基于BP神經(jīng)網(wǎng)絡(luò)的洪澇災(zāi)害承災(zāi)體脆弱性評(píng)估

摘要：為了降低洪澇災(zāi)害對(duì)北京市承災(zāi)體的損害，制定了一個(gè)同時(shí)考慮暴露度、敏感性和適應(yīng)能力的承災(zāi)體脆弱性評(píng)估框架，運(yùn)用熵權(quán)-TOPSIS算法對(duì)承災(zāi)體指標(biāo)數(shù)據(jù)客觀賦權(quán)并得到標(biāo)準(zhǔn)化后的脆弱性指數(shù)，將初始權(quán)重和脆弱性指數(shù)分別作為輸入和輸出數(shù)據(jù)集代入BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練進(jìn)而得到優(yōu)化權(quán)重；進(jìn)一步結(jié)合ArcGIS技術(shù)對(duì)洪澇災(zāi)害承災(zāi)體脆弱性進(jìn)行評(píng)估，并利用自然斷點(diǎn)法將洪澇災(zāi)害承災(zāi)體脆弱性劃分為4個(gè)等級(jí)。結(jié)果表明：① 人口密度、經(jīng)濟(jì)密度、城市POI密度、植被覆蓋率和排水管網(wǎng)等指標(biāo)對(duì)北京市洪澇災(zāi)害承災(zāi)體脆弱性影響顯著；② 北京市洪澇災(zāi)害承災(zāi)體脆弱性在空間上呈現(xiàn)東南向西北逐漸降低的趨勢(shì)，城市中心區(qū)脆弱性等級(jí)高，邊緣地區(qū)脆弱性低。研究成果對(duì)于降低北京市洪澇災(zāi)害承災(zāi)體脆弱性具有一定指導(dǎo)意義，權(quán)重優(yōu)化模型及脆弱性評(píng)估模型也可應(yīng)用到其他城市。

關(guān) 鍵 詞：洪澇災(zāi)害； 承災(zāi)體脆弱性； 熵權(quán)法； TOPSIS； BP神經(jīng)網(wǎng)絡(luò)； ArcGIS； 北京市

中圖法分類(lèi)號(hào)： TV87;P426.616 文獻(xiàn)標(biāo)志碼： A DOI：10.16232/j.cnki.1001-4179.2024.02.004

0 引 言

洪澇災(zāi)害已經(jīng)成為影響和威脅人類(lèi)生活和社會(huì)發(fā)展的主要因素之一。在全球氣候變化加劇與城鎮(zhèn)化進(jìn)程加速的背景下，洪澇災(zāi)害的發(fā)生頻率不斷提高，給人類(lèi)帶來(lái)巨大的經(jīng)濟(jì)財(cái)產(chǎn)損失［1］。洪澇災(zāi)害承災(zāi)體脆弱性是一個(gè)城市內(nèi)外部承災(zāi)體系統(tǒng)暴露于洪澇災(zāi)害區(qū)域而遭受的破壞程度，是自然地理環(huán)境和社會(huì)人文特征驅(qū)動(dòng)下暴露度、敏感性與適應(yīng)能力的綜合表征［2］。暴露度是由承災(zāi)體的空間地理位置決定的，承災(zāi)體的暴露度越高，受到洪澇災(zāi)害破壞的可能性就越大。敏感性是指承災(zāi)體本身的特性，決定了其容易受到洪澇災(zāi)害的程度。對(duì)于同樣程度的洪澇災(zāi)害，敏感性越高的承災(zāi)體遭受的破壞就越嚴(yán)重，例如老人、兒童的敏感性要高于其他群體［3］。反之，敏感性越低的承災(zāi)體遭受的破壞越小。洪澇災(zāi)害造成的損失程度取決于承災(zāi)體的暴露度和敏感性水平，這兩個(gè)因素共同構(gòu)成了脆弱性的被動(dòng)部分。隨著暴露度和敏感性水平的提高，脆弱性程度也會(huì)相應(yīng)增加。可以通過(guò)調(diào)整承災(zāi)體的適應(yīng)能力來(lái)降低脆弱性并增強(qiáng)應(yīng)對(duì)洪澇災(zāi)害風(fēng)險(xiǎn)的能力［4］。

目前，對(duì)洪澇災(zāi)害承災(zāi)體脆弱性的研究多集中于災(zāi)前模擬和預(yù)測(cè)研究，以及災(zāi)后的評(píng)估研究等方面［5］。在研究方法上，張乾柱等利用層次分析法（AHP）對(duì)重慶市山洪災(zāi)害進(jìn)行了易損性評(píng)估［6］。梁翔等綜合考慮多個(gè)因素的權(quán)重和相互關(guān)系，并結(jié)合模糊評(píng)價(jià)的思想，以更全面、準(zhǔn)確地評(píng)估蓄滯洪區(qū)的可持續(xù)性［7］。Dubey等基于數(shù)據(jù)包絡(luò)分析法（DEA）為納爾默達(dá)河流域地區(qū)建立了洪澇災(zāi)害脆弱性評(píng)估框架，并對(duì)其進(jìn)行了脆弱性評(píng)估［8］。吳浩然等則是基于TOPSIS法對(duì)南寧市洪澇災(zāi)害承災(zāi)體脆弱性進(jìn)行了多指標(biāo)綜合風(fēng)險(xiǎn)評(píng)估［9］。Xu等將熵權(quán)法和層次分析法相結(jié)合，采用改進(jìn)的熵權(quán)評(píng)估方法對(duì)?？诘貐^(qū)進(jìn)行洪澇災(zāi)害風(fēng)險(xiǎn)評(píng)估［10］。Dung等基于主成分分析法（PCA）和層次分析法（AHP）相結(jié)合的方法對(duì)越南湄公河地區(qū)開(kāi)展了洪水空間脆弱性評(píng)估［11］。然而層次分析法、模糊綜合評(píng)價(jià)法和TOPSIS方法主觀性較強(qiáng)，在進(jìn)行層次結(jié)構(gòu)分析或構(gòu)建判斷矩陣時(shí)，人的主觀判斷、選擇和偏好會(huì)對(duì)結(jié)果產(chǎn)生重大影響。由于存在判斷偏差，評(píng)估結(jié)果可能會(huì)出現(xiàn)誤差，從而影響評(píng)估的準(zhǔn)確性。而DEA法和熵權(quán)法又對(duì)樣本數(shù)據(jù)依賴性較大。

