基于BOA-SVM模型的區域洪水災害風險評估與驅動機制

劉 東 楊 丹 張亮亮,3 李佳民 趙 丹

(1.東北農業大學水利與土木工程學院, 哈爾濱 150030; 2.農業農村部農業水資源高效利用重點實驗室, 哈爾濱 150030;3.清華大學水圈科學與水利工程全國重點實驗室, 北京 100084; 4.黑龍江省泥河水庫管理處, 蘭西 151500)

0 引言

在聯合國公布并重點關注的15種自然災害中,洪水災害是輻射范圍最廣、發生頻次最高、破壞力最強的自然災害之一[1]。僅2021年由洪災引致的經濟損失就高達8.20×1010美元,占全球自然災害相關經濟損失的31%[2],每年死于洪水的人數占因自然災害死亡總人數的55%[3]。伴隨著全球氣候變暖而帶來的惡劣氣候變化、極端降水、海平面上升等現象,都增加了洪水災害的發生頻率和強度,預計到2050年由洪水災害引發的風險將增加3倍[4]。洪水風險管理已成為諸多國家面臨的重大挑戰,采用綜合性的防災減災措施來抵御洪水災害,保障社會安全已成為防洪減災科技領域的共識和當務之急[5]。

“風險”一詞最早見于19世紀末的西方經濟學領域[6],其作為經濟社會運行不可分割的一部分,持續存在于自然生態與人類社會環境中[7]。風險的核心內涵為:在特定環境下、特定時間內,某種損失發生的可能性[8-9]。關于風險的定義眾多,涉及自然、政治、經濟等多個領域,目前還沒有一個被廣泛接受的定義。美國風險協會指出[10],由于不同學者的研究視角不同,無法形成統一的風險定義。但風險的性質一致,通常被認定為對未來損失的一種不確定描述[11]。由于風險無法完全消除,唯一應對途徑就是對其進行科學管理。洪水風險評估作為風險管理的第一步[12],也是最重要的一步,持續受到國內外學者的廣泛關注。當前,災害風險評估研究已成為災害學、環境科學、生態學等諸多學科領域的研究熱點[13]。

隨著風險評估方法的不斷發展,越來越多的方法被應用于洪水災害風險評估,具體可分為統計分析法、情景模擬法、多準則決策分析法、機器學習法4類[14-17]。統計分析法需要依賴于足夠長的歷史數據,以高質量的現場記錄為基礎進行評估。但該方法受數據限制較大,對于數據短缺地區,缺乏泛化能力。情景模擬法是應用水力學或水動力學模型建立相關因素與洪水之間的聯系[18],進而對洪水風險進行評估。但高準確性的模擬評估結果往往以輸入大量高分辨率數據為前提,且需要使用具有足夠計算能力的特定硬件來處理復雜的數據和進行模型模擬[19]。多準則決策分析法可以兼顧多個利益攸關的目標、觀點、可行的替代方案和評估標準[20],但在風險量化關鍵步驟的指標權重分配上,通常使用專家評分、層次分析、模糊綜合評價等具有較強主觀性的方法,限制了其可靠性[21]。機器學習法通過機器學習模型智能學習并衡量洪水的多種特征信息,避免了權重設定的主觀性,評價更具優勢。

近年來,越來越多的機器學習模型被應用于洪水災害評估領域。LI等[22]基于Logistic回歸、樸素貝葉斯、自適應增強算法以及隨機森林4種機器學習模型,對全球4級流域進行了風險評估并得到全球敏感性分析圖。ZHI等[23]提出了一種城市洪水風險3DVAAM-PP-PSO評估模型,實現了多視角地直觀分析淹沒水深與面積的動態變化。ESFANDIARI等[24]將最近排水模型初步生成的洪水預報圖作為隨機森林模型的訓練樣本,選用海拔、坡度、坡向、河流間距和土地利用情況5項數據作為洪水制圖的條件因子,形成動態的洪水范圍評估。CHEN等[25]依據DPSIR模型構建了洪水風險管理框架,為長三角地區的防汛、減災和應急管理提供了決策支持。

