EN中文

风景园林 >

2025 , Vol. 32 >Issue 12: 56 - 66

DOI: https://doi.org/10.3724/j.fjyl.LA20250484

专题：人工智能在风景园林中的应用

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

  • 田双志 , 1 ,
  • 于铭 , 1 ,
  • 李汶晓 ,
  • 陈泓宇 , 2 ,
  • 林辰松 , 1, 3, *
展开
  • 1 北京林业大学园林学院
  • 2 南京农业大学园艺学院
  • 3 城乡生态环境北京实验室

田双志/男/北京林业大学园林学院硕士研究生/研究方向为风景园林规划与设计

于铭/女/北京林业大学园林学院在读硕士研究生/研究方向为风景园林规划与设计

李汶晓/女/北京林业大学园林学院本科生/研究方向为风景园林规划与设计

陈泓宇/男/博士/南京农业大学园艺学院讲师/研究方向为风景园林规划与设计

林辰松/男/博士/北京林业大学园林学院副教授/城乡生态环境北京实验室研究员/研究方向为风景园林规划与设计、景观水文

Copy editor: 王一兰 李清清

收稿日期: 2025-08-10

  修回日期: 2025-10-30

  网络出版日期: 2025-12-26

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”(52208042)

北京市共建项目(2015BLUREE01)

上海市城市设计与城市科学重点实验室开放课题(2024CSLin_LOUD)

版权

版权所有 © 2025 风景园林编辑部
收起

Optimization of Green Infrastructure Patterns in Mountainous Areas Based on Interpretable Machine Learning and Multi-objective Optimization Algorithm: A Case Study of Shallow Mountainous Areas in Beijing

  • TIAN Shuangzhi , 1 ,
  • YU Ming , 1 ,
  • LI Wenxiao ,
  • CHEN Hongyu , 2 ,
  • LIN Chensong , 1, 3, *
Expand
  • 1 School of Landscape Architecture, Beijing Forestry University College of Horticulture, Nanjing Agricultural University
  • 2 Beijing Laboratory for Urban and Rural Ecology
  • 3 Beijing Laboratory of Urban and Rural Ecological Environment

TIAN Shuangzhi is a Master graduate of the School of Landscape Architecture, Beijing Forestry University. His research focuses on landscape planning and design

YU Ming is a master student in the School of Landscape Architecture, Beijing Forestry University. Her research focuses on landscape planning and design

LI Wenxiao is an undergraduate student in the School of Landscape Architecture, Beijing Forestry University. Her research focuses on landscape planning and design

CHEN Hongyu, Ph.D., is a lecturer in the College of Horticulture, Nanjing Agricultural University. His research focuses on landscape planning and design

LIN Chensong, Ph.D., is an associate professor in the School of Landscape Architecture, Beijing Forestry University, and a research fellow in Beijing Laboratory of Urban and Rural Ecological Environment. His research focuses on landscape planning and design, and landscape hydrology

Received date: 2025-08-10

  Revised date: 2025-10-30

  Online published: 2025-12-26

Copyright

Copyright © 2025 Landscape Architecture. All rights reserved.
Fold

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

本文引用格式

田双志 , 于铭 , 李汶晓 , 陈泓宇 , 林辰松 . 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[J]. 风景园林, 2025 , 32(12) : 56 -66 . DOI: 10.3724/j.fjyl.LA20250484

Abstract

[Objective] The intensification of climate change has led to a significant escalation in flood risk within shallow mountainous areas, posing a severe threat to human life, health, and ecological security. These transitional areas, often situated at the interface between mountainous terrain and urbanized plains, are uniquely vulnerable to the hydrological impacts of extreme precipitation. Existing research has established that green infrastructure (GI), through its influence on fundamental hydrological processes such as the rainfall – runoff and runoff – sediment relationships, can play a pivotal role in stormwater management. However, the current body of literature predominantly focuses on two main scales: the effectiveness of individual GI elements at the localized plot level and the impact of the broader green space matrix at the large basin scale. Consequently, a critical knowledge gap persists concerning the influence of the spatial configuration of GI patches — such as their shape, size, and degree of fragmentation — on hydrological responses at the finer, sub-basin scale, which is the most relevant scale for understanding flood generation. Clarifying the mechanisms through which GI spatial patterns affect mountainous stormwater runoff and subsequently optimizing these patterns are crucial steps toward enhancing the flood prevention and control capabilities of shallow mountainous areas. This research aims to bridge the knowledge gap by elucidating these mechanisms and developing an optimization framework to mitigate the adverse effects of extreme rainfall in the sensitive shallow mountainous areas.
[Methods] This research adopts a two-stage research framework, comprising the two stages of mechanism exploration and pattern optimization. In the stage of exploration of hydrological mechanisms, two sample basins are selected within the shallow mountainous area of Beijing and, based on historical meteorological data and land cover data, the SWAT (soil and water assessment tool) model is used to simulate runoff generation in mountainous sub-basins with high spatiotemporal resolution. Meanwhile, machine learning methods, specifically an XGBoost-based model, are applied to the sample data to construct a high-accuracy predictive model for stormwater runoff generation, with a focus on GI spatial pattern characteristics as predictor variables. To interpret the machine learning results, the SHAP (SHapley Additive exPlanations) framework is employed to quantitatively elucidate the impact mechanisms of various GI spatial pattern metrics on mountainous stormwater runoff. In the pattern optimization stage, key GI spatial metrics are identified as optimization variables based on their hydrological influence. Under a dual-objective framework emphasizing both cost-effectiveness and flood mitigation efficacy, the NSGA-Ⅱ (nondominated sorting genetic algorithm Ⅱ) is used to optimize GI configuration for a representative shallow mountainous area. The effectiveness of these optimizations in reducing flood risks is validated through extreme historical rainfall scenarios.
[Results] The resulting predictive model for mountainous runoff generation demonstrates excellent simulation and forecasting capabilities, especially in modeling the influence of GI spatial pattern changes on runoff processes in complex mountainous terrains. The interpretive analysis using SHAP on the trained model provides crucial insights into the underlying mechanisms. Among the numerous GI landscape metrics evaluated, two features emerge as the most critical drivers positively correlated with increased mountainous stormwater runoff: the patch density (PD) of closed-canopy deciduous broad-leaved forests and the percent of landscape (PLAND) occupied by grasslands. The analysis reveals that an increase in either of the aforesaid two metrics consistently contributes to higher predicted runoff volumes. In contrast, the spatial pattern characteristics of other vegetation types, such as closed-canopy evergreen coniferous forests and closed-canopy deciduous coniferous forests, are found with a comparatively weak and less significant influence on the hydrological response. During the multi-objective pattern optimization process, using the two most influential metrics (PD and PLAND) as adjustable variables for a typical area, the optimized spatial pattern is able to reduce flood risk by 13.5% under the scenario of once-in-a-century extreme rainfall.
[Conclusion] The XGBoost machine learning model displays outstanding applicability for flood risk assessment and hydrological scenario simulation in shallow mountainous areas. An in-depth analysis of the GI spatial metrics identified by SHAP interpretation suggests that the fragmentation resulting from increased PD of closed-canopy deciduous broad-leaved forests, together with the impact of grassland PLAND on the runoff coefficient, are the core driving factors of stormwater runoff generation in these mountainous contexts. Additionally, the shape and configuration of grassland patches may further promote stormwater runoff. Accordingly, in the process of optimizing GI spatial arrangements in shallow mountainous areas, enhancing the connectivity of closed-canopy deciduous broad-leaved forest while reducing the size of large grassland patches is found conducive to forming optimal GI layouts that reduce flood risk under extreme precipitation. Through the application of interpretable machine learning techniques, this research reveals the underlying mechanisms by which different GI spatial pattern metrics influence mountain runoff generation and, based on these findings, effectively reduces regional flood risk during extreme rainfall events. The methodological approach and practical guidance provided by this research offer robust technical support for flood-mitigating green space planning in similar shallow mountain terrains and contribute valuable experience for regional adaptation to intensified climate-driven stormwater challenges.

