基于图聚类神经网络的江西省山洪灾害危险性区划研究.pdf

第 卷第期 年月地 理 与 地 理 信 息 科 学 收稿日期：；修回日期：基金项目：国家重点研发计划项目（）；广西省重点研发计划项目（）；湖南省水利科技项目（）作者简介：时开鑫（），男，硕士研究生，主要从事山洪灾害分析研究。通信作者 ：基于图聚类神经网络的江西省山洪灾害危险性区划研究时 开 鑫，陈 跃 红，张 晓 祥，马强，任 立 良（河海大学水文水资源学院，江苏 南京 ；中国水利水电科学研究院减灾中心，北京 ）摘要：目前山洪灾害区划中常用的传统聚类方法大多仅考虑区划基础空间单元的属性特征，很少考虑基础空间单元的结构信息。该文同时考虑区划基础空间单元的属性和结构特征，提出基于图聚类神经网络的山洪灾害危险性区划方法，以江西省小流域为区划的基础空间单元，构建图聚类神经网络模型，根据聚类有效性指标确定最佳聚类数，并通过碎屑图斑合并获得 个山洪灾害危险性同质性区域，最后利用地理探测器和江西省历史山洪灾害点数据对区划结果进行验证和评价。结果显示：基于图聚类神经网络模型的江西省山洪灾害危险性区划结果与历史山洪灾害点的地理探测器狇值达 ，比传统的犓 和 聚类方法分别提高了 和 ，能较好地刻画江西省山洪灾害危险性的空间分异格局。通过融合属性和结构特征有助于提升区划效果，可为江西省市县级政府部门制定因地制宜的山洪灾害防治管理措施提供辅助决策，同时也可为其他自然地理区划提供新的方法参考。关键词：区划；山洪灾害；图聚类神经网络；江西省中图分类号：；文献标识码：文章编号：（）引言山洪是山丘区小流域由降水诱发在特殊地形条件下形成的突发性地表径流，其突出特点是流速大、冲刷力强、含沙量大、暴涨暴落、破坏力极强，据统计，年全球洪灾损失估计超过 亿美元，预计到 年每年的洪灾损失可能达到万亿美元。我国地形条件复杂、山丘区范围广、暴雨多、山洪灾害频发，是世界上受山洪灾害影响最严重的国家之一。年我国发生 起地质灾害，包括 起滑坡和 起泥石流，绝大多数滑坡和泥石流灾害由山洪引起。根据水利部官方统计，山洪灾害伤亡人数占洪涝灾害的 左右，已成为造成人员伤亡的主要自然灾害之一，严重危害我国人民生命财产安全和社会经济发展。针对日益严峻的山洪灾害问题，国内外学者开展了大量研究，主要集中在山洪灾害预报预警、山洪灾害风险评估和山洪灾害区划三方面。其中，山洪灾害区划是自然地理区划的研究内容之一，指通过综合分析山洪灾害的影响因素，按照区内一致性和区间差异性原则，将区域划分为互不重叠的若干同质性区域，以反映不同影响因素条件下的山洪灾害空间分异规律，可为实施“分而治之”的山洪灾害防治与预警提供科学依据。例如，面向山洪灾害防治管理，张平仓等制作了全国山洪灾害防治区划图；针对山洪灾害危险性，赵士鹏将我国划分为个山洪灾害危险性一致性空间单元。这些山洪灾害区划成果在全国尺度上为山洪灾害分析管理提供了有力支撑，但受观测资料的局限，区划单元相对粗略且数量少，尤其是我国山洪灾害危险性区划。因此，亟待利用目前丰富的对地观测资料，获取区域精细尺度下的山洪灾害危险性区划，以便为市县级政府部门进行山洪灾害防治管理提供支撑。目前，区划方式主要包括自上而下划分和自下而上合并两大类：前者主要是在早期资料较少时，以专家知识和经验从宏观尺度对区域定性划分出同质性空间单元；后者主要是由较低等级区域基础单元归并形成较高等级区域单元，常用犓 、层次聚类 和自组织映射网络 等聚类方法实现。