利用基于GIS的频率比方法和层次分析法优化洪水易发性制图：以泰国为例

《Journal of Hydrology: Regional Studies》：Optimizing flood susceptibility mapping using GIS-based frequency ratio and analytic hierarchy process: A case study in Thailand

　　楠塔蓬·乌萨德（Nanthaporn Usaard）、帕努维特·布南（Panuwit Boonnan）、杰达萨达蓬·农布德斯里（Jedsadaporn Nonbudsri）、孔桑·基里旺瓦塔纳（Komsan Kiriwongwattana）、索帕·坎塞（Sopa Cansee）
泰国玛哈萨拉堪大学（Mahasarakham University）人文与社会科学学院地理系，坎塔拉维查伊（Kantarawichai），玛哈萨拉堪44150

**摘要**
**研究区域**
泰国东北部的乌汶拉差他尼省（Ubon Ratchathani Province）位于蒙河-奇河-湄公河下游流域（Mun–Chi–Lower Mekong River system）内，该地区极易受到季风引发的洪水侵袭。

**研究重点**
本研究采用基于地理信息系统的比较框架，结合频率比（Frequency Ratio, FR）、相对频率比（Relative Frequency Ratio, RFR）和层次分析法（Analytic Hierarchy Process, AHP）来评估全省的洪水易发性。研究分析了九个影响因素，包括海拔高度、降雨量、坡度、土壤排水性、土地利用类型、溪流密度、道路密度以及与溪流和道路的接近程度。模型性能通过接收者操作特征曲线（Receiver Operating Characteristic, ROC）和曲线下面积（Area Under the Curve, AUC）指标进行评估。

**新的水文见解**
层次分析法（AHP）显示出最高的预测能力（AUC = 0.87），其次是相对频率比（RFR，AUC = 0.82）和频率比（FR，AUC = 0.78）。降雨量、海拔高度和与溪流的距离被确定为影响洪水易感性的主要因素，而土地利用类型和道路密度的影响较小。与频率比（FR）和相对频率比（RFR）产生的较为分散的结果相比，AHP模型生成了更加连贯的高风险区域分布。这些结果为洪水减灾优先级排序、基础设施规划以及省级灾害风险管理提供了空间上的明确依据。这种结合数据驱动和专家判断的方法具有很强的普适性，可应用于湄公河流域其他受季风影响的流域，有助于制定长期的水文适应策略。

**1. 引言**
洪水是全球最具破坏性和反复发生的自然灾害之一，对人类生活、基础设施、农业和生态系统造成严重影响（Ghosh等人，2023年；国家地理学会，2023年）。其频率和强度的增加归因于气候变化、土地利用变化以及快速发展地区的水文变化（Muis等人，2015年；Syldon等人，2024年）。洪水的形成是多种因素复杂相互作用的结果，包括极端降水、风暴变化、低洼的洪泛区、广阔的流域以及城市化、农业扩张和森林砍伐等人为压力（Boulomytis等人，2022a年；Tayyab等人，2024年；Waiyasusri等人，2023年）。全球每年有数百万人受到影响，经济损失达数十亿美元，直接阻碍了实现气候适应性和可持续发展目标的进程（联合国，2023年；世界银行，2023年；世界资源研究所，2020年）。泰国作为东南亚一个以季风为主的国家，几乎每年都会发生严重的洪水。最新统计数据显示，在最近几个洪水季节中，有约474万莱（7584平方公里）的土地被淹没（Hydroinformatics Institute，2023年）。乌汶拉差他尼省位于蒙河流域下游，直接受到蒙河-奇河-湄公河系统水文动态的影响，是受灾最严重的省份之一。该省的地形特征（低海拔、广阔的冲积平原和密集的河流网络）加上强烈的季风降雨和快速的城市扩张，使其极易受灾（Waiyasuri等人，2021年；Chao-Amonphat等人，2024年）。2023年的灾难性洪水导致水位超过11.5米，影响了超过18,000户家庭，凸显了该省亟需改进洪水管理（皇家灌溉部，2012年）。

地理信息系统（GIS）已成为洪水风险评估不可或缺的工具，因为它们能够整合多源数据、分析复杂的空间关系并生成高分辨率的洪水易发性地图（Hamlat等人，2021年；Souissi等人，2020年）。基于GIS的建模技术取得了最新进展，引入了结合统计方法、启发式方法和多标准决策制定的强大框架，以提高预测能力和空间精度（Chen，2022年）。其中，频率比（FR）、相对频率比（RFR）和层次分析法（AHP）因易于解释、实施简便和预测性能强而在亚洲的洪水易感性研究中得到广泛应用（Shivhare等人，2024年；Suppawimut，2021年；Ullah和Zhang，2020年；Hossain和Mumu，2024年）。

频率比（FR）是一种数据驱动的双变量模型，用于量化历史洪水事件与影响因素之间的统计关系（Panging等人，2025年）。相对频率比（RFR）通过标准化频率比来改进因子贡献的比较分析，并减少多因素环境中的偏差（Suppawimut，2021年）。层次分析法（AHP）是一种基于知识的技术，通过成对比较生成结构化的权重方案，用于多标准评估（Saaty，2008年；Baykal等人，2023年）。这些方法各有优势：FR和RFR捕捉洪水数据集中的经验关系，而AHP则结合专家权重方案来弥补数据量或质量的不足。尽管FR、RFR和AHP被广泛使用，但很少有研究同时将这三种方法应用于泰国东北部这种具有水文复杂性的地区，并结合最近的AHP-MCDA进展（Hossain和Mumu，2024年）。此外，该地区的先前研究通常依赖于单年的洪水数据或有限的影響因素集，可能无法反映长期的水文变化或土地利用模式的累积影响（Syldon等人，2024年；Suppawimut，2021年；Hossain，2015年；Hossain和Paul，2017年）。在乌汶拉差他尼省这样的地区，解决这些问题至关重要，因为多年的反复洪水事件反映了气候驱动因素、地貌特征和人类活动之间的动态相互作用。本研究通过在一个统一的GIS平台上整合FR、RFR和AHP，使用全面的多年（2013–2023年）洪水数据及针对乌汶拉差他尼地区特点的九个关键洪水影响参数，为该方法论的进步和区域创新做出了贡献。同时比较这三种方法，可以严格评估它们在高风险季风流域中的预测能力、敏感性和空间一致性——这是泰国东北部之前尚未研究过的方面。研究目标包括：（1）使用FR、RFR和AHP生成并比较乌汶拉差他尼省的洪水易发性地图；（2）利用接收者操作特征曲线（ROC）和曲线下面积（AUC）指标评估每种模型的预测准确性；（3）识别并解释控制洪水易感性的主要环境和人为因素。这些发现为灾害管理机构和政策制定者提供了实用的价值，提供了空间明确、经过验证的洪水易发性地图，以支持风险缓解、规划和应急准备。

