【Landsc Urban Plan】基于可解释机器学习模型和多目标优化算法的城市尺度绿色基础设施优化规划——以北京市中心为例

【Landscape and Urban Planning】

基于可解释机器学习模型和多目标优化算法的城市尺度绿色基础设施优化规划——以北京市中心为例

摘要

    绿色基础设施 （GI） 已发展成为缓解城市洪水的可持续方法。虽然机器学习 （ML） 模型在城市洪水模拟中表现出优势，但直接应用于支持城市规模的 GI 定量规划仍然是一个挑战。为了解决这个问题，本研究将基于支持向量机 （SVM） 和 Shapley 加法解释 （SHAP） 方法的可解释 ML 模型与非支配排序遗传算法-II （NSGA-II） 相结合。该模型应用于中国北京市中部的情况，并展示了稳健的性能，曲线下面积 （AUC） 值为 0.94。城市洪涝易发性评估结果确定研究区城乡过渡区受到更大的洪涝威胁。通过使用 SHAP 进行模型解释，揭示了 GI 和灰色基础设施 （GrI） 在预防洪水中的主导作用，并且证明两者之间的非线性互补性在 GI 比例小于 0.45 的研究单位中更为显着。在基于 NSGA-II 的优化框架的支持下，实现了不同 GI 总实施下的最优 GI 计划，其中选择了 GI 总面积增加 3.21% 的解决方案作为投资效率最优的解决方案。建议按模型划分 GI 实现模式分散且小规模。本研究提供了一种具有广阔应用前景的工具，有效地将 GI 实施与城市规划相结合。研究结果不仅为北京市新生态空间优先区域的确定提供了重要参考，也为具有相似特征的区域提供了新的视野特征规划和城市洪涝管理。

研究结果

    洪水易感性，即 SVM 将每个单元划分为 1 的概率，通过采用在具有偏态分布的灾害易感性分级中流行的自然断裂分级法，分为五级，即无易感性、低易感性、中易感性、高易感性和极高易感性。

    如图1所示，研究区域的洪水易感性呈现明显的两极分化，反映了高密度建筑环境的高度异质性特征。无易感单元（26.19%）和低易感单元（16.79%）主要分布在城市中心、西郊和东北郊的部分地区，占 42.98%。中等易受洪水威胁的单元占 14.73%，分散在整个研究区域。受到严重洪水威胁的单元（42.29%）呈环状分布在市中心周围，其中被归类为高度和极度易受洪水威胁的单元分别占研究单元总数的 15.62% 和 26.67%。

图1 研究区域洪水易发性的分布

    研究发现，城市中心和城市西部山区是洪水易感性的冷门地区。前者的 L_GrI 最高而 P_GI 较低，后者的 P_GI 最高而 L_GrI 最低。这一结果表明，GI 和 GrI 都可以抑制城市洪水，并说明了两者之间的互补关系，随后将对此进行进一步分析。

2.模型解释

    如图2a，较高的 P_GI、L_GrI、NDVI 和高程值可能会使单元更有可能被模型归类为非洪水单元。然而，发现降水和坡度具有相反的影响。在一定范围内，高 TWI 值可以加强模型将单元归类为洪水单元的趋势，但在集水区明显大于建成区的山区，高 TWI 值表现出相反的效果。此外，发现 GI 和 GrI 在横轴方向上具有最长的跨度，表明它们对分类有显着影响。

图2 基于 SHAP 值的模型解释：（a） 解释因素对预测的影响，以及 （b） 解释因素对预测的贡献排名

    如图2b，根据平均绝对 SHAP 值对 7 个解释因素进行排序。P_GI （0.26） 和 L_GrI （0.16） 的预测能力最高，其余 5 个解释因素的重要性在 0.02 和 0.08 之间，其中海拔得分最低，尽管它与城市洪水呈显著负相关。地形因素 （海拔、坡度和 TWI） 对城市洪水的可能性没有显著影响。

    本研究提出了一种新的理解，即非洪涝单元的 L_GrI 的绝对 SHAP 值表示 GrI 在防洪方面分担的压力，该压力受其P_GI的影响。例如，对于中心区的非洪泛型机组，由于自然表面有限，大部分压力只能被极其发达的城市管网吸收，导致 L_GrI 的绝对 SHAP 值较高。相反，当 GI 达到一定规模时，GrI 将不再是洪水的决定性因素;这导致绝对 SHAP 值较低，因为排水压力由自然表面分担，例如，研究区域西部的一些单元。因此，提取所有归类为非洪水单元的单元，并根据其P_GI值和间隔为 0.1 的梯度分为 10 组。计算了每组中非洪水单位的均值P_GI和对预测L_GrI的平均贡献。

