吳小君, 方秀琴, 任立良, 吳陶櫻, 苗月鮮

(1.河海大學(xué) 地球科學(xué)與工程學(xué)院, 南京 211100;2.河海大學(xué) 水文水資源與水利工程科學(xué)國家重點(diǎn)實驗室, 南京210098))

一般來說，山洪是由于降雨導(dǎo)致的具有突發(fā)性、流量大、破壞力強(qiáng)等特點(diǎn)的地表徑流，它是洪水的一種表現(xiàn)形式[1]。山洪災(zāi)害對房屋建筑、交通道路、水利工程設(shè)施、農(nóng)林畜牧業(yè)等造成破壞，極端情況下甚至?xí)?dǎo)致人員傷亡，給人口、社會和經(jīng)濟(jì)帶來巨大損失[2]。我國地形復(fù)雜，丘陵較多，2/3的土地面積幾乎為丘陵。山區(qū)的面積遠(yuǎn)遠(yuǎn)超過世界平均水平[3]，是世界上受山洪影響最嚴(yán)重的地區(qū)之一[4]。

評估山洪災(zāi)害風(fēng)險的影響因素有很多，例如社會經(jīng)濟(jì)、自然和技術(shù)等，并且其評估過程需考慮多個指數(shù)，與此過程相關(guān)的主要困難是指數(shù)和風(fēng)險水平之間的多變量和非線性關(guān)系。因此，山洪災(zāi)害的風(fēng)險評估一直是人們研究的難點(diǎn)和重點(diǎn)[5-7]。近些年，快速發(fā)展的人工智能技術(shù)促使很多研究學(xué)者在對象評價中引用機(jī)器學(xué)習(xí)算法。這些方法大大提高了計算量，能較好地解決非線性問題，但仍存在許多弱點(diǎn)。比如，人工神經(jīng)網(wǎng)絡(luò)具有收斂速度慢和局部極小的問題[8]，支持向量機(jī)數(shù)學(xué)函數(shù)復(fù)雜，使用不方便，解決多分類問題效果不佳[9]，決策樹很容易陷入局部最優(yōu)。最重要的是，這些智能算法無法估計每個指標(biāo)對總風(fēng)險的貢獻(xiàn)。而隨機(jī)森林(Random Forest，RF)是一種基于統(tǒng)計學(xué)習(xí)理論的組合分類方法，它的非線性特性使其適用于多變量預(yù)測，因此在很多領(lǐng)域都有廣泛的應(yīng)用[10-14]。隨機(jī)森林的智能學(xué)習(xí)機(jī)器可以在大型數(shù)據(jù)庫上高效運(yùn)行，并提供關(guān)于分類中特定變量重要性的估計，這使得RF在解決風(fēng)險評估中固有的非線性問題以及估計每個指標(biāo)的重要性程度方面具有相當(dāng)大的優(yōu)勢。賴成光等通過構(gòu)建隨機(jī)森林模型對東江流域進(jìn)行洪災(zāi)害風(fēng)險評價，并在試驗中對比了SVM方法，結(jié)果表明RF方法比SVM方法精度更高[15]；Zhaoli Wang等根據(jù)洪水系統(tǒng)理論，以東江流域為例，選取十一個指標(biāo)構(gòu)建評價體系，提出了一種基于RF的評價模型[16]；Quanlong Feng等提出了一種基于高分辨率無人機(jī)圖像的隨機(jī)森林與紋理分析相結(jié)合的城市洪水制圖方法，并指出與其他分類器相比較，隨機(jī)森林優(yōu)于最大似然法和人工神經(jīng)網(wǎng)絡(luò)[17]。但是目前隨機(jī)森林在山洪災(zāi)害風(fēng)險評估方面的研究比較匱乏，并且當(dāng)前應(yīng)用于洪災(zāi)風(fēng)險的研究評價指標(biāo)體系不夠完善，對不同區(qū)域的洪災(zāi)風(fēng)險等級也無法進(jìn)行準(zhǔn)確判斷。

