賴成光，王兆禮，陳曉宏，黃銳貞，廖威林，吳旭樹

(1.中山大學(xué)水資源與環(huán)境研究中心，廣東 廣州 510275；2.華南地區(qū)水循環(huán)與水安全廣東普通高校重點(diǎn)實(shí)驗(yàn)室，廣東 廣州 510275;3.華南理工大學(xué)土木與交通學(xué)院，廣東 廣州 510641)

?

基于Ant-Miner的洪災(zāi)風(fēng)險(xiǎn)區(qū)劃模型及應(yīng)用*

賴成光1,2，王兆禮3，陳曉宏1,2，黃銳貞1,2，廖威林3，吳旭樹3

(1.中山大學(xué)水資源與環(huán)境研究中心，廣東 廣州 510275；2.華南地區(qū)水循環(huán)與水安全廣東普通高校重點(diǎn)實(shí)驗(yàn)室，廣東 廣州 510275;3.華南理工大學(xué)土木與交通學(xué)院，廣東 廣州 510641)

應(yīng)用蟻群優(yōu)化算法(Ant Colony Optimization, ACO)進(jìn)行規(guī)則挖掘是一個(gè)新的研究熱點(diǎn)。為解決指標(biāo)變量與風(fēng)險(xiǎn)級(jí)別間非線性關(guān)系，提出一種基于蟻群規(guī)則挖掘算法(Ant-Miner)的洪災(zāi)風(fēng)險(xiǎn)區(qū)劃模型。在GIS技術(shù)支持下，將該模型應(yīng)用于北江流域洪災(zāi)風(fēng)險(xiǎn)區(qū)劃實(shí)例中，結(jié)果表明：① Ant-Miner模型可挖掘15條適合研究區(qū)的洪災(zāi)風(fēng)險(xiǎn)分類規(guī)則，這些規(guī)則以簡(jiǎn)單的條件語(yǔ)句形式表現(xiàn)，便于生成風(fēng)險(xiǎn)區(qū)劃圖；② Ant-Miner模型測(cè)試精度(95.1%)高于相同條件下BP神經(jīng)網(wǎng)絡(luò)模型的精度(92.9%)，表明其分類性能更好，對(duì)洪災(zāi)風(fēng)險(xiǎn)區(qū)劃具有更好的適用性；③ 研究區(qū)高風(fēng)險(xiǎn)區(qū)主要集中于降雨量較大、地勢(shì)平緩低洼、人口財(cái)產(chǎn)密集的地區(qū)，與歷史洪災(zāi)風(fēng)險(xiǎn)情況較吻合，表明所構(gòu)建的模型科學(xué)合理，可為流域洪災(zāi)風(fēng)險(xiǎn)評(píng)價(jià)提供了新思路。

洪災(zāi)；風(fēng)險(xiǎn)區(qū)劃；蟻群優(yōu)化算法；規(guī)則挖掘；北江流域

洪水災(zāi)害是一種突發(fā)性強(qiáng)、發(fā)生頻率高、危害嚴(yán)重的自然災(zāi)害[1-2]。洪災(zāi)風(fēng)險(xiǎn)評(píng)價(jià)是確定洪災(zāi)風(fēng)險(xiǎn)相對(duì)大小的重要手段，是一種定性、半定量化且考慮自然屬性和社會(huì)屬性的綜合性評(píng)價(jià)。洪災(zāi)風(fēng)險(xiǎn)區(qū)劃是在洪水風(fēng)險(xiǎn)評(píng)價(jià)基礎(chǔ)上把研究區(qū)劃分為不同風(fēng)險(xiǎn)級(jí)別的區(qū)域，其目的是為了更準(zhǔn)確地掌握洪災(zāi)風(fēng)險(xiǎn)的空間分布格局及內(nèi)在規(guī)律。開展洪災(zāi)風(fēng)險(xiǎn)區(qū)劃工作對(duì)洪災(zāi)風(fēng)險(xiǎn)管理、災(zāi)害預(yù)警預(yù)報(bào)、洪水保險(xiǎn)評(píng)估等工作具有重要指導(dǎo)意義。由于洪災(zāi)風(fēng)險(xiǎn)區(qū)劃受自然和社會(huì)諸多因素影響，評(píng)價(jià)過(guò)程涉及多個(gè)評(píng)價(jià)指標(biāo)，因而一直是國(guó)內(nèi)外災(zāi)害學(xué)研究的熱點(diǎn)和難點(diǎn)之一。構(gòu)建風(fēng)險(xiǎn)區(qū)劃模型常用的方法有層次分析法[3]、模糊綜合評(píng)價(jià)[4]、集對(duì)分析法[5]等。

