面向暴雨洪澇災(zāi)害的海濱區(qū)域敏感性要素分析*

朱 麗，馬俊榕，馬秀峰

(1.天津大學(xué) 建筑學(xué)院，天津 300072; 2. APEC可持續(xù)能源中心，天津 300000)

暴雨洪澇災(zāi)害造成低洼片區(qū)淹沒，進(jìn)而導(dǎo)致房屋倒塌、設(shè)施被毀等重大損失。根據(jù)緊急事件數(shù)據(jù)庫EMDAT (Emergency Events Database)顯示全球在2000—2020年間由于暴雨洪澇災(zāi)害造成129 180人死亡，經(jīng)濟(jì)損失達(dá)到6 145.3 億美元[1]。我國東部海濱區(qū)域面對暴雨侵襲時候，浪潮的作用力會減緩城市排水能力使得海濱區(qū)域表現(xiàn)出更高的脆弱性[2-3]。城鎮(zhèn)化進(jìn)程中我國東部沿海區(qū)域發(fā)展速度快于內(nèi)陸區(qū)域?？焖俪擎?zhèn)化進(jìn)程中隨著河網(wǎng)與綠地減少以及道路、鋪裝等灰色基礎(chǔ)設(shè)施增加造成低地表入滲率、高地表徑流現(xiàn)象。這加劇了暴雨對于我國東部海濱區(qū)域的影響。

洪澇災(zāi)害研究是城市防災(zāi)減災(zāi)的關(guān)鍵議題。目前，雨洪災(zāi)害的研究熱點集中于兩類。第一類側(cè)重洪水災(zāi)害的模擬，例如美國環(huán)境保護(hù)署開發(fā)雨水管理模型SWMM (storm water management model)進(jìn)行動態(tài)的降水與徑流模擬[4]。加拿大水力計算研究所 CHI (Computational Hydraulics International)開發(fā)的PC-SWMM內(nèi)嵌 GIS 功能[5]。丹麥DHI (Danish Hydraulic Institute)水動力研究所開發(fā)系列水動力軟件DHI software，其中MIKE模型在工程中得到廣泛應(yīng)用[6]。英國 HR Wallingford 公司開發(fā)的英孚沃克軟件 (InfoWorks)進(jìn)行徑流與匯流模擬得到很大推廣[7]。模型提供的計算原理相似，但是模型參數(shù)的選擇對具體評價與模擬結(jié)果有顯著影響。區(qū)域公用設(shè)施與發(fā)展情況數(shù)據(jù)與雨洪數(shù)據(jù)進(jìn)行擬合的基礎(chǔ)性研究極少。分析面向暴雨洪澇災(zāi)害的敏感性屬于科學(xué)決策的基礎(chǔ)性研究。敏感性是指不同變量相對于自然災(zāi)害事件如何變化的屬性[8]。敏感性方法中有局部敏感性和全局敏感性兩大類。局部敏感性針對某點進(jìn)行周圍不確性輸入研究，而全局敏感性是全輸入空間研究[9]。目前，以單一敏感性方法開展的研究居多，缺乏分階段分層次的綜合性敏感性分析方法。雨洪災(zāi)害研究第二類側(cè)重評估，評估內(nèi)容又分為兩個分支。第一分支側(cè)重洪水的風(fēng)險評估，HAQUE D M E等人評估了洪水的強(qiáng)度[10-11]，RAHMAN A S等人評估了洪水災(zāi)害發(fā)生頻率[12-13]。KARUNARATHNE A Y等人評估了洪水帶來脆弱性的影響機(jī)制[14-15]，SAJJAD M等人評估了洪水風(fēng)險空間[16-17]。第二分支側(cè)重對洪水災(zāi)害造成的損害程度評估。SHRESTHA B B等人評估洪水災(zāi)害壞住宅建筑和資產(chǎn)及農(nóng)業(yè)領(lǐng)域帶來的損失[18-19]。然而不管哪個類型，現(xiàn)有的指標(biāo)評估缺乏考慮要素相互作用下響應(yīng)暴雨洪澇災(zāi)害變量的研究。

