论文标题：Prediction and Machine Learning Analysis of Urban Waterlogging Risks in High-Density Areas From the Perspective of the Built Environment: A Case Study of Shenzhen, China
期刊：Landscape Architecture Frontiers
作者：Shiqi ZHOU, Weiyi JIA, Zhiyu LIU, Mo WANG
发表时间：15 Oct 2024
DOI：10.15302/J-LAF-0-020023
微信链接：点击此处阅读微信文章
注：本文为删减版，不可直接引用。原中英文全文刊发于《景观设计学》（Landscape Architecture Frontiers）2024年第12卷第5期。
本文引用格式 / PLEASE CITE THIS ARTICLE AS
Zhou, S., Jia, W., Liu, Z., & Wang, M. (2024). Prediction and machine learning analysis of urban waterlogging risks in high-density areas from the perspective of the built environment: A case study of Shenzhen, China. Landscape Architecture Frontiers, 12(5), 48–60.
导 读
目前，解决城市内涝的重要任务是从建成环境的角度理解内涝影响因素，并指导动态监测和预警服务。本研究选取深圳市作为高密度城市的典型代表，构建了涵盖水文、气象、城市形态和内涝事件等多方面数据的多因子联动数据集，并对比了四种主流机器学习模型在预测城市内涝风险方面的性能差异。结果显示，LightGBM在精确性和鲁棒性上表现最佳，能够有效预测城市街区的内涝深度及相应的风险等级。研究进一步采用了可解释性算法（SHAP）对LightGBM模型进行解耦分析，结果显示，水文气象因子及部分建筑配置因子为主要的灾害影响因子；另外，水体率对内涝的调节和蓄积起到重要作用，特别是当其超过2.5%时，表现出显著的内涝抑制效果。本研究为城市内涝预测提供了新的技术方法，并从建成环境视角揭示了影响城市内涝的因素以及其内在机制，对高密度城市韧性的提升具有重要的科学意义。
关键词
城市内涝；机器学习；模型性能评估；比较研究；
可解释性分析；高密度城市
建成环境视角下高密度城市内涝风险预测与影响因素机器学习解析：以深圳市为例
Prediction and Machine Learning Analysis of Urban Waterlogging Risks in High-Density Areas From the Perspective of the Built Environment:A Case Study of Shenzhen, China
1 同济大学设计创意学院
2 同济大学建筑与城市规划学院
3 上海同济城市规划设计研究院有限公司
4 广州大学建筑与城市规划学院
01
引言
随着人工智能技术的不断进步，基于数据驱动的机器学习技术已在城市内涝风险预测方面获得了广泛应用。但当前研究多聚焦于探讨某一机器学习算法的实用性，对集成机器学习模型在多场景预测中的探讨和模型比选关注较少，且较少将其应用到空间层面。本研究旨在将集成算法LightGBM与三种主流传统机器学习算法——随机森林（RF）、支持向量回归（SVR）及反向传播深度学习神经网络算法（BPDNN）——进行对比分析，以揭示这四种算法在预测高密度城市内涝风险方面的性能差异，同时精确解析其影响因素。从建成环境的角度出发，本文提出了一系列针对城市韧性提升的建设性建议，为高密度城市内涝风险预测提供了创新方法。
02
研究区域与研究方法