隨著洪災(zāi)風(fēng)險(xiǎn)區(qū)劃方法多樣化發(fā)展，一些智能算法也逐漸被應(yīng)用，如決策樹[6-7]、貝葉斯網(wǎng)絡(luò)[8]、隨機(jī)森林模型[9]、人工神經(jīng)網(wǎng)絡(luò)[10]等。Colorni 和 Dorigo等[11]于1991年提出了一種新的模擬螞蟻群體智能行為的蟻群優(yōu)化算法(Ant Colony Optimization, ACO)，該算法具有較強(qiáng)的魯棒性、自適應(yīng)性、正反饋和優(yōu)良的分布式計(jì)算機(jī)制、易于與其他算法結(jié)合的優(yōu)點(diǎn)?；谙伻核惴ǖ囊?guī)則挖掘(Ant-Miner)最初由Parpinelli[12]于2002年提出，目的是從訓(xùn)練數(shù)據(jù)中挖掘分類規(guī)則，然后應(yīng)用分類規(guī)則對(duì)待測(cè)數(shù)據(jù)進(jìn)行分類，已被成功應(yīng)用于蛋白質(zhì)層次分類[13]、聲頻信號(hào)分類[14]、遙感影像分類[15]、元胞機(jī)轉(zhuǎn)移規(guī)則發(fā)現(xiàn)[16]等領(lǐng)域。上述研究均表明Ant-Miner能有效解決非線性分類問(wèn)題，且具有較高的精度與效率。

洪災(zāi)風(fēng)險(xiǎn)區(qū)劃需綜合考慮研究區(qū)指標(biāo)變量與最終風(fēng)險(xiǎn)級(jí)別相關(guān)關(guān)系，顯然，風(fēng)險(xiǎn)區(qū)劃過(guò)程實(shí)質(zhì)上也是一個(gè)解決多變量分類問(wèn)題的過(guò)程。各指標(biāo)變量與風(fēng)險(xiǎn)級(jí)別之間的關(guān)系往往是復(fù)雜的非線性關(guān)系，而Ant-Miner可以有效地解決此類問(wèn)題，且能保持較高的精度與效率。因此基于Ant-Miner的分類方法理論上可被應(yīng)用到洪災(zāi)風(fēng)險(xiǎn)區(qū)劃領(lǐng)域然而卻鮮見相關(guān)報(bào)道。鑒于此，本文將以北江流域?yàn)槔龢?gòu)建洪災(zāi)風(fēng)險(xiǎn)區(qū)劃指標(biāo)體系，借助GIS技術(shù)建立基于Ant-Miner的洪災(zāi)風(fēng)險(xiǎn)區(qū)劃模型，以探索洪災(zāi)風(fēng)險(xiǎn)評(píng)價(jià)新途徑，以期為流域防洪減災(zāi)和災(zāi)害評(píng)估工作提供參考依據(jù)。

1 基于 Ant-Miner洪災(zāi)風(fēng)險(xiǎn)區(qū)劃模型

洪災(zāi)風(fēng)險(xiǎn)區(qū)劃指根據(jù)研究區(qū)洪水危險(xiǎn)性特征，參考區(qū)域承災(zāi)能力及社會(huì)經(jīng)濟(jì)狀況，把研究區(qū)劃分為不同風(fēng)險(xiǎn)等級(jí)的區(qū)域，區(qū)劃過(guò)程受自然和社會(huì)眾多因素影響，而這些因素往往通過(guò)風(fēng)險(xiǎn)指標(biāo)變量體現(xiàn)。構(gòu)建合適的洪災(zāi)風(fēng)險(xiǎn)區(qū)劃模型可以方便分析風(fēng)險(xiǎn)空間分布特性。模型的核心任務(wù)是根據(jù)指標(biāo)變量對(duì)風(fēng)險(xiǎn)進(jìn)行綜合分類，即對(duì)研究區(qū)內(nèi)的風(fēng)險(xiǎn)水平進(jìn)行分類并區(qū)劃出不同級(jí)別。

ACO算法主要通過(guò)模擬自然界中螞蟻集體尋徑行為而提出的一種基于群體智能的啟發(fā)式仿生進(jìn)化算法[17]。而基于蟻群算法的規(guī)則挖掘(Ant-Miner)的目標(biāo)則是從訓(xùn)練數(shù)據(jù)中挖掘分類規(guī)則，每個(gè)螞蟻的任務(wù)是不斷尋找分類規(guī)則，最終整個(gè)蟻群能夠挖掘出一個(gè)非常滿意的規(guī)則庫(kù)[18]。同理，基于Ant-Miner的洪災(zāi)風(fēng)險(xiǎn)區(qū)劃模型的基本思想是利用該算法卓越的分類性能對(duì)洪災(zāi)風(fēng)險(xiǎn)水平進(jìn)行分級(jí)，主要原理是利用蟻群覓食原理在數(shù)據(jù)庫(kù)中搜索最優(yōu)規(guī)則，通過(guò)模仿螞蟻尋找食物的方式來(lái)構(gòu)造洪災(zāi)風(fēng)險(xiǎn)級(jí)別識(shí)別的規(guī)則，并利用這些規(guī)則對(duì)待測(cè)數(shù)據(jù)進(jìn)行分級(jí)。

1.1 Ant-Miner原理

定義路徑為指標(biāo)節(jié)點(diǎn)和風(fēng)險(xiǎn)級(jí)別節(jié)點(diǎn)的連線，其中每個(gè)指標(biāo)節(jié)點(diǎn)最多只出現(xiàn)一次且必須有風(fēng)險(xiǎn)級(jí)別節(jié)點(diǎn)[17]。圖1中給出了兩條可能的路徑，每條路徑對(duì)應(yīng)著一條分類規(guī)則，分類規(guī)則的挖掘可以看成對(duì)路徑的搜索。然而搜索的并非最短路徑，而是最優(yōu)路徑，此最優(yōu)路徑表示最優(yōu)的分類規(guī)則?？梢杂寐窂綄?duì)應(yīng)規(guī)則的分類能力(有效性)和長(zhǎng)短(簡(jiǎn)潔性)來(lái)衡量路徑的優(yōu)劣。