綜上，本文的主要目的是從區(qū)域?qū)用娼⒊鞘泄迷O(shè)施、土地利用情況與暴雨洪澇災(zāi)害的關(guān)聯(lián)。運用數(shù)據(jù)發(fā)掘方法對城市信息與暴雨災(zāi)害信息擬合回歸后篩選出響應(yīng)災(zāi)害的關(guān)鍵變量?；诤Y選的變量得到響應(yīng)災(zāi)害變量過程中指標(biāo)間相互作用機(jī)制，最終以決策樹集成方法驗證識別變量的正確性。

1 研究方法

1.1 分析流程

面向暴雨洪澇災(zāi)害的海濱區(qū)域敏感性分析流程分為四個階段。如圖1a階段是確定分析的海濱區(qū)域樣本及初始變量與因變量。韌性作為描述性概念可以表征城市發(fā)展動態(tài)，可持續(xù)性是約束性屬性用來規(guī)范城市走向。為達(dá)到約束的可持續(xù)性必須設(shè)定條件時，韌性因其足夠重要可作為支撐條件[20]。故初始變量面向韌性，因變量面向可持續(xù)性。斯德哥爾摩韌性研究中心提出了一種新的方式來審視可持續(xù)發(fā)展目標(biāo)(SDG)下經(jīng)濟(jì)、社會和生態(tài)的關(guān)系[21]，其中經(jīng)濟(jì)是最核心部分?；诖吮疚倪x定經(jīng)濟(jì)屬性來表征可持續(xù)性。圖1b階段基于嶺回歸、Lasso回歸以及彈性網(wǎng)絡(luò)回歸進(jìn)行交叉驗證以及系數(shù)分析篩選出特征變量。圖1c階段運用樹狀高斯過程模型TGP(Treed Gaussian Process)進(jìn)行敏感性分析，確定特征變量的重要程度，分析單一變量對于因變量的響應(yīng)以及要素兩兩之間的作用關(guān)系。圖1d階段運用隨機(jī)森林敏感性方法篩選變量來對圖1b和圖1c結(jié)果進(jìn)行驗證?；谝陨纤膫€階段最終確定響應(yīng)暴雨洪澇災(zāi)害直接經(jīng)濟(jì)損失的敏感要素。

1.2 樣本選取

快速城鎮(zhèn)化進(jìn)程是人類生產(chǎn)和生活方式由鄉(xiāng)村型向城市型轉(zhuǎn)化的歷史過程[22-24]，反應(yīng)城鎮(zhèn)化發(fā)展程度的重要內(nèi)容是城市公用設(shè)施的服務(wù)水平以及作為城市承載體的用地功能分配情況，所以響應(yīng)災(zāi)害的要素設(shè)定海濱區(qū)域市政公用設(shè)施水平和土地利用情況兩大類內(nèi)容。市政公用設(shè)施水平數(shù)據(jù)來源于《中國城市建設(shè)統(tǒng)計年鑒》[25]。刪除信息不全項得到13項指標(biāo)。土地利用情況數(shù)據(jù)來源于《中國國土資源統(tǒng)計年鑒》[26]。刪除信息不全項得到8項指標(biāo)(表1)。暴雨洪澇災(zāi)害信息數(shù)據(jù)來源于《中國氣象災(zāi)害年鑒》[27]，以災(zāi)害造成的直接經(jīng)濟(jì)損失(DCDEL)作為因變量。三類數(shù)據(jù)的時間跨度均為2009-2017。海濱區(qū)域選取跨渤海、黃海、東海、南海的10個省(市)作為研究對象，包含遼寧、天津、河北、山東、江蘇、上海、浙江、福建、廣東、海南。

為了實現(xiàn)數(shù)據(jù)的降維，將高度相關(guān)的數(shù)據(jù)進(jìn)行初步篩選。利用R語言平臺corrplot函數(shù)構(gòu)建每一個城市要素的相關(guān)性分析。相關(guān)系數(shù)r的計算公式如下：

(1)

選取相關(guān)系數(shù)大于0.8的指標(biāo)，計算兩指標(biāo)除了彼此外與其他指標(biāo)相關(guān)系數(shù)絕對值之和，兩者中刪除與其他指標(biāo)相關(guān)性高的那個指標(biāo)。刪除的5個指標(biāo)分別是：燃?xì)馄占奥?、污水處理率、建成區(qū)綠化覆蓋率、農(nóng)用地牧草地和交通運輸用地。初步篩選后得到指標(biāo)16個。10項樣本關(guān)于災(zāi)害造成的直接經(jīng)濟(jì)損失上升的頻次均高于或者等于降低的頻次。

