城市气候风险评估缺失数据插补、承灾体暴露度通用评估、脆弱性计算、气候变化风险评估方法、风险等级划分.pdfVIP

附录A

（资料性）

缺失数据插补方法

A.1随机森林算法

随机森林算法作为一种基于集成学习的非参数化方法，在处理城市气候风险评估中复杂、

非线性的缺失数据时具有显著优势。该算法通过构建多棵决策树并进行投票集成，能够有效

捕捉气候致灾因子、下垫面特征与社会经济响应之间的高阶交互关系。在此标准中，适用于

填补具有空间异质性的风险要素数据——大规模多源异构数据缺失（如某些年份的精细化致

灾因子数据或街道尺度的脆弱性指标）时，评估主体应首先筛选出与缺失变量具有强关联性

的特征集合，如地形高程、NDVI植被指数、人口密度分布及周边观测站的同步记录等。

通过在完整样本集上进行模型训练，随机森林能够根据特征重要性评估，自动识别出对

缺失变量贡献度最高的驱动因子，并生成稳健的补全模型。在实际操作中，应要求对算法生

成的补充数据进行交叉验证，通过计算均方根误差（RMSE）和平均绝对误差（MAE）来评

估拟合精度。

A.2线性回归算法

线性回归算法主要适用于变量间存在稳定演变趋势或显著线性相关性的场景。在此标准

中，线性回归适用于以下两类缺失