然而在模型選擇上,人工神經網絡(ANN)的參數難以設定,收斂速度較慢、穩定性較差、易出現陷于局部最小化的問題[26];隨機森林模型(RF)易在噪聲較大的樣本集上存在過擬合現象[27];而支持向量機(SVM)模型具有堅實的理論基礎和良好的泛化能力,在小樣本數據、高維問題、非線性特征的處理上具有高準確性,為洪水災害精確評估提供了保證[28]。LIU等[29]構建了基于改進自私獸群算法的支持向量機模型(EO-SHO-SVR)來提高區域洪水災害恢復力的評價精度;MOHAMMADI等[30]提出了基于SVM模型的入侵檢測和特征選擇系統來檢測各種類型的異常和入侵,表明與SVM相結合可以提高入侵檢測系統的檢測率和準確率。由此可見,SVM模型在各領域的研究中都表現出優良的性能,但其在尋優速度和擬合精度上仍有待提高。

蝴蝶優化算法(BOA)是ARORA等[31]于2019年提出的一種受自然啟發的全局優化元啟發式智能算法。BOA算法需要處理的自適應參數少、在開發探究中平衡性能高,使其在短期內被應用于多領域的優化問題中[32]。鑒于BOA的強搜索能力、高魯棒性和強自適應性等特征[33-35],本研究采用BOA算法優化SVM模型以獲得更加精準的洪水災害評估結果。在此基礎上,通過模型內置的多指標權重確定洪水災害風險的關鍵影響因子,進而識別其驅動機制,為相關決策部門提供科技支撐。

1 研究區域概況與數據來源

1.1 研究區域概況

黑龍江省坐落于中國的最北端,總占地面積為4.73×106km2,下轄13個地市區,如圖1所示。黑龍江省糧食產量連續13年位列全國第一,不僅能夠穩定全省經濟社會發展、也是保障國家糧食安全的“壓艙石”。其優良的土壤環境和利于作物生長的雨熱特征使其具有獨特的農業生產優勢[36],全省年平均降水量較大,但仍存在降水年際波動性大且年內分配不均的問題,使極端氣候事件多發。如1998年,松花江、嫩江發生的特大洪水災害造成了嚴重的經濟損失與人員傷亡;2013年,黑龍江省發生特大洪水災害,使建三江分公司周邊縣市及農場耕地與農作物受災,糧食作物大規模減產;2021年,洪水災害致使黑龍江省各地區4.2×104人受災,1.9×104人緊急轉移安置,6×104hm2農作物受災,造成直接經濟損失2.2×108元[37],洪水災害的頻繁發生對黑龍江省經濟社會可持續發展造成了極大的威脅。因此,有必要在黑龍江省開展洪水災害風險的定量評估和歸因分析。

圖1 黑龍江省行政區劃Fig.1 Administrative division of Heilongjiang Province

1.2 數據來源

研究數據源自《黑龍江省統計年鑒》(2004—2018年)、《黑龍江省水利綜合年報》(2003—2017年)及13個地市區統計年鑒(2004—2018年),經整理與計算得到自然、經濟、社會等相關指標數據。

2 研究方法

2.1 洪水災害風險評估指標體系概念框架

災害系統理論是從災害的誘因、孕育和損失出發,認定為由致災因子、孕災環境和承災體構成的綜合產物[38]。致災因子是災害產生的條件,孕災環境是放大或縮小災害的必然要素,承災體是洪水災害的直接作用對象,其三者所具備的危險性、暴露性和脆弱性綜合形成了災害風險[39]。除去以上3要素,人類在防災減災中發揮的作用同樣重要,即防災減災能力。在區域災害系統理論基礎上,將防災減災能力納入洪水災害系統評估中,使人類在抵御洪災中的作用得到充分考量,使洪水災害風險評估更具有科學性和完備性。因此,在以區域災害系統“三因子”理論的基礎上融入防災減災能力,即以“四因子”理論[40-41]為基礎,選用致災因子、孕災環境、承災體和防災減災能力4個指標約束維度,構建黑龍江省洪水災害風險評估綜合表征指標體系,其概念框架如圖2所示。

圖2 區域災害系統理論概念框架Fig.2 Theoretical conceptual framework of regional disaster system

2.2 基于蝴蝶優化算法改進的支持向量機模型

2.2.1支持向量機模型基本原理

支持向量機模型通過變換函數對數據集進行回歸,旨在創建兩個類別之間的決策邊界并使分類間隔最大[42],即在樣本空間中構建一個超平面來區分訓練樣本,使得訓練樣本距離超平面有最小值。該超平面公式為

ωφ(X)+b=0

(1)

