基于LightGBM 的南陽市西部地區(qū)山洪災(zāi)害風(fēng)險(xiǎn)評價(jià)

范桂英，湯 軍，高賢君，占楊英，鄧?yán)蜴?/p>

（長江大學(xué)地球科學(xué)學(xué)院，湖北 武漢 430100）

0 引 言

山洪災(zāi)害是最具毀滅性的自然災(zāi)害之一，具有流速快、持續(xù)時(shí)間短和水位上漲快的特點(diǎn)［1］。據(jù)統(tǒng)計(jì)，1949-2015 年，全國共發(fā)生了53 000 余次山洪災(zāi)害［2］，給人類生命財(cái)產(chǎn)和社會經(jīng)濟(jì)帶來了巨大的災(zāi)害和損失。此外，研究表明，氣溫上升和人類活動將進(jìn)一步加劇山洪暴發(fā)［3］，因此，做出準(zhǔn)確的山洪災(zāi)害風(fēng)險(xiǎn)評價(jià)，探究山洪災(zāi)害分布特征，總結(jié)山洪防治經(jīng)驗(yàn)，制定相應(yīng)的防洪管理措施對我國正在進(jìn)行的山洪防治工作至關(guān)重要［4］。

山洪災(zāi)害風(fēng)險(xiǎn)評價(jià)是指綜合多種影響因子，評估山洪發(fā)生的風(fēng)險(xiǎn)概率。針對山洪災(zāi)害風(fēng)險(xiǎn)評價(jià)，國內(nèi)外學(xué)者開展了大量的研究。例如，Jiang［5］等使用綜合變量模糊集方法構(gòu)建了山洪災(zāi)害風(fēng)險(xiǎn)評價(jià)指標(biāo)體系；王英［6］篩選了地形、氣象、水文等各種指標(biāo)，并采用層次分析法（Analytic Hierarchy Process，AHP）和熵權(quán)法獲得了研究區(qū)域的山洪風(fēng)險(xiǎn)圖。受到主觀因素的干擾，預(yù)測的實(shí)際準(zhǔn)確度很難達(dá)到應(yīng)用要求［7］。此外，包括物理模型和水文模型等在內(nèi)的許多類型的模型，已被廣泛用于模擬山洪事件，例如，劉曉冉［8］等利用水動力淹沒模型來繪制山洪災(zāi)害風(fēng)險(xiǎn)區(qū)劃圖；Naiji［9］等提出了河道洪水區(qū)的二維水動力耦合模型，并進(jìn)一步繪制了洪水風(fēng)險(xiǎn)圖。而這些模型存在各種不確定性［10］且需要高度準(zhǔn)確的長期水文、地形和氣象數(shù)據(jù)，同時(shí)這些數(shù)據(jù)都很難獲取。因此迫切需要其他的方法和技術(shù)克服傳統(tǒng)山洪災(zāi)害風(fēng)險(xiǎn)評價(jià)方法的缺點(diǎn)。

隨著新的計(jì)算技術(shù)和高性能計(jì)算模型的進(jìn)步，機(jī)器學(xué)習(xí)（Machine Learning，ML）模型在山洪災(zāi)害風(fēng)險(xiǎn)評價(jià)中得到了廣泛應(yīng)用，為準(zhǔn)確評價(jià)山洪災(zāi)害風(fēng)險(xiǎn)提供了有利的條件。多項(xiàng)研究表明，ML 模型可以處理復(fù)雜輸入數(shù)據(jù)且輸出結(jié)果精度較高，顯著克服了評估山洪風(fēng)險(xiǎn)的常用方法（如AHP）的缺點(diǎn)［11］。常見的ML 技術(shù)包括邏輯回歸（Logistic Regression，LR）［12］，支持向量機(jī)（Support Vector Machine，SVM）［13］、決策樹（Decision Tree，DT）［14］，隨機(jī)森林（Random Forest，RF）［15］和神經(jīng)網(wǎng)絡(luò)（K-Neares Neighbor，KNN）［16］等。周超［17］等通過KNN、RF、AdaBoost（Adaptive Boosting）3 種算法分析江西省山洪災(zāi)害風(fēng)險(xiǎn)，結(jié)果表明AdaBoost 方法的預(yù)測精度高于KNN 和RF 兩種方法，且具有更合理的評價(jià)結(jié)果；Ma［18］等利用XGBoost和SVM 兩種算法對江西省山洪災(zāi)害進(jìn)行評價(jià)，結(jié)果表明XGBoost有更好的評價(jià)精度；王倩麗［19］等利用RF 算法分析林州市山洪災(zāi)害風(fēng)險(xiǎn)，結(jié)果表明RF有著良好的預(yù)測精度。

