国家级韧性导向的风险评估方法：适用于建筑物的综合社会-物理洪水风险因素

《International Journal of Disaster Risk Reduction》：National-level Resilience-Informed Risk Scoring Approach: Generalized Socio-Physical Flood Risk Factor for Buildings

　　奥马尔·M·诺法尔 | 艾哈迈德·A·埃维斯
佛罗里达国际大学，迈阿密，佛罗里达州

**摘要**
每年，沿海和内陆洪水都会影响美国的社区，对建筑环境造成重大破坏，并导致长期的社会经济中断。为了支持主动的风险缓解工作，本研究开发了一个通用且可扩展的框架，用于基于抵御能力的建筑级洪水风险评估。该框架整合了美国联邦紧急事务管理局（FEMA）的全国洪水危险层（National Flood Hazard Layer）、基于脆弱性的脆弱性函数、社会脆弱性指数以及社区抵御能力因素。开发了一种地理空间算法，可以利用FEMA的洪水数据为美国任何社区生成沿海和内陆洪水危险地图。通过使用全国结构清单（National Structure Inventory）中的建筑特定属性，为不同类型的建筑分配最小的洪水模型和相应的深度-损害脆弱性，从而能够以规定的损害状态超越概率进行高分辨率的损害评估。FEMA的国家风险指数（National Risk Index）中的社会脆弱性和社区抵御能力指标被纳入其中，以考虑不平等的社会负担和适应能力。然后应用机器学习分类技术，将建筑分为不同的风险组，以便进行缓解优先级排序、规划和投资。最终产生了两个互补的指标：一个反映仅结构损害风险的“物理洪水风险评分”（Physical Flood Risk Score），另一个结合了物理、社会和抵御能力维度的“基于抵御能力的风险评分”（Resilience-Informed Risk Score）。通过北卡罗来纳州的一个案例研究展示了该框架的应用，该研究使用了建筑级、普查区和县级的100年洪水危险地图。

**1. 引言**
洪水是美国最具破坏性和反复出现的自然灾害之一，造成巨大的、不断增长的物理、经济和社会损失。近几十年来，内陆洪水、飓风引发的沿海洪水以及极端降雨事件导致了美国数十亿美元灾难的很大一部分，对住房、基础设施和关键设施产生了连锁影响（Nwokediegwu等人，2024年）。诺法尔和范德林特提供了关于美国历史上最昂贵的洪水灾难的详细统计数据（Nofal & van de Lindt，2020a）。在这些灾难中，卡特里娜飓风尤为突出，因为它因风暴潮和堤坝失效导致了新奥尔良的大范围洪水。这些后果导致高暴露地区反复遭受损失和长期的人口流离失所。除了物理损害外，最近的研究还强调了洪水带来的重大社会后果，包括增加的孤立、流离失所以及沿海社区脆弱性的提高（Shah等人，2025年；Song等人，2025年；Vestby等人，2024年）。气候变化越来越被认为是加剧洪水的重要因素，有证据表明，温度上升趋势会放大洪水规模和峰值流量，并增加对防洪系统的压力（Chen等人，2023年；Ionno等人，2024年）。在更广泛的国际背景下也观察到了类似的趋势，政策导向和社会经济分析强调了综合洪水风险管理策略的重要性（Zlati等人，2024年）。

洪水危险制图研究涵盖了多种建模理念、数据来源和空间分辨率。气候敏感的水文方法通过结合大规模水文路径和未来气候情景来生成危险表面（Kimura等人，2023年）。基于物理的建模仍然占主导地位，包括利用数字高程图（DEM）提供的指标与2D水动力模拟相结合，通过计算的水深来划定易受洪水影响的区域（Amellah等人，2024年）。全球和国家层面的努力也依赖于2D水动力框架（Sampson等人，2015年），包括使用更新的地形处理和水力模拟重新计算美国洪泛区的洪水范围（Wing等人，2020年）。其他研究将水力输出与暴露指标相结合，构建河流危险和风险地图（Arseni等人，2020年），并使用HEC-RAS对伦伯顿进行了详细的本地建模（Nofal & van de Lindt，2020c，2021年）。SLOSH在沿海涌浪制图中得到广泛应用，因为它的计算效率高且所需输入较少（Forbes等人，2014年；Liang等人，2024年），但其依赖于简化的物理模型（Forbes等人，2014年；Liang等人，2024年）。SLOSH的输出通常按飓风等级提供，并可通过国家飓风中心获得（国家飓风中心，2025年）。基于SLOSH模型的概率性涌浪损失估算已经研究了整个美国的飓风影响（Habibnia & van de Lindt，2025年）。相比之下，解决浅水方程的水动力模型可以模拟河流和沿海洪水的流动路径和淹没深度（Apel等人，2004年；Bates，2022年）。高级循环模型（ADCIRC）使用非结构化网格和完整的浅水方程提供更高保真度的涌浪、潮汐和陆地洪水模拟，能够表示复杂的沿海和河口过程（Dietrich等人，2011年；Luettich & Westerink，2004年）。比较评估总结了这些方法的优点和局限性（Jafarzadegan等人，2023年）。