圖1 分類規(guī)則對(duì)應(yīng)的路徑Fig.1 Classification rules corresponding to routes

螞蟻構(gòu)造規(guī)則的過(guò)程體現(xiàn)為構(gòu)造一條路徑，可分為3個(gè)階段[17]：首先從一條空路徑開始重復(fù)選擇路徑節(jié)點(diǎn)增加到路徑上(模仿螞蟻的爬行過(guò)程)，直到得到一條完整路徑，也即一條分類規(guī)則；其次進(jìn)行規(guī)則的剪枝，以解決分類規(guī)則過(guò)度擬合問(wèn)題；最后更新所有路徑上的外激素濃度，對(duì)下一只螞蟻構(gòu)造規(guī)則施加影響(模擬螞蟻間的信息交流)。三個(gè)階段間的具體協(xié)作如圖2所示。

圖2 ACO 規(guī)則構(gòu)建流程圖Fig.2 Flow chart of ACO rule construction

1) 規(guī)則構(gòu)造

定義蟻群搜索路徑為指標(biāo)節(jié)點(diǎn)和等級(jí)節(jié)點(diǎn)的連線，即每只螞蟻?zhàn)哌^(guò)的一條路徑對(duì)應(yīng)于一條分類規(guī)則。如圖1所示，風(fēng)險(xiǎn)等級(jí)可以認(rèn)為是食物源，各離散指標(biāo)值到風(fēng)險(xiǎn)等級(jí)之間構(gòu)成了一段路徑，每條路徑對(duì)應(yīng)一條分類規(guī)則，分類規(guī)則的挖掘可以當(dāng)作是對(duì)最優(yōu)路徑的搜索。剛開始時(shí)，隨機(jī)生成一條規(guī)則，規(guī)則的形式為：IF< term1AND term2AND…> THEN，其中termi為條件項(xiàng)，條件組合用<指標(biāo)名稱，操作符號(hào)(即“>=”和“<=”兩種符號(hào))，指標(biāo)值>表示，grade為滿足該規(guī)則的洪災(zāi)風(fēng)險(xiǎn)等級(jí)。需要注意的是指標(biāo)樣本是連續(xù)值，需對(duì)數(shù)據(jù)進(jìn)行離散化處理[19]。

規(guī)則構(gòu)造具體包括初始化蟻群、初始化信息素和蟻群移動(dòng)3部分內(nèi)容：

初始化蟻群：m只螞蟻隨機(jī)分布在第一個(gè)評(píng)價(jià)指標(biāo)的某節(jié)點(diǎn)上。

初始化信息素：所有路徑節(jié)點(diǎn)的信息素濃度被初始化為相同的值：

(1)

其中，τij為條件項(xiàng)termij的信息素濃度，a為數(shù)據(jù)庫(kù)中指標(biāo)(不包括等級(jí)數(shù))總數(shù)，bi為指標(biāo)i所有可能取值的數(shù)據(jù)，j為風(fēng)險(xiǎn)等級(jí)數(shù)。

蟻群移動(dòng)：螞蟻根據(jù)以下公式選擇下一個(gè)節(jié)點(diǎn)。

(2)

上式中采用賭輪機(jī)制用來(lái)選擇指標(biāo)節(jié)點(diǎn)[12]，對(duì)每個(gè)指標(biāo)來(lái)說(shuō)，其所屬節(jié)點(diǎn)termij被選擇的概率為Pij(t)。其中，τij(t)為條件項(xiàng)termij的信息素濃度，ηij為條件項(xiàng)termij的啟發(fā)式函數(shù)值。

(3)

2) 規(guī)則修剪

根據(jù)指標(biāo)節(jié)點(diǎn)的選擇標(biāo)準(zhǔn)，在每個(gè)指標(biāo)中選擇一個(gè)節(jié)點(diǎn)后得到一條最原始的規(guī)則，規(guī)則的有效性通過(guò)公式(4)進(jìn)行計(jì)算。

(4)

對(duì)于等級(jí)cj的分類結(jié)果，TruePos表示實(shí)際屬于該等級(jí)且分類模型認(rèn)為屬于該等級(jí)的樣本數(shù)；TrueNeg表示實(shí)際屬于該等級(jí)但分類模型認(rèn)為不屬于該等級(jí)的樣本數(shù)；FlasePos表示實(shí)際不屬于該等級(jí)但分類模型認(rèn)為屬于該等級(jí)的樣本數(shù)；FlaseNeg表示實(shí)際不屬于該等級(jí)且分類模型認(rèn)為不屬于該等級(jí)的樣本數(shù)。

修剪方法是依次移去能使規(guī)則有效性得到最大提高的指標(biāo)節(jié)點(diǎn)，即移除多余的指標(biāo)節(jié)點(diǎn)，直到任一指標(biāo)節(jié)點(diǎn)的移除都會(huì)降低規(guī)則的有效性。若達(dá)到結(jié)束條件(足夠好的規(guī)則或最大迭代次數(shù))則結(jié)束，否則再次返回蟻群移動(dòng)的步驟。當(dāng)若干螞蟻連續(xù)搜索到同一路徑時(shí)，則認(rèn)為搜索收斂，該路徑進(jìn)行規(guī)則修剪后成為一條最終規(guī)則；或當(dāng)?shù)螖?shù)達(dá)到指定的次數(shù)時(shí)，在迭代過(guò)程搜索到的規(guī)則中選擇質(zhì)量最好的規(guī)則作為最終規(guī)則。由于在迭代過(guò)程中，質(zhì)量較好的規(guī)則，由于其信息素濃度逐漸增強(qiáng)，從而能夠得以保留，并被視為最終分類規(guī)則，其它質(zhì)量較差的規(guī)則被丟棄。