式中ω——權重系數

b——偏差量

φ(X)——非線性映射函數

為在一定程度上克服模型無法完成嚴格分類、過擬合等問題,引入松弛變量ζi和懲罰參數C(C>0)來提高模型的泛化能力,將線性不可分的線性支持向量機問題變成凸二次規劃問題,計算式為

(2)

s.t.yi(ωTφ(xi)+b)≥1-ζi

(3)

式中xi——第i個訓練樣本

yi——第i個樣本的正負類別,為[-1,1]

{(xi,yi),i=1,2,…,N}為訓練樣本集。

在此基礎上,通過引入拉格朗日函數

(4)

式中αi——拉格朗日因子

將式(4)轉換為對偶形式,其中核函數可以將數據映射到高維,得到最優分割超平面,求得回歸函數為

(5)

其中

K(x,xi)=φ(x)φ(xi)

(6)

式中K(x,xi)——核函數

φ(x)——映射函數

在眾多核函數對比中,高斯函數具有參數少、收斂速度快、學習能力強等優點,故本文選用高斯徑向函數構建支持向量機模型,表達式為

(7)

式中λ——核函數參數

2.2.2蝴蝶優化算法(BOA)基本原理

蝴蝶優化算法(BOA)是通過模擬蝴蝶搜索食物和交配行為而衍生出的一種智能優化算法[31]。在BOA算法中,每只蝴蝶都會散發出屬于自己的獨特香味。蝴蝶能夠感知空氣中食物的來源,同樣也能感知到其它蝴蝶散發出來的香味,并隨著散發香味更濃的蝴蝶移動,香味濃度公式為

f=cla

(8)

式中f——蝴蝶散發香味的濃度

c——感知形態l——刺激強度

a——冪指數,取[0,1]

當a=1時,意味著蝴蝶不吸收香味,指特定蝴蝶散發的香味被相同的蝴蝶感知到;這種情況下,相當于香味在理想環境中傳播,可以在域中各個地方感應到散發香味的蝴蝶,進而可以輕易達到一個單一的全局最優值。

為用搜索算法證明上述情況,將蝴蝶的特征理想化,設置了以下假設條例:①所有蝴蝶都能散發出一些香味,蝴蝶之間憑借香味相互吸引和交換信息。②蝴蝶會發生隨機移動或者朝著香味濃度強的蝴蝶發生定向移動。

針對不同問題來定義不同適應度函數,BOA算法可以分為3個步驟:

步驟1:初始化階段。在搜索空間中隨機生成蝴蝶位置,計算并儲存每只蝴蝶位置和適應度。

步驟2:迭代階段。由算法執行多次迭代,在每次迭代中,搜索空間中蝴蝶都移到新的位置,然后重新計算其適應度。將隨機生成的蝴蝶種群的適應度進行排序,找到蝴蝶在搜索空間中的最佳位置。

步驟3:結束階段。在上一階段中,蝴蝶移動后會利用香味公式在新的位置產生香味。

(1)當蝴蝶能夠感知到大于自身香味而發生移動時,這個階段稱為全局搜索,公式為

(9)

r——[0,1]之間的隨機數

g*——迭代t次內的最佳蝴蝶,即最優解

fi——第i只蝴蝶的香味濃度

(2)當蝴蝶不能感知到其他蝴蝶的香味濃度時,發生隨機移動,這個階段為局部搜索階段,公式為

(10)

全局搜索與局部搜索發生在蝴蝶覓食過程中,因此需要設置一個轉換概率來對頻繁出現的全局搜索與密集出現的局部搜索進行轉換。r的作用是與轉換概率p進行比較來決定是發生全局搜索還是局部搜索,r的計算公式為

r=rand(0,1)

(11)

達到最大迭代次數后,若滿足預設條件,則終止條件,輸出最優值,反之將從步驟2重新開始。

2.2.3BOA-SVM模型構建

選擇支持向量機中懲罰參數C和核函數參數λ作蝴蝶種群的搜索個體,以訓練樣本的均方誤差(MSE)為目標函數,構建BOA-SVM模型來實現對C和λ的迭代優化,具體步驟如下:

步驟1:收集洪水災害風險各項指標數據作為特征數據,制作訓練樣本集。

步驟2:初始化蝴蝶種群搜索個體即懲罰參數C和核函數參數λ。

步驟3:確定適應度函數為均方誤差(MSE),數學表達式為

(12)