然而，这些方法在聚类时主要采用区划基础单元的属性信息，忽略了区划基础单元之间的空间联系。近年来，利用深度图神经网络进行聚类的研究取得了快速进展，该方法在聚类过程中不仅能使用节点的属性信息，还可使用节点之间的空间关系，有利于学习深度潜在特征表示，有效提升聚类效果。等 最早将深度学习应用于图聚类问题，聚类 效果明显优于传统方法。近年来，研究者不断改进图聚类神经网络模型，并在一些开源网络数据集上取得了较好结果，。上述研究证实了同时考虑属性和结构的聚类效果比仅利用属性的聚类结果有明显提升，然而在目前的山洪灾害危险性区划应用中同时考虑属性和结构的聚类方法尚不多见。为此，本文利用 年江西省历史山洪灾害点、小流域边界数据和山洪灾害危险性影响因子，以小流域为区划基础空间单元，构建图聚类神经网络模型，实现江西省山洪灾害危险性的同质性区域划分，以期为江西省各级政府部门进行因地制宜的山洪灾害预报预警提供辅助决策，同时也为其他自然地理区划提供新的方法参考。研究区与数据 研究区概况江西省（图）位于中国东南部的华东地区，长江中下游南岸，地形以江南丘陵、山地为主，地势南高北低，属亚热带温暖湿润季风气候，温和多雨，境内水系稠密，集雨面积在 以上的河流有 余条，易形成局部强降雨。因此，江西省山丘区洪水汇流快，成灾时间短，导致山洪灾害事件频发，已成为我国山洪灾害最严重的省份之一。据水利部统计，年江西省因山洪造成近 万人受灾，注：审图号为赣（）号，底图无修改，下同。图 研究区概况犉 犻 犵 犗 狏 犲 狉 狏 犻 犲 狑狅 犳 狋 犺 犲 狊 狋 狌 犱 狔犪 狉 犲 犪近 人死亡，直接经济损失逾 亿元，。数据源 降雨因子和下垫面因子针对山洪灾害危险性分析，学界主要考虑与山洪灾害致灾因子相关的短历时强降雨和与孕灾环境相关的下垫面条件两方面因素，。根据地理学第一定律，短历时强降雨和下垫面要素往往在一定空间范围内存在自相关性特征，因此，本文收集与山洪灾害相关的降雨和下垫面因子，将邻近的具有相似属性特征的区划基础单元聚为一类，生成山洪灾害危险性区划基础空间单元的属性特征。降雨因子。降雨是诱发山洪的主导因素，一般情况下，短历时的持续强降雨累积造成地表径流加速，山区河流水位上升，进而导致山洪灾害。现有大量研究将极端降水指数作为分析山洪灾害的重要指标，因此，本文选择不同时间尺度（、）、不同频率（、）的降雨因子。原始降雨数据集来自国家气象信息中心的中国自动观测站与 融合的逐时降水量 网格数据集（：），时间范围为 年月日 年 月 日。在该数据集的基础上，首先统计每个网格各年份、最大降雨量，并由大到小排序；然后，计算各项指标的经验频率，绘制皮尔逊型经验频率曲线，并对曲线统计参数进行矩法估计，将所得参数作为频率曲线适线法的估计参数；最后，通过适线法调整频率曲线，提取得到 的、，频率为、的最大降雨量数据，共 个降雨因子（表）。因区划的基础空间单元为小流域，利用 中的区域统计工具从栅格形式的降雨因子中提取各小流域尺度下的降雨因子均值，作为小流域的降雨属性特征。因篇幅限制，图仅展示了小流域尺度的个代表性降雨因子的空间分布，可以看出，江西省东北部、西北部以及南部最大小时降雨量均值较小，北部以及中东部较大；江西省北部年均降雨量较少，东部年均降雨量较多。下垫面因子。地形地质条件是形成山洪灾害的下垫面因素，山洪灾害易发地区主要集中在高山峡谷和侵蚀沟谷发育地区，其土壤大部分渗透强度较弱。