荊州市洪澇災害影響因子探究及風險評估——基于隨機森林和XGBoost算法

林奕晨，周 鵬，潘 悅，劉蘭君，王潤澤

（武漢工程大學土木工程與建筑學院，武漢 430074）

0 引 言

洪澇災害是世界上發生次數最多、頻率最高、影響最廣的自然災害之一。據應急管理部公開數據顯示，截止到7月10日14時，2020年上半年我國洪澇災害共計造成27省（區、市）3 385萬人受災，造成直接經濟損失超過695.9 億元，洪澇災害所帶來的巨大經濟損失和人口傷亡不可忽視。洪澇災害風險評估可通過對不同研究區域社會經濟和自然環境等多方面的影響因子進行分析，構建評估模型識別洪澇災害高風險區，是地區進行洪澇災害監測預警和風險管理的重要基礎，對保障區域人口安全和社會經濟發展等具有重要意義。

國內關于洪澇災害風險評估的系統性研究最早開始于20世紀90年代。從研究尺度來看，既有以大片區、大流域為單位進行區域整體性風險評價和集中管制的研究［1-3］，也有考慮具體城市基本特性的差異而以市縣為單位獨立評估與管控的研究［4-6］；從研究方法來看，現有研究大多是基于統計學方法并結合遙感和GIS技術展開，主流方法有層次分析法［7，8］、GIS多因子綜合評價法［9，10］、BP 神經網絡評價法［11，12］、模糊綜合評價法［13-15］、概率學模型和動力學模型等［16］；從指標體系來看，坡度、高程、河流網密度、最大3 天降水量、暴雨頻率、土地利用類型、植被覆蓋度、耕地面積占比、人口密度、GDP 這10 個指標因子在已有的災害評價研究中認可度和使用頻率最高［7-15］。綜合來看，我國洪澇災害評估體系已趨于成熟，評價模型適用度較高，但仍有問題尚未得到系統性解決：現有研究在評價指標的選取上存在主觀經驗判斷的弊端，缺乏地域針對性和客觀依據的考量，忽略了同一因子在不同環境中對洪澇災害風險貢獻率的差異，導致不同區域的評價模型指標體系趨同；在指標權重的計方法上，傳統的主觀賦權法（如層次分析法［7，8］）更易受到主觀經驗的影響，而客觀賦權法（如熵權法［17，18］），雖在一定程度上避免了人為干擾，但其受到原始數據分布影響較大，穩定性不高。

針對現有研究中存在的問題，引入機器算法進行研究區評價指標的科學選取和評價體系的優化構建，以克服主觀影響過大的弊端。隨機森林模型是一種基于統計學理論的機器學習算法，在評價指標選取階段可直接計算出各影響因子貢獻率作為篩選優化的客觀依據，目前在滑坡［19，20］、泥石流［21，22］和PM2.5污染［23，24］等研究中應用較多。XGBoost 模型具有強大的擬合多變量非線性函數的能力，常用于計算指標權重，能同時處理分類和數值特征，相較于熵值法而言，其準確率更高，穩定性更強［25］。

本文面向湖北省荊州市2020年7月中下旬遭受的洪澇災害，初選高程、坡度、極端日降雨量、植被覆蓋度等18 個基礎指標，采用隨機森林模型探究其因子貢獻率，并以模型的ROC 曲線下面積（AUC）和準確率（ACC）值作為判斷依據進行指標因子的優化篩選；再結合XGBoost 模型建立荊州市洪澇災害風險指數評估模型進行風險評價，識別荊州市洪澇災害高風險區域，以期為荊州市洪澇防災減災規劃提供科學的依據。

1 材料與方法

1.1 研究區概況

荊州市位于湖北省中南部，地處長江中下游，境內河流交錯、湖泊密布，長江水系自西向東貫穿全市，市內水資源極其豐富。荊州氣候濕潤多雨，多年平均降雨量在1 074.5～1 507.9 mm 之間，且降雨時空分布嚴重不均，梅雨季節洪澇災害發生頻繁，是長江中下游一帶深受洪澇災害影響的典型城市之一。

1.2 研究方法

1.2.1 隨機森林模型

隨機森林是一種基于多顆決策樹組合的集成學習模型。它利用bootstrap重抽樣從原始訓練集中抽取若干特征數一致的樣本，對每個樣本進行決策樹建模，然后組合多顆決策樹的預測，通過投票或取平均值的方式得出最終結果。