洪水风险研究越来越多地结合危险强度与社会人口特征及暴露情况。基础研究表明，社会经济和人口因素强烈调节洪水影响（Cutter等人，2010年），这激发了将社会脆弱性与适应能力和长期社区稳定性联系起来的方法（Cutter等人，2014年；Rufat等人，2015年）。最近的进展提出了使用国家数据集和可扩展算法的通用社会物理洪水风险建模（Ewis & Nofal，2025年），而其他研究展示了不平等如何放大灾难损失，以及脆弱性如何随收入、建筑特征和社会经济系统的可及性变化（de Ruiter等人，2021年）。基于GIS的方法已被广泛用于评估洪水和水流灾害的社会脆弱性（Sung & Liaw，2020年）。使用多源数据的机器学习方法已被应用于在精细空间尺度上识别易受城市洪水影响的元素（Asfaw等人，2025年）。其他努力集中在通过脆弱性和损失建模量化物理损害，以及整合多重灾害影响。洪水经济损失模型的综述为估计结构损失和货币损失建立了基础方法（Merz等人，2010年）。已经开发了最小的洪水脆弱性和损失组合，以支持社区层面的抵御能力评估（Nofal & van de Lindt，2020b），并通过更广泛的洪水风险和抵御能力建模视角进行了扩展（Nofal & Van De Lindt，2022年）。最近的多重灾害框架结合了飓风风速、风暴潮和波浪荷载，以评估建筑损害和损失、基础设施性能以及人口流离失所（Nofal等人，2023a，b）。其他研究表明，复合涌浪-河流相互作用可以显著加剧洪水严重性（Couasnon等人，2020年；Moftakhari等人，2017年）。气候敏感的水文工作进一步表明，升温会放大降雨极端情况和短时降水（Prein & Mearns，2021年），而沿海危险分析通过结合波浪、涌浪和海平面上升来识别未来的热点洪水区域（Barnard等人，2019年）。还有一些缓解措施采用不同的方法，包括洪水屏障系统、水泵以及提高某些关键水敏组件的海拔以减少其对社区的影响（Nofal & van de Lindt，2020a）。

社会脆弱性可以强烈影响洪水后的社会经济功能。机器学习方法已被用于分类脆弱性群体并识别关键的社会和环境驱动因素（Inyang等人，2020年）。以城市为主的研究显示，有限的避难所可及性与洪水暴露相结合，对脆弱人群产生了不成比例的影响（Ermagun等人，2024年）。区域评估将沿海和内陆洪水层与基础设施和社会经济因素结合起来，以绘制社会洪水脆弱性的差异性地图（Fleming等人，2025年）。相关工作使用综合的社会物理框架对灾后社区功能进行建模，这些框架将工程损害评估与普查信息的社会经济系统相结合，捕捉建筑物、家庭和关键基础设施之间的相互依赖性（Nofal等人，2023a，b；Nofal等人，2025年）。最近的洪水风险评估研究采用了多种方法来模拟洪水危险及其相关的洪水风险特征，但这些研究大多在较小范围内进行。Lazzarin等人开发了基于水动力学的模型，结合详细的水深和流动特性来高精度地表示洪水过程，但这些模型通常需要大量的数据和计算资源（Lazzarin等人，2022年）。与此同时，基于GIS的多标准框架整合了危险、暴露和脆弱性指标，以生成空间风险或易感性地图；然而，这些方法通常依赖于预定义的权重方案，且通常限于区域或易感性级别的评估（Amellah，2025年；Miranda等人，2023年）。Kieu和Senanayake的最新工作强调了将社会和社区抵御能力因素纳入洪水风险评估的重要性，强调了它们在塑造整体影响中的作用（Kieu & Senanayake，2023年）。尽管取得了这些进展，现有文献仍需要一个统一的、可扩展的框架，将物理危险、脆弱性和抵御能力整合到全面的建筑级风险评估中。

本研究旨在为美国的建筑开发一个通用的基于抵御能力的洪水风险评分。这是通过整合全国可用的数据集和新开发的算法，评估美国各地内陆和沿海洪水社区的洪水风险来实现的。所提出的方法使用了联邦紧急事务管理局（FEMA）的全国洪水危险层（NFHL）（FEMA，2026a）来离散化感兴趣社区内的洪泛区。NFHL提供了可用于在全国范围内生成洪水危险层的结构化GIS数据。在本文中，开发了多种算法，将FEMA基于向量的洪水数据转换为连续的栅格危险地图，从而在各区域实现一致的危险表示。然后，使用社会物理洪水风险方法进行了基于脆弱性的建筑级洪水损失分析（Ewis & Nofal，2025年）。该方法结合了栅格地图中的危险强度、NSI中的社区级建筑属性以及Nofal和van de Lindt开发的基于脆弱性的脆弱性模型（Nofal & van de Lindt，2020b）。这种工作流程允许计算社区内每栋建筑的“物理洪水风险评分”（PFRS）。还整合了FEMA的国家风险指数（NRI）数据库（FEMA，2026b）中的社会脆弱性（SV）和社区抵御能力（CR）指数，以生成“基于抵御能力的风险评分”（RIRS）。RIRS是一个综合指标，反映了建筑在洪水危险中的社会物理脆弱性和恢复潜力。尽管所提出的方法以北卡罗来纳州为例进行了演示，但该方法是一般且可扩展的，适用于整个美国。通过将危险、暴露、脆弱性和社区抵御能力指数链接在一个分析结构中，该框架提供了一种一致、可扩展且高分辨率的方法来评估美国的洪水风险。这种方法可以提供一个统一的指标，用于比较不同社区的洪水脆弱性和恢复潜力，以优先分配缓解资源和社区抵御能力投资。