近年來(lái)，隨機(jī)森林、遺傳算法、神經(jīng)網(wǎng)絡(luò)等機(jī)器學(xué)習(xí)方法在洪澇災(zāi)害承災(zāi)體脆弱性評(píng)估中得到廣泛應(yīng)用［12］。在以往多指標(biāo)評(píng)估的基礎(chǔ)上，應(yīng)用機(jī)器學(xué)習(xí)中的BP神經(jīng)網(wǎng)絡(luò)模型和ArcGIS相結(jié)合進(jìn)行評(píng)估的方法得到廣泛應(yīng)用［13］。程先富等基于BP神經(jīng)網(wǎng)絡(luò)模型，通過(guò)指標(biāo)數(shù)據(jù)進(jìn)行訓(xùn)練和檢驗(yàn)，對(duì)杭埠河流域進(jìn)行洪澇災(zāi)害風(fēng)險(xiǎn)評(píng)估［14］。BP神經(jīng)網(wǎng)絡(luò)具有良好的擬合能力，運(yùn)用三層BP神經(jīng)網(wǎng)絡(luò)可以實(shí)現(xiàn)任意函數(shù)的逼近［15］，但是由于研究數(shù)據(jù)量少，BP神經(jīng)網(wǎng)絡(luò)收斂速度慢，容易出現(xiàn)局部最優(yōu)解、過(guò)擬合等情況。為了解決上述問(wèn)題，本文利用熵權(quán)-TOPSIS算法對(duì)指標(biāo)數(shù)據(jù)進(jìn)行客觀賦權(quán)及預(yù)處理，以提高BP神經(jīng)網(wǎng)絡(luò)的收斂速度，減少訓(xùn)練時(shí)出現(xiàn)的過(guò)擬合和局部最優(yōu)解的情況，保證初始評(píng)估結(jié)果的客觀性和可信度［16］。將初始權(quán)重和脆弱性指數(shù)分別作為輸入和輸出數(shù)據(jù)集對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練得到優(yōu)化權(quán)重后，再結(jié)合ArcGIS軟件進(jìn)行洪澇災(zāi)害承災(zāi)體脆弱性評(píng)估，并根據(jù)自然斷點(diǎn)法劃分洪澇災(zāi)害承災(zāi)體脆弱性等級(jí)。

1 研究區(qū)與數(shù)據(jù)

1.1 研究區(qū)域概況

北京市共有16個(gè)市轄區(qū)，全市總面積為16 410.54 km2。北京市位于華北平原的西北部，平原面積占比38%，山區(qū)面積占比62%，西北部地區(qū)群山圍繞，東南部地區(qū)為平原，形成了西北高、東南低的獨(dú)特地形（見(jiàn)圖1）。該地形容易導(dǎo)致暴雨的增幅，還可能觸發(fā)強(qiáng)對(duì)流天氣，使得暴雨的高值區(qū)域沿山體前部分布［17］。

根據(jù)中國(guó)氣象局降水強(qiáng)度等級(jí)劃分標(biāo)準(zhǔn)（以20：00 為日界）即日降水量≥50 mm為暴雨，≥100 mm為大暴雨，≥250 mm為特大暴雨，進(jìn)一步統(tǒng)計(jì)1981～2022年北京市暴雨、大暴雨、特大暴雨發(fā)生次數(shù)得到空間分布圖（見(jiàn)圖2）。就各級(jí)暴雨空間分布圖來(lái)看，暴雨發(fā)生次數(shù)高的地區(qū)主要集中在北京市東部平原地區(qū)，總體分布規(guī)律為東高西低；大暴雨發(fā)生頻次較高的地區(qū)主要位于密云、順義、平谷、昌平和門(mén)頭溝的東南部；特大暴雨發(fā)生頻次較高的地區(qū)主要集中在北京市西南部地區(qū)，總體分布規(guī)律為由西南向東北遞減。受暴雨影響，北京市各市轄區(qū)洪澇災(zāi)害事件也呈現(xiàn)增加趨勢(shì)，對(duì)北京市各市轄區(qū)居民的正常生活和城市安全威脅較大。

1.2 數(shù)據(jù)來(lái)源

北京市洪澇災(zāi)害承災(zāi)體脆弱性評(píng)估所使用的數(shù)據(jù)主要分為4種，包括氣象數(shù)據(jù)、基礎(chǔ)地理數(shù)據(jù)、遙感影像數(shù)據(jù)和社會(huì)經(jīng)濟(jì)數(shù)據(jù)等，數(shù)據(jù)來(lái)源如表1所列。

