基于BOA-SVM模型的區(qū)域洪水災(zāi)害風(fēng)險(xiǎn)評(píng)估與驅(qū)動(dòng)機(jī)制

劉 東 楊 丹 張亮亮,3 李佳民 趙 丹

(1.東北農(nóng)業(yè)大學(xué)水利與土木工程學(xué)院, 哈爾濱 150030; 2.農(nóng)業(yè)農(nóng)村部農(nóng)業(yè)水資源高效利用重點(diǎn)實(shí)驗(yàn)室, 哈爾濱 150030;3.清華大學(xué)水圈科學(xué)與水利工程全國(guó)重點(diǎn)實(shí)驗(yàn)室, 北京 100084; 4.黑龍江省泥河水庫(kù)管理處, 蘭西 151500)

0 引言

在聯(lián)合國(guó)公布并重點(diǎn)關(guān)注的15種自然災(zāi)害中,洪水災(zāi)害是輻射范圍最廣、發(fā)生頻次最高、破壞力最強(qiáng)的自然災(zāi)害之一[1]。僅2021年由洪災(zāi)引致的經(jīng)濟(jì)損失就高達(dá)8.20×1010美元,占全球自然災(zāi)害相關(guān)經(jīng)濟(jì)損失的31%[2],每年死于洪水的人數(shù)占因自然災(zāi)害死亡總?cè)藬?shù)的55%[3]。伴隨著全球氣候變暖而帶來(lái)的惡劣氣候變化、極端降水、海平面上升等現(xiàn)象,都增加了洪水災(zāi)害的發(fā)生頻率和強(qiáng)度,預(yù)計(jì)到2050年由洪水災(zāi)害引發(fā)的風(fēng)險(xiǎn)將增加3倍[4]。洪水風(fēng)險(xiǎn)管理已成為諸多國(guó)家面臨的重大挑戰(zhàn),采用綜合性的防災(zāi)減災(zāi)措施來(lái)抵御洪水災(zāi)害,保障社會(huì)安全已成為防洪減災(zāi)科技領(lǐng)域的共識(shí)和當(dāng)務(wù)之急[5]。

“風(fēng)險(xiǎn)”一詞最早見(jiàn)于19世紀(jì)末的西方經(jīng)濟(jì)學(xué)領(lǐng)域[6],其作為經(jīng)濟(jì)社會(huì)運(yùn)行不可分割的一部分,持續(xù)存在于自然生態(tài)與人類(lèi)社會(huì)環(huán)境中[7]。風(fēng)險(xiǎn)的核心內(nèi)涵為:在特定環(huán)境下、特定時(shí)間內(nèi),某種損失發(fā)生的可能性[8-9]。關(guān)于風(fēng)險(xiǎn)的定義眾多,涉及自然、政治、經(jīng)濟(jì)等多個(gè)領(lǐng)域,目前還沒(méi)有一個(gè)被廣泛接受的定義。美國(guó)風(fēng)險(xiǎn)協(xié)會(huì)指出[10],由于不同學(xué)者的研究視角不同,無(wú)法形成統(tǒng)一的風(fēng)險(xiǎn)定義。但風(fēng)險(xiǎn)的性質(zhì)一致,通常被認(rèn)定為對(duì)未來(lái)?yè)p失的一種不確定描述[11]。由于風(fēng)險(xiǎn)無(wú)法完全消除,唯一應(yīng)對(duì)途徑就是對(duì)其進(jìn)行科學(xué)管理。洪水風(fēng)險(xiǎn)評(píng)估作為風(fēng)險(xiǎn)管理的第一步[12],也是最重要的一步,持續(xù)受到國(guó)內(nèi)外學(xué)者的廣泛關(guān)注。當(dāng)前,災(zāi)害風(fēng)險(xiǎn)評(píng)估研究已成為災(zāi)害學(xué)、環(huán)境科學(xué)、生態(tài)學(xué)等諸多學(xué)科領(lǐng)域的研究熱點(diǎn)[13]。

