推进洪水风险评估：基于多时相SAR的洪水清单生成，采用迁移学习和混合模糊AHP-机器学习进行马哈南达河流域洪水易感性制图

马哈南达河流域位于印度东部，由于其复杂的水文学和地貌，面临日益严重的洪水风险，威胁到社会经济和环境的稳定。本研究提出了一种新颖的洪水易感性（FS）制图方法，并更新了该地区的洪水清单。处理了多时相的Sentinel-1（S1）SAR影像（2020-2022），使用U-Net迁移学习模型生成水体频率图，该图与全球洪水数据集（2000-2018）相结合，并通过基于网格的分类进行细化，创建了更新的洪水清单。使用包括海拔、坡度、土壤湿度、降水量、土壤类型、NDVI、土地利用和覆盖（LULC）、地貌、风速、排水密度和径流在内的十一层地理空间数据作为洪水调节因素（FCFs）来发展一种混合FS制图方法。该方法将模糊解析层次过程（FuzzyAHP）与六种机器学习（ML）算法结合，创建了混合模型FuzzyAHP-RF、FuzzyAHP-XGB、FuzzyAHP-GBM、FuzzyAHP-avNNet、FuzzyAHP-AdaBoost和FuzzyAHP-PLS。未来洪水趋势（1990-2030）在SSP2-4.5和SSP5-8.5情境下使用CMIP6数据进行预测，采用MIROC6和EC-Earth3集合。SHAP算法识别LULC、NDVI和土壤类型为最具影响力的FCFs，贡献超过60%的洪水易感性。结果表明，流域内有31.10%地区高度易感洪水，西部地区因海拔低和排水密度高而面临最大风险。未来预测显示，在SSP5-8.5情况下，30.69%的区域将保持高度脆弱，且略有增加。在各模型中，FuzzyAHP-XGB取得了最高的准确性（AUC = 0.970），优于FuzzyAHP-GBM（AUC = 0.968）和FuzzyAHP-RF（AUC = 0.965）。实验结果显示，所提方法可以提供从免费遥感（RS）数据集中派生的空间分布良好的洪水清单，并为使用混合ML技术进行长期洪水风险评估提供稳健框架。这些发现为改善马哈南达河流域的洪水风险管理和缓解策略提供了关键见解。