牟鳳云，楊猛，林孝松，龍秋月，李夢梅，何勇

(重慶交通大學(xué)建筑與城市規(guī)劃學(xué)院，重慶400074)

山區(qū)地形地貌復(fù)雜、氣候多變等諸多因素導(dǎo)致洪水災(zāi)害頻頻發(fā)生，如何有效預(yù)防洪水災(zāi)害是亟待解決的問題。大數(shù)據(jù)已應(yīng)用于各大學(xué)科領(lǐng)域，而機(jī)器學(xué)習(xí)具有多學(xué)科、多領(lǐng)域、多算法等優(yōu)勢，能有效地挖掘大數(shù)據(jù)潛在的信息，其中，隨機(jī)森林模型(RF)、K-means聚類模型、自回歸滑動模型(ARMA)等已廣泛應(yīng)用于大數(shù)據(jù)平臺[1]。加上山區(qū)地貌類型復(fù)雜、流域單元數(shù)據(jù)量大等特性，利用機(jī)器學(xué)習(xí)能夠有效預(yù)測出山區(qū)洪水演變規(guī)律，實現(xiàn)山區(qū)洪水災(zāi)害防治與預(yù)警。

已有研究中，在模型運用方面，胡勝等[2]、吳裕珍等[3]采用SWAT模型利用CFSR氣象數(shù)據(jù)對小流域進(jìn)行水文模擬，以及對降雨-徑流水質(zhì)進(jìn)行研究，并做出適用性評價；劉志方等[4]、顧西輝等[5]，利用突變檢驗方法構(gòu)建小氣候?qū)α饔虍a(chǎn)流與匯流研究以及降雨-徑流關(guān)系，通過水文綜合模擬系統(tǒng)(HIMS)考慮流域產(chǎn)流、匯流、蒸發(fā)、下滲等水循環(huán)過程；理論研究方面，現(xiàn)有研究表明，降雨是導(dǎo)致滑坡主要因素，降雨[6-10]導(dǎo)致植被覆蓋較少、坡度較陡等區(qū)域滑坡泥石流發(fā)生。文獻(xiàn)[11-12]結(jié)合多方面因素研究洪水災(zāi)害，進(jìn)行洪水災(zāi)害風(fēng)險評估。以上學(xué)者研究，多在于數(shù)理統(tǒng)計與規(guī)律總結(jié)，將研究結(jié)果進(jìn)行空間表達(dá)方面有待研究，且在機(jī)器學(xué)習(xí)方面有待結(jié)合。本文針對山區(qū)降雨-徑流演變所涉及的水文參數(shù)大數(shù)據(jù)，引入機(jī)器算法進(jìn)行數(shù)據(jù)挖掘與統(tǒng)計分析，并結(jié)合多學(xué)科進(jìn)行地理空間信息可視化分析。

以巫山縣為研究對象，首先，選取機(jī)器學(xué)習(xí)RF、K-means與ARMA算法模型，對研究區(qū)降雨-徑流演變過程所形成的12 369個子河段，共計500條河流。進(jìn)行水文參數(shù)關(guān)系擬合，并利用GIS技術(shù)，進(jìn)行水文參數(shù)空間信息表達(dá)；再者，結(jié)合研究區(qū)地理環(huán)境、土壤類型、土地利用類型等指標(biāo)，多方面探討機(jī)器學(xué)習(xí)算法在山區(qū)降雨-徑流模擬過程實用性。最后，綜合機(jī)器學(xué)習(xí)優(yōu)勢和研究區(qū)地理環(huán)境特性，運用算法進(jìn)行研究區(qū)洪水災(zāi)害分析，最終研究結(jié)果可為區(qū)域洪水災(zāi)害防治、公路洪災(zāi)預(yù)警提供科學(xué)依據(jù)。