隨著風(fēng)險(xiǎn)評(píng)估方法的不斷發(fā)展,越來(lái)越多的方法被應(yīng)用于洪水災(zāi)害風(fēng)險(xiǎn)評(píng)估,具體可分為統(tǒng)計(jì)分析法、情景模擬法、多準(zhǔn)則決策分析法、機(jī)器學(xué)習(xí)法4類(lèi)[14-17]。統(tǒng)計(jì)分析法需要依賴(lài)于足夠長(zhǎng)的歷史數(shù)據(jù),以高質(zhì)量的現(xiàn)場(chǎng)記錄為基礎(chǔ)進(jìn)行評(píng)估。但該方法受數(shù)據(jù)限制較大,對(duì)于數(shù)據(jù)短缺地區(qū),缺乏泛化能力。情景模擬法是應(yīng)用水力學(xué)或水動(dòng)力學(xué)模型建立相關(guān)因素與洪水之間的聯(lián)系[18],進(jìn)而對(duì)洪水風(fēng)險(xiǎn)進(jìn)行評(píng)估。但高準(zhǔn)確性的模擬評(píng)估結(jié)果往往以輸入大量高分辨率數(shù)據(jù)為前提,且需要使用具有足夠計(jì)算能力的特定硬件來(lái)處理復(fù)雜的數(shù)據(jù)和進(jìn)行模型模擬[19]。多準(zhǔn)則決策分析法可以兼顧多個(gè)利益攸關(guān)的目標(biāo)、觀點(diǎn)、可行的替代方案和評(píng)估標(biāo)準(zhǔn)[20],但在風(fēng)險(xiǎn)量化關(guān)鍵步驟的指標(biāo)權(quán)重分配上,通常使用專(zhuān)家評(píng)分、層次分析、模糊綜合評(píng)價(jià)等具有較強(qiáng)主觀性的方法,限制了其可靠性[21]。機(jī)器學(xué)習(xí)法通過(guò)機(jī)器學(xué)習(xí)模型智能學(xué)習(xí)并衡量洪水的多種特征信息,避免了權(quán)重設(shè)定的主觀性,評(píng)價(jià)更具優(yōu)勢(shì)。

近年來(lái),越來(lái)越多的機(jī)器學(xué)習(xí)模型被應(yīng)用于洪水災(zāi)害評(píng)估領(lǐng)域。LI等[22]基于Logistic回歸、樸素貝葉斯、自適應(yīng)增強(qiáng)算法以及隨機(jī)森林4種機(jī)器學(xué)習(xí)模型,對(duì)全球4級(jí)流域進(jìn)行了風(fēng)險(xiǎn)評(píng)估并得到全球敏感性分析圖。ZHI等[23]提出了一種城市洪水風(fēng)險(xiǎn)3DVAAM-PP-PSO評(píng)估模型,實(shí)現(xiàn)了多視角地直觀分析淹沒(méi)水深與面積的動(dòng)態(tài)變化。ESFANDIARI等[24]將最近排水模型初步生成的洪水預(yù)報(bào)圖作為隨機(jī)森林模型的訓(xùn)練樣本,選用海拔、坡度、坡向、河流間距和土地利用情況5項(xiàng)數(shù)據(jù)作為洪水制圖的條件因子,形成動(dòng)態(tài)的洪水范圍評(píng)估。CHEN等[25]依據(jù)DPSIR模型構(gòu)建了洪水風(fēng)險(xiǎn)管理框架,為長(zhǎng)三角地區(qū)的防汛、減災(zāi)和應(yīng)急管理提供了決策支持。

然而在模型選擇上,人工神經(jīng)網(wǎng)絡(luò)(ANN)的參數(shù)難以設(shè)定,收斂速度較慢、穩(wěn)定性較差、易出現(xiàn)陷于局部最小化的問(wèn)題[26];隨機(jī)森林模型(RF)易在噪聲較大的樣本集上存在過(guò)擬合現(xiàn)象[27];而支持向量機(jī)(SVM)模型具有堅(jiān)實(shí)的理論基礎(chǔ)和良好的泛化能力,在小樣本數(shù)據(jù)、高維問(wèn)題、非線性特征的處理上具有高準(zhǔn)確性,為洪水災(zāi)害精確評(píng)估提供了保證[28]。LIU等[29]構(gòu)建了基于改進(jìn)自私獸群算法的支持向量機(jī)模型(EO-SHO-SVR)來(lái)提高區(qū)域洪水災(zāi)害恢復(fù)力的評(píng)價(jià)精度;MOHAMMADI等[30]提出了基于SVM模型的入侵檢測(cè)和特征選擇系統(tǒng)來(lái)檢測(cè)各種類(lèi)型的異常和入侵,表明與SVM相結(jié)合可以提高入侵檢測(cè)系統(tǒng)的檢測(cè)率和準(zhǔn)確率。由此可見(jiàn),SVM模型在各領(lǐng)域的研究中都表現(xiàn)出優(yōu)良的性能,但其在尋優(yōu)速度和擬合精度上仍有待提高。