Key words： disaster prevention and mitigation; green infrastructure; interpretable machine learning; multi-objective optimization algorithm

气候变化增加了极端降雨事件的频率与强度，显著提升了山地区域的洪涝风险[1]。作为特大城市的生态屏障，北京市浅山区近年来频遭暴雨侵袭，区域生态安全与人民生命财产受到严重威胁[2-4]。2023年“7·31”暴雨事件，造成浅山区33人死亡，30余万人受灾[5]；2025年7月末北京浅山区密云地区再次发生极端降雨事件，导致11.3万人受灾，房屋被严重冲毁[6]。在此背景下，如何通过生态、科学的途径提升浅山区的洪涝防治能力，已成为北京韧性城市建设过程中所面临的紧迫挑战。
绿色基础设施（green infrastructure, GI）——由森林、草地、湿地等自然与半自然元素构成的网络化空间系统[7-8]，被认为是应对上述挑战的有效途径。GI作为一个综合的绿色空间系统，可在不同空间尺度上产生不同的水文生态效益。相较于传统拦截坝等局部防御设施，基于GI的雨洪防控方案成本更低，协同效益更加丰富[9]。如Wang等[10]通过应用大规模的湿地、森林等GI，降低了北京乡镇地区的径流总量；Battemarco等[11]则通过林地等GI，降低了巴西帕拉蒂地区的洪水风险。大量研究证实，GI的雨洪调蓄功能不仅取决于其类型与总量，更深层次地依赖于其空间格局[12]。已有研究发现GI空间位置的分布和配置（形状、组成、比例）可通过影响降雨-径流和径流-泥沙的关系显著作用于洪水过程[13-14]，能够提高对洪水、滑坡等自然灾害的抵御和恢复能力[15-16]。因此，了解GI的空间格局与雨洪调控效能之间的关系对于区域雨洪风险管理具有重要的现实意义[17]。
然而，当前的研究存在两大关键瓶颈，制约了GI在山区防洪减灾中的有效应用。其一是GI对山地雨洪作用机制的“黑箱”问题。尽管现已初步认识到GI空间格局在雨洪管理中的重要性，但不同空间格局特征（如斑块密度、形状、聚合度等）对山区复杂地形下雨洪产流过程的驱动机制尚有待进一步定量研究[18]。传统的分布式水文模型，如SWAT（Soil and Water Assessment Tool）等可看作基于物理过程的“白箱”或“灰箱”模型，虽然其模拟计算过程清晰可循，但其模型结构及基础参数以物理空间土地类型为构建依据，并不能直接模拟或概化景观生态学指标与水文效应之间的关系，现今尚需通过“可解释的模型桥梁”来建立“空间格局”和“雨洪产流”之间的直接联系。其二是GI规划应用的“优化”难题。浅山区生态保护要求实现低建设强度、多效益的GI空间布局，现有的GI规划设计多依赖于定性原则或经验模型[19-21]，难以实现多目标导向的空间布局精确优化[22]。
本研究引入可解释人工智能（explainable artificial intelligence, XAI）与多目标优化算法对以上问题进行探究。已有部分研究利用SHapley Additive exPlanations（SHAP）、部分依赖图（partial dependence plots, PDP） 和Local Interpretable Model-Agnostic Explanations（LIME）等XAI技术[23-24]，就景观格局和洪涝关键影响因子进行了探讨，如量化土地利用和土壤属性对洪水易感性的影响[25]、识别不同因子对洪水风险的作用[26]、揭示城市形态与洪水风险之间错综复杂的关系[27]等，其中余琪等[28]和Chen等[29]应用基于SHAP的机器学习解释技术，分别发现了景观形态特征与水体健康、城市GI对城市内涝的显著影响因子，这为本研究提供了技术思路。在多目标优化应用方面，第二代非优势排序遗传算法（nondominated sorting genetic algorithm Ⅱ, NSGA-Ⅱ）在雨洪风险消减的实践研究中表现出良好的可行性，得到了广泛应用[30-37]。部分研究将该算法与方案决策模型耦合，整合水动力模型得出具备优秀成本效益的布置方案[38]；陈泓宇等[39]将D8算法与NSGA-Ⅱ耦合，开发出了适用于山地公园的低影响开发（low-impact development, LID）设施布设优化框架。将多目标优化技术引入山地区域雨洪调控相关研究，有助于在复杂的条件下探出最优解，将理论认知转化为具有实践指导意义的规划方案。然而，将NSGA-Ⅱ直接应用于高精度的GI空间格局优化时，通常会面临“评价函数”和空间优化能力的应用局限。传统的NSGA-Ⅱ应用通常将复杂的物理模型，如SWAT、暴雨洪水管理模型（storm water management model, SWMM），直接作为评价函数。这意味着在算法的每一次迭代中，为了评估每个“个体”（即一种GI空间布局方案）的优劣，都需要完整地运行一次物理模型，因此需要成千上万次评估的优化，时间成本消耗巨大。本研究将通过引入机器学习代理模型，对传统的NSGA-II应用框架做出一定的改进与创新，提升其计算效率，在高分辨率和较大空间范围上进行精细化的GI空间格局优化。
综上，本研究以北京市浅山区为例，旨在探索一条整合可解释机器学习与多目标优化的浅山区域GI规划途径。具体目标包括：1）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）利用可解释性工具（即SHAP）定量解析关键GI格局特征对山地雨洪产流的影响机制；3）基于解析的机制，运用多目标优化算法（即NSGA-Ⅱ）对GI空间格局进行优化调控，以期获得雨洪-经济效益相平衡的最优方案。期望为气候变化背景下高韧性的山地绿色空间建设提供一套创新的技术方法与实践参考。

