基于Ant-Miner的洪災風險區(qū)劃模型及應用*

賴成光，王兆禮，陳曉宏，黃銳貞，廖威林，吳旭樹

(1.中山大學水資源與環(huán)境研究中心，廣東 廣州 510275；2.華南地區(qū)水循環(huán)與水安全廣東普通高校重點實驗室，廣東 廣州 510275;3.華南理工大學土木與交通學院，廣東 廣州 510641)

?

基于Ant-Miner的洪災風險區(qū)劃模型及應用*

賴成光1,2，王兆禮3，陳曉宏1,2，黃銳貞1,2，廖威林3，吳旭樹3

(1.中山大學水資源與環(huán)境研究中心，廣東 廣州 510275；2.華南地區(qū)水循環(huán)與水安全廣東普通高校重點實驗室，廣東 廣州 510275;3.華南理工大學土木與交通學院，廣東 廣州 510641)

應用蟻群優(yōu)化算法(Ant Colony Optimization, ACO)進行規(guī)則挖掘是一個新的研究熱點。為解決指標變量與風險級別間非線性關系，提出一種基于蟻群規(guī)則挖掘算法(Ant-Miner)的洪災風險區(qū)劃模型。在GIS技術支持下，將該模型應用于北江流域洪災風險區(qū)劃實例中，結果表明：① Ant-Miner模型可挖掘15條適合研究區(qū)的洪災風險分類規(guī)則，這些規(guī)則以簡單的條件語句形式表現，便于生成風險區(qū)劃圖；② Ant-Miner模型測試精度(95.1%)高于相同條件下BP神經網絡模型的精度(92.9%)，表明其分類性能更好，對洪災風險區(qū)劃具有更好的適用性；③ 研究區(qū)高風險區(qū)主要集中于降雨量較大、地勢平緩低洼、人口財產密集的地區(qū)，與歷史洪災風險情況較吻合，表明所構建的模型科學合理，可為流域洪災風險評價提供了新思路。

洪災；風險區(qū)劃；蟻群優(yōu)化算法；規(guī)則挖掘；北江流域

洪水災害是一種突發(fā)性強、發(fā)生頻率高、危害嚴重的自然災害[1-2]。洪災風險評價是確定洪災風險相對大小的重要手段，是一種定性、半定量化且考慮自然屬性和社會屬性的綜合性評價。洪災風險區(qū)劃是在洪水風險評價基礎上把研究區(qū)劃分為不同風險級別的區(qū)域，其目的是為了更準確地掌握洪災風險的空間分布格局及內在規(guī)律。開展洪災風險區(qū)劃工作對洪災風險管理、災害預警預報、洪水保險評估等工作具有重要指導意義。由于洪災風險區(qū)劃受自然和社會諸多因素影響，評價過程涉及多個評價指標，因而一直是國內外災害學研究的熱點和難點之一。構建風險區(qū)劃模型常用的方法有層次分析法[3]、模糊綜合評價[4]、集對分析法[5]等。

隨著洪災風險區(qū)劃方法多樣化發(fā)展，一些智能算法也逐漸被應用，如決策樹[6-7]、貝葉斯網絡[8]、隨機森林模型[9]、人工神經網絡[10]等。Colorni 和 Dorigo等[11]于1991年提出了一種新的模擬螞蟻群體智能行為的蟻群優(yōu)化算法(Ant Colony Optimization, ACO)，該算法具有較強的魯棒性、自適應性、正反饋和優(yōu)良的分布式計算機制、易于與其他算法結合的優(yōu)點。基于蟻群算法的規(guī)則挖掘(Ant-Miner)最初由Parpinelli[12]于2002年提出，目的是從訓練數據中挖掘分類規(guī)則，然后應用分類規(guī)則對待測數據進行分類，已被成功應用于蛋白質層次分類[13]、聲頻信號分類[14]、遙感影像分類[15]、元胞機轉移規(guī)則發(fā)現[16]等領域。上述研究均表明Ant-Miner能有效解決非線性分類問題，且具有較高的精度與效率。