式中m——訓練樣本數量

y′i——第i次迭代時的真實值

y″i——第i次迭代時的預測值

步驟4:初始化算法參數,包括蝴蝶種群數M、最大迭代次數tmax。

步驟5:利用式(12)計算蝴蝶種群個體的適應度值,并用式(8)計算香味濃度f,根據適應度值得出最佳蝴蝶的位置g*。

步驟6:根據式(11)計算出r值,與轉換概率p進行比較。

步驟7:若rp,則采用式(10)進行局部搜索更新蝴蝶位置。

步驟8:通過式(12)檢查蝴蝶種群搜索個體更新位置后的適應度值,判斷是否優于更新前,并更新全局最優蝴蝶位置與適應度值。

步驟9:判斷是否滿足終止條件。若滿足,輸出最優蝴蝶種群搜索個體適應度值及其空間位置,即為BOA-SVM模型中懲罰參數C和核函數參數λ,不滿足則重復步驟6～9。

運用BOA-SVM模型對洪水災害進行風險評估流程如圖3所示。

圖3 基于BOA-SVM模型的洪水災害風險評估流程圖Fig.3 Flow chart of flood disaster risk assessment based on BOA-SVM model

3 結果與分析

3.1 洪水災害風險評估指標體系搭建

通過區域洪水災害風險理論框架,構建黑龍江省洪水災害風險評估指標體系。按照致災因子、孕災環境、承災體和防災減災能力選取涵蓋自然、經濟、人口、醫療、農業和防洪基礎設施等4個維度19個評價指標,構建洪水災害風險評估指標體系并繪制指標分布圖,如圖4所示。

圖4 洪水災害風險評估指標體系分布圖Fig.4 Distribution map of flood disaster risk assessment index system

為進一步詳細解釋各指標內涵,對各指標的定義、與洪水災害的內在關聯、正負指向以及單位進行詳細描述,結果見表1。

表1 洪水災害風險評估指標及其定義與描述Tab.1 Flood disaster risk assessment indicators and their definitions and descriptions

3.2 洪水災害風險評估模擬等級區間

為確保多指標綜合評價的高效性和合理性,需對連續性指標進行離散化處理。自然間斷法基于聚類思維,使得分類結果中組間數據相似性最大,組外數據相異性最大,能夠在確定分類間隔的同時兼顧每一組要素的范圍和個數盡量相近[43]。故選用自然間斷法將洪水災害風險等級劃分為Ⅰ～Ⅴ級,級別越高風險越大,各指標分級標準見表2。

表2 洪水災害風險評估指標分級標準Tab.2 Grading standards for flood disaster risk assessment indicators

根據表2所劃分的Ⅰ～Ⅴ級洪水災害風險標準等級區間,在各等級區間內隨機生成200個樣本數據,共生成1 000個樣本數據,其中700個為訓練樣本,300個為測試樣本。經BOA-SVM模型仿真模擬后得到洪水災害風險等級模擬區間,結果見表3。

表3 BOA-SVM模型洪水災害風險評估模型等級模擬區間Tab.3 BOA-SVM model flood disaster risk assessment model level simulation interval

3.3 洪水災害風險時空變異特征分析

3.3.1年際變異特征分析

將2003—2017年指標數據代入BOA-SVM模型,得到黑龍江省近15年洪水災害風險指數,依據表3所得模擬區間進行分區并繪制年際變化特征曲線,如圖5所示。

圖5 黑龍江省洪水災害風險年際變化曲線Fig.5 Interannual change curves of flood disaster risk in Heilongjiang Province

由圖5可知,黑龍江省15年內洪水災害風險整體呈下降趨勢,平均洪水風險處于Ⅲ級偏上水平。2003、2007、2009、2011、2013、2017年出現極值點。2003年黑龍江省總體洪水風險指數處于研究期內最大值點(3.914),此時風險處于Ⅳ級中等偏下水平,2003—2007年洪水災害風險總體呈下降趨勢;在2006年(3.777)有小幅度上升隨后驟減,風險等級從Ⅳ級降至Ⅲ級;在2007年達到第1個極小值點(2.903),2007—2009年間洪水風險持續上升,風險等級由Ⅲ級躍遷至Ⅳ級;在2009年達到第2個極大值點(3.556),2009—2011年間洪水風險呈現下降趨勢,風險等級由Ⅳ級降至Ⅲ級偏下水平;在2011年達到第2個極小值點(2.943),2011—2013年間洪水風險小幅度上升,在Ⅲ級區間內向上浮動;在2013年達到第3個極大值點(3.362),2013—2017年間洪水風險逐年穩定降低,降至Ⅲ級偏下水平;在2017年達到最后1個極小值點,同時也是15年間的最小值點(2.628),此時黑龍江省風險為Ⅲ級偏下水平并處于15年內的最低水平。根據以上洪水風險年際波動,可將其年際變化分為5個階段。第1階段(2003—2007年)為急速下降時期,第2階段(2007—2009年)為快速提升時期,第3階段(2009—2011年)為平穩下降時期,第4階段(2011—2013年)為緩慢提升時期,第5階段(2013—2017年)為穩定下降時期。