利用隨機森林模型來評估特征重要性的方法在現有研究當中應用較多，其重要性權重基于Gini 指數得出。通過計算每個特征在每顆決策樹節點分割時Gini 指數的改變量的平均值，通過比較不同特征的平均Gini指數改變量占所有特征平均Gini指數改變量總和的百分比來判斷特征重要程度。

用VIM表示特征重要性評分，用GI表示Gini指數。假設有m個特征（X1，X2，X3，…，Xm），先計算每個特征Xj的Gini 指數評分VIM(Gini)j，即第j個特征在所有決策樹中節點分裂不純度改變量的平均值。計算公式為：

式中：k表示類別數，pmk表示類別k在節點m中占的比例；VIM(Gini)jm表示特征Xj在節點m分裂時Gini 指數的變化量，GIl和GIr分別表示分支后兩個新節點的Gini指數。

若特征Xj在決策樹i中出現的節點為集合M，那么Xj在第i棵樹的重要性為：

若隨機森林中共有n棵樹，那么Xj在所有決策樹中的Gini指數變化量總和為：

最后將其進行歸一化處理，得到特征Xj的重要性：

由于隨機森林是集成算法，相比于單一算法而言，其精度更高；且bootstrap重抽樣為有放回的抽樣，極大程度提升了訓練集的隨機性，使得模型不易產生過度擬合，穩定性更強，成為目前公認的最好的機器學習模型之一［26］。

1.2.2 XGBoost模型

XGBoost（Extreme Gradient Boosting），是一種高效的梯度提升決策樹算法，可于指標權重的計算。其基本思想就是不斷地添加樹和進行特征分裂，每添加一棵樹就學習一個新的函數，以每一輪的預測去擬合上一輪預測的殘差，根據樣本的特征就可預測樣本分數。當訓練完成得到n棵樹，在每棵樹中會落到對應的葉子節點上，每個葉子節點對應一個分數，最后將所有樹的對應分數相加就得到該樣本的預測值。其計算公式如下：

式中：ωq(x)表示葉子節點q的分數；f(x)表述其中某一可回歸樹。

在XGBoost算法中，決策樹先后關聯性較強，每一輪預測均以上一輪的預測誤差為基礎，利用各輪預測誤差反復迭代構建模型，極大程度地提升了模型預測的準確性［27］。與傳統的統計學模型相比，其可以為缺失的數據值或者指定的值指定分支的默認方向，從而減小數據缺失帶來的誤差，且能同時處理分類和數值特征，使預測模型具有更強的穩定性。

1.3 數據來源

1.3.1 洪水淹沒區提取

本文基于下載自哥白尼開放訪問中心（https：//scihub.copernicus.eu/）的荊州市2020年4月15日和2020年7月15日哨兵二號高分辨率多光譜成像產品提取研究區洪水淹沒范圍。該數據產品級別為Level-1C 數據，空間分辨率最高達10 m。在對該數據進行輻射定標、幾何校正、大氣校正預處理步驟后，利用SNAP 和ENVI 軟件轉換數據格式。為獲取洪澇淹沒范圍，建立原有水體、水淹區域和陸地三類感興趣區樣本，通過對比試驗，采用圖論分割算法進行監督分類，再對監督分類后的結果進行主要/次要分析和聚類后處理步驟以及人工矯正，得到洪水淹沒區范圍，如圖1所示。

圖1 荊州洪水淹沒區Fig.1 The flooded area of Jingzhou

1.3.2 評價指標數據來源

根據自然災害風險評估理論可知，區域洪澇災害的發生是由其孕災環境、致災因子和承災體三者共同作用的結果，近年來越來越多的學者也將防災減災能力納入考量區域洪澇災害風險的準則之中［1-3，3-9］。基于此，本研究充分考慮荊州市的地域特征及數據的可獲得性，經過相關性檢驗分析，從致災、運災、承災和防災減災四個角度確定選擇地形起伏度、高程、坡向、土壤濕度、土壤質地、土壤滲透性、主要河流水系緩沖區、距主要道路距離、耕地面積占比、土地利用類型、植被覆蓋度、近5年暴雨天數、極端日降雨量、蓄洪區、人均GDP、夜間燈光亮度、醫療能力和空氣污染指數18 個指標作為基礎因子。其中夜間燈光亮度和空氣污染指數作為洪澇災害評價指標體系中的創新指標：前者主要以夜間燈光的分布來表達夜間建設用地和人口分布狀況，在城市化、人口、區域經濟等領域應用廣泛［28，29］，此處用來替代人均GDP、人口密度和城鎮化水平3個因子，既能克服社會經濟類因子之間相關性過大的缺陷，其以柵格為單位的數據屬性相對于傳統社會經濟因子以行政區作為評價單位，也更能提高評價結果的精度；后者空氣污染通過阻礙水蒸氣形成對流和降雨，改變區域氣象模式，對暴雨災害的形成具有催化作用，其與暴雨洪澇災害的相關性在已有研究中已得到證實［30，31］。數據來源如下：

