蔡菁菁 程先富

收稿日期：2022-11-17

基金項(xiàng)目：國(guó)家自然科學(xué)基金項(xiàng)目（41271516）.

作者簡(jiǎn)介：蔡菁菁（1998—），女，安徽合肥市人，碩士研究生，主要從事洪澇災(zāi)害研究；通訊作者：程先富（1966—），男，安徽合肥市人，教授，博士生導(dǎo)師，主要從事環(huán)境演變與自然災(zāi)害風(fēng)險(xiǎn)評(píng)價(jià)研究，E-mail： xianfucheng@sina.com.

引用格式：蔡菁菁，程先富. 霍山縣洪澇災(zāi)害易發(fā)性評(píng)價(jià)及其與地形因子的關(guān)系——基于卷積神經(jīng)網(wǎng)絡(luò)的研究［J］.安徽師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2023，46（5）：440-447.

DOI：10.14182/J.cnki.1001-2443.2023.05.005

摘要：受全球氣候變化和山地地形的影響，山區(qū)洪澇嚴(yán)重威脅人民的生命和財(cái)產(chǎn)安全。根據(jù)信息增益率分析指標(biāo)的重要性，建立評(píng)價(jià)指標(biāo)體系，利用卷積神經(jīng)網(wǎng)絡(luò)建立洪澇災(zāi)害易發(fā)性評(píng)價(jià)模型，對(duì)霍山縣洪澇災(zāi)害易發(fā)性進(jìn)行評(píng)價(jià)，繪制洪澇災(zāi)害易發(fā)性圖，分析了地形因子對(duì)洪澇的影響。結(jié)果表明：卷積神經(jīng)網(wǎng)絡(luò)模型適用于洪澇災(zāi)害易發(fā)性評(píng)價(jià)；霍山縣北部較南部洪澇災(zāi)害發(fā)生概率高，經(jīng)濟(jì)開發(fā)區(qū)和下符橋鎮(zhèn)是洪澇災(zāi)害易發(fā)重災(zāi)區(qū)，磨子潭鎮(zhèn)發(fā)生洪澇災(zāi)害的可能性低；低海拔、緩坡及低起伏度的地區(qū)是洪澇災(zāi)害頻發(fā)區(qū)域。洪澇災(zāi)害易發(fā)性評(píng)價(jià)可為降低洪澇危害提供科學(xué)依據(jù)。

關(guān)鍵詞：卷積神經(jīng)網(wǎng)絡(luò)模型；洪澇災(zāi)害易發(fā)性評(píng)價(jià)；地形因子；霍山縣

中圖分類號(hào)：X43 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)： 1001-2443（2023）05-0440-08

易發(fā)性是指一個(gè)地區(qū)發(fā)生某一事件的可能性，洪澇災(zāi)害易發(fā)性評(píng)價(jià)是指基于地理環(huán)境條件分析區(qū)域洪澇災(zāi)害的易發(fā)程度，即發(fā)生洪澇的可能性［1-2］。安徽省洪澇頻發(fā)，2020年安徽省因洪澇共有1046.5萬人受災(zāi)，直接經(jīng)濟(jì)損失600.7億元［3］?；羯娇h位于大別山區(qū)腹地，河流較多，夏季降雨集中且時(shí)間長(zhǎng)，洪澇災(zāi)害常發(fā)。2020年，霍山縣氣象局發(fā)布，截至7月20日，霍山縣農(nóng)作物受災(zāi)面積8896ha，農(nóng)業(yè)損失12 695萬元。洪澇是山區(qū)最主要的自然災(zāi)害之一，山區(qū)洪澇常引發(fā)泥石流和滑坡，對(duì)工業(yè)和農(nóng)業(yè)的發(fā)展造成嚴(yán)重的破壞，甚至給人民的生命帶來威脅，防洪減災(zāi)是應(yīng)急管理的一個(gè)重要組成部分［4］。

