基于BOA-SVM模型的区域洪水灾害风险评估与驱动机制

时间：2024-05-24

刘东杨丹张亮亮,3 李佳民赵丹

(1.东北农业大学水利与土木工程学院, 哈尔滨 150030; 2.农业农村部农业水资源高效利用重点实验室, 哈尔滨 150030;3.清华大学水圈科学与水利工程全国重点实验室, 北京 100084; 4.黑龙江省泥河水库管理处, 兰西 151500)

0 引言

在联合国公布并重点关注的15种自然灾害中,洪水灾害是辐射范围最广、发生频次最高、破坏力最强的自然灾害之一[1]。仅2021年由洪灾引致的经济损失就高达8.20×1010美元,占全球自然灾害相关经济损失的31%[2],每年死于洪水的人数占因自然灾害死亡总人数的55%[3]。伴随着全球气候变暖而带来的恶劣气候变化、极端降水、海平面上升等现象,都增加了洪水灾害的发生频率和强度,预计到2050年由洪水灾害引发的风险将增加3倍[4]。洪水风险管理已成为诸多国家面临的重大挑战,采用综合性的防灾减灾措施来抵御洪水灾害,保障社会安全已成为防洪减灾科技领域的共识和当务之急[5]。

“风险”一词最早见于19世纪末的西方经济学领域[6],其作为经济社会运行不可分割的一部分,持续存在于自然生态与人类社会环境中[7]。风险的核心内涵为:在特定环境下、特定时间内,某种损失发生的可能性[8-9]。关于风险的定义众多,涉及自然、政治、经济等多个领域,目前还没有一个被广泛接受的定义。美国风险协会指出[10],由于不同学者的研究视角不同,无法形成统一的风险定义。但风险的性质一致,通常被认定为对未来损失的一种不确定描述[11]。由于风险无法完全消除,唯一应对途径就是对其进行科学管理。洪水风险评估作为风险管理的第一步[12],也是最重要的一步,持续受到国内外学者的广泛关注。当前,灾害风险评估研究已成为灾害学、环境科学、生态学等诸多学科领域的研究热点[13]。

随着风险评估方法的不断发展,越来越多的方法被应用于洪水灾害风险评估,具体可分为统计分析法、情景模拟法、多准则决策分析法、机器学习法4类[14-17]。统计分析法需要依赖于足够长的历史数据,以高质量的现场记录为基础进行评估。但该方法受数据限制较大,对于数据短缺地区,缺乏泛化能力。情景模拟法是应用水力学或水动力学模型建立相关因素与洪水之间的联系[18],进而对洪水风险进行评估。但高准确性的模拟评估结果往往以输入大量高分辨率数据为前提,且需要使用具有足够计算能力的特定硬件来处理复杂的数据和进行模型模拟[19]。多准则决策分析法可以兼顾多个利益攸关的目标、观点、可行的替代方案和评估标准[20],但在风险量化关键步骤的指标权重分配上,通常使用专家评分、层次分析、模糊综合评价等具有较强主观性的方法,限制了其可靠性[21]。机器学习法通过机器学习模型智能学习并衡量洪水的多种特征信息,避免了权重设定的主观性,评价更具优势。

近年来,越来越多的机器学习模型被应用于洪水灾害评估领域。LI等[22]基于Logistic回归、朴素贝叶斯、自适应增强算法以及随机森林4种机器学习模型,对全球4级流域进行了风险评估并得到全球敏感性分析图。ZHI等[23]提出了一种城市洪水风险3DVAAM-PP-PSO评估模型,实现了多视角地直观分析淹没水深与面积的动态变化。ESFANDIARI等[24]将最近排水模型初步生成的洪水预报图作为随机森林模型的训练样本,选用海拔、坡度、坡向、河流间距和土地利用情况5项数据作为洪水制图的条件因子,形成动态的洪水范围评估。CHEN等[25]依据DPSIR模型构建了洪水风险管理框架,为长三角地区的防汛、减灾和应急管理提供了决策支持。

然而在模型选择上,人工神经网络(ANN)的参数难以设定,收敛速度较慢、稳定性较差、易出现陷于局部最小化的问题[26];随机森林模型(RF)易在噪声较大的样本集上存在过拟合现象[27];而支持向量机(SVM)模型具有坚实的理论基础和良好的泛化能力,在小样本数据、高维问题、非线性特征的处理上具有高准确性,为洪水灾害精确评估提供了保证[28]。LIU等[29]构建了基于改进自私兽群算法的支持向量机模型(EO-SHO-SVR)来提高区域洪水灾害恢复力的评价精度;MOHAMMADI等[30]提出了基于SVM模型的入侵检测和特征选择系统来检测各种类型的异常和入侵,表明与SVM相结合可以提高入侵检测系统的检测率和准确率。由此可见,SVM模型在各领域的研究中都表现出优良的性能,但其在寻优速度和拟合精度上仍有待提高。

蝴蝶优化算法(BOA)是ARORA等[31]于2019年提出的一种受自然启发的全局优化元启发式智能算法。BOA算法需要处理的自适应参数少、在开发探究中平衡性能高,使其在短期内被应用于多领域的优化问题中[32]。鉴于BOA的强搜索能力、高鲁棒性和强自适应性等特征[33-35],本研究采用BOA算法优化SVM模型以获得更加精准的洪水灾害评估结果。在此基础上,通过模型内置的多指标权重确定洪水灾害风险的关键影响因子,进而识别其驱动机制,为相关决策部门提供科技支撑。

1 研究区域概况与数据来源

1.1 研究区域概况

黑龙江省坐落于中国的最北端,总占地面积为4.73×106km2,下辖13个地市区,如图1所示。黑龙江省粮食产量连续13年位列全国第一,不仅能够稳定全省经济社会发展、也是保障国家粮食安全的“压舱石”。其优良的土壤环境和利于作物生长的雨热特征使其具有独特的农业生产优势[36],全省年平均降水量较大,但仍存在降水年际波动性大且年内分配不均的问题,使极端气候事件多发。如1998年,松花江、嫩江发生的特大洪水灾害造成了严重的经济损失与人员伤亡;2013年,黑龙江省发生特大洪水灾害,使建三江分公司周边县市及农场耕地与农作物受灾,粮食作物大规模减产;2021年,洪水灾害致使黑龙江省各地区4.2×104人受灾,1.9×104人紧急转移安置,6×104hm2农作物受灾,造成直接经济损失2.2×108元[37],洪水灾害的频繁发生对黑龙江省经济社会可持续发展造成了极大的威胁。因此,有必要在黑龙江省开展洪水灾害风险的定量评估和归因分析。

图1 黑龙江省行政区划Fig.1 Administrative division of Heilongjiang Province

1.2 数据来源

研究数据源自《黑龙江省统计年鉴》(2004—2018年)、《黑龙江省水利综合年报》(2003—2017年)及13个地市区统计年鉴(2004—2018年),经整理与计算得到自然、经济、社会等相关指标数据。

2 研究方法

2.1 洪水灾害风险评估指标体系概念框架

灾害系统理论是从灾害的诱因、孕育和损失出发,认定为由致灾因子、孕灾环境和承灾体构成的综合产物[38]。致灾因子是灾害产生的条件,孕灾环境是放大或缩小灾害的必然要素,承灾体是洪水灾害的直接作用对象,其三者所具备的危险性、暴露性和脆弱性综合形成了灾害风险[39]。除去以上3要素,人类在防灾减灾中发挥的作用同样重要,即防灾减灾能力。在区域灾害系统理论基础上,将防灾减灾能力纳入洪水灾害系统评估中,使人类在抵御洪灾中的作用得到充分考量,使洪水灾害风险评估更具有科学性和完备性。因此,在以区域灾害系统“三因子”理论的基础上融入防灾减灾能力,即以“四因子”理论[40-41]为基础,选用致灾因子、孕灾环境、承灾体和防灾减灾能力4个指标约束维度,构建黑龙江省洪水灾害风险评估综合表征指标体系,其概念框架如图2所示。

图2 区域灾害系统理论概念框架Fig.2 Theoretical conceptual framework of regional disaster system

2.2 基于蝴蝶优化算法改进的支持向量机模型

2.2.1支持向量机模型基本原理

支持向量机模型通过变换函数对数据集进行回归,旨在创建两个类别之间的决策边界并使分类间隔最大[42],即在样本空间中构建一个超平面来区分训练样本,使得训练样本距离超平面有最小值。该超平面公式为

ωφ(X)+b=0

(1)

式中ω——权重系数

b——偏差量

φ(X)——非线性映射函数

为在一定程度上克服模型无法完成严格分类、过拟合等问题,引入松弛变量ζi和惩罚参数C(C>0)来提高模型的泛化能力,将线性不可分的线性支持向量机问题变成凸二次规划问题,计算式为

(2)

s.t.yi(ωTφ(xi)+b)≥1-ζi

(3)

式中xi——第i个训练样本

yi——第i个样本的正负类别,为[-1,1]

{(xi,yi),i=1,2,…,N}为训练样本集。

在此基础上,通过引入拉格朗日函数

(4)

式中αi——拉格朗日因子

将式(4)转换为对偶形式,其中核函数可以将数据映射到高维,得到最优分割超平面,求得回归函数为

(5)

其中

K(x,xi)=φ(x)φ(xi)

(6)

式中K(x,xi)——核函数

φ(x)——映射函数

在众多核函数对比中,高斯函数具有参数少、收敛速度快、学习能力强等优点,故本文选用高斯径向函数构建支持向量机模型,表达式为

(7)

式中λ——核函数参数

2.2.2蝴蝶优化算法(BOA)基本原理

蝴蝶优化算法(BOA)是通过模拟蝴蝶搜索食物和交配行为而衍生出的一种智能优化算法[31]。在BOA算法中,每只蝴蝶都会散发出属于自己的独特香味。蝴蝶能够感知空气中食物的来源,同样也能感知到其它蝴蝶散发出来的香味,并随着散发香味更浓的蝴蝶移动,香味浓度公式为

f=cla

(8)

式中f——蝴蝶散发香味的浓度

c——感知形态l——刺激强度

a——幂指数,取[0,1]

当a=1时,意味着蝴蝶不吸收香味,指特定蝴蝶散发的香味被相同的蝴蝶感知到;这种情况下,相当于香味在理想环境中传播,可以在域中各个地方感应到散发香味的蝴蝶,进而可以轻易达到一个单一的全局最优值。

为用搜索算法证明上述情况,将蝴蝶的特征理想化,设置了以下假设条例:①所有蝴蝶都能散发出一些香味,蝴蝶之间凭借香味相互吸引和交换信息。②蝴蝶会发生随机移动或者朝着香味浓度强的蝴蝶发生定向移动。

针对不同问题来定义不同适应度函数,BOA算法可以分为3个步骤:

步骤1:初始化阶段。在搜索空间中随机生成蝴蝶位置,计算并储存每只蝴蝶位置和适应度。

步骤2:迭代阶段。由算法执行多次迭代,在每次迭代中,搜索空间中蝴蝶都移到新的位置,然后重新计算其适应度。将随机生成的蝴蝶种群的适应度进行排序,找到蝴蝶在搜索空间中的最佳位置。

步骤3:结束阶段。在上一阶段中,蝴蝶移动后会利用香味公式在新的位置产生香味。

(1)当蝴蝶能够感知到大于自身香味而发生移动时,这个阶段称为全局搜索,公式为

(9)

r——[0,1]之间的随机数

g*——迭代t次内的最佳蝴蝶,即最优解

fi——第i只蝴蝶的香味浓度

(2)当蝴蝶不能感知到其他蝴蝶的香味浓度时,发生随机移动,这个阶段为局部搜索阶段,公式为

(10)

全局搜索与局部搜索发生在蝴蝶觅食过程中,因此需要设置一个转换概率来对频繁出现的全局搜索与密集出现的局部搜索进行转换。r的作用是与转换概率p进行比较来决定是发生全局搜索还是局部搜索,r的计算公式为

r=rand(0,1)

(11)

达到最大迭代次数后,若满足预设条件,则终止条件,输出最优值,反之将从步骤2重新开始。

2.2.3BOA-SVM模型构建

选择支持向量机中惩罚参数C和核函数参数λ作蝴蝶种群的搜索个体,以训练样本的均方误差(MSE)为目标函数,构建BOA-SVM模型来实现对C和λ的迭代优化,具体步骤如下:

步骤1:收集洪水灾害风险各项指标数据作为特征数据,制作训练样本集。

步骤2:初始化蝴蝶种群搜索个体即惩罚参数C和核函数参数λ。

步骤3:确定适应度函数为均方误差(MSE),数学表达式为

(12)

式中m——训练样本数量

y′i——第i次迭代时的真实值

y″i——第i次迭代时的预测值

步骤4:初始化算法参数,包括蝴蝶种群数M、最大迭代次数tmax。

步骤5:利用式(12)计算蝴蝶种群个体的适应度值,并用式(8)计算香味浓度f,根据适应度值得出最佳蝴蝶的位置g*。

步骤6:根据式(11)计算出r值,与转换概率p进行比较。

步骤7:若r

p,则采用式(10)进行局部搜索更新蝴蝶位置。

步骤8:通过式(12)检查蝴蝶种群搜索个体更新位置后的适应度值,判断是否优于更新前,并更新全局最优蝴蝶位置与适应度值。

步骤9:判断是否满足终止条件。若满足,输出最优蝴蝶种群搜索个体适应度值及其空间位置,即为BOA-SVM模型中惩罚参数C和核函数参数λ,不满足则重复步骤6～9。

运用BOA-SVM模型对洪水灾害进行风险评估流程如图3所示。

图3 基于BOA-SVM模型的洪水灾害风险评估流程图Fig.3 Flow chart of flood disaster risk assessment based on BOA-SVM model

3 结果与分析

3.1 洪水灾害风险评估指标体系搭建

通过区域洪水灾害风险理论框架,构建黑龙江省洪水灾害风险评估指标体系。按照致灾因子、孕灾环境、承灾体和防灾减灾能力选取涵盖自然、经济、人口、医疗、农业和防洪基础设施等4个维度19个评价指标,构建洪水灾害风险评估指标体系并绘制指标分布图,如图4所示。

图4 洪水灾害风险评估指标体系分布图Fig.4 Distribution map of flood disaster risk assessment index system

为进一步详细解释各指标内涵,对各指标的定义、与洪水灾害的内在关联、正负指向以及单位进行详细描述,结果见表1。

表1 洪水灾害风险评估指标及其定义与描述Tab.1 Flood disaster risk assessment indicators and their definitions and descriptions

3.2 洪水灾害风险评估模拟等级区间

为确保多指标综合评价的高效性和合理性,需对连续性指标进行离散化处理。自然间断法基于聚类思维,使得分类结果中组间数据相似性最大,组外数据相异性最大,能够在确定分类间隔的同时兼顾每一组要素的范围和个数尽量相近[43]。故选用自然间断法将洪水灾害风险等级划分为Ⅰ～Ⅴ级,级别越高风险越大,各指标分级标准见表2。

表2 洪水灾害风险评估指标分级标准Tab.2 Grading standards for flood disaster risk assessment indicators

根据表2所划分的Ⅰ～Ⅴ级洪水灾害风险标准等级区间,在各等级区间内随机生成200个样本数据,共生成1 000个样本数据,其中700个为训练样本,300个为测试样本。经BOA-SVM模型仿真模拟后得到洪水灾害风险等级模拟区间,结果见表3。

表3 BOA-SVM模型洪水灾害风险评估模型等级模拟区间Tab.3 BOA-SVM model flood disaster risk assessment model level simulation interval

3.3 洪水灾害风险时空变异特征分析

3.3.1年际变异特征分析

将2003—2017年指标数据代入BOA-SVM模型,得到黑龙江省近15年洪水灾害风险指数,依据表3所得模拟区间进行分区并绘制年际变化特征曲线,如图5所示。

图5 黑龙江省洪水灾害风险年际变化曲线Fig.5 Interannual change curves of flood disaster risk in Heilongjiang Province

由图5可知,黑龙江省15年内洪水灾害风险整体呈下降趋势,平均洪水风险处于Ⅲ级偏上水平。2003、2007、2009、2011、2013、2017年出现极值点。2003年黑龙江省总体洪水风险指数处于研究期内最大值点(3.914),此时风险处于Ⅳ级中等偏下水平,2003—2007年洪水灾害风险总体呈下降趋势;在2006年(3.777)有小幅度上升随后骤减,风险等级从Ⅳ级降至Ⅲ级;在2007年达到第1个极小值点(2.903),2007—2009年间洪水风险持续上升,风险等级由Ⅲ级跃迁至Ⅳ级;在2009年达到第2个极大值点(3.556),2009—2011年间洪水风险呈现下降趋势,风险等级由Ⅳ级降至Ⅲ级偏下水平;在2011年达到第2个极小值点(2.943),2011—2013年间洪水风险小幅度上升,在Ⅲ级区间内向上浮动;在2013年达到第3个极大值点(3.362),2013—2017年间洪水风险逐年稳定降低,降至Ⅲ级偏下水平;在2017年达到最后1个极小值点,同时也是15年间的最小值点(2.628),此时黑龙江省风险为Ⅲ级偏下水平并处于15年内的最低水平。根据以上洪水风险年际波动,可将其年际变化分为5个阶段。第1阶段(2003—2007年)为急速下降时期,第2阶段(2007—2009年)为快速提升时期,第3阶段(2009—2011年)为平稳下降时期,第4阶段(2011—2013年)为缓慢提升时期,第5阶段(2013—2017年)为稳定下降时期。

3.3.2空间演变特征分析

针对年际变化中典型年的突出变化,进行洪水灾害风险空间演变特征分析,根据各地区风险等级绘制黑龙江省典型年洪水灾害风险空间演变特征图,如图6所示。

图6 典型年黑龙江省洪水灾害风险空间演变Fig.6 Spatial evolution map of flood disaster risk in Heilongjiang Province in typical years

由图6a可知,2003年13个地市区洪水风险处于Ⅲ级偏上水平,仅有大庆风险等级为Ⅱ级,洪水风险水平总体偏高。由图6b可知,2007年洪水风险处于Ⅲ级中下游水平,其中哈尔滨、鹤岗、大庆、七台河4个地级市风险等级为Ⅱ级,剩余9个地区均为Ⅲ级。由图6c可知,2009年洪水风险处于Ⅲ级偏上水平,齐齐哈尔、伊春、佳木斯、黑河、绥化由Ⅲ级升至Ⅳ级,哈尔滨、七台河、鹤岗由Ⅱ级升至Ⅲ级,其他地区风险指数有小幅度增长仍维持原有等级。由图6d可知,2011年洪水风险处于Ⅲ级偏下水平,风险指数相比于2007年降低2.33%,为研究期内第2个极小值点,仅有齐齐哈尔、绥化维持Ⅳ级不变,鸡西、大兴安岭维持Ⅲ级不变,其余9个地区均发生风险等级跃迁,研究区内洪水风险呈现平稳下降趋势。由图6e可知,2013年洪水风险处于Ⅲ级中等水平,此时为研究区内最后一个极大值点,洪水风险相较于2003、2009年有所降低,Ⅳ级风险地区剩余大兴安岭、黑河、伊春、绥化,相比于前两个极大值点,Ⅱ、Ⅲ级地区数目有所增长,虽然整体风险升高,但总体呈现良性发展态势。由图6f可知,2017年洪水风险水平降至Ⅱ级,全省范围内仅有绥化为Ⅳ级,鸡西、伊春、黑河为Ⅲ级,余下9个地区均为Ⅱ级,洪水灾害风险大幅度降低。

为继续深入探究黑龙江省洪水灾害风险空间格局的时间演变特征,将黑龙江省不同地市区近15年的指标数据代入BOA-SVM模型中,得到各地区2003—2017年洪水灾害风险指数及风险等级,绘制黑龙江省各地市区洪水灾害风险变化趋势,如图7所示。

图7 黑龙江省各地区洪水灾害风险等级变化趋势Fig.7 Change trend map of flood disaster risk level in various regions of Heilongjiang Province

由图7可知,黑龙江省2003—2017年洪水灾害风险水平空间分布规律呈现为西北部地区风险水平高于东南部地区。结合图7由北部到南部进行分析,北部地区中风险水平由大到小依次为绥化、伊春、齐齐哈尔、大兴安岭、鹤岗、大庆,其中,大庆地区整体状况表现为15年研究期内平均风险水平最低,且风险变化趋势平稳,一直处于Ⅱ级,这归因于大庆地区多湖泊少河流的水系分布以及油气资源带来的巨大经济效益,使其在水资源调配、经济发展、战略资源储备以及医疗基建各方面均优于其他地区;绥化地区平均风险水平处于Ⅳ级,属研究期内最高,且在研究期末未出现良性好转,与全省各地区呈现较大差异,该地区亟待合理的洪水灾害风险管理与调控;伊春与黑河地区虽在2013年后呈现风险降低趋势,但其长期变化趋势始终在Ⅲ级到Ⅳ级间浮动,仍需观察未来风险走势来制定调控方案;相比以上地区,齐齐哈尔、大兴安岭、鹤岗在早期风险较高但后期风险呈线性降低,预计未来进一步减小与其他地区间风险水平的差距。南部地区风险水平由大到小依次为鸡西、佳木斯、双鸭山、牡丹江、七台河、哈尔滨,其中哈尔滨作为黑龙江省政治、经济、文化事业的中心城市,在面对灾害时相比于其他地区具备更强大的经济资源、人力资源、医疗资源与防洪资源,因此抗击灾害的能力较强;鸡西地区因早期掠夺性的矿产资源开发过度透支了其经济发展潜力,使其在南部地区中表现为最差的风险水平;佳木斯市下辖黑龙江农垦建三江管理局,双鸭山市下辖黑龙江农垦红兴隆管理局,均隶属中国北大荒集团,每年为国家输送亿吨粮食,洪水灾害会对农作物造成毁灭性的威胁甚至带来减产、绝收的巨大经济损失,致使以上两个地区的洪水灾害风险随之增大;牡丹江与七台河地区在研究期内平均风险等级处于Ⅲ级偏上水平,2010年起逐渐向Ⅱ级转化,洪水风险水平呈良性态势发展。

3.4 洪水灾害风险关键驱动因子识别

为解析洪水灾害风险时空演变态势的关键驱动力,确定其在风险时空演变过程中的影响程度,借助BOA-SVM模型的指标权重进行关键驱动因子识别,绘制不同驱动因子权重分配的排序图,如图8所示。研究发现产水模数、人均GDP、月强降水量、农林渔业总产值占比、人口自然增长率、每万人拥有卫生机构床位数以及万公顷水库总库容排在19个指标的前7位,权重明显高于其他指标,可初步认定该7项指标对洪水灾害风险的影响较大。其中,产水模数作为孕灾环境中表征各地区水资源现状的重要指标,从洪水灾害的成因上来看其无疑是影响风险水平的首要决策因子;承灾体层面的各指标区别于其他研究,将经济、人文、农业发展各个子系统区分来看[44],从社会整体脆弱性出发,更系统地涵盖了各个层面指标;居于前列的人均GDP、农林渔业总产值占比、人口自然增长率3项指标分别代表经济、农业、人口3个维度,经济发展水平决定了在灾害爆发时区域抵御风险的能力与抗击灾害的设施水平;农林渔业总产值是农业发展水平的代表性指标,作为国民经济中的基石产业决定了在抗击灾害中能否提供稳固的物质基础;正向积极的人口变化代表一个地区的人口总体水平,是衡量该地区受灾范围与灾后重建难易程度的重要指标;以上充分说明社会整体协调发展对洪水灾害的重要作用。月强降水量区别于年平均降水量更加具有代表性,黑龙江省受到温带大陆性季风气候影响,降雨集中出现在每年6、7、8月,月强降水量能够更加直观地体现突发强降水对洪水灾害的诱发作用,降水对于洪水灾害的影响固然重大,但相应的防洪水利设施可有效抑制洪水爆发,万公顷水库总库容代表在区域的调配与储蓄水资源的能力,在洪灾防范和应对方面起到关键作用。万人拥有卫生机构床位数体现一个地区基础医疗情况,是洪灾爆发后降低人员伤亡的有效指标。不同维度驱动因子对洪水灾害风险的作用指向不同,产水模数、月强降水量、农林渔业总产值占比的变化对洪水灾害风险演变有促进作用,人均GDP、人口自然增长率、每万人拥有卫生机构床位数、万公顷水库总库容的变化对洪水灾害风险的演变有抑制作用。综上,可体现上述7项指标在洪水灾害中的显著作用,即识别为关键驱动因子。

图8 驱动因子排序Fig.8 Driver sorting

4 讨论

4.1 BOA-SVM模型性能检验与可靠性分析

为检验BOA-SVM模型性能,用传统SVM、ICA-SVM以及BOA-SVM模型分别评估黑龙江省2003—2017年洪水灾害风险水平,以平均绝对误差(MAE)、均方误差(MSE)、平均绝对百分比误差(MAPE)、决定系数(R2)以及模型单次运行时间(T,s)5个性能指标对3种模型进行性能检验对比分析,除R2外其他性能指标数值越小性能越好。为降低模拟产生的随机现象,用以上3种模型分别进行50次迭代,求得50次各性能指标平均值,绘制模型性能对比图,如图9所示。

图9 模型对比雷达图Fig.9 Model comparison radar chart

由图9可知,BOA-SVM模型相较于SVM和ICA-SVM模型表现出更加高速高效的性能,对比于SVM和ICA-SVM模型,MAE分别降低38.15%和9.18%,MSE分别降低58.5%和21.56%,MAPE分别降低35.23%和11.42%、R2分别增长0.62%和0.12%,说明BOA-SVM在寻优速度和评价精度上有显著提高,相较于ICA-SVM模型泛化能力更强。综上所述,BOA-SVM模型在区域洪水灾害风险评估方面更具备优势性。

将表2中的洪水灾害风险评估指标分级阈值分别代入3个模型,得到3个模型的洪水灾害风险等级模拟区间,结果见表4。

表4 各模型洪水灾害风险等级模拟区间Tab.4 Flood disaster risk level simulation interval of each model

将黑龙江省2003—2017年15年数据分别代入BOA-SVM、OICA-SVM以及SVM模型中,得到各个模型不同模拟区间下的风险等级区划,绘制3个模型下黑龙江省洪水灾害风险评估结果对比图,如图10所示。

图10 黑龙江省洪水灾害风险评估结果对比Fig.10 Comparison chart of flood disaster risk assessment results in Heilongjiang Province

由图10可见,BOA-SVM模型的年际洪水灾害风险演变态势与ICA-SVM、SVM模型评估结果大体相似。BOA-SVM模型在评估结果大体一致的前提下,与其他两个模型评估结果仍存在部分偏差,仅2009年洪水灾害风险等级高于ICA-SVM模型一级,而传统SVM在2006、2009、2013、2014、2017年与其他两个模型模拟等级结果均出现偏差。进一步证明了BOA-SVM模型评估结果的客观性与可靠性。

4.2 洪水灾害风险评估结果分析

研究期内,黑龙江省洪水灾害风险总体呈下降趋势,经对洪水灾害风险进行驱动机制解析得出影响其变化的关键驱动因子。观察各关键驱动因子在研究期内变化特征发现,降水是对洪水灾害最为直观的影响因素[45],然而降水的形成受到区域地理环境、水文气象以及季节变化等多个因素的影响,使其具有明显的波动变异性和时空不确定性[46],且在本研究期内无明显规律变化特征、年际变化幅度较大、可供参考的规律与可调控范围较小,对其进行直接调控难以实现;与之相比,人均GDP作为承灾体层面经济发展水平的代表性指标,在研究期内呈现明显的变化规律,2017年相比于2003年的增长率超过238%,从2009年起呈现爆发式增长,直至研究期末未出现明显下跌趋势,最具破坏性的洪水往往发生在发展中国家,人均GDP决定了一个国家可用于防洪的资金数额[47],白镜筱[48]在区域洪涝灾害风险的研究中,也突出了经济指标对洪涝灾害风险的重要作用。由此可见,经济指标在黑龙江省洪水灾害风险变化中起到关键性作用。黑龙江省各地区产业结构较为单一且城市间主产业相似度极高,以农业、森工、矿产、油气资源型城市为主[49],城市群交互发展能力弱,在对各地区进行洪水灾害风险评估过程中,发现区域经济发展态势的不均衡导致部分地区的风险等级较高,因此,有必要对经济发展落后地区加以扶持、丰富产业结构,重视科技创新与风险水平较低的区域协同发展,为应对洪水灾害提供坚实的经济基础。