圖1 敏感性分析進(jìn)程

表1 市政公用設(shè)施與土地利用情況初始指標(biāo)與簡稱

1.3 嶺回歸、Lasso回歸、彈性網(wǎng)絡(luò)回歸

通過基本的相關(guān)性分析篩除高度相關(guān)的變量后，16項變量仍然存在相關(guān)性。為了解決相關(guān)度高帶來的回歸共線性問題。本文利用嶺回歸，Lasso回歸及彈性網(wǎng)絡(luò)回歸三種方法進(jìn)行變量的進(jìn)一步篩選。嶺回歸是在傳統(tǒng)的線性回歸算法的基礎(chǔ)上增加正則項L2，Lasso回歸是在傳統(tǒng)的線性回歸算法的基礎(chǔ)上增加正則項L1。彈性網(wǎng)絡(luò)回歸模型結(jié)合了L1和L2正則化的懲罰[29]。三類模型的基礎(chǔ)均是線性回歸模型。

Y=Xβ+ε;

ε～N(0,σ2)。

(2)

式中：Y是n個觀測值的響應(yīng)變量，x是變量，ε是誤差值，β是參數(shù)。

最小二乘模型損失函數(shù)如下：

(3)

與魯迅的剛硬文化個性相比較，茅盾的文化性格，受到浙西儒雅風(fēng)尚的浸淫，明顯烙有浙西文人的印記?！罢阄饕晕摹钡奶攸c，造就此地“慕文儒，不憂凍餒”，“好讀書，雖三家之村必儲經(jīng)籍”[10]的崇文傳統(tǒng)，于是在“儒雅”風(fēng)尚浸淫下，浙西獨多“清流美士”，當(dāng)然也不乏對我國的文化和文學(xué)做出重要建樹的飽學(xué)之士與詩文大家，例如晚近文學(xué)史上名重一時的浙西詞派便出于此地。

(4)

式中：λ參數(shù)是正則化的處罰，m是預(yù)測變量的數(shù)，β是參數(shù)。

Lasso回歸對系數(shù)的絕對值之和進(jìn)行懲罰。Lasso回歸公式如下：

(5)

式中：λ參數(shù)是正則化的處罰，m是預(yù)測變量的數(shù)，β是參數(shù)。

若λ值為零等同基本OLS模型。但是，如果給定合適的λ值，Lasso回歸則可以使某些系數(shù)變?yōu)榱恪＆说闹翟酱螅瑢⒏嗟墓δ芸s小為零。這可以完全消除某些功能，并可以提供一個預(yù)測子集，有助于減輕多重共線性和模型復(fù)雜性的問題。如果變量沒有縮小到零代表其重要程度高，故可以利用其進(jìn)行特征變量的篩選。

彈性網(wǎng)絡(luò)回歸是嶺回歸和Lasso回歸的組合。彈性網(wǎng)絡(luò)模型如下：

(6)

式中：λ參數(shù)是正則化的處罰，α和β是兩項參數(shù)。

α=0對應(yīng)于嶺回歸模型，α=1對應(yīng)于Lasso回歸模型。本文設(shè)置α=0.5進(jìn)行優(yōu)化模型，一方面可以繼承了嶺回歸的穩(wěn)定性，一方面可以在高度相關(guān)變量的情況下進(jìn)行群體效應(yīng)。彈性網(wǎng)絡(luò)回歸結(jié)合嶺回歸及Lasso回歸的優(yōu)點縮減一些系數(shù)達(dá)到特征變量篩選的目的。

三類模型的流程基本一致，包含原始數(shù)據(jù)歸一化處理，構(gòu)建數(shù)據(jù)矩陣?；赗語言平臺設(shè)置種子數(shù)為隨機(jī)數(shù)，并執(zhí)行10 000次循環(huán)，根據(jù)glmnet函數(shù)進(jìn)行交叉驗證得到最小的λ值。通過循環(huán)得到出現(xiàn)次數(shù)最多λ最小值進(jìn)而構(gòu)建模型?；趲X回歸模型繪制嶺跡圖?；贚asso模型和彈性網(wǎng)絡(luò)模型分別繪制λ參數(shù)圖。對比三個模型回歸系數(shù)值篩選出特征變量。