2 洪澇災(zāi)害承災(zāi)體脆弱性指標(biāo)體系的構(gòu)建

根據(jù)國(guó)內(nèi)外洪澇災(zāi)害承災(zāi)體脆弱性研究中廣泛采用的指標(biāo)，遵循可代表性指標(biāo)選取原則，參考以往的研究成果以及結(jié)合北京市自身的承災(zāi)體脆弱性特征選取了具有代表性的16種洪澇災(zāi)害承災(zāi)體脆弱性評(píng)估指標(biāo)［17］，選取人口密度（人口數(shù)量占各區(qū)面積的比例）、經(jīng)濟(jì)密度（地區(qū)生產(chǎn)總值占各區(qū)面積的比例）、耕地面積比重、路網(wǎng)密度、文物保護(hù)單位個(gè)數(shù)作為暴露度指標(biāo)；選取第三產(chǎn)業(yè)GDP、社會(huì)活力（各區(qū)社會(huì)發(fā)展的活力指數(shù)）、POI密度（各區(qū)生活服務(wù)、購(gòu)物消費(fèi)、交通設(shè)施、公司企業(yè)的分布密度）、土地利用率（土地利用面積占各區(qū)面積的比例）、老少人口比例作為敏感性指標(biāo)；選取居民人均可支配收入、衛(wèi)生機(jī)構(gòu)數(shù)量、植被覆蓋率、排水管網(wǎng)密度、基本醫(yī)療保險(xiǎn)投保人數(shù)及水利、環(huán)境和公共設(shè)施管理從業(yè)人數(shù)作為適應(yīng)能力指標(biāo)。構(gòu)建包含暴露度、敏感性和適應(yīng)能力的北京市洪澇災(zāi)害承災(zāi)體脆弱性評(píng)估指標(biāo)體系，如表2所列。

3 研究方法

圖3為北京市洪澇災(zāi)害承災(zāi)體脆弱性評(píng)估流程。評(píng)估過(guò)程包括3個(gè)主要階段。第1階段為確定BP神經(jīng)網(wǎng)絡(luò)的輸入和輸出數(shù)據(jù)，將標(biāo)準(zhǔn)化處理后的指標(biāo)數(shù)據(jù)和TOPSIS算法得到的目標(biāo)指數(shù)作為輸入和輸出數(shù)據(jù)集。第2階段是BP神經(jīng)網(wǎng)絡(luò)修正權(quán)重，利用BP神經(jīng)網(wǎng)絡(luò)對(duì)承災(zāi)體脆弱性指標(biāo)數(shù)據(jù)進(jìn)行訓(xùn)練和驗(yàn)證，得到指標(biāo)的優(yōu)化權(quán)重。第3階段是進(jìn)行洪澇災(zāi)害承災(zāi)體脆弱性評(píng)估，分別對(duì)北京市洪澇災(zāi)害承災(zāi)體的暴露度、敏感性和適應(yīng)能力進(jìn)行評(píng)估，進(jìn)而得到北京市洪澇災(zāi)害承災(zāi)體脆弱性等級(jí)區(qū)劃。

3.1 熵權(quán)法確定初始權(quán)重

熵權(quán)法是通過(guò)各個(gè)指數(shù)的變化程度來(lái)反映指標(biāo)的重要性，是一種科學(xué)、客觀地確定權(quán)重的方法。指數(shù)的信息熵越低，其權(quán)重也就越大。反之，則指標(biāo)的權(quán)重越?。?8］。使用熵權(quán)法確定北京市各市轄區(qū)洪澇災(zāi)害承災(zāi)體脆弱性指標(biāo)權(quán)重，可以合理規(guī)避人工判斷所造成的主觀性，削弱承災(zāi)體脆弱性指標(biāo)異常值的影響，使洪澇災(zāi)害承災(zāi)體脆弱性評(píng)估結(jié)果更加準(zhǔn)確合理［19］。計(jì)算步驟如下：

3.3 BP神經(jīng)網(wǎng)絡(luò)優(yōu)化權(quán)重

3.3.1 BP神經(jīng)網(wǎng)絡(luò)模型構(gòu)建

以評(píng)估指標(biāo)的標(biāo)準(zhǔn)化數(shù)據(jù)和熵權(quán)-TOPSIS算法計(jì)算得到的洪澇災(zāi)害承災(zāi)體脆弱性指數(shù)作為輸入和輸出數(shù)據(jù)，利用BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)機(jī)制，反向計(jì)算輸出層和隱含層各節(jié)點(diǎn)的節(jié)點(diǎn)值以及節(jié)點(diǎn)權(quán)值的改正量［21］;利用神經(jīng)網(wǎng)絡(luò)對(duì)指標(biāo)間未知聯(lián)系進(jìn)行辨識(shí)和正向知識(shí)推理，對(duì)熵權(quán)法得到權(quán)重進(jìn)行修正，降低基于純粹的信息混亂度得到的權(quán)重的偏差，使權(quán)重更加接近實(shí)際情況［22］。具體流程見(jiàn)圖4，步驟如下：

（1） 網(wǎng)絡(luò)層數(shù)確定。研究表明，在不限制隱含層節(jié)點(diǎn)數(shù)的情況下，使用三層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)可以實(shí)現(xiàn)任意非線性映射。因此，本文選擇經(jīng)典的三層BP神經(jīng)網(wǎng)絡(luò)模型［23］。

（2） 輸入、輸出節(jié)點(diǎn)設(shè)計(jì)。輸入層節(jié)點(diǎn)數(shù)即北京市洪澇災(zāi)害承災(zāi)體脆弱性評(píng)估指標(biāo)數(shù)目，等于16。輸出層節(jié)點(diǎn)數(shù)即評(píng)估結(jié)果，等于1。

（3） 隱含層節(jié)點(diǎn)數(shù)設(shè)計(jì)。對(duì)于如何確定隱含層節(jié)點(diǎn)數(shù)，目前還沒(méi)有一個(gè)確定的解決方案，一般根據(jù)前人設(shè)計(jì)經(jīng)驗(yàn)及實(shí)驗(yàn)來(lái)進(jìn)行確定。本文參考以下經(jīng)驗(yàn)公式［24］：q=α+β+μ（13）式中：α、q、β分別指的是輸入層、隱含層、輸出層的節(jié)點(diǎn)個(gè)數(shù)，μ取1～10之間的任意常數(shù)。根據(jù)經(jīng)驗(yàn)，本文隱含層節(jié)點(diǎn)數(shù)q在5～15之間［25-26］。

