Unsupervised Graph Deep Learning Reveals Emergent Flood Risk Profile of Urban Areas

城市洪水风险源于与洪水危险、洪水暴露、社会和物理脆弱性以及复杂的空间洪水依赖关系相关的多个特征之间的复杂和非线性相互作用。然而，现有的表征城市洪水风险的方法主要基于洪水平原图，侧重于有限数量的特征，主要是危险和暴露特征，而没有考虑特征之间的相互作用或空间区域之间的依赖关系。为了弥补这一差距，本研究提出了一种基于新型无监督图深度学习模型（称为FloodRisk-Net）的综合城市洪水风险评级模型。FloodRisk-Net能够捕捉区域之间的空间依赖性以及洪水危害和城市特征之间的复杂和非线性相互作用，以确定紧急洪水风险。利用美国多个大都市统计区（MSAs）的数据，该模型将它们的洪水风险划分为六个不同的城市特定级别。该模型具有可解释性，可以对每个洪水风险级别内的区域进行特征分析，从而确定形成每个MSA内最高洪水风险的三种典型。发现洪水风险在每个MSA内呈分层结构分布，其中核心城市承担着最高的洪水风险。发现多个城市的总体洪水风险水平较高，空间不平等性较低，表明在平衡城市发展和减少洪水风险方面的选择有限。考虑到最高洪水风险和不均匀空间分布的形成方式，讨论了相关的洪水风险减少策略。

本论文旨在解决城市洪水风险评估中存在的问题，即现有方法主要基于洪水平原地图，仅关注有限数量的洪水危险和暴露特征，而忽略了特征之间的相互作用或空间区域之间的依赖关系。

论文提出了一种基于无监督图深度学习模型（FloodRisk-Net）的综合城市洪水风险评估模型，该模型能够捕捉区域之间的空间依赖性和洪水危险和城市特征之间的复杂非线性交互作用。

论文使用来自美国多个都市统计区（MSAs）的数据，将洪水风险评估划分为六个不同的城市特定级别，并确定了每个MSA内形成最高洪水风险的三种原型。该模型可解释，并且允许对每个洪水风险级别内的区域进行特征分析，从而发现了洪水风险在每个MSA内呈分层结构分布的情况，其中核心城市承担了最高的洪水风险。同时，该论文还讨论了相关的洪水风险减轻策略。

在相关研究方面，最近的研究主要集中在城市洪水风险评估方面，例如：Urban flood risk assessment using an index-based approach and the integration of social and physical vulnerability: A case study in Bogotá, Colombia；A critical review of urban flood risk assessment and management in the developing world；A comprehensive framework for urban flood risk assessment and management in developing countries based on a case study in Bangladesh。