3.3.2空間演變特征分析

針對年際變化中典型年的突出變化,進行洪水災害風險空間演變特征分析,根據各地區風險等級繪制黑龍江省典型年洪水災害風險空間演變特征圖,如圖6所示。

圖6 典型年黑龍江省洪水災害風險空間演變Fig.6 Spatial evolution map of flood disaster risk in Heilongjiang Province in typical years

由圖6a可知,2003年13個地市區洪水風險處于Ⅲ級偏上水平,僅有大慶風險等級為Ⅱ級,洪水風險水平總體偏高。由圖6b可知,2007年洪水風險處于Ⅲ級中下游水平,其中哈爾濱、鶴崗、大慶、七臺河4個地級市風險等級為Ⅱ級,剩余9個地區均為Ⅲ級。由圖6c可知,2009年洪水風險處于Ⅲ級偏上水平,齊齊哈爾、伊春、佳木斯、黑河、綏化由Ⅲ級升至Ⅳ級,哈爾濱、七臺河、鶴崗由Ⅱ級升至Ⅲ級,其他地區風險指數有小幅度增長仍維持原有等級。由圖6d可知,2011年洪水風險處于Ⅲ級偏下水平,風險指數相比于2007年降低2.33%,為研究期內第2個極小值點,僅有齊齊哈爾、綏化維持Ⅳ級不變,雞西、大興安嶺維持Ⅲ級不變,其余9個地區均發生風險等級躍遷,研究區內洪水風險呈現平穩下降趨勢。由圖6e可知,2013年洪水風險處于Ⅲ級中等水平,此時為研究區內最后一個極大值點,洪水風險相較于2003、2009年有所降低,Ⅳ級風險地區剩余大興安嶺、黑河、伊春、綏化,相比于前兩個極大值點,Ⅱ、Ⅲ級地區數目有所增長,雖然整體風險升高,但總體呈現良性發展態勢。由圖6f可知,2017年洪水風險水平降至Ⅱ級,全省范圍內僅有綏化為Ⅳ級,雞西、伊春、黑河為Ⅲ級,余下9個地區均為Ⅱ級,洪水災害風險大幅度降低。

為繼續深入探究黑龍江省洪水災害風險空間格局的時間演變特征,將黑龍江省不同地市區近15年的指標數據代入BOA-SVM模型中,得到各地區2003—2017年洪水災害風險指數及風險等級,繪制黑龍江省各地市區洪水災害風險變化趨勢,如圖7所示。

圖7 黑龍江省各地區洪水災害風險等級變化趨勢Fig.7 Change trend map of flood disaster risk level in various regions of Heilongjiang Province

由圖7可知,黑龍江省2003—2017年洪水災害風險水平空間分布規律呈現為西北部地區風險水平高于東南部地區。結合圖7由北部到南部進行分析,北部地區中風險水平由大到小依次為綏化、伊春、齊齊哈爾、大興安嶺、鶴崗、大慶,其中,大慶地區整體狀況表現為15年研究期內平均風險水平最低,且風險變化趨勢平穩,一直處于Ⅱ級,這歸因于大慶地區多湖泊少河流的水系分布以及油氣資源帶來的巨大經濟效益,使其在水資源調配、經濟發展、戰略資源儲備以及醫療基建各方面均優于其他地區;綏化地區平均風險水平處于Ⅳ級,屬研究期內最高,且在研究期末未出現良性好轉,與全省各地區呈現較大差異,該地區亟待合理的洪水災害風險管理與調控;伊春與黑河地區雖在2013年后呈現風險降低趨勢,但其長期變化趨勢始終在Ⅲ級到Ⅳ級間浮動,仍需觀察未來風險走勢來制定調控方案;相比以上地區,齊齊哈爾、大興安嶺、鶴崗在早期風險較高但后期風險呈線性降低,預計未來進一步減小與其他地區間風險水平的差距。南部地區風險水平由大到小依次為雞西、佳木斯、雙鴨山、牡丹江、七臺河、哈爾濱,其中哈爾濱作為黑龍江省政治、經濟、文化事業的中心城市,在面對災害時相比于其他地區具備更強大的經濟資源、人力資源、醫療資源與防洪資源,因此抗擊災害的能力較強;雞西地區因早期掠奪性的礦產資源開發過度透支了其經濟發展潛力,使其在南部地區中表現為最差的風險水平;佳木斯市下轄黑龍江農墾建三江管理局,雙鴨山市下轄黑龍江農墾紅興隆管理局,均隸屬中國北大荒集團,每年為國家輸送億噸糧食,洪水災害會對農作物造成毀滅性的威脅甚至帶來減產、絕收的巨大經濟損失,致使以上兩個地區的洪水災害風險隨之增大;牡丹江與七臺河地區在研究期內平均風險等級處于Ⅲ級偏上水平,2010年起逐漸向Ⅱ級轉化,洪水風險水平呈良性態勢發展。