本研究选取深圳市作为高密度城市的典型代表，以2019年1月1日至2021年12月31日的历史降雨事件为样本。研究首先构建多因子的联动数据集，其解释性变量包括共计21个自变量的水文气象因子、城市下垫面因子和建筑配置因子，目标变量为内涝深度数据。研究进一步比较了LightGBM、RF、SVR和BPDNN四种机器学习模型在预测城市内涝风险方面的性能差异。基于对模型精确性和鲁棒性评估，得到最优模型，并绘制深圳市内涝风险易感性分布图。最后，研究运用可解释性算法（SHAP）从全局特征重要性、特征依赖性及局部特征解释性进行了深入分析，并为提升城市韧性提供了实用的决策参考。
模型比较及城市内涝风险预测研究框架 © 周士奇
研究区域
深圳市地处广东省南部、珠江口东岸，属于典型亚热带季风性气候，长夏短冬，雨量充沛。截至2022年底，全市常住人口约1766万人。深圳市的内涝灾害主要由夏季的瞬时暴雨引发，全年约86%的降雨量集中在4~9月。近年来，城市建成区的扩张加剧了城市内涝的风险。
数据来源与预处理
城市内涝深度数据来自深圳市171个城市内涝监测站（2019~2021年）。研究区域被划分为171个次集水单元；以2019年1月1日至2021年12月31日的历史降雨事件（共26305个样本）作为原始样本数据，按照降雨延时（LTIME）为12小时划分降雨等级，提取出独立的降雨事件并筛选出167个有效降雨事件。
深圳市171个城市内涝监测站分布图（数据来源：深圳市气象局） © 周士奇
影响因子数据
研究共选择了21个自变量作为预测模型的输入特征，并对各次集水单元分别进行统计。
本研究设定降雨持续1小时，重现期为1年、2年、3年、5年、10年和20年，以此将167个有效降雨事件划分为6种降雨情景，并计算暴雨强度。在其基础上，运用最接近实际观测条件的芝加哥雨型法进行模拟，并输出不同设计重现期的降雨量数据。
研究模型与方法
机器学习算法模型
（1）LightGBM：集成算法LightGBM是微软在梯度提升决策树（GBDT）的基础上提出的一种分布式梯度提升算法，也是目前最高效的机器学习算法之一。
（2）RF：RF是袋式决策树的改进版，最终的分类或回归是通过对所有单个决策树使用多数投票方案来完成的，是一种灵活且易于使用的机器学习算法。
（3）SVR：SVR的目标是要使得超平面与最远样本点的距离最小，而这一过程需要选择合适的核函数。
（4）BPDNN：BPDNN因其具有多层结构的特征而可用于处理非线性问题，已被广泛运用在洪涝灾害风险评估中。
模型性能评估方法
本研究采用R2、MAPE和RMSE作为评价指标来评价和比较模型的性能。R2衡量回归模型的拟合程度，MAPE衡量预测值与真实值的相对误差大小，RMSE评估模型预测值与真实值之间的平均误差。
SHAP算法
难以解释（即黑盒问题）一直是集成机器学习的弊端之一。SHAP算法基于合作博弈论构建了一个加性的解释模型，提供了一种估计每个特征贡献度的方法。本研究采用SHAP算法探究各特征与城市内涝深度的全局关系及其重要性，同时进行局部特征解释性分析。
03
结果与讨论
算法模型性能比较
对训练集模型性能的评估结果表明，总体而言，LightGBM的精确性和稳定性最高。
为验证模型在预测城市内涝深度方面的鲁棒性，依据机器学习算法逻辑选取了1790个样本作为独立测试数据。结果表明，LightGBM在测试集中依旧是最佳模型。因此，本研究利用LightGBM预测深圳市不同降雨情况下的城市内涝深度，并绘制相应的内涝风险地图。
基于测试数据集的预测及实际城市内涝深度的散点和拟合线（红线为拟合回归线，红色区域代表95%的置信区间）（数据来源：深圳市气象局） © 周士奇
城市内涝风险预测结果
本研究根据自然断点法将次集水单元的内涝深度峰值风险划分成5种风险区，即极低风险区（0~5cm）、低风险区（5~10cm）、中风险区（10~15cm）、高风险区（15~20cm），以及极高风险区（≥20cm）。同时设定降雨延时为1小时，比较不同重现期的城市内涝风险变化情况。
不同重现期下降雨延时1小时的城市内涝风险易感性分布图 © 周士奇
随着降雨重现期由1年增至10年，城市内涝极低风险区的面积占比逐渐减小，而低风险区和中风险区的面积占比相应增加。而在此阶段，未观察到高风险区和极高风险区的形成。结果表明，深圳市大部分区域的排水系统可以有效应对中等降雨事件。然而，当重现期增至20年时，城市内涝风险等级的空间分布发生了明显变化，特别是中风险区的面积占比显著增加。这表明在遭遇20年一遇的降雨事件时，深圳市大部分次集水单元或将会面临不同程度的城市内涝，其中高风险区主要分布在排水系统和地形复杂的老城区（南山区、福田区及坪山区）。