洪災風險區(qū)劃需綜合考慮研究區(qū)指標變量與最終風險級別相關關系，顯然，風險區(qū)劃過程實質上也是一個解決多變量分類問題的過程。各指標變量與風險級別之間的關系往往是復雜的非線性關系，而Ant-Miner可以有效地解決此類問題，且能保持較高的精度與效率。因此基于Ant-Miner的分類方法理論上可被應用到洪災風險區(qū)劃領域然而卻鮮見相關報道。鑒于此，本文將以北江流域為例構建洪災風險區(qū)劃指標體系，借助GIS技術建立基于Ant-Miner的洪災風險區(qū)劃模型，以探索洪災風險評價新途徑，以期為流域防洪減災和災害評估工作提供參考依據。

1 基于 Ant-Miner洪災風險區(qū)劃模型

洪災風險區(qū)劃指根據研究區(qū)洪水危險性特征，參考區(qū)域承災能力及社會經濟狀況，把研究區(qū)劃分為不同風險等級的區(qū)域，區(qū)劃過程受自然和社會眾多因素影響，而這些因素往往通過風險指標變量體現。構建合適的洪災風險區(qū)劃模型可以方便分析風險空間分布特性。模型的核心任務是根據指標變量對風險進行綜合分類，即對研究區(qū)內的風險水平進行分類并區(qū)劃出不同級別。

ACO算法主要通過模擬自然界中螞蟻集體尋徑行為而提出的一種基于群體智能的啟發(fā)式仿生進化算法[17]。而基于蟻群算法的規(guī)則挖掘(Ant-Miner)的目標則是從訓練數據中挖掘分類規(guī)則，每個螞蟻的任務是不斷尋找分類規(guī)則，最終整個蟻群能夠挖掘出一個非常滿意的規(guī)則庫[18]。同理，基于Ant-Miner的洪災風險區(qū)劃模型的基本思想是利用該算法卓越的分類性能對洪災風險水平進行分級，主要原理是利用蟻群覓食原理在數據庫中搜索最優(yōu)規(guī)則，通過模仿螞蟻尋找食物的方式來構造洪災風險級別識別的規(guī)則，并利用這些規(guī)則對待測數據進行分級。

1.1 Ant-Miner原理

定義路徑為指標節(jié)點和風險級別節(jié)點的連線，其中每個指標節(jié)點最多只出現一次且必須有風險級別節(jié)點[17]。圖1中給出了兩條可能的路徑，每條路徑對應著一條分類規(guī)則，分類規(guī)則的挖掘可以看成對路徑的搜索。然而搜索的并非最短路徑，而是最優(yōu)路徑，此最優(yōu)路徑表示最優(yōu)的分類規(guī)則。可以用路徑對應規(guī)則的分類能力(有效性)和長短(簡潔性)來衡量路徑的優(yōu)劣。

圖1 分類規(guī)則對應的路徑Fig.1 Classification rules corresponding to routes

螞蟻構造規(guī)則的過程體現為構造一條路徑，可分為3個階段[17]：首先從一條空路徑開始重復選擇路徑節(jié)點增加到路徑上(模仿螞蟻的爬行過程)，直到得到一條完整路徑，也即一條分類規(guī)則；其次進行規(guī)則的剪枝，以解決分類規(guī)則過度擬合問題；最后更新所有路徑上的外激素濃度，對下一只螞蟻構造規(guī)則施加影響(模擬螞蟻間的信息交流)。三個階段間的具體協(xié)作如圖2所示。

圖2 ACO 規(guī)則構建流程圖Fig.2 Flow chart of ACO rule construction

1) 規(guī)則構造

定義蟻群搜索路徑為指標節(jié)點和等級節(jié)點的連線，即每只螞蟻走過的一條路徑對應于一條分類規(guī)則。如圖1所示，風險等級可以認為是食物源，各離散指標值到風險等級之間構成了一段路徑，每條路徑對應一條分類規(guī)則，分類規(guī)則的挖掘可以當作是對最優(yōu)路徑的搜索。剛開始時，隨機生成一條規(guī)則，規(guī)則的形式為：IF< term1AND term2AND…> THEN，其中termi為條件項，條件組合用<指標名稱，操作符號(即“>=”和“<=”兩種符號)，指標值>表示，grade為滿足該規(guī)則的洪災風險等級。需要注意的是指標樣本是連續(xù)值，需對數據進行離散化處理[19]。

