#2981 顾及地理约束的山洪灾害风险对抗迁移学习模型GCDANN精读

Abstract · 摘要【目的】当前数据驱动型山洪灾害风险评估高度依赖大量高质量历史样本，导致其在数据稀缺的偏远山区精度有限。尽管对抗迁移学习为其提供了解决途径，但现有方法在特征对齐过程中往往忽视了山洪灾害的地理空间异质性，不仅易导致负迁移，也未对地理空间结构进行有效表征，制约了山洪灾害风险评估精度的提升。【方法】本文提出一种顾及地理约束的山洪灾害风险对抗迁移学习模型（GCDANN），通过引入地理约束增强跨域适应能力和评估精度。首先，基于山洪孕灾环境对源域进行划分，并构建相应的多域判别器。其次，通过计算目标域与源域样本间的地理相似性，作为权重对各域判别器进行动态加权，以强化同质环境对齐，同时抑制异质环境干扰。此外，引入图神经网络提取空间特征，并结合梯度反转层实现对抗训练。【结果】将该模型应用于横断山区的六大流域（怒江、金沙江、澜沧江、雅砻江、大渡河、岷江），构建6组跨域迁移场景，并与直接迁移模型、现有对抗迁移学习模型（DANN和MADA）以及监督学习模型进行对比分析。结果表明，GCDANN在所有跨域迁移场景中均表现出最优的迁移效果，其精度逼近监督学习型模型。以大渡河至岷江的迁移场景为例，相比于直接迁移模型、DANN和MADA，GCDANN的精度分别提升了8.5%、5.4%和4.7%，与监督学习模型的差距仅0.8%。此外，在空间分布上，GCDANN评估出的山洪高风险区与历史山洪灾害事件具有更高的一致性。【结论】GCDANN通过在对抗迁移学习中考虑地理约束，有效引导模型增强同质环境的特征对齐学习和地理空间结构的显式刻画，显著提升了模型在复杂地理异质场景下的跨域迁移能力，为缺资料地区的山洪灾害风险评估提供了可靠的技术和决策支持。

Section 01 · Background & Challenges

缺资料山区的知识迁移：三重地理错位

山洪灾害受气候、地形与下垫面共同驱动，突发性强、致灾速度快、破坏力大，精准评估其易发性与风险是制定防灾减灾政策、优化应急避险方案与抗灾资源调配的关键前提。数据驱动方法无需详尽水文物理参数即可挖掘多维信息中的非线性关系，却高度依赖大量高质量标签样本；而山洪多发于地形陡峭、交通不便的偏远小流域，监测稀缺、标注昂贵。横断山区国土面积 60 余万 km²，1950—2017 年仅记录 1 150 个有效山洪事件。迁移学习由此成为破局路径，但现有域自适应方法在地理场景中暴露出三重错位。

CHALLENGE 01

负样本标签噪声扰动对抗对齐

随机采样极易把潜在高风险区错选为无灾负样本，而采样的无灾负样本并不等同于真实环境下的无风险，可能仅是降雨未达阈值。这种隐式标签噪声会模糊特征空间的决策边界，使 MADA 等依赖类别语义的对抗迁移极不稳定，难以作为可靠的对齐依据。

CHALLENGE 02

全局分布对齐忽视地理异质性

DANN 以梯度反转层与单一域判别器实现源域与目标域的全局对齐，容易忽略类间局部差异，引发特征混淆；MADA 虽按类别设置独立判别器实现类别级对齐，却仍仅基于类别语义强制匹配。山洪受地形、水文与下垫面共同约束，同类风险在不同流域孕灾机制差异显著，异质环境被错误匹配即产生负迁移。

CHALLENGE 03

独立样本假设丢失空间关联

大多迁移模型基于独立样本假设构建，忽略了小流域之间的上下游联系与地理空间关联性。缺乏对地理空间结构的显式刻画，模型既无法表达流域间的水文拓扑与灾害传递路径，也难以在孕灾背景相似的单元之间聚合风险特征，限制了跨域泛化能力的上限。

36 251小流域评估单元
六流域不规则矢量单元

1 1501950—2017 年
有效历史山洪事件

23/8/2致灾·孕灾·承灾
三类指标构成

6 组跨流域迁移场景
两目标域 × 三源域

Section 02 · Framework & Architecture

加权有向图遇上地理约束：五步技术链路

GCDANN 将图神经网络的特征提取能力与对抗迁移学习框架耦合，并在域对齐环节嵌入地理约束权重，把「全局分布对齐」改写为「按孕灾环境相似度的选择性对齐」。模型由特征提取器、地理约束嵌入模块、标签分类器与多域判别器（含梯度反转层）四个模块协同构成，以不规则小流域为节点、以地理相似度为边权，实现从指标体系、图构建、约束加权到对抗训练的完整闭环。

