观潮 · 模式预报与气象 AI 观察
易涝点周边环境喂进模型后，济南 7.18 暴雨洪涝 RF 的 AUC 从 0.71 升到 0.84
> 机器学习做城市洪涝易感性评估，以往只看易涝点本地的 8 个因子，等于假设一个格点淹不淹跟它周围长什么样无关。这篇以 2007 年济南「7.18」特大暴雨为对象，系统比较了三种输入策略：点输入（只取本点因子）、数组输入（把周边 k×k 邻域因子矩阵展平）、图像输入（CNN 直接吃多通道邻域图像）。结论清晰：数组策略全面优于点策略，随机森林加数组输入在验证期准确率、精确率、召回率 0.75、0.71、0.83，AUC 0.84，全流域最稳；CNN 召回率高达 0.97，在监测点最密的历下区反超 RF，但在资料稀疏区掉得最狠。作者同时承认 CNN 对监测数据精度要求高、RF 在中间易感等级上难以给出清晰风险指示。
缺的是哪一块
水文水动力耦合模型是城市洪涝模拟的主要工具，但两个现实障碍：对监测资料需求高、需要率定大量参数，而我国城市洪涝监测资料严重缺乏；高精度网格划分带来长运行时间，难以满足应急防汛的时效性。机器学习模型资料要求少、算得快，绕开了这两个坑——ANN、SVM、RF 都已在城市洪涝模拟中应用。
但常规机器学习建模只考虑易涝点处的孕灾环境信息（点输入策略）。城市产汇流有空间关联，淹没点周围的排水、地形、路网显然影响「这个点淹不淹」，于是部分研究改用数组输入把周边信息编进来——可数组展平后丢失了孕灾环境的空间拓扑结构。图像输入策略（CNN）能保留拓扑，但它在资料稀疏的城市环境下表现如何、值不值得为它多准备监测数据，正是这篇要系统回答的问题。
研究对象济南「7.18」暴雨本身够极端：2007 年 7 月 18 日，市区 1 小时最大降水量 151 mm、2 小时 167.5 mm、3 小时 180 mm，均为有气象记录以来历史最大值；共 42 人遇难、171 人受伤、受灾群众 33 万以上、直接经济损失 12 亿多元。该事件的洪涝监测资料积累充足，适合做模型对比。
三种输入策略怎么搭的
研究区为济南小清河黄台桥断面以上流域（约 326 平方公里），覆盖主城区、部分西北郊区和南部山区。数据：2007 年 7 月 18 日暴雨期间 196 个（非）淹没点实测位置，加上 8 个洪涝影响因子——降水量（刘家庄、东红庙、兴隆、燕子山、黄台桥 5 站实测，反距离加权插值）、高程（ASTER GDEM）、坡度、地形湿度指数、距河流距离、距道路距离、路网密度、NDVI。
原文图 1/图 2 组合：济南市小清河流域地理位置、淹没点分布与 8 个洪涝影响因子图层——(a) 5 站实测降水插值、(b) 高程、(c) 坡度、(d) 地形湿度指数、(e) 距河流距离、(f) 距道路距离、(g) 路网密度、(h) NDVI。
三种输入策略喂给模型的东西不同：
策略 · 模型输入 · 保留的空间信息
点输入（ANN-ori、SVM-ori、RF-ori） · 该栅格本点的 N 个因子值 · 无
数组输入（ANN-arr、SVM-arr、RF-arr） · 周边 k×k 邻域因子矩阵展平为数组 · 邻域信息，无拓扑
图像输入（CNN） · 邻域影响因子组织为多通道图像张量 · 邻域信息 + 网格拓扑
训练以是否发生洪涝淹没为二元目标（1=淹没，0=非淹没），70% 样本率定、30% 验证；评估用准确率、精确率、召回率与 AUC。易感性等级用模型输出的洪涝易感性指数 FSI 划 5 级：极高（0.8–1.0）、较高（0.6–0.8）、中等（0.4–0.6）、较低（0.2–0.4）、极低（0–0.2）。
原文图 3：三种输入策略示意。(a) 点输入只取淹没点所在格的因子向量；(b) 数组输入取邻域矩阵展平重组后输入 ANN/SVM/RF；(c) 图像输入将邻域多通道图像直接输入 CNN，保留网格单元之间的拓扑关系。
结果数字
输入策略的影响：数组全面胜出
验证期上，从点输入换成数组输入后三个常规模型全部提升：
模型 · 准确率提升 · 精确率提升 · AUC 提升 · 召回率提升
ANN · +0.14 · +0.16 · +0.17 · —
SVM · +0.19 · +0.21 · +0.15 · —
RF · +0.12 · +0.11 · +0.13 · +0.11
ROC 曲线把整条链条摆得很直：ANN-ori 0.58 → SVM-ori 0.64 → RF-ori 0.71 → ANN-arr 0.75 → SVM-arr 0.79 → RF-arr 0.84，CNN 居中 0.79——优于全部点输入模型，但 AUC 略低于数组输入的 RF。