（1）基礎地理信息數據：數字高程、地形起伏度、坡度數據來源于中國科學院計算機網絡信息中心地理空間數據云平臺（http：// www.gscloud.cn）；植被覆蓋度由地理空間數據云的Landsat 8 OLI_TIRS 衛星影像計算NDVI 指數而得；土壤濕度、土壤質地、土壤滲透性數據來源于中國地表模擬土壤屬性數據集；土地利用類型數據來自于中國科學院空天信息創新研究院30 m 柵格數據集；行政區劃數據、河網水系、道路等數據來源于“荊州市資源環境承載力與國土空間開發適宜性評價”項目及其調查資料。

（2）氣象數據：近5年暴雨天數和極端日最大降雨量數據來源于“荊州市資源環境承載力與國土空間開發適宜性評價”項目，由荊州市自然資源與規劃局提供，數據來源可靠；空氣污染數據來源于達爾豪斯大氣成分分析組。

（3）社會經濟數據：人均GDP、耕地面積占比等數據來自于荊州市統計局（http：//www.jingzhou.gov.cn/tb/）；醫療設施點位數據由百度地圖爬取；夜間燈光亮度遙感數據來源于珞珈一號夜光遙感衛星監測。

由于數據來源、格式不統一，需先通過投影變換統一空間數據的坐標系，并對離散數據采用克里金插值法進行空間化處理，并與矢量數據配準。為保證評價精度，還需利用GIS重采樣工具統一所有柵格數據的空間分辨率為30 m。

2 洪澇災害評價指標分析及優化選取

2.1 基于隨機森林模型的指標貢獻率分析

從已獲取的洪水淹沒區中隨機選取150 個淹沒樣本，編碼為“1”，從未發生洪澇災害的區域同樣隨機選取150個非淹沒樣本，編碼為“0”，共計選取樣本總數300 個，如圖2。以這300 組樣本數據為基礎，設置選擇70%的樣本點（即105個淹沒樣本點和105 個非淹沒樣本點）作為訓練集，剩下30%的樣本點（即45個淹沒樣本點和45 個非淹沒樣本點）作為驗證集，模型主要參數設置如下：n_estimators=100，criterion=′gini′，max_depth=′None′，min_samples_split=2，min_samples_leaf=20，max_features=′sqrt′，min_impurity_decrease=0.0，bootstrap=True，oob_score=True，n_jobs=1，random_state=None，利用python 軟件實現隨機森林模型運行。其計算得到的評價指標貢獻率排序如圖3。

圖2 樣本點分布圖Fig.2 Distribution of sample points

圖3 各評價指標貢獻率排序Fig.3 Rank of contribution rate of each evaluation index

由圖3可知：

（1）18 項基礎評價指標貢獻率之和為1，其中貢獻率超過0.1 的指標有3 項，分別為主要河流水系緩沖區（0.242）、蓄洪區（0.125）和夜間燈光亮度（0.101）。主要河流水系緩沖區貢獻率最高且超過0.2，說明荊州市域內洪澇淹沒區分布與其主要河湖水系分布走向的聯系最為密切；蓄洪區貢獻率排序位居第二，說明荊江分蓄洪區、人民大垸分蓄洪區、涴市備蓄區和洪湖分蓄洪區及其周邊范圍內是荊州洪澇災害發生的高風險區域；夜間燈光亮度貢獻率第三，充分體現了城市人群分布和活動與洪澇災害淹沒范圍的在空間上的高度耦合性。

（2）貢獻率在0.049～0.1 之間的指標有5 項，分別為極端日降雨量（0.067）、土壤濕度（0.056）、土壤質地（0.053）、耕地面積占比（0.050）、近5年暴雨天數（0.049）。極端日降雨量、土壤濕度、土壤質地和近5年暴雨天數體現了氣象因素和地質條件在洪澇災害形成過程中的重要推動作用，耕地面積占比則說明了洪澇災害中的暴露主體是農業種植物。