蝴蝶優(yōu)化算法(BOA)是ARORA等[31]于2019年提出的一種受自然啟發(fā)的全局優(yōu)化元啟發(fā)式智能算法。BOA算法需要處理的自適應(yīng)參數(shù)少、在開(kāi)發(fā)探究中平衡性能高,使其在短期內(nèi)被應(yīng)用于多領(lǐng)域的優(yōu)化問(wèn)題中[32]。鑒于BOA的強(qiáng)搜索能力、高魯棒性和強(qiáng)自適應(yīng)性等特征[33-35],本研究采用BOA算法優(yōu)化SVM模型以獲得更加精準(zhǔn)的洪水災(zāi)害評(píng)估結(jié)果。在此基礎(chǔ)上,通過(guò)模型內(nèi)置的多指標(biāo)權(quán)重確定洪水災(zāi)害風(fēng)險(xiǎn)的關(guān)鍵影響因子,進(jìn)而識(shí)別其驅(qū)動(dòng)機(jī)制,為相關(guān)決策部門(mén)提供科技支撐。

1 研究區(qū)域概況與數(shù)據(jù)來(lái)源

1.1 研究區(qū)域概況

黑龍江省坐落于中國(guó)的最北端,總占地面積為4.73×106km2,下轄13個(gè)地市區(qū),如圖1所示。黑龍江省糧食產(chǎn)量連續(xù)13年位列全國(guó)第一,不僅能夠穩(wěn)定全省經(jīng)濟(jì)社會(huì)發(fā)展、也是保障國(guó)家糧食安全的“壓艙石”。其優(yōu)良的土壤環(huán)境和利于作物生長(zhǎng)的雨熱特征使其具有獨(dú)特的農(nóng)業(yè)生產(chǎn)優(yōu)勢(shì)[36],全省年平均降水量較大,但仍存在降水年際波動(dòng)性大且年內(nèi)分配不均的問(wèn)題,使極端氣候事件多發(fā)。如1998年,松花江、嫩江發(fā)生的特大洪水災(zāi)害造成了嚴(yán)重的經(jīng)濟(jì)損失與人員傷亡;2013年,黑龍江省發(fā)生特大洪水災(zāi)害,使建三江分公司周邊縣市及農(nóng)場(chǎng)耕地與農(nóng)作物受災(zāi),糧食作物大規(guī)模減產(chǎn);2021年,洪水災(zāi)害致使黑龍江省各地區(qū)4.2×104人受災(zāi),1.9×104人緊急轉(zhuǎn)移安置,6×104hm2農(nóng)作物受災(zāi),造成直接經(jīng)濟(jì)損失2.2×108元[37],洪水災(zāi)害的頻繁發(fā)生對(duì)黑龍江省經(jīng)濟(jì)社會(huì)可持續(xù)發(fā)展造成了極大的威脅。因此,有必要在黑龍江省開(kāi)展洪水災(zāi)害風(fēng)險(xiǎn)的定量評(píng)估和歸因分析。

圖1 黑龍江省行政區(qū)劃Fig.1 Administrative division of Heilongjiang Province

1.2 數(shù)據(jù)來(lái)源

研究數(shù)據(jù)源自《黑龍江省統(tǒng)計(jì)年鑒》(2004—2018年)、《黑龍江省水利綜合年報(bào)》(2003—2017年)及13個(gè)地市區(qū)統(tǒng)計(jì)年鑒(2004—2018年),經(jīng)整理與計(jì)算得到自然、經(jīng)濟(jì)、社會(huì)等相關(guān)指標(biāo)數(shù)據(jù)。