因此，本文嘗試選擇隨機(jī)森林算法，結(jié)合江西省山洪災(zāi)害的特點(diǎn)和歷史山洪災(zāi)害調(diào)查數(shù)據(jù)，構(gòu)建指標(biāo)體系，建立基于隨機(jī)森林算法的山洪災(zāi)害風(fēng)險評估模型。本文的目的是計算不同地區(qū)山洪災(zāi)害的風(fēng)險程度，然后對風(fēng)險等級進(jìn)行分類，繪制江西省山洪災(zāi)害風(fēng)險區(qū)劃圖，并對該地區(qū)進(jìn)行統(tǒng)計分析。

1　研究區(qū)與指標(biāo)體系

1.1　研究區(qū)簡介

本文的研究區(qū)域為江西省境域，其位于長江中下游南岸，土地總面積16.7萬km2，占全國國土面積的1.7%。江西省地理位置險要，以山地丘陵居多，北部則面朝鄱陽湖[18]，全省東、南、西三面的邊緣山嶺構(gòu)成省際天然界線，形成一個自然的分水嶺。

江西省屬中熱帶溫暖濕潤季風(fēng)氣候，氣候濕潤，降雨較多，年降水量1 400～1 900 mm[19]。省內(nèi)丘陵山地眾多，水網(wǎng)稠密，河湖眾多。獨(dú)特的氣候特征及地形地貌，導(dǎo)致了省內(nèi)山洪災(zāi)害的頻繁發(fā)生[20-22]。因此，為了加強(qiáng)對山洪災(zāi)害的風(fēng)險管理，制定相應(yīng)的防災(zāi)減災(zāi)策略，在江西省開展山洪災(zāi)害風(fēng)險評估具有十分重要的意義。

1.2　指標(biāo)體系和數(shù)據(jù)

依據(jù)山洪災(zāi)害體系理論[23]，綜合考慮研究區(qū)山洪災(zāi)害的特征，參考相關(guān)研究，結(jié)合實地考察情況以及數(shù)據(jù)可獲取性，我們從致災(zāi)因子、孕災(zāi)環(huán)境和承災(zāi)體3個方面選取了9個影響因素。具體選取的影響因素及其數(shù)據(jù)來源具體見表1。

為了數(shù)據(jù)空間尺度的統(tǒng)一，首先應(yīng)結(jié)合實際情況進(jìn)行相關(guān)的數(shù)據(jù)預(yù)處理。利用ArcGIS 10.2軟件中的柵格計算器對每個指標(biāo)進(jìn)行極差標(biāo)準(zhǔn)化，得到9個尺度一致的柵格數(shù)據(jù)，且數(shù)據(jù)的每個柵格單元都是1 km×1 km，各個指標(biāo)見圖1。

表1　選取的9個影響因素及其數(shù)據(jù)來源

2　山洪災(zāi)害風(fēng)險評估模型

2.1　研究方法

(1) 隨機(jī)森林算法概述。隨機(jī)森林包含兩個重要參數(shù)，即預(yù)選變量的個數(shù)和樹的個數(shù)，這兩個參數(shù)是決定隨機(jī)森林預(yù)測能力的兩個重要參數(shù)[24]，預(yù)選變量的數(shù)目決定了單個決策樹的情況，隨機(jī)森林中的樹數(shù)決定了整個隨機(jī)森林的整體大小。

本文中隨機(jī)森林算法使用了R軟件中的randomForest包[25]，具體實現(xiàn)時需預(yù)先設(shè)置兩個重要的參數(shù)：mtree和ntry，這兩個參數(shù)所決定的值對應(yīng)于上述隨機(jī)森林的兩個重要參數(shù)，mtry為每棵分類回歸樹構(gòu)建時節(jié)點(diǎn)拆分的次數(shù)，ntree為隨機(jī)森林中分類回歸樹的個數(shù)，這兩個參數(shù)是依據(jù)隨機(jī)森林構(gòu)建時產(chǎn)生的袋外誤差確定的[26]。根據(jù)訓(xùn)練樣本集和randomForest函數(shù)，構(gòu)建風(fēng)險評估模型[27-28]。