3.4 洪水災害風險關鍵驅動因子識別

為解析洪水災害風險時空演變態勢的關鍵驅動力,確定其在風險時空演變過程中的影響程度,借助BOA-SVM模型的指標權重進行關鍵驅動因子識別,繪制不同驅動因子權重分配的排序圖,如圖8所示。研究發現產水模數、人均GDP、月強降水量、農林漁業總產值占比、人口自然增長率、每萬人擁有衛生機構床位數以及萬公頃水庫總庫容排在19個指標的前7位,權重明顯高于其他指標,可初步認定該7項指標對洪水災害風險的影響較大。其中,產水模數作為孕災環境中表征各地區水資源現狀的重要指標,從洪水災害的成因上來看其無疑是影響風險水平的首要決策因子;承災體層面的各指標區別于其他研究,將經濟、人文、農業發展各個子系統區分來看[44],從社會整體脆弱性出發,更系統地涵蓋了各個層面指標;居于前列的人均GDP、農林漁業總產值占比、人口自然增長率3項指標分別代表經濟、農業、人口3個維度,經濟發展水平決定了在災害爆發時區域抵御風險的能力與抗擊災害的設施水平;農林漁業總產值是農業發展水平的代表性指標,作為國民經濟中的基石產業決定了在抗擊災害中能否提供穩固的物質基礎;正向積極的人口變化代表一個地區的人口總體水平,是衡量該地區受災范圍與災后重建難易程度的重要指標;以上充分說明社會整體協調發展對洪水災害的重要作用。月強降水量區別于年平均降水量更加具有代表性,黑龍江省受到溫帶大陸性季風氣候影響,降雨集中出現在每年6、7、8月,月強降水量能夠更加直觀地體現突發強降水對洪水災害的誘發作用,降水對于洪水災害的影響固然重大,但相應的防洪水利設施可有效抑制洪水爆發,萬公頃水庫總庫容代表在區域的調配與儲蓄水資源的能力,在洪災防范和應對方面起到關鍵作用。萬人擁有衛生機構床位數體現一個地區基礎醫療情況,是洪災爆發后降低人員傷亡的有效指標。不同維度驅動因子對洪水災害風險的作用指向不同,產水模數、月強降水量、農林漁業總產值占比的變化對洪水災害風險演變有促進作用,人均GDP、人口自然增長率、每萬人擁有衛生機構床位數、萬公頃水庫總庫容的變化對洪水災害風險的演變有抑制作用。綜上,可體現上述7項指標在洪水災害中的顯著作用,即識別為關鍵驅動因子。

圖8 驅動因子排序Fig.8 Driver sorting

4 討論

4.1 BOA-SVM模型性能檢驗與可靠性分析

為檢驗BOA-SVM模型性能,用傳統SVM、ICA-SVM以及BOA-SVM模型分別評估黑龍江省2003—2017年洪水災害風險水平,以平均絕對誤差(MAE)、均方誤差(MSE)、平均絕對百分比誤差(MAPE)、決定系數(R2)以及模型單次運行時間(T,s)5個性能指標對3種模型進行性能檢驗對比分析,除R2外其他性能指標數值越小性能越好。為降低模擬產生的隨機現象,用以上3種模型分別進行50次迭代,求得50次各性能指標平均值,繪制模型性能對比圖,如圖9所示。