3) 信息素更新

人工螞蟻在指標(biāo)節(jié)點(diǎn)選擇過(guò)程中的正反饋機(jī)制是通過(guò)改變指標(biāo)節(jié)點(diǎn)上的信息素濃度來(lái)實(shí)現(xiàn)的。當(dāng)一次迭代中的人工螞蟻構(gòu)造的規(guī)則經(jīng)過(guò)修剪得到分類規(guī)則后，所有路徑節(jié)點(diǎn)的信息素濃度都將依據(jù)這種分類規(guī)則的效率進(jìn)行更新，指標(biāo)節(jié)點(diǎn)的信息素濃度更新公式如下：

(5)

(6)

(7)

1.2 基于Ant-Miner的洪災(zāi)風(fēng)險(xiǎn)評(píng)價(jià)流程

本研究提出基于Ant-Miner的洪災(zāi)風(fēng)險(xiǎn)區(qū)劃模型，基本思路是從風(fēng)險(xiǎn)的訓(xùn)練數(shù)據(jù)中挖掘出風(fēng)險(xiǎn)分類規(guī)則，并對(duì)這些規(guī)則進(jìn)行精度測(cè)試，再應(yīng)用這些規(guī)則對(duì)研究區(qū)進(jìn)行分類和區(qū)劃以獲取洪災(zāi)風(fēng)險(xiǎn)區(qū)劃圖，評(píng)價(jià)流程如圖3所示。模型總體上可以劃分為訓(xùn)練、測(cè)試和分類3部分，其中訓(xùn)練過(guò)程是規(guī)則構(gòu)建的核心過(guò)程。訓(xùn)練過(guò)程得到的分類規(guī)則用于樣本測(cè)試檢驗(yàn)和待測(cè)數(shù)據(jù)分類。

圖3 基于Ant-Miner的洪災(zāi)風(fēng)險(xiǎn)評(píng)價(jià)流程圖Fig.3 Assessment flow chart of flood risk based on Ant-Miner

2 實(shí)例分析

2.1 實(shí)例流域及數(shù)據(jù)預(yù)處理

北江是珠江第二大河流，流域總面積46 170 km2，一級(jí)支流有翁江、琶江、錦江等。由于暴雨量大，流域坡陡，水系又是葉脈分布，洪水容易集中，洪峰上漲速度快，具有山區(qū)洪水特點(diǎn)：峰型尖瘦，漲落較快，洪峰一般呈連續(xù)的多峰型。歷史上該流域洪水泛濫頻繁，損失較嚴(yán)重，對(duì)其洪災(zāi)風(fēng)險(xiǎn)進(jìn)行評(píng)價(jià)具有重要現(xiàn)實(shí)意義。

依據(jù)災(zāi)害系統(tǒng)理論，遵循代表性系統(tǒng)性、客觀性與可操作性等原則[21～23]，選取10個(gè)評(píng)價(jià)指標(biāo)，包括6個(gè)反映自然屬性的指標(biāo)：最大3 d降雨量(mm)，臺(tái)風(fēng)年頻次(年/次)，坡度(°)，河流緩沖區(qū)(m)，徑流深(mm)，數(shù)字高程模型(DEM)(m)；4個(gè)反映社會(huì)屬性的指標(biāo)：距公路距離(m)，耕地面積百分比(%)，人口密度(人/km2)，GDP密度(萬(wàn)元/km2)。各指標(biāo)具體分布如圖4所示。

圖4 各指標(biāo)圖層分布特征Fig.4 Characteristic distributions of evaluation indexes

數(shù)據(jù)來(lái)源與預(yù)處理：1961-2005年最大3 d降雨量和徑流深數(shù)據(jù)來(lái)源于廣東省水文局(http:∥www.gdsw.gov.cn/wcm/gdsw/index.html)，分別利用流域內(nèi)降雨站和水文站數(shù)據(jù)，采用克里金插值法插值獲得；臺(tái)風(fēng)數(shù)據(jù)來(lái)源于廣東省氣象局(http:∥www.grmc.gov.cn/)，臺(tái)風(fēng)年頻次是指各縣市遭受臺(tái)風(fēng)襲擊次數(shù)的多年平均值，且以縣(市)為單元進(jìn)行賦值；數(shù)字高程模型(DEM)數(shù)據(jù)來(lái)源于美國(guó)地質(zhì)調(diào)查局(http:∥data.geocomm.com/dem/)，用于表征流域地形情況；坡度和河流數(shù)據(jù)是運(yùn)用GIS技術(shù)通過(guò)DEM提取，其中河流緩沖區(qū)是根據(jù)提取的河流的不同級(jí)別乘以500m后得到緩沖區(qū)，再利用Arc.GIS中的Euclidean Distance工具進(jìn)行插值獲得；公路數(shù)據(jù)(2005)來(lái)源于廣東省公路局(http:∥www.gdhighway.gov.cn/)，到距公路距離指標(biāo)的處理類似于河流緩沖區(qū)，利用Euclidean Distance工具進(jìn)行插值可得；人口和GDP密度數(shù)據(jù)來(lái)源于國(guó)家基礎(chǔ)地理信息共享網(wǎng)站(http:∥www.ngcc.cn/)；耕地面積百分比來(lái)源于中國(guó)科學(xué)院共享網(wǎng)站(http:∥www.cas.cn/)。在ArcGIS9.3軟件Spatial Analyst模塊支持下，利用柵格計(jì)算器(Raster Calculator)的地圖代數(shù)功能(Map Algebra)對(duì)上述10個(gè)評(píng)價(jià)指標(biāo)圖層進(jìn)行極差標(biāo)準(zhǔn)化處理，生成10個(gè)grid柵格數(shù)據(jù)圖層，空間分辨率為100 m×100 m。