**2. 研究区域**
乌汶拉差他尼省位于泰国东北部，面积约为15,744平方公里，人口超过180万（泰国国家统计局，2023年）。由于该省位于蒙河和奇河的交汇处，受季风降雨引起的季节性流量变化影响，因此极易发生洪水（图1）。地形以低洼的冲积平原为主，海拔高度在110至250米之间，其间散布着河岸带和农业用地（自然资源与环境政策与规划办公室，ONEP，2022年）。气候类型为热带稀树草原，5月至10月为雨季，年降雨量平均为1600–1800毫米，11月至4月为旱季（泰国气象部门，2024年）。这种气候模式加上大规模水稻种植等土地利用方式（限制了自然水分吸收）和快速的城市扩张（加剧了排水系统的压力），增加了该省的洪水脆弱性（Waiyasuri等人，2021年；Tsumita等人，2025年）。历史上，乌汶拉差他尼省经常发生洪水，尤其是蒙河流域（Prabnakorn等人，2021年）。最近的极端降雨和上游水坝放水进一步加剧了洪水的严重性，2023年的洪水尤为严重（Hydroinformatics Institute，2023年；Nuntatikul，2023年）。

**3. 方法论**
本研究采用多步骤方法，结合GIS和三种分析模型（FR、RFR和AHP）来绘制乌汶拉差他尼省的洪水易发性地图。方法框架如图2所示，包括四个关键阶段：（1）数据收集；（2）空间数据处理；（3）洪水易发性模型应用；（4）模型验证和性能评估。

**3.1. 洪水影响参数的选择**
选择洪水影响参数是开发可靠洪水易发性模型的关键步骤，因为这些因素直接影响控制洪水生成和传播的水文过程。本研究采用了综合方法，参考了亚洲各地洪水易感性研究的成果（Hossain，2015年；Hossain和Paul，2017年；Khosravi等人，2016年；Saha和Agrawal，2020年；Swain等人，2020年；Natarajan等人，2021年；Zzaman等人，2021年；Rana等人，2023年；Uddin和Shrestha，2011年），并结合了当地政府和社区的专家意见及实地知识。这一综合过程确保所选参数既具有理论相关性，又符合蒙河-奇河-湄公河洪泛区的实际洪水行为。根据同行评审文献中的水文重要性和使用频率，选择了九个对乌汶拉差他尼省影响最大的因素：海拔高度（EL）、降雨量（RF）、坡度（SL）、土壤排水性（SD）、溪流密度（SRD）、土地利用类型（LU）、道路密度（RD）、与溪流的距离（DS）以及与道路的距离（DR）。这些因素在季风主导的环境中与洪水发生有密切关联（Ouma和Tateishi，2014年；Suppawimut，2021年；Shivhare等人，2024年；Panging等人，2025年）。

海拔高度和坡度是决定地表径流方向和速度的基本地貌控制因素。低洼的洪泛区和缓坡地区通常具有较高的洪水易感性，因为排水能力较低且积水时间较长；而陡坡则有利于快速径流，洪水风险较低（Rana等人，2023年；Yilmaz，2022年）。降雨强度是热带流域洪水生成的主要驱动因素，极端季风降水直接导致地表径流、河流溢出和流域饱和（Hossain和Mumu，2024年；Osman和Das，2023年）。最近基于形态测量的洪水风险研究也表明，地形相关变量（如排水密度、溪流频率、地形特征和流域形态）在控制径流集中和洪水生成过程中起着关键作用（Aldarwish等人，2026年）。这些证据进一步支持在基于GIS的洪水易感性模型中纳入海拔高度、坡度和溪流相关因素的必要性，强调了它们在受季风影响的洪泛区中的物理相关性。

土壤排水特性影响渗透能力和地下水流。排水不良的粘土土壤会导致地表积水，增加洪水风险，而排水良好的土壤则增强渗透性，减少径流（Swain等人，2020年）。溪流密度和溪流距离反映了景观的水文连通性。靠近溪流或河流网络密集的区域在季风期间更容易发生河流洪水（Uddin和Shrestha，2011年）。土地利用是决定洪水易感性的关键人为因素。城市或建筑区的不透水表面会阻碍渗透并增加径流，而农业用地和森林的渗透能力取决于植被覆盖和土壤扰动情况（Phakonkham等人，2021年）。道路相关因素（包括道路密度和与道路的接近程度）也被纳入考虑，因为它们具有双重影响：道路会阻碍自然水流路径，造成局部积水，同时由于表面硬化也会集中径流（Shah和Shah，2023年；Rendana等人，2025年）。这九个参数的结合反映了该地区控制洪水行为的地貌、水文和人为特征，符合全球广泛接受的洪水易感性建模实践（Sarwar等人，2024年；Shuaibu等人，2022年；Ward等人，2021年）。

**3.2. 数据准备和处理**
最初研究了十四个常用于水文和地貌研究的洪水影响变量，从中选出了九个与季风驱动流域洪水行为相关的关键参数：海拔高度（EL）、降雨量（RF）、坡度（SL）、土壤排水性（SD）、土地利用类型（LU）、道路密度（RD）、溪流密度（SRD）、与溪流的距离（DS）以及与道路的距离（DR）。所有数据来自权威的地理空间来源，包括NASA、CHIRPS、GISTDA和LDD。为确保空间一致性，所有图层均投影到WGS84/UTM Zone 48N并重采样为统一的30×30米分辨率。预处理包括将矢量数据集栅格化、DEM平滑处理、水文校正、重采样、裁剪到研究边界，以及使用ArcGIS Pro 3.2和QGIS 3.34进行主题重新分类。DEM用于计算坡度、曲率、排水密度和流量累积。长期降水量是根据平均CHIRPS降雨数据（2010–2023年）生成的。通过欧几里得距离和核密度估计方法处理河流和道路网络，以获得DS、DR、RD和SRD图层。根据与渗透和径流动态相关的水文行为对土地利用和土壤排水图层进行了重新分类。分析中使用的所有数据集在表1中进行了总结。数据采集、预处理和模型整合的完整工作流程在补充图S1中展示，而九个条件因素的空间分布显示在补充图S2（a–i）中。每个因素使用自然断裂或相关水文阈值被重新分类为五个易感性等级。FR、RFR和AHP方法的等级定义、易感性评分和最终模型权重在表2中呈现。

