《Water Resources Research》：A Novel Data-Driven Probabilistic Approach for Consequence Specific Urban Flood Risk Mapping
編輯推薦：
本文提出一種創新的概率框架，用于繪制特定后果的城市內澇風險圖。該框架將風險定義為致災概率與脆弱性概率的乘積，并通過擬合最優概率分布構建致災圖，同時結合一種新型數據驅動的經驗改進層次分析法（E-IAHP）來確定脆弱性指標的權重，以消除傳統AHP方法的主觀性，從而提高客觀性與計算效率。研究生成針對緊急服務中斷、交通中斷和建筑經濟損失三種內澇后果的定制化風險圖，揭示了海得拉巴市不同區域的空間風險模式，為城市洪澇風險管理和災害應對提供了靈活的實時評估工具。
城市內澇風險制圖：一種數據驅動的概率框架
摘要
近年來，城市內澇發生頻率日益增加，對資源與基礎設施有限的城市造成了顯著的社會經濟影響。傳統的基于水文學和水力學的模型能夠識別易澇區，但需要大量數據和計算資源。相比之下，風險制圖通過整合人口、基礎設施等風險要素，提供了一種數據效率更高的替代方案。本研究開發了一種針對特定后果的城市內澇風險概率制圖框架。該框架將風險定義為致災概率與脆弱性概率的乘積。
引言
城市洪澇暴露量在過去三十年中增加了四倍以上。在數據受限的情況下，基于風險的方法通常更受青睞。風險在數學上被定義為事件發生的概率與該事件相關的潛在后果的乘積，其中前者被視為致災因子，后者則與脆弱性（包括暴露性）相關聯。脆弱性受到物理、社會、經濟、基礎設施和制度等多方面因素的影響，這使得其成為一個多維度的估計值。
然而，在洪水風險評估中，很少將風險視為概率測度。為了彌補這一不足，本研究提出了一種數據驅動框架，旨在：（1）提出一個包含后果特異性脆弱性指標的概率洪水風險框架，并將風險計算為概率測度；（2）使用概率方法將脆弱性視為概率測度，計算指標特異性和總脆弱性指數；（3）開發一種數據驅動方法來推導指標權重，以消除層次分析法（AHP）中的主觀性，同時確保一致性。
研究區域與方法
研究區域
研究區域為印度特倫甘納邦首府海得拉巴市所在的大海得拉巴市政公司（GHMC）轄區。該區域面積約680平方公里，人口約950萬，劃分為154個選區。該市以胡賽恩薩加爾湖為中心，中部高度城市化，外圍建筑分布稀疏。年均降雨量約800毫米，主要在季風季節。本研究使用了該區域129個自動氣象站（AWS）從2013年6月至2024年12月的降雨數據。
方法框架
本研究提出了一個估算概率性洪水風險值并繪制風險圖的方法論框架，包括估算不同降雨事件的致災概率以及三種不同后果的脆弱性值。該框架的流程圖展示了主要步驟：風險計算為致災（H）與脆弱性（V）的乘積。致災和指標特異性脆弱性使用所考慮指標的最佳擬合概率密度函數及其累積分布函數進行估算。脆弱性則是指標特異性脆弱性的線性組合，其權重通過數據驅動的方法——經驗改進層次分析法獲得。
致災評估
在城市內澇背景下，強降雨等事件是主要致災因子。本研究將超過特定閾值的降雨定義為致災因子，并將降雨的非超閾值概率直接視為致災值。對于每個1公里網格，使用超過2.5毫米（印度氣象部門定義的“小雨”閾值）的日降雨量數據，擬合了正態、對數正態、伽馬、威布爾和指數五種理論分布。根據貝葉斯信息準則和密度圖目視檢查選擇最佳擬合分布，進而計算給定降雨量下的非超閾值概率（即致災值）。所有網格的致災值共同構成致災圖層。
脆弱性評估
