何强 1, 2，王柳佳 1, 2 ，段廷玺1, 2，邵知宇 1, 2 ，路子豪 1, 2 ，陈磊 1, 2 ，马海元 1, 2 ，肖子杰1,2，高旭 3 ，敖良根 4, 1 ，柴宏祥1,2
（1.重庆大学环境与生态学院，重庆 400044；2三峡库区生态环境教育部重点实验室，重庆 400044；3重庆中法环保研发中心有限公司，重庆 400021；4.重庆设计集团有限公司市政院，重庆 401120）
摘要：本研究以重庆市中心城区这一典型山地城市为研究对象，基于2018—2022年历史内涝数据及多源遥感地形、土地覆盖数据，筛选7项地形因素、7项环境因素和2项城市因素，构建Voting集成学习模型，量化各类因素对山地城市内涝风险的影响，并结合SHAP解释工具揭示内涝致灾因素的贡献特征及其关联机制。结果表明，Voting模型在城市内涝预测中具有较高精度和良好泛化能力，R²为0.7738，平均绝对误差（MAE）为0.0386，均方根误差（RMSE）为0.0689。环境因素、城市因素和地形因素对山地城市内涝的相对贡献率分别为78.20%、11.56%和10.24%。其中，土地覆被特征与分布类因素影响最为显著，累计贡献率达71.15%；单一因素中，不透水面占比贡献最高，为23.93%，其次为不透水面的孔隙形态，贡献度为10.56%。研究结果可为城市内涝灾害防治的精细化规划与管理提供科学依据。
关键词：山地城市内涝；驱动因素；机器学习；集成学习；SHAP
随着快速城市化推进，我国城镇化率由1978年的17.92%提升至2021年的64.72%[1]。这一过程中，城市绿地不断被不透水表面取代，改变了地表覆盖结构与水文过程，导致内涝事件频发，并造成严重人员伤亡和财产损失。
城市内涝成因复杂，受极端降雨、地形特征、不透水面扩张、植被覆盖变化及排水系统状况等自然和人为因素共同影响[2]。现有研究虽揭示了部分因素对内涝的单独作用，但对多类驱动因素，尤其是环境因素与人为因素综合作用下相对贡献的定量研究仍显不足，城市内涝形成的复杂机制尚未得到充分阐明。
针对城市内涝演进过程的复杂性，相关研究逐渐转向采用机器学习等智能算法开展驱动因素分析。机器学习在处理内涝成因的非线性、多变量和复杂耦合关系方面具有明显优势，能够通过样本学习揭示因素间的内在联系，优化指标权重分配，从而减少传统权重赋值的主观性[3]。本研究以典型山地城市重庆市中心城区为对象，基于历史内涝点位、多源遥感地形和土地覆盖数据，选取地形、环境及城市因素作为驱动因子，构建Voting集成模型量化各因素对内涝密度的影响，并结合SHAP方法和频率比方法分析致灾因素贡献及其与内涝等级的空间关联，以揭示城市内涝风险演变及其驱动机制，为内涝灾害防治和精细化管理提供理论支撑。
1 材料与方法
1.1 研究区概况
选择重庆市中心城区作为研究区域，以构建城市内涝风险驱动因素分析的框架，如图1所示。重庆市中心城区面积648平方公里，排水管网总长2.3万公里，具有典型山地地形，属亚热带湿润季风气候，年均高温天数超长江中下游地区，全年70%以上降水集中于5-10月。
本研究引入流域作为分析单元，基于ArcGIS水文分析模块，将研究区域划分为776个子流域单元，流域划分结果如图1所示。
