第七届青年地学论坛

洪水被认为是全球最具破坏力的自然灾害之一。近年来，随着大数据与机器学习技术的不断发展与成熟，其在洪水敏感性评估中的应用已经成为趋势。但是，从历史洪水记录或现场调查中获得的稀疏洪水观测数据无法满足机器学习模型的大量训练数据样本需求。基于此，我们提出一种混合模型方法体系，包括机制洪水模型（HEC-HMS/RAS），快速洪水模型（Height Above the Nearest Drainage，HAND）以及机器学习模型（Random Forest，RF），并以中国东南沿海某洪涝灾害频繁小流域---新罗区流域作为案例区域，对其洪水敏感性进行了评估。本混合模型体系可以利用空间连续的洪水淹没范围为机器学习模型提供大量的训练数据样本，最终极大地提高了模型精度。研究结果表明，所提出的混合模型体系的洪水敏感性评估总体精度与ROC曲线下面积（AUC）值分别为0.915和0.912。与人为活动，城市化和气候变化造成的影响相比，地形和水文形态因素（包括地形湿度指数和到河道的距离）对洪水的影响更大。本研究中提出的方法体系证明了其在洪水敏感性评估中的有效性，对洪水灾害综合管理具有重要意义。
 

洪水敏感性评估，HEC-HMS/RAS模型，HAND模型，随机森林模型