表1. 用于洪水易感性制图的数据集。
| 序号 | 数据描述 | 目的 | 年份/时间覆盖范围 | 来源 | 分辨率/比例尺 |
| ---- | -------- | -------- | -------- | -------- |
| 1 | CHIRPS降雨数据（栅格） | 表面径流估算；降雨分布准备；洪水条件降雨因素 | 2010–2023年 | Climate Hazards Group | 0.05°（约5公里）重采样至30米 |
| 2 | SRTM DEM（栅格） | 海拔、坡度、地形、河流提取、流域划分 | 2023年（获取）；原始SRTM 2000年 | NASA航天飞机雷达地形任务（SRTM） | 30米 |
| 3 | 土地利用/土地覆盖（多边形→栅格） | 土地利用分类；水文响应；渗透/径流估算 | 2022年 | 泰国土地开发部（LDD） | 1:50,000（转换为30米栅格） |
| 4 | 土壤排水/土壤特性（多边形→栅格） | 土壤质地、排水等级、水文土壤组；渗透评估 | 2022年 | 泰国土地开发部（LDD） | 1:25,000（转换为30米栅格） |
| 5 | 河流网络（多边线→栅格） | 河流密度、到河流的欧几里得距离（DS）、水文连通性 | 2023年 | 泰国土地开发部（LDD） | 1:50,000；栅格化至30米 |
| 6 | 道路网络（多边线→栅格） | 道路密度分析；距道路的距离（DR）；人为洪水修正因素 | 2023年 | 泰国土地开发部（LDD）和OpenStreetMap | 1:50,000 / 0.3米图像（栅格化至30米） |
| 7 | 历史洪水区域（多边形） | 洪水清单数据创建；验证（ROC，AUC）；训练和测试点 | 2013–2023年 | 泰国土空间信息技术与发展局（GISTDA） | 1:25,000 |
| 8 | 派生水文层（基于DEM） | 坡度、曲率、排水密度、河流密度、流量累积 | 使用SRTM DEM在研究中派生 | 在ArcGIS Pro和QGIS中处理 | 30米 |

表2. 洪水易感性标准、等级评分和权重。
| 洪水成因标准 | 单位 | 等级（自然断裂/分位数） | 易感性等级范围 | 等级评分 | 权重（%） |
| ---- | ---- | ---- | ---- | ---- | ---- |
| 海拔（EL） | 米 | 93–154 | 1 | 154–221 | 2 | 2 |
| 1 | 122–337 | 3 | 3 | 37–495 | 4 | 9 |
| 5 | 495–757 | 7 | 5 | 7 | 非常高 |
| 降雨（RF） | 毫米/年 | 1248–1436 | 1 | 1436–1569 | 1 | 6 |
| 1569–1686 | 1 | 1686–1786 | 1 | 7 | 非常低 |
| 1786–1986 | 1 | 12 | 3 | 4 | 5 | 3 |
| 坡度（SL） | % | 0–1.4 | 9 | 1.49–3.1 | 6 | 3 |
| 3 | 3.1–5.4 | 1 | 5.4–9.0 | 9 | 9 | 9 |
| 9 | 9–22.5 | 4 | 5 | 4 | 3 | 2 |
| 土壤排水（SD） | 等级 | 非常差 | 差 | 中等 | 好 | 非常好 |
| 5 | 4 | 3 | 2 | 1 | 18.8 | 2 |
| 道路密度（RD） | 千米/平方公里 | 0–0.17 | 0.17–0.3 | 1 | 0.3 |
| 0.3–0.4 | 8 | 0.4–0.7 | 6 | 0.7 | 6 | 2 |
| 0.7–2.0 | 2 | 2 | 9 | 2 | 9 | 非常低 |
| 1 | 2 | 9 | 2 | 9 | 2 | 非常低 |
| 河流密度（SRD） | 千米/平方公里 | 0–0.17 | 0.17–0.3 | 1 | 0.3 |
| 0.3–0.4 | 8 | 0.4–0.7 | 6 | 0.7 | 6 | 2 |
| 0.7–2.0 | 2 | 2 | 9 | 2 | 非常低 |
| 1 | 2 | 9 | 2 | 9 | 非常低 |
| 距河流距离（DS） | 米 | 0–120 | 1 | 120–240 | 2 | 4 |
| 2 | 240–360 | 3 | 3 | 6 | 4 |
| 3 | 60–480 | 4 | 8 | 0–600 | 4 | 8 |
| 4 | 80–600 | 5 | 5 | 0 | 1050 | 5 |
| 5 | 1050–1400 | 5 | 1 | 1400–1750 | 5 | 1 |
| 5 | 1400–1750 | 5 | 3 | 2 | 3 | 非常低 |
| 距道路距离（DR） | 米 | 0–350 | 1 | 350–700 | 7 | 0 |
| 7 | 700–1050 | 5 | 1 | 1050–1400 | 5 | 1 |
| 5 | 1400–1750 | 5 | 3 | 2 | 3 | 非常低 |
| 3 | 2 | 3 | 2 | 1 | 1.8 | 2 |
| 土壤排水（SD） | 等级 | 非常差 | 差 | 中等 | 好 | 非常好 |
| 5 | 4 | 3 | 2 | 1 | 16.2 | 2 |
| 道路密度（RD） | 千米/平方公里 | 0–0.17 | 0.17–0.3 | 1 | 0.3 |
| 0.3–0.4 | 8 | 0.4–0.7 | 6 | 0.7 | 6 | 2 |
| 0.7–2.0 | 2 | 2 | 9 | 2 | 非常高 |
| 1 | 2 | 9 | 2 | 9 | 2 | 非常高 |
| 土地利用（LU） | 等级 | 水体 | 农业 | 森林 | 建筑区 | 其他 | 非常高 | 中等 | 低 | 高 | 低 |
| 5 | 3 | 2 | 4 | 2 | 1.8 | 2 |

3.2.2. 洪水清单
编制了全面的洪水清单以支持模型校准和验证。将GISTDA（2013–2023年）的历史洪水范围多边形与经过验证的当地洪水记录相结合，生成了不同水文年份洪水的稳健空间表示。洪水区域被转换为点特征，以确保空间采样均匀。共生成了500个样本点，包括250个洪水点和250个非洪水点，以保持类别平衡并避免模型训练和验证中的偏差。洪水点直接来自历史洪水清单多边形，而非洪水点则从研究期间未记录洪水发生的区域随机采样。为了提高空间代表性，样本点分布在整个研究区域内，涵盖了不同的海拔、土地利用类型和靠近河流网络的情况。这种方法确保了Mun–Chi–Mekong洪泛区的洪水和非洪水条件的充分表示。尽管采用了随机抽样，但通过将点分布在多个子区域而不是集中在局部区域来尽量减少空间聚类效应，从而提高了ROC–AUC评估的稳健性。其中，350个点（70%）用于模型训练，150个点（30%）用于模型测试。重新分类的易感性地图被转换为二值层，其中等级1–2代表非洪水区域，等级3–5代表洪水区域。通过将二值地图与训练和测试数据集叠加生成了成功率曲线（SRC）和预测率曲线（PRC）。模型准确性使用IBM SPSS Statistics中的ROC曲线和AUC统计进行评估。AUC值超过0.80表示预测性能强，符合易感性建模的最佳实践。

