基于图 Transformer 的洪水易发性测绘：在气候变化下对法国里维埃拉及铁路基础设施的应用
信号处理
2025-09-08 v2 机器学习
摘要
气候变化导致的洪水频率增加和严重程度加剧威胁着基础设施，亟需改进易发性测绘技术。尽管传统机器学习 (ML) 方法被广泛使用，但它们难以捕捉空间依赖性以及易发性类别之间较差的边界划分。本研究首次将图 Transformer (GT) 架构应用于洪水易发性测绘，研究对象为易发洪水的法国里维埃拉（例如 2020 年 Storm Alex），使用了地形、水文、地理和环境数据。GT 利用拉普拉斯位置编码 (PE) 和注意力机制结合了流域拓扑结构。所开发的 GT 模型的 AUC-ROC (0.9739) 略低于 XGBoost (0.9853)。然而，GT 模型表现出更好的聚类和划分能力，其 Moran's I 值 (0.6119) 高于随机森林 (0.5775) 和 XGBoost (0.5311)，且 p 值低于 0.0001。特征重要性在各模型间表现出显著的一致性，其中高程、坡度、距河道距离和收敛指数是关键因素。对拉普拉斯位置编码的降维分析揭示了部分聚类，表明它们能够捕捉空间信息；然而，其重要性低于洪水因子。由于气候和土地利用变化加剧了洪水风险，本研究在不同代表性浓度路径 (RCP) 下开发了 2050 年的易发性地图，并评估了铁路轨道的脆弱性。除极低类别外，所有 RCP 情景均显示各易发性类别的面积有所增加。RCP 8.5 预测表明，与当前条件下的 6.19% 和 35.61% 相比，分别有 17.46% 的流域面积和 54% 的铁路长度处于极高易发区。所开发的地图可整合到多灾种框架中。
引用
@article{arxiv.2504.03727,
title = {Graph Transformer-Based Flood Susceptibility Mapping: Application to the French Riviera and Railway Infrastructure Under Climate Change},
author = {Sreenath Vemula and Filippo Gatti and Pierre Jehel},
journal= {arXiv preprint arXiv:2504.03727},
year = {2025}
}
备注
Submitted to Engineering Applications of Artificial Intelligence