規(guī)則構造具體包括初始化蟻群、初始化信息素和蟻群移動3部分內容：

初始化蟻群：m只螞蟻隨機分布在第一個評價指標的某節(jié)點上。

初始化信息素：所有路徑節(jié)點的信息素濃度被初始化為相同的值：

(1)

其中，τij為條件項termij的信息素濃度，a為數據庫中指標(不包括等級數)總數，bi為指標i所有可能取值的數據，j為風險等級數。

蟻群移動：螞蟻根據以下公式選擇下一個節(jié)點。

(2)

上式中采用賭輪機制用來選擇指標節(jié)點[12]，對每個指標來說，其所屬節(jié)點termij被選擇的概率為Pij(t)。其中，τij(t)為條件項termij的信息素濃度，ηij為條件項termij的啟發(fā)式函數值。

(3)

2) 規(guī)則修剪

根據指標節(jié)點的選擇標準，在每個指標中選擇一個節(jié)點后得到一條最原始的規(guī)則，規(guī)則的有效性通過公式(4)進行計算。

(4)

對于等級cj的分類結果，TruePos表示實際屬于該等級且分類模型認為屬于該等級的樣本數；TrueNeg表示實際屬于該等級但分類模型認為不屬于該等級的樣本數；FlasePos表示實際不屬于該等級但分類模型認為屬于該等級的樣本數；FlaseNeg表示實際不屬于該等級且分類模型認為不屬于該等級的樣本數。

修剪方法是依次移去能使規(guī)則有效性得到最大提高的指標節(jié)點，即移除多余的指標節(jié)點，直到任一指標節(jié)點的移除都會降低規(guī)則的有效性。若達到結束條件(足夠好的規(guī)則或最大迭代次數)則結束，否則再次返回蟻群移動的步驟。當若干螞蟻連續(xù)搜索到同一路徑時，則認為搜索收斂，該路徑進行規(guī)則修剪后成為一條最終規(guī)則；或當迭代次數達到指定的次數時，在迭代過程搜索到的規(guī)則中選擇質量最好的規(guī)則作為最終規(guī)則。由于在迭代過程中，質量較好的規(guī)則，由于其信息素濃度逐漸增強，從而能夠得以保留，并被視為最終分類規(guī)則，其它質量較差的規(guī)則被丟棄。

3) 信息素更新

人工螞蟻在指標節(jié)點選擇過程中的正反饋機制是通過改變指標節(jié)點上的信息素濃度來實現的。當一次迭代中的人工螞蟻構造的規(guī)則經過修剪得到分類規(guī)則后，所有路徑節(jié)點的信息素濃度都將依據這種分類規(guī)則的效率進行更新，指標節(jié)點的信息素濃度更新公式如下：

(5)

(6)

(7)

1.2 基于Ant-Miner的洪災風險評價流程

本研究提出基于Ant-Miner的洪災風險區(qū)劃模型，基本思路是從風險的訓練數據中挖掘出風險分類規(guī)則，并對這些規(guī)則進行精度測試，再應用這些規(guī)則對研究區(qū)進行分類和區(qū)劃以獲取洪災風險區(qū)劃圖，評價流程如圖3所示。模型總體上可以劃分為訓練、測試和分類3部分，其中訓練過程是規(guī)則構建的核心過程。訓練過程得到的分類規(guī)則用于樣本測試檢驗和待測數據分類。

圖3 基于Ant-Miner的洪災風險評價流程圖Fig.3 Assessment flow chart of flood risk based on Ant-Miner

2 實例分析

2.1 實例流域及數據預處理

北江是珠江第二大河流，流域總面積46 170 km2，一級支流有翁江、琶江、錦江等。由于暴雨量大，流域坡陡，水系又是葉脈分布，洪水容易集中，洪峰上漲速度快，具有山區(qū)洪水特點：峰型尖瘦，漲落較快，洪峰一般呈連續(xù)的多峰型。歷史上該流域洪水泛濫頻繁，損失較嚴重，對其洪災風險進行評價具有重要現實意義。