2.2 實(shí)例應(yīng)用步驟

為驗(yàn)證Ant-Miner可以被應(yīng)用到洪災(zāi)風(fēng)險(xiǎn)區(qū)劃領(lǐng)域中，本文結(jié)合圖3通過(guò)樣本選取、分類規(guī)則挖掘(訓(xùn)練)、精度檢驗(yàn)(測(cè)試)、風(fēng)險(xiǎn)等級(jí)識(shí)別(分類)4個(gè)步驟構(gòu)建基于Ant-Miner的洪災(zāi)風(fēng)險(xiǎn)區(qū)劃模型，詳述如下：

1)樣本選取。訓(xùn)練樣本選擇是蟻群學(xué)習(xí)的關(guān)鍵步驟，直接關(guān)系到所獲規(guī)則質(zhì)量。根據(jù)實(shí)際調(diào)查和現(xiàn)有的評(píng)價(jià)成果[10,20-22]，利用ArcGIS9.3空間分析模塊的Sample命令采用分層隨機(jī)采樣的方法來(lái)獲取訓(xùn)練樣本和測(cè)試數(shù)據(jù)集。訓(xùn)練數(shù)據(jù)集的樣本數(shù)為2 000，測(cè)試數(shù)據(jù)集的樣本數(shù)為1 029?；赪EKA(Waikato Environment for Knowledge Analysis)平臺(tái)利用基于熵的離散化方法對(duì)樣本數(shù)據(jù)進(jìn)行離散化處理[15]。

2)分類規(guī)則挖掘。洪災(zāi)風(fēng)險(xiǎn)等級(jí)分類規(guī)則通過(guò)Ant-Miner從訓(xùn)練數(shù)據(jù)中挖掘，Ant-Miner是根據(jù)文獻(xiàn)[15]提供的代碼并作改進(jìn)后在VisualBasic6.0環(huán)境中編程實(shí)現(xiàn)。在運(yùn)用Ant-Miner挖掘規(guī)則時(shí)，離散化后的各指標(biāo)值作為螞蟻路徑的屬性節(jié)點(diǎn)，洪災(zāi)風(fēng)險(xiǎn)等級(jí)作為螞蟻路徑的風(fēng)險(xiǎn)級(jí)別節(jié)點(diǎn)，每條路徑對(duì)應(yīng)一條分類規(guī)則。分類規(guī)則的挖掘可以當(dāng)作是螞蟻對(duì)最優(yōu)路徑的搜索。本研究中，對(duì)于2 000個(gè)訓(xùn)練樣本，Ant-Miner的參數(shù)設(shè)置如下：蟻群數(shù)量=60；每個(gè)規(guī)則覆蓋的最少樣本數(shù)=5；最大未覆蓋樣本數(shù)=5；收斂規(guī)則數(shù)=10；迭代次數(shù)=1 000可收斂。在這5個(gè)參數(shù)中，蟻群數(shù)量和每個(gè)規(guī)則覆蓋的最少樣本數(shù)對(duì)分類精度較為敏感。訓(xùn)練結(jié)果表明：模型總體分類精度隨著蟻群數(shù)量的增加而改善，但蟻群數(shù)量大于60以后基本穩(wěn)定；分類精度隨著每個(gè)規(guī)則覆蓋的最少樣本數(shù)的增加而降低，當(dāng)其等于5時(shí)達(dá)到最佳。

3)精度檢驗(yàn)。應(yīng)用Ant-Miner挖掘的分類規(guī)則前，需利用測(cè)試數(shù)據(jù)集進(jìn)行精度驗(yàn)證，精度滿足要求才能應(yīng)用所挖掘的規(guī)則。輸入1 029個(gè)測(cè)試數(shù)據(jù)檢測(cè)所挖掘規(guī)則，并生成混淆矩陣。

4)風(fēng)險(xiǎn)等級(jí)分類。獲取挖掘得到的分類規(guī)則后，利用ArcGIS9.3柵格計(jì)算器的條件語(yǔ)句對(duì)風(fēng)險(xiǎn)級(jí)別進(jìn)行分類，并生成北江流域洪災(zāi)風(fēng)險(xiǎn)區(qū)劃圖。

2.3 結(jié)果與分析

通過(guò)實(shí)例應(yīng)用的4個(gè)步驟后，結(jié)合北江流域的10個(gè)指標(biāo)，借助GIS技術(shù)構(gòu)建的基于Ant-Miner洪災(zāi)風(fēng)險(xiǎn)區(qū)劃模型可獲得以下主要結(jié)果：

