基于可解释机器学习与多目标优化算法的山区绿色基础设施格局优化——以北京市浅山区为例

摘要

【目的】气候变化的加剧显著提升了浅山地区的洪涝风险。明晰绿色基础设施（green infrastructure, GI）空间格局特征对山地雨洪的作用机制，并优化其空间格局，可加强浅山区的洪涝防治能力，减轻极端降雨的消极影响。【方法】1）通过SWAT软件与XGBoost机器学习模型，构建基于GI空间格局特征的高精度山地雨洪产流预测代理模型；2）使用基于SHAP的机器学习解释工具对该模型进行解释，定量揭示各类GI空间格局特征对山地雨洪产流的影响机制；3）基于影响机制，使用NSGA-Ⅱ多目标优化算法对浅山区典型区域内的关键GI进行格局优化，以检验GI格局优化的雨洪消减效果。【结果】训练得出的山地雨洪产流预测模型拥有优秀的预测模拟性能。对该模型进行解释，发现郁闭落叶阔叶林的斑块密度以及草地的斑块面积比例是与山地雨洪产流正相关的关键格局特征；对二者进行优化的最优格局可在百年一遇的历史极端降雨情景下降低13.5%的洪涝风险。【结论】本研究通过应用可解释机器学习技术，成功揭示了不同GI空间格局特征对山地雨洪产流的影响，并对关键格局特征的作用机制进行探讨，提出林地斑块联通、草地斑块缩小以促进最优GI格局的策略，减小强降雨下山地区域的洪涝风险。研究成果可为类似地区的山地绿色空间规划提供有效技术支持和实践指导。

关键词

防灾减灾 / 绿色基础设施 / 可解释机器学习 / 多目标优化算法

基金资助

国家自然科学基金“北京浅山区绿色空间低影响开发机制及多目标优化模型研究”（编号52208042）; 北京市共建项目（编号2015BLUREE01）; 上海市城市设计与城市科学重点实验室开放课题（编号2024CSLin＿LOUD）