利用SAR与环境变量预测洪水易发区域
机器学习
2025-12-29 v2
摘要
洪水是全球最具破坏性的自然灾害之一，对生态系统、基础设施和人类生计构成严重威胁。本研究结合合成孔径雷达（SAR）影像与环境和水文数据，对肯尼亚西部Nyando河流域的洪水易发性进行建模。处理了2024年5月洪水事件的Sentinel-1双极化SAR数据，生成了二进制洪水清单，作为机器学习（ML）模型的训练数据。六个条件因子——坡度、海拔、坡向、土地利用/土地覆盖、土壤类型以及距河流距离——与SAR衍生的洪水清单相结合，用于训练四个监督分类器：逻辑回归（LR）、分类与回归树（CART）、支持向量机（SVM）和随机森林（RF）。模型性能通过准确率、Cohen's Kappa和受试者工作特征（ROC）分析进行评估。结果表明，RF取得了最高的预测性能（准确率=0.762；Kappa=0.480），优于LR、CART和SVM。基于RF的易发性地图显示，维多利亚湖附近的低地Kano平原具有最高的洪水脆弱性，这与历史洪水记录和2024年5月洪水事件的影响一致。这些发现证明了在数据有限的地区结合SAR数据和集成机器学习方法进行洪水易发性制图的价值。生成的地图为灾害风险降低、土地利用规划和预警系统开发提供了重要见解。
引用
@article{arxiv.2512.13710,
title = {Predictive Modeling of Flood-Prone Areas Using SAR and Environmental Variables},
author = {Edwin Oluoch Awino and Denis Machanda},
journal= {arXiv preprint arXiv:2512.13710},
year = {2025}
}
备注
There is an error with this document and I am checking to correct it and I will update it