近幾年，洪澇災(zāi)害具有增強(qiáng)的趨勢(shì)，確定洪澇易發(fā)區(qū)可以減少洪澇帶來的損失［5-6］。洪澇災(zāi)害的發(fā)生是一個(gè)復(fù)雜過程，目前應(yīng)用于洪澇災(zāi)害易發(fā)性評(píng)價(jià)的方法主要有多準(zhǔn)則決策方法，統(tǒng)計(jì)模型和機(jī)器學(xué)習(xí)［7］。多準(zhǔn)則決策方法包括層次分析法［8］、優(yōu)劣解距離法［9］和分析網(wǎng)絡(luò)過程［10］等，依賴于研究者的經(jīng)驗(yàn)，具有主觀性；統(tǒng)計(jì)模型主要有頻率比［11］、香農(nóng)熵［12］和邏輯回歸［13］等，統(tǒng)計(jì)洪澇災(zāi)害與發(fā)生環(huán)境的線性關(guān)系，未探究其中復(fù)雜的非線性結(jié)構(gòu)；隨著機(jī)器學(xué)習(xí)的發(fā)展，支持向量機(jī)［14］、人工神經(jīng)網(wǎng)絡(luò)［15］和K近鄰［16］等機(jī)器學(xué)習(xí)方法被廣泛應(yīng)用于洪澇災(zāi)害易發(fā)區(qū)識(shí)別，機(jī)器學(xué)習(xí)深入研究洪澇災(zāi)害發(fā)生的復(fù)雜非線性關(guān)系。近幾年，深度學(xué)習(xí)在災(zāi)害研究中受到廣泛的關(guān)注，相對(duì)于機(jī)器學(xué)習(xí)，深度學(xué)習(xí)對(duì)數(shù)據(jù)處理更加深入，其結(jié)果準(zhǔn)確性更高［18-20］。卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network， CNN）是一種典型的深度學(xué)習(xí)，通過提取數(shù)據(jù)內(nèi)部的特征進(jìn)行模擬。卷積神經(jīng)網(wǎng)絡(luò)通過卷積層和池化層等多層網(wǎng)絡(luò)結(jié)構(gòu)提取洪澇災(zāi)害與環(huán)境變量之間的特征，計(jì)算洪澇災(zāi)害易發(fā)性模擬結(jié)果。

霍山縣境內(nèi)的淠河及所屬的淮河流域是洪澇災(zāi)害風(fēng)險(xiǎn)研究的重點(diǎn)區(qū)域，目前主要從降雨量分析洪澇災(zāi)害，王勝等［21］研究淠河流域山洪災(zāi)害風(fēng)險(xiǎn)區(qū)劃，張正濤等［22］對(duì)不同重現(xiàn)期下淮河流域暴雨洪澇災(zāi)害風(fēng)險(xiǎn)進(jìn)行評(píng)價(jià)。從地形因子分析洪澇災(zāi)害的研究較少。以霍山縣為研究區(qū)域，根據(jù)洪澇災(zāi)害事件，利用卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)霍山縣洪澇災(zāi)害易發(fā)性進(jìn)行評(píng)價(jià)，繪制了洪澇災(zāi)害易發(fā)性圖［1，6］。分析山區(qū)地形因子對(duì)洪澇災(zāi)害的影響，識(shí)別霍山縣易受洪水影響的區(qū)域，為災(zāi)害治理、防災(zāi)減災(zāi)對(duì)策制定等工作提供支持，利于保護(hù)洪澇易發(fā)區(qū)人民生命安全和資源環(huán)境。

1 研究區(qū)概況與研究方法

1.1 研究區(qū)概況

霍山縣位于安徽省西部，介于31°03′N-31°33′N，115°52′E-116°32′E（圖1），總面積2043km2，下轄16個(gè)鄉(xiāng)鎮(zhèn)和1個(gè)經(jīng)濟(jì)開發(fā)區(qū)。位于大別山區(qū)腹地，地勢(shì)南高北低，山地面積約占80%，河流主要分為淠河水系和杭埠河水系?；羯娇h屬于亞熱帶濕潤(rùn)季風(fēng)氣候區(qū)，多年平均氣溫15.8℃，年平均降水量大約1366mm，夏季降水量占全年的44.1%，集中的降水和山區(qū)地形，導(dǎo)致霍山縣洪澇災(zāi)害常發(fā)，該縣的經(jīng)濟(jì)發(fā)展受到洪澇影響嚴(yán)重。