1 研究方法

本研究以“影响机制研究—格局优化应用”为框架（图1），以北京市浅山区为研究区域展开。北京浅山区指北京市内海拔为100~300 m的区域（包括延庆浅山地区），地貌特征以低山和丘陵为主。本研究通过可解释机器学习方法，识别并量化影响山区雨洪产流的关键GI格局特征；以浅山区内一典型绿色空间为例，运用多目标优化方法结合解析出的影响机制进行GI空间格局的实践规划，探索在经济成本最优条件下的雨洪风险消减最大效益。
图1 技术框架

Fig. 1 Technology framework

1.1 影响机制研究

本研究以“样本获取—代理模型构建—机制解释”为研究逻辑，在能够表征精细化GI空间格局特征的子流域尺度上，构建基于GI空间格局特征的可解释机器学习模型。由于该尺度数据的实测难度大且现有数据极少，本研究采用率定后的本土化高精度SWAT水文模型进行样本数据的获取；并以此训练出计算速度快、预测精度高的机器学习山地雨洪产流预测代理模型，以解释GI空间格局特征与山地雨洪产流间的复杂关系。同时该代理模型亦是后续进行格局多目标优化的基础，相较于传统分布式水文模型，可以在数万次模型调用的条件下提高运算效率。

1.1.1 子流域样本获取

本研究在浅山区范围内提取浅山区数字高程模型（digital elevation model, DEM）、精细化土地覆盖等各类基础数据（表1）。选取位于浅山区范围内、水文过程独立、逐日径流数据完整的流域，进行子流域的提取。使用SWAT软件，基于浅山区DEM、水文站位置分布以及河网水系数据，根据上述筛选条件，最终将延庆妫水河流域与怀柔柏崖厂流域作为子流域样本的提取区域（图2）。利用SWAT软件，基于现状的河网水系数据以及DEM数据进行子流域划分，共得到317个样本子流域。
表1 基础数据类别及来源

Tab. 1 Basic data categories and sources

基础数据类别 数据时空精度 数据来源
　　注：因本研究数据收集工作在2023年完成，故数据获取时间截至2023年。
浅山区水文站逐日历史流量数据日尺度北京市水文总站（北京市水务局水质水生态监测中心）
2003—2023年浅山区精细化土地覆盖数据（China Land Cover Dataset, CLCD)5年尺度，空间分辨率30 m可持续发展大数据国际研究中心
2003—2023年浅山区逐月NDVI数据月尺度，空间分辨率250 m国家青藏高原科学数据中心
浅山区DEM数据空间分辨率30 m欧洲航天局（European Space Agency）哥白尼数字高程模型（Copernicus DEM, COP-DEM）
2003—2023年浅山区逐日气象数据日尺度国家气象科学数据中心
浅山区土壤地质数据世界土壤数据库（Harmonized World Soil Database, HWSD）
北京市河网水系数据开放街道地图（OpenStreetMap, OSM）
图2 浅山区范围内筛选出的2个独立流域：妫水河流域与柏崖厂流域

Fig. 2 Two independent basins identified within the shallow mountainous area: the Guishui River Basin and the

1.1.2 机器学习变量体系构建

1）目标变量（因变量Y）：选取产水量（wateryield）作为目标变量指标。产水量代表一定时间步长内通过地表径流、下渗、蒸发等水文过程后离开研究区域汇入河段的净水量，是衡量目标区域对下游洪涝压力贡献的重要指标。对于历史强降雨情景下的子流域产水量数据，本研究通过SWAT软件，基于逐日的历史气象数据、土壤数据、DEM、历史高精度土地覆盖数据进行模拟获取。本研究使用SWAT软件，在设定3年预热期的情况下，对2个样本流域2006—2023年逐日水文过程进行精细化模拟。使用SWAT-CUP软件，应用SUFI算法，基于样本流域的逐日径流监测数据对SWAT模型参数进行率定，以建立贴近真实环境条件的水文模型，得到近真实的子流域产水量数据。
2）解释因子（自变量X）：本研究将降雨量、归一化植被指数（normalized difference vegetation index, NDVI）、地形坡度、土地覆盖类型、地形湿润指数（topographic wetness index, TWI）5种与山地流域地表径流产流相关的主要因素和GI景观格局指数一同纳入解释因子体系。降雨是地表产流的根本驱动力，其时空分布特征直接决定径流生成潜力[40]，降雨量数据基于2003—2023年浅山区逐日气象数据获取。NDVI可表征林冠层截流、枯落物层持水和根系改良土壤结构的三重水文功能[26, 41]，该指标基于2003—2023年浅山区逐月NDVI数据获取。坡度通过改变径流路径长度和水流重力势能，控制径流流速与汇流时间[42]，地形坡度基于浅山区高精度DEM数据进行获取。地表覆盖的不同类型可对山地产汇流过程造成影响[43]，该指标基于2003—2023年浅山区精细化土地覆盖数据进行提取。地形湿润指数[44-45]代表不同地块单元之间潜在的水文连通性，计算式为
$ \begin{aligned} & \ \\& {I}_{{\rm{TW}}}={{\rm{ln}}}\left[\frac{{S}_{{\rm{CA}}}}{{{\rm{tan}}}{\text{α}}}\right] \text{，}\end{aligned} $
其中，$ {I}_{\mathrm{T}\mathrm{W}} $为地形湿润指数，SCA为单位汇水面积，$ \alpha $为地形坡度。GI景观格局指数为本研究的核心解释因子，考虑到林草地表覆盖类型对山地区域的雨洪产流有较大影响，本研究将林草类的GI进一步划分为开阔常绿阔叶林、草地、郁闭常绿针叶林等，并从面积、密度大小、聚集度、形状4个维度[9, 46-47]选择具有代表性且实操性强的景观格局指数进行量化（表2），利用Fragstats 4.2软件结合浅山区精细化土地覆盖数据进行获取。最终得到解释因子数据（图3）。
表2 选用的GI景观格局指数及其释义

Tab. 2 Selected GI landscape pattern indices and their interpretation

类型 名称 尺度 生态学意义
面积指标斑块面积比例（percent of landscape, PLAND）类型/斑块各地类占总面积的比例，面积最大的为主要景观
密度大小指标斑块密度（patch density, PD）类型/斑块某种斑块在景观中的密度，可反映出景观整体的异质性与破碎度，以及某一类型的破碎化程度
聚集度指标欧氏近邻距离（euclidean nearest neighbor distance, ENN）景观/类型/斑块某类型斑块最短边到最近同类型相邻斑块的距离，以直观反映斑块聚集程度
形状指标形状指数（mean shape index, SHAPE-MN）类型/斑块表示景观或斑块形状与相同面积的正方形之间的偏离程度，值越大，斑块形状越复杂
图3 妫水河流域解释因子数据

