林奕晨，周 鵬，潘 悅，劉蘭君，王潤澤

（武漢工程大學(xué)土木工程與建筑學(xué)院，武漢 430074）

0 引 言

洪澇災(zāi)害是世界上發(fā)生次數(shù)最多、頻率最高、影響最廣的自然災(zāi)害之一。據(jù)應(yīng)急管理部公開數(shù)據(jù)顯示，截止到7月10日14時(shí)，2020年上半年我國洪澇災(zāi)害共計(jì)造成27?。▍^(qū)、市）3 385萬人受災(zāi)，造成直接經(jīng)濟(jì)損失超過695.9 億元，洪澇災(zāi)害所帶來的巨大經(jīng)濟(jì)損失和人口傷亡不可忽視。洪澇災(zāi)害風(fēng)險(xiǎn)評估可通過對不同研究區(qū)域社會(huì)經(jīng)濟(jì)和自然環(huán)境等多方面的影響因子進(jìn)行分析，構(gòu)建評估模型識別洪澇災(zāi)害高風(fēng)險(xiǎn)區(qū)，是地區(qū)進(jìn)行洪澇災(zāi)害監(jiān)測預(yù)警和風(fēng)險(xiǎn)管理的重要基礎(chǔ)，對保障區(qū)域人口安全和社會(huì)經(jīng)濟(jì)發(fā)展等具有重要意義。

國內(nèi)關(guān)于洪澇災(zāi)害風(fēng)險(xiǎn)評估的系統(tǒng)性研究最早開始于20世紀(jì)90年代。從研究尺度來看，既有以大片區(qū)、大流域?yàn)閱挝贿M(jìn)行區(qū)域整體性風(fēng)險(xiǎn)評價(jià)和集中管制的研究［1-3］，也有考慮具體城市基本特性的差異而以市縣為單位獨(dú)立評估與管控的研究［4-6］；從研究方法來看，現(xiàn)有研究大多是基于統(tǒng)計(jì)學(xué)方法并結(jié)合遙感和GIS技術(shù)展開，主流方法有層次分析法［7，8］、GIS多因子綜合評價(jià)法［9，10］、BP 神經(jīng)網(wǎng)絡(luò)評價(jià)法［11，12］、模糊綜合評價(jià)法［13-15］、概率學(xué)模型和動(dòng)力學(xué)模型等［16］；從指標(biāo)體系來看，坡度、高程、河流網(wǎng)密度、最大3 天降水量、暴雨頻率、土地利用類型、植被覆蓋度、耕地面積占比、人口密度、GDP 這10 個(gè)指標(biāo)因子在已有的災(zāi)害評價(jià)研究中認(rèn)可度和使用頻率最高［7-15］。綜合來看，我國洪澇災(zāi)害評估體系已趨于成熟，評價(jià)模型適用度較高，但仍有問題尚未得到系統(tǒng)性解決：現(xiàn)有研究在評價(jià)指標(biāo)的選取上存在主觀經(jīng)驗(yàn)判斷的弊端，缺乏地域針對性和客觀依據(jù)的考量，忽略了同一因子在不同環(huán)境中對洪澇災(zāi)害風(fēng)險(xiǎn)貢獻(xiàn)率的差異，導(dǎo)致不同區(qū)域的評價(jià)模型指標(biāo)體系趨同；在指標(biāo)權(quán)重的計(jì)方法上，傳統(tǒng)的主觀賦權(quán)法（如層次分析法［7，8］）更易受到主觀經(jīng)驗(yàn)的影響，而客觀賦權(quán)法（如熵權(quán)法［17，18］），雖在一定程度上避免了人為干擾，但其受到原始數(shù)據(jù)分布影響較大，穩(wěn)定性不高。

針對現(xiàn)有研究中存在的問題，引入機(jī)器算法進(jìn)行研究區(qū)評價(jià)指標(biāo)的科學(xué)選取和評價(jià)體系的優(yōu)化構(gòu)建，以克服主觀影響過大的弊端。隨機(jī)森林模型是一種基于統(tǒng)計(jì)學(xué)理論的機(jī)器學(xué)習(xí)算法，在評價(jià)指標(biāo)選取階段可直接計(jì)算出各影響因子貢獻(xiàn)率作為篩選優(yōu)化的客觀依據(jù)，目前在滑坡［19，20］、泥石流［21，22］和PM2.5污染［23，24］等研究中應(yīng)用較多。XGBoost 模型具有強(qiáng)大的擬合多變量非線性函數(shù)的能力，常用于計(jì)算指標(biāo)權(quán)重，能同時(shí)處理分類和數(shù)值特征，相較于熵值法而言，其準(zhǔn)確率更高，穩(wěn)定性更強(qiáng)［25］。

本文面向湖北省荊州市2020年7月中下旬遭受的洪澇災(zāi)害，初選高程、坡度、極端日降雨量、植被覆蓋度等18 個(gè)基礎(chǔ)指標(biāo)，采用隨機(jī)森林模型探究其因子貢獻(xiàn)率，并以模型的ROC 曲線下面積（AUC）和準(zhǔn)確率（ACC）值作為判斷依據(jù)進(jìn)行指標(biāo)因子的優(yōu)化篩選；再結(jié)合XGBoost 模型建立荊州市洪澇災(zāi)害風(fēng)險(xiǎn)指數(shù)評估模型進(jìn)行風(fēng)險(xiǎn)評價(jià)，識別荊州市洪澇災(zāi)害高風(fēng)險(xiǎn)區(qū)域，以期為荊州市洪澇防災(zāi)減災(zāi)規(guī)劃提供科學(xué)的依據(jù)。