选择高程（源自 ）、高差（生成）、坡度（生成）、归一化植被指数（）（源自中国年度植被指数（）空间分布数据集（年）、流域相对高程（，）（：）、坡页第地 理 与 地 理 信 息 科 学第 卷表 山洪灾害危险性相关的降雨因子犜 犪 犫 犾 犲 犚 犪 犻 狀 犳 犪 犾 犾 犳 犪 犮 狋 狅 狉 狊 狉 犲 犾 犪 狋 犲 犱 狋 狅 犳 犾 犪 狊 犺 犳 犾 狅 狅 犱犺 犪 狕 犪 狉 犱时间尺度指标含义 最大百年一遇降雨量 最大五十年一遇降雨量 最大二十年一遇降雨量 最大五年一遇降雨量 最大两年一遇降雨量 最大百年一遇降雨量 最大五十年一遇降雨量 最大二十年一遇降雨量 最大五年一遇降雨量 最大两年一遇降雨量 最大百年一遇降雨量 最大五十年一遇降雨量 最大二十年一遇降雨量 最大五年一遇降雨量 最大两年一遇降雨量 最大降雨量均值 最大降雨量均值 最大降雨量均值 最大降雨量均值 最大降雨量均值 年均降雨量 暴雨天数面糙率和稳定下渗率作为下垫面因子。本文利用 全国山洪灾害调查评价项目 的土地利用数据和土壤类型空间分布数据，将 （）提供的不同土地利用类型的坡面糙率和 等 提供的不同土壤类型的饱和渗透系数分别作为坡面糙率和土壤稳定下渗率的参考值。因各下垫面因子为栅格形式，本文利用 中区域统计工具提取各小流域下垫面因子均值，作为小流域的下垫面属性特征。因篇幅限制，图仅展示了小流域尺度的个代表性下垫面因子的空间分布。历史山洪灾害点数据源自 全国山洪灾害调查评价项目 提供的 年江西省历史山洪灾害数据，记录了山洪灾害事件发生的时间和地点等信息，其空间分布如图 所示。可以看出，历史山洪灾害事件主要分布于江西省东北部、西北部山丘区以及南方丘陵山区。小流域边界数据流域是产生水文过程的图 代表性降雨因子空间分布犉 犻 犵 犛 狆 犪 狋 犻 犪 犾 犱 犻 狊 狋 狉 犻 犫 狌 狋 犻 狅 狀狅 犳 狉 犲 狆 狉 犲 狊 犲 狀 狋 犪 狋 犻 狏 犲 狉 犪 犻 狀 犳 犪 犾 犾 犳 犪 犮 狋 狅 狉 狊页第第期 时开鑫，陈跃红，张晓祥，等：基于图聚类神经网络的江西省山洪灾害危险性区划研究图 代表性下垫面因子空间分布犉 犻 犵 犛 狆 犪 狋 犻 犪 犾 犱 犻 狊 狋 狉 犻 犫 狌 狋 犻 狅 狀狅 犳 狉 犲 狆 狉 犲 狊 犲 狀 狋 犪 狋 犻 狏 犲狌 狀 犱 犲 狉 犾 狔 犻 狀 犵 狊 狌 狉 犳 犪 犮 犲 犳 犪 犮 狋 狅 狉 狊基础单元，山洪灾害往往在流域内具有相似的特征，本文基于 全国山洪灾害调查评价项目，采用国家基础地理信息提供的 万 和 数据以及水文监测站点和水利工程数据，结合高分辨率影像数据，以 中国河流代码（）的水系为主，结合省级和县级行政区划，划分出 小流域面数据（图）。研究方法本文技术路线（图）主要分为个步骤：获取江西省山洪灾害危险性相关数据，包括：降雨因子、下垫面因子、小流域边界和历史山洪灾害点数据，通过预处理得到小流域尺度的降雨和下垫面属性特征，并利用小流域的空间邻接关系构建小流域的网络结构；构建图聚类神经网络模型对江西省小流域进行空间聚类，同时计算聚类质量指数 （）以确定最佳聚类数量；根图 技术路线犉 犻 犵 犉 犾 狅 狑 犮 犺 犪 狉 狋 狅 犳 狋 犲 犮 犺 狀 犻 犮 犪 犾 狉 狅 狌 狋 犲据最佳聚类数量的图聚类神经网络模型结果，对碎屑小斑块和边界进行合并、修正等后处理，获得最终的江西省山洪灾害危险性区划结果；利用历史山洪灾害点数据和地理探测器对区划结果进行验证评价，并结合降雨和下垫面等因素对各区划单元进行命名和特征分析。