Fig. 3 Data of explanatory factors in the Guishui River Basin

1.1.3 基于XGBoost的山地雨洪产流预测代理模型构建与训练

本研究采用XGBoost（eXtreme Gradient Boosting）机器学习模型构建山地雨洪产流预测代理模型，在Pycharm平台用Python按三步完成模型构建。
1）样本数据清洗。将日降雨量≥25 mm的强降雨事件下各子流域的产水量及其对应的解释因子构成一个独立样本。对少量缺失的数据，使用K最近邻插补（k-nearest neighbors imputation, KNNI）。对于插补后的数据，使用DBSCAN（density-based spatial clustering of applications with noise）的聚类方法进行异常值识别并剔除。由于不同类型的解释因子数据数值大小不同，为避免剔除异常值造成误差影响，需要对插补后的数据进行标准化。数据标准化的计算式为
$ {X}_{\mathrm{s}\mathrm{c}\mathrm{a}\mathrm{l}\mathrm{e}\mathrm{d}}=\frac{X-{X}_{\mathrm{m}\mathrm{i}\mathrm{n}}}{{X}_{\mathrm{m}\mathrm{a}\mathrm{x}}-{X}_{\mathrm{m}\mathrm{i}\mathrm{n}}} \text{，} $
式中，$ {X}_{\mathrm{s}\mathrm{c}\mathrm{a}\mathrm{l}\mathrm{e}\mathrm{d}} $为标准化后的数据值，范围为[0，1]，$ X $为原始数据，$ {X}_{\mathrm{m}\mathrm{a}\mathrm{x}} $为该类数据中的最大值，$ {X}_{\mathrm{m}\mathrm{i}\mathrm{n}} $为该类数据中的最小值。
2）模型训练与优化。将样本集按8︰2的比例划分为训练集与测试集。采用贝叶斯优化的Optuna框架对XGBoost模型的7个关键超参数（learning_rate、max_depth、min_child_weight、reg_lambda、n_estimators、subsample、reg_alpha）进行500次迭代寻优。
3）模型评估。使用5折交叉验证，选取决定系数（R2）、均方根误差（root mean squared error, RMSE）、平均绝对误差（mean absolute deviation, MAE）以及均方误差（mean-square error, MSE）指标评估模型的预测精度与泛化能力。

1.1.4 基于SHAP的机器学习解释

本研究采用基于SHAP的机器学习解释方法对已训练的模型进行解释。
首先，采用Deep Explainer计算GI相关格局因子的SHAP值。每个数据点的每个特征将会被分配一个SHAP值，用于定量描述该特征是如何影响预测结果的。对于一个预测值，需满足关系式
$ {y}_{m}={y}_{\mathrm{b}\mathrm{a}\mathrm{s}\mathrm{e}}+f（{x}_{m1}）+f（{x}_{m2}）+...+f（{x}_{mh}） 。 $
式中：m为机器学习样本数；ybase为整个模型的基准值，通常为所有样本的目标变量的均值；f$ （ $xmh$ ） $为第m个样本第h个特征的SHAP值，即对于预测值ym的贡献值，当f$ （ $xmh$ ） $>0时，说明该特征对于预测有正向作用。
其次，针对每一个特征，可以计算其全局SHAP值绝对值的均值，以比较特征的重要程度：
$ \begin{aligned} & \ \\&{{\bar C}}_{h}=\frac{1}{n}{\sum} _{m=1}^{n}\left|f（{x}_{mh}）\right|。\end{aligned} $
式中，h为第m个样本的特定特征，n为样本数量，${\bar{C}}_{h}$为特征h全局SHAP值绝对值的均值，f（xmh）为第m个样本第h个特征的SHAP值。

1.2 格局优化应用研究

1.2.1 优化区域、变量与目标

北京市延庆区盛世山地公园位于妫水河流域内延庆城区与山地自然区域的过渡地带，近年来多次受到强降雨所导致的洪涝威胁，是北京市浅山区地理环境特征的典型代表。本研究将结合所得出的GI对山地雨洪产流的影响机制，对盛世山地公园进行优化应用探究（图4），优化应用面积665.9 hm2。
图4 优化应用区域现状GI

Fig. 4 Existing GI of the optimized area

根据影响机制解析的结果，选择关键的GI类型作为优化变量，在栅格尺度上调整这些GI类型的空间布局，并使用Fragstats软件计算调整后的景观格局指数。
本研究以最低的优化成本与最高的雨洪消减量作为优化目标。
1）优化成本主要为关键GI要素的建造成本（体现为苗木种植成本）。遵循实际的项目经验，参考北京地区市场价格进行苗木成本估算，进而构建出目标函数：
$ {C}_{\mathrm{成}\mathrm{本}}（{x}_{1}\text{，}{x}_{2}\text{，}\dots \text{，}{x}_{g}）={\sum} _{a=1}^{g}{S}_{ab}{m}_{bk} 。 $
式中，（$ {x}_{1} $，$ {x}_{2} $，$ \dots {，x}_{g} $）为子流域的g个GI斑块，$ {S}_{ab} $为被调控的第a个b类型的GI斑块面积，$ {m}_{bk} $为第a个斑块由k类型置换为b类型GI的单位面积成本。
2）雨洪产流消减量最大化，即优化后GI格局相对于现状格局的总产水量削减量达到最大。该目标基于上述的XGBoost机器学习模型进行计算：
$ {E}_{\mathrm{f}\mathrm{l}\mathrm{o}\mathrm{o}\mathrm{d}}={W}_{\mathrm{o}\mathrm{r}\mathrm{i}\mathrm{g}\mathrm{i}\mathrm{n}}-{W}_{\mathrm{n}\mathrm{e}\mathrm{w}} 。 $
式中，$ {E}_{\mathrm{f}\mathrm{l}\mathrm{o}\mathrm{o}\mathrm{d}} $为山地雨洪产水量的消减量，$ {W}_{\mathrm{o}\mathrm{r}\mathrm{i}\mathrm{g}\mathrm{i}\mathrm{n}} $为特定降雨情景下现状产水量，而$ {W}_{\mathrm{n}\mathrm{e}\mathrm{w}} $为相同降雨情景下优化调控后的产水量。

