无监督图深度学习揭示城市区域涌现的洪水风险特征

城市洪水风险源于与洪水危险性、洪水暴露度以及社会与物理脆弱性相关的多种特征之间复杂的非线性相互作用，以及复杂的空间洪水依赖关系。然而，现有的城市洪水风险刻画方法主要基于洪水淹没图，聚焦于有限数量的特征（主要是危险性和暴露度特征），未考虑特征相互作用或空间区域间的依赖关系。为弥补这一不足，本研究提出了一种基于新颖无监督图深度学习模型（称为 FloodRisk-Net）的集成城市洪水风险评级模型。FloodRisk-Net 能够捕捉区域间的空间依赖关系，以及洪水危险性与城市特征之间复杂的非线性相互作用，从而刻画涌现的洪水风险。利用美国多个大都市统计区（MSAs）的数据，该模型将其洪水风险划分为六个不同的城市特定等级。该模型具有可解释性，并能对每个洪水风险等级内区域进行特征分析，从而识别每个 MSA 中塑造最高洪水风险的三种原型。研究发现，在每个 MSA 内洪水风险呈层级结构空间分布，其中核心城市不成比例地承担最高洪水风险。发现多个城市具有较高整体洪水风险等级和较低空间不平等性，表明在平衡城市发展与削减洪水风险方面选择有限。结合最高洪水风险与洪水风险空间分布不均的形成方式，讨论了相关的洪水风险削减策略。