圖1　9個影響因素空間分布

(2) 評價步驟。①根據(jù)江西省山洪特點(diǎn)選取風(fēng)險指標(biāo)；②選取歷史發(fā)生山洪災(zāi)害的為正樣本，未發(fā)生過災(zāi)害的為負(fù)樣本，同時把正負(fù)總樣本集分為70%的測試樣本和30%訓(xùn)練樣本；③將訓(xùn)練樣本輸入隨機(jī)森林算法，建立山洪風(fēng)險評估模型，并通過測試樣本對模型進(jìn)行檢驗；④將江西省數(shù)據(jù)輸入到模型中得到山洪災(zāi)害風(fēng)險度，利用ArcGIS制成山洪災(zāi)害風(fēng)險評價圖。

由圖2可以看出，該模型的核心部分是訓(xùn)練樣本。隨機(jī)森林算法可通過輸入的樣本建立山洪風(fēng)險度與指標(biāo)數(shù)據(jù)之間的關(guān)系，從而建立相應(yīng)的分類規(guī)則，從而對待測數(shù)據(jù)進(jìn)行分類得到不同區(qū)域的山洪風(fēng)險度。

圖2　評價流程

2.2　樣本選取及數(shù)據(jù)預(yù)處理

本研究以2 009個歷史發(fā)生山洪災(zāi)害點(diǎn)構(gòu)成正樣本數(shù)據(jù)集，為了更加科學(xué)地構(gòu)建隨機(jī)森林模型，需要采集一定數(shù)量的未發(fā)生山洪災(zāi)害的點(diǎn)來組成負(fù)樣本數(shù)據(jù)集?？紤]到地理相似性，以歷史發(fā)生山洪災(zāi)害點(diǎn)為中心做3 km范圍的緩沖區(qū)，緩沖區(qū)外的區(qū)域即為負(fù)樣本可采樣的區(qū)域。在負(fù)樣本可采樣區(qū)域隨機(jī)采集與正樣本數(shù)據(jù)集同等數(shù)量的負(fù)樣本，從而形成負(fù)樣本數(shù)據(jù)集，將采集得到的負(fù)樣本數(shù)據(jù)集與正樣本數(shù)據(jù)集組合，組成基于隨機(jī)森林的山洪災(zāi)害評估模型的總樣本數(shù)據(jù)集。

為了避免偶然現(xiàn)象的發(fā)生，對以上步驟重復(fù)5次，即在負(fù)樣本可采樣區(qū)域內(nèi)重復(fù)隨機(jī)采樣5次，并分別與正樣本集組合，從而得到5組不同的總樣本數(shù)據(jù)集，以此來反映山洪災(zāi)害評估的一般規(guī)律。

另外，為了方便構(gòu)建模型和模型的驗證，分別對5組總樣本數(shù)據(jù)集進(jìn)行訓(xùn)練樣本集和測試樣本集的劃分，方法是運(yùn)用R語言對總樣本數(shù)據(jù)集進(jìn)行隨機(jī)劃分，將5組總樣本數(shù)據(jù)集中70%的樣本數(shù)據(jù)作為訓(xùn)練樣本，用于隨機(jī)森林模型的構(gòu)建，其余30%的樣本數(shù)據(jù)作為測試樣本，用于對模型的測試和精度驗證，保證研究的順利進(jìn)行。通過ArcGIS軟件提取樣本點(diǎn)上的9個影響因素的數(shù)據(jù)，為之后隨機(jī)森林模型的構(gòu)建基礎(chǔ)。

2.3　隨機(jī)森林參數(shù)的選擇

在用R軟件中的函數(shù)random Forest時，函數(shù)會存在默認(rèn)的決策樹數(shù)量值以及決策樹節(jié)點(diǎn)分支所選變量個數(shù)。但是，在我們實際操作中，系統(tǒng)計算的默認(rèn)值不一定是最適用的，因此我們在實際應(yīng)用中需要通過不斷地嘗試計算出最優(yōu)值。