模型可解释性分析
全局特征重要性
全局特征重要性是衡量模型中每个特征对预测结果影响大小的指标。通过对每个特征进行计算，研究发现在排序前60%的特征中，水文气象因子TOTAL_R和LTIME对模型的影响极为显著，重要性贡献度分别为24.6%和15.8%。其次，城市下垫面因子PW及PIS的重要性贡献度分别为6.4%和5.1%。而建筑配置因子中，BCD和DB的重要性贡献度分别为4.4%和4.1%。
LightGBM模型特征Shapley值的特征散点图（左图）和全局特征重要性排名（右图） © 周士奇
整体来看，水文气象因子对城市内涝深度的影响显著超过了其他两类因子。另一方面，PW是上述6个指标中唯一对城市内涝有抑制作用的因子，这在一定程度上解释了人工湖能够在极端降雨事件中蓄集地表径流，进而减轻下游受纳水体和雨水管网压力。
在建筑配置因子中，BCD和DB均描述了建筑密度，城市中的PIS随着二者的增加而增加并导致可蓄洪的蓝绿基础设施相应减少，进而增加城市内涝发生的概率。
特征依赖性
本研究采用SHAP算法的特征依赖性图来揭示单个变量对模型输出的贡献，Shapley值的正负标志代表特定特征对预测结果的积极或消极影响。本研究依据全局重要性分析的结果选取排名最靠前的6个因子进行分析。
（1）水文气象因子
TOTAL_R与城市内涝深度大体呈正相关关系。当TOTAL_R低于25mm，其对城市内涝的影响相对较弱。然而，在降雨总量从25mm升至100mm的阶段，城市内涝风险迅速增加；在100mm至125mm的阶段，降雨的影响保持稳定，降雨量的增加未引发更严重的城市内涝，此时呈现边际效应；当超过125mm时，Shapley值均值再度快速上升，这可能与已经接近或超过城市排水系统处理能力的极限有关。
重要变量和Shapley 值的依赖关系图（黑线为区分不同阶段的辅助线）：TOTAL_R的Shapley值依赖图（上图）；LTIME 的Shapley 值依赖图（下图）。© 周士奇
当持续降雨小于55小时，LTIME对模型输出的产生了波动影响。当降雨延时超过55小时，Shapley值急剧增加。研究认为，当LTIME小于55小时，大部分降雨事件的每小时降雨量并没有达到致灾阈值，因此对城市内涝深度的提升并不强烈。
（2）城市下垫面因子
PW能有效降低城市内涝风险：水体面积占比越大，对城市内涝的削弱作用越显著；在达到一定阈值（12.5%）之后，内涝深度受其影响不明显。当PW小于1.2%时，水体蓄集洪水的效果不明显，但当水体率大于2.5%时，其对城市内涝的削弱效果逐渐增强。
PIS对城市内涝的影响主要分为三个阶段：1）从0到15%，对城市内涝影响较小；2）当PIS超过15%的阈值时，会逐步加剧城市内涝风险；3）当PIS高于30%时，并未继续加剧城市内涝风险。
重要变量和Shapley 值的依赖关系图：PW 的Shapley 值依赖图（上图）；PIS的Shapley值依赖图（下图）。© 周士奇
（3）建筑配置因子
在建筑配置方面，BCD对城市内涝深度有压迫影响且观察到当BCD在[0.01，0.02]的区间内，Shapley值均值突然增加。这主要是由于大面积的不透水表面阻碍了降雨的有效下渗和蓄积，造成短时间内地表径流增大。基于此，在城市设计或城市更新的过程中，需要严格控制不透水铺装的占比。当BCD超过0.08的阈值时，会对内涝产生更为明显的压迫作用。而DB对城市内涝的影响具有明显空间异质性，相同的DB条件下，建筑布局、建筑高度及其形态等其他空间配置的差异会导致Shapley值存在较大的不同：当DB小于15/hm2时，Shapley值的波动区间是[–0.5，1.0]；而当DB值大于15/hm2时，波动区间变为[0.0，2.0]，这意味着一旦超过15/hm2这一阈值，DB的提高将会增加城市内涝风险。
重要变量和Shapley 值的依赖关系图：BCD 的Shapley 值依赖图（上图）；DB 的Shapley 值依赖图（下图）。© 周士奇
局部特征解释性分析
研究选择了两个典型的深圳市建成环境城市内涝高风险的次集水单元（A代表高密度老城区，B代表沿海新开发地区），并进行单一样本的特征研究。
单元A和单元B位置图（上图）和局部特征贡献排名图（下图） © 周士奇