一系列研究表明，不同研究區(qū)的山洪發(fā)育條件不同，所適用的山洪災(zāi)害風(fēng)險(xiǎn)評價(jià)模型也不同。LightGBM 模型是一種新興的優(yōu)秀集成學(xué)習(xí)算法，可以在不降低預(yù)測準(zhǔn)確率的同時(shí)，大大加快預(yù)測速度，并降低了內(nèi)存消耗。其被廣泛應(yīng)用于航班起飛延誤預(yù)測［20］、音頻場景分類系統(tǒng)［21］和企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測［22］等領(lǐng)域，同時(shí)取得了較好的評價(jià)結(jié)果。然而，LightGBM 在山洪災(zāi)害風(fēng)險(xiǎn)評價(jià)領(lǐng)域相對較新，尚未得到廣泛研究。因此，本文構(gòu)建了基于LightGBM 算法的山洪災(zāi)害風(fēng)險(xiǎn)評價(jià)模型，并與RF 和XGBoost兩種模型進(jìn)行比較分析，尋找最佳性能模型，最后利用最佳模型繪制南陽市西部地區(qū)山洪災(zāi)害風(fēng)險(xiǎn)評價(jià)圖，借此對其山洪災(zāi)害分布特征進(jìn)行探究，分析山洪災(zāi)害成因，為南陽市山洪災(zāi)害防御管理規(guī)劃工作提供科學(xué)依據(jù)。

1 研究區(qū)概況與數(shù)據(jù)預(yù)處理

1.1 研究區(qū)概況

南陽市海拔為72.2～2 212.5 m，三面環(huán)山，北靠伏牛山，東臨桐柏山，西部為中、低山和丘陵，地形呈明顯的環(huán)狀和階梯狀特征。本研究選擇南陽市的西部地區(qū)作為研究區(qū)域（見圖1），具體涉及到了南陽市西峽縣，內(nèi)鄉(xiāng)縣及淅川縣。研究區(qū)域地形復(fù)雜，山高溝多，滿足山洪發(fā)生的基本孕災(zāi)條件［23］。年降水量703.6～1 173.4 mm，河流較多，小氣候多變，導(dǎo)致降雨時(shí)空分布不均，河道比降大，匯流形成快，從而山洪災(zāi)害頻發(fā)，造成嚴(yán)重的人員傷亡和經(jīng)濟(jì)損失。

圖1 研究區(qū)地理位置與山洪點(diǎn)分布Fig.1 Geographic location and flash flood point distribution in the study area

1.2 數(shù)據(jù)預(yù)處理

1.2.1 指標(biāo)選取及數(shù)據(jù)庫建立

史培軍教授在其所提出的災(zāi)害系統(tǒng)論中表示，災(zāi)害是致災(zāi)因子、孕災(zāi)環(huán)境和承災(zāi)體三者作用下的綜合產(chǎn)物［24］。準(zhǔn)確評價(jià)山洪災(zāi)害風(fēng)險(xiǎn)必須合理地選取山洪風(fēng)險(xiǎn)指標(biāo)［25］，本文基于文獻(xiàn)綜述和以往有關(guān)研究工作的基礎(chǔ)及數(shù)據(jù)資料的可獲得性，從致災(zāi)因子、孕災(zāi)環(huán)境和承災(zāi)體3 個(gè)方面，選取了年最大3 h 降水量均值、年最大24 h 降水量均值、年平均降水量、高程、坡度、距離河流距離、地形濕度指數(shù)、土壤濕度、土地利用類型、人口密度、GDP和農(nóng)田生產(chǎn)潛力12項(xiàng)風(fēng)險(xiǎn)指標(biāo)。