2 研究方法

2.1 洪水災(zāi)害風(fēng)險(xiǎn)評(píng)估指標(biāo)體系概念框架

災(zāi)害系統(tǒng)理論是從災(zāi)害的誘因、孕育和損失出發(fā),認(rèn)定為由致災(zāi)因子、孕災(zāi)環(huán)境和承災(zāi)體構(gòu)成的綜合產(chǎn)物[38]。致災(zāi)因子是災(zāi)害產(chǎn)生的條件,孕災(zāi)環(huán)境是放大或縮小災(zāi)害的必然要素,承災(zāi)體是洪水災(zāi)害的直接作用對(duì)象,其三者所具備的危險(xiǎn)性、暴露性和脆弱性綜合形成了災(zāi)害風(fēng)險(xiǎn)[39]。除去以上3要素,人類(lèi)在防災(zāi)減災(zāi)中發(fā)揮的作用同樣重要,即防災(zāi)減災(zāi)能力。在區(qū)域?yàn)?zāi)害系統(tǒng)理論基礎(chǔ)上,將防災(zāi)減災(zāi)能力納入洪水災(zāi)害系統(tǒng)評(píng)估中,使人類(lèi)在抵御洪災(zāi)中的作用得到充分考量,使洪水災(zāi)害風(fēng)險(xiǎn)評(píng)估更具有科學(xué)性和完備性。因此,在以區(qū)域?yàn)?zāi)害系統(tǒng)“三因子”理論的基礎(chǔ)上融入防災(zāi)減災(zāi)能力,即以“四因子”理論[40-41]為基礎(chǔ),選用致災(zāi)因子、孕災(zāi)環(huán)境、承災(zāi)體和防災(zāi)減災(zāi)能力4個(gè)指標(biāo)約束維度,構(gòu)建黑龍江省洪水災(zāi)害風(fēng)險(xiǎn)評(píng)估綜合表征指標(biāo)體系,其概念框架如圖2所示。

圖2 區(qū)域?yàn)?zāi)害系統(tǒng)理論概念框架Fig.2 Theoretical conceptual framework of regional disaster system

2.2 基于蝴蝶優(yōu)化算法改進(jìn)的支持向量機(jī)模型

2.2.1支持向量機(jī)模型基本原理

支持向量機(jī)模型通過(guò)變換函數(shù)對(duì)數(shù)據(jù)集進(jìn)行回歸,旨在創(chuàng)建兩個(gè)類(lèi)別之間的決策邊界并使分類(lèi)間隔最大[42],即在樣本空間中構(gòu)建一個(gè)超平面來(lái)區(qū)分訓(xùn)練樣本,使得訓(xùn)練樣本距離超平面有最小值。該超平面公式為

ωφ(X)+b=0

(1)

式中ω——權(quán)重系數(shù)

b——偏差量

φ(X)——非線性映射函數(shù)

為在一定程度上克服模型無(wú)法完成嚴(yán)格分類(lèi)、過(guò)擬合等問(wèn)題,引入松弛變量ζi和懲罰參數(shù)C(C>0)來(lái)提高模型的泛化能力,將線性不可分的線性支持向量機(jī)問(wèn)題變成凸二次規(guī)劃問(wèn)題,計(jì)算式為

(2)

s.t.yi(ωTφ(xi)+b)≥1-ζi

(3)

式中xi——第i個(gè)訓(xùn)練樣本

yi——第i個(gè)樣本的正負(fù)類(lèi)別,為[-1,1]

{(xi,yi),i=1,2,…,N}為訓(xùn)練樣本集。

在此基礎(chǔ)上,通過(guò)引入拉格朗日函數(shù)

(4)

式中αi——拉格朗日因子

將式(4)轉(zhuǎn)換為對(duì)偶形式,其中核函數(shù)可以將數(shù)據(jù)映射到高維,得到最優(yōu)分割超平面,求得回歸函數(shù)為

(5)

其中

K(x,xi)=φ(x)φ(xi)

(6)