对于单元A，占贡献度前80%的特征分别为TOTAL_R、BCR、PIS和MBV，TOTAL_R仍然是影响该地区城市内涝风险的最重要因素。单元A作为深圳老城区的典型代表，DB极高，道路系统复杂，大部分场地为不透水表面，易于在极端暴雨中形成大量地表径流。
在单元B中，占贡献度前80%的特征为TOTAL_R、MBV、BCR、PIS和LTIME；此外，相较于单元A，PGS的贡献度明显提升。这可能是由于单元B位于南山区沿海的商业区和高档住宅区，场地中沿海岸线设有一些带状绿地、湿地公园和街边绿地，对城市内涝起到了抑制作用。
04
结论和展望
本研究提出并论证的基于LightGBM算法的城市内涝风险预测方法具有普适意义。在高密度城市建设发展过程中，建议加大对老城区的更新改造力度，修复自然生态系统，提高排水和防洪能力；适当恢复并增加水体空间，按照有关标准和规划开展滞洪蓄洪空间和安全工程建设；同时，结合空间和竖向设计留白增绿；提高硬化地面中可渗透面积比例；积极推进海绵城市建设，构建连续完整的生态基础设施体系。
受城市管网数据获取的限制，本文采用了相关道路因子（如PR）作为代理变量，虽然其可在一定程度上反映城市排水的效率，但也存在局限性。使用空间分辨率更高的数据将有助于更细致地揭示城市内涝动态，进而更准确地识别和分析影响城市内涝的关键因素。未来还可以结合水文水力模型，提升实验的针对性和精确性。
参考文献
[1] Jha, A. K., Miner, T. W., & Stanton-Geddes, Z. (Eds.). (2013). Building Urban Resilience: Principles, Tools, and Practice. The World Bank.
[2] Arabameri, A., Saha, S., Chen, W., Roy, J., Pradhan, B., & Bui, D. T. (2020). Flash flood susceptibility modelling using functional tree and hybrid ensemble techniques. Journal of Hydrology, (587), 125007.
[3] Rafiei-Sardooi, E., Azareh, A., Choubin, B., Mosavi, A. H., & Clague, J. J. (2021). Evaluating urban flood risk using hybrid method of TOPSIS and machine learning. International Journal of Disaster Risk Reduction, (66), 102614.
[4] Wang, Z., Lai, C., Chen, X., Yang, B., Zhao, S., & Bai, X. (2015). Flood hazard risk assessment model based on random forest. Journal of Hydrology, (527), 1130–1141.
[5] Chen, J., Huang, G., & Chen, W. (2021). Towards better flood risk management: Assessing flood risk and investigating the potential mechanism based on machine learning models. Journal of Environmental Management, (293), 112810.
[6] Mei, C., Liu, J., Wang, H., Yang, Z., Ding, X., & Shao, W. (2018). Integrated assessments of green infrastructure for flood mitigation to support robust decision-making for sponge city construction in an urbanized watershed. Science of the Total Environment, (639), 1394–1407.