1 材料與方法

1.1 研究區(qū)概況

荊州市位于湖北省中南部，地處長江中下游，境內(nèi)河流交錯(cuò)、湖泊密布，長江水系自西向東貫穿全市，市內(nèi)水資源極其豐富。荊州氣候濕潤多雨，多年平均降雨量在1 074.5～1 507.9 mm 之間，且降雨時(shí)空分布嚴(yán)重不均，梅雨季節(jié)洪澇災(zāi)害發(fā)生頻繁，是長江中下游一帶深受洪澇災(zāi)害影響的典型城市之一。

1.2 研究方法

1.2.1 隨機(jī)森林模型

隨機(jī)森林是一種基于多顆決策樹組合的集成學(xué)習(xí)模型。它利用bootstrap重抽樣從原始訓(xùn)練集中抽取若干特征數(shù)一致的樣本，對每個(gè)樣本進(jìn)行決策樹建模，然后組合多顆決策樹的預(yù)測，通過投票或取平均值的方式得出最終結(jié)果。

利用隨機(jī)森林模型來評估特征重要性的方法在現(xiàn)有研究當(dāng)中應(yīng)用較多，其重要性權(quán)重基于Gini 指數(shù)得出。通過計(jì)算每個(gè)特征在每顆決策樹節(jié)點(diǎn)分割時(shí)Gini 指數(shù)的改變量的平均值，通過比較不同特征的平均Gini指數(shù)改變量占所有特征平均Gini指數(shù)改變量總和的百分比來判斷特征重要程度。

用VIM表示特征重要性評分，用GI表示Gini指數(shù)。假設(shè)有m個(gè)特征（X1，X2，X3，…，Xm），先計(jì)算每個(gè)特征Xj的Gini 指數(shù)評分VIM(Gini)j，即第j個(gè)特征在所有決策樹中節(jié)點(diǎn)分裂不純度改變量的平均值。計(jì)算公式為：

式中：k表示類別數(shù)，pmk表示類別k在節(jié)點(diǎn)m中占的比例；VIM(Gini)jm表示特征Xj在節(jié)點(diǎn)m分裂時(shí)Gini 指數(shù)的變化量，GIl和GIr分別表示分支后兩個(gè)新節(jié)點(diǎn)的Gini指數(shù)。

若特征Xj在決策樹i中出現(xiàn)的節(jié)點(diǎn)為集合M，那么Xj在第i棵樹的重要性為：

若隨機(jī)森林中共有n棵樹，那么Xj在所有決策樹中的Gini指數(shù)變化量總和為：

最后將其進(jìn)行歸一化處理，得到特征Xj的重要性：

由于隨機(jī)森林是集成算法，相比于單一算法而言，其精度更高；且bootstrap重抽樣為有放回的抽樣，極大程度提升了訓(xùn)練集的隨機(jī)性，使得模型不易產(chǎn)生過度擬合，穩(wěn)定性更強(qiáng)，成為目前公認(rèn)的最好的機(jī)器學(xué)習(xí)模型之一［26］。

1.2.2 XGBoost模型

XGBoost（Extreme Gradient Boosting），是一種高效的梯度提升決策樹算法，可于指標(biāo)權(quán)重的計(jì)算。其基本思想就是不斷地添加樹和進(jìn)行特征分裂，每添加一棵樹就學(xué)習(xí)一個(gè)新的函數(shù)，以每一輪的預(yù)測去擬合上一輪預(yù)測的殘差，根據(jù)樣本的特征就可預(yù)測樣本分?jǐn)?shù)。當(dāng)訓(xùn)練完成得到n棵樹，在每棵樹中會(huì)落到對應(yīng)的葉子節(jié)點(diǎn)上，每個(gè)葉子節(jié)點(diǎn)對應(yīng)一個(gè)分?jǐn)?shù)，最后將所有樹的對應(yīng)分?jǐn)?shù)相加就得到該樣本的預(yù)測值。其計(jì)算公式如下：

式中：ωq(x)表示葉子節(jié)點(diǎn)q的分?jǐn)?shù)；f(x)表述其中某一可回歸樹。

在XGBoost算法中，決策樹先后關(guān)聯(lián)性較強(qiáng)，每一輪預(yù)測均以上一輪的預(yù)測誤差為基礎(chǔ)，利用各輪預(yù)測誤差反復(fù)迭代構(gòu)建模型，極大程度地提升了模型預(yù)測的準(zhǔn)確性［27］。與傳統(tǒng)的統(tǒng)計(jì)學(xué)模型相比，其可以為缺失的數(shù)據(jù)值或者指定的值指定分支的默認(rèn)方向，從而減小數(shù)據(jù)缺失帶來的誤差，且能同時(shí)處理分類和數(shù)值特征，使預(yù)測模型具有更強(qiáng)的穩(wěn)定性。