**术语表**
| 符号 | 定义 |
|------------|-------------------|
| d | 洪水深度（脆弱性函数） |
| G | 地面高程 |
| WSE | 水面高程 |
| FDA | 洪水深度 |
| LR | 损失比率 |
| BV | 建筑价值 |
| SV | 社会脆弱性 |
| CR | 社区抵御能力 |
| CRF | SV与CR的比率 |
| RIRI | 基于抵御能力的风险指数 |
| PFRS | 物理洪水风险评分 |
| RIRS | 基于抵御能力的风险评分 |

**2. 方法论**
本研究探讨了一种通用方法，用于评估美国所有暴露于内陆和沿海洪水的建筑。这是通过开发RIRS来实现的，该方法可以反映建筑的物理脆弱性，并同时传达这些建筑根据其相应基础设施和社会经济特征的潜在恢复能力。所提出的方法根据FEMA NFHL将建筑的物理脆弱性与FEMA NRI的社会脆弱性和社区抵御能力相结合。图1展示了使用本研究开发的方法为美国所有地区生成PFRS和RIRS地图的数据来源和主要步骤。FEMA NFHL用于生成100年一遇的事件，作为基础洪水危险，以考虑暴露建筑的物理脆弱性。NSI数据提供了美国大多数建筑物的详细属性，包括楼层数、占用类型、基础类型、组件价值和以美元表示的建筑价值。这些数据用于绘制15种建筑模型（Nofal & van de Lindt，2020b）及其脆弱性函数，以考虑潜在的100年一遇洪水损害。社会脆弱性和社区抵御能力数据来自FEMA NRI。

然后，将这些数据整合起来为每栋建筑生成两个评分。第一个评分是PFRS，代表了建筑内容和结构的物理风险损害；第二个评分是RIRS，反映了物理损害、社会脆弱性和社区抵御能力的综合风险。这两个因素都使用机器学习K-means聚类方法，在1到5的范围内进行分类。然后将建筑级别的脆弱性分析结果汇总到人口普查区和县级层面，以生成社区级别的指标。所有分析都是使用Python编程语言和各种科学库进行的，并结合ArcGIS Pro（ModelBuilder）来进行地理空间数据处理和工作流实现。

2.1 洪水风险地图绘制方法
社区级别洪水风险评分的初始阶段侧重于洪水风险建模，以制作出一个广泛认可的洪水风险地图。有多种来源可以提供洪水风险地图，包括NOAA SLOSH模型，该模型可以模拟美国大西洋和墨西哥湾沿岸不同飓风级别的风暴潮。然而，本研究同时关注沿海和内陆洪水。FEMA提供了100年和500年一遇事件的洪水风险地图。但是，这些风险数据并非直接以栅格格式提供，用户无法对其进行后处理以进行洪水风险分析。本文开发了一种标准化方法，用于自动化FEMA NFHL的栅格化，以便在全国范围内进行洪水风险评估。图2展示了生成FEMA洪水风险地图的算法流程图，该方法使用NFHL形状文件和美国地质调查局（USGS）的栅格DEM，年概率为1%。该流程图是在州级别完成的；所开发的方法通用，可以应用于美国所有州。流程图的左侧部分展示了每个县的DEM提取过程。右侧部分显示了如何将NFHL数据与县级DEM集成以得出洪水风险地图。最后，所有县级风险地图合并成一个全州范围的风险地图。

2.1.1 数据描述
FEMA提供的NFHL数据集（FEMA，2026a）涵盖了整个美国，是主要的、最可靠的洪水风险来源。图3a展示了FEMA NFHL查看器，用户可以以图层形式可视化风险地图，但不允许进行用于洪水风险分析的后处理。NFHL将洪水区域分类为A、V和X等多个类别，这些分类基于它们的年超越概率和空间范围。表1提供了这些区域的简要总结（FEMA，2026c）。每个主要区域包含多个子类型，以捕捉更具体的洪水条件（例如，沿海洪泛区、河流洪道、堤防保护区和浅层洪水），详见FEMA NFHL技术参考文献（FEMA，2019）。图3a展示了美国各地洪水区域的空间分布，其中详细展示了年概率为1%（用青色表示）和0.2%（用橙色表示）的洪水风险区域。这些NFHL形状文件是划定洪水风险区域的主要输入数据。