利用ArcGIS10.2 對每個(gè)風(fēng)險(xiǎn)指標(biāo)數(shù)據(jù)進(jìn)行重采樣處理，得到尺度一致的柵格單元，各指標(biāo)數(shù)據(jù)來源見表1。

表1 數(shù)據(jù)來源Tab.1 Data sources

1.2.2 歷史山洪災(zāi)害點(diǎn)數(shù)據(jù)庫建立

根據(jù)《河南省2010-2017年山洪災(zāi)害防治項(xiàng)目》調(diào)查資料統(tǒng)計(jì)得到歷史山洪災(zāi)害點(diǎn)數(shù)據(jù)，分布如圖1 所示。為保證山洪災(zāi)害風(fēng)險(xiǎn)評價(jià)模型的可靠性，所選樣本必須具有代表性。在距離山洪點(diǎn)100 m 外隨機(jī)生成相同數(shù)量的非山洪點(diǎn)，使整個(gè)樣本數(shù)據(jù)具有平衡性。采集山洪點(diǎn)以及非山洪點(diǎn)處各個(gè)指標(biāo)的屬性值。研究選用山洪點(diǎn)415 處，非山洪點(diǎn)415 處，共830 組正負(fù)樣本。

2 研究方法

山洪災(zāi)害風(fēng)險(xiǎn)評價(jià)流程見圖2。主要分為以下幾個(gè)步驟：①相關(guān)數(shù)據(jù)的收集、確定山洪風(fēng)險(xiǎn)指標(biāo)以及山洪災(zāi)害數(shù)據(jù)庫的建立；②從整體樣本中選取70%作為訓(xùn)練樣本，30%作為測試樣本；③模型的建立訓(xùn)練以及超參數(shù)優(yōu)化；④3 種模型評價(jià)比較；⑤繪制山洪災(zāi)害風(fēng)險(xiǎn)評價(jià)圖并進(jìn)行分析驗(yàn)證。主要操作平臺基于ArcGIS和Jupyter，編程語言為Python。

圖2 山洪災(zāi)害風(fēng)險(xiǎn)評價(jià)流程圖Fig.2 Flow chart of flash flood disaster risk assessment

2.1 機(jī)器學(xué)習(xí)模型

2.1.1 輕量級梯度提升算法（LightGBM）

LightGBM 是Microsoft 開發(fā)的梯度增強(qiáng)決策樹（Gradient Boosting Decision Tree，GBDT）算法的變體。隨著數(shù)據(jù)量的幾何級增長，GBDT面臨著準(zhǔn)確度和處理時(shí)間的問題，此時(shí)LightGBM算法被提出，LightGBM 算法可用于分類和回歸任務(wù)，在不降低預(yù)測準(zhǔn)確率的同時(shí)，它大大加快預(yù)測速度，并降低內(nèi)存消耗［26］。在降低訓(xùn)練數(shù)據(jù)方面，LightGBM 算法采用了Leaf-Wise 生長策略。Leaf-Wise 生長策略相對于傳統(tǒng)的Level-Wise 生長策略來說，是一種更為高效的策略，從所有當(dāng)前葉中找到具有最大分裂增益的葉，然后進(jìn)行分裂，如此循環(huán)，如圖3 所示。同Level-Wise 生長策略相比，在分裂次數(shù)相同的情況下，Leaf-Wise 生長策略可以降低更多的誤差，獲得更好的精確度。

