在SSP-RCP情景下进行洪水风险预测和优先管理区域识别：以北京-天津-河北地区为例的贝叶斯网络方法

《Sustainable Cities and Society》：Flood risk prediction and priority management area identification under SSP-RCP scenarios: A Bayesian Network Approach in the Beijing–Tianjin–Hebei Region

　　

王德云|朱文凯|张潞丹

中国地质大学经济管理学院，武汉430074，中国

摘要

随着气候变化和城市化的加速，城市洪水发生得更加频繁，对城市安全和可持续发展构成了严重威胁。以京津冀地区作为研究区域，本研究构建了一种城市洪水风险评估模型，该模型在共享社会经济路径（SSPs）和代表性浓度路径（RCPs）的框架内结合了云模型模糊离散化和贝叶斯网络。通过整合包括降水、地形、水文和社会经济因素在内的多源数据，该模型模拟了2030年、2040年和2050年在三种情景（SSP1-2.6、SSP2-4.5和SSP5-8.5）下的洪水风险空间分布，并确定了未来的关键优先管理区域。结果显示，在基准期内，高洪水风险区域主要分布在北京、天津以及河北中部和南部平原。敏感性分析表明，土地覆盖、归一化差异指数（NDVI）和极端降雨是影响洪水风险的关键因素。未来预测表明，洪水风险总体上将增加，且空间异质性更为明显，特别是在SSP5-8.5情景下，高风险和极高风险区域的比例从21.97%增加到30.60%。洪水风险的空间中心整体向东南方向移动，在北京、天津和石家庄形成了连续的高风险带。洪水优先管理区域主要集中在人口密集和快速城市化的地区。这些发现为适应气候的洪水管理和空间差异化的风险治理提供了科学依据，有助于京津冀地区发展具有韧性和可持续性的城市系统。

引言

随着城市化的加速和极端天气事件的增加，城市越来越容易受到自然灾害的影响，尤其是暴雨洪水。由强降雨引发的城市洪水已成为全球日益关注的问题，导致了巨大的经济损失、人员伤亡以及城市基础设施和基本服务的中断（Devitt等人，2023年；Mühlhofer等人，2024年）。在过去十年中，中国因洪水灾害造成的年均直接经济损失约为2245亿元人民币（中国水利部，2025年）。在高密度城市群中，紧凑的空间结构、复杂的社会经济环境以及持续的气候变暖共同加剧了洪水的暴露和脆弱性（Alabbad等人，2023年）。例如，2021年7月，德国西部经历了广泛的极端降雨，引发了全流域的洪水，造成189人死亡，并造成了约330亿欧元的经济损失，包括住宅建筑和公共基础设施的破坏（Thieken等人，2023年）。同样，2019年4月，中国深圳遭遇了一场百年一遇的暴雨，导致广泛洪水，造成11人死亡和严重的经济损失（Li等人，2023年）。

作为典型的城市灾害，暴雨洪水是由多种自然和社会经济因素之间的复杂相互作用引起的（Zhu等人，2025年）。其发生频率和风险水平不仅受降水和河流分布等水文和气候因素的影响，还受到社会和经济因素的影响（Vestby等人，2024年）。气候变化进一步加剧了这些不确定性，使得预测洪水风险的未来演变变得越来越困难（Wang等人，2026年）。政府间气候变化专门委员会（IPCC）第六次评估报告（AR6）的第一工作组（WGI）的报告提供了更有力的证据，证实了全球变暖的趋势（Masson-Delmotte等人，2021年）。该报告还指出，由人类活动驱动的气候变化大大增加了全球极端天气事件的频率，如强降水（Zhang等人，2025a；Li等人，2022年）。第二工作组报告强调，气候变化加剧了复合风险，增加了极端事件的频率和强度（Calvin等人，2023年）。在这种情况下，系统地识别城市洪水风险的空间异质性并科学地预测其未来演变成为加强城市灾害预防和实现区域可持续发展的关键任务。