3.3. 权重方法
使用了三种权重方法——FR、RFR和AHP——来量化环境和基础设施因素在洪水易感性评估中的相对重要性。这些方法结合了数据驱动和专家观点，使得对影响洪水的参数有更全面的解释。每种方法都有其独特的优势和局限性，并系统地应用以确保方法论的稳健性。

3.3.1. 频率比（FR）
FR是一种广泛使用的双变量统计方法，用于测量观测到的洪水发生与各个条件因素类别之间的相关性（Panging等人，2025年；Cao等人，2016年）。由于其简单性、透明度和低计算要求，FR经常用于洪水（Panging等人，2025年）、滑坡（Aziz等人，2024年）和地下水危害研究（Anand和Pradhan，2023年）。FR通过观测到的洪水像素数量与预期像素数量的比率来评估每个因素类别对历史洪水事件的贡献程度（Khosravi等人，2016年）。
每个因素j的类别i的FR使用公式（1）计算：
(1) FR = Npixxj,i / Npixxj
其中Npixxj,i是受洪水影响的区域内因素j的类别i的像素数量；Npixxj是因素x的类别j的总像素数量。然后根据公式（2）计算洪水危险易感性指数（FSI）：
(2) FSI = ∑j=1n ∑i=1k FRij
其中k是因素j内的类别数量，n是因素的总数。较高的FR值（>1）表示因素与洪水发生之间的较强正相关，而FR值<1表示较弱或负相关（Duangpiboon等人，2018年）。
此外，表示模型预测能力的预测率（PR）使用公式（3）计算：
(3) PR = (maxRF ? minRF) / min(maxRF ? minRF)
其中maxRF表示FR获得的最高值，minRF表示最低值。min(maxRF ? minRF)是所有值中的最小值（Ramkar和Yadav，2021年）。FR的计算和制图在Microsoft Excel和ArcGIS Pro中完成。尽管FR有效，但它依赖于历史洪水数据，因此容易受到数据不完整、报告不足或空间偏差的影响（Shivhare等人，2024年）。因此，仔细的验证和高质量的洪水清单对于可靠的应用至关重要。

3.3.2. 相对频率比（RFR）
RFR是FR方法的扩展，它将所有因素类别的FR值标准化，生成可以直接整合到加权叠加模型中的比例权重（Suppawimut，2021年）。通过将原始FR值转换为相对贡献，RFR改善了因素之间的平衡并减少了尺度引起的偏差，特别是在多因素模型中（Kazemi等人，2024年）。RFR使用公式（4）计算：
(4) RFRij = FRij / Σj=1n ∑i=1k FRij
其中RFRij是因素j的类别i的频率比，n是因素的总数，k是每个因素内的类别数量。这种标准化确保所有RFR值之和为1，允许在不同变量类型之间进行公平比较。尽管RFR有其优势，但它也继承了FR的局限性，因为它依赖于历史洪水数据的准确性和代表性（Yilmaz，2022年）。此外，像FR一样，它没有考虑因素重要性的空间异质性（Usman Kaoje等人，2021年）。RFR值在Microsoft Excel中计算，并在ArcGIS Pro中用作标准化权重以生成易感性地图。

3.3.3. 分析层次过程（AHP）
AHP是一种多标准决策方法，它应用结构化的成对比较来推导因素之间的重要性权重（Saaty，1977年）。AHP因其能够结合专家知识、当地情况和定性见解而受到重视，非常适合在异质景观中进行洪水易感性评估（Baykal等人，2023年；Dandapat和Panda，2017年；Darwish，2023年）。专家评估基于实地观察和关键文献（Narendr等人，2022年；Ouma和Tateishi，2014年；Shahiri Tabarestani和Afzalimehr，2022年）。成对比较生成一个从1（同等重要性）到9（强支配）评分的判断矩阵。使用Saaty的一致性指数（CI）评估成对判断的一致性，公式（5）：
(5) CI = (λmax ? n)^(n?1)
其中λmax是判断矩阵的最大特征值，使用公式（6）计算：
(6) λmax = ∑i=1n (CV)ini
其中n是标准数量，CV是一致性向量。然后使用公式（7）计算CR：
(7) CR = CI / (RI)
其中RI是Saaty（1977年）提供的随机指数（补充表S1），基于标准数量。CR值低于0.10表示判断矩阵的一致性可接受（Saaty，2008年）。在本研究中，计算出的CR满足这一标准，证实了基于专家的权重过程的可靠性。

表3展示了成对比较矩阵和从AHP程序得出的相应标准化特征向量值（优先权重）。这些特征值代表每个条件因素的相对重要性，并随后转换为百分比权重，如表2所示，以便于解释和比较。结果表明，降雨是最有影响力的因素（0.316；31.6%），其次是海拔（0.188；18.8%）和坡度（0.182；18.2%）。相比之下，土地利用（0.018；1.8%）和道路密度（0.029；2.9%）的贡献较小，反映了它们对洪水易感性的局部和情境依赖性。计算出的权重在内部是一致的，因为特征向量值之和为一，并且直接对应于表2中的标准化百分比权重。CR值低于可接受的0.10阈值，证实了成对比较矩阵的逻辑一致性和可靠性。

补充图S3可视化了所有九个因素的特征值贡献，显示了水文和地形变量——特别是降雨、海拔和坡度——的主导地位，而人为因素的贡献较为温和。补充表S2提供了FR、RFR和AHP的方法论优势和局限性的比较总结，展示了它们的互补优势。FR在计算上简单，但依赖于完整的洪水数据（Panging等人，2025年；Shivhare等人，2024年）。RFR改善了变量之间的平衡，但继承了FR的数据局限性（Suppawimut，2021年；Yilmaz，2022年）。AHP结合了专家知识和发展一致性检查，但可能引入主观性并需要更多的处理时间（Rahman等人，2019年；Usman Kaoje等人，2021年）。这些方法共同提供了一个稳健的洪水易感性制图框架。

3.4. 模型实施
在ArcGIS Pro中使用Weighted Overlay和Raster Calculator工具整合了FR、RFR和AHP权重。生成了易感性地图，并将其分为五个等级：非常首先描述了九个条件因素的空间行为及其与十年洪水清单的对应关系，然后使用ROC/AUC指标为每种方法生成并评估了易感性地图。降雨量、海拔高度和距离溪流的距离一致性地被确定为影响洪水发生的主要控制因素，而土地利用和与道路相关的因素则具有更局部的影响。该部分还指出了模型不确定性的关键来源，包括数据分辨率、因素分类和潜在的模型假设。

4.1 洪水风险因素的空间分析
对洪水条件因素的空间评估突出了塑造乌汶拉差他尼省洪水易感性的主要变量。海拔高度、降雨量、坡度、土壤排水性、土地利用、水文邻近性、溪流密度、道路密度以及距离道路的距离共同构成了高风险和低风险区域的分布（表4）。海拔高度范围从93米到757米，其中低于200米的地区形成了广阔的低洼平原，在强降雨期间会积聚地表水并反复被淹没。这些低海拔区域约占该省面积的32%，与历史上被洪水淹没的地区高度吻合（Rahman等人，2019年）。来自10年CHIRPS数据集的降雨量每年在1509至3196毫米之间，其中接收超过2500毫米降雨量的区域主要集中在东南部，占研究区域的27%，并与记录的洪水事件有很强的对应关系（Cao等人，2016年）。

