRM策略中学习提供了有价值的方法（Rabonza等人，2022年）。将这些原则整合到空间建模中有助于揭示缓解工作的“看不见的成功”，从而加强基于证据的规划和更加明智的决策制定。

构建这样的反事实情景需要能够表示空间异质性和时间动态的模拟工具。基于元胞自动机的模型，结合机器学习得出的转移概率，通过复制城市增长的自我组织行为来提供这种能力（Camacho-Olmedo等人，2017年）。集成模型和多模型校准通过最小化不同模型配置之间的不确定性进一步增强了可靠性（Magliocca等人，2023年）。通过这些方法，反事实建模隔离了灾难和政策干预的空间效应，支持从被动恢复向主动规划的转变。这种能力不仅增强了从过去事件中学习的能力，还为设计更具韧性和可持续性的城市未来提供了定量基础。这些理论概念共同构成了“如果……会怎样”的框架。通过整合韧性理论对适应性系统的关注、情景规划对替代未来的探索以及反事实分析的因果逻辑，该框架使得能够以概率和空间为基础的方式理解灾难如何改变城市的发展轨迹。与其评估已经发生的事情，它支持一种前瞻性的方法，使用假设的、数据驱动的情景来预测不同政策或事件可能如何影响城市的脆弱性和恢复路径，以用于规划目的。

3. 数据和方法论
我们的方法论分为三个主要阶段，旨在为我们的反事实分析建立一个坚实的基础。首先，我们使用先进的深度学习分类技术，针对多样化的卫星和航空影像数据，为Mocoa开发了一个高分辨率的多时相土地覆盖数据集（第3.2-3.3节）。其次，我们编译并处理了一组已知影响城市增长动态的空间驱动因素，将我们的模型置于当地背景下（第3.4节）。最后，我们利用这些数据集来校准、验证和比较三种不同的元胞自动机框架：GAT、MOLUSCE和LCM，以确定生成“如果……会怎样”反事实情景的最合适模型（第3.4-3.5节）。用于支持此工作流程的空间数据集包括多时相航空和卫星影像以及官方空间数据集，详见表1。

表1. 本研究中使用的空间数据集
| 数据集 | 来源 | 数据类型 | 空间分辨率 | 时间覆盖范围 |
| --- | --- | --- | --- | --- |
| 历史航空摄影（HAP） | 光学影像 | ～0.025–2.1 m | 1962 – 2021 |
| RapidEye | 光学EO影像 | 5 m | 2010 – 2013 |
| PlanetScope | 光学EO影像 | 3 m | 2016 – 2021 |
| ALOS PALSAR Level 1.1（JAXA/METI） | 雷达EO影像 | 12.5 m | 2011 |
| 官方空间数据集（市级/国家级） | 向量空间数据 | 变化取决于层 | 2010, 2013, 2017, 2021 |
| 官方灾害数据集 | 向量空间数据 | 变化取决于层 | 2008年后 |

这种方法允许直接比较未受干扰的增长轨迹与灾后观察到的现实，提供了关于灾难对Mocoa城市形态和社会结构破坏性影响的独特见解。这种分析的概念框架，展示了与假设现实的偏差，在图1中进行了说明。

下载：下载高分辨率图像（82KB）
下载：下载全尺寸图像
图1. 说明“如果……会怎样”反事实情景的概念框架。绿线代表观察到的现实，该现实被2017年的灾难所破坏。蓝线描绘了模拟的“没有2017年灾难”的反事实情景。

方法论框架从严格的数据收集和准备开始，重点关注多时相土地覆盖数据集，并识别影响研究区域城市增长的驱动因素。在这些准备好的数据集的基础上，方法论接着进行模型参数化，包括定义社区类型和控制模拟土地变化的转换规则。本研究使用元胞自动机（CA）建模来探索2017年灾难未发生时Mocoa的潜在城市发展。具体来说，我们使用了TerrSet v.20中的土地变化建模器（LCM）模块进行核心CA模拟。此外，我们还在QGIS 3.40.6中使用了MOLUSCE v.5.0.0插件来评估土地利用变化，并在ArcGIS Pro 3.5.1中使用了地理自动机工具v1.1（GAT）进行比较评估和增强的空间分析（图2）。校准后的模型能够模拟反事实情景，并对观察到的和假设的城市发展轨迹进行定量比较。

下载：下载高分辨率图像（328KB）
下载：下载全尺寸图像
图2. 城市增长预测的建模工作流程概览。该图显示了从数据收集和模型参数化到情景模拟和变化检测的关键阶段。

3.1. 研究区域
Mocoa市位于哥伦比亚西南部，是本研究的主要研究区域。它是普图马约省的首府，位于亚马逊山麓地区，该地区极易受到强降雨引发的滑坡和洪水的影响。Mocoa的面积约为1,263平方公里，截至2023年人口约为63,000人（DANE 2023）。其地理位置使其经常面临气象、水文和水文地质灾害，自1998年以来记录了超过80次灾害（DNP 2017）。Mocoa在哥伦比亚的具体位置以及研究区域的多时相影像在图3中展示。

