非线性且空间异质性的建成环境因素对城市洪水抵御能力的影响：一种可解释的空间加权机器学习框架

《Sustainable Cities and Society》：Nonlinear and spatially heterogeneous built environment effects on urban flood resilience: An interpretable spatially weighted machine learning framework

　　程坦 | 刘晓阳 | 李志刚
武汉大学城市设计学院，中国武汉430070

**摘要**
在气候变化背景下，城市洪水灾害对可持续发展和城市系统功能构成了严重挑战。因此，理解城市洪水韧性的时空模式和机制至关重要。为了解决模型可解释性和空间异质性问题，本研究开发了一个综合分析框架，该框架涵盖了整个韧性链的动态评估。通过结合熵权重方法和BP神经网络，构建了一个包括韧性、抗性和恢复力的三维系统来评估洪水韧性。进一步开发了一个可解释的地理加权机器学习模型GW-XGBoost-SHAP，以识别建成环境因素的非线性和空间异质性影响。该框架应用于中国广州。研究结果表明，2012年至2022年间，广州的洪水韧性保持了相对稳定的空间分布，中心城区和北部山区形成了双峰分布。总体韧性从0.131增加到0.179，其中恢复力增幅最大，从0.366增加到0.433，凸显了社会经济发展在增强韧性方面的作用。GW-XGBoost-SHAP模型的表现优于其他类似模型，证明了将地理加权机制与机器学习相结合的优势。影响因素的效果在不同时间和空间上存在差异，但土地开发强度、土地利用多样性、应急避难能力和社会脆弱性仍然是关键驱动因素。这些因素表现出明显的非线性阈值效应和空间异质性。本研究建立了一个量化框架，用于评估动态洪水韧性及其空间驱动因素，为土地利用规划、服务设施配置、景观模式优化以及各区域的差异化韧性提升提供了依据，从而有助于制定气候适应性城市洪水管理策略。

**引言**
在全球气候变化加剧和城市化快速推进的背景下，暴雨、洪水和热浪等极端天气事件变得越来越频繁和强烈。这些事件不仅破坏自然生态系统，还对人类社会的可持续发展和经济构成严重威胁（Zhang等人，2024a）。由于地理特征（如显著的季风气候和集中的雨季）以及人口密度高和经济活动密集等人为因素，中国是受极端天气影响最严重的国家之一（Deng等人，2024）。暴雨和洪水的特点是突然发生、频率高且移动性强，使其成为典型的极端天气事件（Zhu等人，2023）。统计数据显示，约70%的中国城市经历过严重洪水，大约三分之一的主要城市仍持续面临洪水挑战（Jiang等人，2018；Luo & Zhang，2022）。例如，2021年郑州的“7.20”暴雨导致339人死亡或失踪，造成直接经济损失409亿元人民币，并严重扰乱了城市的基础设施和公共安全（Zhao等人，2024）。
面对日益加剧的极端天气，构建具有韧性的城市已成为应对全球气候变化不确定性的研究焦点（Ji等人，2024）。韧性一词源自力学，描述系统恢复到初始状态的能力。Holling（1973）将该概念引入生态学，Wong和Brown（2009）随后将其扩展到城市研究，形成了韧性城市理论。随着时间的推移，这一概念从工程韧性发展到生态韧性，最终演变为进化韧性。随着暴雨和洪水等极端天气事件的加剧，韧性城市理论在城市洪水灾害研究中得到了广泛应用（Liao，2012）。Liu等人（2024）将城市洪水韧性定义为城市抵御洪水破坏并进行系统重组的能力。这一定义强调了系统重构的重要性，但忽视了社会系统的脆弱性和长期适应能力。为解决这一差距，de Bruijn等人（2022）强调需要将社会脆弱性纳入洪水风险管理。类似地，Liu等人（2024）认为，城市洪水韧性不仅取决于灾前预防，还取决于灾中应急响应的协调以及灾后恢复和适应，形成了一个全面的生命周期韧性增强方法。
建立科学合理的指标体系对于评估城市洪水韧性至关重要（Deng等人，2024）。从评估维度来看，现有研究通常考察四个关键方面（Cutter等人，2008；Johansen等人，2017；Sun等人，2022）。基础设施维度关注防洪和排水系统的能力（Wang等人，2022b；Ruan等人，2021）；社会经济维度强调以人为中心的灾害响应因素，包括人均可支配收入（Zhu等人，2023）和脆弱人口比例（Yu等人，2023）；生态系统维度强调自然系统的雨水分调节功能，通过绿地覆盖率（Liu等人，2021）和不透水面比例（Fu等人，2024）等指标来衡量；制度保障维度关注雨水和洪水管理政策的有效性，包括社区治理结构和法律框架（Meerow等人，2016）。这些评估框架为评估城市洪水韧性提供了重要工具，但仍存在一些局限性。首先，尽管许多研究通过综合指标体系涵盖了灾前、灾中和灾后阶段，但各阶段的具体能力之间的区别尚不明确。特别是，灾前韧性、灾中抗性和灾后恢复或适应能力很少被看作是相互关联但不同的分析维度。其次，依赖静态指标（如脆弱性和可靠性）难以捕捉韧性的动态演变和城市系统内部的复杂相互作用（Zhou等人，2024a）。因此，本研究采用了一个包含韧性、抗性和恢复力的三维框架，以更好地反映灾前、灾中和灾后阶段，同时强调系统在冲击后的学习和适应能力（Zhang & Shang，2023）。此外，准确确定指标权重也很重要（Zhao等人，2023）。常用的加权方法如层次分析法（AHP）和熵权重法（EWM）（Zhang等人，2021；Jaafari等人，2024）被广泛使用，但它们仍有局限性，包括强烈的主观性或对数据分布的高敏感性。尽管一些研究通过结合这些方法来提高可靠性（Fu等人，2024），但仍面临一个重要挑战：如何在更好地识别城市系统中嵌入的复杂非线性关系的同时保持初始评估的客观性。在此背景下，整合机器学习可能有助于通过数据驱动的动态加权减少偏差，为未来的城市洪水韧性评估提供重要潜力（Herrera-Benavides等人，2024；Zhou等人，2024a）。
分析城市洪水韧性的时空演变对于理解其动态变化机制至关重要。现有研究在探索多尺度空间模式方面取得了显著进展（Kumar等人，2025；Zhu等人，2021）。然而，根据韧性理论（Ostrom，2004），城市系统本质上是动态的。许多研究强调空间模式，但忽略了时间演变，未能捕捉韧性的完整动态变化。随着地理大数据的日益丰富，单一年份分析的局限性逐渐得到解决。这一进展有助于更系统地理解城市洪水韧性的复杂、动态和异质性（Xie等人，2023；Deng等人，2024）。对广州（Ruan等人，2021）和南京（Liang等人，2024）等城市的研究表明，韧性空间模式受到社会经济政策的影响，并随着政策调整而动态演变。这些发现证实，城市洪水韧性不是静态的，而是经历了显著的长期动态变化。