表4. FR、RFR和PR分析的结果及FR参数值
| 因素 | 类别范围 | 组别 | 研究区域（%） | 洪水区域（%） | FR方法 | RFR方法 | FRRF |
|--------------|------------|-----------|---------|------------|-------------|------------|
| 海拔高度（米） | 93–154 | 57.6 | 99.4 | 0.038 | 0.990 | 4.69 |
| 降雨量（毫米） | 1508.9–1846.4 | 312.5 | 44.56 | 0.038 | 0.408 | 1.665 |
| 坡度（毫米） | 0–3.47 | 55.9 | 76.9 | 0.030 | 0.212 | 13.47 |
| 土壤排水性 | very good | 145.4 | 41.3 | 0.020 | 0.127 | 2.07 |
| 土壤排水性 | good | 12.7 | 22.1 | 0.039 | 0.243 | 19.5 |
| 道路密度（公里/平方公里） | 0–1.1 | 152.3 | 51.7 | 0.022 | 0.240 | 1.407 |
| 溪流密度（公里/平方公里） | 0–45.0 | 194.7 | 100 | 0.023 | 14.78 | 54.5 |
| 距离溪流（米） | 0–120 | 186 | 37.6 | 83.9 | 0.790 | 328 |
| 距离道路（米） | 0–236 | 97 | 39.8 | 84.7 | 18.6 | 89.3 |
| 距离道路（米） | 0–236 | 97 | 39.8 | 84.7 | 18.6 | 89.3 |
| 距离道路（米） | 0–236 | 97 | 39.8 | 84.7 | 18.6 | 89.3 |

坡度对径流行为有显著影响。缓坡（<3°）占据了大部分洪泛区景观，约占研究区域的40%。这些地区的重力流减少，水体滞留增加，因此更容易被淹没。相比之下，陡坡（>15°）仅占该省的18%，由于径流加速，洪水潜力显著降低（Shivhare等人，2024年）。土壤排水模式进一步强化了洪水的空间动态。排水不良的土壤主要集中在农业低地和洪泛区，占总面积的37%，通过限制渗透能力显著提高了洪水风险（Shahiri Tabarestani和Afzalimehr，2022年）。

土地利用分布也影响了洪水行为。建成区以不透水表面和有限的渗透性为特征，占该省的14%，对应于局部高风险区域。农业用地占52%，在排水不良的地区表现出较高的脆弱性。相比之下，森林覆盖区域占18%，有助于自然减轻洪水影响，在易感性分类中表现为较低风险区域（Ouma和Tateishi，2014年）。

水文邻近性在洪水暴露中起着核心作用。距离主要溪流1公里以内的区域占研究区域的21%，由于直接连接到河道溢流和地表水积聚，表现出最高的洪水易感性。距离溪流超过3公里后，洪水暴露逐渐减少。高溪流密度区域（>150公里/平方公里）主要集中在该省的中部和东南部，占面积的16%，与频繁发生的洪水热点区域一致（Ghosh等人，2023年）。

综合的空间模式突显了该省洪水风险的多因素性质，低海拔、高降雨量、缓坡、排水不良的土壤、靠近溪流以及密集的水文网络成为主要控制因素。FR、RFR和PR的详细定量结果在补充表S3中提供。这些空间洞察为易感性建模和有针对性的洪水风险缓解策略提供了坚实的基础。

4.2 洪水易感性制图
使用FR、RFR和AHP方法绘制了乌汶拉差他尼省的洪水易感性地图，每种方法将景观分为五个易感性等级：非常低、低、中等、高和非常高（图4a-c）。

这些模型共同提供了对空间洪水风险模式的全面理解，并突出了地质物理和人为因素对易感性的影响。基于FR的地图（图4a）显示了历史洪水事件与条件变量之间的明确统计关联。大约21.5%的省份属于非常高的易感性等级，集中在低洼的洪泛区和直接靠近主要溪流的地区。高易感性区域占19.3%，分布在排水不良的农业区和地形起伏有限的地区。这些空间模式强调了海拔高度、靠近溪流和土壤排水性的综合效应，与类似环境中的早期水文分析一致（Khosravi等人，2016年）。由于其数据驱动的性质，FR方法有效地识别出了具有历史持续洪水特征的区域。

基于RFR的地图（图4b）通过标准化因素贡献来改进FR方法，确保了各变量之间影响的更平衡分布。在这种方法下，非常高的易感性区域占研究区域的18.7%，略低于FR模型，反映了标准化后主导变量的调节效应。高易感性区域扩大到20.4%，在洪泛区、道路网络密集的城市走廊以及靠近溪流的低海拔区域更加连续。RFR模型保持了与历史洪水模式的一致性，同时增强了对相对因素差异的敏感性，与其方法论意图一致（Panging等人，2025年）。

基于AHP的地图（图4c）通过条件因素的成对比较整合了专家判断，产生了最广泛的非常高易感性空间覆盖范围，占23.1%。高易感性区域占额外22.5%，分布在市中心、排水不良的密集耕作农业区和广阔的低洼平原。降雨量、土地利用和土壤排水在AHP衍生的权重结构中的重要性反映了专家对水文和地表属性的优先考虑，与类似地区的发现一致（Shivhare等人，2024年，Ouma和Tateishi，2014年）。这使得AHP特别适合捕捉环境变量之间的细微相互作用，超出了纯统计模型的范围。

总体而言，三种易感性地图揭示了一致的高风险区域，特别是在主要溪流走廊、洪泛区和城市中心。FR、RFR和AHP输出之间的差异主要反映了权重策略和建模假设的差异。这些模型的比较评估及其预测性能在4.5节中呈现。

4.3 验证和准确性结果
使用ROC分析和AUC指标对AHP、RFR和FR方法的预测性能进行了验证。AUC统计量反映了模型区分洪水和非洪水地点的能力，接近1.0的值表示更强的预测能力（Cao等人，2016年）。为了确保可靠的评估，历史洪水清单被分为70%的训练数据集（成功率）和30%的测试数据集（预测率）（图5）。AHP方法在三种模型中获得了最高的准确性，成功率为0.87，预测率为0.84（图5a）。这些值强调了AHP整合专家衍生因素权重的能力，使得洪水易感性具有更强的上下文敏感性（Shivhare等人，2024年，Ouma和Tateishi，2014年）。RFR方法通过标准化条件因素的影响，获得了0.82（成功率）和0.79（预测率）的AUC值（图5b）。尽管略低于AHP，但RFR表现出强大的性能，并与实证数据中观察到的空间模式保持一致（Panging等人，2025年）。