1.4 樹狀高斯過程模型敏感性分析

基于嶺回歸、Lasso回歸、彈性網(wǎng)絡(luò)回歸分析輸入變量與因變量的關(guān)系可以識別系數(shù)并進(jìn)行排序，但是這些特征變量與因變量的關(guān)系具有復(fù)雜性，需要進(jìn)一步分析。敏感性和不確定分析作為復(fù)雜系統(tǒng)的組成部分被廣泛應(yīng)用[30]。樹狀高斯過程模型TGP敏感性分析方法是建立非線性模型。TGP提供的敏感性分析類型屬于“全局”范式敏感性分析，區(qū)別個別敏感性響應(yīng)分析，此方法可綜合考慮各個變量在整個輸入空間的概率分布。TGP通過靈敏度分析的方差使用戶能夠理解一階和總體過程中每個輸入變量對果變量響應(yīng)關(guān)系[31]。TGP方法通過R語言實現(xiàn)，具體步驟包含調(diào)取R語言敏感性包[32]，輸入篩選出的特征值變量以及暴雨洪澇災(zāi)害因變量，設(shè)置隨機(jī)種子循環(huán)10 000次，神經(jīng)網(wǎng)絡(luò)參數(shù)nn.1hs設(shè)置為1 000后運行敏感性分析,待模型成穩(wěn)定狀態(tài)進(jìn)行敏感性表達(dá)。TGP敏感性分析將城市公用服務(wù)水平與用地功能信息進(jìn)行重要性排序，同時分解輸出變化到每一個輸入變量，給出輸入導(dǎo)致輸出變化的趨勢。運行樹狀高斯過程模型其中一個獨特的功能是考慮主效應(yīng)的變化來顯示輸出的災(zāi)害信息與每個輸入條件變量的相互作用關(guān)系[33]。

1.5 隨機(jī)森林敏感性驗證

為了檢驗特征變量與TGP敏感性分析得出結(jié)果的準(zhǔn)確性，采用適用于變量具有較高相關(guān)性的隨機(jī)森林敏感性模型進(jìn)行驗證。敏感性分析設(shè)置數(shù)據(jù)控制參數(shù)及訓(xùn)練模型，方法采用rf參數(shù)代表的隨機(jī)森林方法，方法設(shè)置為cv，利用varimp函數(shù)評估變量的重要性。最后進(jìn)行變量重要性排序及可視化表達(dá)。隨機(jī)森林敏感性篩選出的重要性變量與嶺回歸、Lasso回歸彈性網(wǎng)絡(luò)回歸篩選的變量進(jìn)行對比。隨機(jī)森林敏感性單一變量的重要程度與TGP分析的重要程度進(jìn)行對比驗證。通過對比驗證得出綜合敏感性分析結(jié)果。

2 結(jié)果與討論

2.1 線性回歸模型特征變量

圖2a是嶺回歸的嶺跡圖，其中橫坐標(biāo)為λ的對數(shù)，縱坐標(biāo)為變量系數(shù)。每一條曲線代表一個變量，當(dāng)λ為0時，懲罰沒有影響，并且擬合的模型相當(dāng)于最小二乘回歸。但是，當(dāng)λ接近無窮大時，收縮損失非常大，系數(shù)估計值將為零。比其他參數(shù)慢接近零的曲線對應(yīng)更大的信息量，故其重要程度更高。模型中λ取值非常重要，并且可以使用交叉驗證有效地完成。圖2b、圖2c分別是Lasso模型和彈性網(wǎng)絡(luò)模型λ與變量系數(shù)的關(guān)系。這兩項回歸中16條回歸系數(shù)曲線隨著log(λ)增加，變量系數(shù)不斷減少，部分系數(shù)被驅(qū)動到0，意味著沒有該變量。最慢衰減系數(shù)相對應(yīng)的特征可以解釋為最重要的特征。交叉驗證中，嶺回歸lambda.min值是5.16。Lasso回歸lambda.min值是0.133。彈性網(wǎng)絡(luò)回歸lambda.min值是0.267。

