城市强降雨致涝风险评估与区划研究——以武汉市为例.pdf

第 卷第 期 年 月灾 害 学 王德运 吴祈 张露丹 等.城市强降雨致涝风险评估与区划研究 以武汉市为例.灾害学 ():.:.():/城市强降雨致涝风险评估与区划研究 以武汉市为例王德运 吴 祈 张露丹 郭海湘 柯小玲(中国地质大学(武汉)经济管理学院 湖北 武汉 中国地质大学(武汉)自然灾害风险防控与应急管理实验室 湖北 武汉)摘 要:以武汉市为研究区域 从遥感影像中提取相关淹没点数据并从致灾因子、孕灾环境及承灾体三方面出发选取 个洪涝灾害风险影响因素 基于随机森林、梯度提升决策树、和逻辑斯蒂回归四种模型拟合淹没点与影响因素间的非线性关系 进而得到不同影响因素对风险水平的作用程度 并据此计算各指标权重建立风险评估模型 基于所建立的模型 对武汉市洪涝灾害风险区进行识别 其结果为:相比于随机森林、梯度提升决策树和逻辑斯蒂回归 模型在拟合影响因素与淹没点之间的非线性关系方面具有更优的性能 武汉市洪涝灾害风险水平主要受高程、人口密度和年平均降雨量的影响 高风险区域主要分布在中部主城区和东南部梁子湖附近 承灾体暴露性急剧增加是武汉市洪涝灾害高风险地区形成的主要原因关键词:洪涝灾害 风险评估与区划 影响因素 机器学习 武汉市中图分类号:文献标志码:文章编号:():/洪涝灾害是我国城市可持续发展过程中面临的最主要的自然灾害 城市洪涝灾害的主要致灾因子是暴雨 但暴雨预报准确率的提高受多方面因素的制约 是一个世界性的难题 无法短时间内得到改善 因此 开展科学合理的灾前风险评估与区划工作对于降低灾害损失和提升城市“防灾、减灾、抗灾、救灾”能力至关重要国内外学者在城市洪涝灾害风险评估与区划研究中常用的方法主要包括如下四类:历史灾害数理统计法、情景模拟分析法、遥感影像与 耦合法和指标体系法 历史灾害数理统计法依赖于政府和权威机构发布的历史水文、洪涝灾情数据 通过数理统计分析方法开展灾害风险评估 杨佩国等基于历史暴雨洪涝灾情数据构建脆弱性曲线 定量研究北京市在不同降雨量下的宏观脆弱性 但是 该方法依赖目标区域内长时间序列的基础水文观测数据 不适用于自然和社会环境变化迅速的区域 且研究结论无法显示风险的空间差异 情景模拟分析法主要是基于多种水动力模型在不同情景下对研究区域内的高风险点进行识别 例如 单薪蒙等以上海为研究区域 基于水文水动力模型对该区域未来极端风暴洪水进行淹没情景模拟 该方法评估结果能精准反映灾害的影响范围和空间分布特征然而 由于相关模型的参数数量庞大 对区域基础数据完整性要求高且计算过程复杂 限制了该方法的广泛应用 遥感影像与地理信息系统()耦合法主要依托遥感影像和 通过提取并解析遥感影像中的相关信息 构建风险评估模型 例如 等利用 年非洲 流域的数百幅 遥感影像数据 构建了一个洪涝灾害回归模型用于评估洪灾风险 并识别出洪灾的驱动因素和高风险区域 该评估法能直观反映研究区域内洪涝灾害的空间分布特征 但评估结论的准确性很大程度上受限于遥感影像数据的质量指标体系法是从构成洪涝风险的要素出发通过一定原则选取指标 构建洪涝灾害风险评估体系并计算指标权重对洪涝灾害风险进行评估该方法可以显示宏观区域或较大尺度区域的洪涝风险情况 且计算方法相对简单 得到了广泛应用 等针对洪涝易发性评价问题选取了十个影响因素作为评价指标并采用层次分析法对每个指标权重进行了计算 利用得到的权重对研究区域进行了洪涝风险区划 实证结果验证了所提方法的有效性 李彦萍等基于层次分析法对道路洪涝灾害风险进行了评价 