1.2 數(shù)據(jù)來源

根據(jù)六安市和霍山縣政府網(wǎng)站記載的發(fā)生在2015—2020年洪澇，利用ArcGIS建立洪澇災(zāi)害空間數(shù)據(jù)庫(kù)。降水量數(shù)據(jù)源于國(guó)家氣象信息中心（https：//data.cma.cn）實(shí)測(cè)的國(guó)家氣象站點(diǎn)2000—2020年日值降雨數(shù)據(jù)，選擇麻城、天柱山、商城、金寨、六安、霍山、舒城、岳西、桐城、肥西、合肥、肥東、廬江、羅田、英山、潛山、懷寧、樅陽、安慶、池州等20個(gè)氣象站點(diǎn)，計(jì)算每個(gè)氣象站點(diǎn)年均降雨量、五年一遇暴雨強(qiáng)度和十年一遇暴雨強(qiáng)度，利用ArcGIS地統(tǒng)計(jì)向?qū)нM(jìn)行克里金插值為30m分辨率柵格數(shù)據(jù)；數(shù)字高程模型（Digital Elevation Model， DEM）來源于地理空間數(shù)據(jù)云（http：//www. gscloud.cn）中GDEMV2 30M分辨率數(shù)字高程數(shù)據(jù)，提取海拔、坡度、坡向、曲率、地形濕度指數(shù)和水流強(qiáng)度系數(shù)；河網(wǎng)數(shù)據(jù)來自1：25萬全國(guó)基礎(chǔ)地理數(shù)據(jù)庫(kù)（http：//www.webmap.cn）中水系數(shù)據(jù)，利用ArcGIS線密度和歐式距離工具計(jì)算河網(wǎng)密度和距河流距離；巖性地層數(shù)據(jù)來源于地質(zhì)科學(xué)數(shù)據(jù)出版系統(tǒng)（http：/dcc.cgs.gov.cn）中1：100萬中華人民共和國(guó)數(shù)字地質(zhì)圖空間數(shù)據(jù)庫(kù)，利用轉(zhuǎn)化工具將面要素轉(zhuǎn)為30m分辨率柵格數(shù)據(jù)；土壤類型來源于安徽省1：50萬土壤專題圖矢量化數(shù)據(jù)，利用矢量數(shù)據(jù)轉(zhuǎn)為30m分辨率柵格數(shù)據(jù)；土地利用數(shù)據(jù)從中國(guó)科學(xué)院資源環(huán)境科學(xué)與數(shù)據(jù)中心（http：//www.resdc.cn）下載2020年30m分辨率土地利用數(shù)據(jù)；植被指數(shù)基于GEE平臺(tái)（http：//earthengine.google.com），利用時(shí)間分辨率為5天，空間分辨率為10m的Sentinel-2衛(wèi)星影像計(jì)算2020年夏季和秋季植被指數(shù)均值，利用重采樣輸出30m分辨率柵格數(shù)據(jù)。

1.3 研究方法

信息增益率（Information Gain Ration， IGR）是評(píng)價(jià)影響因子對(duì)分類結(jié)果提供的信息量的方法，因子包含的信息量越多，該因子越重要，即IGR值越高，說明因子的影響力越大。計(jì)算公式：

[IGR（Y/X）=g（Y， X）Int（Y， X）] （1）

Y為整個(gè)訓(xùn)練數(shù)據(jù)集，X為特征因子數(shù)據(jù)集，g（Y， X）為信息增益，Int（Y， X）為各因子信息， IGR（Y/X）為各個(gè)因子的信息增益率。

卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network， CNN）通過對(duì)數(shù)據(jù)進(jìn)行表征學(xué)習(xí)，利用深度的神經(jīng)網(wǎng)絡(luò)，使模型對(duì)數(shù)據(jù)的理解更加深入，卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)一般有輸入層、卷積層、池化層、全連接層和輸出層［17，23］。利用卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)評(píng)價(jià)研究區(qū)洪澇災(zāi)害易發(fā)性，利用洪澇災(zāi)害影響因子構(gòu)成的N個(gè)x一維向量，用于模型的輸入數(shù)據(jù)，卷積層使用一組卷積核從輸入數(shù)據(jù)提取特征圖層，其計(jì)算公式：

[Cj=iNfwj*xi+bj，j=1，2，…，k] （2）

Cj為卷積輸出，f為非線性激活函數(shù)，*為卷積算子，xi為輸入的特征向量，卷積層中有k個(gè)核，第j個(gè)核的權(quán)值和偏重分別為wj和bj。利用ReLU激活函數(shù)層將卷積層提取的特征層激活，即經(jīng)過非線性激活函數(shù)的神經(jīng)元輸出為下一層的輸入，其計(jì)算公式為

[f（x）=max （0， Cj）] （3）

若訓(xùn)練樣本點(diǎn)較少時(shí)，可添加dropout層避免模型過擬合，提高模型計(jì)算能力。池化層一般分為平均池化層和最大池化層，為突出特征，選擇最大池化層，對(duì)特征層降維，提出最明顯特征，其計(jì)算公式：

[Si=maxi∈Nan×1i] （4）

i為池化位置，ain×1為池化在i上對(duì)應(yīng)的輸入數(shù)據(jù)，Si為池化輸出結(jié)果。全連接層中每個(gè)都連接池化層所提取的特征，并對(duì)其進(jìn)行重組，對(duì)于數(shù)據(jù)結(jié)果進(jìn)行分類，采用Softmax函數(shù)將提取的特征數(shù)據(jù)轉(zhuǎn)化為相應(yīng)的預(yù)測(cè)概率，計(jì)算公式：

[p（yi）=eyim=1Meyi] （5）

P（yi）表示輸出結(jié)果，即概率分布，yi表示類別數(shù)量，M為輸出節(jié)點(diǎn)的個(gè)數(shù)，即為分類的個(gè)數(shù)。