1.2.2 基于NSGA-Ⅱ的优化平台构建

在Python环境中，以NSGA-Ⅱ算法为核心框架，输入优化区域的现状栅格图，对上述研究所得出的关键GI类型进行优化调控。核心框架动态耦合已训练的XGBoost山地雨洪产流代理模型（用于评估雨洪效益）和Fragstats软件（用于实时计算优化过程中产生的GI景观格局指数），以评估优化目标。优化过程从代表不同GI布局方案的初始种群开始，通过选择、交叉、变异等遗传操作不断迭代以逼近最优解。设置变异概率0.3、迭代次数500、初始种群160。

2 结果与分析

2.1 山地雨洪产流预测代理模型训练结果

在子流域样本数据的获取过程中，2个独立流域各年份模拟的逐日径流量数据经参数率定后，R2平均值为0.80，纳什效率系数平均值为0.64，证明本研究所建立的SWAT模型具有较高的拟合精度和预测能力，可以此获取近真实的子流域产水量数据。对初步获得的子流域产水量数据进行数据清洗后，获得10 483条高质量子流域样本进行XGBoost机器学习模型训练。通过参数寻优，最终得到的模型经5折交叉验证后，R2平均值为0.89，该结果证明本研究训练得出的XGBoost山地雨洪产流代理模型在模拟山地复杂水文过程方面具有优秀的性能，其模拟预测能力可迁移至其他与北京市浅山区类似的、水文数据匮乏的地区，为之提供快速有效的洪涝风险评估工具。

2.2 机器学习解释结果

基于SHAP的机器学习解释结果显示，降雨量为影响山地雨洪产流的首要因子，郁闭落叶阔叶林斑块密度与草地斑块面积比例是仅次于降雨量的、影响山地雨洪产流的主导景观格局指标（图5）。输出的SHAP全局特征重要性图（图6）显示，郁闭落叶阔叶林的斑块密度对山地雨洪产流的提升作用高于草地斑块面积比例。通过对机器学习过程中的全样本解释结果进行分析（图7），发现在序号6 000~10 000的样本中，郁闭落叶阔叶林斑块密度和草地斑块面积比例对山地雨洪产流的提升作用最为显著。除此之外，草地形状指数也在大部分样本中表现出一定的增益作用。
图5 各解释因子贡献度（影响程度）排序

Fig. 5 Ranking of the contribution (influence degree) of each explanatory factor

图6 SHAP全局特征重要性

Fig. 6 SHAP global feature importance

图7 GI空间格局特征的SHAP值热力图

Fig. 7 Heat map of SHAP values of GI spatial pattern characteristics

此外，NDVI与地形湿润指数的影响虽高于其他GI空间特征，但低于上述2个主导GI指标。该结果虽然在一定程度上反映了植被覆盖度对山地雨洪产流的影响，但由于NDVI无法区分植被类型和结构差异，其负向影响可能源于不同植被类型的混合效应，导致对山地雨洪产流的影响被稀释。常绿和落叶针叶林的影响较弱，这可能是由其生理生态特性（如常绿针叶的持续截留能力、不同的枯枝落叶层特性）决定的，或是它们在样本流域中的分布、面积、破碎程度未达到能产生显著水文效应的阈值。

2.3 多目标优化结果

基于机制研究，确定以郁闭落叶阔叶林与草地2类GI作为优化变量。在空间变量调控方面，以栅格为单位，将现有裸地随机调整为草地或林地，将现有草地随机调整为林地，遵循生态保护、现有林地面积不减的原则，不对现有的郁闭落叶阔叶林进行类型更改。通过多目标优化，平衡雨洪效益和GI建造成本，最终获得8个帕累托最优解（图8）。通过分析最优解集，发现在方案4后增益趋于平缓，因此选取方案4为推荐方案（图9）。该方案在2023年7月北京百年一遇暴雨情景下，单位面积产水量降至36.18 mm，较原始格局（41.98 mm）减少5.8 mm，雨洪消减效益提升13.5%，山地雨洪产流量（下游输水量）减少38 622.2 t。
图8 优化分布方案集合

Fig. 8 Set of optimized distribution schemes

图9 帕累托前沿图

Fig. 9 Pareto frontier plot

3 讨论

3.1 郁闭落叶阔叶林斑块密度与山地雨洪产流的正向关联机制

对于郁闭落叶阔叶林来说，更高的斑块密度对山地雨洪产流的增加起到正向作用。在总面积不变的前提下，高PD值意味着林地景观的碎片化程度更高，通常伴随更多非林地边缘区域（如灌木或裸地）。这些区域的土壤渗透率较低，导致地表径流增加。此外，不连续的林斑割裂了水文连通性，减弱了对地表径流的整体阻滞作用，并可能因林分密度降低而影响区域总蒸散发量。因此，对于森林这类GI而言，空间格局的完整性（低PD）对于雨洪调蓄功能的贡献，可能比单纯追求总面积（高PLAND）更为关键。
在北京浅山区GI格局优化的实践中，应优先考虑降低落叶阔叶林的破碎度，提升林斑的空间聚合度，减少孤立小斑块的产生，并联通现有的破碎化林地，强化斑块间的生态过程耦合。

3.2 草地面积比例与山地雨洪产流的正向关联机制

对于草地来说，PLAND对山地雨洪产流具有一定的主导性。草地的冠层截留能力、根系固土保水能力及对土壤渗透性的改良作用较弱，导致其地表径流系数相对较高。因此草地面积的增加直接导致流域整体径流系数上升，强降雨情景下的山地雨洪产流增大。
此外，SHAP分析结果表明，草地的形状指数在部分样本中也表现出对山地雨洪产流的显著增益作用。复杂的斑块形状（高SHAPE值）意味着更长的边缘长度。复杂的形态在山地地区可能会促进汇流路径的形成与快速输送，从而加剧山地雨洪产流。据此，在GI规划中，不仅要控制草地面积的扩张，还需关注其空间形态，避免形成加速汇流的狭长或不规则斑块，以降低雨洪风险。

3.3 GI格局特征对山地雨洪产流的混合影响特征与阈值效应

基于SHAP分析结果（图6、7），模型捕捉到了一种反常的“正向贡献”现象：在部分样本中，高郁闭落叶阔叶林斑块密度或草地面积比例与极端高山地雨洪产流预测值形成了强关联。这种混合影响并非意味着模型解释出现误差，而是揭示了GI水文调蓄功能的阈值效应，该效应主要受控于降雨量这一关键外部驱动因子：当降雨量较小或中等时，GI的调蓄能力足以应对；但当遭遇极端强降雨事件时，GI调蓄能力会迅速达到饱和，降雨将转为地表径流，因此模型将该部分样本认定为正向贡献。