（4） 傳遞函數(shù)的確定。在BP神經(jīng)網(wǎng)絡(luò)算法中一般選用S型函數(shù)保證激活函數(shù)處處可導(dǎo)。由于本文的訓(xùn)練樣本輸出值為介于0～1之間的權(quán)重值。與一般線性函數(shù)相比，Logistic函數(shù)可保證所有值都處于［0，1］區(qū)間，因此非常適合用做本文計(jì)算權(quán)重所需要的激活函數(shù)。

3.3.2 評(píng)估指標(biāo)權(quán)重優(yōu)化

從實(shí)驗(yàn)數(shù)據(jù)中選取16個(gè)數(shù)據(jù)作為樣本數(shù)據(jù)，其中前12個(gè)作為訓(xùn)練樣本，后4個(gè)用于測(cè)試，利用MATLAB R2016b平臺(tái)建立神經(jīng)網(wǎng)絡(luò)權(quán)重修正模型并進(jìn)行神經(jīng)網(wǎng)絡(luò)仿真實(shí)驗(yàn)。設(shè)定目標(biāo)最小誤差為0.001，學(xué)習(xí)速率為0.01，允許最大訓(xùn)練步數(shù)為1 000步，對(duì)選取樣本初步訓(xùn)練，尋找最佳隱含層神經(jīng)元節(jié)點(diǎn)數(shù)。本次訓(xùn)練的最佳隱含層神經(jīng)元節(jié)點(diǎn)數(shù)為5。

BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果如圖5、圖6所示，可以看出預(yù)測(cè)值和實(shí)際值的誤差小，擬合效果好。均方誤差MSE=0.003 214 3、平均絕對(duì)誤差MAE=0.012 857、平均絕對(duì)百分比誤差MAPE=2.636%，總體優(yōu)化R值均達(dá)到較好的優(yōu)度，為0.986 36。因此該訓(xùn)練模型可以用來(lái)優(yōu)化指標(biāo)權(quán)重。

由BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果可知，北京市洪澇災(zāi)害承災(zāi)體脆弱性指標(biāo)權(quán)重訓(xùn)練誤差Error遠(yuǎn)小于設(shè)定的目標(biāo)誤差0.001，訓(xùn)練結(jié)果較好。

通過(guò)計(jì)算可以得到BP神經(jīng)網(wǎng)絡(luò)優(yōu)化后的權(quán)重，與熵權(quán)初始權(quán)重進(jìn)行對(duì)比，結(jié)果如圖7所示。

由圖7可知，人口密度、經(jīng)濟(jì)密度、POI密度和耕地面積比重在所有指標(biāo)中所占的權(quán)重降低，老少人口比例、衛(wèi)生機(jī)構(gòu)數(shù)量、排水管網(wǎng)密度及水利、環(huán)境和公共設(shè)施管理從業(yè)人數(shù)的指標(biāo)權(quán)重增大，其他指標(biāo)所占權(quán)重基本持平。與熵權(quán)法相比，經(jīng)濟(jì)密度依舊是暴露度中所占權(quán)重最高的指標(biāo)。在敏感性中，POI密度還是占比最多的指標(biāo)，而經(jīng)過(guò)BP神經(jīng)網(wǎng)絡(luò)優(yōu)化的老少人口比例指標(biāo)成為敏感性中第二重要的指標(biāo)。權(quán)重優(yōu)化前，居民人均可支配收入是適應(yīng)能力中最重要的指標(biāo)，經(jīng)過(guò)BP神經(jīng)網(wǎng)絡(luò)優(yōu)化后，排水管網(wǎng)密度成為適應(yīng)能力中最重要的指標(biāo)?？梢钥闯?，經(jīng)過(guò)BP神經(jīng)網(wǎng)絡(luò)優(yōu)化模型修正后的指標(biāo)權(quán)重既保留了熵權(quán)法的原始意義，也使得指標(biāo)權(quán)重更加客觀，因此，基于BP神經(jīng)網(wǎng)絡(luò)權(quán)重優(yōu)化模型適用于北京市洪澇災(zāi)害承災(zāi)體脆弱性評(píng)估。

4 評(píng)估結(jié)果與分析

在ArcGIS中，將BP神經(jīng)網(wǎng)絡(luò)優(yōu)化模型所得到的權(quán)重和標(biāo)準(zhǔn)化處理后的指標(biāo)數(shù)據(jù)代入公式（15）進(jìn)行加權(quán)綜合計(jì)算。Hj=ni=1wixij（15）式中：Hj為指標(biāo)評(píng)估指數(shù)；wi為指標(biāo)權(quán)重值；xij為指標(biāo)標(biāo)準(zhǔn)化處理后的數(shù)據(jù)。

為了方便觀察，根據(jù)國(guó)內(nèi)外承災(zāi)體脆弱性評(píng)估領(lǐng)域分級(jí)標(biāo)準(zhǔn)，通過(guò)ArcGIS工具中的自然斷點(diǎn)法將洪澇災(zāi)害承災(zāi)體暴露度、敏感性、適應(yīng)能力和脆弱性分為4個(gè)等級(jí)。