特定后果的脆弱性計算遵循以下步驟：（a）為選定后果確定相關指標；（b）計算每個指標的脆弱性（稱為指標特異性脆弱性），將其量化為相對于定義閾值的超閾值或非超閾值概率，這些概率由指標值的最佳擬合概率密度函數計算得出；（c）將脆弱性估計為指標特異性脆弱性的加權組合。其中，指標權重通過本研究所提出的經驗改進層次分析法計算得出。
脆弱性指標從三個維度選取：自然環境（如地形、地質）、社會經濟（人口密度、經濟不平等）和基礎設施（道路網絡密度、到應急服務的距離）。每個維度的具體指標根據后果類型（緊急服務中斷、交通中斷、建筑經濟損失）有所不同。
經驗改進層次分析法
為了克服傳統層次分析法及其改進版本在成對比較矩陣中依賴主觀判斷的局限性，本研究提出了一種新的數據驅動方法——經驗改進層次分析法。該方法具有兩個關鍵特征：首先，它用絕對相關系數取代了專家判斷，從而消除了比較矩陣（步驟2）中的主觀性偏差；其次，通過納入這種統計度量（即絕對相關系數），并基于判斷矩陣的一致性比率對算法進行了優化，在一致性比率滿足嚴格閾值（≤0.01）時可提前終止計算，從而提高了計算效率。該方法遵循與改進層次分析法相似的步驟和公式，但核心在于使用指標間的絕對相關系數構建比較矩陣，并通過計算排序指數和判斷矩陣等步驟最終推導出準則權重。
結果與討論
致災分析
研究選擇了2022年至2024年間代表不同季節和空間特征的三個降雨事件（E1， E2， E3）�；诰W格特異性事件降雨量和最佳擬合分布（對數正態分布）估算了每個網格的致災值，生成了相應的致災圖H1， H2， H3。致災圖的空間分布與降雨格局一致，但關系并非嚴格線性。例如，E1事件的致災值在0到1之間變化，高值（>0.75）出現在北部和西部地區；E2事件的致災值范圍較窄（0.86–1），大部分區域大于0.95；E3事件的致災值范圍在0.2到1之間，高值出現在北部和西部大部分地區。
脆弱性分析
指標分析
研究共選取了15個指標，涵蓋自然環境、社會經濟和基礎設施三個維度。通過分析其空間分布和擬合概率密度函數，發現大多數指標呈現偏態分布，而道路密度和高程符合正態分布。各指標的空間脆弱性模式顯示，中部和南部選區通常脆弱性較高，而北部和外圍區域脆弱性較低，但存在例外。指標特異性脆弱性的概率方法放大了原始指標圖中不明顯的對比，突出了即使指標密度中等也存在極端脆弱性的區域。
總脆弱性
使用經驗改進層次分析法計算出的權重（見下表），將指標特異性脆弱性進行線性加權組合，得到了三種后果對應的總脆弱性V1（緊急服務中斷）、V2（交通中斷）和V3（建筑經濟損失）。權重計算結果顯示，與其他指標相關性強的指標（如不透水地表百分比、社會經濟變量和道路密度）始終獲得較高權重，而相關性弱的指標（如坡度和到溪流、水體的距離）則權重較低。
表1. 使用經驗改進層次分析法得出的針對每種后果類型的脆弱性特定權重
總脆弱性的空間模式因后果類型而異。V1的高脆弱性（>0.6）集中在南部和中部選區，主要由人口密度、兒童人口密度、道路網絡密度和不透水地表百分比等高權重指標驅動。V2的脆弱性范圍與V1相似，但空間格局略有不同，北部選區風險稍高。V3的脆弱性值范圍更廣（0.03–0.95），高脆弱性集中在南部和中部選區以及北部少數選區，而外圍大部分選區脆弱性較低，這歸因于新變量的加入及其空間模式。
針對每種脆弱性類型，研究提出了相應的緩解、備災和政策措施。例如，對于V1高脆弱性區域，建議改善道路連通性和排水系統，建立專門的災害響應單元等。對于V2，則建議采取抗洪交通規劃、實時預警和高容量泵送系統等措施。對于V3，措施包括提升建筑物的防洪韌性、早期預警系統以及分區法規等。
