基于地理信息系统（GIS）与遥感的层次分析法（AHP）–机器学习混合框架用于埃塞俄比亚南部Wolaita Zone洪水易发性与风险评估

《Geomatics, Natural Hazards and Risk》：GIS and remote sensing-based hybrid AHP–machine learning framework for flood susceptibility and risk assessment in the Wolaita Zone, Southern Ethiopia

　　

洪水是一种重要的自然灾害，尤其在数据匮乏地区，具有显著的社会、经济和环境影响。本研究应用一种基于地理信息系统（GIS）与遥感的框架，通过层次分析法（AHP）的多准则决策分析与集成机器学习模型相结合，对Wolaita Zone的洪水易发性与风险进行评估。首先，将11个洪水致灾因子，包括高程、坡度、降雨、距河流距离、排水密度、地形湿度指数（TWI）、土地利用/土地覆盖（LULC）、归一化植被指数（NDVI）、土壤类型、地质和曲率，统一重分类至共同尺度。随后，采用AHP对这些因子进行赋权，并将其作为独立AHP模型及混合机器学习模型的输入。三种模型的空间分析表明，中等洪水易发性占研究区大部分面积，而高易发性区域主要集中于低地及河流廊道沿线。洪水风险制图显示，研究区约60%处于中等风险，31%处于高风险，极低、低和极高风险区域所占比例很小。混合AHP–RF模型表现出更优的预测能力，其曲线下面积（AUC）值达到0.957。上述结果表明，将专家赋权的AHP与机器学习模型相结合，能够生成准确的高分辨率洪水易发性与风险图，为洪灾减缓和土地利用规划提供了稳健框架。

该研究发表于《Geomatics, Natural Hazards and Risk》，聚焦埃塞俄比亚南部Wolaita Zone这一典型数据匮乏地区的洪水易发性与风险评估问题。洪水作为全球最普遍的自然灾害之一，会造成生命损失、基础设施破坏、农业受扰和生态退化。在埃塞俄比亚，强季节性降雨、复杂地形以及河流流域分布共同加剧了洪涝灾害。Wolaita Zone兼具陡坡地形、季节性强降雨、人口密集聚居和基础设施集中等特征，因此对洪水高度敏感。尽管该区域已被认定为易涝区，但此前缺乏系统性的洪水易发性与风险评估，尤其缺少将地理信息系统（GIS）、遥感、层次分析法（AHP）与机器学习（ML）相结合的综合研究框架。研究人员因此开展本研究，旨在弥补该区域和方法学上的双重空白，并为区域洪灾预警、土地利用规划和减灾管理提供空间化依据。

从研究背景看，既往洪水易发性研究主要依赖两类路径：一类是基于多准则决策分析（MCDA）的AHP方法，另一类是独立的机器学习方法。前者优势在于可将专家知识、地貌特征和有限空间数据整合进透明的赋权体系，特别适用于数据不足地区；但其局限在于难以刻画洪水影响因子之间的非线性关系。后者尤其是随机森林（RF）和极端梯度提升（XGBoost, XGB）等集成学习方法，能够有效识别复杂的非线性关系和变量交互，但单独使用时解释性和物理背景支撑相对不足。基于此，研究人员提出混合AHP–ML框架，将专家经验驱动的权重信息嵌入数据驱动模型，以期同时提高预测精度、空间分辨能力和结果可解释性。

在技术方法上，研究主要采用以下关键手段：以30 m × 30 m分辨率数字高程模型（DEM）、Landsat 8–9影像、ESRI土地利用/土地覆盖（LULC）产品、地质土壤资料及1992—2022年5个气象站降雨数据为基础，构建11个洪水致灾因子；利用AHP建立两两比较矩阵并完成一致性检验（CR＜0.10），获得因子权重；基于400个洪水清单点样本（220个洪水点，180个非洪水点），采用分层抽样将数据按70%/30%划分为训练集和测试集，构建AHP–RF与AHP–XGB模型，并通过Randomised SearchCV与5折分层交叉验证优化参数；采用SHAP（Shapley Additive Explanations，沙普利加性解释）解析全局和局部变量贡献；最后将洪水易发性、人口密度（PD）和LULC叠加，生成洪水风险图。

**3.1. Spatial analysis of flood conditioning factors**
研究人员首先对11个洪水致灾因子的空间分布进行了系统分析，并将其归纳为地形因子、水文因子、地表覆盖与植被因子、土壤与地质因子四大类，以明确各因子对洪水易发性的相对贡献。