基于图聚类神经网络的山洪灾害危险性区划图聚类神经网络是处理图结构数据犌（犞，犈，犡）的一种模型，其中犞狏，狏狀 表示图中狀个节点的集合，犈犲犻 犼 表示节点之间边的集合，犡狓，狓狀 表示图中狀个节点的属性集合。犌的结构可以用节点的邻接矩阵犃表示，犃犻 犼 表示节点犻与节点犼之间存在边，否则犃犻 犼。图聚类神经网络旨在将图犌中的节点划分为多个不相交的子图犌，犌犽，每个子图中的节点应尽量满足：属性相似和结构相近。由于山洪一般是由降水诱发且在特殊下垫面条件下形成，而降水具有较强的空间相关性，因此，本文将小流域的中心视为图聚类神经网络节点，小流域之间的邻接关系作为节点的边，各小流域的降雨和下垫面因子作为节点的属性。借鉴文献 ，本文构建融合属性与结构的图聚类神经网络模型对小流域尺度下的山洪灾害特征进行区划，实现过程包括编码和解码两部分。编码过程。利用图自注意力神经网络层对图的结构和属性进行特征表达（式（），可有效整合图的结构和属性，从而实现特征的深度表达。从式（）中可以看出，该模型通过注意力系数度量节点之间的邻域关系（即相邻小流域之间的结构关系），犠（犾）狕（犾）犼考虑了相邻节点间的属性特征，并通过两者相乘用激活函数输出，以达到同时考虑属性和结构的特征表达目的。解码过程。对编码过程得到的特征进行图重构和图聚类。图重构是根据特征表达还原出与输入页第地 理 与 地 理 信 息 科 学第 卷图相近的结构，以优化特征学习的过程，利用内乘和激活函数预测节点之间的结构连接关系（式（），图重构的误差定义为式（）的损失函数。对于图聚类，首先利用狋分布 构建节点犻的特征狕犻和聚类中心狌之间的相似性指标犙犻 狌，为实现具有聚类导向的图特征学习和表达，利用犙犻 狌的二次方构建犘犻 狌分布函数作为目标分布，以使模型训练时让犙犻 狌尽可能靠近聚类中心，即同一类别的节点靠近，不同类别的节点远离，以增强不同类别之间的区别，最后利用犓 犔散度函数定义聚类误差犔（式（）。该模型在训练过程中，需根据图重构误差和图聚类误差进行联合训练和优化，并构建联合损失函数（式（）。通过图重构和图聚类同步联合学习训练，得到与输入图相近结构的图输出和最佳的图聚类结果，从而实现同时考虑小流域空间结构及其山洪灾害属性的空间聚类。狕（犾）犻（犼犖犻犻 犼犠（犾）狕（犾）犼）（）式中：狕（犾）犻为节点犻根据其邻域中节点犼的第犾层特征狕（犾）犼（当犾 时，则狕（）犼狓犼，即为输入的节点属性）通过图注意力神经网络层计算得到的第犾层特征，犖犻为节点犻的邻域节点集合，犠（犾）为图神经网络第犾层需要学习的参数，为图神经网络的激活函数，犻 犼为刻画相邻节点犻与犼的结构重要性权重，即注意力系数。参数的详细描述可参考文献 。犃犻 犼犛 犻 犵 犿 狅 犻 犱（狕犻狕犼）（）式中：犃犻 犼为重构的节点犻与犼连接的可能性大小，狕犻和狕犼分别为节点犻与犼的特征。犔狀犻 犾 狅 狊 狊（犃犻 犼，犃犻 犼）（）式中：犃犻 犼和犃犻 犼分别为图邻接矩阵中节点犻与犼的值和重构的节点连接值。犔犓 犔（犘犙）（）犔犔 犔（）式中：犔和 犔分别为图重构误差和聚类误差，为平衡系数，取经验值。最佳聚类数量确定为得到最佳的聚类方案，本研究利用小流域的属性信息计算聚类质量指数 （式（），综合考虑了每个小流域的属性特征，能保证在同类别空间单元属性特征差异最小化的前提下获取最适宜的聚类数量。同一类别的小流域属性特征差别越大，值越大；聚类数越多，值也越大，因此，本文选取 值最小的聚类结果为最佳聚类方案。