圖8為暴露度等級(jí)區(qū)劃圖，北京市洪澇災(zāi)害承災(zāi)體暴露度等級(jí)整體上呈現(xiàn)東南高、西北低的趨勢(shì)。從洪澇災(zāi)害承災(zāi)體暴露度指標(biāo)所占的權(quán)重來(lái)看，北京市面對(duì)洪澇災(zāi)害主要的承災(zāi)體暴露指標(biāo)為人口密度、經(jīng)濟(jì)密度和路網(wǎng)密度。東城區(qū)、西城區(qū)作為北京市城市中心，人口密度高，經(jīng)濟(jì)發(fā)達(dá)，市區(qū)內(nèi)路網(wǎng)密度高，靠近城市中心的朝陽(yáng)區(qū)、海淀區(qū)、豐臺(tái)區(qū)、石景山區(qū)和通州、順義、大興大部分地區(qū)，經(jīng)濟(jì)發(fā)展速度快，居住人口集中，地形較為平坦，路網(wǎng)密度高，這些地區(qū)洪澇災(zāi)害承災(zāi)體暴露度高；位于中心城區(qū)周邊的地區(qū)，如昌平和懷柔的東南地區(qū)，密云和平谷的西南地區(qū)，房山和通州的東北地區(qū)，在中心城區(qū)發(fā)展的帶動(dòng)下，許多新興住宅區(qū)和商業(yè)區(qū)得以建設(shè)，人口、經(jīng)濟(jì)、道路持續(xù)增加，其洪澇災(zāi)害承災(zāi)體暴露度較高；而位于邊緣地區(qū)的門(mén)頭溝區(qū)、懷柔區(qū)、房山區(qū)西南山區(qū)、延慶和昌平北部山區(qū)以及密云和平谷的東北地區(qū)，由于人口稀少，經(jīng)濟(jì)發(fā)展緩慢，地形崎嶇，路網(wǎng)密度低，其洪澇災(zāi)害承災(zāi)體暴露度低。

受北京市社會(huì)活力、POI密度和老少人口比例承災(zāi)體敏感性指標(biāo)的影響，北京市洪澇災(zāi)害承災(zāi)體敏感性等級(jí)區(qū)劃整體上呈現(xiàn)東部平原地區(qū)高，西部山區(qū)低的趨勢(shì)，如圖9所示。東部地區(qū)多位于平原地區(qū)，土地利用率高，作為北京市中心的城六區(qū)（東城區(qū)、西城區(qū)、朝陽(yáng)區(qū)、海淀區(qū)、豐臺(tái)區(qū)、石景山區(qū)），擁有眾多的商業(yè)區(qū)、工業(yè)區(qū)和科技高新區(qū)，POI主要以商業(yè)、服務(wù)業(yè)、科技文化為主，其居住人口老年人口比例高，面對(duì)洪澇災(zāi)害承災(zāi)體敏感性等級(jí)高；而靠近城六區(qū)的昌平東南部、順義區(qū)、通州西北部、大興區(qū)和房山東北部地區(qū)地勢(shì)較為平坦，社會(huì)發(fā)展較快，多為中年人口集中區(qū)域，老少人口比例相對(duì)城六區(qū)較低，面對(duì)洪澇災(zāi)害的承災(zāi)體敏感性等級(jí)較高；相對(duì)于北京市中心城區(qū)，延慶區(qū)、昌平西北部和密云山區(qū)的社會(huì)活力和POI密度相對(duì)較低，第三產(chǎn)業(yè)發(fā)展水平較低，城市化程度不高，建設(shè)用地相對(duì)較少，而且老少人口比例相對(duì)平衡，沒(méi)有像城市中心區(qū)域那樣老齡化的問(wèn)題，這些因素都減少了洪澇災(zāi)害發(fā)生的可能性，因此，洪澇災(zāi)害承災(zāi)體敏感性等級(jí)較低；而位于太行山脈余支的門(mén)頭溝區(qū)和房山區(qū)以及山峰較多、地形崎嶇的懷柔區(qū)不易建設(shè)開(kāi)發(fā)，發(fā)展緩慢，POI密度低，住宅區(qū)少，老少人口占比低，其洪澇災(zāi)害承災(zāi)體敏感性等級(jí)低。

從洪澇災(zāi)害承災(zāi)體適應(yīng)能力評(píng)估指標(biāo)所占權(quán)重來(lái)看，對(duì)適應(yīng)洪澇災(zāi)害、減少損失貢獻(xiàn)最多的3個(gè)指標(biāo)為排水管網(wǎng)密度、植被覆蓋率和衛(wèi)生機(jī)構(gòu)數(shù)量。受這3個(gè)主要指標(biāo)的影響，北京市洪澇災(zāi)害承災(zāi)體適應(yīng)能力等級(jí)區(qū)劃的空間分布特征具有明顯的差異性，大體呈現(xiàn)南高北低的趨勢(shì)，如圖10所示。市區(qū)內(nèi)的東城區(qū)、西城區(qū)、海淀區(qū)等中心城區(qū)相對(duì)于其他區(qū)域而言，排水管網(wǎng)較為完善，相應(yīng)的排水設(shè)施也比較齊全，因此在面對(duì)洪澇災(zāi)害時(shí)，這些區(qū)域的排水能力相對(duì)較強(qiáng)，而且市區(qū)中心區(qū)域相對(duì)較為密集，衛(wèi)生機(jī)構(gòu)數(shù)量相對(duì)較多，因此在面對(duì)洪澇災(zāi)害時(shí)，這些區(qū)域的醫(yī)療救援和衛(wèi)生保障能力相對(duì)較強(qiáng)，適應(yīng)能力高；而房山區(qū)、昌平區(qū)、懷柔區(qū)南部山區(qū)和郊區(qū)相對(duì)于市區(qū)中心區(qū)域而言，植被覆蓋率較高，植被的根系能夠防止土壤侵蝕，保持土壤的穩(wěn)定性，減少水土流失和土石流等災(zāi)害的發(fā)生，因此這些區(qū)域的洪澇災(zāi)害承災(zāi)體適應(yīng)能力相對(duì)較高；門(mén)頭溝、懷柔區(qū)、密云區(qū)部分地區(qū)排水管網(wǎng)相對(duì)薄弱，植被覆蓋不理想，洪澇災(zāi)害承災(zāi)體適應(yīng)能力較低；延慶區(qū)、平谷區(qū)位于山區(qū)和丘陵地帶，供水能力不足，由于人類(lèi)活動(dòng)頻繁，土地裸露，而且相對(duì)于北京市中心城區(qū)和其他發(fā)達(dá)城區(qū)，延慶區(qū)、平谷區(qū)的衛(wèi)生機(jī)構(gòu)數(shù)量較少，因此，其洪澇災(zāi)害承災(zāi)體適應(yīng)能力低。