**3.1.1. Topographic factors**
在地形因子方面，高程范围为648–2962 m。研究结果显示，低海拔区被划为极高易发等级，而中部高地洪水风险较低，说明地势低平区域更容易积水并发生洪涝。坡度分析表明，0–15°缓坡区具有最高洪水易发性，且极高和高易发类别合计覆盖约82.72%的研究区，说明缓坡地形在区内占主导地位，并显著增强洪水聚集倾向。曲率分析则显示，平坦地表最有利于积水形成，因此被赋予最高易发等级，覆盖面积达96.6%，表明局部微地形对地表水汇聚具有补充解释作用。

**3.1.2. Hydrological factors**
在水文因子中，距河流距离越近，洪水易发性越高，0–500 m河岸带被识别为极高易发区，说明河流廊道是区域洪涝发生的核心空间单元。排水密度分析表明，高排水密度区与洪水发生具有更强相关性，提示密集沟道网络增强了地表径流汇流过程。基于5个气象站插值形成的降雨面显示，年均降雨量为922.7–1648.8 mm，高降雨区更易发生洪涝，其中约52.56%的区域属于中等易发等级，24.53%的区域处于高至极高易发等级。地形湿度指数（TWI）结果进一步表明，低洼和汇水凹地更具洪水敏感性，约43%的研究区依TWI被划入高至极高洪涝易发区。

**3.1.3. Land cover and vegetation factors**
在地表覆盖与植被因子方面，研究区共识别出森林、灌丛、草地、耕地、水体和建设用地6类LULC。建设用地与水体被赋予极高易发等级，耕地被划为高易发等级，而森林最低。耕地占比高达65.93%，意味着较大范围的土地利用方式可能削弱入渗、增加地表径流，从而提高洪水潜势。NDVI结果显示，植被稀疏或缺失区域具有最高洪水易发性，而78.05%的研究区处于中等等级，说明植被覆盖在缓解地表产流和降低洪涝敏感性方面具有重要作用。

**3.1.4. Soil and geological factors**
土壤与地质因子方面，Chromic/Pellic Vertisols被划为极高易发类型，Leptosols、Eutric Fluvisols和Dystric Fluvisols被划为高易发类型；总体上，约51.3%的研究区在土壤属性上表现为中等至极高洪水脆弱性。地质上识别出Quaternary（Q）、Quaternary volcanic（Qv）和Tertiary intrusive/extrusive（Ti）三类单元，其中Q被赋予极高易发等级，Qv为高，Ti为低。由于Ti覆盖76.36%的区域，从纯地质视角看，研究区大部分范围表现为中低易发性。

**3.2. Flood risk factors**
在风险评估部分，研究人员将洪水易发性（FS）、人口密度（PD）和LULC三者进行等权叠加，以综合表征灾害危险性、暴露度与脆弱性。结果表明，人口密集的城镇和低地地区具有更高暴露度，而建设用地与耕地等易受损地表覆盖进一步增加了洪水风险。该过程构建了具备明确空间指向性的洪水风险格局，为识别“高易发性—高暴露度—高脆弱性”重叠区提供依据。

**3.3. Feature importance of flood conditioning factors**
该部分重点分析不同模型框架下各洪水致灾因子的相对重要性。

**3.3.1. AHP (expert-driven weights)**
AHP结果表明，高程（21.7%）和坡度（17.8%）是Wolaita Zone洪水易发性的首要控制因子，其次为降雨（13.5%）、距河流距离（12.1%）和排水密度（12.1%）。这一结果说明，在专家知识驱动框架下，区域洪水过程首先被理解为受整体地形格局和地表水文条件共同支配。一致性检验结果为λ_max = 11.89、CI = 0.09、CR = 0.06，低于0.10阈值，说明判断矩阵具有可接受的一致性。

**3.3.2. Hybrid ML models with multicollinearity check**
在混合模型构建前，研究人员先对11个因子进行了多重共线性检验。结果显示，尽管高程与距河流距离、降雨与地质等变量之间存在一定相关性，但所有相关系数均低于0.80，表明不存在严重共线性，因而适合用于混合建模。AHP–RF模型识别距河流距离（22.10%）、高程（18.70%）和排水密度（18.55%）为最重要因子；AHP–XGB模型则将距河流距离（21.90%）、排水密度（18.10%）和高程（17.90%）列为主导因子。与AHP结果相比，混合模型更突出河流邻近性和排水连通性，说明数据驱动分析更敏感于局部水文连通网络对洪水形成的影响。

**3.3.3. SHAP analysis**
SHAP分析进一步增强了模型解释性。全局摘要图显示，距河流距离、高程和曲率是整体最重要的预测变量，NDVI和TWI具有中等影响，而LULC与地质贡献较小。在局部尺度上，瀑布图（force plot）揭示高风险点的预测主要受临河位置及局部地形控制，降雨与曲率则调节具体地点的易发程度。由此可见，混合模型不仅可识别全区域的一般主控因子，还能够解释不同地点洪水风险差异的形成机制。