1.3 數(shù)據(jù)來源

1.3.1 洪水淹沒區(qū)提取

本文基于下載自哥白尼開放訪問中心（https：//scihub.copernicus.eu/）的荊州市2020年4月15日和2020年7月15日哨兵二號高分辨率多光譜成像產(chǎn)品提取研究區(qū)洪水淹沒范圍。該數(shù)據(jù)產(chǎn)品級別為Level-1C 數(shù)據(jù)，空間分辨率最高達(dá)10 m。在對該數(shù)據(jù)進(jìn)行輻射定標(biāo)、幾何校正、大氣校正預(yù)處理步驟后，利用SNAP 和ENVI 軟件轉(zhuǎn)換數(shù)據(jù)格式。為獲取洪澇淹沒范圍，建立原有水體、水淹區(qū)域和陸地三類感興趣區(qū)樣本，通過對比試驗(yàn)，采用圖論分割算法進(jìn)行監(jiān)督分類，再對監(jiān)督分類后的結(jié)果進(jìn)行主要/次要分析和聚類后處理步驟以及人工矯正，得到洪水淹沒區(qū)范圍，如圖1所示。

圖1 荊州洪水淹沒區(qū)Fig.1 The flooded area of Jingzhou

1.3.2 評價(jià)指標(biāo)數(shù)據(jù)來源

根據(jù)自然災(zāi)害風(fēng)險(xiǎn)評估理論可知，區(qū)域洪澇災(zāi)害的發(fā)生是由其孕災(zāi)環(huán)境、致災(zāi)因子和承災(zāi)體三者共同作用的結(jié)果，近年來越來越多的學(xué)者也將防災(zāi)減災(zāi)能力納入考量區(qū)域洪澇災(zāi)害風(fēng)險(xiǎn)的準(zhǔn)則之中［1-3，3-9］?；诖?，本研究充分考慮荊州市的地域特征及數(shù)據(jù)的可獲得性，經(jīng)過相關(guān)性檢驗(yàn)分析，從致災(zāi)、運(yùn)災(zāi)、承災(zāi)和防災(zāi)減災(zāi)四個(gè)角度確定選擇地形起伏度、高程、坡向、土壤濕度、土壤質(zhì)地、土壤滲透性、主要河流水系緩沖區(qū)、距主要道路距離、耕地面積占比、土地利用類型、植被覆蓋度、近5年暴雨天數(shù)、極端日降雨量、蓄洪區(qū)、人均GDP、夜間燈光亮度、醫(yī)療能力和空氣污染指數(shù)18 個(gè)指標(biāo)作為基礎(chǔ)因子。其中夜間燈光亮度和空氣污染指數(shù)作為洪澇災(zāi)害評價(jià)指標(biāo)體系中的創(chuàng)新指標(biāo)：前者主要以夜間燈光的分布來表達(dá)夜間建設(shè)用地和人口分布狀況，在城市化、人口、區(qū)域經(jīng)濟(jì)等領(lǐng)域應(yīng)用廣泛［28，29］，此處用來替代人均GDP、人口密度和城鎮(zhèn)化水平3個(gè)因子，既能克服社會(huì)經(jīng)濟(jì)類因子之間相關(guān)性過大的缺陷，其以柵格為單位的數(shù)據(jù)屬性相對于傳統(tǒng)社會(huì)經(jīng)濟(jì)因子以行政區(qū)作為評價(jià)單位，也更能提高評價(jià)結(jié)果的精度；后者空氣污染通過阻礙水蒸氣形成對流和降雨，改變區(qū)域氣象模式，對暴雨災(zāi)害的形成具有催化作用，其與暴雨洪澇災(zāi)害的相關(guān)性在已有研究中已得到證實(shí)［30，31］。數(shù)據(jù)來源如下：

（1）基礎(chǔ)地理信息數(shù)據(jù)：數(shù)字高程、地形起伏度、坡度數(shù)據(jù)來源于中國科學(xué)院計(jì)算機(jī)網(wǎng)絡(luò)信息中心地理空間數(shù)據(jù)云平臺(tái)（http：// www.gscloud.cn）；植被覆蓋度由地理空間數(shù)據(jù)云的Landsat 8 OLI_TIRS 衛(wèi)星影像計(jì)算NDVI 指數(shù)而得；土壤濕度、土壤質(zhì)地、土壤滲透性數(shù)據(jù)來源于中國地表模擬土壤屬性數(shù)據(jù)集；土地利用類型數(shù)據(jù)來自于中國科學(xué)院空天信息創(chuàng)新研究院30 m 柵格數(shù)據(jù)集；行政區(qū)劃數(shù)據(jù)、河網(wǎng)水系、道路等數(shù)據(jù)來源于“荊州市資源環(huán)境承載力與國土空間開發(fā)適宜性評價(jià)”項(xiàng)目及其調(diào)查資料。

（2）氣象數(shù)據(jù)：近5年暴雨天數(shù)和極端日最大降雨量數(shù)據(jù)來源于“荊州市資源環(huán)境承載力與國土空間開發(fā)適宜性評價(jià)”項(xiàng)目，由荊州市自然資源與規(guī)劃局提供，數(shù)據(jù)來源可靠；空氣污染數(shù)據(jù)來源于達(dá)爾豪斯大氣成分分析組。