圖3 Leaf-Wise原理Fig.3 The Leaf-Wise principle

2.1.2 隨機(jī)森林算法（RF）和梯度提升樹算法（XGBoost）

RF 是一種簡單且廣泛使用的多元分類器［27］，它使用集成技術(shù)在不同的數(shù)據(jù)集上使用多數(shù)投票或?qū)ψ罱K結(jié)果進(jìn)行平均來將多個(gè)決策樹分類器相互匹配。這有助于減少過度擬合的問題并提高預(yù)測性能［28］。設(shè)某隨機(jī)森林由h1（x），h2（x），…，hk（x）共k棵決策樹構(gòu)成，對于樣本的任意兩個(gè)特征變量X和Y，其邊緣函數(shù)［29］公式如下：

式中：I（）表示轉(zhuǎn)換函數(shù)；Y和j分別為隨機(jī)森林判定的正負(fù)類別；avk（）表示求均值；ma（X，Y）的值與特征提取效果成正比。

XGBoost 是一種旨在提高性能和速度可擴(kuò)展的樹提升方法［30］。它不是對獨(dú)立的樹求平均值，而是通過迭代的方式將多個(gè)決策樹模型組合在一起，在考慮模型精度的同時(shí)，通過添加正則化項(xiàng)抑制模型過擬合，利用最小的損失函數(shù)來訓(xùn)練模型的預(yù)測能力，最后形成結(jié)構(gòu)更優(yōu)、精度更高的分類模型。該模型的目標(biāo)函數(shù)公式如下：

式中：i表示第i個(gè)樣本；yi表示真實(shí)值；表示預(yù)測值；l(yi，)表示訓(xùn)練損失函數(shù)；Ω（fk）表示正則化項(xiàng)。

2.2 模型精度評價(jià)方法

一般來說，在構(gòu)建機(jī)器學(xué)習(xí)模型時(shí)，評估其性能是必不可少的一步。接收器工作曲線（Receiver Operating Curve，ROC）是地理空間分析中廣泛使用和接受的技術(shù)，用于確定模型的有效性［31］。ROC曲線下方的面積（Area Under Curve，AUC）代表模型的準(zhǔn)確性，曲線下面積越大，模型評價(jià)災(zāi)害發(fā)生的能力越強(qiáng)［32］。

用于評估模型性能的還包括精度、準(zhǔn)確度、召回率和Fscore等其他常見的評價(jià)指標(biāo)。精確度（Precision）表示準(zhǔn)確預(yù)測的陽性數(shù)據(jù)占全部被預(yù)測為陽性數(shù)據(jù)的百分比，值越高，分類器越好，但高精度并不意味著算法更好；召回率（Recall），也稱為靈敏度，主要表示準(zhǔn)確預(yù)測的陽性樣本數(shù)量相對于實(shí)際陽性樣本數(shù)量的比例。準(zhǔn)確度（Accuracy）定義為準(zhǔn)確預(yù)測的樣本數(shù)量占全部預(yù)測數(shù)據(jù)的百分比，也是分類算法中最常見的性能指標(biāo)；F1-score是對召回率和精確度的加權(quán)平均分?jǐn)?shù)，是一個(gè)綜合評價(jià)指標(biāo)，范圍從0 到1，解釋了最差到最好的表現(xiàn)。各指標(biāo)計(jì)算公式如下：

式中：TP（真正）表示正確歸類為山洪點(diǎn)的數(shù)量；TN（真負(fù)）表示正確歸類為非山洪點(diǎn)的數(shù)量；FP（假正）表示錯誤歸類為山洪點(diǎn)的數(shù)量；FN（假負(fù)）表示錯誤歸類為非山洪點(diǎn)的數(shù)量；P是山洪點(diǎn)總數(shù)；N是非山洪點(diǎn)總數(shù)。