2 霍山縣洪澇災(zāi)害易發(fā)性評(píng)價(jià)

2.1 易發(fā)性評(píng)價(jià)指標(biāo)體系構(gòu)建

洪澇災(zāi)害與地理環(huán)境關(guān)系復(fù)雜，沒有統(tǒng)一評(píng)價(jià)指標(biāo)。根據(jù)文獻(xiàn)總結(jié)、研究區(qū)地理環(huán)境特征和可利用數(shù)據(jù)［24-27］，選擇2000—2020 年年均降水量、五年一遇暴雨強(qiáng)度、十年一遇暴雨強(qiáng)度、海拔、坡度、坡向、曲率、地形起伏度、地形濕度指數(shù)、水流強(qiáng)度指數(shù)、河網(wǎng)密度、距河流距離、巖性地層、土壤類型、土地利用、植被指數(shù)等16個(gè)因子。若因子之間存在線性關(guān)系，則無法判斷因子與洪澇災(zāi)害易發(fā)性之間的關(guān)系，需檢驗(yàn)因子是否存在共線性。常用容忍度和方差膨脹因子檢驗(yàn)因子之間的多重共線性。容忍度為1減去因子之間的相關(guān)性系數(shù)的平方，容忍度越小，因子相關(guān)系數(shù)越大，因子共線性越大；方差膨脹因子為容忍度的倒數(shù)，其值越大，因子之間的線性關(guān)系越大。一般認(rèn)為因子之間的容忍度>0.1，方差膨脹因子<10，因子之間不存在共線性［25］。由圖2可見，十年一遇暴雨強(qiáng)度因子容忍度低于0.1，方差膨脹因子達(dá)到14.09，該因子不適用于洪澇災(zāi)害易發(fā)性評(píng)價(jià)模型構(gòu)建。

通過IGR計(jì)算各因子對(duì)洪澇災(zāi)害的影響度，計(jì)算結(jié)果如圖2，土地利用、地形起伏度和植被指數(shù)是洪澇災(zāi)害的重要影響因子，IGR值分別為0.143、0.078和0.069。坡度（IGR=0.060）和高程（IGR=0.056）對(duì)于洪澇災(zāi)害有較高的影響。坡向（IGR=0.006），曲率（IGR=0.015）和巖性地層（IGR=0.017）對(duì)于洪澇災(zāi)害影響低。利用容忍度、方差膨脹因子和信息增益率等方法確定洪澇災(zāi)害發(fā)生影響高的因子，去除共線性較大和影響小的因子，以提高模擬的性能。因此，選擇2000—2020 年年均降雨量、五年一遇暴雨強(qiáng)度、海拔、坡度、地形起伏度、地形濕度指數(shù)、水流強(qiáng)度指數(shù)、河網(wǎng)密度、距河流距離、土壤類型、土地利用、植被指數(shù)等12個(gè)因子作為評(píng)價(jià)指標(biāo)。

2.2 易發(fā)性評(píng)價(jià)模型構(gòu)建

根據(jù)六安市和霍山縣政府網(wǎng)站記載的發(fā)生在2015—2020年洪澇事件，整理152個(gè)洪澇災(zāi)害點(diǎn)，利用GIS服務(wù)器在線地圖服務(wù)標(biāo)記出相應(yīng)的位置，隨機(jī)選擇洪澇災(zāi)害點(diǎn)之外的等量152個(gè)非洪澇災(zāi)害點(diǎn)。將洪澇災(zāi)害點(diǎn)作為正樣本，非洪澇災(zāi)害點(diǎn)作為負(fù)樣本，在304個(gè)樣本點(diǎn)中隨機(jī)選擇70%作為訓(xùn)練集，30%作為驗(yàn)證集。

利用訓(xùn)練集構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)模型用于洪澇易發(fā)性評(píng)價(jià)，評(píng)價(jià)中利用兩條神經(jīng)元來表達(dá)二分類問題，即發(fā)生或未發(fā)生洪澇災(zāi)害。圖3為模型運(yùn)行流程。洪澇災(zāi)害易發(fā)性評(píng)價(jià)選擇12個(gè)影響因子，構(gòu)成12個(gè)一維向量，卷積層通過卷積核對(duì)輸入數(shù)據(jù)計(jì)算提取特征層，卷積核大小決定局部特征，設(shè)置3×1卷積核連接輸入向量的局部特征，在模型中是利用卷積核對(duì)輸入數(shù)據(jù)進(jìn)行濾波。卷積提取的特征層通過非線性ReLU激勵(lì)函數(shù)傳遞。Dropout層是預(yù)防樣本點(diǎn)較少引起神經(jīng)網(wǎng)絡(luò)模型過擬合，以提高模型計(jì)算性能，參數(shù)設(shè)置為0.2，最大池化層將相鄰特征合并為最大特征值，用以降低參數(shù)，最大池核參數(shù)設(shè)置為3×1。全連接層連接前一層的輸出特征，降低特征數(shù)據(jù)維度，經(jīng)過Softmax層轉(zhuǎn)化為概率，以概率值判斷洪澇災(zāi)害可能性［28］。