犐 犕狑犻 狀犻狆犼 犆狏，犻 犼犓（）式中：犐 为 ，犕为小流域数量，狑为聚类类别数，狆为属性因子数，狀犻为类型犻的小流域数量，犆狏，犻 犼为类型犻中犼属性因子的变异系数，为常数，用于调整类别数数量级，本文取经验值 。地理探测器地理探测器是探测空间分异性并揭示其背后驱动力的一种统计学方法，借鉴文献，首先利用 犌热点分析工具，计算得到历史山洪灾害事件的热点空间分布作为因变量，然后将山洪灾害危险性区划空间分布作为自变量，利用地理探测器的因子探测分析山洪灾害危险性区划与历史山洪灾害空间分布的一致性，探测结果狇值在，区间内，狇值越大，说明山洪灾害危险性区划与历史山洪灾害事件空间分布的一致性越强。结果分析 最佳聚类方案为对比图聚类神经网络方法与传统聚类方法的差异，本文选取犓 和 两种经典的聚类方法进行对比（犓 通过迭代方式使各样本点距离其最近聚类中心的距离和最小；是一种常用的层次聚类方法，以各聚类样本的方差最小为目标）。研究中犓 和 的最大迭代次数均设置为 ，图聚类神经网络的平衡系数取经验值，编码器由两层神经网络组成，分别为 个神经元组成的隐藏层和 个神经元组成的嵌入层。设置聚类数从逐步增加到，并分别计算种方法在不同聚类数量下的 值（图），可见 值均呈现随着聚类数量的增加先减再增的趋势。起初聚类数量的增加使各类别中的小流域属性特征相似性增加，导致 值逐渐减小，但随着聚类数量继续增加，聚类数作为惩罚项的影响更突出，使 值开始增加。图聚类神经网络和犓 两种方图 种方法在不同聚类数量的 值犉 犻 犵 犆 犙 犐狑 犻 狋 犺犱 犻 犳 犳 犲 狉 犲 狀 狋 犮 犾 狌 狊 狋 犲 狉 狊 犳 狅 狉 狋 犺 犲 狋 犺 狉 犲 犲犿 犲 狋 犺 狅 犱 狊页第第期 时开鑫，陈跃红，张晓祥，等：基于图聚类神经网络的江西省山洪灾害危险性区划研究法的 值在聚类数为时最小，方法的 值在聚类数为时最小，本文将种方法 值最小的聚类数作为最佳聚类数，最终得到种方法的聚类结果（图），可见聚类结果中均含有面积相对较小的碎屑图斑，但图聚类神经网络聚类结果中的碎屑图斑较少。将种方法的聚类结果与江西省历史山洪灾害点叠加发现，图聚类神经网络模型比犓 和 能更好地将不同密度分布的灾害点划分在同一类别区中。例如，在江西省西北部和东北部的密集历史山洪灾害区，图聚类神经网络模型将二者分别归类为类别和类别，而对比方法却呈现多个聚类类别混合，说明图聚类神经网络模型的聚类结果与不同密度的历史山洪灾害点分布吻合度更高，进一步表明该模型的合理性。图 江西省山洪灾害聚类结果犉 犻 犵 犆 犾 狌 狊 狋 犲 狉 犻 狀 犵 狉 犲 狊 狌 犾 狋 狊 狅 犳 犳 犾 犪 狊 犺 犳 犾 狅 狅 犱犺 犪 狕 犪 狉 犱 狊 犻 狀犑 犻 犪 狀 犵 狓 犻 犘 狉 狅 狏 犻 狀 犮 犲 江西省山洪灾害危险性区划结果由于初始聚类结果具有多个空间不相邻的面，而区划结果中每个区通常被视为一个单独的面，因此，本文首先将聚类结果中属于同一类别且空间不相邻的单元拆分为单独的多边形，然后根据区划单元需满足集中连片的基本要求，利用 中 工具将面积较小的图斑与邻近图斑合并，得到互不重叠、区划单元相对完整的区划结果。鉴于区划结果中各区面积差异不应过大，本研究通过各区面积的变异系数（）和变异系数的一阶差分（，）确定最终区划数量。如图所示，种方法区划面积的变异系数随着区划数量的减少而减小，即随着面积相对较小的图斑或孤岛图斑逐渐合并，不同区划面积的离散程度逐渐降低，体现出合并图斑的有效性和必要性。