（3）社會(huì)經(jīng)濟(jì)數(shù)據(jù)：人均GDP、耕地面積占比等數(shù)據(jù)來自于荊州市統(tǒng)計(jì)局（http：//www.jingzhou.gov.cn/tb/）；醫(yī)療設(shè)施點(diǎn)位數(shù)據(jù)由百度地圖爬??；夜間燈光亮度遙感數(shù)據(jù)來源于珞珈一號夜光遙感衛(wèi)星監(jiān)測。

由于數(shù)據(jù)來源、格式不統(tǒng)一，需先通過投影變換統(tǒng)一空間數(shù)據(jù)的坐標(biāo)系，并對離散數(shù)據(jù)采用克里金插值法進(jìn)行空間化處理，并與矢量數(shù)據(jù)配準(zhǔn)。為保證評價(jià)精度，還需利用GIS重采樣工具統(tǒng)一所有柵格數(shù)據(jù)的空間分辨率為30 m。

2 洪澇災(zāi)害評價(jià)指標(biāo)分析及優(yōu)化選取

2.1 基于隨機(jī)森林模型的指標(biāo)貢獻(xiàn)率分析

從已獲取的洪水淹沒區(qū)中隨機(jī)選取150 個(gè)淹沒樣本，編碼為“1”，從未發(fā)生洪澇災(zāi)害的區(qū)域同樣隨機(jī)選取150個(gè)非淹沒樣本，編碼為“0”，共計(jì)選取樣本總數(shù)300 個(gè)，如圖2。以這300 組樣本數(shù)據(jù)為基礎(chǔ)，設(shè)置選擇70%的樣本點(diǎn)（即105個(gè)淹沒樣本點(diǎn)和105 個(gè)非淹沒樣本點(diǎn)）作為訓(xùn)練集，剩下30%的樣本點(diǎn)（即45個(gè)淹沒樣本點(diǎn)和45 個(gè)非淹沒樣本點(diǎn)）作為驗(yàn)證集，模型主要參數(shù)設(shè)置如下：n_estimators=100，criterion=′gini′，max_depth=′None′，min_samples_split=2，min_samples_leaf=20，max_features=′sqrt′，min_impurity_decrease=0.0，bootstrap=True，oob_score=True，n_jobs=1，random_state=None，利用python 軟件實(shí)現(xiàn)隨機(jī)森林模型運(yùn)行。其計(jì)算得到的評價(jià)指標(biāo)貢獻(xiàn)率排序如圖3。

圖2 樣本點(diǎn)分布圖Fig.2 Distribution of sample points

圖3 各評價(jià)指標(biāo)貢獻(xiàn)率排序Fig.3 Rank of contribution rate of each evaluation index

由圖3可知：

（1）18 項(xiàng)基礎(chǔ)評價(jià)指標(biāo)貢獻(xiàn)率之和為1，其中貢獻(xiàn)率超過0.1 的指標(biāo)有3 項(xiàng)，分別為主要河流水系緩沖區(qū)（0.242）、蓄洪區(qū)（0.125）和夜間燈光亮度（0.101）。主要河流水系緩沖區(qū)貢獻(xiàn)率最高且超過0.2，說明荊州市域內(nèi)洪澇淹沒區(qū)分布與其主要河湖水系分布走向的聯(lián)系最為密切；蓄洪區(qū)貢獻(xiàn)率排序位居第二，說明荊江分蓄洪區(qū)、人民大垸分蓄洪區(qū)、涴市備蓄區(qū)和洪湖分蓄洪區(qū)及其周邊范圍內(nèi)是荊州洪澇災(zāi)害發(fā)生的高風(fēng)險(xiǎn)區(qū)域；夜間燈光亮度貢獻(xiàn)率第三，充分體現(xiàn)了城市人群分布和活動(dòng)與洪澇災(zāi)害淹沒范圍的在空間上的高度耦合性。

（2）貢獻(xiàn)率在0.049～0.1 之間的指標(biāo)有5 項(xiàng)，分別為極端日降雨量（0.067）、土壤濕度（0.056）、土壤質(zhì)地（0.053）、耕地面積占比（0.050）、近5年暴雨天數(shù)（0.049）。極端日降雨量、土壤濕度、土壤質(zhì)地和近5年暴雨天數(shù)體現(xiàn)了氣象因素和地質(zhì)條件在洪澇災(zāi)害形成過程中的重要推動(dòng)作用，耕地面積占比則說明了洪澇災(zāi)害中的暴露主體是農(nóng)業(yè)種植物。

（3）貢獻(xiàn)率在0.02～0.049 之間的指標(biāo)有6 項(xiàng)，涉及到地形地質(zhì)、空氣環(huán)境質(zhì)量和社會(huì)經(jīng)濟(jì)三個(gè)方面；貢獻(xiàn)率低于0.02 的因子也有4 項(xiàng)，這僅說明在荊州市范圍內(nèi)這些指標(biāo)因素與洪澇災(zāi)害發(fā)生的關(guān)聯(lián)性較弱。