受洪澇災(zāi)害承災(zāi)體暴露度和敏感性的主要影響，北京市洪澇災(zāi)害承災(zāi)體脆弱性在空間上呈現(xiàn)東南平原區(qū)域高西北山地區(qū)域低的特征，如圖11所示。東南平原地區(qū)包括城六區(qū)、昌平東南區(qū)域、房山東北區(qū)域、通州、大興和順義區(qū)等。這些地區(qū)地勢(shì)平坦，水系分布密集，面臨著城市化和人口密集等因素帶來(lái)的壓力，面對(duì)洪澇災(zāi)害的脆弱性高。西北山區(qū)主要包括門(mén)頭溝區(qū)、懷柔區(qū)、密云區(qū)、延慶區(qū)等地。這些地區(qū)地形復(fù)雜，地勢(shì)較高，水系分布相對(duì)稀疏，由于地勢(shì)高峻，城鎮(zhèn)化建設(shè)水平落后于東南平原地區(qū)，人口分布稀疏，面對(duì)洪澇災(zāi)害的脆弱性低。

為驗(yàn)證洪澇災(zāi)害承災(zāi)體脆弱性區(qū)劃是否符合實(shí)際，選擇北京市2次典型暴雨洪澇災(zāi)害案例進(jìn)行分析。

（1） 2008年7月，北京市遭遇了一次特大暴雨襲擊，導(dǎo)致城區(qū)多地發(fā)生洪澇災(zāi)害。受災(zāi)最嚴(yán)重的是西城區(qū)、豐臺(tái)區(qū)、朝陽(yáng)區(qū)等地。根據(jù)官方統(tǒng)計(jì)，該次洪澇災(zāi)害共造成77人死亡，失蹤7人，受災(zāi)人數(shù)達(dá)到118萬(wàn)，直接經(jīng)濟(jì)損失達(dá)71.4億元。在西城區(qū)，西單商場(chǎng)地下一層被淹，造成重大財(cái)產(chǎn)損失。豐臺(tái)區(qū)，玉泉營(yíng)、南四環(huán)等地區(qū)受災(zāi)最為嚴(yán)重，多處道路被淹，多個(gè)小區(qū)被淹沒(méi)，居民被困。在朝陽(yáng)區(qū)，雙井地區(qū)、東三環(huán)等地區(qū)也遭受了洪澇災(zāi)害的襲擊。

（2） 2012年7月21～22日，北京市再次遭遇大范圍特大暴雨襲擊，多地出現(xiàn)洪澇災(zāi)害。受災(zāi)最嚴(yán)重的是朝陽(yáng)區(qū)、海淀區(qū)、通州區(qū)等地。根據(jù)官方統(tǒng)計(jì)，該次洪澇災(zāi)害共造成79人死亡，5人失蹤，受災(zāi)人數(shù)超過(guò)170萬(wàn)，直接經(jīng)濟(jì)損失達(dá)36.54億元。在朝陽(yáng)區(qū)，多個(gè)小區(qū)被淹沒(méi)，許多車(chē)輛被淹，道路、橋梁受損，造成交通癱瘓。在海淀區(qū)，北京大學(xué)、清華大學(xué)等高校遭受洪澇災(zāi)害襲擊，部分校區(qū)被淹。在通州區(qū)，多個(gè)鄉(xiāng)鎮(zhèn)和村莊受災(zāi)，農(nóng)田被淹，許多農(nóng)作物受災(zāi)，造成重大農(nóng)業(yè)損失。

與本文北京市洪澇災(zāi)害承災(zāi)體脆弱性區(qū)劃對(duì)比分析來(lái)看，這2次暴雨洪澇災(zāi)害受災(zāi)最嚴(yán)重的地區(qū)均位于洪澇災(zāi)害承災(zāi)體脆弱性程度高的區(qū)域。2次洪澇災(zāi)害對(duì)北京市造成的人員傷亡、財(cái)產(chǎn)損失、商鋪破壞、道路損壞和農(nóng)田受災(zāi)尤為突出，表明本文選取的承災(zāi)體脆弱性指標(biāo)能夠較好地反映實(shí)際情況?？偟膩?lái)看，評(píng)估結(jié)果與北京市各區(qū)洪澇災(zāi)害實(shí)際發(fā)生及防洪防汛狀況基本吻合，說(shuō)明根據(jù)本文提出的權(quán)重優(yōu)化模型進(jìn)行的洪澇災(zāi)害承災(zāi)體脆弱性評(píng)估結(jié)果科學(xué)可信。

5 結(jié)論與建議

本文通過(guò)構(gòu)建洪澇災(zāi)害承災(zāi)體脆弱性評(píng)估指標(biāo)體系和基于優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的評(píng)估模型，對(duì)北京市16個(gè)市轄區(qū)的洪澇災(zāi)害承災(zāi)體脆弱性進(jìn)行了評(píng)估，結(jié)論如下：