2.3 模型驗(yàn)證

受試者工作特征曲線（Receiver Operating Characteristic， ROC）是一種將結(jié)果評(píng)價(jià)圖式化的方法，ROC圖顯示Y軸上的敏感性和X軸上的1-特異性之間的關(guān)系，根據(jù)樣本實(shí)際結(jié)果，敏感性為模型正確預(yù)測(cè)洪澇災(zāi)害發(fā)生的概率，特異性為模型正確預(yù)判不發(fā)生洪澇災(zāi)害的概率。該方法可表明模擬準(zhǔn)確預(yù)測(cè)洪澇災(zāi)害易發(fā)性的能力，計(jì)算ROC曲線下面積AUC（Area Under Curve）值，其值越高，ROC曲線下面積越大，ROC曲線更接近左上角，表明模擬值越準(zhǔn)確，模型性能越高［20］。圖4為ROC曲線圖，AUC為88.6%，表明卷積神經(jīng)網(wǎng)絡(luò)模型的性能較好，適用于霍山縣洪澇災(zāi)害易發(fā)性評(píng)價(jià)。

2.4 洪澇災(zāi)害易發(fā)性評(píng)價(jià)

洪澇災(zāi)害評(píng)價(jià)結(jié)果代表每個(gè)柵格單元發(fā)生洪澇災(zāi)害的概率，利用ArcGIS將評(píng)價(jià)結(jié)果空間化，依據(jù)自然間斷點(diǎn)分級(jí)法（0.03-0.22，0.23-0.42，0.43-0.61，0.62-0.8，0.81-0.99）將易發(fā)區(qū)劃分為5類：極低易發(fā)區(qū)、低易發(fā)區(qū)、中易發(fā)區(qū)、高易發(fā)區(qū)和極高易發(fā)區(qū)，結(jié)果見圖5。極低易發(fā)區(qū)的面積為506.47km2，占總面積的24.8%，該區(qū)曾發(fā)生過4次洪澇災(zāi)害；高易發(fā)區(qū)和極高易發(fā)區(qū)面積為611.59km2，占總面積的29.95%，洪澇災(zāi)害發(fā)生比例高達(dá)72.37%，其中極高易發(fā)區(qū)洪澇災(zāi)害占比約為44.08%，研究區(qū)易受到洪澇災(zāi)害的影響。

霍山縣地勢(shì)南高北低，北部及東北部河流匯集，城鎮(zhèn)化發(fā)展程度較高，建設(shè)用地不利于水的下滲，洪澇災(zāi)害易發(fā)性高；南部降水量多且強(qiáng)度大，降水流向海拔相對(duì)較低的地區(qū)，洪澇災(zāi)害易發(fā)性低；西南地區(qū)海拔低，洪澇易發(fā)；距河流近的區(qū)域易受到洪澇影響。

利用ArcGIS的分區(qū)統(tǒng)計(jì)工具，計(jì)算鄉(xiāng)鎮(zhèn)內(nèi)部所有洪澇災(zāi)害易發(fā)性概率均值，得到鄉(xiāng)鎮(zhèn)洪澇災(zāi)害空間發(fā)生的可能性。圖6展現(xiàn)出霍山縣東北部經(jīng)濟(jì)開發(fā)區(qū)、下符橋鎮(zhèn)和衡山鎮(zhèn)是洪澇災(zāi)害高易發(fā)區(qū)，南部高海拔地區(qū)的磨子潭鎮(zhèn)、太陽鄉(xiāng)和大化坪鎮(zhèn)發(fā)生洪澇災(zāi)害的可能性低。其它鄉(xiāng)鎮(zhèn)發(fā)生洪澇災(zāi)害的可能性由高到低為：與兒街鎮(zhèn)>黑石渡鎮(zhèn)>但家廟鎮(zhèn)>諸佛庵鎮(zhèn)>單龍寺鎮(zhèn)>上士市鎮(zhèn)>漫水河鎮(zhèn)>落兒嶺鎮(zhèn)>佛子嶺鎮(zhèn)>東西溪鄉(xiāng)>太陽畈鄉(xiāng)。