同时，犓 、和图聚类神经网络变异系数的 分别在区划数量为、和 时最小，且随着图斑不断合并，绝对值不断增加，因此，本文将、分别作为种方法合并图斑的最佳区划数量，最终得到种方法的江西省山洪灾害危险性区划图（图）。值得注意的是，虽然犓 和 方法的最佳聚类数分别为类和类，但图中犓 聚类结果的类别和 聚类结果的类别的面积均较小，且过于分散，在合并碎小图斑的后处理过程中被并入相邻较大的区划单元，因此，在这两种方法的最终区划结果（图）中并不包含这两个类别。图 种方法在不同区划单元数量下的变异系数和一阶差分犉 犻 犵 犆 犞犪 狀 犱 犻 狋 狊犉 犗 犇狅 犳 狋 犺 犲 狋 犺 狉 犲 犲犿 犲 狋 犺 狅 犱 狊 犫 犪 狊 犲 犱狅 狀犱 犻 犳 犳 犲 狉 犲 狀 狋 狉 犲 犵 犻 狅 狀 犪 犾 犻 狕 犪 狋 犻 狅 狀狌 狀 犻 狋 狊页第地 理 与 地 理 信 息 科 学第 卷图 江西省山洪灾害危险性区划图与历史山洪灾害点对比分析犉 犻 犵 犆 狅 犿 狆 犪 狉 犻 狊 狅 狀犫 犲 狋 狑 犲 犲 狀 狋 犺 犲 狉 犲 犵 犻 狅 狀 犪 犾 犻 狕 犪 狋 犻 狅 狀狉 犲 狊 狌 犾 狋 狊 狅 犳 犳 犾 犪 狊 犺 犳 犾 狅 狅 犱犺 犪 狕 犪 狉 犱 狊 犪 狀 犱犺 犻 狊 狋 狅 狉 犻 犮 犪 犾 犳 犾 犪 狊 犺 犳 犾 狅 狅 犱 狊 犻 狀犑 犻 犪 狀 犵 狓 犻 犘 狉 狅 狏 犻 狀 犮 犲从图可以看出，相比传统方法犓 和 ，图聚类神经网络的区划结果能更好地将空间上不同密度的历史山洪灾害点划入不同的区划单元中。例如，江西东北部和西北部是历史山洪灾害密集地，图聚类神经网络模型将二者分别划入区划单元 和 ，而犓 方法将二者分别划分为个和个区划单元，方法则将二者分别划分为个和个区划单元。另外，犓 和 区划结果中部分区划单元狭长、细小且不紧凑，一些区划单元边缘有凸出的细长小斑块，江西中部少量区划单元内部存在孤岛斑块，缘于传统聚类方法在聚类时主要利用区划基础单元内的属性信息，忽略了各单元的空间联系。而本文图聚类神经网络同时考虑了区划基础单元之间的结构和属性信息，区划结果中单元较紧凑，面积差异较小，且不存在孤岛斑块现象；另外，图聚类神经网络的区划结果更能划分出降雨和下垫面差异较明显的区划单元，如区划单元 和 分别包含九岭山和怀玉山，这两个区划单元地形起伏大且年均降雨量较多，产生山洪灾害的概率大，区域内山洪灾害危险性较高。其中，区划单元 内的宜丰县处于九岭山隆起和萍乐凹陷带的复合部分，山势险峻，月降水占全年降雨量的 以上，多以暴雨形式出现，易发生山洪灾害，应加强对山洪灾害防御知识的宣传力度；区划单元 内的婺源县地处赣东北低山丘陵区，山地、丘陵占总面积的 ，年均降水量为 ，夏季降水集中，特别容易引发山洪灾害。进一步统计各区划单元历史山洪灾害的 犌热点值，发现区划单元 、和 区域内山洪灾害热点均值较大，山洪灾害的高发区域分布在此，属于山洪灾害危险性高的区域。从县域角度看，山洪灾害较严重的相邻县域也多集中在同一区划单元内，如区划单元 内的修水县、靖安县、宜丰县、奉新县和武宁县，区划单元 内的浮梁县和婺源县，均是山洪灾害危险性高的县域。区划单元特征分析本文结合降雨、下垫面和地理区位信息，对江西省山洪灾害危险性区划结果各区划单元的特征分析如下：赣西部罗霄山丘陵区，位于江西省西部罗霄山，地貌类型为构造侵蚀中山、低山区，暴雨天数大多不超过，年降雨量多在 以下，是江西省降雨较少的区域之一。