圖2 回歸模型中λ對數(shù)和變量系數(shù)的關(guān)系圖

根據(jù)lambad.min建立三類模型并得到特征變量的系數(shù)，嶺回歸中變量按照重要性排序分別是人口密度，人均日生活用水量，建成區(qū)供水管道密度，供水普及率，生活垃圾無害化處理率，農(nóng)用地耕地，農(nóng)用地林地，城鎮(zhèn)村及工礦用地，水利設(shè)施用地，建成區(qū)綠地率，生活垃圾處理率，污水處理廠集中處理率，人均公園綠地面積，農(nóng)用地園地，人均道路面積，其他農(nóng)用地。Lasso回歸中其中最佳λ導(dǎo)致三個具有非零系數(shù)的特征，按照重要性排序分別是建成區(qū)供水管道密度，生活垃圾無害化處理率，人均日生活用水量。該三項表征由于雨洪造成的經(jīng)濟(jì)損失與城市建成區(qū)供水用水系統(tǒng)密切相關(guān)，且與垃圾處理用水量密切相關(guān)。暴雨洪澇災(zāi)害的直接經(jīng)濟(jì)損失與用水設(shè)施的相關(guān)性弱于建成區(qū)的供水系統(tǒng)的相關(guān)性。

彈性網(wǎng)絡(luò)回歸中最佳λ導(dǎo)致四個具有非零系數(shù)的特征，按照重要性排序分別是建成區(qū)供水管道密度，生活垃圾無害化處理率，人均日生活用水量，供水普及率。彈性網(wǎng)絡(luò)回歸在Lasso回歸的基礎(chǔ)上增加了供水普及率指標(biāo)。該指標(biāo)仍然屬于城市供用水領(lǐng)域，為了避免嶺回歸模型與Lasso回歸模型篩選特征變量的極端性，本項研究選定中間值彈性網(wǎng)絡(luò)回歸確定特征變量。

2.2 TGP敏感性要素與相互作用機(jī)制

圖3a-圖3b分別顯示了輸入要素對因變量產(chǎn)生的一階效應(yīng)和總效應(yīng)。為了比較和計算，所有輸入和輸出變量均歸一化為平均值在零且范圍為1內(nèi)(-0.5～0.5)。一階效應(yīng)和總效應(yīng)均是方差分解的結(jié)果。一階效應(yīng)與總效應(yīng)的區(qū)別是總效應(yīng)考慮了輸入變量之間的相互作用對因變量的影響[34]。從一階效應(yīng)可以看出建成區(qū)供水管道密度是四項要素中對于因變量最敏感的要素。從總效應(yīng)可以看出四項指標(biāo)存在相互作用，建成區(qū)供水管道密度仍然是敏感性最高的要素。由于要素相互作用，人均日生活用水量對于因變量響應(yīng)的貢獻(xiàn)率大幅提升至近4倍，供水普及率和生活垃圾無害化處理率在要素相互作用過程中貢獻(xiàn)度提高近1倍。

圖3c顯示單一因素在不考慮相互作用的情況下對災(zāi)害變量的響應(yīng)。反應(yīng)了人均日生活用水量、供水普及率、建成區(qū)供水管道密度、生活垃圾無害化處理率四個要素對雨洪造成直接經(jīng)濟(jì)損失影響的平均值和90%置信區(qū)間。人均日生活用水量和生活垃圾無害化處理率具有相同的影響模式。隨著人均日生活用水量和生活垃圾無害化處理率的增加造成暴雨洪澇災(zāi)害直接經(jīng)濟(jì)損失增加。高人均生活用水量流走的不僅僅是資源也是經(jīng)濟(jì)損失。高生活垃圾的無害率處理率對于雨洪災(zāi)害經(jīng)濟(jì)損失具有較高的暴露比例。垃圾的無害化處理需要投入大量的財政支出。垃圾的無害化處理是與環(huán)境的良性互動、實現(xiàn)可持續(xù)與循環(huán)經(jīng)濟(jì)的關(guān)鍵路徑。為避免垃圾處理需要投入的大量資金支出，通過提升末端的無害化處理不是長久的策略，在城市規(guī)劃中應(yīng)實現(xiàn)垃圾源頭減量化，對于垃圾實現(xiàn)減少一次性用品使用。推行垃圾分類政策，但是垃圾分類是手段，對于其利用才是目的。分流不同的垃圾處理走向，實現(xiàn)再利用達(dá)到減緩末端處理壓力的目的。城市治理中加強(qiáng)垃圾管理的監(jiān)督力度，對于環(huán)衛(wèi)企業(yè)推行強(qiáng)制性標(biāo)準(zhǔn)。供水普及率與因變量的響應(yīng)關(guān)系呈現(xiàn)單調(diào)負(fù)相關(guān)。這意味著低值的供水普及率具有較高的暴雨災(zāi)害經(jīng)濟(jì)損失暴露比例，該片區(qū)對于雨洪災(zāi)害更加敏感。城市公用設(shè)施水平低的片區(qū)應(yīng)對災(zāi)害時呈現(xiàn)出高風(fēng)險性。城鎮(zhèn)化過程中特別是城鄉(xiāng)結(jié)合處即使改變了居住條件，由于配套的市政公用設(shè)施的水平較低，其應(yīng)對災(zāi)害的能力并沒有提升，反而由于其用地性質(zhì)由下滲性高的綠地變成水泥抹面用地，導(dǎo)致對雨洪災(zāi)害更加敏感。建成區(qū)供水管道密度與因變量的響應(yīng)關(guān)系呈現(xiàn)先下降后趨于穩(wěn)定態(tài)勢。這說明建成區(qū)供水管道稀疏的片區(qū)所處的階段是發(fā)展水平較低的階段對于災(zāi)害具有高暴露性。當(dāng)城市供應(yīng)水平達(dá)標(biāo)后，該要素可不作為響應(yīng)雨洪災(zāi)害的要素考量。