下载：下载高分辨率图像（1MB）
下载：下载全尺寸图像
图3. 哥伦比亚Mocoa的位置，以及2010年、2013年、2016年、2017年和2021年的多时相RapidEye和PlanetScope卫星影像。橙色轮廓标出了本研究中分析的十二个非正式定居点的大致位置。尽管在2017年的灾难中失去了大量人口和城市面积，但Mocoa在过去几十年里经历了显著的人口增长，2000年至2023年间人口翻了一番多（DANE 2023）。这种增长主要归因于内部迁移，因为其人口中有很大一部分是由哥伦比亚历史上的武装冲突导致的流离失所者（Buitrago-Campos等人，2019）。这些流离失所者的涌入导致了许多非正式定居点的迅速发展，尤其是在城市边缘地区，这些定居点往往缺乏规划或对环境风险的考虑（Sánchez-Steiner，2012）。本研究确定了Mocoa及其周边地区的十二个非正式定居点，并在图3的多时相影像中进行了标注。这些定居点是根据现有的分类标准识别的（Sánchez-Steiner，2012；Buitrago-Campos等人，2021）。

2017年的灾难严重暴露了Mocoa非正式定居点的脆弱性。2017年3月31日晚上和4月1日凌晨，一场灾难性的泥石流袭击了这座城市。这一事件由一次异常降雨引发，根据（Prada-Sarmiento等人，2019）的描述，几小时内降雨量达到了年平均值的10.3倍，导致Mocoa上游地区发生了多次大规模的地质运动。该事件影响了超过22,000人，造成332人死亡，48个社区中的1,462栋房屋受损（DNP 2017）。这场灾难使许多居民一夜之间无家可归，特别是对城市边缘地区的非正式定居点影响尤为严重。尽管这不是Mocoa最近发生的灾难，但考虑到死亡人数、损失和总体影响，它是本世纪最严重的灾难（DNP 2017）。这一灾难性事件凸显了现有土地利用和灾害管理政策的重大缺陷，因为历史记录表明类似事件之前也曾发生过（SGC 2018）。这种毁灭性的影响强调了迫切需要更深入地了解灾难如何破坏非正式城市增长模式以及这些脆弱社区的长期发展轨迹。

3.2. 数据准备和LULC制图
基于表1中总结的数据集，本研究采用了多时相遥感技术与深度学习技术相结合的方法来分析非正式定居点内的土地覆盖变化，工作流程类似于（Camacho等人，2025）中描述的流程。图4概述了从初始影像收集到最终生成多时相土地覆盖数据集的集成工作流程。数据准备阶段重点在于协调不同的影像数据集，以实现2017年灾难前后准确的土地覆盖分类和变化检测。

下载：下载高分辨率图像（211KB）
下载：下载全尺寸图像
图4. 从初始数据收集到生成多时相土地覆盖的集成工作流程。

所有影像都经过了几何校正、辐射校正和大气校正，以确保空间和辐射的一致性。必要时，影像被拼接以实现无缝覆盖，并提取子集以专注于本研究中分析的十二个非正式定居点。所有数据集都被重新采样到共同的5米空间分辨率，并对齐到一致的空间范围、投影和坐标参考系统。此外，如图4所示，对于RapidEye和PlanetScope数据集，计算了光谱指数以增强分类过程。这些指数包括绿色叶绿素指数（CIg）、归一化植被指数（NDVI）、修改后的土壤调整植被指数（MSAVI）和修改后的归一化水体指数（MNDWI）。结合了来自ALOS PALSAR RTC（JAXA/METI 2011）的高程数据，并使用ArcGIS Pro工具从数字高程模型（DEM）计算了坡度。所有预测层都被标准化到[0–1]的范围，以确保数据集之间的可比性。

鉴于研究区域内非正式定居点的官方空间和人口数据的有限可用性，数据准备中的一个关键步骤如图4所示，涉及大量的手动标注，以生成参考数据集，这种方法在官方人口普查数据不足的情况下被证明是有效的（Luo等人，2022）。对于HAP影像，在ArcGIS Pro中手动勾画了建筑物轮廓和各种土地覆盖类别。对于RapidEye和PlanetScope，使用TerrSet中的标准化数据集进行了标注，并与HAP生成的建筑物轮廓进行了交叉参考。这些标注的数据集作为在U-Net和DeepLab架构上训练深度学习像素分类模型的基础。

对于每个不同的影像数据集（HAP、RapidEye和PlanetScope），分别训练了一个专门的深度学习像素分类模型，将影像分类为六个土地覆盖类别：森林、低植被、裸地、建筑区、河岸土地和非正式建筑区。非正式建筑区与正式建筑区的区分基于定居点的形态和规划状况，包括不规则的地块和建筑模式、高密度的增量建设、有限的或不存在的正式道路结构，以及与当地分类和参考影像中先前识别的非正式定居区的对应关系。参考数据集是从每个数据集的一个代表性影像生成的（HAP为2017年3月，RapidEye为2010年11月，PlanetScope为2018年9月）。训练样本被制作成具有重叠步长的图像瓦片，并通过旋转进行了数据增强。

为了确定最适合Mocoa案例研究的深度学习模型，我们对两种著名的像素分类架构U-Net和DeepLab进行了比较分析。这种方法符合当前可持续城市研究的趋势，其中越来越多地应用机器学习来提高城市空间规划的精确度和深度（Casali等人，2022）。在这些架构中测试了各种神经网络，所有网络的批量大小均为8，其中20%的训练样本用于验证。U-Net架构始终表现出优越的性能，在所有数据集中实现了最高的准确性。具体来说，选择了U-Net-ResNet50模型用于后续的土地利用和土地覆盖（LULC）建模，并应用于对整个影像集合进行分类，生成每个时间点的土地覆盖地图。