原文图 4：7 个模型验证期 ROC 曲线。数组输入策略的三个模型（下排）均优于对应的点输入版本（上排），RF-arr 以 AUC=0.84 居首；CNN 的 AUC 为 0.79，优于全部点输入模型。
模型层面，RF 无论哪种输入策略都优于 ANN 和 SVM：点输入下 RF 验证期准确率、精确率比 ANN 高 0.09、0.07，AUC 高 0.13；数组输入下 RF 比 ANN 的召回率高 0.21。综合下来 RF-arr 最均衡可靠：准确率 0.75、精确率 0.71、召回率 0.83、AUC 0.84。
CNN：召回率 0.97 的双刃剑
CNN 验证期召回率 0.97，比数组策略的 ANN、SVM、RF 分别高 0.35、0.28、0.14——易涝区域几乎不漏。代价是准确率和精确率低于数组输入的 SVM 和 ANN：它把大量非淹没区也识别为淹没区，高估洪涝风险。
按监测资料密度分区对比（历下区面积占流域 18.0%，却集中了 55.1% 的淹没点）：
区域 · CNN vs RF-arr · 结论
历下区（资料密集） · CNN 准确率 +0.08、精确率 +0.06、AUC +0.04（CNN 0.82 对 RF 0.78） · CNN 显著更优
其他区域（资料稀疏） · CNN AUC 0.67 对 RF 0.70，CNN 准确率、精确率明显更弱 · RF 更稳
原文图 5：历下区（左列）与其他区域（右列）的 ROC 对比。资料密集的历下区 CNN（AUC=0.82）优于 RF-array（0.78）；资料稀疏的其他区域 CNN 降至 0.67，RF-array 保持在 0.70，差距反转。
全流域易感性制图：两种模型各说各话
RF-arr 的制图结果：极低易感 29.65%、较低 39.61%、中等 20.75%、较高 9.19%、极高 0.80%，易感性呈沿城市路网分布的特征；南部山区和西北部郊区为较低或极低易感，主城区中部和东部为较高或极高。
原文图 6：不同输入策略模型的洪涝易感性图。(a) RF-ori（AUC=0.71）、(b) RF-arr（AUC=0.84）、(c) CNN（AUC=0.79）。CNN 的高易感区明显更集中在主城区。
原文图 7：三个模型小清河流域各类易感等级区域占比。自上而下依次为 RF-ori、RF-arr、CNN：CNN 的极高易感区占比 18.6%，远高于 RF-ori 的 1.08% 和 RF-arr 的 0.80%；CNN 的极低易感区 65.4% 也远高于 RF-ori 的 28.2% 和 RF-arr 的 29.8%。
谁更接近实况？「7.18」暴雨实际淹没范围约占主城区面积的 40%–50%、集中于历下、市中等中心城区。按这个标尺：RF 两个版本显然低估了极高易感区面积（占比不足 1%）；CNN 的最高易感区聚焦主城区，与实际风险分布较为一致。但 CNN 把 65.4% 的面积划成极低易感、三个中间易感等级合计只占 15.97%——模型倾向于非黑即白地给出结论；RF-ori 和 RF-arr 在三个中间等级上合计占 70.71% 和 69.55%，难以为决策提供清晰的风险指示。历下区制图上，大部分实测淹没点落在较高或极高易感等级。
原文图 8：历下区洪涝易感性等级图（左 CNN，右 RF-arr），黑点为实测淹没点。大部分淹没点分布于较高或极高易感等级，CNN 的极高易感区界定较为集中。
作者承认的限制
- CNN 对监测数据精度要求高。CNN 在监测资料最密集的历下区优于其他模型，「但其对监测洪涝数据的精度要求较高，在资料稀疏的其他区域性能逊色于基于数组输入策略的随机森林模型」——分区 ROC 上 AUC 从 0.82 掉到 0.67 就是这条限制的定量体现。
- CNN 的高精确率代价。召回率 0.97 的另一面是易将非淹没区域识别为淹没区域、高估洪涝灾害风险，且 AUC 略低于 RF-arr，流域尺度上 RF-arr 更均衡可靠。
- RF 的决策可用性问题。RF 系模型把七成面积放在三个中间易感等级里，「难以给决策清晰的风险指示」。
- FSI 不是概率。作者写明 FSI 不是严格意义上的概率值，而是反映空间分异性与相对风险程度的无量纲得分。
- 单事件训练。全部模型以「7.18」这一场暴雨的 196 个淹没点为样本，结论针对极端暴雨事件下的事件级易感性评估，向其他暴雨过程的外推未在文中检验。
一句话判断
「易涝点周围的地面长什么样」这个信息确实值得喂给模型——同一批数据同一个流域，只换输入策略 AUC 就能从 0.71 抬到 0.84；而 CNN 用空间拓扑换来了主城区尺度的合理高易感区，却要拿监测数据密度和精确率去换，资料稀疏的城市选 RF-arr 更稳妥。