为了解决洪水形成机制的复杂性和影响因素的多样性，已经开发了多种洪水风险评估方法，包括基于历史数据的方法、指标系统方法和情景模拟方法（Lyu等人，2020年）。基于历史数据的方法计算相对简单，但严重依赖于长期和高质量的观测记录（Dong等人，2022年）。指标系统方法是该领域应用最广泛的技术之一，但其指标选择和权重仍然存在很大的主观性和不确定性（Lyu等人，2023年）。情景模拟模型基于明确的物理机制，但由于计算复杂性的限制，其在大范围空间中的应用往往受到限制（Taniguchi等人，2022年）。随着遥感和地理信息系统（GIS）的进步，洪水风险识别和空间分析的能力得到了极大的提升。机器学习的引入进一步改进了多源异构数据的融合，从而在复杂的洪水情景下提高了建模的准确性和可靠性（Lyu & Yin，2023年）。在这些方法中，贝叶斯网络作为一种代表性的概率图模型，可以通过条件概率推理来表征洪水事件的不确定性以及多个变量之间的非线性依赖关系，并已广泛应用于灾害风险分析（Liu等人，2022年；Zwirglmaier & Garschagen，2024年）。然而，现有的研究主要集中在历史或静态情景上，而对未来多情景下洪水风险的变化关注不足。

京津冀（BTH）地区作为中国北部的一个人口密集的城市群，在气候变化和快速城市化的共同影响下，对极端降水事件特别敏感（Wang等人，2024b；Zhao等人，2024年）。然而，现有的研究主要集中在个别城市或历史时期的洪水风险评估上，很少有研究系统地在多情景框架下分析未来的洪水风险。特别是，尚未充分探讨SSP-RCP路径下洪水风险的演变与差异化的城市管理或适应策略之间的联系。

基于此背景，本研究以BTH地区为研究区域，将SSP-RCP情景框架与贝叶斯网络模型相结合，量化多种情景下的未来洪水风险，从而通过在城市群规模上将情景风险预测与优先管理识别联系起来，推进了现有知识。具体来说，采用基于云模型的模糊离散化方法来优化连续变量的状态划分，从而提高了输入数据的合理性并增强了模型的稳定性。然后构建了一个基于贝叶斯网络的框架进行城市洪水风险评估。随后，在SSP1-2.6、SSP2-4.5和SSP5-8.5三种情景下模拟了2030年、2040年和2050年的洪水风险分布。最后，根据未来风险的空间时间演变确定了优先管理区域，并提出了相应的防洪和适应策略，以指导洪水管理规划。

部分摘录

研究区域

京津冀（BTH）地区，也被称为中国首都经济圈，位于中国北部，面积约为218,000平方公里（图1a）。BTH地区具有温带季风气候，年降水量约为500毫米，主要集中在夏季。该地区从西北向东南呈地形梯度下降，结合明显的季节性特征，形成了多样化的植被和土地覆盖模式。

基于CM的输入数据离散化

在本研究中，GDP密度和人口密度表现出高度偏态分布。因此，使用等频法对GDP和POP进行离散化，以确保各类别之间的样本分布更加均衡。对于其他连续变量，保留了自然断点方案。根据这些断点，每个连续变量被划分为五个离散区间，分别对应“非常低”、“低”、“中等”、“高”和“非常高”三个水平。

洪水风险的空间分布

BTH地区的洪水风险呈现出从城市中心向周边农村地区递减的空间模式。高风险区域主要集中在北京、天津和石家庄等高度城市化的地区，沿主要城市走廊形成了连续的带状集群。城市核心地区的洪水风险对植被覆盖、地形汇聚条件和经济活动强度更为敏感。

结论

以BTH地区为研究区域，本研究基于贝叶斯网络（BN）开发了一个城市洪水风险评估框架，并模拟了2030年、2040年和2050年在多种SSP-RCP情景下的区域洪水风险的时空演变，从而确定了未来的优先管理区域。主要结论如下：

(1)

模型构建和验证表明，所提出的BN模型有效整合了多源数据，准确表征了不确定性和非线性

数据可用性

数据可根据要求提供。

作者贡献

所有作者都对研究的构思和设计做出了贡献。材料准备、数据收集和分析由朱文凯、王德云和张潞丹完成。手稿的初稿由朱文凯撰写，所有作者都对手稿的先前版本进行了评论。所有作者都阅读并批准了最终版本的手稿。

CRediT作者贡献声明

王德云：验证、监督、方法论、资金获取。朱文凯：写作 – 审稿与编辑、写作 – 原始草稿、可视化、验证、软件、方法论、正式分析、数据管理。张潞丹：验证、监督、方法论。

利益冲突声明

作者声明他们没有已知的可能会影响本手稿报告工作的竞争性财务利益或个人关系。

致谢

本工作得到了国家自然科学基金（项目编号：72274186）的资助。