赣西北九岭山丘陵区、赣西部湘江赣江下游平原区和 赣北部修水赣江下游平原区，地貌类型多为构造侵蚀中山与丘陵亚区，其中，赣北部修水赣江下游平原区暴雨天数较少，年降雨量多在 以下，其他区域降雨较多。景德镇西北部丘陵区和 赣东北饶河怀玉山丘陵区，地貌类型多属于构造侵蚀剥蚀丘陵亚区，暴雨天数多在 以上，年降雨量在 以上，是江西省降雨较多的区域之一。赣南部九连山丘陵区、赣东南武夷山丘陵区、赣南部东江丘陵区、赣南部赣江上游丘陵区和 赣东北武夷山丘陵区，地貌类型为构造侵蚀中山亚区，降雨较少。赣东部信江抚河平原区、赣中部玉华山武夷山丘陵区、赣中部鄱阳湖赣江下游平原区和 赣中部赣江中游平原区，地貌类型多为凹陷构造剥蚀丘陵与河谷平原区，地势平坦，年降雨量约 ，暴雨天数约 ，是江西省降雨较多的区域之一。赣北部鄱阳湖环湖平原页第第期 时开鑫，陈跃红，张晓祥，等：基于图聚类神经网络的江西省山洪灾害危险性区划研究区，位于江西省北部鄱阳湖区，地貌类型为凹陷湖积冲积平原，地势平坦，年降雨量及暴雨天数较少。不同区划结果的评价与验证根据江西省历史山洪灾害点数据，采用热点分析法（犌）得到栅格形式的山洪灾害点密度分布，采用地理探测器的因子探测定量评价历史山洪灾害点密度分布与江西省山洪灾害危险性区划结果的一致性。结果显示，犓 、和图聚类神经网络模型的狇值分别为 、和 ，均通过 水平的显著性检验，图聚类神经网络模型的狇值最高，表明基于该模型的区划结果与历史山洪灾害点分布的一致性更好。在 （）（），内存 的硬件环境下，利用 语言运行犓 、和图聚类神经网络模型，其中，犓 、的运行时间分别为和，而图聚类神经网络的运行时间为，效率明显低于传统方法。结论本文提出基于图聚类神经网络的山洪灾害危险性区划方法，该方法同时考虑了区划基础空间单元的属性和结构特征。选取江西省为研究区，根据山洪灾害危险性相关的降雨因子、下垫面因子、小流域边界和历史山洪灾害点数据，以小流域为区划基础空间单元，利用本文方法获得了 个江西省山洪灾害危险性同质性区划单元。根据江西省历史山洪灾害点数据和地理探测器的因子探测对区划结果进行分析发现，基于本文方法得到的山洪灾害危险性区划结果与历史山洪灾害空间分布的一致性明显高于传统聚类方法，能更好地将不同密度的历史山洪灾害点划入不同的区划单元，且区划空间单元完整性较好，边界清晰，相对紧凑。但图聚类神经网络的运行效率明显低于传统方法。江西省山洪灾害及形成条件差异明显，基于图聚类神经网络划分出山洪灾害危险性相对一致的区划单元，各单元内部差异相对较小，有利于在更精细的尺度上认识山洪灾害危险性空间分布规律，可为江西省因地制宜制定市县级山洪灾害防治措施提供辅助决策。在山洪灾害预警宣传方面，可针对历史山洪灾害密度分布差异的区划单元采取不同的预警宣传策略，历史山洪灾害高密度区需重点建设山洪灾害预警信息推送网络和传播设备、加强学校等重点区的山洪预警知识宣传，持续组织开展山洪灾害群测群防体系建设，增强居民的主动防灾避险意识和自救互救能力。在山洪预报模型参数移用方面，可将有资料区域的山洪预报模型参数移用至缺资料的相似区域山洪预报模型中，以提高该地区山洪灾害预报模型的预报能力。另外，本文在构建小流域空间结构时，仅考虑到小流域的邻接关系，忽略了河流水系的连通性，需在未来研究中进一步完善。