摘要：城市内涝具有显著的多因子耦合特征，其空间分布受地形条件、下垫面结构及水文连通性等多重因素共同影响。现有研究多依赖多光谱遥感与地形水文因子开展易涝敏感性识别，但在复杂城市地表环境中，对地表材质差异及含水状态的刻画能力有限，此外，强空间变量易在模型中形成主导作用，从而掩盖其他特征的实际贡献，制约了识别结果的精细化表达。针对上述问题，本文引入地质一号（GEO-1）高光谱数据，耦合可解释机器学习方法，构建城市地表易涝敏感区识别框架。以武汉市为研究区，融合地形水文因子、多光谱与高光谱特征，采用随机森林（RF）和极限梯度提升（XGBoost）模型进行分类建模，并结合SHapley方法分析特征贡献机制。同时，通过构建控制变量实验，评估不同数据源在弱空间约束条件下的识别能力差异。结果表明，在包含强空间变量条件下，各模型均取得较高精度，但特征贡献呈现明显的空间主导特征；在剔除强空间变量后，高光谱模型仍保持较高性能（AUC达0.97以上），明显优于多光谱模型。SHAP分析表明，高光谱特征在弱空间约束条件下显著提升了模型对地表物理属性的表达能力。地质一号高光谱数据能够有效缓解强空间变量的掩盖效应，提升城市易涝敏感区识别的精细度与泛化能力，为复杂城市环境下内涝风险评估与防灾规划提供了新的技术路径。
关键词：城市内涝;易涝敏感性;地质一号;高光谱;机器学习;特征掩盖分析;
基金资助：国家自然科学基金委员会资助，项目编号分别为62401526和T2225019；
专辑：基础科学;工程科技Ⅱ辑;信息科技
专题：自然地理学和测绘学;建筑科学与工程;自动化技术
分类号：TP181;TU992;P237
在线公开时间：2026-09-16（知网平台在线公开时间，不代表文献的发表时间）