風險分析
通過將三種致災情景與三種后果相結合，共生成了九幅風險圖。每行對應一種后果，每列對應一種致災條件。地圖標記為Rij，其中i代表后果，j代表致災情景。
對于緊急服務中斷（第一行），三種致災情景下的風險水平總體可比，范圍在0到0.78之間。R11在北部和西部選區顯示中度到高風險，而R12和R13則顯示高風險集中在中部和南部選區。
交通中斷的風險（第二行）普遍更高，最高可達0.85。其空間格局與緊急服務中斷類似，但由于脆弱性V2略高，北部和東部部分選區風險也較高。
建筑經濟損失的風險（第三行）范圍更廣，覆蓋了低、中、高風險范圍。由于脆弱性V3更高且變異性更大，高風險密集分布在中部和南部選區，外圍區域則以低風險為主。不同致災圖之間的差異主要反映了致災值的空間變化。
總體而言，事件E3（圖8第三列）的風險值最高，其次是事件E2和E1。事件E2的中高風險空間分布更廣，這與降雨事件更廣泛的特點一致。研究通過疊加來自社交媒體X（原Twitter）的眾包洪水位置數據對估計的風險值進行了間接驗證。大多數觀測到的洪水點落在中度或低風險區域內。
總結與結論
本研究提出了一個計算風險的概率框架，其中風險是致災概率和脆弱性概率的乘積。研究估算了三種主要城市內澇后果在三種不同致災事件下的風險。
經驗改進層次分析法的核心在于，基于統計方法為與其他指標相關性更強的指標賦予更高的權重，這反映了其空間分布的相似性及其對總脆弱性的貢獻。計算出的權重是數據驅動的，取決于所考慮的指標集、其空間格局及其相互關系。因此，權重具有后果特異性，適應每種城市內澇后果。這種基于相關性的數據驅動方法，與傳統層次分析法相比，消除了主觀性偏差，且計算高效。
三個選定降雨事件的致災值各不相同，反映了降雨的高度空間異質性和每個事件的獨特空間格局。致災與降雨之間的關系并非嚴格線性。
大多數脆弱性指標呈現偏態分布。指標特異性脆弱性的空間模式顯示，南部和中部選區普遍高度脆弱，而北部和外圍區域脆弱性較低。由于總脆弱性是指標的線性組合，其總體脆弱性反映了所有指標的貢獻，但由此產生的空間格局因后果類型而異。
三種城市內澇后果的風險空間格局各不相同：建筑經濟損失在南部和中部選區風險最高，交通中斷在北部選區有中度風險，緊急服務中斷在北部和西部地區風險大多較低。三種致災事件之間的差異影響了風險的大小和空間范圍，但塑造風險格局的主導因素是后果類型。
所提出的框架具有靈活性，允許在不同時間尺度上定義致災因子，并可通過選擇相關指標來針對特定后果進行調整。結合數據驅動的經驗改進層次分析法，該框架在統計上穩健且計算高效，適用于復雜、數據豐富的城市系統。
局限性與未來方向
脆弱性指數受到所用數據集的異質性和局限性的影響。未來的工作應納入更新的數據集，并應用不確定性量化和敏感性分析來評估其對所開發指數的影響。
對風險估計框架的改進可以擴展其適用性。例如，對經驗改進層次分析法進行統計改進（如使用偏相關或基于熵的權重）、采用替代的非線性聚合方法來計算總脆弱性，以及改進后果特異性驗證數據集，都將增強其穩健性。最后，開發基于情景的風險庫和集成天氣預報可以支持前瞻性決策，并推進城市內澇管理。
數據可用性聲明
本研究所用數據來源包括：特倫甘納邦發展規劃協會提供的自動氣象站日降雨數據；從印度國家遙感中心購買的10米空間分辨率Cartosat數字高程模型；從谷歌地球專業版數字化獲取的納拉網絡；來自人口普查的社會經濟數據集；以及通過開放街道地圖獲取的基礎設施維度數據集。