3 洪澇災(zāi)害易發(fā)性及其與地形因子的關(guān)系

3.1 洪澇災(zāi)害易發(fā)性與海拔的關(guān)系

降雨是洪澇的主要來源之一，山區(qū)洪澇的發(fā)生受地表特征影響程度高，根據(jù)地形因子分區(qū)面積與洪澇災(zāi)害易發(fā)區(qū)面積分析洪澇災(zāi)害易發(fā)性與地形因子的關(guān)系。

圖7a為海拔分類面積中洪澇災(zāi)害易發(fā)區(qū)面積分布。在1013-1765m海拔地區(qū)，洪澇極高易發(fā)區(qū)面積僅為0.02km2，約占該海拔區(qū)域面積的0.02%，低易發(fā)區(qū)面積為76.99km2，約占該海拔面積的89.95%，表明高海拔地區(qū)洪澇災(zāi)害易發(fā)性低。極高洪澇災(zāi)害易發(fā)區(qū)隨著海拔的降低，面積占比逐漸增大，高海拔區(qū)域的降雨匯聚到低海拔地區(qū)，流水溢出河道，山區(qū)低洼地區(qū)被淹沒。海拔17-235m的地區(qū)，洪澇災(zāi)害極高易發(fā)區(qū)面積為180.82km2，極低易發(fā)區(qū)面積僅為39.63km2，說明低海拔地區(qū)洪澇易發(fā)性高。

3.2 洪澇災(zāi)害易發(fā)性與坡度的關(guān)系

坡度是影響洪澇災(zāi)害發(fā)生的一種地形因素，通過影響降雨入滲而影響徑流［29］。由圖7b可知不同坡度段的洪澇災(zāi)害易發(fā)區(qū)面積，極高易發(fā)區(qū)主要分布于0°-9°的坡度范圍，面積為153.28km2，占該坡度段面積的31.44%，是面積最大的極高洪澇災(zāi)害易發(fā)區(qū)，占極高易發(fā)區(qū)總面積的58.05%，該坡度段為洪澇易發(fā)區(qū)。在32°-62.5°坡度段，洪澇災(zāi)害極低易發(fā)區(qū)面積為96.6km2，約占該坡度段面積的57.87%，說明該坡度段不易發(fā)生洪澇。在0°-9°，10°-16°，17°-23°，24°-31°，32°-62.5°等坡度段中極高易發(fā)區(qū)面積占比分別為31.44%、16.43%、4.10%、1.66%、1.22%，極低易發(fā)區(qū)面積占比分別為5.08%、7.65%、33.53%、46.42%、57.87%，極高易發(fā)區(qū)面積占比隨著坡度角增大逐漸減少，極低易發(fā)區(qū)面積占比隨著坡度角增大而逐漸增加，說明緩坡地區(qū)洪澇災(zāi)害易發(fā)，陡坡地區(qū)則不易發(fā)生。

3.3 洪澇災(zāi)害易發(fā)性與地形起伏度的關(guān)系

地形起伏度是直接反映地表形態(tài)的因素［27］，圖7c為不同起伏度地段洪澇災(zāi)害易發(fā)區(qū)面積，呈現(xiàn)地形起伏度越低，洪水易發(fā)區(qū)面積占比越大，洪澇災(zāi)害的易發(fā)性越高。極高易發(fā)區(qū)面積在地形起伏度范圍為0-15區(qū)段面積為189.86km2，約占起伏度面積的31.61%。在56-155范圍的高地形起伏度，洪澇災(zāi)害極低易發(fā)區(qū)面積為40.22km2，約占起伏度地段面積的61.77%，表明高地形起伏度地段洪澇災(zāi)害易發(fā)性低。

4 結(jié)論

利用容忍度和方差膨脹因子檢驗(yàn)因子共線性，通過信息增益率分析選取12個(gè)評(píng)價(jià)指標(biāo)，構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)洪澇災(zāi)害易發(fā)性進(jìn)行評(píng)價(jià)，得到結(jié)論：

（1）卷積神經(jīng)網(wǎng)絡(luò)模型通過分析洪澇與地理環(huán)境特征的非線性關(guān)系，評(píng)價(jià)霍山縣洪澇災(zāi)害空間上的易發(fā)性，模型AUC為88.6%，表明模型性能較好，適用于霍山縣洪澇災(zāi)害易發(fā)性評(píng)價(jià)。

（2）土地利用、地形起伏度和植被指數(shù)對(duì)洪澇影響最大，其次為坡度和高程?；羯娇h北部和東北部洪澇頻發(fā)，南部洪澇災(zāi)害易發(fā)性低，西南部因地勢(shì)低，洪澇災(zāi)害發(fā)生概率較高。經(jīng)濟(jì)開發(fā)區(qū)和下符橋鎮(zhèn)相對(duì)于磨子潭鎮(zhèn)易受到洪澇災(zāi)害的威脅。