3.4 GI格局特征对山地雨洪产流的次要影响

除郁闭落叶阔叶林斑块密度、草地面积比例以及草地的形状指数3个GI格局特征外，其他GI类型的景观格局指数对山地雨洪产流的整体贡献度相对偏低（图6、7）。这些指标的SHAP值绝大多数紧密集中在0附近，表明改变这些形态特征对子流域总雨洪产流量的边际影响非常有限。从水文物理过程来看，区域的雨洪调蓄总能力不仅受各类型GI“体量”的影响，也与各类型GI的截流能力和下垫面土壤物理特征相关。当分析尺度提升至整个子流域时，小体量的GI类型以及局部的、微弱的形态影响在空间上被平均化，这些小体量GI类型的景观格局指标对山地雨洪产流的贡献在SHAP解释中也会表现较弱。

3.5 最优GI格局形成策略

对帕累托最优解（方案4）的空间格局进行分析（图10），发现优化算法倾向于在现有林斑的边缘增加林地单元，并连接邻近的小斑块，这直接增加了林地面积并降低了整体斑块密度。同时，优化方案通过在原有大面积草地中插入新的林地斑块，有效分割了连续的高径流系数区域。这2种特征说明，在现有林斑边缘的基础上进行扩张，并减少大面积连续草地的占比，将大面积草地区域转化为林草复合系统，有利于形成最优GI格局，可在一定程度改变原地表的水文响应，从而延缓径流。
图10 最终选择的GI分布方案

Fig. 10 Finalized selection of GI distribution options

4 结语

本研究构建了一套融合物理模型、机器学习与多目标优化算法的GI空间格局优化框架，为北京浅山区的雨洪管理提供了具有高空间精度的解决方案。然而，随着技术的演进和研究维度的深化，当前框架在模型泛化能力、优化技术效率以及社会维度融合等方面仍存在局限，未来的研究可在3个方面持续改进。
1）优化机器学习预测代理模型的泛化能力，进一步增强鲁棒性与可解释性。以SWAT模型生成的大量模拟数据来训练XGBoost山地雨洪预测代理模型，虽然在很大程度上克服了现实观测数据稀疏的难题，但方法的本质仍是“数据驱动”，XGBoost模型学习的是SWAT模拟结果中的统计规律，而非底层的物理机制。未来的改进方向在于构建物理机制与机器学习深度融合的混合模型。例如，可以探索使用物理信息神经网络（physics-informed neural networks, PINNs），将SWAT模型中的关键水文方程直接嵌入神经网络的训练过程中，以确保在进行预测时具备更强的鲁棒性和可解释性。此外，还可将机器学习所需的样本量从当前的万级提升至十万乃至百万级，能够让模型学习到更宽泛、更多样化的“格局-过程”响应关系，从而更深度地探究GI空间格局在应对未来不确定性时的作用机制。
2）改进多目标优化技术，增强高维空间优化能力与实操性。本研究以单个栅格作为优化决策单元，实现了高分辨率的空间格局优化，但也因此导致优化问题出现“高维度”的特征。在以单个栅格为优化单元时，优化问题高维且离散的特性使得现有算法在搜索帕累托前沿上的最优解时面临计算效率瓶颈。因此，亟须探索和引入更高效的优化算法（如改进的启发式算法等），以提升在高维空间中的全局最优解搜索效率。此外，本研究将GI建设成本简化为与面积成正比的单一函数，这是一种概化处理。现实中，成本受土地获取、地形坡度、施工难度、植被类型及后期维护等多重因素影响，具有显著的空间异质性。未来研究应构建更精细化的成本模型，综合考虑土地征用成本（基于地价）、工程建设成本（关联地形坡度、土壤条件）以及长期维护成本，使得帕累托前沿上的解决方案更具经济可行性和落地操作性。
3）拓展多维度的优化目标。本研究的优化目标聚焦于雨洪调蓄（生态效益）与建设成本（经济效益）的权衡，这解决了山区GI规划中的核心工程问题。然而，GI的价值是多维度的，其规划与建设同样需要回应更广泛的社会与生态需求。未来的研究优化目标可向多维协同规划方向拓展。可以探索雨洪、经济、生态、社会等多个目标之间的复杂权衡与协同关系，生成一系列能够实现综合可持续性的空间规划方案，从而为生态文明建设提供更为全面、科学的决策。
总体来说，本研究通过可解释机器学习的方法，为理解和量化GI空间格局对山地雨洪的影响提供了新的视角和方法，并通过多目标优化与具体设计应用，展示了如何将科学机制转化为有效的规划实践。此外，本研究通过用XGBoost架构构建了一个机器学习山地雨洪产流预测代理模型，极大地拓宽了NSGA-Ⅱ等经典优化算法在高分辨率、大尺度空间优化问题上的应用边界，为复杂地理系统的GI规划提供了一个可行的技术范式。研究成果可为类似山地区域的精细化洪涝风险评估、低影响开发实践以及海绵型山地公园的规划设计提供有价值的技术支持和实践参考。

图表来源(Sources of Figures and Tables)：

图1~10由作者绘制；表1~2由作者绘制。

文章亮点

1、方法创新：结合可解释机器学习（SWAT+XGBoost+SHAP）和多目标优化算法（NSGA-Ⅱ），解析了浅山区关键绿色基础设施格局特征对洪涝风险的作用机制，实现了空间优化决策的科学可视化。

2、机理突破：定量揭示了林地破碎化（高斑块密度）与大面积草地是加剧山地雨洪产流的核心驱动因子，深化了对景观格局水文效应的科学理解。

3、实践价值：建立了高精度山地雨洪产流预测代理模型，提出的多目标优化方案可在百年一遇极端降雨情景下降低13.5%的洪涝风险，具有强现实与推广意义。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Intergovernmental Panel on Climate Change (IPCC). Climate Change 2021: The Physical Science Basis: Working Group I Contribution to the Sixth Assessment Report of the Intergovernmental Panel on Climate Change[M/OL]. New York: Cambridge University Press, 2023[2025-07-23]. https://www.cambridge.org/core/product/identifier/9781009157896/type/book.

DOI

[2]
PEI Y J, LIU J H, WANG J, et al Effects of Urbanization on Extreme Precipitation Based on Weather Research and Forecasting Model: A Case Study of Heavy Rainfall in Beijing[J]. Journal of Hydrology: Regional Studies, 2024, 56: 102078.

DOI

[3]
张芳华, 杨舒楠, 胡艺, 等 “23·7”华北特大暴雨过程的水汽特征[J]. 气象, 2023, 49 12 1421.-1434.

ZHANG F H, YANG S N, HU Y, et al Water Vapor Characteristics of the July 2023 Severe Torrential Rain in North China[J]. Meteorological Monthly, 2023, 49 12 1421.-1434.

[4]
杨晓亮, 杨敏, 金晓青, 等.“23·7”河北罕见特大暴雨过程降水演变与中尺度特征分析[J]. 暴雨灾害, 2024, 43（1）: 1-12.