[7] Shafizadeh-Moghadam, H., Valavi, R., Shahabi, H., Chapi, K., & Shirzadi, A. (2018). Novel forecasting approaches using combination of machine learning and statistical models for flood susceptibility mapping. Journal of Environmental Management, (217), 1–11.
[8] Guo, Y., Quan, L., Song, L., & Liang, H. (2022). Construction of rapid early warning and comprehensive analysis models for urban waterlogging based on AutoML and comparison of the other three machine learning algorithms. Journal of Hydrology, (605), 127367.
[9] Wu, Z., Zhou, Y., Wang, H., & Jiang, Z. (2020). Depth prediction of urban flood under different rainfall return periods based on deep learning and data warehouse. Science of the Total Environment, (716), 137077.
[10] Gan, M., Pan, S., Chen, Y., Cheng, C., Pan, H., & Zhu, X. (2021). Application of the machine learning LightGBM model to the prediction of the water levels of the lower Columbia River. Journal of Marine Science and Engineering, 9(5), 496.
[11] Breiman, L. (2001). Random forests. Machine Learning, (45), 5–32.
[12] Panahi, M., Dodangeh, E., Rezaie, F., Khosravi, K., Van Le, H., Lee, M.-J., Lee, S., & Pham, B. T. (2021). Flood spatial prediction modeling using a hybrid of meta-optimization and support vector regression modeling. CATENA, (199), 105114.
[13] Community Construction and Zoning Office, Bureau of Civil Affairs of Shenzhen Municipality. (2024, April 3). Overview of administrative division information.
[14] Statistics Bureau of Shenzhen Municipality. (2023, May 8). Shenzhen statistical bulletin on 2022 national economic and social development.
[15] Zhou, S., Liu, Z., Wang, M., Gan, W., Zhao, Z., & Wu, Z. (2022). Impacts of building configurations on urban stormwater management at a block scale using XGBoost. Sustainable Cities and Society, (87), 104235.
[16] Meteorological Bureau of Shenzhen Municipality. (2024, May 15). Climatic profile and seasonal characteristics of Shenzhen.
[17] Ke, Q., Tian, X., Bricker, J., Tian, Z., Guan, G., Cai, H., Huang, X., Yang, H., & Liu, J. (2020). Urban pluvial flooding prediction by machine learning approaches—A case study of Shenzhen City, China. Advances in Water Resources, (145), 103719.
[18] Hou, J., Guo, K., Wang, Z., Jing, H., & Li, D. (2017). Numerical simulation of design storm pattern effects on urban flood inundation. Advances in Water Science, 28(6), 820–828.
[19] Zhou, H., Liu, J., Gao, C., & Ou, S. (2018). Analysis of current situation and problems of urban waterlogging control in China. Journal of Catastrophology, 33(3), 147–151.
[20] Song, L., & Xu, Z. (2019). Coupled hydrologic-hydrodynamic model for urban rainstorm water logging simulation: Recent advances. Journal of Beijing Normal University (Natural Science), 55(5), 581–587.
[21] Wu, J., & Zhang, P. (2017). The effect of urban landscape pattern on urban waterlogging. Acta Geographica Sinica, 72(3), 444–456.
[22] Xu, Y., Li, K., Xie, Y., Ling, H., Qian, M., Wang, X., & Lu, Y. (2018). Study on the influencing factors and multiple regression model of urban waterlogging based on GIS—A case study of Shanghai. Journal of Fudan University (Natural Science), 57(2), 182–198.
[23] Xu, H., Lu, H., Zhan, X., Li, J., Gao, C., & Zhang, T. (2024). Impacts of underlying surface changes and rainfall patterns on flooding at airport area in Zhuhai. China Rural Water and Hydropower, 1–16.