1 研究區(qū)域與方法

1.1 研究區(qū)概況

巫山縣位于重慶市東北部，與湖北接壤，地處三峽庫區(qū)腹心，地理坐標(biāo)介于30°46′-31°28′N，109°33′-110°11′E之間。截至2017年底，戶籍人口63萬，共24個鄉(xiāng)鎮(zhèn)；巫山縣屬亞熱帶季風(fēng)氣候，降雨充沛，四季分明，年平均溫度在18.4 ℃左右，年均降雨量高達(dá)1 041 mm；山區(qū)溪河眾多，常年因降雨致使洪水災(zāi)害頻發(fā)。地形地貌類型復(fù)雜，屬典型的喀斯特地貌，地形起伏大，最高海拔達(dá)2 698 m，最低海拔僅63 m。2015年4月，巫山縣11個鄉(xiāng)鎮(zhèn)遭受不同程度洪水災(zāi)害，農(nóng)作物受災(zāi)面積達(dá)100 hm2，直接經(jīng)濟(jì)損失100余萬元；2017年7月，巫山縣發(fā)生暴雨洪水災(zāi)害，降雨量達(dá)175 mm以上，官陽鎮(zhèn)、紅椿鄉(xiāng)等鄉(xiāng)鎮(zhèn)發(fā)生不同程度洪水災(zāi)害。

1.2 研究方法

機(jī)器學(xué)習(xí)為人工智能核心算法，涉及多學(xué)科領(lǐng)域，具有自動組織和模擬功能，廣泛應(yīng)用于數(shù)據(jù)統(tǒng)計、資產(chǎn)評估預(yù)測等多方面[12-13]。常見的機(jī)器學(xué)習(xí)算法為監(jiān)督學(xué)習(xí)、非監(jiān)督學(xué)習(xí)、深度學(xué)習(xí)3類。監(jiān)督學(xué)習(xí)算法中，神經(jīng)網(wǎng)絡(luò)、決策樹算法最為經(jīng)典，常見的模型有隨機(jī)森林模型、線性回歸模型等，K-means聚類算法模型在非監(jiān)督學(xué)習(xí)算法最為常用，深度學(xué)習(xí)中馬爾可夫鏈研究較多。

水文參數(shù)信息提取提取過程中，產(chǎn)生大量河段數(shù)據(jù)，需要進(jìn)行有效、精準(zhǔn)的分類，而隨機(jī)森林模型剛好具備數(shù)據(jù)精準(zhǔn)分類特性，不僅能夠?qū)⒋罅繑?shù)據(jù)河段數(shù)據(jù)進(jìn)行分類，還能進(jìn)行水文參數(shù)重要性預(yù)測；研究區(qū)提取的12 369條河段，出現(xiàn)大量數(shù)據(jù)冗余，而在機(jī)器學(xué)習(xí)算法模型中，K-mean模型具有去除冗余數(shù)據(jù)特性。選取K-mean算法對研究區(qū)河段數(shù)據(jù)進(jìn)行聚類，去除冗余值；在研究降雨-徑流演變過程中，由于不同時刻降雨量不同，水文參數(shù)變化率存在著差異，而ARMA模型能夠有效地在時間序列上預(yù)測數(shù)據(jù)變動情況，故選取ARMA模型進(jìn)行降雨-徑流時間序列預(yù)測。

1)隨機(jī)森林模型Random Forest(RF)[12-13]。RF模型為各類決策樹算法總和，而決策樹可為大數(shù)據(jù)統(tǒng)計分類提供有效、精準(zhǔn)的分類算法。鑒于此，結(jié)合RF模型，對研究區(qū)降雨-徑流水文參數(shù)統(tǒng)計數(shù)據(jù)，進(jìn)行數(shù)據(jù)挖掘，獲取每一河段預(yù)測值，通過預(yù)測值進(jìn)行河段分類，最終擬合出最為精確降雨-徑流關(guān)系式，并以此預(yù)測山區(qū)洪水致災(zāi)范圍。

2)K-means模型[14-16]。K-means模型以特定距離對統(tǒng)計數(shù)據(jù)進(jìn)行硬性聚類，在大數(shù)據(jù)分析中廣泛運用。該算法基本思路為：將降雨-徑流獲取的水文參數(shù)中作為K個樣本，在n個河段中進(jìn)行分類。K-means模型的運用，能夠減少數(shù)據(jù)冗余值，得到有效的研究參數(shù)。