2.2 洪澇災(zāi)害評價(jià)指標(biāo)優(yōu)化選取

2.2.1 AUC與ACC

AUC（Area Under Curve）通常用來表示接收者操作特征曲線（Receiver Operating Characteristic，ROC）下與坐標(biāo)軸圍成的面積，取值范圍通常在0.5～1，AUC 作為衡量學(xué)習(xí)機(jī)預(yù)測性能優(yōu)劣的一種指標(biāo)，其值越接近1，則表示模型的預(yù)測性能越好；ACC（Accuracy）準(zhǔn)確率，是指模型預(yù)測模型預(yù)測“正確”的樣本占所有預(yù)測樣本的比重，通常來判斷分類器分類結(jié)果的好壞。將AUC 和ACC 相結(jié)合作為衡量預(yù)測模型穩(wěn)定性和精準(zhǔn)度的標(biāo)準(zhǔn)，可以有效避免實(shí)際數(shù)據(jù)樣本中常出現(xiàn)的數(shù)據(jù)偏斜情況所帶來的結(jié)果誤差。

2.2.2 評價(jià)指標(biāo)優(yōu)化選取

針對各指標(biāo)貢獻(xiàn)率的高低排序結(jié)果，從貢獻(xiàn)率最低的指標(biāo)開始逐步精簡因子，每精簡一個(gè)指標(biāo)就構(gòu)建成為一個(gè)新的預(yù)測模型。同樣以上述300個(gè)樣本為基礎(chǔ)，訓(xùn)練集、驗(yàn)證集和模型參數(shù)保持不變，利用python 軟件依次實(shí)現(xiàn)每次隨機(jī)森林模型的運(yùn)行，記錄和比較每一個(gè)模型的AUC 和ACC 值，探究最優(yōu)模型結(jié)構(gòu)。實(shí)驗(yàn)過程記錄如表1。

根據(jù)表1，從實(shí)驗(yàn)1 到實(shí)驗(yàn)9，隨著貢獻(xiàn)率較小的指標(biāo)的精簡，各實(shí)驗(yàn)中模型的AUC值和ACC值整體上都是呈現(xiàn)先增后降的趨勢。從實(shí)驗(yàn)1 到實(shí)驗(yàn)5，模型的AUC 值與ACC 值整體呈現(xiàn)逐步升高的態(tài)勢，這是由于隨著貢獻(xiàn)率極低的指標(biāo)的精簡，模型中輸入的干擾信息越來越少，模型結(jié)構(gòu)逐得到優(yōu)化，模型的性能隨之提升，并且在實(shí)驗(yàn)5 中AUC 和ACC 值同時(shí)達(dá)到頂峰，說明此時(shí)模型的性能和預(yù)測準(zhǔn)確率最高；而實(shí)驗(yàn)6 到實(shí)驗(yàn)9 中，隨著貢獻(xiàn)率越來越大的指標(biāo)被精簡，模型中被輸入的有效信息越來越少，故而模型性能隨之降低。即在精簡刪除貢獻(xiàn)率較低的土地利用類型、坡向、植被覆蓋度和距主要道路距離這四個(gè)指標(biāo)后，模型性能和預(yù)測準(zhǔn)確率最高。

表1 實(shí)驗(yàn)過程記錄表Tab.1 Experimental process record sheet

利用隨機(jī)森林模型對18項(xiàng)基礎(chǔ)指標(biāo)進(jìn)行貢獻(xiàn)率分析，并根據(jù)比較精簡不同指標(biāo)時(shí)模型的AUC 和ACC 值判斷模型預(yù)測性能的優(yōu)劣和準(zhǔn)確性，最終確定符合荊州市實(shí)際情況的最優(yōu)洪澇災(zāi)害評價(jià)指標(biāo)體系，共計(jì)14 項(xiàng)評價(jià)指標(biāo)，分別為：地形起伏度、高程、土壤濕度、土壤質(zhì)地、土壤滲透性、主要河流水系緩沖區(qū)、耕地面積占比、近5年暴雨天數(shù)、極端日降雨量、蓄洪區(qū)、人均GDP、夜間燈光亮度、醫(yī)療能力和空氣污染指數(shù)。

3 洪澇災(zāi)害風(fēng)險(xiǎn)性評估

3.1 洪澇災(zāi)害風(fēng)險(xiǎn)評價(jià)模型構(gòu)建

以上述優(yōu)化篩選后的14項(xiàng)評價(jià)指標(biāo)為基礎(chǔ)，計(jì)算各項(xiàng)指標(biāo)相對于最終風(fēng)險(xiǎn)的權(quán)重，構(gòu)建荊州市洪澇災(zāi)害風(fēng)險(xiǎn)評估模型，并基于自然災(zāi)害風(fēng)險(xiǎn)評估理論的要求，從孕災(zāi)環(huán)境、致災(zāi)因子、承災(zāi)體和防災(zāi)減災(zāi)四個(gè)層面分別開展荊州市洪澇災(zāi)害孕災(zāi)環(huán)境敏感性、致災(zāi)因子危險(xiǎn)性、承災(zāi)體暴露性和防災(zāi)減災(zāi)能力分析，以全方面探究洪澇災(zāi)害風(fēng)險(xiǎn)性影響因素。為克服人為主觀性干擾和數(shù)據(jù)屬性的差異對預(yù)測結(jié)果的帶來的誤差，本文引入XGBoost 算法進(jìn)行指標(biāo)權(quán)重的求取，根據(jù)其各輪預(yù)測誤差反復(fù)迭代構(gòu)建模型，最大限度地提升模型預(yù)測的準(zhǔn)確性，以計(jì)算出各單項(xiàng)評價(jià)指標(biāo)相對于最終洪澇災(zāi)害風(fēng)險(xiǎn)的權(quán)重。模型主要參數(shù)設(shè)置如下：objective=′binary：logistic′，max_depth=6，learning_rate=0.05，n_estimators=200，subsample=0.8，booster=’gbtree’，nthread=None，gamma=0，colsample_bytree=0.8，n_jobs=1，reg_alpha=0，reg_lambda=1，scale_pos_weight=1，seed=42，利 用python 軟件實(shí)現(xiàn)XGBoost 模型運(yùn)行，得到各評價(jià)指標(biāo)權(quán)重如表2。

