← 最新论文
📄 地球科学

Applications of Machine Learning and Geospatial Technology to Assessing Urban Flood Susceptibility: A Case Study of Wadi Hanifa, West of Riyadh City

本研究整合了机器学习、地理信息系统(GIS)以及遥感数据,旨在生成一份针对利雅得哈尼法谷地(Wadi Hanifa basin)的高精度洪水易发性图谱,从而识别特定的高风险社区,并为城市防洪减灾规划提供关键见解。

原作者: Jumah I Ain

发布于 2026-10-16
📖 1 分钟阅读☕ 轻松阅读

原作者: Jumah I Ain

原始论文采用 CC BY 4.0 许可(https://creativecommons.org/licenses/by/4.0/)。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性,请参阅原始论文。 阅读完整免责声明

在世界许多地方,城市的发展速度已经超过了其下方土地所能承受的极限。当暴雨降落在被混凝土和沥青覆盖的景观上时,水分无法像以前那样渗入地下。相反,水流会在地表奔涌,不断增加速度和体积,直到淹没街道和地下室。这就是城市内涝的本质——随着气候变化带来更剧烈的风暴,以及快速建设封锁了自然排水系统,这一危机正变得愈发频繁。为了保护民众和财产,城市规划者需要准确了解水会在哪里积聚,以及可能会有多深。几十年来,专家们一直依赖地图和历史记录来推测这些风险,但一种全新的方法正在改变游戏规则。通过结合能够穿透云层的卫星之眼和能够从模式中学习的强大计算机程序,科学家现在可以以前所未有的精度预测洪水风险。这种转变使社区能够从应对灾难转向预防灾难。

在沙特阿拉伯利雅德城的西部,一位研究人员将这一现代工具箱应用于一个特定的挑战:哈尼法谷地(Wadi Hanifa)流域。这条山谷贯穿城市的西部和中部地区,是来自附近山区水流的天然通道。虽然这里在历史上曾支持过农业和定居,但利雅德的快速扩张已将该山谷的大部分区域变成了密集的城市区域。城市的发展导致了一个局面:罕见但剧烈的强降雨可以迅速演变成危险的突发性洪水。研究人员致力于创建一个详细的地图,精确显示哪些社区最容易被淹没。他们并没有依赖猜测或简单的经验法则,而是为整个流域建立了一个数字模型,并向其中输入了大量从太空和地面收集的信息。

研究人员收集了来自五个不同来源的数据,以构建完整的景观图景。他们利用卫星图像来观察覆盖地面的表面类型,区分绿植、裸土以及建筑物和道路等不透水的硬质表面。他们引入了雷达图像,这种图像即使在阴云密布的天气下也能探测到水,从而确保能够看到过去洪水的实际范围。他们还整合了一份详细的地形三维地图,以了解土地的坡度和形状,并结合了数十年的降雨记录,以观察最猛烈的风暴袭击了哪里。最后,他们绘制了道路网络图,因为道路既可以作为水的障碍物,也可以作为渠道。在汇集所有这些信息后,他们转向了机器学习算法——这是一种通过实例进行学习的计算机程序。他们向计算机展示了数千个过去发生过洪水的区域示例,以及数千个保持干燥的区域示例。计算机通过分析这些示例,寻找连接景观与水流之间的隐藏模式。

计算机了解到,该地区的洪水风险是由几个关键因素驱动的。最重要的因素被证明是排水网络的密度。拥有高浓度溪流和渠道的区域更容易发生洪水,因为水流会在那里聚集,尤其是在强降雨期间。第二个关键因素是土地覆盖类型。拥有大量建筑和铺设道路、水分无法渗透的社区,面临着比拥有更多土壤或植被的区域更高的风险。降雨强度是第三大驱动因素,证实了短时间内降下的巨大水量是问题的首要原因。计算机还了解到地形的粗糙度也很重要;平滑、平坦的区域允许水流扩散并积聚,而较粗糙的地面则可以减缓水流。其他因素,如土地坡向或精确的海拔,虽然也起到了作用,但不如排水和土地利用模式那样具有决定性。

一旦计算机学习了这些模式,它就会将这些模式应用于整个哈尼法谷地,以预测地图上每一个点的洪水风险。结果非常准确。当研究人员用现实世界的数据测试该模型时,它在 90% 的情况下正确识别了受灾区域。该模型成功区分了会发生洪水的地方和不会发生洪水的地方,证明了卫星数据与机器学习的结合可以捕捉到城市内涝的复杂现实。生成的地图将流域分为五个风险等级,从极低到极高不等。分析显示,约 6.1% 的流域处于极高风险,另有 14.2% 面临高风险。这些危险区域并非随机分布,而是聚集在特定的、人口稠密的社区。

地图识别出了几个需要立即关注的社区。诸如 Center Uraija、Uraija、Derab、Ukaz、Marwwah、Uraid、Twaeeq-Etaigah 和 Hejrat Wadi Leban 等区域被标记为具有极高的城市内涝易感性。这些社区位于水流自然汇集的低洼地区,且周围环绕着广泛的道路和建筑网络,阻碍了水分的排泄。这项研究强调,这些不仅仅是理论上的风险;模型的预测与实际发生洪水的位置高度吻合。例如,在 2026 年 4 月发生的一次重大洪水事件中,绝大多数观测到的洪水点都恰好落在模型标记为高风险或极高风险的区域内。这种验证为城市管理部门提供了一个强大的决策工具。他们现在可以清晰地看到在哪里加固排水系统,在哪里限制新建设,以及在哪里优先制定应急响应计划。

这项研究表明,洪水管理的未来在于将先进技术与本土知识相结合。通过使用机器学习来分析降雨、地形和人类开发之间复杂的相互作用,科学家可以提供清晰、可操作的见解来保护不断发展的城市。这项研究并不声称已经永久解决了洪水问题,但它提供了一种识别最脆弱地点的可靠方法。对于利雅德及其他快速城市化的城市居民而言,这意味着从“祈求好运”向“充满信心地应对最坏情况”的转变。这张地图就像一份指南,展示了水流的去向,以便人们能够更好地建设、更聪明地规划并保持安全。

您所在领域的论文太多了?

获取与您研究关键词匹配的最新论文每日摘要——附技术摘要,使用您的语言。

试用 Digest →