2.3 參數(shù)優(yōu)化方法

參數(shù)優(yōu)化可以對模型的評價(jià)能力產(chǎn)生顯著影響［33］。為了進(jìn)一步保證模型精度，本研究使用網(wǎng)格搜索方法和k折交叉驗(yàn)證法探索了大范圍的參數(shù)值。每個(gè)模型的最佳參數(shù)值見表2，對于表2中未包含的參數(shù)，使用Scikit-Learn庫設(shè)置的默認(rèn)值。

表2 RF、LightGBM、XGBoost模型的最優(yōu)參數(shù)Tab.2 Optimal parameters for the RF、LightGBM、XGBoost models

3 實(shí)驗(yàn)結(jié)果分析

3.1 模型精確度分析

將測試集數(shù)據(jù)導(dǎo)入訓(xùn)練好的RF、XGBoost和LightGBM 模型進(jìn)行檢驗(yàn)，計(jì)算各項(xiàng)評價(jià)指標(biāo)值，結(jié)果見圖4。ROC曲線圖（見圖5）表明，LightGBM 模型獲得的AUC值最高（94.12%），其次是XGBoost（93.23%），最后是RF（93.02%）。

圖4 各模型評價(jià)指標(biāo)Fig.4 Model evaluation index

圖5 ROC曲線Fig.5 ROC curve

顯然，所有3個(gè)模型都可以在一定程度上正確評估山洪，但能力不同。LightGBM 模型比其他兩種模型具有更好的性能。同時(shí)，LightGBM 顯示出最精確的分類性能，其Accuracy為88.34%，Precision為91.57%；其次是XGBoost，其Accuracy為86.50%，Precision為86.67%；最后是RF，其Accuracy為84.66%，Precision為84.62%。獲得的結(jié)果顯示，LightGBM 在模型精度和處理時(shí)間方面均優(yōu)于其他兩種模型。接下來將基于最優(yōu)模型LightGBM進(jìn)行山洪災(zāi)害風(fēng)險(xiǎn)評價(jià)。

3.2 基于LightGBM 的山洪災(zāi)害風(fēng)險(xiǎn)評價(jià)與應(yīng)用

3.2.1 風(fēng)險(xiǎn)指標(biāo)重要性分析

不同的指標(biāo)對山洪災(zāi)害的發(fā)生有著不同程度的影響，探究各指標(biāo)重要性可以更深入的了解山洪的空間分布規(guī)律。本文引入LightGBM-SHAP（Shapley Additive Explanations）特征重要性計(jì)算方法，分析不同風(fēng)險(xiǎn)指標(biāo)對山洪災(zāi)害的影響程度。簡單的來說，LightGBM-SHAP 是將各個(gè)風(fēng)險(xiǎn)指標(biāo)在整體樣本上的Shapley絕對值取平均值作為該指標(biāo)的重要性值。值越大，特征貢獻(xiàn)度越大，表明該指標(biāo)對山洪災(zāi)害的影響程度越大［34］。

通過計(jì)算，獲得的指標(biāo)重要性評價(jià)（見圖6）表明：DEM、SLOPE、AP 的特征貢獻(xiàn)度最大，超過了40%，地勢較低的地方，在強(qiáng)降雨影響下，很容易積水引發(fā)山洪；3-H-P、FFP、SM、TWI、GDP、24-H-P 和POP 的特征貢獻(xiàn)度次之，特征貢獻(xiàn)度都超過了20%或者接近20%，結(jié)合衛(wèi)星影像圖發(fā)現(xiàn)農(nóng)田生產(chǎn)潛力大的區(qū)域更容易發(fā)生山洪，這些區(qū)域人類活動頻繁，降低了植被覆蓋率，土壤的滲水能力差，有利于山洪發(fā)育；LULC 和RD 的特征貢獻(xiàn)度最低，但也達(dá)到了10%。結(jié)果顯示12個(gè)指標(biāo)的特征貢獻(xiàn)度都較高，說明所選取的12個(gè)指標(biāo)均被確認(rèn)為重要。即對最終的山洪風(fēng)險(xiǎn)起著一定作用。影響程度從大到小依次為：SLOPE＞DEM＞AP＞3-H-P＞FFP＞SM＞TWI＞GDP＞24-H-P＞POP＞LULC＞RD。

