基于一种新的集成机器学习方法的城市洪水易感性的评估

科学领域:

• 环境科学 环境科学
• 地理空间分析是什么
• 机器学习应用 机器学习应用

背景情况:

• 有效的防洪灾难依赖于准确的城市洪水易感性评估 (UFS).
• 现有的机器学习模型,如多层感知器 (MLP) 和LightGBM在UFS评估方面存在局限性.
• 后勤回归 (LR) 为提高预测准确性提供了一个互补的方法.

研究的目的:

• 开发和验证一种新的集成机器学习模型,LG-MLP-LR,用于精确的UFS评估.
• 将LG-MLP-LR的性能与包括MLP,LightGBM,XG-MLP-LR和CB-MLP-LR在内的已知方法进行比较.
• 识别和排名影响福州洪水易感性的关键条件因素.

主要方法:

• 集成的LG-MLP-LR模型的设计结合了后勤回归,多层感知器和LightGBM.
• 使用福州 (2013-2016) 历史洪水事件数据进行验证.
• 应用夏普利添加式拓展法 (SHAP) 来确定洪水条件因素的贡献.

主要成果:

• 该LG-MLP-LR模型实现了94.950%的高平均精度和98.813%的平均AUC.
• 在UFS评估准确性方面,LG-MLP-LR的表现优于MLP,LightGBM,XG-MLP-LR和CB-MLP-LR.
• 确定福州易受洪水影响的关键因素是海拔高度,地形湿度指数,一天最大降雨量和溪流功率指数.

结论:

• 集成的LG-MLP-LR模型为城市洪水易感性评估提供了强大而准确的方法.
• 该研究强调了特定地形和气象因素在预测城市洪水事件中的重要性.
• 这项研究提供了一种有价值的新方法来加强城市洪水灾害预防和减轻战略.