同济大学吴志强院士团队在《J ENVIRON MANAGE》最新发文！基于数据驱动解耦分析的多场景城市内涝协同评估 极端气象事件与快速城市化引发了严重的城市内涝问题。表征内涝易感性的空间差异并阐明其驱动因素，对于防范城市暴雨内涝的损害至关重要。然而，传统方法受限于空间异质性以及城市内涝复杂机制，常常在高密度城市区域的内涝易感性评估中表现出精度不足。因此，本研究提出一种基于综合级联建模链的新框架，用于城市内涝易感性的综合评估，该框架结合了XGBoost、SHAP、部分依赖图（PDP）与K-means聚类分析。研究旨在识别城市形态的具体影响及不同降雨情景下内涝风险集聚的空间模式。XGBoost模型在精度和鲁棒性上相较于其他三种基准模型（RF、SVR、BPDNN）表现出明显优势。这一优势在应用再深圳市的训练与测试集中均得到了有效验证。结果表明，城市三维形态特征是影响内涝程度的主导因素，占相对贡献的46.02%。通过PDP分析，多阶段趋势突出显示了建筑拥挤度（BCD）和容积率（FAR）等重要指标的临界阈值与相互作用，特别是当BCD在0到0.075之间、FAR值在0.5到1之间时，有助于显著降低内涝风险。这些发现强调了在城市规划框架中合理配置建筑的战略需求。在时空评估方面，旧城区在长时间或高强度降雨情景下出现了高风险区域的显著集聚效应。 该研究旨在构建一个基于XGBoost的城市内涝深度预测模型，并利用SHAP和PDP解释算法对模型结果进行全面解释，确定适应城市内涝风险的最优区间，同时应用K-means空间聚类分析，针对不同降雨情景下内涝脆弱性较高的区域制定地理定位的策略。研究提出的综合框架为高密度城市环境中的内涝易感性评估提供了可靠的支持，奠定了制定有效的内涝风险管理方案和适应性策略的坚实基础，从而减轻城市内涝影响。新方法可以被拆解成3个环节：（1）通过结合解释变量和记录的内涝数据构建模型训练和验证数据集；（2）对比XGBoost、SVR、RF和BPDNN的鲁棒性和精度以选出最佳模型；（3）将SHAP和PDP解释算法与K-means聚类分析相结合，识别驱动内涝易感性的关键因素的最优区间，并识别不同降雨情景下内涝风险的空间异质性和依赖性。