3.3. 驱动因素和约束
选择了一组空间驱动因素来代表Mocoa城市动态相关的可达性、环境适宜性、城市背景和监管约束（表2）。这些因素是根据现有文献及其与研究区域的相关性选定的，优先考虑反映非正式定居点独特形态和挑战的特定背景指标（Montoya等人，2020）。所有图层都被栅格化并标准化为5米的分辨率，以确保在建模工作流程中的兼容性。表2. 用于“假设”框架的驱动因素。
**驱动因素** | **描述** | **选择标准**
--- | --- | ---
| 距离小溪和河流的距离** | 从像素中心到最近的中心小溪或河流的累积距离。 | 文献普遍认为，非正式定居点通常出现在靠近河流、运河或海岸线的土地上，这些地区风险较高且边缘化，因为这些地点更容易被占用（Hurtado-Moreno等人，2025年；Daniels，2021年；Dalu等人，2018年；Sliuzas，2004年）
| 距离主要道路的距离** | 从像素中心到最近的主要（国家）道路的累积距离。 | 其他研究表明，非正式定居点倾向于占据交通网络沿线的区域，因为这增加了他们获取其他服务的机会（Badmos等人，2019年；Hurtado-Moreno等人，2025年；Sliuzas，2004年；Dubovyk等人，2011年）
| 距离次要道路的距离** | 从像素中心到最近的主要（市级）道路的累积距离。 |
| 距离三级道路的距离** | 从像素中心到最近的三级（市级、未铺砌或农村）道路的累积距离。
| 距离教育服务的距离** | 从像素中心到最近的教育中心的累积距离。 | 以往的研究在为全球南方城市生成增长情景时，使用了距离教育和司法服务以及公园的距离作为关键因素（Guzman等人，2022年）
| 距离司法服务的距离** | 从像素中心到最近的司法中心的累积距离。
| 距离运动场和公园的距离** | 从像素中心到最近的官方运动场的累积距离。 |
| 距离城市边界的距离** | 从像素中心到城市边界的累积距离。 | 非正式定居点经常在就业机会附近发展（Badmos等人，2019年）和城市中心附近（Dubovyk等人，2011年；Guzman等人，2022年）
| 海拔** | 从ALOS PALSAR RTC（JAXA/METI 2011）获取的数字高程模型。 |
| 坡度** | 从数字高程模型（JAXA/METI 2011）衍生出的。
| 土地覆盖** | 使用3.2节“数据准备和LULC制图”和3.3节“驱动因素和约束”中描述的方法，从RapidEye（Planet，RapidEye 2024）和PlanetScope（Planet，PlanetScope 2024）卫星图像生成。

**受限区域**
根据Mocoa的土地利用计划（Acuerdo 028 de 2008），我们提取了以下子类的受限区域：特殊保护区、绝对保护区和环境保护区。其他研究在模拟未来城市扩张时也使用了公园、河流和水体作为约束条件（Ezimand等人，2024年）。

**3.3.1. 与基础设施和服务的接近程度**
道路网络被认为是城市增长的关键驱动因素，特别是对于非正式定居点，因为它增加了获取其他服务的机会。根据图5中呈现的工作流程，我们应用深度学习像素分类方法对历史航拍照片进行处理，生成了多时相参考道路数据集。该数据集被处理以得出距离道路的变量，并根据国家和市级记录将其分类为主要、次要和三级类别。此外，我们还包括了代表距离其他基本服务（教育、司法和体育设施）的变量，这些服务在全球南方城市的增长情景研究中被认为是相关的驱动因素（Badmos等人，2019年；Hurtado-Moreno等人，2025年）。

**下载：** 下载高分辨率图像（312KB）
**下载：** 下载全尺寸图像

**图5. 从历史航拍照片数据集生成多时相参考道路数据集的工作流程。**

**3.3.2. 环境和物理因素**
使用ALOS PALSAR RTC的海拔数据生成了数字高程模型（DEM）和坡度，这对于理解地形适宜性至关重要。我们还包括了距离小溪和河流的距离，因为研究表明非正式定居点经常出现在水体附近，以满足官方公共服务之外的用水需求。

**3.3.3. 基础层和城市背景**
通过深度学习像素分类生成的多时相土地覆盖图（如第3.2节所述）作为基准条件。这些图包括一个土地覆盖状态变量（每个单元格的当前状态）和距离城市边界的距离，反映了非正式增长倾向于聚集在现有城市中心和就业机会附近的趋势。

**3.3.4. 空间约束**
为了确保模型遵守现有的土地利用法规和环境保护规定，我们纳入了受限区域。这些区域是从Mocoa的当前土地利用计划中提取的，包括环境保护区和绝对保护区等区域。这种方法与其他使用保护区来约束未来城市扩张模拟的研究一致。

**3.4. CA模型配置和比较**
本研究实施了三种元胞自动机（CA）框架：地理自动机工具（GAT）、QGIS中的MOLUSCE插件以及TerrSet中的土地变化模型器（LCM），以预测城市增长并比较不同的模型结构。CA-Markov方法广泛用于模拟不同城市环境中的复杂时空土地利用演变（Ezimand等人，2024年；Fu等人，2022年；Rahnama，2021年；Mallick等人，2021年）。人工神经网络（ANN），特别是多层感知器（MLP）架构，因其能够捕捉空间驱动因素与土地覆盖变化之间的非线性关系而被广泛用于估计土地利用变化的潜力。先前的研究表明，基于ANN的方法在表示复杂的城市增长过程方面可以胜过传统的统计模型，特别是在非正式定居点等异质环境中（Tepe和Safikhani，2023年）。这种多模型设计支持对优势和劣势的比较评估，以及对预测不确定性的更好理解。这些模型在概念上是一致的，如图6所示。