式中K(x,xi)——核函數(shù)

φ(x)——映射函數(shù)

在眾多核函數(shù)對(duì)比中,高斯函數(shù)具有參數(shù)少、收斂速度快、學(xué)習(xí)能力強(qiáng)等優(yōu)點(diǎn),故本文選用高斯徑向函數(shù)構(gòu)建支持向量機(jī)模型,表達(dá)式為

(7)

式中λ——核函數(shù)參數(shù)

2.2.2蝴蝶優(yōu)化算法(BOA)基本原理

蝴蝶優(yōu)化算法(BOA)是通過(guò)模擬蝴蝶搜索食物和交配行為而衍生出的一種智能優(yōu)化算法[31]。在BOA算法中,每只蝴蝶都會(huì)散發(fā)出屬于自己的獨(dú)特香味。蝴蝶能夠感知空氣中食物的來(lái)源,同樣也能感知到其它蝴蝶散發(fā)出來(lái)的香味,并隨著散發(fā)香味更濃的蝴蝶移動(dòng),香味濃度公式為

f=cla

(8)

式中f——蝴蝶散發(fā)香味的濃度

c——感知形態(tài)l——刺激強(qiáng)度

a——冪指數(shù),取[0,1]

當(dāng)a=1時(shí),意味著蝴蝶不吸收香味,指特定蝴蝶散發(fā)的香味被相同的蝴蝶感知到;這種情況下,相當(dāng)于香味在理想環(huán)境中傳播,可以在域中各個(gè)地方感應(yīng)到散發(fā)香味的蝴蝶,進(jìn)而可以輕易達(dá)到一個(gè)單一的全局最優(yōu)值。

為用搜索算法證明上述情況,將蝴蝶的特征理想化,設(shè)置了以下假設(shè)條例:①所有蝴蝶都能散發(fā)出一些香味,蝴蝶之間憑借香味相互吸引和交換信息。②蝴蝶會(huì)發(fā)生隨機(jī)移動(dòng)或者朝著香味濃度強(qiáng)的蝴蝶發(fā)生定向移動(dòng)。

針對(duì)不同問(wèn)題來(lái)定義不同適應(yīng)度函數(shù),BOA算法可以分為3個(gè)步驟:

步驟1:初始化階段。在搜索空間中隨機(jī)生成蝴蝶位置,計(jì)算并儲(chǔ)存每只蝴蝶位置和適應(yīng)度。

步驟2:迭代階段。由算法執(zhí)行多次迭代,在每次迭代中,搜索空間中蝴蝶都移到新的位置,然后重新計(jì)算其適應(yīng)度。將隨機(jī)生成的蝴蝶種群的適應(yīng)度進(jìn)行排序,找到蝴蝶在搜索空間中的最佳位置。

步驟3:結(jié)束階段。在上一階段中,蝴蝶移動(dòng)后會(huì)利用香味公式在新的位置產(chǎn)生香味。

(1)當(dāng)蝴蝶能夠感知到大于自身香味而發(fā)生移動(dòng)時(shí),這個(gè)階段稱(chēng)為全局搜索,公式為

(9)

r——[0,1]之間的隨機(jī)數(shù)

g*——迭代t次內(nèi)的最佳蝴蝶,即最優(yōu)解

fi——第i只蝴蝶的香味濃度

(2)當(dāng)蝴蝶不能感知到其他蝴蝶的香味濃度時(shí),發(fā)生隨機(jī)移動(dòng),這個(gè)階段為局部搜索階段,公式為

(10)

全局搜索與局部搜索發(fā)生在蝴蝶覓食過(guò)程中,因此需要設(shè)置一個(gè)轉(zhuǎn)換概率來(lái)對(duì)頻繁出現(xiàn)的全局搜索與密集出現(xiàn)的局部搜索進(jìn)行轉(zhuǎn)換。r的作用是與轉(zhuǎn)換概率p進(jìn)行比較來(lái)決定是發(fā)生全局搜索還是局部搜索,r的計(jì)算公式為

r=rand(0,1)

(11)