依據災害系統(tǒng)理論，遵循代表性系統(tǒng)性、客觀性與可操作性等原則[21～23]，選取10個評價指標，包括6個反映自然屬性的指標：最大3 d降雨量(mm)，臺風年頻次(年/次)，坡度(°)，河流緩沖區(qū)(m)，徑流深(mm)，數字高程模型(DEM)(m)；4個反映社會屬性的指標：距公路距離(m)，耕地面積百分比(%)，人口密度(人/km2)，GDP密度(萬元/km2)。各指標具體分布如圖4所示。

圖4 各指標圖層分布特征Fig.4 Characteristic distributions of evaluation indexes

數據來源與預處理：1961-2005年最大3 d降雨量和徑流深數據來源于廣東省水文局(http:∥www.gdsw.gov.cn/wcm/gdsw/index.html)，分別利用流域內降雨站和水文站數據，采用克里金插值法插值獲得；臺風數據來源于廣東省氣象局(http:∥www.grmc.gov.cn/)，臺風年頻次是指各縣市遭受臺風襲擊次數的多年平均值，且以縣(市)為單元進行賦值；數字高程模型(DEM)數據來源于美國地質調查局(http:∥data.geocomm.com/dem/)，用于表征流域地形情況；坡度和河流數據是運用GIS技術通過DEM提取，其中河流緩沖區(qū)是根據提取的河流的不同級別乘以500m后得到緩沖區(qū)，再利用Arc.GIS中的Euclidean Distance工具進行插值獲得；公路數據(2005)來源于廣東省公路局(http:∥www.gdhighway.gov.cn/)，到距公路距離指標的處理類似于河流緩沖區(qū)，利用Euclidean Distance工具進行插值可得；人口和GDP密度數據來源于國家基礎地理信息共享網站(http:∥www.ngcc.cn/)；耕地面積百分比來源于中國科學院共享網站(http:∥www.cas.cn/)。在ArcGIS9.3軟件Spatial Analyst模塊支持下，利用柵格計算器(Raster Calculator)的地圖代數功能(Map Algebra)對上述10個評價指標圖層進行極差標準化處理，生成10個grid柵格數據圖層，空間分辨率為100 m×100 m。

2.2 實例應用步驟

為驗證Ant-Miner可以被應用到洪災風險區(qū)劃領域中，本文結合圖3通過樣本選取、分類規(guī)則挖掘(訓練)、精度檢驗(測試)、風險等級識別(分類)4個步驟構建基于Ant-Miner的洪災風險區(qū)劃模型，詳述如下：

1)樣本選取。訓練樣本選擇是蟻群學習的關鍵步驟，直接關系到所獲規(guī)則質量。根據實際調查和現有的評價成果[10,20-22]，利用ArcGIS9.3空間分析模塊的Sample命令采用分層隨機采樣的方法來獲取訓練樣本和測試數據集。訓練數據集的樣本數為2 000，測試數據集的樣本數為1 029?；赪EKA(Waikato Environment for Knowledge Analysis)平臺利用基于熵的離散化方法對樣本數據進行離散化處理[15]。

2)分類規(guī)則挖掘。洪災風險等級分類規(guī)則通過Ant-Miner從訓練數據中挖掘，Ant-Miner是根據文獻[15]提供的代碼并作改進后在VisualBasic6.0環(huán)境中編程實現。在運用Ant-Miner挖掘規(guī)則時，離散化后的各指標值作為螞蟻路徑的屬性節(jié)點，洪災風險等級作為螞蟻路徑的風險級別節(jié)點，每條路徑對應一條分類規(guī)則。分類規(guī)則的挖掘可以當作是螞蟻對最優(yōu)路徑的搜索。本研究中，對于2 000個訓練樣本，Ant-Miner的參數設置如下：蟻群數量=60；每個規(guī)則覆蓋的最少樣本數=5；最大未覆蓋樣本數=5；收斂規(guī)則數=10；迭代次數=1 000可收斂。在這5個參數中，蟻群數量和每個規(guī)則覆蓋的最少樣本數對分類精度較為敏感。訓練結果表明：模型總體分類精度隨著蟻群數量的增加而改善，但蟻群數量大于60以后基本穩(wěn)定；分類精度隨著每個規(guī)則覆蓋的最少樣本數的增加而降低，當其等于5時達到最佳。