表2 洪澇災(zāi)害風(fēng)險(xiǎn)性評價(jià)各指標(biāo)權(quán)重一覽表Tab.2 Index weight table of flood hazard risk assessment

由于不同指標(biāo)之間的單位不同，為了消除各個(gè)指標(biāo)間的量綱差異以便于比較，需要借助ARCGIS 空間分析模塊中的重分類工具對各個(gè)指標(biāo)進(jìn)行歸一化處理，如圖4。

圖4 洪澇災(zāi)害風(fēng)險(xiǎn)評價(jià)單因子圖Fig.4 Single factor diagram of flood disaster risk assessment

洪澇災(zāi)害孕災(zāi)敏感性、致災(zāi)因子危險(xiǎn)危險(xiǎn)性、承載體暴露性和防災(zāi)減災(zāi)能力評價(jià)的計(jì)算采用加權(quán)綜合評價(jià)法，計(jì)算公式為：

式中：n為評價(jià)指標(biāo)數(shù)量；G為各項(xiàng)評價(jià)的綜合指數(shù)；Wi和Di分別表示各指標(biāo)基于最終風(fēng)險(xiǎn)的權(quán)重和其歸一化后的指標(biāo)值。

最后根據(jù)災(zāi)害學(xué)風(fēng)險(xiǎn)評估原理，利用冪指數(shù)加權(quán)評價(jià)法，將洪澇災(zāi)害敏感性、危險(xiǎn)性、暴露性和防災(zāi)減災(zāi)能力評價(jià)結(jié)果集成疊加，建立洪澇災(zāi)害的風(fēng)險(xiǎn)評估模型：

式中：FDRI為洪澇災(zāi)害風(fēng)險(xiǎn)評價(jià)最終結(jié)果；f為冪指數(shù)模型；VH、VE、VS、VR分別為公式（8）計(jì)算得到的洪澇災(zāi)害敏感性、危險(xiǎn)性、暴露性和防災(zāi)減災(zāi)能力評價(jià)指數(shù)。

3.2 評價(jià)結(jié)果與分析

3.2.1 單項(xiàng)評價(jià)結(jié)果分析

根據(jù)上述洪澇災(zāi)害風(fēng)險(xiǎn)性評價(jià)模型，借助ARCGIS 軟件的空間疊加分析功能計(jì)算得到荊州市洪澇災(zāi)害敏感性、危險(xiǎn)性、暴露性和防災(zāi)減災(zāi)能力評價(jià)指數(shù)，其值域范圍分別為［0，0.425］、［0，0.371］、［0，0.128］和［0，0.076］，參考前人研究中災(zāi)害風(fēng)險(xiǎn)等級劃分的五分法［8］，采用自然斷點(diǎn)法進(jìn)行等級劃分，分級標(biāo)準(zhǔn)如表3所示，得到荊州市洪澇災(zāi)害敏感性、危險(xiǎn)性、暴露性和防災(zāi)減災(zāi)能力等級區(qū)劃圖（圖5～8）。

表3 單項(xiàng)評價(jià)等級區(qū)劃標(biāo)準(zhǔn)Tab.3 Criteria for classifying individual evaluation grades

由圖5可知，洪澇災(zāi)害敏感性受河網(wǎng)密度影響較為顯著，敏感性等級高的區(qū)域大體上沿洪湖、長江支流以及其他同屬長江水系的二級支流分布；敏感性等級較高的區(qū)域主要分布在市域中部的石首、公安二市，以及松滋市西部和荊州區(qū)東部；江陵縣由于河湖水庫分布較少，受到泄洪、排洪威脅較小，故其縣域范圍內(nèi)洪澇災(zāi)害敏感性評級普遍較低；同時(shí)，由于松滋市西部的山地由于地勢較高、坡度較大，不易積水，故洪澇災(zāi)害敏感性評價(jià)等級指向最低。

圖5 洪澇災(zāi)害敏感性等級區(qū)劃圖Fig.5 Zoning map of flood disaster sensitivity levels

由圖6可知，荊州市洪澇災(zāi)害危險(xiǎn)性較高的區(qū)域主要集中在洪湖市、監(jiān)利市東南部和石首市北部，其中洪湖市處于危險(xiǎn)性最高的區(qū)域；洪澇災(zāi)害危險(xiǎn)性等級為中等的區(qū)域分布在公安縣東部，其他區(qū)域危險(xiǎn)性較低。由于洪湖市在三項(xiàng)評價(jià)指標(biāo)中均處于危險(xiǎn)性最高區(qū)，故其為全市范圍內(nèi)洪澇災(zāi)害重危區(qū)，在進(jìn)行城市規(guī)劃和城市自然災(zāi)害應(yīng)急管理時(shí)應(yīng)重點(diǎn)關(guān)注。