2.1.2 洪水区域边界处理
NFHL为每个州提供了一组形状文件，可以根据各个县的边界进行下载和分割。这种划分减少了处理所需的计算资源。提供的形状文件包含有划定洪水区域边界的多边形，并按洪水风险进行分类。例如，图4展示了南卡罗来纳州乔治敦县的前处理步骤，以详细说明所提出的方法。图4a展示了该县的彩色编码地图，其中大部分区域被归类为X区，只有很小一部分区域代表年概率为0.2%（500年一遇）的洪水风险区域。其余区域被指定为非洪水区域。

2.1.3 KWSE洪水深度计算
计算KWSE区域洪水深度的方法从前面步骤生成的形状文件开始，这些文件包含代表不同洪水区域的多边形。每个多边形都与一个特定的WSE值相关联，如图5a所示。这些在一致投影下定义的形状文件被转换为栅格文件，以便进行空间分析，如图5b所示。从USGS获得的DEM以瓦片形式合并并裁剪，创建一个包含研究县最大范围的边界框，如图5c所示。KWSE区域的洪水深度使用公式（1）计算，该公式从具有WSE数据区域的WSE栅格值中减去DEM值。这一过程为研究县内的KWSE区域生成了洪水深度地图，如图5d所示。

2.1.4 UWSE洪水深度计算
计算UWSE区域洪水深度的方法如图6所示。该方法首先分析受洪水影响区域的边界，这些边界由划定不同洪水区域的形状文件数据提供。第一步是将所有相同命名的区域合并，将其多边形边界整合为一组边界线，有效表示洪水区域的边缘。这些边界线随后在边缘和区域内被离散化为点。使用DEM提取每个点的GE值，创建了一个根据其GE值分类的新的点形状文件，如图6左下角所示。

2.1.5 最终深度栅格地图
KWSE区域和UWSE区域的洪水深度计算分别进行，生成代表这两个区域的单独栅格地图。然后合并这些地图，生成一个统一的全县范围洪水深度栅格。在某些情况下，内陆（UWSE）区域由几个较小的子区域组成。这些子区域首先被合并，创建一个连续的UWSE区域，然后再与KWSE层合并。得到的复合栅格地图成为洪水暴露建模的基础，如图9所示。

2.2 基于韧性的风险评分方法
本节概述了通过整合物理损害、社会脆弱性和社区韧性来为每栋建筑推导两个复合韧性风险评分的顺序程序。该过程首先使用FEMA洪水风险地图和基于洪水脆弱性的脆弱性函数组合，对建筑物进行级别的物理损害评估，这些评估针对的是最基础的建筑物原型。这一步生成了PFRS（Physical Flood Risk Score），它仅表示物理损害风险分类。这个初始的物理损害风险层作为基础，用于整合额外的层，包括社会脆弱性和社区韧性因素，从而为每栋建筑物得出一个全面的洪水风险评分。第二个风险评分是RIRS（Resilience-Informed Risk Score），它综合考虑了建筑物的物理和社会韧性特征来量化风险。

2.2.1 物理洪水风险评分（PFRS）
该方法包含三个主要组成部分（Ewis & Nofal, 2025），可以应用于任何社区，以获得每栋建筑物的损失比率（Loss Ratio, LR），然后将其用于PFRS的计算。如前一节详细解释的，使用NFHL的数据为美国任何社区建模了100年一遇的洪水事件，考虑了沿海和内陆洪水的不同区域。然后利用这张危险地图来考虑建筑物在洪水深度方面的暴露情况，并使用基于概率的脆弱性函数来评估其物理脆弱性。采用了15种建筑物原型组合（Nofal & van de Lindt, 2020b）来模拟与FEMA 100年一遇洪水风险相对应的洪水风险。方程（3）使用Nofal和van de Lindt（2020a）中提供的对数正态参数来计算达到五种损害状态的超过概率。图10展示了该组合中建筑物原型（1）的洪水脆弱性和损失函数。方程（4）计算处于每种损害状态的概率，这可用于识别最可能的损害状态。根据处于每种损害状态的概率乘以累积更换成本百分比来计算洪水风险强度对应的损失比率（使用方程（5））。这些方法本质上包含了不确定性，因为它们是概率函数，能够捕捉不同类型建筑物在损害上的变化。这种概率形式支持其在社区尺度上的应用，同时考虑了结构响应的变异性。

下载：高分辨率图片（220KB）
下载：全尺寸图片

图10. 在洪水风险下的建筑物原型（1）的脆弱性函数（Nofal & van de Lindt, 2020b）。

根据选定的地理分析级别，使用最低和最高的损失比率值生成相应的PFRS。实际上，这种评分方法可以应用于多个尺度，如国家、州、县或普查区——通过根据该级别观察到的最低和最高值重新调整每栋建筑物的损失比率来实现。方程（6）展示了基于FEMA国家风险指数评分建议（Zuzak et al., 2022, 2023）将损失比率转换为标准化评分（PFRS）的公式。在这项研究中，评分过程是在县和州级别上应用的。

