Modelling the spatial dynamics of flood inundation in Bayelsa State, Nigeria, using remote sensing and machine learning techniques

方法

整合10个洪水因子，在GEE与ArcGIS中训练随机森林模型。

发现

模型精度91%，南部三区及河流1公里内为高风险区。

机会点

可迁移至缺数据低洼农区，耦合作物物候评估洪水对农田与产量的影响。

摘要 洪水是尼日利亚巴耶尔萨州长期存在的环境挑战，其成因包括地势低洼、降雨量大以及排水系统不完善。本研究采用地理空间建模方法评估下尼日尔河流域的洪水易发性。研究将降雨量、河网密度、坡度、高程、土壤质地、土地利用/土地覆盖（LULC）、归一化植被指数（NDVI）以及距河流距离等十个洪水致灾因子集成于随机森林（RF）框架中。空间数据集通过ArcGIS和Google Earth Engine进行处理，并利用历史洪水与非洪水位置数据对模型进行训练，以生成高分辨率易发性地图。结果表明，年降雨量在2500至3199毫米之间的地区，尤其是南伊乔、埃克雷莫尔和布拉斯等地，洪水易发性最高。该区域超过82%的面积坡度较低（0至3°），高程范围为16至41米，增加了洪水脆弱性。高河网密度区（最高达0.677 km/km²）易引发暴洪，而黏土和砂质黏壤土（覆盖该区域60%以上面积）降低入渗并增强地表径流。建成区以及NDVI小于0.1的区域也与较高的洪水风险相关。随机森林模型的准确率达到91%，高风险区主要分布在距主要河流1公里范围内。本研究证明了将机器学习与地理空间分析相结合，在数据稀缺的低洼环境中进行洪水易发性制图的有效性。所生成的地图可为巴耶尔萨州的洪水风险管理、土地利用规划和针对性减灾策略提供可靠的决策支持工具。