圖4是每個組圖2維指數(shù)數(shù)據(jù)的后驗預(yù)測面，圖4a展示的是平均值，它顯示的是指標(biāo)之間的數(shù)據(jù)擬合。圖4b展示的是90%的分位數(shù)差異。這組圖是TGP模型的切片展示，通過依次兩兩混合后的指標(biāo)可以得到具體指標(biāo)之間的相互作用關(guān)系即二維指數(shù)數(shù)據(jù)z值。當(dāng)人均日生活用水量、供水普及率、生活垃圾無害化處理率三項自身的值處在大于50%區(qū)域時，建成區(qū)供水管道密度基本不隨其他三項改變而改變，這說明建成區(qū)供水管道密度與城市的發(fā)展階段密切相關(guān)，在考慮雨洪災(zāi)害時應(yīng)評估城市所處的發(fā)展階段。當(dāng)人均日生活用水量、供水普及率、生活垃圾無害化處理率三項自身的值處在小于50%區(qū)域時，可以發(fā)現(xiàn)建成區(qū)供水管道密度與其他三項的擬合過程呈現(xiàn)出z值范圍廣的特征。這說明市政管道設(shè)施對于生活生產(chǎn)用水量及供水率在災(zāi)害響應(yīng)層面擾動作用大。人均日生活用水量和生活垃圾無害化處理率、供水普及率兩項相互作用時候波動范圍呈現(xiàn)三維范圍廣的現(xiàn)象，說明人均日生活用水量與生活垃圾無害化處理率、供水普及率關(guān)聯(lián)呈現(xiàn)災(zāi)害的全局作用敏感性。生活垃圾無害化處理率和供水普及率作用時同樣呈現(xiàn)出較強(qiáng)的交互作用，這說明城市供水與廢棄物安全處理聯(lián)動機(jī)制相對于單一系統(tǒng)的災(zāi)害敏感性更高，在響應(yīng)災(zāi)害的過程中供水與廢棄物安全處理應(yīng)該聯(lián)動分析。