YANG X L, YANG M, JIN X Q, et al. Analysis of Precipitation Evolution and Mesoscale Characteristics for A Severe Torrential Rain Event in Hebei from 29 July to 2 August 2023[J/OL]. Torrential Rain and Disasters, 2024, 43(1): 1-12.

[5]
北京日报. 北京市防汛救灾新闻发布会举行本次洪涝灾害造成30余万人受灾[EB/OL].[2025-08-10]. https://swj.beijing.gov.cn/swdt/swyw/202508/t20250801_4164010.html.

Beijing Daily, Beijing Flood Control and Disaster Relief News Conference Held This Flooding Caused more than 300,000 People Affected[EB/OL]. [2025-08-10]. https://swj.beijing.gov.cn/swdt/swyw/202508/t20250801_4164010.html.

[6]
北京日报.北京通报此次极端强降雨造成的伤亡情况[EB/OL].（2025-07-31）[2025-08-10]. https://news.qq.com/rain/a/20250731A0743700.

Beijing Daily. Beijing Informs of Casualties Caused by This Extreme Rainfall[EB/OL]. (2025-07-31)[2025-08-10]. https://news.qq.com/rain/a/20250731A0743700.

[7]
华杨 全球三大绿色基础设施体系及其对中国的借鉴[J]. 生态城市与绿色建筑, 2018 (4): 26.-29.

HUA Y Three Global Green Infrastructure Systems and Its Reference to China[J]. Eco-City and Green Building, 2018 (4): 26.-29.

[8]
LE X H, KIM Y, VAN BINH D, et al Improving Rainfall-Runoff Modeling in the Mekong River Basin Using Bias-Corrected Satellite Precipitation Products by Convolutional Neural Networks[J]. Journal of Hydrology, 2024, 630: 130762.

DOI

[9]
SOHN W, BAE J, NEWMAN G Green Infrastructure for Coastal Flood Protection: The Longitudinal Impacts of Green Infrastructure Patterns on Flood Damage[J]. Applied Geography, 2021, 135: 102565.

DOI

[10]
WANG Z H, LI Z H, WANG Y F, et al Building Green Infrastructure for Mitigating Urban Flood Risk in Beijing, China[J]. Urban Forestry & Urban Greening, 2024, 93: 128218.

[11]
BATTEMARCO B P, TARDIN-COELHO R, VERÓL A P, et al Water Dynamics and Blue-Green Infrastructure (BGI): Towards Risk Management and Strategic Spatial Planning Guidelines[J]. Journal of Cleaner Production, 2022, 333: 129993.

DOI

[12]
HOU J, FU B J Research on the Relationship Between Vegetation and Soil Resource Patterns on Lands Abandoned at Different Times[J]. Catena, 2014, 115: 1.-10.

DOI

[13]
PENG Y, WANG Q H, WANG H T, et al Does Landscape Pattern Influence the Intensity of Drought and Flood?[J]. Ecological Indicators, 2019, 103: 173.-181.

DOI

[14]
VAN NIEUWENHUYSE B H J, ANTOINE M, WYSEURE G, et al Pattern-Process Relationships in Surface Hydrology: Hydrological Connectivity Expressed in Landscape Metrics[J]. Hydrological Processes, 2011, 25 24 3760.-3773.

DOI

[15]
ZELLNER M, MASSEY D, MINOR E, et al Exploring the Effects of Green Infrastructure Placement on Neighborhood-Level Flooding via Spatially Explicit Simulations[J]. Computers, Environment and Urban Systems, 2016, 59: 116.-128.

DOI

[16]
林辰松.半湿润地区集雨型绿地设计研究[D].北京: 北京林业大学, 2017.

LIN C S. The Research on Rainwater Harvesting Green Space Design in Semi-humid Region[D]. Beijing: Beijing Forestry University, 2017.

[17]
LI J, ZHOU Z X Coupled Analysis on Landscape Pattern and Hydrological Processes in Yanhe Watershed of China[J]. Science of the Total Environment, 2015, 505: 927.-938.

DOI

[18]
KIM M, SONG K, CHON J Key Coastal Landscape Patterns for Reducing Flood Vulnerability[J]. Science of the Total Environment, 2021, 759: 143454.

DOI

[19]
WEBBER M K, SAMARAS C A Review of Decision Making Under Deep Uncertainty Applications Using Green Infrastructure for Flood Management[J]. Earth’s Future, 2022, 10 (7): e2021EF002322.

DOI

[20]
LEMPERT R J, POPPER S W, BANKES S C. Shaping the Next One Hundred Years: New Methods for Quantitative, Long-Term Policy Analysis[R/OL]. (2003-01-01)[2025-07-28]. https://www.rand.org/pubs/monograph_reports/MR1626.html.

[21]
MARCHAU V A W J, WALKER W E, BLOEMEN P J T M, et al. Decision Making under Deep Uncertainty: From Theory to Practice[M/OL]. Cham: Springer International Publishing, 2019[2025-07-28]. http://link.springer.com/10.1007/978-3-030-05252-2.

[22]
林辰松, 董宇翔, 陈泓宇, 等 基于NSGA-Ⅱ算法的集雨型绿地低影响开发设施规模优化计算方法及应用: 以南阳院士小镇为例[J]. 风景园林, 2020, 27 12 92.-97.

LIN C S, DONG Y X, CHEN H Y, et al Optimal Calculation Method of Size of LID Facilities for Rainwater Harvesting Green Space Based on NSGA-Ⅱ Algorithm and Application: A Case Study of Nanyang Academician Town[J]. Landscape Architecture, 2020, 27 12 92.-97.

[23]
BARREDO ARRIETA A, DÍAZ-RODRÍGUEZ N, DEL SER J, et al Explainable Artificial Intelligence (XAI): : Concepts, Taxonomies, Opportunities and Challenges Toward Responsible AI[J]. Information Fusion, 2020, 58 C 82.-115.

[24]
NGUYEN D H, HIEN LE X, HEO J Y, et al Development of an Extreme Gradient Boosting Model Integrated with Evolutionary Algorithms for Hourly Water Level Prediction[J]. IEEE Access, 2021, 9: 125853.-125867.

DOI

[25]
PRADHAN B, LEE S, DIKSHIT A, et al Spatial Flood Susceptibility Mapping Using an Explainable Artificial Intelligence (XAI) Model[J]. Geoscience Frontiers, 2023, 14 (6): 101625.

DOI

[26]
TEHRANY M S, PRADHAN B, MANSOR S, et al Flood Susceptibility Assessment Using GIS-Based Support Vector Machine Model with Different Kernel Types[J]. Catena, 2015, 125: 91.-101.