参考文献：赵士鹏中国山洪灾害系统的整体特征及其危险度区划的初步研究自然灾害学报，（）：，（）：，（）：自然资源部 年全国地质灾害灾情及 年地质灾害趋势预测 （）：水利部当前我国已经全面进入汛期局部地区发生了洪涝灾害 （）：郑度，葛全胜，张雪芹，等中国区划工作的回顾与展望地理研究，（）：张平仓，任洪玉，胡维忠，等中国山洪灾害防治区划初探水土保持学报，（）：刘燕华，郑度，葛全胜，等关于开展中国综合区划研究若干问题的认识地理研究，（）：郑度，欧阳，周成虎对自然地理区划方法的认识与思考地理学报，（）：姬海娟，刘金涛，李瑶，等雅鲁藏布江流域水文分区研究水文，（）：（），（）：，（）：，：，：，：李亚芳，梁烨，冯韦玮，等基于社区优化的深度网络嵌入方法页第地 理 与 地 理 信 息 科 学第 卷计算机应用，（）：，：雷声江西省山洪灾害防治项目概述江西水利科技，（）：周超，方秀琴，吴小君，等基于种机器学习算法的山洪灾害风险评价地球信息科学学报，（）：张若婧，陈跃红，张晓祥，等基于参数最优地理探测器的江西省山洪灾害时空格局与驱动力研究地理与地理信息科学，（）：李亭，田原，邬伦，等基于随机森林方法的滑坡灾害危险性区划地理与地理信息科学，（）：熊俊楠，曹依帆，程维明，等福建省山洪灾害危险性评价山地学报，（）：崔鹏，苏凤环，邹强，等青藏高原山地灾害和气象灾害风险评估与减灾对策科学通报，（）：李小文，曹春香，常超一地理学第一定律与时空邻近度的提出自然杂志，（）：熊俊楠，李进，程维明，等西南地区山洪灾害时空分布特征及其影响因素地理学报，（）：刘业森中国山洪灾害时空分布格局及驱动力异质性评价研究天津：天津大学，刘治中数值积分权函数法推求 型分布参数水文，（）：马秀峰计算水文频率参数的权函数法水文，（）：吴新元改进的割线法及其大范围收敛性南京大学学报（自然科学版），（）：徐新良中国年度植被指数（）空间分布数据集 ，：，郭良，张晓蕾，刘荣华，等全国山洪灾害调查评价成果及规律初探地球信息科学学报，（）：毛祺，彭建，刘焱序，等耦合 与 的生态功能分区方法：以鄂尔多斯市为例地理学报，（）：，（）：，：，（）：王劲峰，徐成东地理探测器：原理与展望地理学报，（）：，：，（）：犉 犾 犪 狊 犺犉 犾 狅 狅 犱犎 犪 狕 犪 狉 犱犚 犲 犵 犻 狅 狀 犪 犾 犻 狕 犪 狋 犻 狅 狀犅 犪 狊 犲 犱狅 狀犌 狉 犪 狆 犺犆 犾 狌 狊 狋 犲 狉 犻 狀 犵犖 犲 狌 狉 犪 犾犖 犲 狋 狑 狅 狉 犽 犻 狀犑 犻 犪 狀 犵 狓 犻 犘 狉 狅 狏 犻 狀 犮 犲，犆 犺 犻 狀 犪 ，（犆 狅 犾 犾 犲 犵 犲 狅 犳犎 狔 犱 狉 狅 犾 狅 犵 狔犪 狀 犱犠 犪 狋 犲 狉犚 犲 狊 狅 狌 狉 犮 犲 狊，犎 狅 犺 犪 犻 犝 狀 犻 狏 犲 狉 狊 犻 狋 狔，犖 犪 狀 犼 犻 狀 犵 ；犚 犲 狊 犲 犪 狉 犮 犺犆 犲 狀 狋 犲 狉 狅 狀犉 犾 狅 狅 犱犪 狀 犱犇 狉 狅 狌 犵 犺 狋犇 犻 狊 犪 狊 狋 犲 狉犚 犲 犱 狌 犮 狋 犻 狅 狀狅 犳犕 犻 狀 犻 狊 狋 狉 狔狅 犳犠 犪 狋 犲 狉犚 犲 狊 狅 狌 狉 犮 犲 狊，犆 犺 犻 狀 犪 犐 狀 狊 狋 犻 狋 狌 狋 犲 狅 犳犠 犪 狋 犲 狉犚 犲 狊 狅 狌 狉 犮 犲 狊 犪 狀 犱犎 狔 犱 狉 狅 狆 狅 狑 犲 狉犚 犲 狊 犲 犪 狉 犮 犺，犅 犲 犻 犼 犻 狀 犵 ，犆 犺 犻 狀 犪）犃 犫 狊 狋 狉 犪 犮 狋：，狇 ，狇 犓 ，犓 犲 狔狑 狅 狉 犱 狊：；页第第期 时开鑫，陈跃红，张晓祥，等：基于图聚类神经网络的江西省山洪灾害危险性区划研究