3)ARMA模型[15-16]。時間序列ARMA模型為滑動自回歸模型，該模型將回歸分析與滑動平均模型相結(jié)合，能夠有效地預(yù)測數(shù)據(jù)變動情況。結(jié)合該模型特性，將不同河段編號作為時間序列，以RF模型、K-means模型和水文參數(shù)量化指標(biāo)為回歸預(yù)測值，在不同降雨強(qiáng)度下對降雨-徑流進(jìn)行時間序列預(yù)測分析。

1.3 山區(qū)河流水文參數(shù)及經(jīng)驗公式建立

受氣候、下墊面、人類活動等因素影響，部分區(qū)域不會直接形成徑流，需經(jīng)下滲、填洼、蒸發(fā)等匯流過程形成，徑流地理環(huán)境特性，使其流速、水位變化存在差異。在理想條件下，綜合國內(nèi)外雨洪計算方法[13-16]，基于天然河道匯流平均速度與出水口斷面平均流速公式，聯(lián)立曼寧公式在天然河道構(gòu)建的平均流速計算公式[15-18]，考慮巖石、植被、泥沙等因素對山區(qū)河流的阻礙作用以及流域匯流累計量的折減效應(yīng)(匯流參數(shù))；山區(qū)河網(wǎng)密集錯綜復(fù)雜，基于DEM提取的河網(wǎng)雖有等級信息卻缺乏高程變化，然而河流比降卻能反映河流的高程變化，即利用河流比降來表示河流縱斷面高程變化。河流比降的表示與坡度相同，其關(guān)系式為河流軸線河底或水面的高程與該河流長度的比值，考慮到山區(qū)地形地貌因素，將河流劃分為若干個子河段求取平均比降；結(jié)合研究區(qū)地形地貌、流域地理環(huán)境和土地利用等因素，確定河段阻礙系數(shù)并通過研究區(qū)12 369條河流進(jìn)行關(guān)系擬合，擇取機(jī)器學(xué)習(xí)算法模型，研究降雨-徑流演變規(guī)律，并擬合水文參數(shù)之間關(guān)系。

1.4 數(shù)據(jù)來源及處理

綜合考慮山區(qū)地理環(huán)境特性，確定研究區(qū)地形地貌、河流比降、山區(qū)河流阻礙系數(shù)(糙率)、匯流參數(shù)、土壤特性、植被覆蓋等為流域環(huán)境指標(biāo)，降雨強(qiáng)度(流速、水位、流量)、徑流系數(shù)、匯流參數(shù)等為水文參數(shù)指標(biāo)。基于GIS技術(shù)，以研究區(qū)分辨率為30 m DEM數(shù)據(jù)，進(jìn)行水文參數(shù)信息提取，并以流域匯流累積流量為河流等級劃分依據(jù)，擇取柵格單元2 000流量將河流劃分為6個等級，進(jìn)而計算出匯流累計量、小流域等水文信息；選取2015年夏季研究區(qū)OIL遙感影像，對其進(jìn)行植被覆蓋和土地利用類型信息提取。研究涉及水文參數(shù)經(jīng)驗公式，其理論與推導(dǎo)來源于國內(nèi)外經(jīng)驗公式，氣象水文數(shù)據(jù)來源于巫山縣觀測站點。

2 結(jié)果分析

2.1 模型預(yù)測結(jié)果精度驗證

需要對通過機(jī)器學(xué)習(xí)算法模型預(yù)測出的結(jié)果進(jìn)行精度驗證。巫山縣共52個觀測站點，由于預(yù)測河段樣本數(shù)量較大，且每個站點能夠統(tǒng)計到100以上條河段實際數(shù)據(jù)。在研究區(qū)中進(jìn)行均勻選取，并能夠覆蓋整個河段觀測站點，最終選出10個站點進(jìn)行結(jié)果驗證。以實測數(shù)據(jù)為標(biāo)準(zhǔn)進(jìn)行預(yù)測結(jié)果對比驗證(圖1)。驗證結(jié)果顯示：預(yù)測數(shù)據(jù)與實測數(shù)據(jù)整體上基本吻合，部分?jǐn)?shù)據(jù)存在偏差現(xiàn)象；流速與水位預(yù)測結(jié)果準(zhǔn)確性比預(yù)測流速高，相較于流速與流量預(yù)測結(jié)果，水位預(yù)測準(zhǔn)確性最高。