城市洪水韧性受到自然因素和人为因素的共同影响（Li等人，2024；Zhang等人，2024a）。在自然因素方面，Wang等人（2023）发现极端降雨是辽宁中南部城市聚集区城市洪水的主要自然驱动因素。Zhou等人（2024b）在长沙的研究和Costache等人（2020）在布扎乌河流域的研究进一步证实，海拔和地形对城市洪水风险有显著影响。Zhang等人（2025）表明绿地对洪水调节起着关键作用。绿地面积的变化影响洪水发生的可能性，其形状和连通性与中国南部和北部的洪水事件频率和强度密切相关。社会经济指标对洪水韧性的调节作用已得到广泛验证。Fu等人（2023）发现经济活力和多样性能够增强灾害响应能力和灾后恢复效率。Jaafari等人（2024）确定人口密度和儿童比例是洪水韧性的关键指标。Zebardast（2022）观察到公共服务设施（如医疗和教育）的影响是复杂和非线性的，其配置和布局直接影响韧性表现。此外，由于研究区域内地理元素的空间异质性（Cheng等人，2024），自然条件和人类环境的变化导致影响洪水韧性的因素存在显著的空间差异（Wang等人，2022b）。例如，Gu等人（2025）发现降雨强度是郑州西南部和中部北部地区的主要因素，而经济活力是西北部和东部地区的主要驱动因素。然而，当前研究在选择不同地理单元的影响因素时往往具有同质性，可能导致结果偏差（Cheng等人，2024）。因此，结合能够捕捉空间异质性效应的定量方法对于提高未来研究的准确性至关重要。

分析影响因素效应的定量方法已从传统的统计模型发展到多功能综合框架（Yang等人，2024b）。早期研究主要依赖多元线性回归等方法，这些方法直接估计变量效应，但假设区域系数恒定（Zebardast，2022），从而忽略了非线性关系和空间变异性。后来引入了包括地理加权回归（GWR）在内的空间分析模型来捕捉空间异质性（Mainali等人，2022）。然而，这些模型在模拟复杂非线性相互作用方面仍存在局限性。近年来，机器学习算法（如随机森林（RF）和XGBoost）在城市研究中表现出色，能够有效模拟复杂非线性关系（Herrera-Benavides等人，2024；Zhou等人，2024a）。例如，Qin等人（2025）应用随机森林和CatBoost模型预测广州的洪水易感性和建筑功能脆弱性，推动了机器学习在城市洪水风险分析中的应用。然而，这些模型的黑箱性质往往限制了可解释性。Shapley Additive Explanations（SHAP）等工具通过量化特征贡献提高了透明度（Li，2022）。在这方面，Zhou等人（2024a）使用XGBoost SHAP框架提高了二维和三维城市特征与洪水风险相关性的相对重要性和相互作用的解释性。尽管如此，这些模型仍难以揭示地理变量的空间异质性。为了解决这一限制，可解释的地理加权机器学习模型成为一个有前景的研究方向。通过结合空间异质性分析和机器学习，这些模型能够实现非线性建模和空间明确的解释。然而，它们的应用仍处于早期阶段，需要进一步的实证验证来评估其稳健性和泛化能力（Ke等人，2025）。