(1) mtry值的確定。在構(gòu)建模型的時候，一定要通過逐次計算來挑選最佳的mtry值。參數(shù)mtry的默認(rèn)值在分類模型中是變量個數(shù)的二次根式，在回歸模型中則是變量個數(shù)的1/3。

本研究為構(gòu)建模型選取的影響因素為9個，為了得到最佳的變量個數(shù)，具體試驗步驟為：(1) 設(shè)定決策樹數(shù)量為200，mtry的值從1取到9，進(jìn)行9次試驗，得到9個模型的殘差平方和以及擬合優(yōu)度值；(2) 設(shè)定決策樹數(shù)量為1 000，再進(jìn)行上述重復(fù)的試驗步驟，對比并分析兩組試驗結(jié)果，結(jié)果見圖3。

圖3　不同變量個數(shù)隨機(jī)森林的殘差平方均值

由圖3看出，不管ntree值是200或者1 000，mtry值為2的時候殘差平方和最小，即mtry值為2時模型為最優(yōu)。

(2) ntree值的確定。在確定了mtry值之后，下一步則要確定最優(yōu)ntree值。一般ntree設(shè)置成一個較大的值即可，也可以不設(shè)置，隨機(jī)森林模型會自動根據(jù)袋外誤差計算出適宜的ntree值。一般該參數(shù)值設(shè)為五百或者一千，但也不是完全固定的，還需要結(jié)合實際情況進(jìn)行選擇。

從上一步的分析來看，最佳變量個數(shù)為2，即mtry值為2時模型為最優(yōu)，所以接下來進(jìn)行構(gòu)建相應(yīng)的隨機(jī)森林模型，設(shè)定模型中決策樹數(shù)量為200，500，1 000，分別進(jìn)行可視化分析，以此來確定決策樹數(shù)量。模型誤差與決策樹數(shù)量關(guān)系見圖4。

從圖4看出，當(dāng)ntree值約大于1 000之后，模型的誤差開始變得平穩(wěn)，因此本文ntree值設(shè)為1 000，以此來構(gòu)建出最優(yōu)的模型。

2.4　隨機(jī)森林模型的建立

通過以上分析，確定了構(gòu)建隨機(jī)森林的最優(yōu)模型的參數(shù)值，其中最佳變量個數(shù)為2個，最優(yōu)的決策樹數(shù)量為1 000棵。利用5組訓(xùn)練樣本數(shù)據(jù)和參數(shù)值，在R中分別構(gòu)建出5個基于隨機(jī)森林的山洪災(zāi)害評估模型。研究表明，構(gòu)建的5個模型中決策樹的節(jié)點(diǎn)數(shù)最少的為260個，而決策樹節(jié)點(diǎn)數(shù)最多的有360個。

圖4　不同決策樹數(shù)量情況下的模型誤差

3　結(jié)果與分析

3.1　指標(biāo)重要性分析

隨機(jī)森林模型可以提取出模型中各個變量的重要性度量結(jié)果，可以通過R軟件的隨機(jī)森林包計算出各自變量對于模型判別效果的重要程度，這個功能幫助決策者認(rèn)識并評估每個指標(biāo)對總風(fēng)險的貢獻(xiàn)。這也是隨機(jī)森林模型的一大特點(diǎn)。更確切地說，通過隨機(jī)森林模型的重要性分析計算出各個變量對模型分類的影響程度，可以看出具體是哪些變量比較重要，在模型判別中具有重大的影響。