圖3 基于TGP的變量重要性排序和響應(yīng)洪災(zāi)直接經(jīng)濟(jì)損失過程中4個重要因素的平均值和90%置信區(qū)間

圖4 二維指數(shù)數(shù)據(jù)的后驗預(yù)測曲面

2.3 隨機(jī)森林敏感性驗證

隨機(jī)森林的敏感性結(jié)果如圖5所示內(nèi)容，隨機(jī)森林敏感性篩選出重要性比重大于75%的變量有三項，分別是建成區(qū)供水管道密度、供水普及率、生活垃圾無害化處理率。這三項與彈性網(wǎng)絡(luò)回歸篩選的特征變量相同。這說明不論是懲罰約束回歸的結(jié)果，還是多棵樹對樣本進(jìn)行訓(xùn)練并且分類的結(jié)果，建成區(qū)供水管道密度都是響應(yīng)暴雨洪澇災(zāi)害最重要的變量。這驗證了城市建成區(qū)市政供用水系統(tǒng)管道鋪設(shè)程度與雨洪災(zāi)害高度相關(guān)。隨機(jī)森林敏感性模型篩選的重要性比重大于50%的變量有三項，分別是農(nóng)用地耕地，污水處理廠集中處理率、人均日生活用水量。這驗證了建成區(qū)供水管道密度、供水普及率、生活垃圾無害化處理率與人均日生活用水量相互作用時提升了人均日生活用水量對于災(zāi)害響應(yīng)的貢獻(xiàn)性。人均生活用水量的核心是人對于資源的消耗程度。暴雨洪澇災(zāi)害看似是氣候變化帶來的自然災(zāi)害，實則是人對于資源的消耗度在災(zāi)害層面表現(xiàn)出高敏感性?？赏ㄟ^節(jié)水型生產(chǎn)經(jīng)營模式逐步構(gòu)建起節(jié)水經(jīng)濟(jì)結(jié)構(gòu)減緩影響。節(jié)流層面可推行如再生水的策略改造，對于建成區(qū)的水系統(tǒng)配置再生水設(shè)置。開源層面海濱城市可發(fā)展海水淡化，并推進(jìn)海水綜合利用。多層級多領(lǐng)域積極謀求城市的水發(fā)展戰(zhàn)略。發(fā)展水戰(zhàn)略就要統(tǒng)籌考慮規(guī)劃體系、制度體系、標(biāo)準(zhǔn)體系和監(jiān)督體系。發(fā)展以目標(biāo)導(dǎo)向的水韌性城市。建立目標(biāo)戰(zhàn)略和體制機(jī)制后落實資金保障，通過水韌性城市策略發(fā)展水韌性循環(huán)經(jīng)濟(jì)，進(jìn)而以整體且循環(huán)的觀念解決雨洪對于城市造成的經(jīng)濟(jì)損失。識別出的四項敏感要素分別是建成區(qū)供水管道密度、人均日生活用水量、供水普及率、生活垃圾無害化處理率。要素可從城市系統(tǒng)評估潛在的風(fēng)險，為綜合治理雨洪災(zāi)害奠定基礎(chǔ)。

圖5 隨機(jī)森林敏感性驗證變量排序

3 結(jié)論

(1)本文發(fā)現(xiàn)城市暴雨洪澇災(zāi)害承載體要素具有高度相關(guān)性。建立適用于解決多重共線性的嶺回歸模型、Lasso回歸模型以及彈性網(wǎng)絡(luò)回歸模型。三類模型綜合分析，得出特征變量按照重要性排序分別是建成區(qū)供水管道密度、生活垃圾無害化處理率、日生活用水量、供水普及率。

(2)運用樹狀高斯過程模型分析得到四項特征變量對于暴雨洪澇災(zāi)害響應(yīng)的一階效應(yīng)和總效應(yīng)。一階效應(yīng)中建成區(qū)供水管道密度對于災(zāi)害的響應(yīng)性具有絕對優(yōu)勢?？傂?yīng)分析得出建成區(qū)供水管道密度仍然是貢獻(xiàn)值最高的變量。日生活用水量變量在相互作用下貢獻(xiàn)率提升了近4倍。不考慮相互作用關(guān)系前提下，可以得出日生活用水量和生活垃圾無害化處理率與災(zāi)害變量具有單調(diào)正相關(guān)的關(guān)系。供水普及率與災(zāi)害變量具有單調(diào)負(fù)相關(guān)的關(guān)系。建成區(qū)供水管道密度響應(yīng)災(zāi)害過程中呈現(xiàn)先下降后趨于穩(wěn)定的態(tài)勢。

(3)隨機(jī)森林敏感性分析得到三項重要性變量，按照重要性排序分別是建成區(qū)供水管道密度、供水普及率、生活垃圾無害化處理率，這驗證了彈性網(wǎng)絡(luò)回歸篩選變量的結(jié)果。隨機(jī)森林敏感性得到日生活用水量的重要性排序不是第四而是第六，說明該項要素在共同作用下貢獻(xiàn)值會大幅提升，同時這驗證了樹狀高斯敏感性分析中日生活用水量變量在相互作用下貢獻(xiàn)率提升了近4倍的結(jié)果。

本文提出的四項敏感性要素可用于監(jiān)測與評估災(zāi)害造成的影響，預(yù)測未來雨洪災(zāi)害造成的損失。建立城市系統(tǒng)與災(zāi)害損失的模型，可進(jìn)一步疊加致災(zāi)因子信息，形成面向暴雨洪澇災(zāi)害的指標(biāo)體系。敏感性要素也可用于進(jìn)一步分析城市空間分異情況。