在计算出缩放后的评分后，使用了基于机器学习的聚类技术（K-means）将每栋建筑物分类为五个类别之一，从非常低到非常高。虽然聚类是基于单一的综合评分进行的，但K-means的使用通过识别风险值分布中的自然分组来实现数据驱动的分类。这避免了人为设置分类边界，并确保具有相似风险特征的建筑物被归为一组。这些类别对应于1到5的分数，如表2（Zuzak et al., 2022, 2023）所总结的。聚类方法确定了每个类别最具代表性的中心，确保每栋建筑物被分配到与其缩放分数最接近的中心所在的类别。算法1展示了计算PFRS的所有数学公式的逻辑。

2.2.2 社会和韧性因素
使用FEMA NRI数据库中公开可获得的数据，将社会和韧性指数整合到PFRS中。FEMA NRI为美国每个县和普查区提供了SV（Susceptibility）和CR（Response）指标。SV衡量人口群体对不良灾害影响的敏感性，包括死亡风险、受伤风险或基本生计中断风险的增加。SV以每个普查区的全国百分位排名表示，其中较高的值表示更大的脆弱性。由于它反映了特定位置的社会经济条件，SV被视为一个地理风险因素。CR代表社区在灾害前、中、后准备、适应变化条件以及维持基本功能的能力。较高的CR值表示更强的适应能力和从灾害影响中恢复的能力（Zuzak et al., 2022, 2023）。这些指标是基于数据收集和统计处理得出的综合指数。因此，由于数据汇总和加权程序的存在，这些指标本质上包含了不确定性。

为了将这些指标分配给单个建筑物，使用了普查区级别的值以确保足够高的空间分辨率。这是通过将相应普查区的SV和CR值分配给该普查区内的所有建筑物来实现的。每栋建筑物的社区韧性因素（CRF）是根据SV和CR之间的比率使用方程（7）计算得出的，并使用三角形分布进行建模，三角形分布的下限为0.5，上限为2，众数为1（分别由参数a、b和c表示）（Zuzak et al., 2023）。第一步是使用方程（8）计算所有比率值（R）的累积概率分布，该分布根据其顺序位置确定每个值的累积概率。方程（9）定义了三角形分布的累积分布函数（CDF），而方程（10）评估众数的概率。最后，方程（11）应用三角形分布的逆变换将累积概率映射到CRF值。这种方法确保生成的CRF值遵循假设的概率结构，同时保持在定义的范围内。较高的CRF值对应于更危险的条件——表明整体风险的放大——而较低的值则反映了由于更强的社会能力和恢复潜力而降低的危险。

2.2.3 基于韧性的风险评分方法
将LR和CRF值结合起来，开发出一个更全面的评分，称为RIRS（Resilience-Informed Risk Score）。这是通过将LR乘以CRF来实现的，如方程（12）所示。这种方法之前已被用于基于预期年损失计算风险（Zuzak et al., 2022, 2023）。得到的乘积将是基于韧性的风险指数（RIRI），然后使用方程（13）将其缩放到0到100的范围内，以便根据地理位置中的其他建筑物来评估建筑物的洪水风险。这个缩放后的指标作为输入，用于基于机器学习的聚类算法，将建筑物分类为五个类别，遵循之前用于分类PFRS的相同方法。这种分类的结果产生了一个新的指数——RIRS——它代表了每栋建筑物的综合物理、社会和韧性条件。RIRS被分为五个类别，与表2中定义的类别一致。算法1展示了RIRS开发背后的逻辑。

生成的类别将表现出相似风险水平的建筑物聚类在一起，允许在不同区域之间进行更有意义的比较。该方法可以应用于不同的空间尺度，包括州和县，或者在需要时扩展到更小的区域。在这项研究中，分类在州和县级别进行了演示，以展示该方法的灵活性和适用性。尽管这项分析关注的是单一事件——100年一遇的洪水事件——但未来使用更详细的灾害数据的应用可以结合多个事件或平均年损失，从而提高美国各地建筑物级洪水风险评估的准确性和可靠性。

2.2.4 多尺度洪水风险评分聚合
本节介绍了一种将建筑级别的洪水风险评分聚合到普查区和县级别的方法，以便在更广泛的社区尺度上评估洪水风险，帮助应急管理者和利益相关者在感兴趣的尺度上做出基于风险的决策。为主要指标（LR和RIRI）生成了聚合值。聚合指标是使用方程（14）、（15）计算的，以考虑每个普查区内所有建筑物的洪水风险贡献。LR和RIRI都使用了之前介绍的相同方法进行缩放和分类，从而为每个空间级别生成了五个分类组。这种方法可以应用于任何地理尺度，如前文所述。所有计算都基于一个概率框架，该框架逐栋建筑物评估洪水影响，从而增强了聚合结果的稳健性和可靠性。从单个建筑物到社区级别的转换确保了开发出的评分准确反映了多种空间分辨率下的洪水风险模式。因此，当该方法在美利坚合众国全国范围内应用时，所得到的分数可以通过多种方式计算。分数可以按州、县或人口普查区级别与整个美国进行比较，也可以在各个州内进行计算，比较县或人口普查区之间的差异。或者，根据决策背景和社区层面危险风险管理的具体要求，该评分框架可以适应其他可比的空间级别。这种灵活性使得该方法可以扩展到未来的研究，这些研究可能涉及更多的州或全国范围的实施。聚合过程在算法2中进行了介绍。