通過計算構(gòu)建出的5個隨機(jī)森林模型中各個影響因素對山洪災(zāi)害形成的重要程度，得到模型中山洪災(zāi)害影響因素的重要性排序圖，見圖5。其中IncMSE代表的是精度平均減少值，從圖5中可以看出，高程在構(gòu)建出的5個隨機(jī)模型中都是最重要的影響因素，表明高程對山洪災(zāi)害風(fēng)險貢獻(xiàn)程度是最大的，可知江西省的山洪災(zāi)害跟高程有著密不可分的關(guān)系，可能對最終的山洪災(zāi)害風(fēng)險形成起到了決定性的作用；地形指數(shù)、年暴雨天數(shù)、人口密度和年最大6 h暴雨均值是對山洪災(zāi)害比較重要的4個影響因素；而年最大10 min暴雨均值、年最大1 h暴雨均值、年降雨量和GDP則是不太重要的4個影響因素，表明這4個影響因素對山洪災(zāi)害風(fēng)險的貢獻(xiàn)程度比較小，尤其是GDP，在構(gòu)建出的5個隨機(jī)森林模型中均是最不重要的影響因素，說明GDP對最終的山洪災(zāi)害風(fēng)險形成起到的作用微乎其微。

3.2　基于隨機(jī)森林的山洪災(zāi)害風(fēng)險評估

將整個研究區(qū)的影響因素數(shù)據(jù)輸入到構(gòu)建完成的5個隨機(jī)森林模型中，推測出整個研究區(qū)的山洪災(zāi)害風(fēng)險度值；然后進(jìn)行山洪災(zāi)害風(fēng)險區(qū)劃，通過正態(tài)分布取值的方法來確定山洪災(zāi)害風(fēng)險的等級閾值，進(jìn)而依次劃分出不用區(qū)域的山洪災(zāi)害風(fēng)險等級[29]。即：利用隨機(jī)森林計算出的山洪災(zāi)害風(fēng)險度值，將所有柵格單元按大小進(jìn)行排列，然后依次取單元總數(shù)的10%，20%，40%，20%，10%作為5個風(fēng)險等級的分級空間，分別對應(yīng)山洪災(zāi)害風(fēng)險很高、較高、中等、較低和很低5個風(fēng)險等級。

3.3　精度分析

本研究從兩個方面進(jìn)行精度分析：其一，是評價隨機(jī)森林模型的建模精度，即統(tǒng)計隨機(jī)森林模型將訓(xùn)練樣本集正確分類的比率，用來進(jìn)行衡量模型對于訓(xùn)練樣本集的擬合程度；其二，是評價山洪災(zāi)害風(fēng)險評估結(jié)果的精度，即根據(jù)歷史山洪災(zāi)害調(diào)查點(diǎn)數(shù)據(jù)與中等以上等級山洪災(zāi)害風(fēng)險的空間分布匹配度，來定量評估結(jié)果的精度。

(1) 建模精度的檢驗。在這里設(shè)置了一個山洪災(zāi)害風(fēng)險度的閾值(比如0.5)，如果樣本所在位置的山洪災(zāi)害風(fēng)險度推測結(jié)果大于這個閾值，則認(rèn)為這個樣本分類是正確的，否則為分類錯誤，如此就可以度量出測試樣本集分類正確的比率(表2)。

表2　隨機(jī)森林模型中樣本分類正確的比率

從表2可以看出，根據(jù)5組不同的樣本集構(gòu)建的隨機(jī)森林模型的訓(xùn)練樣本平均精度為99%以上，測試樣本精度在86%左右，測試平均精度為86.26%。通過分析可知，構(gòu)建的隨機(jī)森林模型都比較滿足精度要求。

(2) 山洪災(zāi)害風(fēng)險評估結(jié)果的驗證。將基于隨機(jī)森林的山洪災(zāi)害風(fēng)險評估模型的5次結(jié)果做如下處理：在整個研究區(qū)的每個柵格單元上，對構(gòu)建的5個隨機(jī)森林模型得到的山洪災(zāi)害風(fēng)險度取平均值，計算出每個柵格單元的洪災(zāi)風(fēng)險度平均值，作為基于隨機(jī)森林方法的山洪災(zāi)害風(fēng)險評估的最終結(jié)果。因此，山洪災(zāi)害風(fēng)險等級圖見圖6。