**下载：** 下载高分辨率图像（76KB）
**下载：** 下载全尺寸图像

**图6. “假设”情景的模拟。**
选择这三种框架是因为它们代表了在现有GIS环境中可自由获取或开源实现的基于CA的土地利用变化建模。LCM和MOLUSCE在土地利用变化和城市增长建模中得到广泛应用（Eastman，2020年；NEXTGIS 2025年），并结合了机器学习方法进行潜在转换的估计。GAT作为一个较新的实现，允许在ArcGIS Pro工作流程中灵活指定空间规则（van Duynhoven和Dragi?evi?，2024年）。这些模型共同使得不同转换规则制定和空间分配方法的比较成为可能，这对于模拟非正式定居点扩张的异质性和非线性动态非常重要。其他方法，包括基于代理的模型或商业平台（如Metronamica），可能提供额外的功能，但超出了本研究的范围。

**每个框架的核心过程**
每个框架的核心过程包括使用第3.3节中详细说明的一组空间驱动因素，对两个时间点之间的历史土地覆盖变化模式进行模型训练。训练有素的模型学会了控制城市增长的转换规则，然后用于模拟未来的土地覆盖图。下面简要描述了每个框架的具体实现。

**3.4.1. 机器学习模型的数据准备**
为机器学习驱动的模型准备数据的一个关键步骤是构建一个平衡的训练数据集，以解决未变化单元格数量众多与实际转变为城市区域的单元格数量较少的不平衡问题。为了平衡持续单元格和转变单元格之间的类别不平衡，在训练期间（2010-2013年）随机抽取了相等数量的持续单元格，与新转变的建成区单元格数量相匹配，确保变化样本和非变化样本之间的比例为1:1。

**3.4.2. 地理自动机工具（GAT）工作流程**
地理自动机工具（GAT）是ArcGIS Pro的一个插件，提供了一个在单个GIS环境中实现元胞自动机（CA）模型的通用框架（van Duynhoven和Dragi?evi?，2024年）。在这项研究中，使用高级元胞自动机模型来模拟多类土地覆盖变化。该过程从使用邻域定义工具和转换规则指定工具进行模型参数化开始。这些规则结合了邻域组成和驱动因素及约束来指导模拟。特别是对于城市增长情景，模型利用了由机器学习模型单独生成的转换潜力图来指导分配和数量规则。对于“假设”反事实情景，为每种可能的、照常发展的土地覆盖转换（例如，“森林”到“非正式”，“低植被”到“建成区”）创建了单独的适宜性地图。每个地图是通过从AutoML输出中分离出符合特定“从-到”条件的单元格的预测置信分数来生成的。被认为在非灾难增长情景中不可行的转换（如去城市化）被排除在模拟之外，以模拟现实的、未受干扰的发展轨迹。

**3.4.3. MOLUSCE（土地利用变化评估模块）插件工作流程**
MOLUSCE插件是QGIS的一个开源工具，使用CA来模拟和预测LULC变化。我们使用了插件集成的多层感知器-人工神经网络（MLP-ANN）算法（NEXTGIS 2025）。MOLUSCE中的CA-ANN模型被认为是预测未来LULC以进行土地使用规划和管理的可靠工具（Kamaraj和Rangarajan，2022年）。该模型在训练期间使用LULC数据进行了训练，以确定变化模式并生成转换矩阵，然后用于模拟未来的LULC图。

**3.4.4. 土地变化模型器（LCM）工作流程**
LCM是TerrSet软件中的一个模块，是一个广泛用于分析和预测LULC动态的地理空间工具（Eastman，2020年）。它作为一个混合模型运行，使用转换潜力图和转换概率矩阵来预测LULC模式。LCM的工作流程通常包括四个关键步骤：LULC变化评估、转换潜力建模、LULC变化预测和模型验证（Jalayer等人，2022年）。在这项研究中，我们使用五个不同的子模型来捕捉主要的变化过程：正式增长、非正式增长、定居点升级、森林砍伐/退化和自然再生。对于转换潜力建模，使用了多层感知器（MLP）神经网络，而马尔可夫链模型用于确定转换的概率。这些组件随后在多目标土地分配（MOLA）模块中结合在一起进行最终模拟。

**3.5. 模型校准和验证**
选择2010-2016年作为校准期，以代表灾前的城市动态。2010年对应于研究区域内最早可用的高分辨率卫星图像，适合映射非正式定居点的扩张，而2016年代表2017年泥石流事件之前的最新灾前卫星观测。2017年之后的观测数据未用于校准，因为灾难本身扰乱了反事实模型旨在模拟的生长轨迹。因此，包括灾后数据会将灾难引起的转换引入旨在表示无灾难发展路径的模型中。虽然没有通过敏感性分析系统地评估其他灾前时间窗口，但两阶段验证设计直接比较了在2010-2013年和2010-2016年之间训练的模型，提供了扩展窗口对于表示非正式定居点动态的必要性的实证证据。