圖6 指標(biāo)重要性評價(jià)圖Fig.6 Index importance evaluation chart

3.2.2 風(fēng)險(xiǎn)評價(jià)結(jié)果分析驗(yàn)證

基于上述模型性能指標(biāo)，最后選擇LightGBM模型來評價(jià)南陽市西部地區(qū)山洪災(zāi)害風(fēng)險(xiǎn)。將整個(gè)研究區(qū)的各指標(biāo)數(shù)據(jù)輸入到LightGBM 模型中，計(jì)算得到山洪風(fēng)險(xiǎn)概率值，作為山洪風(fēng)險(xiǎn)評價(jià)結(jié)果，最后進(jìn)行山洪災(zāi)害風(fēng)險(xiǎn)區(qū)劃。在綜合考慮南陽市西部地區(qū)的情況下，選擇自然間斷法作為主要分類方法，并繪制得到山洪災(zāi)害風(fēng)險(xiǎn)評價(jià)圖（見圖7）。山洪災(zāi)害風(fēng)險(xiǎn)值分為五類：極低風(fēng)險(xiǎn)區(qū)、低風(fēng)險(xiǎn)區(qū)、中風(fēng)險(xiǎn)區(qū)、高風(fēng)險(xiǎn)區(qū)和極高風(fēng)險(xiǎn)區(qū)。

圖7 山洪災(zāi)害風(fēng)險(xiǎn)評價(jià)圖Fig.7 Flash flood disaster risk assessment map

分析圖7可知，研究區(qū)風(fēng)險(xiǎn)評價(jià)結(jié)果與實(shí)地調(diào)查結(jié)果一致，其山洪災(zāi)害整體分布比較廣泛。極低風(fēng)險(xiǎn)區(qū)和低風(fēng)險(xiǎn)區(qū)分別占總面積的37%和24%，中風(fēng)險(xiǎn)區(qū)占總面積的18%，較高風(fēng)險(xiǎn)區(qū)和高風(fēng)險(xiǎn)區(qū)約占總面積的21%。通過分析山洪高風(fēng)險(xiǎn)區(qū)域，發(fā)現(xiàn)其主要分布在山脈附近、河流的周邊最低處以及植被覆蓋度較低的區(qū)域，這些區(qū)域滿足山洪發(fā)生的高程、坡度等基本條件［35］。并且相對于其他區(qū)域年平均降水量、年最大3 h 降水量均值、年最大24 h降水量均值、和農(nóng)田生產(chǎn)潛力都較大。

為了驗(yàn)證LightGBM模型的山洪風(fēng)險(xiǎn)評價(jià)結(jié)果的合理性，將山洪災(zāi)害風(fēng)險(xiǎn)評價(jià)圖和歷史山洪點(diǎn)進(jìn)行疊加，統(tǒng)計(jì)分析山洪災(zāi)害風(fēng)險(xiǎn)評價(jià)圖的各分區(qū)面積與山洪點(diǎn)數(shù)量（見表3）。從表3 中可以看出，面積僅占研究區(qū)總面積9.26%的極高風(fēng)險(xiǎn)區(qū)內(nèi)山洪數(shù)占山洪總數(shù)高達(dá)77.11%，說明LightGBM 算法對研究區(qū)山洪災(zāi)害風(fēng)險(xiǎn)評價(jià)結(jié)果較滿意，可以為南陽市的山洪災(zāi)害防治提高指導(dǎo)。

表3 山洪風(fēng)險(xiǎn)評價(jià)區(qū)劃統(tǒng)計(jì)Tab.3 Statistics of flash flood risk assessment and zoning