在指标体系法中 指标权重的分配是决定风险评估准确性的关键步骤 目前常用的指标权重分配方式主要包括专家打分法、层次分析法、集对分析法、模糊综合评判法、熵权法和主成分分析法等 但上述方法大多依赖于专家的经验和知识 权重分配过程的定量化程度不高 导致评估结果存在一定的主观性和不确定性收稿日期:修回日期:基金项目:国家自然科学基金面上项目()湖北省自然科学基金联合基金项目()中央高校基本科研业务费专项资金资助项目()第一作者简介:王德运()男 汉族 山东菏泽人 博士 副教授 主要从事灾害风险管理研究.:通信作者:吴祈()男 汉族 江西九江人 硕士研究生 主要从事洪涝灾害风险评估研究.:灾 害 学 卷鉴于此 该文以武汉市为研究区域 首先从致灾因子、孕灾环境及承灾体三方面选取 个洪涝灾害风险影响因素构建指标体系 随后 使用更为客观的机器学习模型计算权重 为进一步提高预测精度 该文基于淹没点数据从四种机器学习模型中选择预测精度最高的一种 并据此计算各指标权重 建立风险评估模型 最后 基于所建立的模型 对武汉市洪涝灾害的高、中、低风险区域进行了识别 研究区域与数据 研究区域概况武汉是湖北省省会 其地理环境如图 所示武汉属北亚热带季风性湿润气候 有雨量充沛、日照充足、夏季酷热、冬季寒冷的特点 地势为东高西低 南高北低 最高点海拔为 最低陆地海拔 武汉江河纵横、湖港交织 长江、汉水交汇于市境中央 且接纳南北支流入汇 众多大小湖泊镶嵌在大江两侧 形成湖沼水网 截至 年 武汉有大小湖泊 个 在正常水位时 湖泊水面面积 居中国城市首位图 研究区水域位置分布图(审图号:京()号底图无修改 下同)数据及来源 洪水淹没区与采样点为获得武汉市淹没区数据 首先使用 和 软件在武汉市 年 月和 年 月的遥感影像(:/)中分别提取洪涝灾害前和灾害后的水体数据 对比灾害前后的水体变化获得武汉市洪水淹没区和非淹没区(图)图 武汉市灾前和灾后水体分布图(注:图中蓝色部分代表 月份和 月份的遥感影像中水体的重合部分 红色部分表示 月份和 月份的遥感影像相比多出的水体即由于 月份的洪涝灾害导致的新增淹没区)接着 基于空间均匀分布的原则分别在淹没区和非淹没区内随机选择淹没点和非淹没点 为保证采样点能够充分覆盖研究区域并兼顾机器学习模型的时间效率 本文选取了 个淹没点和 个非淹没点(共计 个采样点)用来训练和测试模型 采样点的空间分布如图 所示 将上述 个采样点中的 划分为训练集 划分为测试集 其中 每个采样点包含 个特征数据(即选取的 个风险指标)和 个标签数据(表示目标区域是否被洪水淹没 表示非淹没 表示淹没)数据获取与处理的流程如图 所示图 武汉市淹没区与非淹没区采样点空间分布图图 数据获取与处理的流程 指标体系及数据来源本文从致灾因子、孕灾环境及承灾体三个方面选择了 个影响因素 各因素数据的时间、单位及分辨率如表 所示表 洪涝灾害风险影响因素一级指标二级指标时间空间分辨率致灾因子日最大降雨量/年 最大降雨量/年 年平均降雨量/年 孕灾环境高程/年 坡度/年 地形湿度指数 年 路网密度/(/)年 距离河流距离/年 归一化植被指数 年 承灾体人口密度/(人/)年 密度/(人/)年 夜间灯光数据 年 期王德运 等:城市强降雨致涝风险评估与区划研究 致灾因子包括 最大降雨量、日最大降雨量及年平均降雨量 最大降雨量和日最大降雨量用来表示短时暴雨特征 年平均降雨量用来表示长时暴雨特征 其中 最大降雨量和日最大降雨量数据来自全球卫星降水计划(:/)年平均降雨量来自柏荷等使用 