基于机器学习的雅鲁藏布江流域暴雨山洪灾害风险评估研究
文献类型：学位论文
| 作者 | 何飞 |
| 答辩日期 | 2025-06 |
| 文献子类 | 学术型学位 |
| 授予单位 | 中国科学院大学 |
| 授予地点 | 中国科学院地理科学与资源研究所 |
| 导师 | 刘苏峡 |
| 关键词 | 雅鲁藏布江流域 机器学习 暴雨山洪灾害 极端降水 风险评估 |
| 学位名称 | 博士 |
| 学位专业 | 自然地理学 |
| 英文摘要 | 在全球气候变暖背景下，雅鲁藏布江流域作为我国重要的生态功能区和生态安全屏障，极端降水频发，山洪灾害风险增加。然而，该流域地形地貌复杂多样，降水时空分布极不均匀，地理条件复杂且交通不便，水文气象观测站点分布稀疏，暴雨山洪灾害作为该区域主要的山洪灾害，其分异机制尚不明确，暴雨山洪灾害时空分异与风险研究面临着诸多的难题与挑战。 本研究基于雅鲁藏布江流域的下垫面数据、水文气象数据、人类活动数据以及暴雨山洪灾害相关数据，应用机器学习算法和统计分析方法，深入探讨了雅鲁藏布江流域极端降水的时空变化、暴雨山洪灾害的时空分布模式及其驱动力、暴雨山洪易发性评估及暴雨山洪灾害风险评估，构建了"数据层-分析层-模型层"的三级研究方法体系，旨在为该流域的暴雨山洪灾害风险评估提供科学依据，提升流域防御能力，保障区域可持续发展。论文的主要研究结果及结论如下： （1）极端降水时空变化研究。雅鲁藏布江流域降水主要集中在5月至9月，西部、中部和东部的集中比率（CR）分别为0.83、0.76和0.55，东部降水分布更为均匀，雨季降水占比自东向西递增，年降水总量自东向西减少。在年际变化中，西部年降水量逐渐下降，中部上升，东部在1980至2007年缓慢下降，而2007至2023年则略有上升但变化幅度不大。极端降水整体呈上升趋势，西部和中部的上升趋势明显，特别是西部的强降水事件及年总降水量增幅最大，干旱日数减少，湿润日数增加。中部地区湿润化趋势显著，而东部的变化较为复杂，趋势不明显。Mann-Kendall突变检验显示，2000年后各区域极端降水事件变化显著，西部和中部频率和强度增加，山洪风险提升。降水产品精度对比发现，干季各降水产品表现较好，但在多雨季节差异明显。日尺度上，TPHiPr的相关系数最高（CC=0.979），误差较低（RMSE=0.587），但相对误差偏高（RE=14.632%），反映其在监测日降水方面较为精准。CMFD表现均衡，误差较低（RMSE=0.786），相对误差最小（RE=2.464%），且KGE最高（0.926），整体监测能力较强。相比之下，HSRP和CHM_PRE的监测性能较弱，难以准确反映降水实际情况。结合各种指标，TPHiPr和CMFD在不同条件下均表现出较好的监测能力，适合实际应用。 （2）暴雨山洪灾害空间分布格局与驱动力探测。雅鲁藏布江流域的暴雨山洪灾害分布具有空间聚集性和尺度差异性。在区县尺度上，“高—高”聚集主要分布在日喀则市和山南市的部分区域；在乡镇尺度上，“高—高”聚集则集中于林芝、日喀则和山南的部分乡镇；在小流域尺度上，“高—高”聚集显著集中于流域中部。因子探测研究显示，村落密度是主要的驱动因子，与短时强降水（q=0.7236）和国内生产总值（GDP，q=0.7219）的非线性增强效应显著。在降水因子中，最大3小时降水量和最大6小时降水量是关键的气象风险驱动因素。在地形与生态因子分析中，高程和植被类型的交互作用较为显著（q=0.3073）。 （3）暴雨山洪易发性评估。借助H2O Auto-ML技术，构建了暴雨山洪易发性地图。整合595起暴雨山洪事件和15个影响因素，通过多重共线性诊断测试（VIF）和Spearman相关系数分析，筛选出关键因素。极端随机树模型（XRT）表现最佳，AUC（Area Under the Curve）值超过0.97，成为绘制洪水易发性地图和进行可解释性分析的首选。地图显示，西部和中部地区的易发性较高，21.87%的区域被评估为高度易感或更高风险，且74.9%的历史山洪事件发生在中等到极高易发区。地形因素（如高程、地形湿度指数、地形位置指数等）主导山洪易发性，在多年平均降水量在350-500 mm范围内时，暴雨山洪的易发性较高。SHAP（SHapley Additive exPlanations）值和因子重要性分析均表明，地形因子和降雨因子是影响本研究区域暴雨山洪的主要因素，而土地利用和水文因素的影响相对较小。这些发现凸显了地形、气候和植被因素在确定暴雨洪水易发性方面的复杂相互作用，为后续的风险评估奠定了基础。 （4）暴雨山洪灾害风险评估。基于H2O Auto-ML平台，对比了GBM（梯度提升机）、XRT和DRF（分布式随机森林）三种模型。GBM模型在稳定性和整体表现上更具优势。从1979-1999年到2000-2020年，山洪灾害风险总体呈上升趋势，高风险区域在中部和东部显著增加。地理梯度和人类活动对风险变化有显著影响。可解释性分析表明，降雨因子（如最大降水量和降水强度）是山洪发生的关键触发因素，而地形因子（如坡度和地形崎岖度指数）则通过影响水流汇集和分散能力对山洪风险产生影响。植被和土地利用（如植被类型和土地利用变化）的影响较为复杂，人类活动（如建筑和交通网络密度）对山洪风险的影响逐渐增强。此外，村落密度在两个时间段内始终是影响山洪发生的重要因素，但其重要性在2000-2020年间有所下降。 总体来说，在全球气候变暖的背景下，本研究为雅鲁藏布江流域暴雨山洪灾害的科学防控提供了重要参考。未来将进一步深化对灾害链形成及传播机制的定量化研究，优化风险评估指标体系，提高评估模型的适用性和精度，为雅鲁藏布江流域的防洪减灾及政府决策提供更科学的依据，保障区域经济社会的可持续发展。 |
| 学科主题 | 自然地理学 |
| 语种 | 中文 |
| 页码 | 145 |
| 源URL | [http://ir.igsnrr.ac.cn/handle/311030/217298]  |
| 专题 | 地理科学与资源研究所_研究生部 |
| 推荐引用方式 GB/T 7714 | 何飞. 基于机器学习的雅鲁藏布江流域暴雨山洪灾害风险评估研究[D]. 中国科学院地理科学与资源研究所. 中国科学院大学. 2025. |
入库方式： OAI收割
来源：地理科学与资源研究所
浏览0
下载0
收藏0
其他版本
除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。