2.2 研究區(qū)水文參數(shù)預(yù)測與分析

降雨-徑流演變包含地形地貌、降雨強(qiáng)度、土壤特征、植被覆蓋以及水庫湖泊調(diào)節(jié)等諸多因素，擇取機(jī)器學(xué)習(xí)算法RF模型、K-means模型與ARMA模型，進(jìn)行研究區(qū)降雨-徑流水文參數(shù)擬合，探究降雨-徑流演變規(guī)律，測定參數(shù)結(jié)果如表1所示。以研究區(qū)12 369條河段為研究對象，通過RF模型進(jìn)預(yù)測統(tǒng)計，結(jié)合RF模型與K-means算法模型，進(jìn)行徑流水文參數(shù)分類統(tǒng)計，擬合河段數(shù)量與河流等級關(guān)系。統(tǒng)計結(jié)果中，不同等級徑流流速、水位變化有所差異，降雨閾值為25、75、125、200 mm流速、水位擬合結(jié)果最好。

不同降雨強(qiáng)度閾值下，水文參數(shù)隨河流等級、徑流曲線數(shù)(CN)、河流阻礙系數(shù)不同而隨之發(fā)生變化，從圖2(a)河流等級相對流速變化可以看出，隨著河流等級增加，流速變化率整體上呈現(xiàn)下降趨勢，且降雨強(qiáng)度越大，等級較低河流變化幅度越大；1～3級河流變化幅度最大，降雨量在25～75 mm區(qū)間，其變化幅度最小，降雨75～200 mm，等級變化相對集中；預(yù)測結(jié)果中，變化最為劇烈的為2～4級河流。河流等級變化對河流流速變化預(yù)測較為客觀，需對研究區(qū)整體河流進(jìn)行分類與預(yù)測，圖2(b)為巫山縣整體河流流速變化趨勢，在研究區(qū)6個等級河流中，流速變化主要為1～3等級河流，且降雨閾值為200 mm時，流速變化幅度最大；1～4等級河流中，部分區(qū)域流速突變顯著，由此可見，山區(qū)河流流速、水位變化率最為明顯。

圖1 巫山縣模型預(yù)測結(jié)果對比驗證圖Fig.1 Comparing and authenticating charts of prediction results of Wushan County

圖2 巫山縣不同降雨量下河流與河段流速趨勢變化預(yù)測Fig.2 Prediction of flow velocity trend of river and reach under different rainfall in Wushan County

預(yù)測結(jié)果中，土壤類型指標(biāo)重要性最高，其中黃棕壤平均預(yù)測值達(dá)8 835，效應(yīng)值2 083，影響最為強(qiáng)，而水稻土與黃壤平均預(yù)測值為7 521，效應(yīng)值為1 368，影響力次之。而土壤類型在河流、潮土、石灰?guī)r、紫色土、裸巖平均預(yù)測值為6 581，效應(yīng)值為-170，影響力較低；土地利用類型中城鄉(xiāng)、工礦、居民用地、未利用地、耕地平均預(yù)測為6 751，效應(yīng)值為558，林地、水域、草地平均預(yù)測值5 865，效應(yīng)值為-327，可見林地、草地保水能力較強(qiáng)，對其水流阻礙能力也強(qiáng)，其預(yù)測值低于其他類型用地；當(dāng)河流比降> 0.002時，平均預(yù)測值達(dá)8 134，效應(yīng)值為612。而當(dāng)河道比降≤0.001時，平均預(yù)測值為5 539，效應(yīng)值為-1 438?？梢?，河流比降預(yù)測重要性雖強(qiáng)，但效應(yīng)值卻很低；而分類預(yù)測結(jié)果中，25、125和200 mm流速預(yù)測結(jié)果最為精確，統(tǒng)計結(jié)果詳見表2。