圖5　5個隨機(jī)森林模型中指標(biāo)重要性

圖6　基于隨機(jī)森林的江西省山洪災(zāi)害風(fēng)險分區(qū)

把山洪災(zāi)害風(fēng)險區(qū)劃圖和歷史發(fā)生山洪點(diǎn)進(jìn)行疊加，最終在每個風(fēng)險等級上與若干災(zāi)害統(tǒng)計數(shù)據(jù)發(fā)生重合，計算各個風(fēng)險等級上重合的點(diǎn)數(shù)相對于總點(diǎn)數(shù)的占比，見表3。從表3中可以看出，與風(fēng)險等級中等及以上的區(qū)域重合的歷史發(fā)生山洪災(zāi)害點(diǎn)數(shù)占總點(diǎn)數(shù)的86.96%。而與風(fēng)險等級很低的區(qū)域重合的歷史發(fā)生山洪災(zāi)害點(diǎn)多數(shù)處于河流發(fā)源地，人煙稀少。驗證結(jié)果表明本研究最終得到的山洪災(zāi)害風(fēng)險等級區(qū)劃精度較高。

表3　歷史發(fā)生山洪災(zāi)害點(diǎn)分布統(tǒng)計表

綜上分析，我們發(fā)現(xiàn)隨機(jī)森林在山洪災(zāi)害的評估方面的精度完全滿足我們的研究需要，為下一步對江西省山洪災(zāi)害等級分區(qū)統(tǒng)計提供了理論支持。

3.4　山洪災(zāi)害風(fēng)險等級分區(qū)統(tǒng)計與分析

將基于隨機(jī)森林得出的山洪災(zāi)害風(fēng)險等級圖進(jìn)行地級市分區(qū)的綜合統(tǒng)計分析。分別統(tǒng)計出在不同的隨機(jī)森林模型中，各地級市分區(qū)的5個山洪災(zāi)害風(fēng)險等級下所占面積的百分比和面積絕對值。

從圖7中可以發(fā)現(xiàn)，南昌市中山洪風(fēng)險等級為很低的面積占50%左右，風(fēng)險等級為較低的面積也占了將近40%，而風(fēng)險等級為較高和很高所占的面積幾乎為0，所以在南昌市范圍內(nèi)可能發(fā)生山洪災(zāi)害的區(qū)域幾乎沒有；在贛州、九江、鷹潭和吉安等市，山洪災(zāi)害風(fēng)險等級為很低和較低所占的面積大概在60%～70%，而風(fēng)險等級為較高和很高的面積總共占了不到10%。

圖7　各地級市中不同風(fēng)險等級下所占面積百分比

因此在這些地級市只有小部分區(qū)域可能會有山洪災(zāi)害的發(fā)生；在宜春、撫州、新余和萍鄉(xiāng)市，雖然山洪災(zāi)害風(fēng)險等級為很低和較低所占的面積在40%左右，且風(fēng)險等級為較高和很高的面積只占了10%左右，但這些地級市的大部分區(qū)域處在的風(fēng)險等級為中等，因此大部分區(qū)域還是有山洪災(zāi)害發(fā)生的可能的；而在景德鎮(zhèn)市和上饒市，山洪災(zāi)害風(fēng)險等級為較高和很高所占的面積比值是所有地級市中最高的，并且風(fēng)險等級為中等的面積也占了30%以上，尤其是景德鎮(zhèn)市，風(fēng)險等級為較高和很高的面積占了40%以上，風(fēng)險等級為很低和較低的面積占了不到15%，所以絕大部分的區(qū)域都是有山洪災(zāi)害發(fā)生的可能。