1)分類規(guī)則。利用構(gòu)建的Ant-Miner模型對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行挖掘后共獲得15條分類規(guī)則，這些分類規(guī)則能覆蓋所有風(fēng)險(xiǎn)等級(jí)。表1列出了模型參數(shù)及部分分類規(guī)則，其中，規(guī)則的置信度是根據(jù)該規(guī)則對(duì)測(cè)試數(shù)據(jù)的分類精度來(lái)確定。從表1可以看出，該模型所挖掘的分類規(guī)則較簡(jiǎn)單，均以條件語(yǔ)句形式表現(xiàn)，毋需通過(guò)數(shù)學(xué)公式來(lái)表達(dá)，能更方便和準(zhǔn)確地描述評(píng)價(jià)指標(biāo)間的復(fù)雜關(guān)系，顯然比數(shù)學(xué)公式更容易讓人理解。與此同時(shí)，根據(jù)上述規(guī)則可以地利用ArcGIS9.3中柵格計(jì)算器極其方便地生成風(fēng)險(xiǎn)區(qū)劃圖，省略了其它智能模型的“待測(cè)柵格數(shù)據(jù)→點(diǎn)數(shù)據(jù)→判別→還原柵格數(shù)據(jù)”的轉(zhuǎn)化與判別步驟，大大節(jié)省了計(jì)算時(shí)間。

2)測(cè)試精度。訓(xùn)練后構(gòu)建的Ant-Miner模型需要滿足精度要求才能進(jìn)行下一步應(yīng)用。根據(jù)生產(chǎn)的混淆矩陣(表2)可知，模型平均測(cè)試精度高達(dá)95.1%，表明建立的模型精度滿足要求(一般大于80%即可)，所挖掘的規(guī)則可被應(yīng)用到全流域進(jìn)行風(fēng)險(xiǎn)區(qū)劃。為了突出Ant-Miner區(qū)劃模型與其他模型的判別性能，選用基于BP神經(jīng)網(wǎng)絡(luò)的洪災(zāi)風(fēng)險(xiǎn)區(qū)劃模型[10]進(jìn)行訓(xùn)練與測(cè)試，測(cè)試過(guò)程采用與Ant-Miner模型相同的訓(xùn)練與測(cè)試數(shù)據(jù)，最后產(chǎn)生測(cè)試混淆矩陣(表3)。對(duì)比兩混淆矩陣可知，BP神經(jīng)網(wǎng)絡(luò)模型的平均測(cè)試精度為92.9%，略低于Ant-Miner模型的結(jié)果，表明Ant-Miner模型的區(qū)劃性能更好，在洪災(zāi)風(fēng)險(xiǎn)區(qū)劃領(lǐng)域有較好的適用性。

表1 Ant-Miner挖掘的部分規(guī)則1)Table1 Parts of the rules mined by Ant-Miner

1)a1～10分別表示最大3d降雨量、DEM、GDP密度、耕地面積百分比、人口密度、距公路距離、徑流深、坡度、河流緩沖區(qū)、臺(tái)風(fēng)年頻次10個(gè)指標(biāo)的標(biāo)準(zhǔn)化數(shù)值；grade為洪災(zāi)風(fēng)險(xiǎn)等級(jí)，1～5分別表示安全、較安全、中等、較危險(xiǎn)、危險(xiǎn)。

3)風(fēng)險(xiǎn)空間分布特征。根據(jù)挖掘的15條分類規(guī)則，利用ArcGIS9.3柵格計(jì)算器輸入以條件語(yǔ)句表現(xiàn)的分類規(guī)則對(duì)風(fēng)險(xiǎn)級(jí)別進(jìn)行分類，并生成北江流域洪災(zāi)風(fēng)險(xiǎn)區(qū)劃圖(圖4)。根據(jù)風(fēng)險(xiǎn)區(qū)劃圖分布特征可知，危險(xiǎn)區(qū)域主要集中于清遠(yuǎn)市區(qū)、四會(huì)市、南雄縣中部、陽(yáng)山縣中部、懷集縣南部、佛岡縣、英德市中部等泛洪區(qū)；較危險(xiǎn)區(qū)域主要位于樂(lè)昌市、仁化縣、廣寧縣、翁源縣、懷集縣南部、英德市南部等泛洪區(qū)。對(duì)比圖4指標(biāo)分析可知，危險(xiǎn)與較危險(xiǎn)區(qū)域降雨較為豐富，且多集中于地勢(shì)平緩的平原或洼地地區(qū)。這些地區(qū)能較快地匯集雨水并形成徑流，極易形成洪水或內(nèi)澇；與此同時(shí)，這些地區(qū)人口與財(cái)產(chǎn)較為密集且農(nóng)業(yè)較為發(fā)達(dá)，因而導(dǎo)致風(fēng)險(xiǎn)較高。為了便于與洪災(zāi)實(shí)際情況進(jìn)行比較，選取北江流域4次典型的極端洪水災(zāi)害，即1915、1949、1982和1994年大洪水，以洪水淹沒(méi)范圍為基礎(chǔ)[20-22]，并結(jié)合災(zāi)情記錄，發(fā)現(xiàn)北江流域洪災(zāi)較重及風(fēng)險(xiǎn)較高的區(qū)域與圖5中危險(xiǎn)、較危險(xiǎn)區(qū)域較為一致。驗(yàn)證結(jié)果表明圖5能較好地反映北江流域存在的洪災(zāi)風(fēng)險(xiǎn)實(shí)際情況。