FR方法的预测性能最低，成功率为0.78，预测率为0.75（图5）。这一结果反映了该方法在缺乏因素标准化和专家指导的权重时的局限性（Khosravi等人，2016年）。虽然FR对于识别具有强烈历史洪水特征的区域仍然有用，但其简单性限制了其在复杂洪水建模情境中的精确度。成功率和预测率反映了这些AUC模式。AHP产生了最高的成功率（87%）和预测率（84%），其次是RFR，分别为82%和79%。FR的表现最弱，相应的成功率和预测率分别为78%和75%。AHP的优越性能归因于其结构化的分析框架，能够准确优先考虑条件因素。RFR受益于其标准化程序，平衡了全省范围内的因素贡献。相比之下，FR方法依赖于未加权的统计关系，限制了其区分细微洪水易发环境的能力。

总体而言，验证结果确认AHP是该研究区域中最可靠的洪水易感性映射模型，特别是在需要专家知识的场合。RFR方法提供了一个稳健的数据驱动替代方案，而FR方法虽然应用广泛，但在多变量洪水评估中的适应性有限。这些发现强调了方法选择在洪水风险分析中的重要性，并展示了结合专家判断与实证建模技术以提高准确性和可靠性的优势（Kazemi等人，2024年，Rahman等人，2019年）。

4.4 敏感性分析
进行了敏感性分析，通过检查排除单个变量后模型准确性的变化来评估每个条件因素的相对影响。这种方法提供了关于水文、地形和地表特征在塑造洪水易感性方面的相对重要性的见解。如补充表S3和补充图S4所示：RF和DS成为主要贡献者，而与道路相关的因素影响相对较小。

排除RF导致模型性能的最大下降，强调了降水在驱动径流生成、渗透和地表水积聚中的核心作用（Rahman等人，2019年，Ouma和Tateishi，2014年）。同样，DS也表现出强烈影响，反映了洪水发生与靠近主要溪流通道之间的密切空间关系（Panging等人，2025年）。SRD也有显著贡献，强调了水文网络结构在调节流量汇聚中的重要性。

地形和土地利用因素（包括SL、SD、LU和EL）表现出中等效应，这与它们在控制径流路径和排水能力中的作用一致（Ghosh等人，2023年，Shivhare等人，2024年）。相比之下，RD和DR的影响相对有限，表明与基础设施相关的因素影响比广泛的水文控制更为局部。

总体而言，结果确认降水和水文邻近性是该研究区域洪水易感性的主要决定因素。与每个因素相关的模型准确性的详细定量变化在补充表S3中提供。

4.5 方法比较性能
本节评估了三种方法——FR、RFR和AHP——在乌汶拉差他尼省洪水易感性制图中的比较性能。易感区域的详细定量分类在补充表S4中提供；易感性的空间分布显示在图6中；模型验证指标总结在表5中。总体而言，所有三种方法一致地识别出低洼洪泛区、农业区和靠近河流网络的洪水易发区域。然而，空间模式和分类范围的差异反映了方法结构和权重策略的差异。

图6. 比较条形图，说明了FR、RFR和AHP模型确定的五个洪水易感性等级（非常低、低、中等、高和非常高）的土地面积百分比分布。

表5. FR、RFR和AHP模型的比较性能
| 指标 | FR | RFR | AHP |
|-----------------|-------------|-------------|-------------|
| FRRF | 0.78 | 0.82 | 0.87 |
| AUC（成功率） | 0.76 | 0.80 | 0.85 |
| 总体准确性（%） | 78.2 | 21.8 | 6.9 |

AHP模型划定了最高和非常高易感性的最广泛范围，反映了其对专家驱动的层次化权重的依赖及其捕捉多因素相互依赖性的能力。这导致了对洪水风险更为谨慎和空间连续的表示，使AHP特别适合战略洪水管理和长期适应规划（Rahman等人，2019年，Ouma和Tateishi，2014年）。相比之下，FR方法强调历史洪水事件与条件因素之间的统计关系，导致更受空间限制和碎片化的易感性模式。虽然这种方法提供了透明和可重复的结果，但可能对多个贡献因素之间的相互作用不太敏感（Khosravi等人，2016年，Panging等人，2025年）。

RFR方法通过标准化因素贡献来改进FR方法，从而实现了更平衡和空间连贯的易感性类别分布。这种方法减少了极端因素值的主导地位，并在纯统计和专家指导的建模框架之间提供了折中（Cao等人，2016年，Shivhare等人，2024年）。验证结果（表5）表明AHP获得了最高的预测性能，其次是RFR和FR。AHP的优越性能归因于其能够结合层次权重和专家知识，从而增强了其对复杂洪水生成过程的适应性。相比之下，FR和RFR仍然严重依赖于历史洪水数据的质量和完整性，这些数据可能无法完全捕捉到最近的土地利用或气候变化（Panging等人，2025年；Suppawimut，2021年）。总体而言，比较分析表明AHP最适合用于战略规划和风险降低，FR适用于经验性灾害识别，而当需要比例权重时，RFR提供了一个平衡的替代方案。这些发现强调了模型选择应与数据可用性、研究目标以及统计严谨性与专家知识之间所需平衡的重要性。此外，结合AHP和FR的混合方法可以通过结合基于专家的权重和经验频率关系来提高预测的可靠性（Darwish，2023年；Kazemi等人，2024年）。

4.6. 不确定性和局限性
尽管FR、RFR和AHP模型在划定乌汶拉差他尼省洪水易发区方面表现令人满意，但一些方法论和数据相关的不确定性可能会影响结果的稳健性。这些不确定性源于数据集的固有特性、模型的基本假设以及研究区域的水文动态。主要限制如下：

4.6.1. 数据相关的不确定性
洪水易发性制图的准确性在很大程度上取决于输入数据集的质量和分辨率。CHIRPS降雨产品虽然广泛用于区域水文评估，但在热带季风地区存在固有的偏差和空间平滑现象，因为强烈的对流降雨可能高度局部化。这种偏差可能会影响降雨-径流关系，从而影响降雨因素的权重。同样，30米SRTM DEM在低洼洪泛区存在大约±10米的垂直不准确性。小尺度的高程变化、堤坝和微地形凹陷未能得到充分表示，这可能会改变推导出的坡度、流量积聚和河流密度图。从土地发展部门获得的地利用和土壤数据集受到其比例尺（1:25,000–1:50,000）及其分类泛化程度的限制。错误分类或过时的类别可能无法反映最近的农业扩张、城市增长或土壤排水特性的变化。
用于模型训练和验证的历史洪水清单来自GISTDA提供的基于多边形的洪水范围图。这些图表仅代表了2013年至2023年之间的主要洪水事件，可能会遗漏较小或局部事件，从而导致时间上的不完整性。洪水边界的遗漏或遗漏可能会影响FR和RFR的计算。