圖6 洪澇災(zāi)害危險(xiǎn)性等級區(qū)劃圖Fig.6 Zoning map of flood disaster hazard levels

由圖7可知，承災(zāi)體暴露性較高的縣市為石首市、江陵縣和公安縣，這是由于此三個(gè)縣市農(nóng)業(yè)種植業(yè)比重大，農(nóng)地資源豐富，耕地暴露性強(qiáng)，在洪澇災(zāi)害發(fā)生時(shí)其農(nóng)作物受到損害的范圍和幾率相對較大，社會(huì)經(jīng)濟(jì)損失也會(huì)較高；此外，松滋市、荊州區(qū)、沙市區(qū)和洪湖市的中心城區(qū)也處于暴露性高等級，中心城區(qū)人口密度較大，人群活動(dòng)頻繁，在受到災(zāi)害時(shí)其遭受的經(jīng)濟(jì)損失和人員傷亡也遠(yuǎn)高于經(jīng)濟(jì)活動(dòng)頻次較低或人口密度較低的地區(qū)。

圖7 洪澇災(zāi)害暴露性等級區(qū)劃圖Fig.7 Zoning map of flood disaster exposure levels

圖8為防災(zāi)減災(zāi)能力等級區(qū)劃圖。防災(zāi)減災(zāi)能力主要依靠區(qū)域社會(huì)經(jīng)濟(jì)發(fā)展水平、基礎(chǔ)設(shè)施和自然資源條件的綜合作用，防災(zāi)減災(zāi)能力越強(qiáng)，抵御災(zāi)害和災(zāi)后恢復(fù)的能力則越強(qiáng)，其危險(xiǎn)性則越低。故荊州區(qū)和沙市區(qū)等社會(huì)經(jīng)濟(jì)發(fā)展優(yōu)越的地區(qū)防災(zāi)減災(zāi)能力明顯高于其他區(qū)域；其次是自然資源豐富和經(jīng)濟(jì)發(fā)展?fàn)顩r適中的松滋市防災(zāi)減災(zāi)綜合也較高；江陵縣和監(jiān)利市在經(jīng)濟(jì)發(fā)展和基礎(chǔ)建設(shè)方面較為薄弱，故防災(zāi)減災(zāi)能力評價(jià)等級較低。

圖8 防災(zāi)減災(zāi)能力等級區(qū)劃圖Fig.8 Zoning map of disaster prevention and mitigation capabilities

3.2.2 綜合評價(jià)結(jié)果分析

根據(jù)加權(quán)綜合評價(jià)得到荊州市洪澇災(zāi)害風(fēng)險(xiǎn)指數(shù)分布圖，如圖9，其值域范圍為［0，1］，指數(shù)值越靠近1，表示該地區(qū)發(fā)生洪澇災(zāi)害的風(fēng)險(xiǎn)就越高。為了加強(qiáng)洪澇災(zāi)害分區(qū)管控措施，本文基于自然斷點(diǎn)法［6］，根據(jù)災(zāi)害風(fēng)險(xiǎn)等級劃分的五分法分將荊州市劃分成為洪澇災(zāi)害高風(fēng)險(xiǎn)區(qū)（0.720，1］、次高風(fēng)險(xiǎn)區(qū)（0.598，0.720］、中風(fēng)險(xiǎn)區(qū)（0.395，0.598］、次低風(fēng)險(xiǎn)區(qū)（0.193，0.395］和低風(fēng)險(xiǎn)區(qū)［0，0.193］五個(gè)等級，如圖10。

圖9 洪澇災(zāi)害風(fēng)險(xiǎn)綜合評價(jià)圖Fig.9 Comprehensive risk assessment map of flood disaster

圖10 洪澇災(zāi)害風(fēng)險(xiǎn)區(qū)劃圖Fig.10 hierarchical map of flood hazard risk

經(jīng)統(tǒng)計(jì)，荊州市洪澇災(zāi)害高風(fēng)險(xiǎn)區(qū)面積為2 114.15 km2，占全域面積的15.30%，其范圍主要分布市域東部洪湖市范圍內(nèi)，以及監(jiān)利市、公安縣、石首市范圍內(nèi)的長江干流、支流附近，可見洪澇災(zāi)害風(fēng)險(xiǎn)性與河湖水庫、長江廊道等水文因子相關(guān)性極高；洪澇災(zāi)害次高風(fēng)險(xiǎn)區(qū)面積為3 310.21 km2，在全市范圍內(nèi)占比為23.96%，其分布主要在洪湖市、公安縣、石首市和監(jiān)利市，受到蓄洪區(qū)影響明顯；洪澇災(zāi)害中風(fēng)險(xiǎn)區(qū)面積3 506.65 km2，占比最大，為25.38%，分布范圍也較廣；次低風(fēng)險(xiǎn)區(qū)和低風(fēng)險(xiǎn)區(qū)面積分別為3 148.65 km2和1 734.92 km2，共占全域面積的35.35%，主要分布在西部的松滋市和中北部的荊州區(qū)、沙市區(qū)以及江陵縣，其中松滋市和江陵縣受到地理和氣象因素影響較大，而荊州區(qū)和沙市區(qū)則是受益于社會(huì)經(jīng)濟(jì)水平的發(fā)達(dá)而具有更強(qiáng)的風(fēng)險(xiǎn)抵抗能力。