（3）貢獻率在0.02～0.049 之間的指標有6 項，涉及到地形地質、空氣環境質量和社會經濟三個方面；貢獻率低于0.02 的因子也有4 項，這僅說明在荊州市范圍內這些指標因素與洪澇災害發生的關聯性較弱。

2.2 洪澇災害評價指標優化選取

2.2.1 AUC與ACC

AUC（Area Under Curve）通常用來表示接收者操作特征曲線（Receiver Operating Characteristic，ROC）下與坐標軸圍成的面積，取值范圍通常在0.5～1，AUC 作為衡量學習機預測性能優劣的一種指標，其值越接近1，則表示模型的預測性能越好；ACC（Accuracy）準確率，是指模型預測模型預測“正確”的樣本占所有預測樣本的比重，通常來判斷分類器分類結果的好壞。將AUC 和ACC 相結合作為衡量預測模型穩定性和精準度的標準，可以有效避免實際數據樣本中常出現的數據偏斜情況所帶來的結果誤差。

2.2.2 評價指標優化選取

針對各指標貢獻率的高低排序結果，從貢獻率最低的指標開始逐步精簡因子，每精簡一個指標就構建成為一個新的預測模型。同樣以上述300個樣本為基礎，訓練集、驗證集和模型參數保持不變，利用python 軟件依次實現每次隨機森林模型的運行，記錄和比較每一個模型的AUC 和ACC 值，探究最優模型結構。實驗過程記錄如表1。

根據表1，從實驗1 到實驗9，隨著貢獻率較小的指標的精簡，各實驗中模型的AUC值和ACC值整體上都是呈現先增后降的趨勢。從實驗1 到實驗5，模型的AUC 值與ACC 值整體呈現逐步升高的態勢，這是由于隨著貢獻率極低的指標的精簡，模型中輸入的干擾信息越來越少，模型結構逐得到優化，模型的性能隨之提升，并且在實驗5 中AUC 和ACC 值同時達到頂峰，說明此時模型的性能和預測準確率最高；而實驗6 到實驗9 中，隨著貢獻率越來越大的指標被精簡，模型中被輸入的有效信息越來越少，故而模型性能隨之降低。即在精簡刪除貢獻率較低的土地利用類型、坡向、植被覆蓋度和距主要道路距離這四個指標后，模型性能和預測準確率最高。

表1 實驗過程記錄表Tab.1 Experimental process record sheet

利用隨機森林模型對18項基礎指標進行貢獻率分析，并根據比較精簡不同指標時模型的AUC 和ACC 值判斷模型預測性能的優劣和準確性，最終確定符合荊州市實際情況的最優洪澇災害評價指標體系，共計14 項評價指標，分別為：地形起伏度、高程、土壤濕度、土壤質地、土壤滲透性、主要河流水系緩沖區、耕地面積占比、近5年暴雨天數、極端日降雨量、蓄洪區、人均GDP、夜間燈光亮度、醫療能力和空氣污染指數。

3 洪澇災害風險性評估

3.1 洪澇災害風險評價模型構建

以上述優化篩選后的14項評價指標為基礎，計算各項指標相對于最終風險的權重，構建荊州市洪澇災害風險評估模型，并基于自然災害風險評估理論的要求，從孕災環境、致災因子、承災體和防災減災四個層面分別開展荊州市洪澇災害孕災環境敏感性、致災因子危險性、承災體暴露性和防災減災能力分析，以全方面探究洪澇災害風險性影響因素。為克服人為主觀性干擾和數據屬性的差異對預測結果的帶來的誤差，本文引入XGBoost 算法進行指標權重的求取，根據其各輪預測誤差反復迭代構建模型，最大限度地提升模型預測的準確性，以計算出各單項評價指標相對于最終洪澇災害風險的權重。模型主要參數設置如下：objective=′binary：logistic′，max_depth=6，learning_rate=0.05，n_estimators=200，subsample=0.8，booster=’gbtree’，nthread=None，gamma=0，colsample_bytree=0.8，n_jobs=1，reg_alpha=0，reg_lambda=1，scale_pos_weight=1，seed=42，利 用python 軟件實現XGBoost 模型運行，得到各評價指標權重如表2。