3)精度檢驗。應用Ant-Miner挖掘的分類規(guī)則前，需利用測試數據集進行精度驗證，精度滿足要求才能應用所挖掘的規(guī)則。輸入1 029個測試數據檢測所挖掘規(guī)則，并生成混淆矩陣。

4)風險等級分類。獲取挖掘得到的分類規(guī)則后，利用ArcGIS9.3柵格計算器的條件語句對風險級別進行分類，并生成北江流域洪災風險區(qū)劃圖。

2.3 結果與分析

通過實例應用的4個步驟后，結合北江流域的10個指標，借助GIS技術構建的基于Ant-Miner洪災風險區(qū)劃模型可獲得以下主要結果：

1)分類規(guī)則。利用構建的Ant-Miner模型對訓練數據進行挖掘后共獲得15條分類規(guī)則，這些分類規(guī)則能覆蓋所有風險等級。表1列出了模型參數及部分分類規(guī)則，其中，規(guī)則的置信度是根據該規(guī)則對測試數據的分類精度來確定。從表1可以看出，該模型所挖掘的分類規(guī)則較簡單，均以條件語句形式表現，毋需通過數學公式來表達，能更方便和準確地描述評價指標間的復雜關系，顯然比數學公式更容易讓人理解。與此同時，根據上述規(guī)則可以地利用ArcGIS9.3中柵格計算器極其方便地生成風險區(qū)劃圖，省略了其它智能模型的“待測柵格數據→點數據→判別→還原柵格數據”的轉化與判別步驟，大大節(jié)省了計算時間。

2)測試精度。訓練后構建的Ant-Miner模型需要滿足精度要求才能進行下一步應用。根據生產的混淆矩陣(表2)可知，模型平均測試精度高達95.1%，表明建立的模型精度滿足要求(一般大于80%即可)，所挖掘的規(guī)則可被應用到全流域進行風險區(qū)劃。為了突出Ant-Miner區(qū)劃模型與其他模型的判別性能，選用基于BP神經網絡的洪災風險區(qū)劃模型[10]進行訓練與測試，測試過程采用與Ant-Miner模型相同的訓練與測試數據，最后產生測試混淆矩陣(表3)。對比兩混淆矩陣可知，BP神經網絡模型的平均測試精度為92.9%，略低于Ant-Miner模型的結果，表明Ant-Miner模型的區(qū)劃性能更好，在洪災風險區(qū)劃領域有較好的適用性。

表1 Ant-Miner挖掘的部分規(guī)則1)Table1 Parts of the rules mined by Ant-Miner

1)a1～10分別表示最大3d降雨量、DEM、GDP密度、耕地面積百分比、人口密度、距公路距離、徑流深、坡度、河流緩沖區(qū)、臺風年頻次10個指標的標準化數值；grade為洪災風險等級，1～5分別表示安全、較安全、中等、較危險、危險。

3)風險空間分布特征。根據挖掘的15條分類規(guī)則，利用ArcGIS9.3柵格計算器輸入以條件語句表現的分類規(guī)則對風險級別進行分類，并生成北江流域洪災風險區(qū)劃圖(圖4)。根據風險區(qū)劃圖分布特征可知，危險區(qū)域主要集中于清遠市區(qū)、四會市、南雄縣中部、陽山縣中部、懷集縣南部、佛岡縣、英德市中部等泛洪區(qū)；較危險區(qū)域主要位于樂昌市、仁化縣、廣寧縣、翁源縣、懷集縣南部、英德市南部等泛洪區(qū)。對比圖4指標分析可知，危險與較危險區(qū)域降雨較為豐富，且多集中于地勢平緩的平原或洼地地區(qū)。這些地區(qū)能較快地匯集雨水并形成徑流，極易形成洪水或內澇；與此同時，這些地區(qū)人口與財產較為密集且農業(yè)較為發(fā)達，因而導致風險較高。為了便于與洪災實際情況進行比較，選取北江流域4次典型的極端洪水災害，即1915、1949、1982和1994年大洪水，以洪水淹沒范圍為基礎[20-22]，并結合災情記錄，發(fā)現北江流域洪災較重及風險較高的區(qū)域與圖5中危險、較危險區(qū)域較為一致。驗證結果表明圖5能較好地反映北江流域存在的洪災風險實際情況。