预处理后的数据孕灾环境包括高程、坡度、距河流距离、路网密度、地形湿度指数和归一化植被指数 高程和坡度是重要的地形指标 高程和坡度值低的地区一般更容易受到洪水威胁 路网密度是衡量区域排水能力的重要指标 因为道路在排水方面发挥着重要作用 而且路网密度值较高的地区通常拥有更密集的管网 此外 河流在暴雨中容易泛滥 导致河流洪水 因此 距离河流近的地区更容易受到洪水的影响 地形湿度指数反映了土壤水分的空间分布 归一化植被指数反映了植被的覆盖率 高程数据来自地理空间数据云(:/)坡度、距河流距离和地形湿度指数是基于高程数据由 计算获得 路网数据来自 地图官网()归一化植被指数来自中国科学院资源环境科学与数据中心(:/)承灾体相关指标包括人口密度、密度及夜间灯光 这 个指标反映了人口和资产集中度上述指标值越大的地区 承灾体越脆弱 人口密度数 据 来 自 国 家 地 球 系 统 科 学 数 据 中 心()密度和夜间灯光数据均来自中国科学院资源环境科学与数据中心(:/)本文所选取的 个指标数据的空间分布如图 所示由于数据来源不同、格式不一 研究数据需要首先通过投影变换到同一空间坐标系 然后对离散数据采用克里金插值法进行空间化处理 并与矢量数据配准 为提高评估精度 本文基于 重采样工具将所有栅格数据的空间分辨率转为 研究方法 随机森林随机森林是一个包含多个决策树的集成分类器 由于具有良好的预测精度和泛化能力 该方法在洪水风险评估中得到了广泛的应用通过比较不同特征的平均 指数改变量占所有特征平均 指数改变量总和的百分比来判断特征重要程度 假设有 个特征()则重要性评分计算如下:()()表示特征 分类时 变化量 和 是分裂后的新节点 若随机森林共有 棵树 那么特征 在所有决策树中的 变化量总和为下式:()最后 得到特征重要性 即指标权重如下:()图 武汉市洪涝灾害风险影响因素空间分布灾 害 学 卷 梯度提升决策树梯度提升决策树是一种集成学习方法 该方法将多个弱分类器组合为一个强基分类器 是一种高效、低偏差的分类模型 梯度提升决策树已被广泛地应用于洪水深度预测和洪涝灾害风险评估梯度提升决策树是以 决策树为基模型的集成学习模型 将特征重要性用 表示 平方误差用 表示 假设特征集 有 个特征 即 特征 在节点 的特征重要性 即 在 二 叉 分 枝 前 后 的 平 方 误 差 减 小 量为:()假设模型中共有 棵树 则特征 在模型中的特征重要性为:()()是一种高效的梯度提升决策树算法 其基本思想是不断地添加树和进行特征分裂 每添加一棵树就学习一个新的函数 并用其去拟合上一轮预测的残差该方法在洪涝灾害风险评估领域也有着较多的应用 其计算公式如下:()()式中:表示第 个样本预测值()表示第 个变量的第 个回归方程 表示回归树集合 使用 模型的优势在于提升树被创建后 可以相对直接地得到每个属性的重要性得分 一般来说特征重要性评分衡量了特征在构建提升决策树时的价值 一个属性越多地被用来在模型中构建决策树 它的重要性就相对越高 逻辑斯蒂回归逻辑斯蒂回归是一种常用二分类模型 在该模型中 因变量以二进制形式表示 表示特定现象的存在 表示不存在 在本研究中 值 和 分别表示洪水区和非洪水地区 ()式中:是逻辑斯蒂回归模型的截距()是逻辑斯蒂回归模型的系数()表示特征在得到具体的逻辑斯蒂回归模型后 使用对应指标的回归系数与所有回归系数总和之比来表示该特征重要性评分 即指标权重 计算公式为:()实证结果 四种机器学习模型的性能比较鉴于洪涝风险与影响因素间的高度非线性关系 