**算法2. 基于不同级别的分类聚合**
**输入：**
- 建筑物风险指数shapefile
- 人口普查区shapefile
- 县shapefile
- 州shapefile

**输出：**
- 在所选级别（PFRS, RIRS）下，社区的shapefile分类
- 提取数据：{BV(j), LR(j), RIRI(j), 几何信息（人口普查区, 县, 州）

**选择全局分类（m）：**
- 美国
- 某些州
- 单个州

**选择级别分类（n）：**
- 州
- 县
- 人口普查区

**对于每个级别（n）执行以下操作：**
- 对于每栋建筑（j）执行：
- 建筑物(j, n) = 与级别分类(n)的交集
- LR(n) = RIRI(n)
- 结束循环
- LRmax(m), RIRImax(m) = max(n)（LR(n)）、max(n)（RIRI(n)）
- LRmin(m), RIRImin(m) = min(n)（LR(n)）、min(n)（RIRI(n)）
- PFRS(n) = LR(n) - LR(min)(m) / LR(max)(m) - LR(min)(m)
- RIRS(n) = RIRI(n) - RIRI(min)(m) / RIRI(max)(m) - RIRI(min)(m)

**应用5类聚类机器学习：**
- PFRS-Class(n) = {1,2,3,4,5}
- RIRS-Class(n) = {1,2,3,4,5}

**结束循环**

**3. 案例研究**
所提出的方法被应用于几个州，以展示其普遍适用性。然而，在本文中，使用北卡罗来纳州来说明该方法可以衍生出的所有值和指标。以下部分将逐步描述所提出的洪水风险分数的计算过程，然后是结果及其影响的讨论。

**3.1. 洪水灾害制图**
所提出的方法被应用于生成北卡罗来纳州的100年一遇洪水灾害地图。开发的洪水灾害地图覆盖了沿海地区、河流走廊以及所有可能发生洪水的水域，这些洪水对应于100年一遇洪水事件的最大水位。图11显示了整个州的洪水灾害地图，以及选定区域的放大视图，以便将开发的地图与官方FEMA图层进行比较。栅格地图中的最大值被限制在计算出的洪水深度的第99.5百分位（33英尺），以减少由于DEM分辨率和插值不确定性而产生的极端异常值的影响。选择了两个代表性区域进行空间验证：一个位于沿海地区，如图11(b, c)所示；另一个位于内陆地区，如图11(d, e)所示。青色NFHL表示100年一遇洪水的范围，视觉比较确认了开发的灾害地图的空间模式与NFHL参考图紧密吻合。开发的洪水灾害地图提供了所有淹没区域的洪水深度与地面高度之间的关系，而没有灾害值的区域表示预计不会发生100年一遇的洪水。

**下载：**
- 下载高分辨率图像（4MB）
- 下载全尺寸图像

**图11. NC-100年一遇洪水灾害地图：**
- (a) 整体灾害地图范围
- (b, d) 放大的沿海和内陆区域视图
- (c, e) 相应的FEMA NFHL地图

**3.2. 社区评估分数**
北卡罗来纳州的社区数据来自NSI，该机构为每栋建筑提供了基于点的记录，以及楼层数量、占用类型、基础类型、基础高度等关键属性。使用之前开发的映射算法（Ewis & Nofal, 2025），根据匹配的属性为每栋建筑分配了一个原型。图12显示了该州所有建筑的地理编码地图，并根据分配的原型进行了颜色编码。这些建筑与生成的洪水灾害地图进行了空间叠加，以提取每个建筑位置的洪水深度。然后使用这些洪水深度值，根据与其分配的原型相关的损失脆弱性曲线计算每栋建筑的LR值。

**下载：**
- 下载高分辨率图像（1MB）
- 下载全尺寸图像

**图12. 北卡罗来纳州建筑清单的彩色编码地图，根据分配的原型进行分类**

首先使用每栋建筑的LR值将其分类到PFRS类别中，这些类别仅反映物理风险。接下来，使用NRI中的SV和CR值计算州内所有建筑的CRF，作为三角形分布。结合这个因素和LR值，计算每栋建筑的RIRI，并将其缩放到0到100的范围内。这个缩放过程在两个空间级别上进行：在州级别上，缩放使用了北卡罗来纳州所有建筑的最大和最小LR和RIRI值；在县级别上，缩放仅在感兴趣的县内进行，仅使用该县内的最大和最小LR和RIRI值。这允许每栋建筑相对于整个州的社会物理韧性以及相应县内的局部条件进行评估。

**3.3. 基于机器学习的聚类**
本节使用K均值聚类算法对建筑进行分类，分为五个簇。该算法通过识别最佳簇中心来划分数据，使得每栋建筑都被分配给最近的中心，从而最小化簇内的方差。聚类应用于计算出的风险分数（PFRS和RIRS），这些分数代表描述建筑级风险的连续变量。在本研究中，簇的数量设置为五个，以表示建议的风险类别。算法最多执行500次迭代以确保收敛。对于四种不同的评分情景进行了聚类，包括州级别和县级别的缩放。图13显示了PFRS和RIRS的最终簇中心和分布范围。