DOI

[27]
WANG M, LI Y X, YUAN H J, et al An XGBoost-SHAP Approach to Quantifying Morphological Impact on Urban Flooding Susceptibility[J]. Ecological Indicators, 2023, 156: 111137.

DOI

[28]
余祺, 时晨燚, 庄娜娜, 等 子流域景观格局对丹江口水库营养状态的影响分析[J]. 环境科学研究, 2024, 37 (8): 1714.-1724.

YU Q, SHI C Y, ZHUANG N N, et al Analysis of Impact of Sub-watersheds Landscape Patterns on Trophic State of Danjiangkou Reservoir[J]. Research of Environmental Sciences, 2024, 37 (8): 1714.-1724.

[29]
CHEN H Y, DONG Y X, LI H, et al Optimized Green Infrastructure Planning at the City Scale Based on an Interpretable Machine Learning Model and Multi-objective Optimization Algorithm: A Case Study of Central Beijing, China[J]. Landscape and Urban Planning, 2024, 252: 105191.

DOI

[30]
ZHU Y F, XU C Q, LIU Z J, et al Spatial Layout Optimization of Green Infrastructure Based on Life-Cycle Multi-objective Optimization Algorithm and SWMM Model[J]. Resources, Conservation and Recycling, 2023, 191: 106906.

DOI

[31]
WANG J, LIU J H, YANG Z X, et al Green Infrastructure Optimization Considering Spatial Functional Zoning in Urban Stormwater Management[J]. Journal of Environmental Management, 2023, 344: 118407.

DOI

[32]
ZHANG X, LIU W, FENG Q, et al Multi-objective Optimization of the Spatial Layout of Green Infrastructures with Cost-Effectiveness Analysis Under Climate Change Scenarios[J]. Science of the Total Environment, 2024, 948: 174851.

DOI

[33]
ZHOU H, GAO C, LUAN Q H, et al Multi-objective Optimization of Distributed Green Infrastructure for Effective Stormwater Management in Space-Constrained Highly Urbanized Areas[J]. Journal of Hydrology, 2024, 644: 132065.

DOI

[34]
张文晴, 侯精明, 王俊珲, 等 耦合NSGA-Ⅱ算法与高精度水动力模型的LID设施优化设计方法研究[J]. 水资源与水工程学报, 2022, 33 (4): 133.-142.

ZHANG W Q, HOU J M, WANG J H, et al Optimization Design Method of LID Facilities Coupling NSGA-Ⅱ Algorithm and High-Precision Hydrodynamic Model[J]. Journal of Water Resources and Water Engineering, 2022, 33 (4): 133.-142.

[35]
李莹, 莫淑红, 杨元园, 等 基于NSGA-Ⅱ算法的海绵城市LID设施布设比例优化[J]. 给水排水, 2021, 47 S1 475.-481.

LI Y, MO S H, YANG Y Y, et al Optimize Proportions of LID Facilities with NSGA-Ⅱ[J]. Water & Wastewater Engineering, 2021, 47 S1 475.-481.

[36]
董新宇, 张静慧, 袁鹏, 等 基于多目标优化的低影响开发设施布局方法[J]. 环境科学学报, 2021, 41 (7): 2933.-2941.

DONG X Y, ZHANG J H, YUAN P, et al Low Impact Development Practices Layout Method Based on Multi-objective Optimization[J]. Acta Scientiae Circumstantiae, 2021, 41 (7): 2933.-2941.

[37]
李俊德, 范功端 融合进水调度控制的雨水调蓄设施多目标优化设计[J]. 中国给水排水, 2022, 38 (9): 111.-117.

LI J D, FAN G D Multi-objective Optimization Design of Rainwater Storage Facilities Integrating Inflow Regulation[J]. China Water & Wastewater, 2022, 38 (9): 111.-117.

[38]
UR REHMAN A, GLENIS V, LEWIS E, et al Multi-objective Optimisation Framework for Blue-Green Infrastructure Placement Using Detailed Flood Model[J]. Journal of Hydrology, 2024, 638: 131571.

DOI

[39]
陈泓宇, 董宇翔, 林辰松 基于D8与NSGA-Ⅱ耦合算法的浅山区绿地低影响开发设施布局优化方法研究[J]. 北京林业大学学报, 2022, 44 (9): 116.-126.

CHEN H Y, DONG Y X, LIN C S Research on Optimization Method for Low Impact Development (LID) Controls Distribution of Greenspace in Shallow Mountain Based on D8 and NSGA-Ⅱ Algorithm[J]. Journal of Beijing Forestry University, 2022, 44 (9): 116.-126.

[40]
SHADMEHRI TOOSI A, CALBIMONTE G H, NOURI H, et al River Basin-Scale Flood Hazard Assessment Using a Modified Multi-criteria Decision Analysis Approach: A Case Study[J]. Journal of Hydrology, 2019, 574: 660.-671.

DOI

[41]
KOURGIALAS N N, KARATZAS G P. A National Scale Flood Hazard Mapping Methodology: The Case of Greece - Protection and Adaptation Policy Approaches[J]. Science of the Total Environment, 2017, 601/602: 441-452.

[42]
FU T G, LIU J T, GAO H, et al Surface and Subsurface Runoff Generation Processes and Their Influencing Factors on a Hillslope in Northern China[J]. Science of the Total Environment, 2024, 906: 167372.

DOI

[43]
ELKHRACHY I Flash Flood Hazard Mapping Using Satellite Images and GIS Tools: A Case Study of Najran City, Kingdom of Saudi Arabia (KSA)[J]. The Egyptian Journal of Remote Sensing and Space Science, 2015, 18 (2): 261.-278.

DOI

[44]
Spatial Prediction Of Flood Susceptibility Using Random-Forest And Boosted-Tree Models in Seoul Metropolitan City, Korea[EB/OL]. [2024-09-23]. https://www.tandfonline.com/doi/epdf/10.1080/19475705.2017.1308971needAccess=true.

[45]
SAHANA M, REHMAN S, SAJJAD H, et al Exploring Effectiveness of Frequency Ratio and Support Vector Machine Models in Storm Surge Flood Susceptibility Assessment: A Study of Sundarban Biosphere Reserve, India[J]. Catena, 2020, 189: 104450.

DOI

[46]
WOO K, PARK Y Urban Green Infrastructure and Local Flooding: The Impact of Landscape Patterns on Peak Runoff in Four Texas MSAs[J]. Applied Geography, 2016, 77: 72.-81.

DOI

[47]
SU M R, ZHENG Y, HAO Y, et al The Influence of Landscape Pattern on the Risk of Urban Water-Logging and Flood Disaster[J]. Ecological Indicators, 2018, 92: 133.-140.

DOI

Options
文章导航

/

〈 〉