FloodGenome: Interpretable Machine Learning for Decoding Features Shaping Property Flood Risk Predisposition in Cities

了解塑造城市地区洪水固有风险倾向的基本特征对于综合城市设计策略以减少洪水风险至关重要。洪水风险倾向指的是固有且与事件无关的财产洪水风险大小，并衡量城市地区如果暴露于天气灾害中时易受财产损害的程度。本研究提出了 FloodGenome 作为一种可解释的机器学习模型，用于评估各种水文、地形和建筑环境特征及其相互作用对城市地区洪水风险倾向的影响程度。利用美国国家洪水保险计划自2003年至2023年涵盖四个大都市统计区的洪水损害索赔数据，采用 k-means 聚类将人口普查区组（CBGs）分类为不同的财产洪水风险倾向水平，然后创建了一个随机森林模型，基于各种交织的水文、地形和建筑环境特征来指定 CBGs 的财产洪水风险水平。模型可迁移性分析结果显示在各大都市统计区中表现一致，揭示了塑造城市财产洪水风险的潜在特征的普适性。然后，FloodGenome 模型用于：（1）评估未来城市发展在加剧城市地区洪水风险倾向方面的程度；以及（2）在更精细的空间分辨率下指定财产洪水风险水平，为洪水风险管理过程提供关键见解。FloodGenome 模型和研究结果提供了改善塑造城市洪水风险概况的交织特征的表征和理解的新工具和见解。

本论文旨在使用机器学习模型FloodGenome，评估水文、地形和建筑环境特征对城市洪水风险的影响程度，为城市洪水风险管理提供新工具和洞见。

使用洪水损失索赔数据，采用k-means聚类和随机森林模型，对城市区块进行分类和风险评估，以了解特征如何塑造城市洪水风险，并在细化的空间分辨率下指定财产洪水风险级别。

该模型具有解释性，可用于评估未来城市发展对洪水风险的影响，并提供细化的空间分辨率下的风险评估。模型的可转移性分析结果显示了特征对城市财产洪水风险的普适性，为城市洪水风险管理提供新工具和洞见。

相关研究包括利用机器学习模型来评估城市洪水风险、洪水预测和洪水风险管理。其中一些研究包括：'A Machine Learning Approach for Urban Flood Risk Assessment Based on High-Resolution Remote Sensing Data'、'Flood prediction using machine learning models: literature review'和'Flood risk management using machine learning: a review'。