4.6.2. 模型相关的不确定性
本研究中应用的所有三个模型都带有引入不确定性的固有假设。FR和RFR模型假设因素-洪水关系的空间稳定性，并且完全依赖于历史洪水事件。因此，在由于土地利用变化、基础设施发展或水文改变导致洪水模式发生变化的地区，它们的性能可能会受到限制。AHP模型使用专家判断来分配相对权重，从而引入了主观性。尽管一致性比率（CR < 0.10）表明逻辑上是一致的，但专家评估受到个人经验、领域知识和当地认知的影响。成对比较也可能简化了降雨强度、排水密度和土壤渗透能力等因素之间的复杂水文相互作用。

4.6.3. 空间和时间不确定性
洪水易发性制图假设环境条件的相对时间稳定性。然而，东南亚季风地区的水文行为是动态的，受到年际降雨变化、ENSO事件和洪泛区形态人为变化的影响。使用多年降雨气候数据（2010–2023年）可能无法完全捕捉极端降雨年份或短时强风暴，这些因素显著影响洪水生成。同样，30米的空间分辨率无法捕捉到细尺度的排水结构、道路涵洞、城市排水渠道或稻田堤坝，所有这些都会影响水流路径和局部洪水动态。因此，易发性模式代表的是一般化的空间趋势，而不是微观尺度的洪水行为。

4.6.4. 水文因素的局限性和动态过程的排除
所采用的模型是静态的，没有结合水动力过程，如河道流速、河流流量或湄公河的回水效应。因此，洪水易发性是根据条件因素推断出来的，而不是通过模拟洪水传播得出的。此外，关键的水文变量，如土壤湿度、地下水位、河岸高度和城市排水能力无法获得，也无法整合。它们的缺失引入了结构性不确定性，特别是在易发生山洪暴发或河流溢出的地区。

4.6.5. 模型的可转移性和泛化
在乌汶拉差他尼校准的因素-洪水关系可能无法直接转移到泰国的其他省份或邻近的湄公河流域，而无需进行本地重新校准。土地利用的空间异质性、季风降雨强度、土壤组成和河流网络几何形状的差异可能会显著改变模型行为。尽管比较评估提高了方法论的透明度，但FR、RFR和AHP的结果应在研究区域的背景下进行解释。

4.6.6. 对未来工作的启示
未来的研究应整合更高分辨率的DEM（例如基于LiDAR的1–5米）、更新的洪水清单以及动态水文或机器学习模型，以减少不确定性。结合时间序列降雨强度、流量测量和土壤湿度数据将改善洪水生成机制的表示。将机器学习与多标准决策相结合也可以提高预测准确性，同时保持可解释性。

5. 讨论
本讨论在更广泛的水文、社会环境和政策背景下解释了建模结果。比较评估强调了FR、RFR和AHP方法与其他东南亚洪水研究在空间和方法论上的一致性，同时也识别了乌汶拉差他尼地区独特的区域洪水易发性驱动因素。以下小节将探讨这些发现与邻近流域、政策框架以及模型可转移性的关系。

5.1. 与其他东南亚流域的比较
尽管地形、水文和数据可用性存在差异，但东南亚各地的洪水易发性建模研究显示了主导洪水条件因素和方法论性能的一致性模式。如表6所示，最近在泰国、老挝人民民主共和国、柬埔寨和越南进行的研究表明，结合GIS与统计、机器学习或多标准决策方法的方法一致地将降雨、海拔、坡度和距离河流的距离作为洪水风险的最重要驱动因素。这与本研究在乌汶拉差他尼的发现紧密一致，其中AHP赋予降雨、海拔和坡度最高的权重，并实现了最高的预测准确性（AUC = 0.87）。

表6. 东南亚（柬埔寨、老挝人民民主共和国、泰国、越南）使用FR、RFR、AHP及相关方法的洪水易发性制图研究的比较总结

参考文献 | 研究区域/国家 | 使用的方法 | AUC/准确性 | 主要发现
--- | --- | --- | --- | --- |
| Waiyasusri等人（2023） | 泰国Chaiyaphum省Lam Khan Chu流域 | 逻辑回归（LR）分析 | AUC = 0.899（训练）；0.865（测试） | LR模型有效识别高风险区域（约8.6%的极高易发性）；地质和河流频率是强预测因子 |
| Kongmuang等人（2020） | 泰国Muang Sukhothai区 | FR方法与GIS | AUC = 0.888（训练）；0.718（测试） | FR模型生成了准确的城市灾害地图（约88.8%的极高风险区域）；支持当地灾害管理规划 |
| Suppawimut（2021） | 泰国Chiang Mai的San Pa Tong区 | FR、RFR | FR：0.792；RFR：0.885 | RFR的表现明显优于FR；海拔、距离河流的距离和土壤排水是主导因素 |
| Tsumita等人（2025） | 泰国乌汶拉差他尼 | 逻辑回归（LR）；自动编码器多层感知器（AE-MLP） | LR：AUC = 0.860；AE-MLP：AUC = 0.950 | AE-MLP比LR具有更高的预测准确性，更有效地捕捉非线性洪水模式，并识别出更广泛的脆弱区域。结果支持乌汶拉差他尼的城市洪水风险规划改进 |
| Mangkhaseum等人（2024） | 老挝人民民主共和国Nam Ngum河流域 | FR、SVM、ANN、LSTM与开源遥感及GIS | FR的预测性能最高（训练AUROC 1.00；测试AUROC 0.993；准确率0.957；F1分数0.962） | FR将流域的36%–53%区域划分为高度洪水易发区；低海拔下游地区显示出最大的脆弱性。证明开源RS + ML在数据稀缺地区有效支持洪水风险规划 |
| Koem和Tantanee（2021） | 柬埔寨Tonle Sap–湄公河洪泛区 | FR、RS–GIS、加权算术平均 | 未报告 | 基于RS的制图将Tonle Sap和湄公河走廊识别为反复出现的高风险区域 |
| Nguyen等人（2021） | 越南Lam河流域 | AHP方法与GIS | 未报告 | AHP有效划分了洪水危险区域；降雨是主导因素（45%）。生成了四个危险等级。与水文站警报的验证显示了高度一致 |
| 本研究 | 泰国乌汶拉差他尼 | FR、RFR、AHP | AHP：0.87；RFR：0.82；FR：0.78 | AHP显示出最高的准确性，整合了专家判断；RFR提供了平衡的因素权重；FR虽然有用，但与其他方法相比表现较差 |