本文使用随机森林、梯度提升决策树、和逻辑斯蒂回归四种机器学习模型对武汉市洪涝灾害风险点进行识别 在评估过程中 每个采样点对应的 个指标数据作为模型的输入 个标签数据(表示非淹没 表示淹没)作为模型的输出 为提升上述四种机器学习模型的性能本文首先以()为标准对四种机器学习模型进行参数优化 值是 曲线下的面积 常用于评判二值分类器的优劣 不同的参数会对模型的性能产生明显影响 本文使用网格搜索和五重交叉验证法对上述模型的参数进行优化 优化后的模型参数如表 所示 基于优化后的模型参数 使用 个采样点的数据对上述四种模型进行训练和测试 随机抽取采样点中的 (即 个采样点)作为训练集 其余(即 个采样点)作为测试集表 四种机器学习模型的参数模型参数值随机森林梯度提升决策树 罗辑斯蒂回归 为了更好地比较上述四种模型在洪涝点识别方面的准确性 本文综合使用 值和测试集上的预测精度两种指标对上述四种模型的性能进行了对比 图 显示了上述四种模型测试结果的 曲线 从图中可以发现四种模型结果的 值依据从大到小的排序为:梯度提升决策树 随机森林 逻辑斯蒂回归 表 显示了上述四种模型的预测精度 按其精度自高至低排序为:梯度提升决策树 随机森林 逻辑斯蒂回归 由上述 值和预测精度的结果可知 模型可以更好地拟合本区域洪涝灾害影响因素与风险点间的非线性关系 具有更高的风险点识别能力 因此 本文选取 模型对武汉市的洪涝风险进行评估图 不同机器学习模型的 曲线 期王德运 等:城市强降雨致涝风险评估与区划研究表 不同机器学习模型的精准度和 值指标随机森林梯度提升决策树罗辑斯蒂回归 值 预测精度/表 武汉市洪涝灾害风险影响因素的权重计算结果目标一级指标二级指标权重权重性质洪涝灾害风险致灾因子孕灾环境承灾体日最大降雨量 最大降雨量 年平均降雨量 高程 坡度 地形湿度指数 路网密度 距离河流距离 植被指数 人口密度 密度 夜间灯光数据 正向正向正向负向负向正向正向负向负向正向正向正向 武汉市强降水致涝风险评估与区划鉴于 模型在洪涝点识别方面的优良性能 首先根据 模型计算得出 个二级指标的权重 算出致灾因子的危险性、孕灾环境的脆弱性和承灾体的暴露性三个风险指数 接着将致灾因子的危险性、孕灾环境的脆弱性和承灾体的暴露性三个风险指数进行线性加权得到目标区域的洪涝风险 基于 模型计算出的 个指标的权重值如表 所示 从一级指标来看 孕灾环境对武汉市洪涝灾害风险的影响程度最高达到 其次为承灾体和致灾因子本文使用自然断点法对不同风险水平进行等级划分 进而得到洪涝灾害风险区划结果(图)从图 中可发现 较高风险地区主要分布在武汉市中部的主城区和东南部的梁子湖附近 其中 洪涝灾害风险最高的地区为武汉市主城区中的江汉区、硚口区、江岸区、汉阳区、武昌区和洪山区 这主要是因为武汉市中部地区人口和资产高度集中且植被覆盖率低 不透水面积大 导致同等淹没情况下所承受的风险相对较高 而武汉市东南部的梁子湖附近地区则是因为距离湖泊距离较近 降雨容易引起湖泊水面上升 从而淹没附近区域图 武汉市洪涝灾害风险区划本文进一步分析了 个影响因素对武汉市洪涝灾害风险的影响程度 并依据作用程度的高低对各影响因素进行了排序(图)从高到低排序依次为:高程、人口密度、年平均降雨量、植被覆盖率、夜间灯光、坡度、密度、日最大降雨量、最大降雨量、地形湿度指数、路网密度及距河流距离 其中 对洪涝风险影响程度最高的五个因素对风险区划结果的总贡献率达到了 图 武汉市洪涝灾害风险影响因素重要性排序 因素作用程度对风险区划结果的影响不同风险等级的区域 