[24] Shrestha, R., Di, L., Eugene, G. Y., Kang, L., Shao, Y.-Z., & Bai, Y.-Q. (2017). Regression model to estimate flood impact on corn yield using MODIS NDVI and USDA cropland data layer. Journal of Integrative Agriculture, 16(2), 398–407.
[25] Lin, J., He, X., Lu, S., Liu, D., & He, P. (2021). Investigating the influence of three-dimensional building configuration on urban pluvial flooding using random forest algorithm. Environmental Research, (196), 110438.
[26] Kim, Y., Eisenberg, D. A., Bondank, E. N., Chester, M. V., Mascaro, G., & Underwood, B. S. (2017). Fail-safe and safe-to-fail adaptation: Decision-making for urban flooding under climate change. Climatic Change, (145), 397–412.
[27] Wang, J., Yu, C. W., & Cao, S.-J. (2022). Urban development in the context of extreme flooding events. Indoor and Built Environment, 31(1), 3–6.
[28] Wang, M., Li, Y., Yuan, H., Zhou, S., Wang, Y., Ikram, R. M. A., & Li, J. (2023). An XGBoost-SHAP approach to quantifying morphological impact on urban flooding susceptibility. Ecological Indicators, (156), 111137.
[29] Yan, M., Yang, J., Ni, X., Liu, K., Wang, Y., & Xu, F. (2024). Urban waterlogging susceptibility assessment based on hybrid ensemble machine learning models: A case study in the metropolitan area in Beijing, China. Journal of Hydrology, (630), 130695.
[30] Zhang, H., Zhang, J., Fang, H., & Yang, F. (2022). Urban flooding response to rainstorm scenarios under different return period types. Sustainable Cities and Society, (87), 104184.
[31] Kumar, R., & Acharya, P. (2016). Flood hazard and risk assessment of 2014 floods in Kashmir Valley: A space-based multisensor approach. Natural Hazards, (84), 437–464.
[32] Jiang, F., Xie, Z., Xu, J., Yang, S., Zheng, D., Liang, Y., Hou, Z., & Wang, J. (2023). Spatial and component analysis of urban flood resiliency of Kunming City in China. International Journal of Disaster Risk Reduction, (93), 103759.
[33] Xu, Y., Liu, M., Hu, Y., Li, C., & Xiong, Z. (2019). Analysis of three-dimensional space expansion characteristics in old industrial area renewal using GIS and Barista: A case study of Tiexi District, Shenyang, China. Sustainability, 11(7), 1860.
[34] Cheng, C., Yu, X., Guo, S., & Ma, T. (2005). Analysis of the crowd degree of building for communities based on high spatial resolution remote sensed images. Acta Scientiarum Naturalium Universitatis Pekinensis, 41(6), 875–881.
[35] Meteorological Bureau of Shenzhen Municipality. (2023, March 30). New version of the storm intensity formula.
[36] Dai, Y., Wang, Z., Dai, L., Cao, Q., & Wang, T. (2017). Application of Chicago Hyetograph Method in design of short duration rainstorm patterns. Journal of Arid Meteorology, 35(6), 1061–1069.
[37] Wu, Z., Qiao, R., Zhao, S., Liu, X., Gao, S., Liu, Z., Ao, X., Zhou, S., Wang, Z., & Jiang, Q. (2022). Nonlinear forces in urban thermal environment using Bayesian optimization-based ensemble learning. Science of the Total Environment, (838), 156348.
[38] Ke, G., Meng, Q., Finley, T., Wang, T., Chen, W., Ma, W., Ye, Q., & Liu, T.-Y. (2017). LightGBM: A Highly Efficient Gradient Boosting Decision Tree. In: U. von Luxburg, I. Guyon, S. Bengio, H. Wallach, R. Fergus, S. Vishwanathan, & R. Garnett (Eds.), Advances in Neural Information Processing Systems 30. Neural Information Processing Systems Foundation, Inc.
[39] Belgiu, M., & Dr?gu?, L. (2016). Random forest in remote sensing: A review of applications and future directions. ISPRS Journal of Photogrammetry and Remote Sensing, (114), 24–31.