3.2.3 多尺度山洪災(zāi)害風(fēng)險(xiǎn)評價(jià)

為了更好地應(yīng)用所提出的方法，為研究區(qū)災(zāi)害防治提供更為具體的指導(dǎo)，使用ArcGIS軟件中的分位數(shù)方法來進(jìn)一步獲得鄉(xiāng)鎮(zhèn)級山洪災(zāi)害風(fēng)險(xiǎn)評價(jià)圖［36］（見圖8）。其中需要重點(diǎn)關(guān)注的是人口較多的紫金街道，白羽街道，龍城街道和商圣街道，這4個(gè)鄉(xiāng)鎮(zhèn)位于灌河附近且地勢較低且強(qiáng)降雨次數(shù)較多，極其容易發(fā)生山洪。此外還需關(guān)注耕地面積占比較多的王店鎮(zhèn)、灌漲鎮(zhèn)、老城鎮(zhèn)、金河鎮(zhèn)、毛堂鄉(xiāng)、寺灣鎮(zhèn)和滔河鄉(xiāng)，通過核查發(fā)現(xiàn)，這些鄉(xiāng)鎮(zhèn)地形起伏度大，人們開墾了大陸的耕地，植被覆蓋率低，導(dǎo)致土壤滲水能力較差，降雨集中時(shí)更容易發(fā)生洪水。因此可以針對這些區(qū)域重點(diǎn)制定災(zāi)害預(yù)防措施，制定資源分配的優(yōu)先級，最大程度上減少山洪災(zāi)害損失。

圖8 鄉(xiāng)鎮(zhèn)級山洪災(zāi)害風(fēng)險(xiǎn)評價(jià)圖Fig.8 flash flood disaster risk assessment map at the township level

4 結(jié) 語

山洪災(zāi)害是最具破壞性的自然災(zāi)害之一，近年來，機(jī)器學(xué)習(xí)技術(shù)已成為評估山洪災(zāi)害風(fēng)險(xiǎn)評價(jià)的有力工具。本研究采用3種機(jī)器學(xué)習(xí)方法來評價(jià)南陽市西部地區(qū)的山洪風(fēng)險(xiǎn)。結(jié)果表明：

（1）LightGBM 模型的評價(jià)結(jié)果更符合南陽市西部實(shí)際的山洪發(fā)育情況，從時(shí)間成本、訓(xùn)練難度、穩(wěn)定度以及精確度考慮，LightGBM 良好的泛化能力更適合山洪風(fēng)險(xiǎn)評價(jià)這類非線性且需要重點(diǎn)解決的災(zāi)害問題。

（2）通過LightGBM-SHAP 方法獲得特征貢獻(xiàn)值來評價(jià)12個(gè)指標(biāo)的重要性，對研究區(qū)山洪的影響程度從大到小依次為：坡度＞高程＞年平均降雨量＞年最大3 h降水量均值＞農(nóng)田生產(chǎn)潛力＞土壤濕度＞地形濕度指數(shù)＞GDP＞年最大24 h降水量均值＞人口密度＞土地利用類型＞距離河流距離。

（3）研究區(qū)山洪風(fēng)險(xiǎn)評價(jià)圖表明高風(fēng)險(xiǎn)和較高風(fēng)險(xiǎn)區(qū)占總面積的21%。且主要分布在山脈附近、河流的周邊最低處以及植被覆蓋度較低的區(qū)域。建議高度重視人類耕地對植被覆蓋率的影響，此系列人為活動一定程度上增加了山洪發(fā)生概率。

研究尚未探究集成模型在山洪災(zāi)害風(fēng)險(xiǎn)評價(jià)的應(yīng)用，可以在未來研究中探索其他基礎(chǔ)模型的各種組合，通過利用不同模型的優(yōu)勢來最小化其弱點(diǎn)，以尋求更好的模型性能，獲得更合理的山洪災(zāi)害風(fēng)險(xiǎn)評價(jià)圖。