其主要影响因素可能存在较大差异 为了更好地分析影响因素和目标区域风险等级划分之间的关联关系 本文计算了不同风险水平下各影响因素数据的平均值(表)得到:低风险地区存在降雨水平弱 高程和坡度值高 人口聚集程度低 不透水面积小和植被覆盖率高的特征 这与低风险地区的经济相对不发达和人口偏少等特点有关 中风险地区与低风险地区相比以及较高风险区与中风险区相比均存在致灾因子危险性、孕灾环境脆弱性和承灾体暴露性明显升高的情况 高风险区与较高风险区相比 致灾因子危险性和孕灾环境脆弱性并未存在显著升高的情况 例如 高风险区的年平均降雨量和 最大降雨量相较于较高风险区降低 地形湿度指数降低 距河流距离更远 但承灾体的暴露性却发生了显著变化 这直接导致了该区域风险等级的升高 上述发现表明 武汉市洪涝灾害高风险地区主要是由承灾体的暴露性急剧升高导致的 即 武汉市的高风险地区多为人口高度聚集、资产相对集中的主城区 导致同等降雨情况下 其所承受的风险相对较高灾 害 学 卷表 武汉市不同洪涝风险等级下的因素平均值洪涝风险等级 最大降雨量/日最大降雨量/年平均降雨量/高程/低风险 中风险 较高风险 高风险 洪涝风险等级坡度/地形湿度指数路网密度/(/)距河流距离/低风险 中风险 较高风险 高风险 洪涝风险等级植被指数人口密度/(人/)密度/(元/)夜间灯光低风险 中风险 较高风险 高风险 结论针对当前城市洪涝现状 本文以武汉市为具体研究区域 首先 结合城市洪涝灾害的致灾机理从致灾因子、孕灾环境及承灾体出发选取了 个影响因素 并利用遥感影像随机选取武汉市内 个采样点 然后 基于随机森林、梯度提升决策树、及逻辑斯蒂回归四种模型对武汉市强降水致涝风险进行了评估和区划 最后 针对各因素作用程度对风险区划结果的影响作了进一步讨论()相比于其他三种模型 可以更好地拟合影响因素与风险点间的非线性关系 从而在洪涝点识别上具有更高的精度()从武汉市洪涝风险区划结果来看 高风险地区主要分布在武汉市中部的主城区以及位于武汉市东南部的梁子湖附近 其中 风险最高的地区为江汉区、硚口区、江岸区、汉阳区、武昌区和洪山区()与低、中、较高风险区情况不同 武汉市高风险地区主要是由承灾体的高暴露性导致的即 武汉市的高风险地区多为人口高度聚集、资产相对集中的主城区 导致同等降雨情况下 其所承受的风险相对较高参考文献:舒亮亮 何小赛.城市洪涝灾害风险评估研究进展.中国防汛抗旱 ():.:.:.():.:杨佩国 靳京 赵东升 等.基于历史暴雨洪涝灾情数据的城市脆弱性定量研究 以北京市为例.地理科学():单薪蒙 杜士强 王璐阳 等.基于网络大数据和水文 水动力模型的沿海城市洪水风险与适应.科学通报 ():.():.:李彦萍 王涛 王玺伟 等.层次分析法支持下的道路洪涝灾害风险评价 以武夷山地区为例.测绘通报():柏荷 明義森 刘启航 等.基于 卫星降雨产品的 年中国暴雨数据集.中国科学数据 ():.:.:.:.:林森 刘蓓蓓 闫雪 等.灾害大数据驱动的县域重大洪涝过程灾害风险评估.灾害学 ():.:佟金萍 张涵玥 刘辉 等.基于 的长三角核心城市内涝风险评估及影响因素分析.水利水电技术 ():():期王德运 等:城市强降雨致涝风险评估与区划研究 :.:.:(上接第 页)周泓 段玮 赵爽 等.滇中地区冰雹的多普勒天气雷达及闪电活动特征分析.气象 ():.:王翠香 褚宝增.概率统计.北京:北京大学出版社 俞小鼎 姚秀萍 熊廷南 等.多普勒天气雷达原理与业务应用.北京:气象出版社 ():.: