蔡菁菁 程先富

收稿日期：2022-11-17

基金項目：國家自然科學基金項目（41271516）.

作者簡介：蔡菁菁（1998—），女，安徽合肥市人，碩士研究生，主要從事洪澇災害研究；通訊作者：程先富（1966—），男，安徽合肥市人，教授，博士生導師，主要從事環(huán)境演變與自然災害風險評價研究，E-mail： xianfucheng@sina.com.

引用格式：蔡菁菁，程先富. 霍山縣洪澇災害易發(fā)性評價及其與地形因子的關系——基于卷積神經(jīng)網(wǎng)絡的研究［J］.安徽師范大學學報（自然科學版），2023，46（5）：440-447.

DOI：10.14182/J.cnki.1001-2443.2023.05.005

摘要：受全球氣候變化和山地地形的影響，山區(qū)洪澇嚴重威脅人民的生命和財產(chǎn)安全。根據(jù)信息增益率分析指標的重要性，建立評價指標體系，利用卷積神經(jīng)網(wǎng)絡建立洪澇災害易發(fā)性評價模型，對霍山縣洪澇災害易發(fā)性進行評價，繪制洪澇災害易發(fā)性圖，分析了地形因子對洪澇的影響。結果表明：卷積神經(jīng)網(wǎng)絡模型適用于洪澇災害易發(fā)性評價；霍山縣北部較南部洪澇災害發(fā)生概率高，經(jīng)濟開發(fā)區(qū)和下符橋鎮(zhèn)是洪澇災害易發(fā)重災區(qū)，磨子潭鎮(zhèn)發(fā)生洪澇災害的可能性低；低海拔、緩坡及低起伏度的地區(qū)是洪澇災害頻發(fā)區(qū)域。洪澇災害易發(fā)性評價可為降低洪澇危害提供科學依據(jù)。

關鍵詞：卷積神經(jīng)網(wǎng)絡模型；洪澇災害易發(fā)性評價；地形因子；霍山縣

中圖分類號：X43 文獻標志碼：A 文章編號： 1001-2443（2023）05-0440-08

易發(fā)性是指一個地區(qū)發(fā)生某一事件的可能性，洪澇災害易發(fā)性評價是指基于地理環(huán)境條件分析區(qū)域洪澇災害的易發(fā)程度，即發(fā)生洪澇的可能性［1-2］。安徽省洪澇頻發(fā)，2020年安徽省因洪澇共有1046.5萬人受災，直接經(jīng)濟損失600.7億元［3］?；羯娇h位于大別山區(qū)腹地，河流較多，夏季降雨集中且時間長，洪澇災害常發(fā)。2020年，霍山縣氣象局發(fā)布，截至7月20日，霍山縣農(nóng)作物受災面積8896ha，農(nóng)業(yè)損失12 695萬元。洪澇是山區(qū)最主要的自然災害之一，山區(qū)洪澇常引發(fā)泥石流和滑坡，對工業(yè)和農(nóng)業(yè)的發(fā)展造成嚴重的破壞，甚至給人民的生命帶來威脅，防洪減災是應急管理的一個重要組成部分［4］。

近幾年，洪澇災害具有增強的趨勢，確定洪澇易發(fā)區(qū)可以減少洪澇帶來的損失［5-6］。洪澇災害的發(fā)生是一個復雜過程，目前應用于洪澇災害易發(fā)性評價的方法主要有多準則決策方法，統(tǒng)計模型和機器學習［7］。多準則決策方法包括層次分析法［8］、優(yōu)劣解距離法［9］和分析網(wǎng)絡過程［10］等，依賴于研究者的經(jīng)驗，具有主觀性；統(tǒng)計模型主要有頻率比［11］、香農(nóng)熵［12］和邏輯回歸［13］等，統(tǒng)計洪澇災害與發(fā)生環(huán)境的線性關系，未探究其中復雜的非線性結構；隨著機器學習的發(fā)展，支持向量機［14］、人工神經(jīng)網(wǎng)絡［15］和K近鄰［16］等機器學習方法被廣泛應用于洪澇災害易發(fā)區(qū)識別，機器學習深入研究洪澇災害發(fā)生的復雜非線性關系。近幾年，深度學習在災害研究中受到廣泛的關注，相對于機器學習，深度學習對數(shù)據(jù)處理更加深入，其結果準確性更高［18-20］。卷積神經(jīng)網(wǎng)絡（Convolutional Neural Network， CNN）是一種典型的深度學習，通過提取數(shù)據(jù)內(nèi)部的特征進行模擬。卷積神經(jīng)網(wǎng)絡通過卷積層和池化層等多層網(wǎng)絡結構提取洪澇災害與環(huán)境變量之間的特征，計算洪澇災害易發(fā)性模擬結果。

霍山縣境內(nèi)的淠河及所屬的淮河流域是洪澇災害風險研究的重點區(qū)域，目前主要從降雨量分析洪澇災害，王勝等［21］研究淠河流域山洪災害風險區(qū)劃，張正濤等［22］對不同重現(xiàn)期下淮河流域暴雨洪澇災害風險進行評價。從地形因子分析洪澇災害的研究較少。以霍山縣為研究區(qū)域，根據(jù)洪澇災害事件，利用卷積神經(jīng)網(wǎng)絡模型對霍山縣洪澇災害易發(fā)性進行評價，繪制了洪澇災害易發(fā)性圖［1，6］。分析山區(qū)地形因子對洪澇災害的影響，識別霍山縣易受洪水影響的區(qū)域，為災害治理、防災減災對策制定等工作提供支持，利于保護洪澇易發(fā)區(qū)人民生命安全和資源環(huán)境。

1 研究區(qū)概況與研究方法

1.1 研究區(qū)概況

霍山縣位于安徽省西部，介于31°03′N-31°33′N，115°52′E-116°32′E（圖1），總面積2043km2，下轄16個鄉(xiāng)鎮(zhèn)和1個經(jīng)濟開發(fā)區(qū)。位于大別山區(qū)腹地，地勢南高北低，山地面積約占80%，河流主要分為淠河水系和杭埠河水系?；羯娇h屬于亞熱帶濕潤季風氣候區(qū)，多年平均氣溫15.8℃，年平均降水量大約1366mm，夏季降水量占全年的44.1%，集中的降水和山區(qū)地形，導致霍山縣洪澇災害常發(fā)，該縣的經(jīng)濟發(fā)展受到洪澇影響嚴重。

1.2 數(shù)據(jù)來源

根據(jù)六安市和霍山縣政府網(wǎng)站記載的發(fā)生在2015—2020年洪澇，利用ArcGIS建立洪澇災害空間數(shù)據(jù)庫。降水量數(shù)據(jù)源于國家氣象信息中心（https：//data.cma.cn）實測的國家氣象站點2000—2020年日值降雨數(shù)據(jù)，選擇麻城、天柱山、商城、金寨、六安、霍山、舒城、岳西、桐城、肥西、合肥、肥東、廬江、羅田、英山、潛山、懷寧、樅陽、安慶、池州等20個氣象站點，計算每個氣象站點年均降雨量、五年一遇暴雨強度和十年一遇暴雨強度，利用ArcGIS地統(tǒng)計向導進行克里金插值為30m分辨率柵格數(shù)據(jù)；數(shù)字高程模型（Digital Elevation Model， DEM）來源于地理空間數(shù)據(jù)云（http：//www. gscloud.cn）中GDEMV2 30M分辨率數(shù)字高程數(shù)據(jù)，提取海拔、坡度、坡向、曲率、地形濕度指數(shù)和水流強度系數(shù)；河網(wǎng)數(shù)據(jù)來自1：25萬全國基礎地理數(shù)據(jù)庫（http：//www.webmap.cn）中水系數(shù)據(jù)，利用ArcGIS線密度和歐式距離工具計算河網(wǎng)密度和距河流距離；巖性地層數(shù)據(jù)來源于地質科學數(shù)據(jù)出版系統(tǒng)（http：/dcc.cgs.gov.cn）中1：100萬中華人民共和國數(shù)字地質圖空間數(shù)據(jù)庫，利用轉化工具將面要素轉為30m分辨率柵格數(shù)據(jù)；土壤類型來源于安徽省1：50萬土壤專題圖矢量化數(shù)據(jù)，利用矢量數(shù)據(jù)轉為30m分辨率柵格數(shù)據(jù)；土地利用數(shù)據(jù)從中國科學院資源環(huán)境科學與數(shù)據(jù)中心（http：//www.resdc.cn）下載2020年30m分辨率土地利用數(shù)據(jù)；植被指數(shù)基于GEE平臺（http：//earthengine.google.com），利用時間分辨率為5天，空間分辨率為10m的Sentinel-2衛(wèi)星影像計算2020年夏季和秋季植被指數(shù)均值，利用重采樣輸出30m分辨率柵格數(shù)據(jù)。

1.3 研究方法

信息增益率（Information Gain Ration， IGR）是評價影響因子對分類結果提供的信息量的方法，因子包含的信息量越多，該因子越重要，即IGR值越高，說明因子的影響力越大。計算公式：

[IGR（Y/X）=g（Y， X）Int（Y， X）] （1）

Y為整個訓練數(shù)據(jù)集，X為特征因子數(shù)據(jù)集，g（Y， X）為信息增益，Int（Y， X）為各因子信息， IGR（Y/X）為各個因子的信息增益率。

卷積神經(jīng)網(wǎng)絡（Convolutional Neural Network， CNN）通過對數(shù)據(jù)進行表征學習，利用深度的神經(jīng)網(wǎng)絡，使模型對數(shù)據(jù)的理解更加深入，卷積神經(jīng)網(wǎng)絡結構一般有輸入層、卷積層、池化層、全連接層和輸出層［17，23］。利用卷積神經(jīng)網(wǎng)絡結構評價研究區(qū)洪澇災害易發(fā)性，利用洪澇災害影響因子構成的N個x一維向量，用于模型的輸入數(shù)據(jù)，卷積層使用一組卷積核從輸入數(shù)據(jù)提取特征圖層，其計算公式：

[Cj=iNfwj*xi+bj，j=1，2，…，k] （2）

Cj為卷積輸出，f為非線性激活函數(shù)，*為卷積算子，xi為輸入的特征向量，卷積層中有k個核，第j個核的權值和偏重分別為wj和bj。利用ReLU激活函數(shù)層將卷積層提取的特征層激活，即經(jīng)過非線性激活函數(shù)的神經(jīng)元輸出為下一層的輸入，其計算公式為

[f（x）=max （0， Cj）] （3）

若訓練樣本點較少時，可添加dropout層避免模型過擬合，提高模型計算能力。池化層一般分為平均池化層和最大池化層，為突出特征，選擇最大池化層，對特征層降維，提出最明顯特征，其計算公式：

[Si=maxi∈Nan×1i] （4）

i為池化位置，ain×1為池化在i上對應的輸入數(shù)據(jù)，Si為池化輸出結果。全連接層中每個都連接池化層所提取的特征，并對其進行重組，對于數(shù)據(jù)結果進行分類，采用Softmax函數(shù)將提取的特征數(shù)據(jù)轉化為相應的預測概率，計算公式：

[p（yi）=eyim=1Meyi] （5）

P（yi）表示輸出結果，即概率分布，yi表示類別數(shù)量，M為輸出節(jié)點的個數(shù)，即為分類的個數(shù)。

2 霍山縣洪澇災害易發(fā)性評價

2.1 易發(fā)性評價指標體系構建

洪澇災害與地理環(huán)境關系復雜，沒有統(tǒng)一評價指標。根據(jù)文獻總結、研究區(qū)地理環(huán)境特征和可利用數(shù)據(jù)［24-27］，選擇2000—2020 年年均降水量、五年一遇暴雨強度、十年一遇暴雨強度、海拔、坡度、坡向、曲率、地形起伏度、地形濕度指數(shù)、水流強度指數(shù)、河網(wǎng)密度、距河流距離、巖性地層、土壤類型、土地利用、植被指數(shù)等16個因子。若因子之間存在線性關系，則無法判斷因子與洪澇災害易發(fā)性之間的關系，需檢驗因子是否存在共線性。常用容忍度和方差膨脹因子檢驗因子之間的多重共線性。容忍度為1減去因子之間的相關性系數(shù)的平方，容忍度越小，因子相關系數(shù)越大，因子共線性越大；方差膨脹因子為容忍度的倒數(shù)，其值越大，因子之間的線性關系越大。一般認為因子之間的容忍度>0.1，方差膨脹因子<10，因子之間不存在共線性［25］。由圖2可見，十年一遇暴雨強度因子容忍度低于0.1，方差膨脹因子達到14.09，該因子不適用于洪澇災害易發(fā)性評價模型構建。

通過IGR計算各因子對洪澇災害的影響度，計算結果如圖2，土地利用、地形起伏度和植被指數(shù)是洪澇災害的重要影響因子，IGR值分別為0.143、0.078和0.069。坡度（IGR=0.060）和高程（IGR=0.056）對于洪澇災害有較高的影響。坡向（IGR=0.006），曲率（IGR=0.015）和巖性地層（IGR=0.017）對于洪澇災害影響低。利用容忍度、方差膨脹因子和信息增益率等方法確定洪澇災害發(fā)生影響高的因子，去除共線性較大和影響小的因子，以提高模擬的性能。因此，選擇2000—2020 年年均降雨量、五年一遇暴雨強度、海拔、坡度、地形起伏度、地形濕度指數(shù)、水流強度指數(shù)、河網(wǎng)密度、距河流距離、土壤類型、土地利用、植被指數(shù)等12個因子作為評價指標。

2.2 易發(fā)性評價模型構建

根據(jù)六安市和霍山縣政府網(wǎng)站記載的發(fā)生在2015—2020年洪澇事件，整理152個洪澇災害點，利用GIS服務器在線地圖服務標記出相應的位置，隨機選擇洪澇災害點之外的等量152個非洪澇災害點。將洪澇災害點作為正樣本，非洪澇災害點作為負樣本，在304個樣本點中隨機選擇70%作為訓練集，30%作為驗證集。

利用訓練集構建卷積神經(jīng)網(wǎng)絡模型用于洪澇易發(fā)性評價，評價中利用兩條神經(jīng)元來表達二分類問題，即發(fā)生或未發(fā)生洪澇災害。圖3為模型運行流程。洪澇災害易發(fā)性評價選擇12個影響因子，構成12個一維向量，卷積層通過卷積核對輸入數(shù)據(jù)計算提取特征層，卷積核大小決定局部特征，設置3×1卷積核連接輸入向量的局部特征，在模型中是利用卷積核對輸入數(shù)據(jù)進行濾波。卷積提取的特征層通過非線性ReLU激勵函數(shù)傳遞。Dropout層是預防樣本點較少引起神經(jīng)網(wǎng)絡模型過擬合，以提高模型計算性能，參數(shù)設置為0.2，最大池化層將相鄰特征合并為最大特征值，用以降低參數(shù)，最大池核參數(shù)設置為3×1。全連接層連接前一層的輸出特征，降低特征數(shù)據(jù)維度，經(jīng)過Softmax層轉化為概率，以概率值判斷洪澇災害可能性［28］。

2.3 模型驗證

受試者工作特征曲線（Receiver Operating Characteristic， ROC）是一種將結果評價圖式化的方法，ROC圖顯示Y軸上的敏感性和X軸上的1-特異性之間的關系，根據(jù)樣本實際結果，敏感性為模型正確預測洪澇災害發(fā)生的概率，特異性為模型正確預判不發(fā)生洪澇災害的概率。該方法可表明模擬準確預測洪澇災害易發(fā)性的能力，計算ROC曲線下面積AUC（Area Under Curve）值，其值越高，ROC曲線下面積越大，ROC曲線更接近左上角，表明模擬值越準確，模型性能越高［20］。圖4為ROC曲線圖，AUC為88.6%，表明卷積神經(jīng)網(wǎng)絡模型的性能較好，適用于霍山縣洪澇災害易發(fā)性評價。

2.4 洪澇災害易發(fā)性評價

洪澇災害評價結果代表每個柵格單元發(fā)生洪澇災害的概率，利用ArcGIS將評價結果空間化，依據(jù)自然間斷點分級法（0.03-0.22，0.23-0.42，0.43-0.61，0.62-0.8，0.81-0.99）將易發(fā)區(qū)劃分為5類：極低易發(fā)區(qū)、低易發(fā)區(qū)、中易發(fā)區(qū)、高易發(fā)區(qū)和極高易發(fā)區(qū)，結果見圖5。極低易發(fā)區(qū)的面積為506.47km2，占總面積的24.8%，該區(qū)曾發(fā)生過4次洪澇災害；高易發(fā)區(qū)和極高易發(fā)區(qū)面積為611.59km2，占總面積的29.95%，洪澇災害發(fā)生比例高達72.37%，其中極高易發(fā)區(qū)洪澇災害占比約為44.08%，研究區(qū)易受到洪澇災害的影響。

霍山縣地勢南高北低，北部及東北部河流匯集，城鎮(zhèn)化發(fā)展程度較高，建設用地不利于水的下滲，洪澇災害易發(fā)性高；南部降水量多且強度大，降水流向海拔相對較低的地區(qū)，洪澇災害易發(fā)性低；西南地區(qū)海拔低，洪澇易發(fā)；距河流近的區(qū)域易受到洪澇影響。

利用ArcGIS的分區(qū)統(tǒng)計工具，計算鄉(xiāng)鎮(zhèn)內(nèi)部所有洪澇災害易發(fā)性概率均值，得到鄉(xiāng)鎮(zhèn)洪澇災害空間發(fā)生的可能性。圖6展現(xiàn)出霍山縣東北部經(jīng)濟開發(fā)區(qū)、下符橋鎮(zhèn)和衡山鎮(zhèn)是洪澇災害高易發(fā)區(qū)，南部高海拔地區(qū)的磨子潭鎮(zhèn)、太陽鄉(xiāng)和大化坪鎮(zhèn)發(fā)生洪澇災害的可能性低。其它鄉(xiāng)鎮(zhèn)發(fā)生洪澇災害的可能性由高到低為：與兒街鎮(zhèn)>黑石渡鎮(zhèn)>但家廟鎮(zhèn)>諸佛庵鎮(zhèn)>單龍寺鎮(zhèn)>上士市鎮(zhèn)>漫水河鎮(zhèn)>落兒嶺鎮(zhèn)>佛子嶺鎮(zhèn)>東西溪鄉(xiāng)>太陽畈鄉(xiāng)。

3 洪澇災害易發(fā)性及其與地形因子的關系

3.1 洪澇災害易發(fā)性與海拔的關系

降雨是洪澇的主要來源之一，山區(qū)洪澇的發(fā)生受地表特征影響程度高，根據(jù)地形因子分區(qū)面積與洪澇災害易發(fā)區(qū)面積分析洪澇災害易發(fā)性與地形因子的關系。

圖7a為海拔分類面積中洪澇災害易發(fā)區(qū)面積分布。在1013-1765m海拔地區(qū)，洪澇極高易發(fā)區(qū)面積僅為0.02km2，約占該海拔區(qū)域面積的0.02%，低易發(fā)區(qū)面積為76.99km2，約占該海拔面積的89.95%，表明高海拔地區(qū)洪澇災害易發(fā)性低。極高洪澇災害易發(fā)區(qū)隨著海拔的降低，面積占比逐漸增大，高海拔區(qū)域的降雨匯聚到低海拔地區(qū)，流水溢出河道，山區(qū)低洼地區(qū)被淹沒。海拔17-235m的地區(qū)，洪澇災害極高易發(fā)區(qū)面積為180.82km2，極低易發(fā)區(qū)面積僅為39.63km2，說明低海拔地區(qū)洪澇易發(fā)性高。

3.2 洪澇災害易發(fā)性與坡度的關系

坡度是影響洪澇災害發(fā)生的一種地形因素，通過影響降雨入滲而影響徑流［29］。由圖7b可知不同坡度段的洪澇災害易發(fā)區(qū)面積，極高易發(fā)區(qū)主要分布于0°-9°的坡度范圍，面積為153.28km2，占該坡度段面積的31.44%，是面積最大的極高洪澇災害易發(fā)區(qū)，占極高易發(fā)區(qū)總面積的58.05%，該坡度段為洪澇易發(fā)區(qū)。在32°-62.5°坡度段，洪澇災害極低易發(fā)區(qū)面積為96.6km2，約占該坡度段面積的57.87%，說明該坡度段不易發(fā)生洪澇。在0°-9°，10°-16°，17°-23°，24°-31°，32°-62.5°等坡度段中極高易發(fā)區(qū)面積占比分別為31.44%、16.43%、4.10%、1.66%、1.22%，極低易發(fā)區(qū)面積占比分別為5.08%、7.65%、33.53%、46.42%、57.87%，極高易發(fā)區(qū)面積占比隨著坡度角增大逐漸減少，極低易發(fā)區(qū)面積占比隨著坡度角增大而逐漸增加，說明緩坡地區(qū)洪澇災害易發(fā)，陡坡地區(qū)則不易發(fā)生。

3.3 洪澇災害易發(fā)性與地形起伏度的關系

地形起伏度是直接反映地表形態(tài)的因素［27］，圖7c為不同起伏度地段洪澇災害易發(fā)區(qū)面積，呈現(xiàn)地形起伏度越低，洪水易發(fā)區(qū)面積占比越大，洪澇災害的易發(fā)性越高。極高易發(fā)區(qū)面積在地形起伏度范圍為0-15區(qū)段面積為189.86km2，約占起伏度面積的31.61%。在56-155范圍的高地形起伏度，洪澇災害極低易發(fā)區(qū)面積為40.22km2，約占起伏度地段面積的61.77%，表明高地形起伏度地段洪澇災害易發(fā)性低。

4 結論

利用容忍度和方差膨脹因子檢驗因子共線性，通過信息增益率分析選取12個評價指標，構建卷積神經(jīng)網(wǎng)絡模型對洪澇災害易發(fā)性進行評價，得到結論：

（1）卷積神經(jīng)網(wǎng)絡模型通過分析洪澇與地理環(huán)境特征的非線性關系，評價霍山縣洪澇災害空間上的易發(fā)性，模型AUC為88.6%，表明模型性能較好，適用于霍山縣洪澇災害易發(fā)性評價。

（2）土地利用、地形起伏度和植被指數(shù)對洪澇影響最大，其次為坡度和高程?；羯娇h北部和東北部洪澇頻發(fā)，南部洪澇災害易發(fā)性低，西南部因地勢低，洪澇災害發(fā)生概率較高。經(jīng)濟開發(fā)區(qū)和下符橋鎮(zhèn)相對于磨子潭鎮(zhèn)易受到洪澇災害的威脅。

（3）洪澇災害易發(fā)性與地形因子關系密切。依據(jù)不同海拔、坡度和地形起伏度中洪澇災害易發(fā)性分區(qū)面積，海拔低、坡度低以及起伏度低的區(qū)域洪澇災害易發(fā)性高。高海拔洪澇災害易發(fā)性低，洪澇災害極低易發(fā)區(qū)主要分布于24°-62.5°，56-155地形起伏度區(qū)域不易發(fā)生洪澇。

由于數(shù)據(jù)獲取的限制，后續(xù)可通過增加影響因子完善洪澇災害評價指標。卷積神經(jīng)網(wǎng)絡模型適用于洪澇災害易發(fā)性評價，但數(shù)據(jù)處理過程可視化有待提高。模型僅對洪澇易發(fā)性進行評價，并不能說明洪水發(fā)生的動態(tài)過程，可將水文模型與機器學習相結合研究洪澇的物理過程和易發(fā)區(qū)。

參考文獻：

［1］SANTANGELO N， SANTO A， DI Crescenzo G， et al. Flood susceptibility assessment in a highly urbanized alluvial fan： The case study of Sala Consilina （southern Italy）［J］. Natural Hazards and Earth System Sciences， 2011， 11（144）： 2765-2780.

［2］FANG L， HUANG J， CAI J， et al. Hybrid approach for flood susceptibility assessment in a flood-prone mountainous catchment in China［J］. Journal of Hydrology， 2022， 612： 128091.

［3］《中國水旱災害防御公報》編委會. 中國水旱災害防御公報（2020）［M］. 北京： 中國水利水電出版社， 2021： 23.

［4］ZHAO G， PANG B， XU Z， et al. Mapping flood susceptibility in mountainous areas on a national scale in China［J］. Science of the Total Environment， 2018， 615： 1133-1142.

［5］程先富， 戴夢琴， 郝丹丹. 區(qū)域洪澇災害風險評價研究進展［J］. 安徽師范大學學報（自然科學版）， 2015， 38（1）： 74-79.

［6］RAHMAN M， NINGSHENG C， ISLAM M M， et al. Flood susceptibility assessment in Bangladesh using machine learning and multi-criteria decision analysis［J］. Earth Systems and Environment， 2019， 3（3）： 585-601.

［7］AHMADLOU M， KARIMI M， ALIZADEH S， et al. Flood susceptibility assessment using integration of adaptive network-based fuzzy inference system （ANFIS） and biogeography-based optimization （BBO） and BAT algorithms （BA）［J］. Geocarto International， 2019， 34（11）： 1252-1272.

［8］HAMMAMI S， ZOUHRI L， SOUISSI D， et al. Application of the GIS based multi-criteria decision analysis and analytical hierarchy process （AHP） in the flood susceptibility mapping （Tunisia）［J］. Arabian Journal of Geosciences， 2019， 12（21）： 1-16.

［9］KHOSRAVI K， SHAHABI H， PHAM B T， et al. A comparative assessment of flood susceptibility modeling using multi-criteria decision-making analysis and machine learning methods［J］. Journal of Hydrology， 2019， 573： 311-323.

［10］YARIYAN P， AVAND M， ABBASPOUR R A， et al. Flood susceptibility mapping using an improved analytic network process with statistical models［J］. Geomatics， Natural Hazards and Risk， 2020， 11（1）： 2282-2314.

［11］SAMANTA R K， BHUNIA G S， SHIT P K， et al. Flood susceptibility mapping using geospatial frequency ratio technique： A case study of Subarnarekha River Basin， India［J］. Modeling Earth Systems and Environment， 2018， 4（1）： 395-408.

［12］ISLAM S， TAHIR M， PARVEEN S. GIS-based flood susceptibility mapping of the lower Bagmati basin in Bihar， using Shannons entropy model［J］. Modeling Earth Systems and Environment， 2022， 8（3）： 3005-3019.

［13］GIOVANNETTONE J， SANGAMESWARAN S， MADERIA C， et al. Spatial analysis of flood susceptibility throughout Currituck County， north Carolina［J］. Journal of Hydrologic Engineering， 2020， 25（8）： 05020021.

［14］MA M， LIU C， ZHAO G， et al. Flash flood risk analysis based on machine learning techniques in the Yunnan province， China［J］. Remote Sensing， 2019， 11（2）： 170.

［15］張帆. 基于人工智能的山洪災害風險早期識別研究［D］. 鄭州： 華北水利水電大學， 2020：57-62.

［16］MELIHO M， KHATTABI A， ASINYO J. Spatial modeling of flood susceptibility using machine learning algorithms［J］. Arabian Journal of Geosciences， 2021， 14（21）： 1-18.

［17］FANG Z， WANG Y， PENG L， et al. A comparative study of heterogeneous ensemble-learning techniques for landslide susceptibility mapping［J］. International Journal of Geographical Information Science， 2021， 35（2）： 321-347.

［18］PHAM B T， LUU C， VAN PHONG T， et al. Can deep learning algorithms outperform benchmark machine learning algorithms in flood susceptibility modeling？［J］. Journal of Hydrology， 2021， 592： 125615.

［19］SAHA S， GAYEN A， BAYEN B. Deep learning algorithms to develop flood susceptibility map in Data-Scarce and Ungauged River Basin in India［J］. Stochastic Environmental Research and Risk Assessment， 2022： 36： 3295–3310.

［20］COSTACHE R， ARABAMERI A， CSOTACHE I， et al. Flood susceptibility evaluation through deep learning optimizer ensembles and GIS techniques［J］. Journal of Environmental Management， 2022， 316： 115316.

［21］王勝， 吳蓉， 謝五三， 等. 基于FloodArea的山洪災害風險區(qū)劃研究—以淠河流域為例［J］. 氣候變化研究進展， 2016， 12（5）： 432-441.

［22］張正濤， 高超， 劉青， 等. 不同重現(xiàn)期下淮河流域暴雨洪澇災害風險評價［J］.地理研究， 2014， 33（7）： 1361-1372.

［23］KIM P. Matlab deep learning［M］. Berkeley， CA： Apress， 2017： 121-147.

［24］孫誠. 多源遙感數(shù)據(jù)支持下的淮河流域地表水時空變化及洪澇敏感性評估［D］. 上海： 華東師范大學， 2022： 8-9.

［25］HASANUZZAMAN M， ISLAM A， BERA B， et al. A comparison of performance measures of three machine learning algorithms for flood susceptibility mapping of river Silabati （tropical river， India）［J］. Physics and Chemistry of the Earth， 2022， 127： 103198.

［26］劉娜， 金有杰， 李輝， 等. 基于 GIS 的長江中下游城市洪澇易發(fā)性評價［J］. 地理空間信息， 2020， 18（9）： 57-61+65+7.

［27］EDAMO M L， UKUMO T Y， LOHANI T K， et al. A comparative assessment of multi-criteria decision-making analysis and machine learning methods for flood susceptibility apping and socio-economic impacts on flood risk in Abela-Abaya floodplain of Ethiopia［J］. Environmental Challenges， 2022， 9： 100629.

［28］PANAHI M， JAAFARI A， SHIRZADI A， et al. Deep learning neural networks for spatially explicit prediction of flash flood probability［J］. Geoscience Frontiers， 2021， 12（3）： 376-389.

［29］CAO Y， JIA H， XIONG J， et al. Flash flood susceptibility assessment based on geodetector， certainty factor， and logistic regression analyses in Fujian province， China［J］. ISPRS International Journal of Geo-Information， 2020， 9（12）： 748.

Assessment of Flood Susceptibility in Huoshan County and Its Relationship with Topographic Factors：Based on Convolutional Neural Network

CAI Jing-jing， CHENG Xian-fu

（School of Geography and Tourism， Anhui Normal University， Wuhu 241002，China）

Abstract： Affected by global climate change and mountainous topography， mountain floods pose a threat to people's lives and property. The establishment of the assessment index system is based on the importance of information gain rate analysis factors. The convolutional neural network is used to establish a flood susceptibility assessment model. The model is used to draw flood susceptibility map in Huoshan County and analyze the influence of topographic factors on floods. The final outcome indicates the convolutional neural network model is suitable for the assessment of flood susceptibility， and flood hazards in Huoshan County of the north part of the study area is more likely to occur than in the south part. Economic Development Zone and Xiafuqiao Town are vulnerable to potential floods， and the probability of flooding in Mozitan Town is low. Areas with low altitude， gentle slopes and low undulations are areas where flooding is frequent. The results of this study provide a scientific basis for reducing the threat of floods.

Key words： convolutional neural network; flood susceptibility assessment; topographic factors; Huoshan County

（責任編輯：鞏 劼）