表2 Ant-Miner模型測試精度Table 2 Test accuracy of Ant-Miner model

表3 BP神經網絡模型測試精度Table 3 Test accuracy of BP neural network model

圖5 基于Ant-Miner模型的北江流域洪災風險區(qū)劃圖Fig.5 Zoning map of flood disaster risk based on Ant-Miner in the Beijiang River basin

3 結 論

本文試圖將蟻群算法的規(guī)則挖掘(Ant-Miner)引入到洪災風險區(qū)劃中，并建立基于Ant-Miner 的洪災風險區(qū)劃模型，在GIS技術支持下將此模型應用于北江流域，結果表明：1)基于Ant-Miner 洪災風險區(qū)劃模型在訓練過程中共挖掘15條適合研究區(qū)的洪災風險分類規(guī)則，這些規(guī)則通過簡單的條件語句而非復雜的數學公式表現，極容易與GIS技術結合并生成風險區(qū)劃圖；2)基于Ant-Miner模型的測試精度為95.1%，而相同條件下的BP神經網絡模型精度為92.9%，顯然前者的分類性能更好，對洪災風險區(qū)劃有更好的適用性；3)Ant-Miner識別的高風險區(qū)主要集中在降雨量較大、地勢平緩低洼、人口和財產密集的地區(qū)，與歷史洪災風險情況較吻合，表明所構建的模型科學合理，可為洪災風險區(qū)劃提供新思路。

Ant-Miner作為一種群智能方法，在數據處理中具有較大的應用價值，可為洪災風險的智能化區(qū)劃提供一種有效的方法。但畢竟將Ant-Miner應用到洪災風險區(qū)劃領域才剛剛起步，在應用時還有一些限制，如本研究僅選取了10個評價指標，從流域宏觀的角度分析洪災風險分布是合理的，但因忽略了水庫、堤防等水工建筑物的防洪影響，在微觀上風險區(qū)劃精度不一定能滿足要求；另外對于算法本身，在數據挖掘過程中所發(fā)現的規(guī)則是按照順序排列，存在計算耗時相對較長等不足。

[1] HOWARD S W. Flood hazard and management: a UK perspective [J].Philosophical Transactions of The Royal Society A, 2006, 364: 2135-2145.

[2] TAWATCHAI T, MOHAMMED F K. Flood hazard and risk analysis in the southwest region of Bangladesh [J].Hydrological Process, 2005,19:2055-2069.

[3] 李林濤，徐宗學，龐博，等.中國洪災風險區(qū)劃研究 [J].水利學報，2012，43(1)：22-30.

[4] 王兆禮，賴成光，陳曉宏.基于熵權的洪災風險空間模糊綜合評價模型 [J].水力發(fā)電學報，2012，31(5)：35-40.

[5] ZOU Q, ZHOU J Z, ZHOU C, et al. Comprehensive flood risk assessment based on set pair analysis-variable fuzzy sets model and fuzzy AHP. Stoch. Environ Res RiskAssess.2013, 27:525-546.

[6] TINGSANCHALI T, KARIM F. Flood hazard assessment and risk-based zoning of a tropical flood plain :case study of the Yom River, Thailand [J].Hydrol Sci J,2010,55(2):145-161.

[7] KUBALC, HAASE D, MEYER V, et al. Integrated urban flood risk assessment-adapting a multi criteria approach to a city [J].Nat Hazards Earth Syst Sci, 2009, 9:1881-1895.

[8] LI LF, WANG J F, LEUNG H, et al. Assessment of catastrophic risk using bayesian network constructed from domain knowledge and spatial data [J].Risk Analysis,2010,30(7):1157-1175.

[9] 賴成光，陳曉宏，趙仕威，等.基于隨機森林的洪災風險評價模型及其應用 [J].水利學報，2015，46(1),58-66.

[10] 賴成光，王兆禮，宋海娟.基于BP神經網絡的北江流域洪災風險評價 [J].水電能源科學，2011，29(3)：57-59+161.

[11] COLORNI A, DORIGO M, MANIEZZO V, et a1. Distributed optimization by ant colonies [C]∥Proceedings of European Conference on Artificial Life.Paris,1991:134-142.