山洪災(zāi)害風(fēng)險等級為很高的區(qū)域面積絕對值中，上饒市是最大的，大概在1 500 km2以上，而山洪災(zāi)害風(fēng)險等級為較高的區(qū)域面積絕對值中，上饒市也是最大的，接近4 000 km2；在景德鎮(zhèn)市，山洪災(zāi)害風(fēng)險等級為較高和很高的面積絕對值也比較大，很高的面積絕對值在500 km2以上，較高的面積絕對值在2 000 km2左右；與其他市相比，九江市風(fēng)險等級很高的面積絕對值比其他市的稍微高一點(diǎn)，贛州市、宜春市的風(fēng)險等級為較高的面積絕對值是比較大的，接近2 000 km2，但贛州市風(fēng)險等級很低、較低和中等的區(qū)域面積絕對值都在12 000 km2左右；風(fēng)險等級為中等的面積絕對值中，上饒市、宜春市、撫州市和吉安市是比較大的，都在8 000 km2左右；而南昌市、鷹潭市、新余市和萍鄉(xiāng)市可能因為市面積小，基本各個風(fēng)險等級上的面積絕對值都不到2 000 km2。

綜合分析發(fā)現(xiàn)，在景德鎮(zhèn)市和上饒市，山洪災(zāi)害風(fēng)險等級為很高和較高的區(qū)域不僅面積占比大，而且所占面積絕對值也很大；在贛州市和宜春市，山洪災(zāi)害風(fēng)險等級為很高和較高的面積占比雖然比較小，但由于市面積很大，所以風(fēng)險等級為很高和較高的面積絕對值都還是比較大的；而在南昌市和鷹潭市，山洪災(zāi)害風(fēng)險等級為很高和較高的面積百分比很小，面積絕對值也同樣是很小的。

4　結(jié) 論

(1) 隨機(jī)森林算法大大提升了計算速度，較好地解決非線性問題，基于隨機(jī)森林的山洪災(zāi)害模型為山洪災(zāi)害的智能化評價提供了一種有效的途徑；(2) 將歷史山洪災(zāi)害點(diǎn)疊加到基于隨機(jī)森林構(gòu)建的風(fēng)險評估模型得出的風(fēng)險分區(qū)圖上，統(tǒng)計每個風(fēng)險等級上歷史發(fā)生山洪災(zāi)害點(diǎn)的個數(shù)，驗證隨機(jī)森林模型的精度為86.96%，說明本文使用隨機(jī)森林評價江西省山洪災(zāi)害等級具有較高的準(zhǔn)確性；(3) 經(jīng)過統(tǒng)計，發(fā)現(xiàn)上饒市和景德市山洪風(fēng)險等級較高和很高的面積絕對值較大，說明該區(qū)域發(fā)生山洪可能性較高造成損失較大，須預(yù)先做好相應(yīng)的防洪和抗洪措施。其次是贛州、九江和宜春等地區(qū)風(fēng)險等級很高的面積絕對值也很大，政府亦需給予相應(yīng)重視；(4) 各地級市中不同風(fēng)險等級下所占面積百分比來看，等級很高和較高所占面積百分比最多的依然是上饒市和景德市，其次是宜春、九江、贛州和萍鄉(xiāng)等地區(qū)，其他區(qū)域山洪災(zāi)害風(fēng)險水平大多處于風(fēng)險較低的等級，應(yīng)以災(zāi)害防治為主，同時也應(yīng)加強(qiáng)災(zāi)害監(jiān)測預(yù)警預(yù)報工作。

參考文獻(xiàn):

[1]管珉,陳興旺.江西省山洪災(zāi)害風(fēng)險區(qū)劃初步研究[J].暴雨災(zāi)害,2007,26(4):339-343.

[2]趙士鵬.中國山洪災(zāi)害系統(tǒng)的整體特征及其危險度區(qū)劃的初步研究[J].自然災(zāi)害學(xué)報,1996(3):93-99.

[3]馬建華,胡維忠.我國山洪災(zāi)害防災(zāi)形勢及防治對策[J].人民長江,2005，36(6):3-5.

[4]孟東勇,秦亞麗.山洪災(zāi)害防治非工程措施項目建設(shè)探討[J].江西建材,2014(6):82-82.

[5]李林濤,徐宗學(xué),龐博,等.中國洪災(zāi)風(fēng)險區(qū)劃研究[J].水利學(xué)報,2012,43(1):22-30.