使用两阶段验证策略评估了三种CA框架的性能，以测试在不同历史增长表示下的预测稳健性。在两个阶段中，模型都使用观测到的土地覆盖变化进行了校准，并通过模拟2016年的土地覆盖图来进行评估，然后将其与2016年的参考数据集进行比较。
- **第1阶段（增量增长校准）**：使用2010-2013年期间训练模型，代表逐渐的灾前城市发展。
- **第2阶段（扩展校准）**：使用2010-2016年期间训练模型，该期间包括了2017年灾难之前观察到的自发非正式定居点扩张阶段（Camacho等人，2025年）。这种设计使得可以直接比较模型对校准数据的时间代表性的敏感性，并支持选择最可靠的框架来生成反事实情景。两种校准配置都预测相同的目标年份（2016年），从而可以将性能差异归因于训练数据的时间代表性，而不是预测范围的差异。

模型性能使用全局和类别特定的准确性指标进行评估。整体地图一致性使用（1）总体准确性、（2）Cohen’s Kappa系数和（3）FoM进行评估，这些指标在土地利用变化模拟研究中常见（Kamaraj和Rangarajan，2022年）。OA和Kappa量化了整体地图一致性，而FoM评估了土地覆盖变化的空间分配。

**（1）总体准确性 = TP + TN / (TP + TN + FP + FN)**
**（2）K = Po ? Pe / (1 ? Pe)**
**（3）FoM = HH + M + F**

鉴于主要研究目标是表示非正式定居点动态，额外的验证集中在为“非正式建成区”类别计算的类别特定指标上。这些指标包括：（4）精确度、（5）召回率、（6）F1分数和（7）交并比（IoU）。这些措施评估了模型正确识别新出现非正式定居点位置和范围的能力，这些定居点通常由空间异质性和非线性过程形成。(4)精确度 = 真正例 + 假正例 (5)召回率 = 真正例 + 假负例 (6)F1分数 = 精确度 × 召回率 + (精确度 + 召回率) × 2 (7)IoU = 真正例 + 假正例 + 假负例其中 TP、FP、TN 和 FN 分别代表真正例、假正例、真正例和假负例；N 表示评估的像素总数；PO 是观察到的一致性，Pe 是偶然情况下的一致性。对于所有验证，都采用了均衡分层空间采样方法，以确保对罕见转变的平衡表示，特别是非正式定居点的出现。FoM 是在变化图（变化与持续性）上计算的，而 IoU 是专门为“非正式建筑”类别计算的。这些验证阶段的结果在第 4.1.3.6 节中呈现和比较。

在验证之后，选择了在全局一致性指标（OA、Kappa、FoM）和“非正式建筑”类别的特定类别性能指标（精确度、召回率、F1分数、IoU）上综合表现最强的建模框架来生成反事实情景。所选框架使用扩展的校准配置（2010-2016）进行校准，该配置最能代表研究区域灾前的城市扩张过程。然后使用经过验证的模型在假设“无灾害”的情况下模拟 2021 年的土地覆盖情况。选择 2021 年作为最终模拟年份，因为这是研究区域最新的高分辨率影像数据。反事实模拟假设 2017 年之前的发展轨迹连续性，保持相同的驱动因素、约束和转换规则，同时排除了灾害引起的土地覆盖变化。这种方法使得可以直接比较观察到的灾后情况（“实际发生的情况”）和模拟的未受干扰的轨迹（“如果发生的情况”）。

4. 结果
本节介绍了“如果发生的情况”框架的结果，从城市增长模型的验证开始，最终对 2017 年灾害的净空间影响进行了定量评估。作为这些模型输入的土地利用/土地覆盖（LULC）地图是使用 U-Net 深度学习架构生成的。U-Net-ResNet50 模型展示了强大的分类性能，在不同类型的影像上实现了高准确率（RapidEye 为 0.874，HAP 为 0.918，PlanetScope 为 0.811），为后续模拟提供了稳定可靠的基础。

4.1. 模型验证和性能
验证结果显示，根据校准时期的不同，预测性能存在显著差异。仅在增量增长模式（2010-2013）上训练的模型在再现 2016 年观察到的非正式定居点的空间配置方面表现有限。相比之下，当在校准中包含自发增长阶段（2010-2016）时，性能显著提高。全局一致性指标在表 3 中呈现，而“非正式建筑”类别的特定类别性能在表 4 中总结。

表 3. 模型配置的全球验证指标（2016 年模拟）
模型 软件 训练时期
OAK QGIS 2010-2013 0.53 0.43 0.34
MOLUSCE QGIS 2010-2013 0.63 0.56 0.33
GATA ArcGIS Pro 2010-2013 0.59 0.50 0.28
LCM TerrSet 2010-2013 0.75 0.70 0.61
GATA ArcGIS Pro 2010-2016 0.81 0.74 0.73
LCM TerrSet 2010-2016 0.84 0.80 0.27

表 4. “非正式建筑”类别的特定类别性能指标（2016 年模拟）
模型 软件 训练时期 精确度 召回率 F1分数 IoU
MOLUSCE QGIS 2010-2013 93.99% 54.17% 69.73% 52.35%
GATA ArcGIS Pro 2010-2013 95.72% 76.95% 85.32% 74.40%
LCM TerrSet 2010-2013 96.27% 58.89% 73.08% 57.58%
MOLUSCE QGIS 2010-2016 98.07% 84.89% 91.00% 83.49%
GATA ArcGIS Pro 2010-2016 96.92% 81.12% 88.32% 79.08%
LCM TerrSet 2010-2016 97.12% 91.72% 94.34% 89.29%