**下载：**
- 下载高分辨率图像（2MB）
- 下载全尺寸图像

**图13. 为北卡罗来纳州创建的洪水风险因素的最终基于机器学习的聚类分布：**
- (a) 州级别的LR分数聚类
- (b) 县级别的LR分数聚类
- (c) RIRI分数聚类
- (d) 县级别的RIRI分数聚类

这种方法清楚地展示了不同建筑在100年一遇洪水事件中受损风险的差异。如图13(a, c)所示，聚类中心比图13(b, d)中的要小。这是因为在县级别缩放PFRS和RIRS时，比较范围限于每个县内的较少建筑。而在州级别缩放时，涉及到整个州的所有建筑，导致范围更广，簇中心更加分散。表3展示了在整个州内为建筑级别生成的四个聚类类的确切边界值。表中显示的值对应于聚类过程中使用的PFRS和RIRS范围。这些结果清楚地说明了县级别和州级别范围之间的差异。此外，这些范围还展示了应用CRF后PFRS和RIRS之间的差异，表明了纳入这一因素的影响。

**表3. 用于建筑分类的类别范围**
| 类别 | 州级别（%） | 县级别（%） |
| --- | --- | --- |
| C-1 | 10.00 – 6.66 | 0.00 – 6.99 |
| C-2 | 6.66 – 22.47 | 6.99 – 23.88 |
| C-3 | 5.52 – 16.41 | 16.64 – 21.98 |
| C-4 | 22.47 – 40.03 | 23.88 – 42.58 |
| C-5 | 16.41 – 29.06 | 21.98 – 39.53 |

**4. 结果**
本部分展示了将所提出的方法应用于整个北卡罗来纳州的结果。分析包括在不同研究级别上的建筑级别分类，以及人口普查区和县级别的汇总结果。提供了定性和定量评估，以展示该方法捕捉空间变异性并提供高分辨率建筑级别风险模式的能力。所提出的风险分数是根据建筑的组件基脆弱性和损失函数得出的，这些函数是作为洪水深度的函数。相比之下，最近的研究通常依赖详细的水动力建模和流速来评估洪水影响。虽然这些方法提供了高度的物理细节，但它们通常需要大量数据和计算资源，限制了它们在大规模区域级评估中的应用（Lazzarin等人，2022年）。

**4.1. 建筑分类**
使用开发的聚类结果，根据PFRS和RIRS值对建筑进行了分类。图14a显示了其中一个县内选定区域的PFRS分类及其放大视图。结果表明，仅考虑物理损害时建筑的分类方式，以及使用县级别缩放时个别建筑的分类如何变化，其中局部最小和最大值与整个州的不同。图13b还显示了基于RIRS的分类，同样展示了之前显示的同一区域的放大视图。从PFRS转换到RIRS时，建筑的分类发生了明显变化，特别是在沿海社区中。当纳入社会SV和CR因素时，最初显示出较高物理风险的区域在州级别上的整体风险相对降低。这反映了社区准备程度、意识和恢复能力在减轻自然灾害总体影响中的作用。因此，具有更强韧性特征的沿海社区由于能够更好地应对和从灾害事件中恢复，表现出较低的有效风险水平。

**表4. 北卡罗来纳州不同类别下的建筑数量**
| 类别 | 州级别 | 县级别 |
| --- | --- | --- |
| C-1 | 4,319 | 8,429 |
| C-2 | 18,263 | 19,583 |
| C-3 | 22,308 | 21,976 |
| C-4 | 15,185 | 15,880 |
| C-5 | 3,723 | 4,398 |

**4.2. 县和人口普查区聚合**
本节的目的是使用为每栋建筑计算的LR和RIRI值，将建筑级别的分析结果汇总到人口普查区和县级别。在聚合过程中，纳入了建筑市场价值，以得出每个普查区或县的单个代表性指标。然后使用之前应用的相同缩放概念，将这些指标缩放到0到100的范围内。随后通过机器学习聚类算法将每个普查区或县分类到五个类别中。表5展示了这些类别在普查区和县级别上的范围。

**图15 (a, b) 显示了北卡罗来纳州普查区和县的PFRS分类结果。结果表明，高风险县主要集中在州的东部和西部，而中部地区的物理风险较低。在人口普查区级别也观察到了类似的模式。这些发现表明，高风险县的利益相关者可能会优先考虑减灾策略，例如实施防洪系统或保护性洪水屏障，以减少洪水的影响。图15 (c, d) 显示了基于RIRS的地理编码分类，揭示了某些普查区和县的风险类别的显著变化。这种转变突显了社区层面评估中CRF（社区风险因素）的影响力，展示了社会脆弱性和社区韧性如何影响整体风险状况，而不仅仅是物理损害。下载：下载高分辨率图片（1MB）下载：下载全尺寸图片

图15. 基于以下数据的彩色地理编码分类：(a) 北卡罗来纳州（NC）各区域的PFRS；(b) 北卡罗来纳州各县的PFRS；(c) NC各区域的RIRS；(d) NC各县的RIRS