[12] PAREPINELLI R S, LOPES H S, FREITAS A A. Data mining with an Ant Colony Optimization algorithm [J].IEEE Transaction in Evolutionary Computation, 2002, 6(4):321-332.

[13] COSTA E P, LORENA A C, CARVALHO A, et al. Comparing several approaches for hierarchical classification of proteins with decision trees [C]∥2ndBrazilian Symposium on Bioinformatics (BSB2007). Angrados Reis, BRAZIL， 2007:126-137.

[14] OMKAR S N, RAGHAVENDRA K U. Rule extraction for classification of acoustice mission signals using Ant Colony Optimisation [J].Engineering Applications of Artificial Intelligence，2008, 21:1381-1388.

[15] LIU XP, LI X, LIU L, et al. An innovative method to classify remote sensing images using Ant Colony Optimization [J].IEEE Transactions on Geoscience and Remote Sensing, 2008,46(22):4198-4208.

[16] LIU X P, LI X, LIU L, et al. A bottom-up approach to discover transition rules of cellular automata using ant intelligence [J].International Journal of Geographical Information Science,2008,22(11/12):1247-1269.

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

[18] 戴芹，劉建波.基于蟻群規(guī)則挖掘算法的多特征遙感數據分類 [J].地理研究，2009，28(4)：1136-1145.

[19] OTERO F, FREITAS A, JOHNSON C G. cAnt-Miner: An ant colony classification algorithm to cope with continuous attributes [C]∥DORIGO M, et al, eds. Springer, Heidelberg:ANTS2008, LNCS: 5217: 48-59..

[20] 宮清華，黃光慶，郭敏,等.基于GIS技術的廣東省洪澇災害風險區(qū)劃 [J].自然災害學報，2009，18(1)：58-63.

[21] 廣東省地圖集 [M].廣州：廣東地圖出版社，2003.

[22] 廣東省防汛防旱防風總指揮部.廣東水旱風災害 [M].廣州：暨南大學出版社，1996.

Flood Risk Zoning Model Based on Ant-Miner and Its Application

LAIChengguang1,2,WANGZhaoli3,CHENXiaohong1,2,HUANGRuizhen1,2,LIAOWeilin3,WUXushu3

(1. Center for Water Resources and Environment, Sun Yat-sen University, Guangzhou 510275, China;2. Key Laboratory of Water Cycle and Water Security in Southern China of Guangdong High Education Institute, Sun Yat-sen University, Guangzhou 510275, China;3. School of Civil and Transportation Engineering, South China University of Technology,Guangzhou 510641, China)

Using Ant Colony Optimization (ACO) to mine rules is a research hotspot nowadays. This paper proposed a new zoning model of flood risk based on ant colony rule mining algorithm (Ant-Miner) to solve the non-linear relationship between index and flood risk grade. The model was used in the Beijiang River basin with the support of GIS technique. The assessment results show that ① 15 simple rules expressed in the form of conditional statement were mined by the Ant-Miner model. The rules are appropriate for the study areas and can be easily used for generating a zoning map of flood disaster risk. ② The test accuracy is 95.1% in the Ant-Miner model , 92.9% in BP neural network model, indicating that the discriminative capability and flood risk zoning applicability of the former is stronger than the latter. ③ The high risk areas identified by Ant-Miner are mainly located in the regions with large precipitation, flat and low-lying terrain and dense population and property. These areas match well with the submerged areas of historical flood disasters, indicating that the Ant-Miner model is reasonable and practicable and can provide a new method for flood risk assessment.

Flood disaster; risk zoning; ant colony optimization; rule mining; the Beijiang River basin

10.13471/j.cnki.acta.snus.2015.05.023

2014-12-17

國家自然科學基金資助項目(51210013,51479216,51209095, 41301627)；國家科技支撐計劃資助項目(2012BAC21B0103)；水利部公益資助項目(201301002-02, 201301071)；中央高?；究蒲袠I(yè)務費專項基金資助項目(2014ZZ0027)

賴成光(1986年生)，男，研究方向：災害風險研究；通訊作者：陳曉宏;E-mail:eescxh@mail.sysu.edu.cn

TV877

A

0529-6579(2015)05-0122-08