[40] Wu, J., Liu, H., Wei, G., Song, T., Zhang, C., & Zhou, H. (2019). Flash flood forecasting using support vector regression model in a small mountainous catchment. Water, 11(7), 1327.
[41] Wu, J., Liu, Z., Liu, T., Liu, W., Liu, W., & Luo, H. (2023). Assessing urban pluvial waterlogging resilience based on sewer congestion risk and climate change impacts. Journal of Hydrology, (626), 130230.
[42] Goodwin, P., & Lawton, R. (1999). On the asymmetry of the symmetric MAPE. International Journal of Forecasting, 15(4), 405–408.
[43] Hodson, T. O. (2022). Root mean square error (RMSE) or mean absolute error (MAE): When to use them or not. Geoscientific Model Development, 15(14), 5481–5487.
[44] Hassija, V., Chamola, V., Mahapatra, A., Singal, A., Goel, D., Huang, K., Scardapane, S., Spinelli, I., Mahmud, M., & Hussain, A. (2023). Interpreting black-box models: A review on explainable artificial intelligence. Cognitive Computation, (16), 45–74.
[45] Li, Z. (2022). Extracting spatial effects from machine learning model using local interpretation method: An example of SHAP and XGBoost. Computers, Environment and Urban Systems, (96), 101845.
[46] Parsa, A. B., Movahedi, A., Taghipour, H., Derrible, S., & Mohammadian, A. K. (2020). Toward safer highways, application of XGBoost and SHAP for real-time accident detection and feature analysis. Accident Analysis & Prevention, (136), 105405.
[47] Van den Broeck, G., Lykov, A., Schleich, M., & Suciu, D. (2022). On the tractability of SHAP explanations. Journal of Artificial Intelligence Research, (74), 851–886.
[48] Molnar, C. (2020). Interpretable machine learning.
[49] Casalicchio, G., Molnar, C., & Bischl, B. (2019). Visualizing the Feature Importance for Black Box Models. Machine Learning and Knowledge Discovery in Databases: European Conference, ECML PKDD 2018, Dublin, Ireland, September 10–14, 2018, Proceedings, Part I (pp. 655–670). Springer.
[50] Michiels, J., Suykens, J., & De Vos, M. (2024). Explaining the model and feature dependencies by decomposition of the Shapley value. Decision Support Systems, (182), 114234.
[51] Qi, W., Hou, J., Liu, J., Han, H., Guo, K., & Ma, Y. (2018). Lake control on surface runoff causing urban flood inundation. Journal of Hydroelectric Engineering, 37(9), 8–18.
[52] Poelmans, L., Van Rompaey, A., & Batelaan, O. (2010). Coupling urban expansion models and hydrological models: How important are spatial patterns?. Land Use Policy, 27(3), 965–975.
阅读原文请点击“Prediction and Machine Learning Analysis of Urban Waterlogging Risks in High-Density Areas From the Perspective of the Built Environment: A Case Study of Shenzhen, China”
《前沿》系列英文学术期刊
由教育部主管、高等教育出版社主办的《前沿》（Frontiers）系列英文学术期刊，于2006年正式创刊，以网络版和印刷版向全球发行。系列期刊包括基础科学、生命科学、工程技术和人文社会科学四个主题，是我国覆盖学科最广泛的英文学术期刊群，其中12种被SCI收录，其他也被A&HCI、Ei、MEDLINE或相应学科国际权威检索系统收录，具有一定的国际学术影响力。系列期刊采用在线优先出版方式，保证文章以最快速度发表。
中国学术前沿期刊网
http://journal.hep.com.cn
特别声明：本文转载仅仅是出于传播信息的需要，并不意味着代表本网站观点或证实其内容的真实性；如其他媒体、网站或个人从本网站转载使用，须保留本网站注明的“来源”，并自负版权等法律责任；作者如果不希望被转载或者联系转载稿费等事宜，请与我们接洽。