风险指标体系与小流域单元构建

沿用「致灾因子-孕灾环境-承灾体」三元框架，为每个小流域节点构建 23 个致灾因子、8 个孕灾环境因子与 2 个承灾体因子共 33 维属性向量。致灾因子依托 CMORPH 融合降水产品（0.1°，2008—2018 年），用 P-Ⅲ 型频率曲线推求 2~100 年一遇、1~6 h 历时的极端降雨极值；孕灾环境含高程、坡度、NDVI、HAND、土壤类型与到道路、水体、断层距离；承灾体取 100 m 人口密度与 1 km GDP 密度。基础高程取自 30 m ASTER GDEM，经填洼、流向判定与汇流累积提取河网并分割单元，剔除面积不足 1 km² 的细碎斑块，最终生成 36 251 个空间连续单元（金沙江 10 558、雅砻江 9 089、澜沧江 5 735、大渡河 4 650、怒江 4 405、岷江 1 814）。

33 维节点属性30 m GDEM分区统计聚合1 km² 阈值

地理约束负样本与加权有向图

先按孕灾环境特征计算小流域间环境相似性，用层次聚类把所有单元划分为若干环境类别，剔除含正样本的类别，仅在剩余类别中随机选取与正样本等量的负样本，从而在环境差异显著区域生成高可靠性无灾样本。随后以 8 个孕灾环境特征的余弦相似度刻画节点关系：以相似度大于 0.8 作为候选筛选阈值，突破空间距离限制为每个小流域选取相似度最高的前 10 个节点建立有向边，边权直接取相似度值，形成加权有向图。

层次聚类余弦相似度 > 0.8Top-10 有向边等正负样本比

地理约束嵌入模块（GAM）

基于 8 个孕灾环境因子计算源域样本的余弦相似度矩阵并转为距离矩阵，以层次聚类距离阈值 0.3 将源域划分为 K 个地理特征均质的子环境，每个子环境对应一种典型孕灾模式并配置独立域判别器。再计算目标域样本与各子环境聚类中心的余弦相似度，经 softmax 归一化为注意力权重 w_jk，把复杂跨域对齐分解为多个局部子环境的选择性对齐任务。

子环境划分阈值 0.3softmax 权重多域判别器

GNN 特征提取与风险概率分类

特征提取模块由三层串联 GNN Block 构成：WeightedSAGEConv 以地理相似度为权重做邻域加权采样与聚合并与中心节点拼接，其后接批归一化、ReLU 与丢弃率 0.25 的 Dropout，块内引入残差连接与线性变换以缓解深层过平滑与梯度消失；三层维度依次设为 128、64、32。标签分类器为三层感知器加 softmax，将节点嵌入映射为二分类概率，发生山洪的概率值即该小流域的风险预测值。

WeightedSAGEConv128-64-32Dropout 0.25残差连接

梯度反转与多域对抗训练

梯度反转层置于特征提取器与域判别器之间：正向传播为恒等变换，反向传播将判别器梯度乘负标量后回传，使判别器最大化域分类准确率、特征提取器最小化该准确率，形成零和博弈。特征表示复制 K 份并按注意力权重加权送入对应判别器，总损失 L_t = L_y + λ_d·L_d，域适应权重经敏感性分析取 0.5；采用 Adam 优化器、初始学习率 0.01，训练 2 500 轮，Python 与 PyTorch 实现。

GRL 零和博弈λ_d = 0.5Adam 0.012 500 轮

SUPPLEMENT A · 数据集

横断山区六大流域与历史灾情清单

研究区为横断山区金沙江、澜沧江、怒江、雅砻江、大渡河与岷江六大流域，地势自西北向东南倾斜，山高谷深、地形破碎，受高原季风与海洋季风交替控制，降水高度集中，是我国山洪灾害最频发、受灾最严重的区域之一。历史山洪正样本取自《全国山洪灾害调查评价项目》权威数据库，时间跨度 1950—2017 年，剔除属性缺失与坐标异常记录后获取 1 150 个有效事件，其中金沙江 398 个、雅砻江 275 个、大渡河 179 个、怒江 96 个、岷江 93 个、澜沧江 67 个，另有 42 个零星点落在六大流域之外未参与建模。多源栅格经分区统计聚合至小流域：连续型指标取单元内像元均值，离散型指标按投影面积占比最大的类别定类。