（3）洪澇災(zāi)害易發(fā)性與地形因子關(guān)系密切。依據(jù)不同海拔、坡度和地形起伏度中洪澇災(zāi)害易發(fā)性分區(qū)面積，海拔低、坡度低以及起伏度低的區(qū)域洪澇災(zāi)害易發(fā)性高。高海拔洪澇災(zāi)害易發(fā)性低，洪澇災(zāi)害極低易發(fā)區(qū)主要分布于24°-62.5°，56-155地形起伏度區(qū)域不易發(fā)生洪澇。

由于數(shù)據(jù)獲取的限制，后續(xù)可通過增加影響因子完善洪澇災(zāi)害評(píng)價(jià)指標(biāo)。卷積神經(jīng)網(wǎng)絡(luò)模型適用于洪澇災(zāi)害易發(fā)性評(píng)價(jià)，但數(shù)據(jù)處理過程可視化有待提高。模型僅對(duì)洪澇易發(fā)性進(jìn)行評(píng)價(jià)，并不能說明洪水發(fā)生的動(dòng)態(tài)過程，可將水文模型與機(jī)器學(xué)習(xí)相結(jié)合研究洪澇的物理過程和易發(fā)區(qū)。

參考文獻(xiàn)：

［1］SANTANGELO N， SANTO A， DI Crescenzo G， et al. Flood susceptibility assessment in a highly urbanized alluvial fan： The case study of Sala Consilina （southern Italy）［J］. Natural Hazards and Earth System Sciences， 2011， 11（144）： 2765-2780.

［2］FANG L， HUANG J， CAI J， et al. Hybrid approach for flood susceptibility assessment in a flood-prone mountainous catchment in China［J］. Journal of Hydrology， 2022， 612： 128091.

［3］《中國(guó)水旱災(zāi)害防御公報(bào)》編委會(huì). 中國(guó)水旱災(zāi)害防御公報(bào)（2020）［M］. 北京： 中國(guó)水利水電出版社， 2021： 23.

［4］ZHAO G， PANG B， XU Z， et al. Mapping flood susceptibility in mountainous areas on a national scale in China［J］. Science of the Total Environment， 2018， 615： 1133-1142.

［5］程先富， 戴夢(mèng)琴， 郝丹丹. 區(qū)域洪澇災(zāi)害風(fēng)險(xiǎn)評(píng)價(jià)研究進(jìn)展［J］. 安徽師范大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2015， 38（1）： 74-79.

［6］RAHMAN M， NINGSHENG C， ISLAM M M， et al. Flood susceptibility assessment in Bangladesh using machine learning and multi-criteria decision analysis［J］. Earth Systems and Environment， 2019， 3（3）： 585-601.

［7］AHMADLOU M， KARIMI M， ALIZADEH S， et al. Flood susceptibility assessment using integration of adaptive network-based fuzzy inference system （ANFIS） and biogeography-based optimization （BBO） and BAT algorithms （BA）［J］. Geocarto International， 2019， 34（11）： 1252-1272.

［8］HAMMAMI S， ZOUHRI L， SOUISSI D， et al. Application of the GIS based multi-criteria decision analysis and analytical hierarchy process （AHP） in the flood susceptibility mapping （Tunisia）［J］. Arabian Journal of Geosciences， 2019， 12（21）： 1-16.

［9］KHOSRAVI K， SHAHABI H， PHAM B T， et al. A comparative assessment of flood susceptibility modeling using multi-criteria decision-making analysis and machine learning methods［J］. Journal of Hydrology， 2019， 573： 311-323.

［10］YARIYAN P， AVAND M， ABBASPOUR R A， et al. Flood susceptibility mapping using an improved analytic network process with statistical models［J］. Geomatics， Natural Hazards and Risk， 2020， 11（1）： 2282-2314.

［11］SAMANTA R K， BHUNIA G S， SHIT P K， et al. Flood susceptibility mapping using geospatial frequency ratio technique： A case study of Subarnarekha River Basin， India［J］. Modeling Earth Systems and Environment， 2018， 4（1）： 395-408.

［12］ISLAM S， TAHIR M， PARVEEN S. GIS-based flood susceptibility mapping of the lower Bagmati basin in Bihar， using Shannons entropy model［J］. Modeling Earth Systems and Environment， 2022， 8（3）： 3005-3019.

［13］GIOVANNETTONE J， SANGAMESWARAN S， MADERIA C， et al. Spatial analysis of flood susceptibility throughout Currituck County， north Carolina［J］. Journal of Hydrologic Engineering， 2020， 25（8）： 05020021.

［14］MA M， LIU C， ZHAO G， et al. Flash flood risk analysis based on machine learning techniques in the Yunnan province， China［J］. Remote Sensing， 2019， 11（2）： 170.