在下游湄公河流域，基于机器学习的研究——例如Mangkhaseum等人（2024）对Nam Ngum流域的分析——显示出异常高的预测性能（RF：AUROC 0.993），特别是在地形对比强烈且水文测量有限的地区。这些结果反映了在泰国Chaiyaphum流域（Waiyasusri等人，2023）观察到的数据驱动方法的有效性，强调了结合地质、河流频率和排水网络等地貌和水文气象变量的重要性。柬埔寨（Koem和Tantanee，2021）的比较证据进一步强调了基于卫星的指标和遥感数据在捕捉Tonle Sap–湄公河走廊等洪泛区系统长期洪水动态方面的价值。同样，越南Lam河流域的研究（Nguyen等人，2021）证实了降雨（权重45%）在基于AHP的建模中的重要作用，支持了季风驱动地区水文控制的跨流域一致性。与主要依赖于DEM派生的流域形态和排水结构描述符的形态测量AHP基优先级研究（Aldarwish等人，2026）相比，本研究结合了地形驱动和人为洪水驱动因素，从而提供了更广泛和更具过程代表性的洪水控制特征描述。

在这些研究中，AHP和混合AHP–FR方法通过专家指导的权重通常产生更平滑的高风险区域空间聚类，而纯粹的统计模型（如FR或RFR）往往产生更碎片化的模式，更接近历史洪水分布。这一比较趋势与本研究一致，其中AHP将59%的区域分类为高或极高易发性，而FR和RFR产生了更多空间受限的风险集群。

5.2. 政策和规划意义
本研究开发的洪水易发性地图为乌汶拉差他尼省及其邻近跨境地区的政策制定和空间规划提供了宝贵的基础。将经验洪水数据与基于专家的建模相结合，直接支持了泰国的国家水资源总体规划（皇家灌溉部，2012年），该计划优先考虑数据驱动的洪水风险缓解方法。在流域层面，这些发现与湄公河委员会（2010年）关于综合流域管理的目标一致，特别是在早期预警系统、分区和土地使用规范方面。
在省级层面，灾害预防和缓解部门（DDPM）可以直接利用这些易发性地图来支持灾害准备和响应规划。高和极高易发性区域可以优先用于疏散路线规划、紧急避难所分配和季节性风险沟通，特别是在季风高峰期。这些地图还可以帮助DDPM在洪水易发区预先部署紧急资源，以提高响应效率。
对于皇家灌溉部（RID）（2022年），这些地图作为空间决策支持工具，用于识别需要洪水缓解基础设施的关键区域，包括排水改进、运河维护和堤坝加固。特别是，低海拔和靠近河流网络的区域可以优先进行结构性干预和适应性水资源管理规划。从土地使用规划的角度来看，省级规划当局可以通过限制极高易发性区域的高风险开发并将易发性类别纳入分区规定，来促进更可持续的城市扩张，同时减少长期洪水暴露。此外，易发性地图可以作为静态空间风险层，与实时水文监测系统（包括降雨预报、河流测量和基于卫星的洪水检测）相结合。这种综合框架通过将动态洪水信号与空间风险模式联系起来，增强了现有的早期预警系统，使得决策更加有针对性和及时。
总体而言，高和极高易发性区域的识别为多层次治理提供了可操作的指导，支持结构和非结构洪水缓解策略的协调实施。此外，这些空间信息与Lee等人（2024）提出的水-能源-食物（WEF）安全框架一致，该框架强调了水文灾害、农业生产力和能源基础设施之间的跨部门联系。将这些见解纳入政策将使水资源治理策略更具韧性，特别是在气候变率和土地利用压力加剧的情况下。为大昭披耶河流域开发的实时洪水预报系统（Polsomboon等人，2025）提供了一个可适应泰国东北部的操作示例，该系统可以利用本研究的易发性输出。这些方法共同展示了将科学建模、参与式规划和实时水文监测整合到一个统一管理框架中的政策相关性，以实现可持续的洪水韧性。5.3 模型的可转移性和未来前景 本研究开发的方法论框架——结合了频率比（FR）、相对频率比（RFR）和层次分析法（AHP）——在多种水文气候条件下表现出强大的适应性和可扩展性。该框架依赖于全球可获取的数据集，如CHIRPS降雨数据和SRTM数字高程模型（DEM），确保了其在湄公河流域其他数据有限地区的适用性，包括老挝人民民主共和国和柬埔寨的部分地区。AHP模型的表现（AUC = 0.87）凸显了其在流域尺度评估中的实用性，而RFR权重标准化则在不同地形和土地利用条件下提供了平衡性和可比性（Mangkhaseum等人，2024年）。此外，该方法与Nam Ngum流域（Mangkhaseum等人，2024年）和Tonle Sap系统（Koem和Tantanee，2021年）的研究结果一致，验证了该框架的区域可转移性。未来的研究应探索将其与数据驱动的机器学习模型（如随机森林或支持向量机）相结合，以提高预测准确性并自动化空间重新分类。此外，纳入水动力和社会经济参数（包括人口密度和洪水暴露指数）可以提供综合的洪水风险-脆弱性评估。这些进展将有助于将洪水易感性地图整合到湄公河和昭披耶河流域的决策支持系统中，从而加强与区域可持续发展目标相一致的自适应管理策略（Lee等人，2024年）。6. 结论 本研究应用了三种基于GIS的模型——频率比（FR）、相对频率比（RFR）和层次分析法（AHP）——来绘制泰国乌汶拉差他尼府的洪水易感性地图。AHP模型获得了最高的预测准确性（AUC = 0.87），其次是RFR（0.82）和FR（0.78），证实了基于专家权重的方法在区域洪水评估中的可靠性。降雨量、海拔高度和距离河流的距离被确定为最具影响力的条件因素，而土地利用和道路密度的影响较小。这些发现为识别和优先考虑高风险区域进行洪水减灾规划提供了宝贵的空间信息。由于SRTM-DEM的30米分辨率以及CHIRPS降雨数据可能存在偏差，研究仍存在某些局限性。AHP中专家判断的主观性以及FR和RFR对历史洪水记录的依赖也可能影响模型的精确度。未来的研究应将这些方法与水动力或机器学习模型相结合，以提高预测能力，并整合社会经济指标以进行更全面的洪水风险评估。整合的FR-RFR-AHP框架在湄公河和昭披耶河流域类似的水文环境中具有很强的可转移潜力。通过将实证数据与专家知识相结合，该方法支持流域尺度的灾害管理，并有助于实现与湄公河委员会（2010年）和区域水-能源-食物纽带倡议（Lee等人，2024年）一致的可持续水资源治理。CRediT作者贡献声明 Jedsadaporn Nonbudsri：写作——审稿与编辑、可视化、验证、软件、数据管理。Komsan Kiriwongwattana：写作——审稿与编辑、可视化、验证、方法论、正式分析。Nanthaporn Usaard：写作——初稿撰写、调查、资金获取、正式分析、概念化。Panuwit Boonnan：写作——审稿与编辑、验证、资源管理、调查、数据管理。Sopa Cansee：写作——审稿与编辑、验证、监督、正式分析、概念化。资金 本项目得到了玛哈沙拉堪大学的财政支持。