表1 巫山縣山區(qū)河流參數(shù)統(tǒng)計表Table 1 Statistical tables of mountain rivers of Wushan County

表2 巫山縣不同降雨量的流速、水位、流量巫山縣RF模型預(yù)測結(jié)果Table 2 Prediction results of RF model of velocity, water level and discharge in Wushan County under different rainfall

降雨強(qiáng)度達(dá)100 mm及以上時，研究區(qū)流速發(fā)生明顯變化。而降雨強(qiáng)度在100～175 mm時，流速變化率度最快，且在降雨175 mm之后，變化幅度有所減緩；在降雨強(qiáng)度較少情況下，部分流域未能形成徑流，出現(xiàn)區(qū)域流速為零現(xiàn)象，降雨量小于25 mm時，流域流速變化率幾乎接近于零值，降雨強(qiáng)度在25～50 mm之間，研究區(qū)流速變化率逐漸變快，在50～75 mm之間，流速變化率略為增快；從12 369子河流流速變化曲線可以看出，降雨量在0～50 mm之間，徑流流速變化集中在0～10 m/s，且變化幅度較小；降雨在50～100 mm，流速變化集中在10～20 m/s之間，變化幅度逐漸增強(qiáng)；降雨在100～200 mm之間，流速變化集中在20～40 m/s之間，變化幅度明顯增強(qiáng)；研究區(qū)流速整體上集中在0～40 m/s之間，其變化幅度逐漸增強(qiáng)。

徑流水位與流速變化趨勢整體相同，降雨強(qiáng)度閾值為125 mm時，水位發(fā)生明顯變化，降雨強(qiáng)度在150～175 mm區(qū)間，相較于同等雨量流速相比，水位變化更為強(qiáng)烈，而降雨在75～125 mm區(qū)間時，流速變化幅度大于水位；研究區(qū)水位變化集中在0～30 m之間，變化幅度相較于流速變化較小，但水位突變區(qū)域比流速突變區(qū)域多(集中區(qū)域模擬以外曲線即為突變區(qū)域)；降雨強(qiáng)度在0～75 mm流速與水位變化基本相同，75～125 mm水位變化幅度大于流速，而降雨強(qiáng)度在125 mm之后，流速變化幅度則大于水位。

2.3 基于ARMA模型的洪水災(zāi)害參數(shù)指標(biāo)預(yù)測

RF模型具有分類精度高、指標(biāo)預(yù)測準(zhǔn)確等特性。以研究區(qū)12 369條河段為研究對象，通過RF模型進(jìn)行雨洪流量、流速、水位線性回歸關(guān)系擬合，進(jìn)行不同降雨強(qiáng)度情景下流速、水位、流量關(guān)系擬合；再者，在不同降雨強(qiáng)度下，進(jìn)行河流等級回歸擬合，最終顯著檢驗R2>0.94；最后，通過K-means聚類與RF統(tǒng)計分析結(jié)果，建立流速、水位、斷面流量之間轉(zhuǎn)換關(guān)系。RF模型指標(biāo)重要預(yù)測結(jié)果中，河流比降、河流等級重要性較高，將其參數(shù)以時間散點為時間序列，通過ARMA模型參數(shù)預(yù)測結(jié)果進(jìn)行對比分析。

從圖3可以得出，在不同降雨強(qiáng)度情況下，水位變化率最小，而流速變化率最為明顯。由此可見，水位變化更易引發(fā)洪水災(zāi)害，而流速變化，主要表現(xiàn)為構(gòu)筑物的沖擊效應(yīng)。

圖3 巫山縣山區(qū)河流量化關(guān)系擬合圖Fig.3 Fitting diagram of quantitative relationship of mountainous rivers of Wushan County

由于洪水災(zāi)害制災(zāi)因素在時間序列上存在變動情況，不同時間降雨量不同，導(dǎo)致水文參數(shù)變動情況不同。通過ARMA模型模擬水文參數(shù)在時間序列上的變化。根據(jù)水文參數(shù)在空間上排序為時間預(yù)測目標(biāo)值，再以不同降雨強(qiáng)度下水文參數(shù)量化指標(biāo)為回歸預(yù)測值，并對回歸殘差值進(jìn)行處理，最終模擬出水文參數(shù)指標(biāo)在時間序列上的回歸預(yù)測模型(圖4)。