    如图3，L_GrI对预测的平均贡献，对应于不同的P_GI值，是通过分段线性插值确定的。曲线表明，L_GrI对预测的平均贡献随着P_GI的增加而减小，表明 GI 和 GrI 在预防城市洪水方面具有显著的互补性。此外，互补性是非线性的，当 P_GI 超过 0.45 时，曲线的变化趋于平缓。曲线的值根据 Eq 进行归一化。

图3 京津冀地区虚拟陆地流的主要路径和城市角色

3.多目标优化

    在50400 次模拟中，共获得 361 个帕累托最优解，并绘制在同一坐标系上。如图4a 所示，随着地理信息系统实施规模的扩大，整体耦合度得到了改善，并且这种改善趋向于沿着地理信息系统实施规模的方向逐步进行。在这些方案中，通过乌托邦点法选出了代表最具成本效益的地理信息投资的理想方案。这种方法可以从帕累托解决方案集中选出一个单一的最优解决方案，具体方法是将假设的理想标准（乌托邦点）与帕累托解决方案之间在归一化坐标系中的距离最小化。理想解（17553200，0.81）将 P_GrI 和 L_GrI 之间的总体耦合度从 0.80 提高到 0.81，GI 的总面积增加了 3.21%（图4b）。

图4 多目标优化结果：（a） 帕累托解集和 （b） 基于乌托邦点法的理想解

    在 ArcGIS 中可视化了理想的解决方案，以及最接近 GI 总面积增加 1 %、2 % 和 5 % 的三个解决方案，以便于分析空间分布变化 （图5)。在选定的四种解决方案中，观察到了 GI 实施的分散和小规模模式。优化单元的比例按GI实施规模排序为72.42 % 、 84.14 % 、 89.30 % 和 94.69 %，平均增量为 1468.84 、 2651.72 、 3810.12 和 5603.23 m2分别。此外，分别只有 2.20 %、5.48 %、8.94 % 和 14.90 % 的优化单元被建议的 GI 扩展大于 10000 m2，尽管增量的平均值和极值有所增加。最初，优化单元主要出现在研究区的郊区。随着 GI 实施规模的增加，不仅郊区的优化单元数量进一步增加，而且城市内部也出现了更多优化单元。特别是，在这种增加期间，在西南郊区观察到了一组 GI 大幅扩张的单元。

图5 不同 GI 总实施下的最优 GI 计划：（a） 1.00%、（b） 2.10%、（c） 3.21% （理想解决方案） 和 （d） 5.00% GI 总面积增加

研究结论

    本研究提出了一种新的模型，可以在城市尺度上对 GI 进行定量规划，并以北京市中心为案例研究，评估了该模型的性能。本研究的主要结论可以总结如下。

    1)基于 SVM 和 SHAP 的可解释 ML 模型有效地捕获了建筑区解释因子与洪水之间的非平稳和非线互作用。

    2)北京市中部地区洪涝易发性呈现显著两极分化，应加强城乡过渡带的洪涝监测预警。

    3)GI 面积的减小会触发排水压力的非线性上升，由 GrI 解决，特别是对于 P_GI 值小于 0.45 的单位。因此，管理 GI 的规模应被视为在城市范围内预防洪水的核心举措。

    4)为研究区域建议了一种分散和小规模的 GI 实施模式，以平衡城市洪水的管理和土地成本。北京市中心的西南郊区应被视为地理标志实施的优先区域。

    本研究提出了一种模型，可以有效地将 GI 实施与城市规划相结合，解决了城市规模定量 GI 规划的技术挑战，并展示了广泛应用的潜力。本研究结果可为研究区域和具有相似特征的区域提供对 GI 规划和土地管理的重要见解，并为支持决策者设计减少城市洪水的有效措施奠定基础。未来，应进一步提高模型的准确性及其实际应用，例如指导工程系统和适应未来的气候条件。

论文信息

标题：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

作者：Hongyu Chen, Yuxiang Dong, Hao Li, Shuangzhi Tian, Longfeng Wu , Jinlong Li,Chensong Lin

时间：19 August 2024

DOI:https://doi.org/10.1016/j.landurbplan.2024.105191

本文只是笔者对论文的浅薄理解，不代表原论文观点。如果您感兴趣，请点击文末【阅读原文】阅读文献