表2 洪澇災害風險性評價各指標權重一覽表Tab.2 Index weight table of flood hazard risk assessment

由于不同指標之間的單位不同，為了消除各個指標間的量綱差異以便于比較，需要借助ARCGIS 空間分析模塊中的重分類工具對各個指標進行歸一化處理，如圖4。

圖4 洪澇災害風險評價單因子圖Fig.4 Single factor diagram of flood disaster risk assessment

洪澇災害孕災敏感性、致災因子危險危險性、承載體暴露性和防災減災能力評價的計算采用加權綜合評價法，計算公式為：

式中：n為評價指標數量；G為各項評價的綜合指數；Wi和Di分別表示各指標基于最終風險的權重和其歸一化后的指標值。

最后根據災害學風險評估原理，利用冪指數加權評價法，將洪澇災害敏感性、危險性、暴露性和防災減災能力評價結果集成疊加，建立洪澇災害的風險評估模型：

式中：FDRI為洪澇災害風險評價最終結果；f為冪指數模型；VH、VE、VS、VR分別為公式（8）計算得到的洪澇災害敏感性、危險性、暴露性和防災減災能力評價指數。

3.2 評價結果與分析

3.2.1 單項評價結果分析

根據上述洪澇災害風險性評價模型，借助ARCGIS 軟件的空間疊加分析功能計算得到荊州市洪澇災害敏感性、危險性、暴露性和防災減災能力評價指數，其值域范圍分別為［0，0.425］、［0，0.371］、［0，0.128］和［0，0.076］，參考前人研究中災害風險等級劃分的五分法［8］，采用自然斷點法進行等級劃分，分級標準如表3所示，得到荊州市洪澇災害敏感性、危險性、暴露性和防災減災能力等級區劃圖（圖5～8）。

表3 單項評價等級區劃標準Tab.3 Criteria for classifying individual evaluation grades

由圖5可知，洪澇災害敏感性受河網密度影響較為顯著，敏感性等級高的區域大體上沿洪湖、長江支流以及其他同屬長江水系的二級支流分布；敏感性等級較高的區域主要分布在市域中部的石首、公安二市，以及松滋市西部和荊州區東部；江陵縣由于河湖水庫分布較少，受到泄洪、排洪威脅較小，故其縣域范圍內洪澇災害敏感性評級普遍較低；同時，由于松滋市西部的山地由于地勢較高、坡度較大，不易積水，故洪澇災害敏感性評價等級指向最低。

圖5 洪澇災害敏感性等級區劃圖Fig.5 Zoning map of flood disaster sensitivity levels

由圖6可知，荊州市洪澇災害危險性較高的區域主要集中在洪湖市、監利市東南部和石首市北部，其中洪湖市處于危險性最高的區域；洪澇災害危險性等級為中等的區域分布在公安縣東部，其他區域危險性較低。由于洪湖市在三項評價指標中均處于危險性最高區，故其為全市范圍內洪澇災害重危區，在進行城市規劃和城市自然災害應急管理時應重點關注。

圖6 洪澇災害危險性等級區劃圖Fig.6 Zoning map of flood disaster hazard levels

由圖7可知，承災體暴露性較高的縣市為石首市、江陵縣和公安縣，這是由于此三個縣市農業種植業比重大，農地資源豐富，耕地暴露性強，在洪澇災害發生時其農作物受到損害的范圍和幾率相對較大，社會經濟損失也會較高；此外，松滋市、荊州區、沙市區和洪湖市的中心城區也處于暴露性高等級，中心城區人口密度較大，人群活動頻繁，在受到災害時其遭受的經濟損失和人員傷亡也遠高于經濟活動頻次較低或人口密度較低的地區。

圖7 洪澇災害暴露性等級區劃圖Fig.7 Zoning map of flood disaster exposure levels

圖8為防災減災能力等級區劃圖。防災減災能力主要依靠區域社會經濟發展水平、基礎設施和自然資源條件的綜合作用，防災減災能力越強，抵御災害和災后恢復的能力則越強，其危險性則越低。故荊州區和沙市區等社會經濟發展優越的地區防災減災能力明顯高于其他區域；其次是自然資源豐富和經濟發展狀況適中的松滋市防災減災綜合也較高；江陵縣和監利市在經濟發展和基礎建設方面較為薄弱，故防災減災能力評價等級較低。

圖8 防災減災能力等級區劃圖Fig.8 Zoning map of disaster prevention and mitigation capabilities

3.2.2 綜合評價結果分析

根據加權綜合評價得到荊州市洪澇災害風險指數分布圖，如圖9，其值域范圍為［0，1］，指數值越靠近1，表示該地區發生洪澇災害的風險就越高。為了加強洪澇災害分區管控措施，本文基于自然斷點法［6］，根據災害風險等級劃分的五分法分將荊州市劃分成為洪澇災害高風險區（0.720，1］、次高風險區（0.598，0.720］、中風險區（0.395，0.598］、次低風險區（0.193，0.395］和低風險區［0，0.193］五個等級，如圖10。