（1） 北京市洪澇災(zāi)害承災(zāi)體暴露度整體呈現(xiàn)東南高、西北低的趨勢(shì)，主要承災(zāi)體暴露指標(biāo)為人口密度、經(jīng)濟(jì)密度和路網(wǎng)密度。

（2） 北京市洪澇災(zāi)害承災(zāi)體敏感性等級(jí)整體上呈現(xiàn)東部平原地區(qū)高、西部山區(qū)低的趨勢(shì)，城市中心區(qū)域敏感性等級(jí)較高，而山區(qū)和人口稀少地區(qū)敏感性等級(jí)較低。

（3） 排水管網(wǎng)密度、植被覆蓋率和衛(wèi)生機(jī)構(gòu)數(shù)量是適應(yīng)洪澇災(zāi)害、減少損失的主要指標(biāo)，北京市洪澇災(zāi)害承災(zāi)體適應(yīng)能力等級(jí)區(qū)劃空間分布呈現(xiàn)南高北低的趨勢(shì)。

（4） 北京市洪澇災(zāi)害承災(zāi)體脆弱性呈現(xiàn)由東南向西北逐漸降低的空間分布趨勢(shì)，城市中心區(qū)的脆弱性等級(jí)較高，而邊緣地區(qū)的脆弱性等級(jí)相對(duì)較低。

為了降低北京市洪澇災(zāi)害承災(zāi)體的脆弱性，提高承災(zāi)體的適應(yīng)能力，提出以下幾點(diǎn)建議：

（1） 對(duì)城六區(qū)以及周邊城鎮(zhèn)化水平高的區(qū)域優(yōu)化城市空間布局，減少城市密度，降低城市脆弱性。合理規(guī)劃城市土地利用方式，增加城市綠地、水源涵養(yǎng)和調(diào)節(jié)功能，降低地面覆蓋率，使城市更具有自然排水功能。

（2） 對(duì)于門(mén)頭溝區(qū)、懷柔區(qū)及延慶區(qū)可以加強(qiáng)城市防洪工程建設(shè)，增加防洪設(shè)施的數(shù)量和質(zhì)量，提高城市的防洪能力。加強(qiáng)對(duì)居民的防災(zāi)減災(zāi)教育和培訓(xùn)，提高居民的防災(zāi)減災(zāi)意識(shí)和應(yīng)急能力，增強(qiáng)居民的抗洪意識(shí)和能力。

（3） 加強(qiáng)洪澇災(zāi)害監(jiān)測(cè)和預(yù)警，及時(shí)發(fā)布洪澇預(yù)警信息，提高居民應(yīng)急響應(yīng)能力，減少洪澇災(zāi)害對(duì)人民生命財(cái)產(chǎn)安全的影響。

參考文獻(xiàn)：

［1］程朋根，黃毅.基于AHP-熵權(quán)法的南昌市洪澇風(fēng)險(xiǎn)評(píng)估［J］.人民長(zhǎng)江，2021，52（10）：18-25.

［2］朱凈萱，戴強(qiáng)，蔡俊逸，等.基于多智能體的城市洪澇災(zāi)害動(dòng)態(tài)脆弱性計(jì)算模型構(gòu)建［J］.地球信息科學(xué)學(xué)報(bào)，2021，23（10）：1787-1797.

［3］姚蕊，楊群濤，張書(shū)亮.城市暴雨內(nèi)澇災(zāi)害脆弱性研究綜述［J］.水資源保護(hù)，2023，39（1）：93-100.

［4］ZENG W Y，SHEN H L，WANG H，et al.Quantitative assessment of urban flood disaster vulnerability based on text data：case study in Zhengzhou［J］.Water Supply，2020，20（2）：1-16.

［5］王大洋.基于改進(jìn)博弈論組合權(quán)重的云模型在城市洪澇易損性評(píng)價(jià)中的應(yīng)用［J］.人民珠江，2020，41（11）：30-36.

［6］張乾柱，王彤彤，盧陽(yáng)，等.基于AHP-GIS的重慶市山洪災(zāi)害風(fēng)險(xiǎn)區(qū)劃研究［J］.長(zhǎng)江流域資源與環(huán)境，2019，28（1）：91-102.

［7］梁翔，朱積軍，羅優(yōu)，等.基于改進(jìn)AHP法的蓄滯洪區(qū)可持續(xù)發(fā)展模糊評(píng)價(jià)［J］.人民長(zhǎng)江，2020，51（5）：17-21.

［8］DUBEY S P，MUKUL K，MUDIT K.Flood vulnerability assessment using data envelopment analysis-the case of Narmada river basin districts in central India［J］.Water Policy，2021，23（5）：1089-1106.

［9］吳浩然，龍健，許光達(dá)，等.基于熵權(quán)法和TOPSIS法的城市洪澇災(zāi)害承災(zāi)體脆弱性評(píng)價(jià)［J］.自然災(zāi)害學(xué)報(bào)，2019，28（3）：163-171.

［10］XU H，MA C，LIAN J，et al.Urban flooding risk assessment based on an integrated k-means cluster algorithm and improved entropy weight method in the region of Haikou，China［J］.Journal of Hydrology，2018，563：975-986.

［11］DUNG P，SHANNON R，F(xiàn)EBI D，et al.The spatial distribution of vulnerability to the health impacts of flooding in the Mekong Delta，Vietnam.［J］.International Journal of Biometeorology，2016，60（6）：857-65.

［12］謝捷，劉瑋，徐月順，等.基于AHP-熵權(quán)法的西寧地區(qū)汛期暴雨災(zāi)害風(fēng)險(xiǎn)評(píng)估［J］.自然災(zāi)害學(xué)報(bào)，2022，31（3）：60-74.