為驗(yàn)證本次洪澇災(zāi)害風(fēng)險(xiǎn)評價(jià)結(jié)果的合理性與準(zhǔn)確性，利用前文中洪澇災(zāi)害淹沒范圍提取方法，將荊州市2016年7月3日的影像與4月15日的影像作對比檢測，提取出2016年7月在江漢平原重大洪澇災(zāi)害中荊州市的淹沒范圍。將其與此次洪澇災(zāi)害風(fēng)險(xiǎn)評價(jià)結(jié)果進(jìn)行空間疊加分析，發(fā)現(xiàn)2016年洪水淹沒區(qū)與圖10中高風(fēng)險(xiǎn)區(qū)與吻合度較高；根據(jù)相關(guān)資料記載，洪湖市在歷史災(zāi)情中防汛抗旱形勢最為嚴(yán)峻，與圖10中高風(fēng)險(xiǎn)和較高風(fēng)險(xiǎn)區(qū)劃結(jié)果吻合。綜合來看，此次洪澇災(zāi)害風(fēng)險(xiǎn)評價(jià)結(jié)果是科學(xué)合理的，與荊州市實(shí)際情況相符。

4 結(jié)論與討論

4.1 結(jié) 論

面向荊州市2020年7月遭受的洪澇災(zāi)害，結(jié)合機(jī)器算法中的隨機(jī)森林模型和XGBoost 模型，進(jìn)行荊州市洪澇災(zāi)害影響因子探究及洪澇災(zāi)害風(fēng)險(xiǎn)評估研究，得出結(jié)論。

（1）本文初選高程、坡度、極端日降雨量、植被覆蓋度等18個(gè)基礎(chǔ)指標(biāo)，采用隨機(jī)森林算法探究其因子貢獻(xiàn)率探究，發(fā)現(xiàn)荊州市域內(nèi)對洪澇災(zāi)害風(fēng)險(xiǎn)貢獻(xiàn)率最突出的3項(xiàng)指標(biāo)由高到低依次為主要河流水系緩沖區(qū)、蓄洪區(qū)和夜間燈光亮度；另外，極端日降雨量、土壤濕度、土壤質(zhì)地、耕地面積占比、近5年暴雨天數(shù)也在洪澇災(zāi)害風(fēng)險(xiǎn)評估中貢獻(xiàn)較大。

（2）本文以隨機(jī)森林模型AUC和ACC值為判斷依據(jù)進(jìn)行評價(jià)指標(biāo)的優(yōu)化篩選，最終在精簡掉貢獻(xiàn)率較低的土地利用類型、坡向、植被覆蓋度和距主要道路距離和這4 個(gè)指標(biāo)后，模型性能和預(yù)測準(zhǔn)確率達(dá)到最高。

（3）利用XGBoost算法計(jì)算優(yōu)化精簡后的指標(biāo)權(quán)重，構(gòu)建與荊州市實(shí)際情況相符合的洪澇災(zāi)害風(fēng)險(xiǎn)評價(jià)模型。其評價(jià)結(jié)果顯示荊州市洪澇災(zāi)害高風(fēng)險(xiǎn)區(qū)面積占比為15.30%，其范圍沿洪湖、長江干流及其下屬支流分布十分顯著因而荊州市對于長江水位線的檢測和其防洪堤規(guī)劃十分重要。荊州最易受到洪澇災(zāi)害威脅的是洪湖市、監(jiān)利市東部、公安縣和石首市，相關(guān)管理人員應(yīng)及時(shí)做好防災(zāi)減災(zāi)應(yīng)對措施。

4.2 討 論

本文的創(chuàng)新之處：①在洪澇災(zāi)害風(fēng)險(xiǎn)評估體系構(gòu)建中引入機(jī)器學(xué)習(xí)算法，克服了指標(biāo)因子篩選和權(quán)重計(jì)算過程受到數(shù)據(jù)間復(fù)雜非線性關(guān)系影響和人為主觀影響過大的問題；②在指標(biāo)選取階段，在前人研究綜述的基礎(chǔ)上新增夜間燈光亮度遙感數(shù)據(jù)和空氣污染指數(shù)，前者能克服社會(huì)經(jīng)濟(jì)類因子之間相關(guān)性過大的缺陷，提高評價(jià)結(jié)果的精度；后者證實(shí)了空氣污染與自然災(zāi)害的聯(lián)系。

本文的不足之處：①受到數(shù)據(jù)獲取途徑的限制，本文僅選用了18個(gè)基礎(chǔ)因子進(jìn)行二次優(yōu)化篩選，未來可繼續(xù)追求更加全面的影響因子；②受到數(shù)據(jù)類型的限制，部分?jǐn)?shù)據(jù)來源統(tǒng)計(jì)于表格，用克里金差值法處理為面數(shù)據(jù)，數(shù)據(jù)精度不夠，未來可考慮和尋求其他精度更高的柵格數(shù)據(jù)進(jìn)行同類替換。