圖9 洪澇災害風險綜合評價圖Fig.9 Comprehensive risk assessment map of flood disaster

圖10 洪澇災害風險區劃圖Fig.10 hierarchical map of flood hazard risk

經統計，荊州市洪澇災害高風險區面積為2 114.15 km2，占全域面積的15.30%，其范圍主要分布市域東部洪湖市范圍內，以及監利市、公安縣、石首市范圍內的長江干流、支流附近，可見洪澇災害風險性與河湖水庫、長江廊道等水文因子相關性極高；洪澇災害次高風險區面積為3 310.21 km2，在全市范圍內占比為23.96%，其分布主要在洪湖市、公安縣、石首市和監利市，受到蓄洪區影響明顯；洪澇災害中風險區面積3 506.65 km2，占比最大，為25.38%，分布范圍也較廣；次低風險區和低風險區面積分別為3 148.65 km2和1 734.92 km2，共占全域面積的35.35%，主要分布在西部的松滋市和中北部的荊州區、沙市區以及江陵縣，其中松滋市和江陵縣受到地理和氣象因素影響較大，而荊州區和沙市區則是受益于社會經濟水平的發達而具有更強的風險抵抗能力。

為驗證本次洪澇災害風險評價結果的合理性與準確性，利用前文中洪澇災害淹沒范圍提取方法，將荊州市2016年7月3日的影像與4月15日的影像作對比檢測，提取出2016年7月在江漢平原重大洪澇災害中荊州市的淹沒范圍。將其與此次洪澇災害風險評價結果進行空間疊加分析，發現2016年洪水淹沒區與圖10中高風險區與吻合度較高；根據相關資料記載，洪湖市在歷史災情中防汛抗旱形勢最為嚴峻，與圖10中高風險和較高風險區劃結果吻合。綜合來看，此次洪澇災害風險評價結果是科學合理的，與荊州市實際情況相符。

4 結論與討論

4.1 結 論

面向荊州市2020年7月遭受的洪澇災害，結合機器算法中的隨機森林模型和XGBoost 模型，進行荊州市洪澇災害影響因子探究及洪澇災害風險評估研究，得出結論。

（1）本文初選高程、坡度、極端日降雨量、植被覆蓋度等18個基礎指標，采用隨機森林算法探究其因子貢獻率探究，發現荊州市域內對洪澇災害風險貢獻率最突出的3項指標由高到低依次為主要河流水系緩沖區、蓄洪區和夜間燈光亮度；另外，極端日降雨量、土壤濕度、土壤質地、耕地面積占比、近5年暴雨天數也在洪澇災害風險評估中貢獻較大。

（2）本文以隨機森林模型AUC和ACC值為判斷依據進行評價指標的優化篩選，最終在精簡掉貢獻率較低的土地利用類型、坡向、植被覆蓋度和距主要道路距離和這4 個指標后，模型性能和預測準確率達到最高。

（3）利用XGBoost算法計算優化精簡后的指標權重，構建與荊州市實際情況相符合的洪澇災害風險評價模型。其評價結果顯示荊州市洪澇災害高風險區面積占比為15.30%，其范圍沿洪湖、長江干流及其下屬支流分布十分顯著因而荊州市對于長江水位線的檢測和其防洪堤規劃十分重要。荊州最易受到洪澇災害威脅的是洪湖市、監利市東部、公安縣和石首市，相關管理人員應及時做好防災減災應對措施。

4.2 討 論

本文的創新之處：①在洪澇災害風險評估體系構建中引入機器學習算法，克服了指標因子篩選和權重計算過程受到數據間復雜非線性關系影響和人為主觀影響過大的問題；②在指標選取階段，在前人研究綜述的基礎上新增夜間燈光亮度遙感數據和空氣污染指數，前者能克服社會經濟類因子之間相關性過大的缺陷，提高評價結果的精度；后者證實了空氣污染與自然災害的聯系。

本文的不足之處：①受到數據獲取途徑的限制，本文僅選用了18個基礎因子進行二次優化篩選，未來可繼續追求更加全面的影響因子；②受到數據類型的限制，部分數據來源統計于表格，用克里金差值法處理為面數據，數據精度不夠，未來可考慮和尋求其他精度更高的柵格數據進行同類替換。