在基线配置（2010-2013）下，全局一致性保持中等水平，OA 在 0.532 到 0.633 之间，Kappa 在 0.439 到 0.560 之间，FoM 在 0.280 到 0.340 之间。虽然 OA 和 Kappa 表明整体一致性适中，但较低的 FoM 值表明在实际上发生土地覆盖变化的区域空间一致性有限。使用扩展的 2010-2016 数据集重新训练后，所有框架的整体一致性都有所提高。OA 增加到 0.757 到 0.840 之间，Kappa 上升到 0.708 到 0.808 之间。FoM 也显著提高（MOLUSCE 为 0.617，GAT 为 0.732），表明变化的空间分配有所改善。尽管 LCM 实现了最高的 OA（0.840）和 Kappa（0.808），但其 FoM 仍然相对较低（0.276），反映了整体地图一致性和变化检测性能之间的差异。这种差异反映了每个框架在所有土地覆盖类别之间分配变化的方式不同。FoM 集合了所有转换的一致性，而本研究的主要关注点是准确表示非正式定居点的扩张。

如表 4 所示，LCM 在“非正式建筑”类别上表现最强，表明较低的 FoM 值并不一定意味着对所研究的具体变化过程的性能较弱。由于 FoM 综合了所有转换的一致性，当主要研究兴趣在于特定少数类别时，它可能会低估性能。这个扩展的校准期包括了灾前观察到的自发非正式扩张阶段。然而，增长的幅度表明，准确表示偶发增长动态对于可靠的城市模拟至关重要。由于主要研究关注非正式定居点的动态，因此使用为“非正式建筑”类别计算的特定类别指标（精确度、召回率、F1分数和 IoU）进行了额外的验证。验证采用了均衡分层空间采样方法，以确保对罕见转变的平衡表示。

在基线配置下，召回率明显低于精确度，特别是对于 MOLUSCE（54.17%）和 LCM（58.89%）。这表明仅在增量历史模式上训练的模型未能识别出 2016 年观察到的大量自发非正式定居点的出现。图 7 可视化了这些差异，显示了基线模拟遗漏的实际非正式增长的大面积区域。

在 2010-2016 数据集上重新训练后，所有框架的特定类别性能显著提高。LCM 实现了最高的召回率（91.72%）、F1分数（94.34%）和 IoU（89.29%），表明其在识别非正式定居点增长的空间足迹方面具有更强的能力。总体而言，验证结果表明，预测性能在很大程度上取决于训练期间是否包含代表性的增长阶段。仅基于渐进趋势训练的模型低估了研究区域观察到的偶发或冲击驱动的扩张过程。模型选择优先考虑准确识别非正式定居点的动态，而不是仅仅最大化全球变化一致性。

4.2. 反事实情景
使用在 2010-2016 年期间训练的经过验证的 LCM 模型，以“无灾害”假设为基础，使用 2016 年的 LULC 地图模拟到 2021 年的城市增长。图 8 展示了模拟的反事实情景（“如果发生的情况”）与观察到的 2021 年土地覆盖（“实际发生的情况”）之间的空间比较。地图突出了关键差异，显示了非正式定居点本会继续扩展到现在的危险区域的区域，与实际被灾害破坏的景观形成对比。空间差异集中在城郊走廊和溪流相邻的区域，反映了历史上在 2017 年之前塑造非正式扩张的可访问性-危险性权衡。

反事实模拟显示了与 2017 年之前的增长轨迹一致的持续非正式扩张。相比之下，观察到的景观反映了与泥石流影响和灾后重新安置过程相关的突然土地转换。比较不仅捕捉到了灾害的直接物理后果，还捕捉到了正在进行的城市发展轨迹的中断。最显著的分歧出现在东部城郊走廊，根据反事实情景，非正式定居点本会扩展到溪流相邻的危险区域。

4.3. 定量影响评估（“如果发生的情况” vs. “实际发生的情况”）
我们量化了观察到的 2021 年情景与反事实情景之间的差异，以评估灾害的净假设影响（表 5）。尽管报告了所有土地覆盖类别以确保会计完整性，但解释主要集中在建筑转变上，这些转变代表了研究的核心过程。

表 5. 定量土地覆盖差异
土地覆盖类别 “实际发生的情况” 2021 [公顷] “如果发生的情况” 2021 [公顷] 净差异 [公顷] 影响描述
森林 92.42 89.9 2.51 如果没有灾害引发的政策调控，灾前的森林砍伐趋势会继续
低植被 35.67 26.7 8.8 如果没有灾害，低植被面积会增加
裸露土地 38.54 41.8 -3.26 裸露土地面积减少
正式建筑 20.50 27.4 -6.9 灾害扰乱了现有的无序扩张趋势
河流土地 5.60 5.1 0.44 由于灾害，河床/碎屑区域扩大
非正式建筑 1.64 3.32 -1.68 由于破坏和重新安置，净损失

尽管报告了多个土地覆盖类别以确保完整性，但解释主要集中在建筑动态上。反事实情景表明，如果没有灾害，到 2021 年非正式定居点将额外扩张 1.68 公顷。这种差异不仅代表了直接损失，还代表了在 2017 年之前的增长条件下持续暴露的中断。灾害改变了非正式发展的数量和空间配置。

5. 讨论
本研究的结果提供了关于灾害破坏力的关键见解，以及反事实建模对主动城市规划、可持续发展和弹性灾害风险减少的价值。研究结果不仅揭示了 2017 年莫科阿灾害的直接物理影响，还揭示了其对城市发展轨迹的深刻破坏。以下部分解释了情景结果，讨论了面对未来不确定性的城市规划的更广泛影响，并分析了方法论的优势和局限性。