圖9 模型對比雷達圖Fig.9 Model comparison radar chart

由圖9可知,BOA-SVM模型相較于SVM和ICA-SVM模型表現出更加高速高效的性能,對比于SVM和ICA-SVM模型,MAE分別降低38.15%和9.18%,MSE分別降低58.5%和21.56%,MAPE分別降低35.23%和11.42%、R2分別增長0.62%和0.12%,說明BOA-SVM在尋優速度和評價精度上有顯著提高,相較于ICA-SVM模型泛化能力更強。綜上所述,BOA-SVM模型在區域洪水災害風險評估方面更具備優勢性。

將表2中的洪水災害風險評估指標分級閾值分別代入3個模型,得到3個模型的洪水災害風險等級模擬區間,結果見表4。

表4 各模型洪水災害風險等級模擬區間Tab.4 Flood disaster risk level simulation interval of each model

將黑龍江省2003—2017年15年數據分別代入BOA-SVM、OICA-SVM以及SVM模型中,得到各個模型不同模擬區間下的風險等級區劃,繪制3個模型下黑龍江省洪水災害風險評估結果對比圖,如圖10所示。

圖10 黑龍江省洪水災害風險評估結果對比Fig.10 Comparison chart of flood disaster risk assessment results in Heilongjiang Province

由圖10可見,BOA-SVM模型的年際洪水災害風險演變態勢與ICA-SVM、SVM模型評估結果大體相似。BOA-SVM模型在評估結果大體一致的前提下,與其他兩個模型評估結果仍存在部分偏差,僅2009年洪水災害風險等級高于ICA-SVM模型一級,而傳統SVM在2006、2009、2013、2014、2017年與其他兩個模型模擬等級結果均出現偏差。進一步證明了BOA-SVM模型評估結果的客觀性與可靠性。

4.2 洪水災害風險評估結果分析

研究期內,黑龍江省洪水災害風險總體呈下降趨勢,經對洪水災害風險進行驅動機制解析得出影響其變化的關鍵驅動因子。觀察各關鍵驅動因子在研究期內變化特征發現,降水是對洪水災害最為直觀的影響因素[45],然而降水的形成受到區域地理環境、水文氣象以及季節變化等多個因素的影響,使其具有明顯的波動變異性和時空不確定性[46],且在本研究期內無明顯規律變化特征、年際變化幅度較大、可供參考的規律與可調控范圍較小,對其進行直接調控難以實現;與之相比,人均GDP作為承災體層面經濟發展水平的代表性指標,在研究期內呈現明顯的變化規律,2017年相比于2003年的增長率超過238%,從2009年起呈現爆發式增長,直至研究期末未出現明顯下跌趨勢,最具破壞性的洪水往往發生在發展中國家,人均GDP決定了一個國家可用于防洪的資金數額[47],白鏡筱[48]在區域洪澇災害風險的研究中,也突出了經濟指標對洪澇災害風險的重要作用。由此可見,經濟指標在黑龍江省洪水災害風險變化中起到關鍵性作用。黑龍江省各地區產業結構較為單一且城市間主產業相似度極高,以農業、森工、礦產、油氣資源型城市為主[49],城市群交互發展能力弱,在對各地區進行洪水災害風險評估過程中,發現區域經濟發展態勢的不均衡導致部分地區的風險等級較高,因此,有必要對經濟發展落后地區加以扶持、豐富產業結構,重視科技創新與風險水平較低的區域協同發展,為應對洪水災害提供堅實的經濟基礎。

5 結論

(1)研究期內洪水災害平均風險處于中等偏上水平,2003—2007年為急速下降時期,2007—2009年為快速提升時期,2009—2011年為平穩下降時期,2011—2013年為緩慢提升時期,2013—2017年為穩定下降時期,整體表明洪水風險呈良性發展態勢。

(2)從空間分布演變態勢上看,西北部風險水平高于東南部。其中,綏化地區風險水平最高,未來防洪減災應重點關注此地區;產水模數、人均GDP、月強降水量、農林漁業總產值占比、人口自然增長率、每萬人擁有衛生機構床位數以及萬公頃水庫總庫容為影響洪水災害風險的關鍵性驅動力。

(3)在洪水災害風險評估方面,BOA-SVM模型相比SVM以及ICA-SVM模型,在擬合精度、尋優速度以及泛化能力上都展現出明顯優勢。