总体而言，以往的研究做出了宝贵贡献，但仍需进一步发展。首先，从理论角度来看，尽管现有框架已从单一阶段发展到综合评估，但大多数研究仍专注于特定阶段的静态属性，未能充分捕捉系统在整个灾害过程中的动态能力，包括在冲击前保持功能稳定、在影响期间抵抗和缓冲干扰、以及灾后恢复、学习和适应（Zhang & Shang，2023）。这一局限性削弱了将韧性视为一个整体和相互连接系统的理解。其次，尽管当前的评估指标体系提供了标准化工具，但加权过程仍具有高度主观性（Fu等人，2024）。它们也未能充分捕捉指标的动态特性或揭示韧性的时间演变。第三，尽管分析方法已从线性模型发展到集成智能算法，但可解释的地理加权机器学习模型的应用仍有限。这些模型在不同情景下的表现尚未得到充分探索（Ke等人，2025）。同时，因子选择仍然较为单一，缺乏对关键因素的非线性、阈值效应和空间异质性效应的深入定量分析（Cheng等人，2024年）。因此，本研究以中国东南沿海的特大城市广州作为实证案例，研究时间为2012年至2022年，旨在实现以下研究目标：（1）从灾害管理的完整过程角度出发，建立基于“韧性-抵抗-恢复”体系的城镇洪水抵御能力定量评估框架，并探索整个灾害过程中抵御能力的时空演变；（2）构建一个结合熵权重方法（EWM）和反向传播神经网络（BPNN）算法的耦合模型，系统评估2012年至2022年城镇洪水抵御能力的水平及其时空动态变化，该方法既解决了传统方法的主观性问题，又利用了机器学习在精确权重确定方面的优势；（3）开发一种改进的可解释地理加权机器学习框架，即地理加权极端梯度提升Shapley加性解释（GW-XGBoost-SHAP）模型，通过多模型比较来研究不同时间段内影响因子的非线性、阈值效应和空间异质性效应。通过实现这些目标，本研究丰富了识别城镇洪水抵御能力系统及其决定因素的方法论框架，同时拓展了城市气候灾害适应规划的研究领域，并为城市适应洪水灾害的转型优化和可持续发展提供了范例。

**方法**
研究过程包括三个主要组成部分（图1）：首先，基于“韧性-抵抗-恢复”框架建立城镇洪水抵御能力的定量评估指标体系，并结合熵权重方法（EWM）和反向传播神经网络（BPNN）算法的识别系统，用于系统分析2012年至2022年城镇洪水抵御能力的时空演变；其次，评估城镇洪水抵御能力的性能和韧性特征。图5(a)展示了广州灾害影响能力的时空演变，从空间上看表现为“南部较高，北部较低”，其中番禺和南沙的抗灾能力最强，增城最弱；从时间上看，这一趋势基本稳定，中心城区略有波动，起初下降后有所恢复。图5(b)展示了功能稳定能力的时空演变。

**对城镇洪水抵御能力理论框架和评估方法的改进**
传统研究存在两大主要局限性：一是缺乏系统的评估维度；二是框架如“地点的灾害抵御能力”（Cutter等人，2008年）和“社区的基线抵御能力指标”（Cutter等人，2014年）为灾害抵御能力研究奠定了重要基础，促进了灾前、灾中和灾后阶段的全面评估。此外，一些研究还整合了脆弱性分析。

**结论**
本研究开发了一个基于韧性、抵抗和恢复能力的城镇洪水抵御能力框架，并结合了EWM与BPNN算法的耦合模型，提出了一种可解释的地理加权机器学习方法，以解决传统研究的局限性，包括动态分析不足、非线性建模问题以及空间可解释性不足等问题。研究结果揭示了三个主要发现：（1）广州的总体洪水抵御能力从0.131稳步提升至0.179。

**作者贡献声明**
Cheng Tan：撰写初稿、软件开发、数据调研、数据整理；
Xiaoyang Liu：审稿与编辑、验证、方法论研究、资金筹措、数据整理、概念框架构建；
Zhigang Li：审稿与编辑、方法论研究、资金筹措。

**利益冲突声明**
作者声明不存在任何可能影响本文研究的已知财务利益或个人关系。

**致谢**
本研究得到了国家自然科学基金（项目编号：52308078和42571254）以及广东省基础与应用基础研究基金（项目编号：2025A1515011212）的支持。