表2 Ant-Miner模型測(cè)試精度Table 2 Test accuracy of Ant-Miner model

表3 BP神經(jīng)網(wǎng)絡(luò)模型測(cè)試精度Table 3 Test accuracy of BP neural network model

圖5 基于Ant-Miner模型的北江流域洪災(zāi)風(fēng)險(xiǎn)區(qū)劃圖Fig.5 Zoning map of flood disaster risk based on Ant-Miner in the Beijiang River basin

3 結(jié) 論

本文試圖將蟻群算法的規(guī)則挖掘(Ant-Miner)引入到洪災(zāi)風(fēng)險(xiǎn)區(qū)劃中，并建立基于Ant-Miner 的洪災(zāi)風(fēng)險(xiǎn)區(qū)劃模型，在GIS技術(shù)支持下將此模型應(yīng)用于北江流域，結(jié)果表明：1)基于Ant-Miner 洪災(zāi)風(fēng)險(xiǎn)區(qū)劃模型在訓(xùn)練過(guò)程中共挖掘15條適合研究區(qū)的洪災(zāi)風(fēng)險(xiǎn)分類規(guī)則，這些規(guī)則通過(guò)簡(jiǎn)單的條件語(yǔ)句而非復(fù)雜的數(shù)學(xué)公式表現(xiàn)，極容易與GIS技術(shù)結(jié)合并生成風(fēng)險(xiǎn)區(qū)劃圖；2)基于Ant-Miner模型的測(cè)試精度為95.1%，而相同條件下的BP神經(jīng)網(wǎng)絡(luò)模型精度為92.9%，顯然前者的分類性能更好，對(duì)洪災(zāi)風(fēng)險(xiǎn)區(qū)劃有更好的適用性；3)Ant-Miner識(shí)別的高風(fēng)險(xiǎn)區(qū)主要集中在降雨量較大、地勢(shì)平緩低洼、人口和財(cái)產(chǎn)密集的地區(qū)，與歷史洪災(zāi)風(fēng)險(xiǎn)情況較吻合，表明所構(gòu)建的模型科學(xué)合理，可為洪災(zāi)風(fēng)險(xiǎn)區(qū)劃提供新思路。

Ant-Miner作為一種群智能方法，在數(shù)據(jù)處理中具有較大的應(yīng)用價(jià)值，可為洪災(zāi)風(fēng)險(xiǎn)的智能化區(qū)劃提供一種有效的方法。但畢竟將Ant-Miner應(yīng)用到洪災(zāi)風(fēng)險(xiǎn)區(qū)劃領(lǐng)域才剛剛起步，在應(yīng)用時(shí)還有一些限制，如本研究?jī)H選取了10個(gè)評(píng)價(jià)指標(biāo)，從流域宏觀的角度分析洪災(zāi)風(fēng)險(xiǎn)分布是合理的，但因忽略了水庫(kù)、堤防等水工建筑物的防洪影響，在微觀上風(fēng)險(xiǎn)區(qū)劃精度不一定能滿足要求；另外對(duì)于算法本身，在數(shù)據(jù)挖掘過(guò)程中所發(fā)現(xiàn)的規(guī)則是按照順序排列，存在計(jì)算耗時(shí)相對(duì)較長(zhǎng)等不足。

[1] HOWARD S W. Flood hazard and management: a UK perspective [J].Philosophical Transactions of The Royal Society A, 2006, 364: 2135-2145.

[2] TAWATCHAI T, MOHAMMED F K. Flood hazard and risk analysis in the southwest region of Bangladesh [J].Hydrological Process, 2005,19:2055-2069.

[3] 李林濤，徐宗學(xué)，龐博，等.中國(guó)洪災(zāi)風(fēng)險(xiǎn)區(qū)劃研究 [J].水利學(xué)報(bào)，2012，43(1)：22-30.

[4] 王兆禮，賴成光，陳曉宏.基于熵權(quán)的洪災(zāi)風(fēng)險(xiǎn)空間模糊綜合評(píng)價(jià)模型 [J].水力發(fā)電學(xué)報(bào)，2012，31(5)：35-40.

[5] ZOU Q, ZHOU J Z, ZHOU C, et al. Comprehensive flood risk assessment based on set pair analysis-variable fuzzy sets model and fuzzy AHP. Stoch. Environ Res RiskAssess.2013, 27:525-546.

[6] TINGSANCHALI T, KARIM F. Flood hazard assessment and risk-based zoning of a tropical flood plain :case study of the Yom River, Thailand [J].Hydrol Sci J,2010,55(2):145-161.

[7] KUBALC, HAASE D, MEYER V, et al. Integrated urban flood risk assessment-adapting a multi criteria approach to a city [J].Nat Hazards Earth Syst Sci, 2009, 9:1881-1895.

[8] LI LF, WANG J F, LEUNG H, et al. Assessment of catastrophic risk using bayesian network constructed from domain knowledge and spatial data [J].Risk Analysis,2010,30(7):1157-1175.

[9] 賴成光，陳曉宏，趙仕威，等.基于隨機(jī)森林的洪災(zāi)風(fēng)險(xiǎn)評(píng)價(jià)模型及其應(yīng)用 [J].水利學(xué)報(bào)，2015，46(1),58-66.