5. 结论与局限性

本研究开发了一种新的社会-物理洪水风险评分方法，利用全国可用的数据集来评估不同空间尺度上的洪水脆弱性，包括建筑物、普查区、县和州。所使用的数据集包括NFHL、NSI、NRI以及基于脆弱性的脆弱性函数。该方法是通过开发一种算法实现的，该算法可以使用NFHL自动生成任何地区的100年洪水风险地图，作为详细基于脆弱性的洪水风险评分的输入。然后使用NSI对社区内的不同建筑类型进行离散化，并为每种建筑类型分配一组预先构建的建筑原型及其脆弱性函数。将映射出的社区与生成的100年洪水风险地图叠加，以计算每栋建筑的FD（洪水影响程度），这成为洪水损失曲线的关键输入。接着利用这些曲线根据每栋建筑分配的原型计算其LR（损失率）值。LR值经过归一化处理，范围为0到100%，然后使用K-means聚类算法将其分为五个类别，从而得到每栋建筑的PFRS（洪水影响分数），其值介于1到5之间。这一因素仅反映了物理损害维度，可用于支持建筑物和社区层面的缓解决策。

研究的第二个目标是将社会脆弱性和社区韧性因素整合到洪水风险评估评分框架中，以获得反映更广泛社区条件的额外分类。从NRI中获取每个普查区的SV（社会脆弱性）和CR（社区韧性）值，并将其分配给该普查区内的每栋建筑。通过这两个量之间的比率，基于三角形分布计算每栋建筑的CRF。将LR与CRF相乘得到一个新的值RIRI，该值同时表示建筑的物理脆弱性和其在洪水事件后的恢复能力。这些RIRI值也采用了与LR相同的归一化方法进行处理，并使用K-means算法分为五个类别，从而得到每栋建筑的RIRS。

随后将该分类框架从建筑层面扩展到普查区和县层面，以识别相对于同一州内或其他层面而言风险较高的社区。这种聚合是通过结合LR和RIRI以及建筑物的市场价值（以美元计）来实现的，以适当评估社区内每栋建筑的权重，并生成不同空间尺度上的稳健聚合分类指标。所有分类程序和聚合过程——无论是建筑层面还是区域层面——都是使用两种算法开发的。

北卡罗来纳州被用作案例研究，以证明所提出方法论的适用性。结果显示，在100年洪水情景下，大量建筑物受到影响，最大洪水深度约为33英尺，平均深度约为5.5英尺，而大多数受影响区域的洪水深度约为3英尺。尽管高风险类别（C-1以上）的建筑物比例相对较低，但绝对数量仍然相当大，根据物理损害情况，约有59,479栋建筑物被归类为C-2至C-5等级。纳入社区风险因素后，高风险类别（C-4和C-5）的建筑物重新分布到中等风险类别（C-2和C-3），凸显了社区准备度和韧性在降低整体风险方面的作用。此外，还在整个州的普查区和县层面进行了洪水风险聚合，为每个空间尺度生成了两个分类因子，提供了多尺度下的全面洪水风险概览。

尽管所提出的洪水风险评分方法具有优势，但仍有一些局限性需要后续研究进一步探讨：
- 本研究中的风险地图开发仅依赖于水面高度，没有明确考虑地形粗糙度或其他影响流体运动的物理因素。未来的工作可以通过在不同土地覆盖区域内结合详细的水动力建模并在更大空间尺度上汇总结果来解决这一局限性。
- 本研究开发的风险地图仅代表100年一遇的事件。未来的研究可以扩展这一框架，为其他重现期开发更多的风险地图，以反映低重现期和高重现期事件的影响。
- 数字高程模型（DEM）分辨率对风险地图开发的影响需要进一步研究。未来的研究可以比较使用更高分辨率DEM（例如1米或3米）生成的风险地图与本研究中使用的10米DEM生成的风险地图，并评估选择FEMA国家洪水风险层（NFHL）洪水边界附近不同点时的不确定性。
- 使用15种建筑原型来代表整个美国的建筑库存可能无法完全涵盖现有结构的多样性。未来的工作可以通过开发更多原型并引入权重或代表性因素来解决这一局限性，这些因素能更好地反映全国建筑库存中各类原型的分布，从而更准确地体现这一建筑类别的独特特征和性能。
- 虽然所提出的框架整合了多个组成部分，每个组成部分都存在固有的不确定性来源，但对整个方法论各阶段综合不确定性的全面量化超出了本研究的范围。建议作为未来工作的一部分进行完整的传播和敏感性分析，以进一步增强框架的稳健性。
- 本研究的另一个局限性是缺乏使用观测到的损害或损失数据集的验证。未来的工作将侧重于利用灾后损害数据和历史损失记录来评估所提出框架的预测能力。

CRediT作者贡献声明：
Ahmed A. Ewis：撰写——审稿和编辑、撰写——初稿、可视化、验证、方法论、调查、正式分析、数据管理、概念化。
Omar Nofal：撰写——审稿和编辑、撰写——初稿、监督、资源管理、项目推动、方法论、调查、资金获取、概念化。