研究背景
现有山洪灾害风险评估研究往往忽视山洪灾害的地理相似性特征，易造成有偏的山洪负样本，并导致相似山洪单元空间关联性的割裂问题，从而限制评估结果的准确性和可靠性。本研究提出顾及地理相似性的山洪灾害风险评估方法。
核心问题
地理相似性忽视与空间关联性割裂
创新方案
GSGNN地理相似性嵌入图神经网络
核心指标
24.76%
相比随机采样提升
3.41%
相比XGBoost提升
884
正负样本数量
三元结构风险评估框架
致灾因子
灾害驱动要素
降雨特征
降雨强度、持续时间、累积降雨量
气象条件
温度、湿度、风速等气象要素
极端事件
台风、暴雨等极端天气事件
孕灾环境
地理环境条件
地形地貌
高程、坡度、坡向、地形起伏度
土壤植被
土壤类型、植被覆盖、土地利用
水文特征
河网密度、汇流时间、流域形状
承灾体
受损对象系统
人口分布
人口密度、年龄结构、脆弱性
社会经济
GDP、建筑物、基础设施
生态环境
生态系统、环境质量、生物多样性
地理相似性约束采样方法
采样策略创新
传统随机采样问题
易从山洪潜在高发区选取负样本，削弱模型判别能力和预测效果
地理相似性约束
基于小流域孕灾环境相似性聚类，优化负样本生成策略
样本质量提升
生成更具代表性的负样本，避免样本偏差问题
采样流程设计
四步采样流程
1
历史山洪事件生成正样本
2
孕灾环境指标聚类分析
3
相似环境类别划分
4
约束条件下负样本生成
性能提升效果
+24.76%
vs 随机采样
+22.28%
vs 环境均衡
GSGNN模型架构设计
图结构构建
节点与边设计
节点：小流域评估单元
边：地理相似性关系
权重：相似度数值
加权有向图
基于小流域间山洪风险指标相似度建立节点边关系，形成加权有向图结构
空间关联建模
有效表达地理空间单元的空间结构特征和关联关系
神经网络设计
图神经网络优势
迭代传播聚合相邻节点特征
挖掘空间结构关系
克服传统方法局限性
地理相似性嵌入
将地理相似性特征嵌入到图神经网络架构中，增强模型表达能力
风险评估输出
通过图结构上的特征学习，输出精准的山洪灾害风险评估结果
横断山区实验结果
采样方法对比
地理相似性约束
基准方法
本研究提出的创新采样策略
随机采样方法
-24.76%
传统随机负样本生成方法
环境均衡采样
-22.28%
考虑环境平衡的采样方法
模型性能对比
GSGNN模型
最优性能
地理相似性嵌入图神经网络
随机森林
-2.84%
传统集成学习方法
XGBoost
-3.41%
梯度提升决策树
LightGBM
-2.17%
轻量级梯度提升机
横断山区风险分布特征
东南部地区
山洪灾害高风险区
西南三江河谷
河谷地带高风险区
北部河流沿岸
沿岸地区高风险区
技术优势与创新点
地理相似性建模
充分考虑山洪灾害的地理相似性特征，避免传统方法的空间关联性割裂问题
约束采样策略
基于孕灾环境相似性的约束采样，生成更具代表性的负样本，避免样本偏差
图神经网络
利用图神经网络挖掘空间结构关系，克服传统机器学习方法的独立性假设
精度显著提升
相比传统方法在总精度上实现显著提升，为山洪防治提供更可靠的技术支撑