［15］張帆. 基于人工智能的山洪災(zāi)害風(fēng)險(xiǎn)早期識(shí)別研究［D］. 鄭州： 華北水利水電大學(xué)， 2020：57-62.

［16］MELIHO M， KHATTABI A， ASINYO J. Spatial modeling of flood susceptibility using machine learning algorithms［J］. Arabian Journal of Geosciences， 2021， 14（21）： 1-18.

［17］FANG Z， WANG Y， PENG L， et al. A comparative study of heterogeneous ensemble-learning techniques for landslide susceptibility mapping［J］. International Journal of Geographical Information Science， 2021， 35（2）： 321-347.

［18］PHAM B T， LUU C， VAN PHONG T， et al. Can deep learning algorithms outperform benchmark machine learning algorithms in flood susceptibility modeling？［J］. Journal of Hydrology， 2021， 592： 125615.

［19］SAHA S， GAYEN A， BAYEN B. Deep learning algorithms to develop flood susceptibility map in Data-Scarce and Ungauged River Basin in India［J］. Stochastic Environmental Research and Risk Assessment， 2022： 36： 3295–3310.

［20］COSTACHE R， ARABAMERI A， CSOTACHE I， et al. Flood susceptibility evaluation through deep learning optimizer ensembles and GIS techniques［J］. Journal of Environmental Management， 2022， 316： 115316.

［21］王勝， 吳蓉， 謝五三， 等. 基于FloodArea的山洪災(zāi)害風(fēng)險(xiǎn)區(qū)劃研究—以淠河流域?yàn)槔跩］. 氣候變化研究進(jìn)展， 2016， 12（5）： 432-441.

［22］張正濤， 高超， 劉青， 等. 不同重現(xiàn)期下淮河流域暴雨洪澇災(zāi)害風(fēng)險(xiǎn)評(píng)價(jià)［J］.地理研究， 2014， 33（7）： 1361-1372.

［23］KIM P. Matlab deep learning［M］. Berkeley， CA： Apress， 2017： 121-147.

［24］孫誠(chéng). 多源遙感數(shù)據(jù)支持下的淮河流域地表水時(shí)空變化及洪澇敏感性評(píng)估［D］. 上海： 華東師范大學(xué)， 2022： 8-9.

［25］HASANUZZAMAN M， ISLAM A， BERA B， et al. A comparison of performance measures of three machine learning algorithms for flood susceptibility mapping of river Silabati （tropical river， India）［J］. Physics and Chemistry of the Earth， 2022， 127： 103198.

［26］劉娜， 金有杰， 李輝， 等. 基于 GIS 的長(zhǎng)江中下游城市洪澇易發(fā)性評(píng)價(jià)［J］. 地理空間信息， 2020， 18（9）： 57-61+65+7.

［27］EDAMO M L， UKUMO T Y， LOHANI T K， et al. A comparative assessment of multi-criteria decision-making analysis and machine learning methods for flood susceptibility apping and socio-economic impacts on flood risk in Abela-Abaya floodplain of Ethiopia［J］. Environmental Challenges， 2022， 9： 100629.

［28］PANAHI M， JAAFARI A， SHIRZADI A， et al. Deep learning neural networks for spatially explicit prediction of flash flood probability［J］. Geoscience Frontiers， 2021， 12（3）： 376-389.

［29］CAO Y， JIA H， XIONG J， et al. Flash flood susceptibility assessment based on geodetector， certainty factor， and logistic regression analyses in Fujian province， China［J］. ISPRS International Journal of Geo-Information， 2020， 9（12）： 748.

Assessment of Flood Susceptibility in Huoshan County and Its Relationship with Topographic Factors：Based on Convolutional Neural Network

CAI Jing-jing， CHENG Xian-fu

（School of Geography and Tourism， Anhui Normal University， Wuhu 241002，China）

Abstract： Affected by global climate change and mountainous topography， mountain floods pose a threat to people's lives and property. The establishment of the assessment index system is based on the importance of information gain rate analysis factors. The convolutional neural network is used to establish a flood susceptibility assessment model. The model is used to draw flood susceptibility map in Huoshan County and analyze the influence of topographic factors on floods. The final outcome indicates the convolutional neural network model is suitable for the assessment of flood susceptibility， and flood hazards in Huoshan County of the north part of the study area is more likely to occur than in the south part. Economic Development Zone and Xiafuqiao Town are vulnerable to potential floods， and the probability of flooding in Mozitan Town is low. Areas with low altitude， gentle slopes and low undulations are areas where flooding is frequent. The results of this study provide a scientific basis for reducing the threat of floods.

Key words： convolutional neural network; flood susceptibility assessment; topographic factors; Huoshan County

（責(zé)任編輯：鞏 劼）