[6]Woodruff J D, Irish J L, Camargo S J. Coastal flooding by tropical cyclones and sea-level rise[J]. Nature, 2013,504(7478):44-52.

[7]Hallegatte S, Green C, Nicholls R J, et al. Future flood losses in major coastal cities[J]. Nature Climate Change, 2013,3(9):802-806.

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

[9]Martens D, Backer M D, Haesen R, et al. Classification with ant colony optimization[J]. Ieee Transactions on Evolutionary Computation, 2007,11(5):651-665.

[10]趙銅鐵鋼,楊大文,蔡喜明,等.基于隨機(jī)森林模型的長江上游枯水期徑流預(yù)報研究[J].水力發(fā)電學(xué)報,2012,31(3):18-24.

[11]Dong L J, Xi-Bing L I, Peng K. Prediction of rockburst classification using Random Forest[J]. Transactions of Nonferrous Metals Society of China, 2013,23(2):472-477.

[12]Tesfamariam S, Liu Z. Earthquake induced damage classification for reinforced concrete buildings[J]. Structural Safety, 2010,32(2):154-164.

[13]Chen X, Ishwaran H. Random forests for genomic data analysis[J]. Genomics, 2012,99(6):323-329.

[14]MihaiIlescu D M, Gui V, Toma C I, et al. Computer aided diagnosis method for steatosis rating in ultrasound images using random forests[J]. Medical Ultrasonography, 2013,15(15):184-190.

[15]賴成光,陳曉宏,趙仕威,等.基于隨機(jī)森林的洪災(zāi)風(fēng)險評價模型及其應(yīng)用[J].水利學(xué)報,2015,46(1):58-66.

[16]Wang Z, Lai C, Chen X, et al. Flood hazard risk assessment model based on random forest[J]. Journal of Hydrology, 2015,527:1130-1141.

[17]Feng Q, Liu J, Gong J. Urban flood mapping based on unmanned aerial vehicle remote sensing and random forest classifier: A Case of Yuyao, China[J]. Water, 2015,7(4):1437-1455.

[18]劉筱琴,李昆.江西省暴雨洪水地理變化規(guī)律研究[R].華東七省(市)水利學(xué)會第二十次學(xué)術(shù)研討會,2007.

[19]李世勤,邱啟勇,王述強(qiáng).江西山洪災(zāi)害防治實踐及思考[J].中國水利,2012(3):51-54.

[20]李明輝,熊劍英.江西省山洪災(zāi)害防治規(guī)劃概述[J].江西水利科技,2005,31(2):73-77.

[21]林俊.江西省山洪預(yù)警系統(tǒng)分析與設(shè)計[D].昆明:云南大學(xué),2012.

[22]楊嫵,柏林, YANG W,等.淺談江西省山洪災(zāi)害防治監(jiān)測、通信和預(yù)警系統(tǒng)的規(guī)劃[J].江西水利科技,2006,32(2):83-85.

[23]程曉陶.城市型水災(zāi)害及其綜合治水方略[J].災(zāi)害學(xué),2010(S):10-15.

[24]王全才.隨機(jī)森林特征選擇[D].遼寧大連:大連理工大學(xué),2011.

[25]吳喜之.應(yīng)用回歸及分類:基于R[M].北京:中國人民大學(xué)出版社,2016.

[26]尼娜·朱梅爾,約翰·芒特, NinaZumel,等.數(shù)據(jù)科學(xué):理論、方法與R語言實踐[M].北京:機(jī)械工業(yè)出版社,2016.

[27]李欣海.用R實現(xiàn)隨機(jī)森林的分類與回歸[R].北京:第五屆R語言會議,2012.

[28]趙北庚.基于R語言randomForest包的隨機(jī)森林建模研究[J].計算機(jī)光盤軟件與應(yīng)用,2015(2):152-153.

[29]方秀琴,王凱,任立良,等.基于GIS的江西省山洪災(zāi)害風(fēng)險評價與分區(qū)[J].災(zāi)害學(xué),2017,32(1):111-116.