**3.4. Flood susceptibility mapping and spatial prioritisation**
在洪水易发性制图方面，AHP、AHP–RF和AHP–XGB三种模型均将研究区划分为极低、低、中等、高和极高5类。AHP图显示，西部、西北部、南部和东南部最易发生洪水，低地和近河区持续表现为高易发带。相比之下，AHP–RF和AHP–XGB形成了更具异质性的空间图谱，能够识别出更多局部尺度上的高低易发斑块。面积统计显示，中等易发等级在三模型中均占主导，分别为68.4%、65.7%和55.9%；高易发等级分别占26.8%、23.5%和24.5%；极低和极高等级面积都极小，均不足0.01%。这表明研究区整体以中等至高易发性为主，但真正极端的空间单元分布相对有限。按woreda尺度分析，Kindo Koyesha、Kindo Daddaye、Boloso Bombe、Boloso Sore、Ofa、Humbo、Damot Woide、Duguna Fango、Abela Abaya和Hobicha Abaya等地被识别为高洪水易发区域，其共同特征包括低海拔、缓坡、高排水密度、高降雨、高TWI及耕地占优势。

**3.5. Flood risk assessment**
洪水风险评估结果表明，中等风险区覆盖2,683.30 km²（60.11%），高风险区覆盖1,366.84 km²（30.62%），低风险区为411.52 km²（9.22%），极高风险和极低风险区仅占2.33 km²（0.05%）和0.0747 km²（0.0017%）。高风险区主要分布于低洼洪泛平原、人口密集地带及脆弱土地利用类型集中区域，而高海拔、人口稀疏地区则对应低风险格局。研究表明，将物理易发性与暴露、脆弱性因子结合，可以获得更具决策价值的风险空间信息。

**3.5. Validation of the result**
模型验证部分显示，历史洪水点主要落在高和极高易发等级中，非洪水点则以低和极低等级为主，说明模型预测与实际洪水分布具有较高空间一致性。ROC分析显示，AHP、AHP–XGB和AHP–RF模型的AUC值分别为0.917、0.934和0.957，均高于0.9，属于优异判别水平，其中AHP–RF表现最佳。该结果证明，引入机器学习后模型在预测精度上获得明显提升。

在讨论部分，研究人员指出，AHP与混合ML模型在变量重要性上的差异反映了两种认知路径：AHP更强调区域尺度的地形主控作用，而混合模型更突出局部尺度的水文连通性和河道邻近性。三种模型均稳定识别出沿河、低地及若干重点woreda的中高易发性格局，但混合模型在识别排水通道附近和局部洼地的细尺度异质性方面表现更优。SHAP结果进一步证明，距河流距离、低海拔和局部地形共同塑造了洪水空间格局，并可为工程防洪、预警系统布设、疏散规划、土地利用分区及基于生态系统的减灾措施提供针对性支持。研究同时指出，独立AHP虽精度略低，但在数据和计算资源受限条件下，仍具备透明、稳健且适于区域层面初步规划的现实价值。

研究也明确讨论了局限性。首先，分析主要基于静态数据，如多年平均降雨和单期NDVI，难以反映短时洪水过程和时序动态；其次，洪水清单点可能存在历史记录偏差、空间聚集和报告不均问题；再次，风险评估采用FS、PD和LULC等权叠加，尚未开展权重敏感性分析；最后，因子重分类、模型假设和空间分辨率也可能带来不确定性。研究人员认为，未来若引入动态水文变量、气候变化情景、更多社会经济与关键基础设施信息，可进一步提高模型稳健性、时空敏感性和实践适用性。

研究结论部分指出：本研究构建并应用了基于GIS与遥感的AHP–RF和AHP–XGB混合框架，对埃塞俄比亚南部Wolaita Zone的洪水易发性与风险进行了系统评估。11个洪水致灾因子经标准化后分别纳入专家赋权和机器学习建模，结果显示AHP模型突出高程与坡度的作用，而混合模型更强调距河流距离与排水密度，揭示了更细尺度的空间异质性。研究区大部分面积处于中等洪水易发性（约56%–68%）和高易发性（约24%–27%），高值区主要集中于西部、西北部、南部和东南部若干woreda。模型验证表明AHP–RF具有最高预测性能（AUC = 0.957）。风险评估显示，中等和高风险区分别占60.11%和30.62%，高风险区与低洼洪泛平原、人口密集区及脆弱土地利用类型高度重合。总体而言，基于GIS的AHP与混合机器学习模型、暴露图层及SHAP解释方法的整合，为数据匮乏地区洪水易发性与风险评估提供了可靠、可转移且具有实践价值的框架，可为洪灾管理、土地利用规划、社区防灾准备以及埃塞俄比亚灾害风险降低战略和可持续发展目标（SDGs）提供支持。