SUPPLEMENT B · 实验设置

CBR 源域筛选与四类基准模型

以历史记录最少、标注难度最大的澜沧江与岷江为目标域模拟样本匮乏场景；引入基于案例推理（CBR）的相似性度量，连续型特征用直方图面积相交系数、离散型特征用共有类别占比衡量重叠度，以空间相似度大于 0.7 筛选源域，最终确定澜沧江源域为怒江、金沙江、雅砻江，岷江源域为金沙江、雅砻江、大渡河，构成 6 组场景。基准模型包括直接迁移模型（SourceOnly）、DANN、MADA 与按 7:3 划分训练集与测试集的监督学习模型（理论上限）。评价采用准确率、精确率、召回率、F1、Kappa 与 AUC-ROC 共 6 项指标，风险结果按自然间断点分为极低、低、中等、高、极高 5 级。

Section 03 · Results & Interpretation

六组场景全面占优：精度与空间格局双验证

在 6 组跨域迁移场景中，三类对抗迁移模型均显著优于直接迁移模型，而 GCDANN 在每一组场景中都取得最优迁移性能。以 CBR 相似度最高（0.878）的大渡河至岷江场景提升最为突出，ACC 达 0.927，逼近监督学习模型的 0.935；空间格局上，GCDANN 划定的高风险区与历史山洪点吻合度亦最高，高风险区未出现对比模型中普遍存在的过度扩张现象。

8.5%较直接迁移模型
ACC 提升幅度上限

0.927大渡河→岷江 ACC
监督上限为 0.935

0.027~0.093较 MADA 的
Kappa 系数提升区间

89%金沙江→岷江
高风险区与灾点重合度

目标域	源域	CBR 相似度	直接迁移 ACC	DANN ACC	MADA ACC	GCDANN ACC	监督学习 ACC
澜沧江	金沙江	0.829	0.764	0.802	0.821	0.849	—
澜沧江	怒江	0.708	0.745	0.783	0.802	0.821	—
澜沧江	雅砻江	0.747	0.755	0.774	0.792	0.811	—
澜沧江	监督学习（目标域本地训练）	—	—	—	—	—	0.875
岷江	大渡河	0.878	0.853	0.873	0.880	0.927	—
岷江	雅砻江	0.771	0.827	0.847	0.867	0.887	—
岷江	金沙江	0.714	0.847	0.853	0.880	0.893	—
岷江	监督学习（目标域本地训练）	—	—	—	—	—	0.935

迁移场景	模型	ACC	P	R	F1	Kappa	AUC
大渡河→岷江	直接迁移模型	0.853	0.853	0.853	0.853	0.707	0.931
大渡河→岷江	DANN	0.873	0.859	0.893	0.876	0.747	0.930
大渡河→岷江	MADA	0.880	0.843	0.933	0.886	0.760	0.946
大渡河→岷江	GCDANN（本文）	0.927	0.890	0.973	0.930	0.853	0.965
大渡河→岷江	监督学习模型	0.935	0.917	0.957	0.936	0.870	0.992
怒江→澜沧江	直接迁移模型	0.745	0.750	0.736	0.743	0.491	0.753
怒江→澜沧江	DANN	0.783	0.800	0.755	0.777	0.566	0.776
怒江→澜沧江	MADA	0.802	0.796	0.811	0.804	0.604	0.809
怒江→澜沧江	GCDANN（本文）	0.821	0.854	0.774	0.812	0.642	0.801

关键超参数	寻优范围	最优取值	敏感性表现与取值依据
域适应损失权重 λ_d	0.1~1.0	0.5	指标随权重先升后降；0.5 时大渡河→岷江 ACC 达 0.927、AUC 达 0.965，怒江→澜沧江 ACC 与 Kappa 约 0.82 与 0.64 达峰；过低则域偏移未消除，过高则丢失风险语义
源域子环境聚类距离阈值	0.1~0.5	0.3	阈值过小导致划分碎片化、单类样本稀疏使多域判别器难以稳定收敛；阈值过大则无法隔离地理异质性噪声而引发负迁移
拓扑网络邻居数	5~15	10	邻居过少则空间关联特征提取不充分；增至 15 会引入远距离异质地理噪声并触发深层传播过平滑，分类边界模糊
源域筛选 CBR 相似度阈值	> 0.7	0.7	据此确定澜沧江源域为怒江、金沙江、雅砻江，岷江源域为金沙江、雅砻江、大渡河，最终构成 6 组跨域迁移场景