[10] 賴成光，王兆禮，宋海娟.基于BP神經(jīng)網(wǎng)絡(luò)的北江流域洪災(zāi)風(fēng)險(xiǎn)評(píng)價(jià) [J].水電能源科學(xué)，2011，29(3)：57-59+161.

[11] COLORNI A, DORIGO M, MANIEZZO V, et a1. Distributed optimization by ant colonies [C]∥Proceedings of European Conference on Artificial Life.Paris,1991:134-142.

[12] PAREPINELLI R S, LOPES H S, FREITAS A A. Data mining with an Ant Colony Optimization algorithm [J].IEEE Transaction in Evolutionary Computation, 2002, 6(4):321-332.

[13] COSTA E P, LORENA A C, CARVALHO A, et al. Comparing several approaches for hierarchical classification of proteins with decision trees [C]∥2ndBrazilian Symposium on Bioinformatics (BSB2007). Angrados Reis, BRAZIL， 2007:126-137.

[14] OMKAR S N, RAGHAVENDRA K U. Rule extraction for classification of acoustice mission signals using Ant Colony Optimisation [J].Engineering Applications of Artificial Intelligence，2008, 21:1381-1388.

[15] LIU XP, LI X, LIU L, et al. An innovative method to classify remote sensing images using Ant Colony Optimization [J].IEEE Transactions on Geoscience and Remote Sensing, 2008,46(22):4198-4208.

[16] LIU X P, LI X, LIU L, et al. A bottom-up approach to discover transition rules of cellular automata using ant intelligence [J].International Journal of Geographical Information Science,2008,22(11/12):1247-1269.

[17] 劉小平，黎夏，葉嘉安，等.利用蟻群智能挖掘地理元胞自動(dòng)機(jī)的轉(zhuǎn)換規(guī)則 [J].中國(guó)科學(xué)D輯：地球科學(xué)，2007，37(6)：824-834.

[18] 戴芹，劉建波.基于蟻群規(guī)則挖掘算法的多特征遙感數(shù)據(jù)分類 [J].地理研究，2009，28(4)：1136-1145.

[19] OTERO F, FREITAS A, JOHNSON C G. cAnt-Miner: An ant colony classification algorithm to cope with continuous attributes [C]∥DORIGO M, et al, eds. Springer, Heidelberg:ANTS2008, LNCS: 5217: 48-59..

[20] 宮清華，黃光慶，郭敏,等.基于GIS技術(shù)的廣東省洪澇災(zāi)害風(fēng)險(xiǎn)區(qū)劃 [J].自然災(zāi)害學(xué)報(bào)，2009，18(1)：58-63.

[21] 廣東省地圖集 [M].廣州：廣東地圖出版社，2003.

[22] 廣東省防汛防旱防風(fēng)總指揮部.廣東水旱風(fēng)災(zāi)害 [M].廣州：暨南大學(xué)出版社，1996.

Flood Risk Zoning Model Based on Ant-Miner and Its Application

LAIChengguang1,2,WANGZhaoli3,CHENXiaohong1,2,HUANGRuizhen1,2,LIAOWeilin3,WUXushu3

(1. Center for Water Resources and Environment, Sun Yat-sen University, Guangzhou 510275, China;2. Key Laboratory of Water Cycle and Water Security in Southern China of Guangdong High Education Institute, Sun Yat-sen University, Guangzhou 510275, China;3. School of Civil and Transportation Engineering, South China University of Technology,Guangzhou 510641, China)

Using Ant Colony Optimization (ACO) to mine rules is a research hotspot nowadays. This paper proposed a new zoning model of flood risk based on ant colony rule mining algorithm (Ant-Miner) to solve the non-linear relationship between index and flood risk grade. The model was used in the Beijiang River basin with the support of GIS technique. The assessment results show that ① 15 simple rules expressed in the form of conditional statement were mined by the Ant-Miner model. The rules are appropriate for the study areas and can be easily used for generating a zoning map of flood disaster risk. ② The test accuracy is 95.1% in the Ant-Miner model , 92.9% in BP neural network model, indicating that the discriminative capability and flood risk zoning applicability of the former is stronger than the latter. ③ The high risk areas identified by Ant-Miner are mainly located in the regions with large precipitation, flat and low-lying terrain and dense population and property. These areas match well with the submerged areas of historical flood disasters, indicating that the Ant-Miner model is reasonable and practicable and can provide a new method for flood risk assessment.

Flood disaster; risk zoning; ant colony optimization; rule mining; the Beijiang River basin

10.13471/j.cnki.acta.snus.2015.05.023

2014-12-17

國(guó)家自然科學(xué)基金資助項(xiàng)目(51210013,51479216,51209095, 41301627)；國(guó)家科技支撐計(jì)劃資助項(xiàng)目(2012BAC21B0103)；水利部公益資助項(xiàng)目(201301002-02, 201301071)；中央高?；究蒲袠I(yè)務(wù)費(fèi)專項(xiàng)基金資助項(xiàng)目(2014ZZ0027)

賴成光(1986年生)，男，研究方向：災(zāi)害風(fēng)險(xiǎn)研究；通訊作者：陳曉宏;E-mail:eescxh@mail.sysu.edu.cn

TV877

A

0529-6579(2015)05-0122-08