圖4 巫山縣ARMA模型水文參數(shù)擬合圖Fig.4 Fitting of hydrological parameters based on ARMA model of Wushan County

巫山縣以山地、丘陵為主，然而河流比降受地形因素影響，河流等級卻受匯流累計量影響，因此回歸性較差；河流比降回歸值介于0.1～0.2之間，回歸性較好；河流等級回歸性較差區(qū)間為在0～0.8，其中0～2 000、8 000～12 000河段回歸擬合較好；通過ARMA模型分析，山區(qū)徑流比降、流量回歸擬合較好，流速、水位、河流等級變化幅度大；0～2 000、8 000～12 000段河流回歸性較好，且不同河段流速、水位、流量變化與河流等級相關(guān)，等級較低河流，其水位、流速變化率最為快，而流量變化率卻無顯著變化。

ARMA模型擬合結(jié)果顯示(圖4)，流速整體回歸值在0～0.4之間，在0～12 369條河段中，徑流流速變化幅度相較于水位變化較小，0～6 000條河段變化幅度較小，6 000～12 000條河流變化幅度較大；水位回歸值在0～0.8之間，整體變化幅度較大，在0～2 000、10 000～12 000河段變化幅度相對較小，2 000-8 000水位變化幅度較大；流量回歸變化相對于流速、水位變化幅度最小，0～6 000河流流量變化幅度較小，6 400～8 000變化幅度最大，8 000～12 000變化強(qiáng)度有所減弱；通過ARMA模型對研究區(qū)河流流速、水位、流量回歸模擬可知，流速、水位變化幅度較大，而流量變化幅度較小，可見山區(qū)洪水災(zāi)害主要為流速與水位作用所致。

2.4 研究區(qū)洪水災(zāi)害預(yù)測結(jié)果空間特征分析

巫山縣暴雨頻發(fā)，引發(fā)的洪水災(zāi)害頻繁。根據(jù)山區(qū)河流洪水突發(fā)迅猛、地形地貌復(fù)雜等特性，擇取統(tǒng)計時間24h的實測雨量25、75、125、200 mm，以巫山縣12 369河段為研究對象，結(jié)合ArcGIS空間可視化技術(shù)，通過RF、K-means與ARMA模型模擬結(jié)果進(jìn)行空間可視化(圖5)。綜合得出，在不同降雨強(qiáng)度下，巫山縣流速水位主要集中在等級較高河流，而在山地區(qū)域，流速的空間變化更為劇烈，巫山縣中南部與西北部為洪水災(zāi)害頻發(fā)區(qū)域。

流速空間變化率圖5(a，b,c)可知，降雨強(qiáng)度臨近25 mm時，研究區(qū)內(nèi)徑流流速主要集中在中部及長江上游一帶變化，且變化幅度較小，而在西北部區(qū)域，部分徑流流速出現(xiàn)突變現(xiàn)象；當(dāng)降雨強(qiáng)度增強(qiáng)至125 mm時，研究區(qū)整體流速主要集中在0～22 m/s之內(nèi)，部分區(qū)域達(dá)46 m/s，且整體流速為25 mm流速一倍，南部地區(qū)流速有增強(qiáng)趨勢；降雨強(qiáng)度達(dá)200 mm時，即為大暴雨情景，流速變化明顯增強(qiáng)，部分區(qū)域流速達(dá)58 m/s，西北部、中南部流速明顯增強(qiáng)，且流速在20～58 m/s之間變化，洪水災(zāi)害發(fā)生可能性極大。