FINDING 01

全场景最优且逼近监督上限

GCDANN 在 6 组场景中均取得最优迁移性能：较直接迁移模型 ACC 提升 4.6%~8.5%，较 DANN 提升 3.7%~5.4%，较 MADA 提升 1.3%~4.7%，Kappa 同步提升 0.027~0.093。在最相似的大渡河→岷江场景，ACC 达 0.927、AUC 达 0.965，与监督学习模型的 0.935 仅差 0.008，说明在完全不依赖目标域标签的条件下仍可获得接近本土建模的精度。

FINDING 02

异质场景中的抗负迁移能力

由怒江至澜沧江的迁移中，GCDANN 精准识别降雨驱动型高风险区，未盲目迁移怒江的冰川融水型风险特征；由金沙江至岷江的迁移中，模型优先对齐岷江降雨汇流特征，高风险区与历史山洪点重合度达 89%，远超 MADA 的 78%。澜沧江流域 90% 以上历史山洪点落入其划定的高风险区，而 SourceOnly、DANN、MADA 均出现不同程度的高风险区过度扩张。

FINDING 03

注意力权重具备孕灾机制含义

对澜沧江典型暴雨型灾害样本（ID 4971，高程 1 728.34 m、坡度 17.11°、100 年一遇 3 h 降雨 72.01 mm）的底层权重分析显示，模型为代表低海拔近水体河谷暴雨区的源域子环境 6 分配了全区最高的对抗迁移权重 0.056，而对代表高寒积雪与冰川地带的子环境 4 和 14 分配较低权重，有效避免了把冰川融水区特征误迁移至暴雨驱动区。

「

地理约束把对抗迁移从全局分布对齐改写为按孕灾环境相似度的选择性对齐，模型由此优先与同质子环境对齐、抑制异质环境干扰，在缺资料流域获得逼近监督学习的风险评估精度。

— 6 组跨流域迁移场景与注意力权重分析的综合结论

Section 04 · Conclusion & Prospect

地理约束与图结构的耦合：三点贡献

本文面向样本匮乏区域的山洪灾害风险评估，针对传统对抗迁移学习在跨域迁移中忽略地理约束的核心问题提出 GCDANN，以小流域为基本单元、以加权有向图表征地理关联，并在对抗框架中嵌入环境感知加权策略。横断山区 6 组跨域场景的系统对比表明，该模型在精度指标与风险空间格局两个层面均优于现有迁移方法，为缺资料地区提供了可靠的技术与决策支持。

CONTRIBUTION 01

迁移学习引入山洪风险评估

针对数据驱动型评估样本不足的瓶颈，将迁移学习引入山洪灾害风险评估，通过源域-目标域知识迁移实现样本匮乏流域的风险建模；并配套提出基于地理约束的负样本采样与 CBR 源域适配度筛选，从样本与源域两端降低负迁移风险，为数据稀缺地区提供了新的技术参考。

CONTRIBUTION 02

流域环境感知加权抑制负迁移

针对传统对抗迁移模型未考虑地理异质性的局限，在模型中嵌入流域环境感知加权策略：先按孕灾环境把源域划分为若干均质子环境并配置多域判别器，再以地理相似性生成注意力权重引导选择性特征对齐，在提升跨流域迁移性能的同时有效缓解负迁移现象。

CONTRIBUTION 03

图结构显式刻画地理空间关联

针对山洪风险在地理空间上的显著关联性，将小流域抽象为图节点、以地理相似度为边权构建加权有向图，并利用图神经网络完成结构特征表达，突破了传统迁移模型的独立样本假设，使风险特征可在孕灾背景高度相似的小流域间传递与聚合。

APPLICATION · 应用价值

支撑缺资料山区的分级防御

GCDANN 生成的风险分布图风险梯度清晰、高风险区边界精准，与孕灾环境高度契合：澜沧江高与极高风险区集中于高山峡谷河流两岸与陡坡区域，岷江极高风险区集中于水系交汇处、深切峡谷段及近断层区域，可为山洪分级防御与防灾工程布局提供科学依据，支撑基层防灾减灾工作。模型设计具有通用性，只需利用其他区域数据重新训练即可推广至其他样本匮乏区。

LIMITATION · 局限与未来

数据完整性、算力开销与动态化

其一，地理约束依赖 8 个孕灾环境指标的完整性与指标选择的合理性，若目标域缺失 HAND 等数据或指标未覆盖本地特征，环境向量维度不全将削弱约束效果。其二，多域判别器与图结构使计算量显著上升，在金沙江 10 558 个评估单元的源域场景中单轮训练时间较 MADA 延长约 30%~40%，限制大规模实时应用。其三，当前框架基于历史统计量为静态评估，尚未融合实时降雨与土壤湿度等动态驱动因子，难以响应极端降雨下的致灾因子突变，未来需向动态评估与效率优化拓展。