［13］陳軍飛，李倩，鄧夢(mèng)華，等.基于隨機(jī)森林與可變模糊集的城市洪澇脆弱性評(píng)估［J］.長(zhǎng)江流域資源與環(huán)境，2020，29（11）：2551-2562.

［14］程先富，匡毅，趙陽(yáng).基于BP神經(jīng)網(wǎng)絡(luò)的洪澇災(zāi)害風(fēng)險(xiǎn)評(píng)價(jià)：以杭埠河流域?yàn)槔跩］.皖西學(xué)院學(xué)報(bào)，2015，31（2）：1-4.

［15］單九生，徐星生，樊建勇，等.基于GIS的BP神經(jīng)網(wǎng)絡(luò)洪澇災(zāi)害評(píng)估模型研究［J］.江西農(nóng)業(yè)大學(xué)學(xué)報(bào)，2009，31（4）：777-780.

［16］羅紫元，田健，丁鍶湲，等.基于熵權(quán)TOPSIS和神經(jīng)網(wǎng)絡(luò)復(fù)合方法的廈門(mén)市雨洪災(zāi)害風(fēng)險(xiǎn)評(píng)估［J］.災(zāi)害學(xué)，2022，37（4）：184-192.

［17］薛志春，邸蘇闖，李永坤，等.基于可變集理論的北京市城市洪澇易損性評(píng)價(jià)［J］.中國(guó)防汛抗旱，2021，31（9）：37-42，61.

［18］游溫嬌，張永領(lǐng).洪災(zāi)社會(huì)脆弱性指標(biāo)體系研究［J］.災(zāi)害學(xué)，2013，28（3）：215-220.

［19］鄒朝望，孫媛媛，謝伯承.湖南省洪澇災(zāi)害風(fēng)險(xiǎn)評(píng)估研究［J］.人民長(zhǎng)江，2010，41（11）：63-65.

［20］WILBY R L，KEENAN R.Adapting to flood risk under climate change［J］.Progress in Physical Geography，2012，36（3）；1-14.

［21］張振，張以晨，張繼權(quán)，等.基于熵權(quán)法和TOPSIS模型的城市韌性評(píng)估：以長(zhǎng)春市為例［J］.災(zāi)害學(xué)，2023，38（1）：213-219.

［22］康維，龔雪蕾.基于熵權(quán)法和BP神經(jīng)網(wǎng)絡(luò)的道路交通安全度評(píng)價(jià)模型及應(yīng)用研究［J］.洛陽(yáng)理工學(xué)院學(xué)報(bào)（自然科學(xué)版），2019，29（4）：11-17，60.

［23］施夢(mèng)慧.基于熵權(quán)法-BP神經(jīng)網(wǎng)絡(luò)的區(qū)域物流評(píng)價(jià)研究［D］.合肥：合肥工業(yè)大學(xué)，2020.

［24］王磊.基于熵權(quán)法-BP神經(jīng)網(wǎng)絡(luò)的城市中心區(qū)低效用地識(shí)別評(píng)價(jià)研究［D］.南京：南京師范大學(xué)，2021.

［25］王倩雯，曾堅(jiān)，辛儒鴻.基于GIS多準(zhǔn)則評(píng)價(jià)與BP神經(jīng)網(wǎng)絡(luò)的暴雨洪澇災(zāi)害風(fēng)險(xiǎn)辨識(shí)：以閩三角地區(qū)為例［J］.災(zāi)害學(xué)，2021，36（1）：192-200.

［26］劉瑞寧，羅征文.基于BP算法的小型水庫(kù)應(yīng)急管理風(fēng)險(xiǎn)評(píng)估方法研究［J］.水利水電快報(bào)，2023，44（10）：77-81.

（編輯：郭甜甜）

Assessment on vulnerability of flood disaster bearing body based on BP neural networkYUAN Xushan，LIU Jinghui，SONG Ke

（School of Emergency Management，Institute of Disaster Prevention，Langfang 065201，China）

Abstract： To reduce the damage of flood disasters to the bearing body，Beijing City as an example，an assessment framework for vulnerability of flood disaster bearing body considering exposure，sensitivity and adaptive capacity was developed.The entropy-weighted TOPSIS algorithm was applied to objectively weight the vulnerability indicators of flood disaster bearing body and obtain the standardized vulnerability index.The initial weights and vulnerability indices were used as input and output datasets，respectively，for training a BP neural network to obtain optimized weights.Furthermore，the ArcGIS technique was combined to assess the vulnerability of flood disaster bearing body，and the natural break method was used to classify the vulnerability into 4 levels.The results showed that：①Population density，economic density，urban POI density，vegetation coverage and drainage pipe network significantly influenced the vulnerability of flood disaster bearing body in Beijing City.②The vulnerability of flood disaster bearing body in Beijing city gradually decreased from southeast to northwest in spatial distribution，with higher vulnerability levels in the central urban area and lower vulnerability levels in the peripheral areas.The research results have certain guiding significance for reducing the vulnerability of flood disaster bearing body in Beijing City，and the weight optimization model and vulnerability assessment model can also be applied to the other cities.

Key words： flood disasters；vulnerability of disaster bearing body；entropy weight method；TOPSIS；BP neural network；ArcGIS；Beijing City

收稿日期：2023-07-18；接受日期：2023-10-06

基金項(xiàng)目：國(guó)家自然科學(xué)基金項(xiàng)目（72174019）

作者簡(jiǎn)介：袁旭山，男，碩士研究生，主要從事災(zāi)害監(jiān)測(cè)與評(píng)估研究。E-mail：2505475983@qq.com

通信作者：劉京會(huì)，女，副教授，博士，主要從事災(zāi)害監(jiān)測(cè)與評(píng)估、災(zāi)害遙感與GIS應(yīng)用研究。E-mail：liujh@cidp.edu.cn