5.1. 情景结果的解释
初步模型未能预测 2013 年至 2016 年之间非正式定居点的出现是一个重要发现。它提供了定量证据，表明非正式增长是一个非线性过程，通常由社会经济冲击或政策变化驱动，这些在历史土地利用趋势中并未体现。这突显了依赖简单外推的传统规划模型的局限性，并强调了需要更加动态、具有情境意识的方法。当在 2010-2016 数据上训练时，所有三个模型的召回率显著增加（表 4 对比表 3），这提供了包含自发增长阶段对于创建可靠预测工具至关重要的定量证明。

最终的“如果发生的情况”情景超越了简单的损害评估，讲述了一个更复杂的故事。通过将观察到的灾后现实与模拟的反事实情景进行比较，我们可以衡量双重后果。一方面，灾害直接造成了灾难性的破坏。另一方面，它无意中阻止了向高危险区域的非正式增长的加速趋势。“如果发生的情况”情景中预测的 1.68 公顷新非正式增长代表了不作为的潜在成本的切实可量化的衡量标准，相当于减少了 38%的暴露风险。非正式定居点的扩张率从每年 3.2 公顷（反事实）下降到每年 2.4 公顷（观察）。这些指标首次提供了基于证据的工具，展示了由于缺乏积极的土地使用政策和治理而逐年累积的巨大风险。这与 Jaafari、Mafi-Gholami 和 Choubin（Jaafari 等人，2025 年）的研究结果一致，他们强调了分析长期时空趋势和未来预测的重要性，以捕捉风险的发展轨迹，而不是依赖静态的城市脆弱性评估。这使得持续、不受控制的增长的“无形”威胁变得可见和可衡量。

该框架的一个关键见解是其能够揭示灾害引起的变化与典型城市增长的根本不同性质。我们的“如果发生的情况”模型有意仅模拟合理的、以增长为导向的转变。然而，与 2021 年观察到的现实相比，灾害迫使景观发生了不可想象的转变，例如将已建立的“建筑”和“非正式”区域转换为“河流土地”和“裸露土地”。这突显了该框架的价值：它不仅量化了直接损失，还展示了灾害如何剧烈地破坏和改写城市演变的逻辑规则。

5.2. 跨模型性能分析
本研究的一个主要发现是训练时期对模型准确性的关键影响，特别是在模拟罕见或偶发事件（如自发城市化）时。最初在 2010-2013 数据上训练的模型（表 4）一致显示出较低的召回率，表明它们无法捕捉到训练数据中不存在的过程。当在 2010-2016 数据上重新训练时，所有模型的性能显著提高（表 4），定量证实了包含这种自发增长阶段对于创建可靠预测工具的重要性。虽然所有三个框架在训练更具代表性的 2010-2016 数据时都显示出显著改进，但 LCM 模型最终实现了最高的性能。这可能归因于其混合建模结构。LCM 使用 MLP 进行转换潜力建模，使其能够捕捉驱动因素和变化之间的复杂非线性关系，而多目标土地分配（MOLA）引擎为同时解决不同土地使用转换之间的竞争提供了强大的框架。这种组合似乎特别有效地平衡了莫科阿景观中非正式、正式和生态变化的竞争压力，从而实现了与其他模型相比更准确的空间变化分配。这一决定得到了其优越的定量性能的支持；它实现了最高的整体准确性（F1分数和 IoU）以及最重要的最高召回率（91.72%）。这表明LCM在精确度方面提供了最有效的平衡，并且在识别所研究的关键变化过程方面最为成功。此外，LCM的子模型框架具有高度的可解释性，使得变化的理论驱动因素与模型架构之间建立了透明的联系。这种顶级准确性与模型透明性的结合使其成为本研究中最为稳健和有说服力的选择。

5.3 对城市规划和灾害风险降低的启示
“如果……会怎样”的框架实现了从被动规划向主动规划的转变。通过提供量化“不作为的潜在成本”的工具，它从根本上改变了灾害风险降低（DRR）的政治和经济计算方式。规划者和政策制定者可以利用这种分析方法，为预防性投资提供有力的、基于证据的论据。鉴于Mocoa面临的新且强大的城市变化驱动力，这种前瞻性能力尤为重要。2024年下半年，由于拥有对绿色能源转型至关重要的铜和钼矿藏，Mocoa再次成为全国关注的焦点。2023年7月31日，哥伦比亚一家高等法院废除了一项禁止采矿的市政协议，声称只有国家政府才能对地下资源做出决定。随后，在2025年6月9日，地区环境机构CORPOAMAZONIA划定了一个环境保护区，旨在阻止该地区的高影响项目，并推动国家矿业局（ANM）取消已发放的采矿许可证（Sanabria-Devia, 2025）。这引发了激烈的地方辩论，一些市民担心会对生物多样性丰富的地区造成生态影响，而另一些人则欢迎就业机会和经济发展的前景（Noriega, 2025）。如果这样一个规模的采矿项目开始实施，无疑会成为新的移民磁石，并引发类似南美洲其他采矿城镇所观察到的非正式城市扩张浪潮（Alegría and Dovey, 2022）。然而，要适应这种增长，需要从根本上改变治理方式。正如Azunre等人（Azunre et al., 2021）所论证的那样，有效的韧性策略必须超越搬迁或消除非正式定居点的政策，而是要认识到它们在快速城市化中的不可避免作用，并将其纳入正式规划议程，以确保安全和可持续的发展。这正是传统、基于过去的规划模型无法预见的“未来颠覆”。然而，“如果……会怎样”的框架非常适合应对这一挑战。规划者可以利用它来模拟基于矿山潜在位置和规模的不同情景，预测新的非正式定居点可能出现的位置。这将使他们能够主动规划基础设施，指定更安全的扩展区域，并在增长变得难以管理之前实施相关政策，从而打破脆弱性形成的循环。这种反事实分析可以用于做出基于风险的决策，证明减灾投资的合理性，并通过提供量化“不作为的潜在成本”的工具，促进更加前瞻性和主动性的城市规划方法。这与Sahay（Sahay, 2025）提出的经济评估框架相一致，该框架强调关于成本效益和避免成本的坚实证据对于将适应策略纳入城市规划至关重要。“如果……会怎样”的框架从根本上改变了灾害风险降低（DRR）的政治计算方式。规划者可以利用这种分析为预防性投资提供有力的、基于证据的论据。他们可以展示持续无计划增长的危险轨迹以及通过及时干预所避免的可量化风险，而不仅仅是抽象的好处。尽管本研究关注的是泥石流事件，但同样的框架也可以应用于其他突发性灾害，如洪水或滑坡，前提是相关驱动因素、约束条件和干扰机制在情景设计中得到体现。虽然不同灾害的干扰机制有所不同，但通过调整情景设计中的驱动因素、约束条件和干扰规则，相同的建模结构可以表示洪水、滑坡或沿海灾害。