相較于流速變化率，水位變化率主要集中在長江及其西北地區(qū)，圖5(d，e，f)可知，研究區(qū)徑流整體水位深度變化介于0～30 m之間；降雨強(qiáng)度越小，水位變化幅度越??；等級較低河流在降雨強(qiáng)度為25 mm時，水位幾乎無變化，主要變化區(qū)域集中在長江流域及水庫區(qū)域；當(dāng)降雨強(qiáng)度增強(qiáng)至125 mm時，徑流水位發(fā)生明顯變化，變化區(qū)域主要集中在東北部與中南部，東北部徑流水位呈現(xiàn)上升趨勢，研究區(qū)徑流最高水位達(dá)20 m；降雨強(qiáng)度達(dá)200 mm時，南部與東北部水位明顯上升，整體水深升至降雨25 mm時水位一倍。根據(jù)站點統(tǒng)計數(shù)據(jù)與預(yù)測結(jié)果對比認(rèn)證，以及研究區(qū)洪水災(zāi)害數(shù)據(jù)發(fā)生情況，綜合得出：當(dāng)水位到達(dá)到1.2 m時，即降雨強(qiáng)度為125 mm時，研究區(qū)部分區(qū)域出現(xiàn)輕度洪水災(zāi)害：研究區(qū)水位升至10 m時，降雨強(qiáng)度介于125～175 mm之間，出現(xiàn)中度洪水災(zāi)害；當(dāng)水位超過10 m時，降雨強(qiáng)度在175 mm以上時，研究區(qū)出現(xiàn)嚴(yán)重洪水災(zāi)害。

圖5 巫山縣流速、水位空間量化圖Fig.5 Spatial map of velocity and water level of Wushan County

3 結(jié) 論

通過RF、K-mean與ARMA等機(jī)器學(xué)習(xí)算法與模型，對研究區(qū)12 369條河段進(jìn)行統(tǒng)計與分析，得出了其模型能夠精確的擬合出研究區(qū)水文參數(shù)流速、水文、流量之間轉(zhuǎn)換關(guān)系，并且有效預(yù)測出區(qū)域流速、水位變化率。結(jié)合GIS空間可視化技術(shù)，對降雨-徑流水文參數(shù)空間可視化分析，綜合考慮研究區(qū)地理環(huán)境要素及孕災(zāi)環(huán)境，最終通過RF模型對研究區(qū)洪水致災(zāi)范圍進(jìn)行精細(xì)預(yù)測。本文根據(jù)機(jī)器學(xué)習(xí)算法特性研究洪水災(zāi)害，由于洪水災(zāi)害制災(zāi)因素較多，本文選取指標(biāo)不夠全面，只在數(shù)據(jù)分析與算法模型方面研究，后續(xù)研究將綜合更多制災(zāi)因素進(jìn)行全面研究，選取更多適合洪水災(zāi)害研究的機(jī)器學(xué)習(xí)算法模型。研究主要結(jié)論如下：

1)研究區(qū)指標(biāo)土壤類型重要性最高，其影響最為強(qiáng)烈，其次為土地利用類型、比降；降雨閾值為25、125、200 mm時，流速分類預(yù)測結(jié)果最為精確；通過RF模型與K-means算法模型對研究區(qū)流速與水位預(yù)測，降雨強(qiáng)度在100～175 mm時，流速變化幅度最為劇烈，降雨強(qiáng)度閾值達(dá)125 mm時，水位變化率最快，而降雨強(qiáng)度在150～175 mm之間時，水位變變化率最為明顯；在ARMA模型對研究區(qū)水文參數(shù)指標(biāo)回歸分析中，河流比降、流量回歸性擬合最好，流速、水位、河流等級變化幅度最大，且不同河段流速、水位、流量變化率與河流等級相關(guān)，等級較低徑流，其水位、流速變化最為明顯，而較低等級徑流，流量卻無顯著變化。

2)機(jī)器學(xué)習(xí)能夠有效擬合降雨-徑流參數(shù)關(guān)系，研究區(qū)流速、水位變化主要集中于等級較高河流，而在山區(qū)，流速空間變化更為劇烈；研究區(qū)西北部、中南部流速、水位變化明顯，而當(dāng)降雨強(qiáng)度增強(qiáng)至125 mm時，即在暴雨、大暴雨及以上情景，徑流水位變化率最為劇烈；東北部與中南部水位變化率最為明顯，預(yù)測水位最高水位達(dá)20 m。