5.4 局限性和未来研究方向
应承认几个局限性和未来研究的方向。正如Samper（2023）所描述的，当试图理解非正式定居点的空间配置和增长时，在“传统上未被绘制”的地方寻找历史航空照片是“具有挑战性的”，因为这些社区的可用资源通常有限。未来的研究还应包括定性方法，如实地研究和现场访谈，以更好地了解这些城市区域的社会演变过程（Samper, 2023）。虽然我们的模型量化了脆弱性的空间模式，但它无法捕捉到这种脆弱性的实际体验。需要结合定性方法的未来研究来理解驱动定居模式的社会过程和家庭层面的决策。这样的工作将是对我们宏观尺度分析的重要补充，有助于我们更深入地理解政治生态学视角所识别的导致灾害风险的具体政治经济驱动因素。该框架的可转移性取决于区分其结构性成分和特定于情境的成分。整体建模架构整合了土地利用覆盖（LULC）制图、元胞自动机模拟和反事实情景设计，具有普遍性；观察、校准和情景构建的分离意味着该方法可以在不同研究区域之间进行方法上的迁移。然而，驱动因素、空间约束、校准数据集和转换假设必须根据当地的地理、社会经济和灾害条件进行调整；在更广泛的区域尺度上，可能需要更粗糙的空间分辨率和简化的驱动因素集。反事实结果应被视为合理的替代路径，而不是精确预测。主要的不确定性来源包括模型结构、输入数据和分类准确性、驱动因素选择、参数化，以及假设2017年之前的增长轨迹会在没有灾害的情况下继续。多模型设计在一定程度上缓解了模型特定的偏差，尽管未来的工作可以结合正式的不确定性量化或集成方法来进一步评估模型的稳健性。此外，模型的预测结果取决于所包含的驱动因素。Mocoa潜在采矿项目的出现完美地突显了这一点。这项研究的下一个逻辑步骤是将这一新的经济驱动因素纳入“如果……会怎样”的框架中，以模拟矿山未来的空间影响，并为当地规划者提供所需的行动预见性，以管理这种变革。

6. 结论
本研究引入并实施了“如果……会怎样”的框架，这是一种基于情景的反事实建模方法，结合了深度学习和元胞自动机来分析灾害如何改变城市发展轨迹。将其应用于哥伦比亚的Mocoa后，该框架表明，灾害干预不仅减轻了即时损失，还重塑了长期的城市发展轨迹。通过模拟实际观察到的和假设的“如果没有灾害”的情景，我们量化了它们之间的空间差异，将其解释为不作为的潜在成本。结果显示，灾害区域的暴露减少了38%，非正式扩张率显著下降，说明了主动规划的实际益处。通过量化社会政治过程的空间结果，“如果……会怎样”的框架提供了一种实证工具，用于调查和解决脆弱性的根本原因，超越了单纯的描述，支持设计更加公平、公正和有韧性的城市发展策略。从方法论上讲，将概率反事实推理整合到空间模拟中代表了城市韧性研究的重大进步。从概念上讲，它将重点从被动恢复转向了前瞻性治理，其中决策是根据它们预防的风险而不是记录的损失来评估的。未来的工作应增加时间深度，纳入社会脆弱性指标，并将空间动态与避免影响的经济评估联系起来。将该框架扩展到其他城市和灾害情境将进一步测试其可转移性，并加强其作为面向韧性的城市规划的实际决策支持工具的作用。通过使避免风险的空间后果可见，该框架为规划者和决策者提供了基于证据的工具，以预测脆弱性的形成并指导快速城市化地区的主动土地使用治理。

cRediT作者贡献声明：
Ricardo Camacho：撰写——原始草稿、可视化、验证、软件、方法论、调查、数据整理、概念化。
Jagannath Aryal：撰写——审阅与编辑、监督、方法论、概念化。
Abbas Rajabifard：撰写——审阅与编辑、监督。