達(dá)到最大迭代次數(shù)后,若滿足預(yù)設(shè)條件,則終止條件,輸出最優(yōu)值,反之將從步驟2重新開(kāi)始。

2.2.3BOA-SVM模型構(gòu)建

選擇支持向量機(jī)中懲罰參數(shù)C和核函數(shù)參數(shù)λ作蝴蝶種群的搜索個(gè)體,以訓(xùn)練樣本的均方誤差(MSE)為目標(biāo)函數(shù),構(gòu)建BOA-SVM模型來(lái)實(shí)現(xiàn)對(duì)C和λ的迭代優(yōu)化,具體步驟如下:

步驟1:收集洪水災(zāi)害風(fēng)險(xiǎn)各項(xiàng)指標(biāo)數(shù)據(jù)作為特征數(shù)據(jù),制作訓(xùn)練樣本集。

步驟2:初始化蝴蝶種群搜索個(gè)體即懲罰參數(shù)C和核函數(shù)參數(shù)λ。

步驟3:確定適應(yīng)度函數(shù)為均方誤差(MSE),數(shù)學(xué)表達(dá)式為

(12)

式中m——訓(xùn)練樣本數(shù)量

y′i——第i次迭代時(shí)的真實(shí)值

y″i——第i次迭代時(shí)的預(yù)測(cè)值

步驟4:初始化算法參數(shù),包括蝴蝶種群數(shù)M、最大迭代次數(shù)tmax。

步驟5:利用式(12)計(jì)算蝴蝶種群個(gè)體的適應(yīng)度值,并用式(8)計(jì)算香味濃度f(wàn),根據(jù)適應(yīng)度值得出最佳蝴蝶的位置g*。

步驟6:根據(jù)式(11)計(jì)算出r值,與轉(zhuǎn)換概率p進(jìn)行比較。

步驟7:若rp,則采用式(10)進(jìn)行局部搜索更新蝴蝶位置。

步驟8:通過(guò)式(12)檢查蝴蝶種群搜索個(gè)體更新位置后的適應(yīng)度值,判斷是否優(yōu)于更新前,并更新全局最優(yōu)蝴蝶位置與適應(yīng)度值。

步驟9:判斷是否滿足終止條件。若滿足,輸出最優(yōu)蝴蝶種群搜索個(gè)體適應(yīng)度值及其空間位置,即為BOA-SVM模型中懲罰參數(shù)C和核函數(shù)參數(shù)λ,不滿足則重復(fù)步驟6～9。

運(yùn)用BOA-SVM模型對(duì)洪水災(zāi)害進(jìn)行風(fēng)險(xiǎn)評(píng)估流程如圖3所示。

圖3 基于BOA-SVM模型的洪水災(zāi)害風(fēng)險(xiǎn)評(píng)估流程圖Fig.3 Flow chart of flood disaster risk assessment based on BOA-SVM model

3 結(jié)果與分析

3.1 洪水災(zāi)害風(fēng)險(xiǎn)評(píng)估指標(biāo)體系搭建

通過(guò)區(qū)域洪水災(zāi)害風(fēng)險(xiǎn)理論框架,構(gòu)建黑龍江省洪水災(zāi)害風(fēng)險(xiǎn)評(píng)估指標(biāo)體系。按照致災(zāi)因子、孕災(zāi)環(huán)境、承災(zāi)體和防災(zāi)減災(zāi)能力選取涵蓋自然、經(jīng)濟(jì)、人口、醫(yī)療、農(nóng)業(yè)和防洪基礎(chǔ)設(shè)施等4個(gè)維度19個(gè)評(píng)價(jià)指標(biāo),構(gòu)建洪水災(zāi)害風(fēng)險(xiǎn)評(píng)估指標(biāo)體系并繪制指標(biāo)分布圖,如圖4所示。

圖4 洪水災(zāi)害風(fēng)險(xiǎn)評(píng)估指標(biāo)體系分布圖Fig.4 Distribution map of flood disaster risk assessment index system

為進(jìn)一步詳細(xì)解釋各指標(biāo)內(nèi)涵,對(duì)各指標(biāo)的定義、與洪水災(zāi)害的內(nèi)在關(guān)聯(lián)、正負(fù)指向以及單位進(jìn)行詳細(xì)描述,結(jié)果見(jiàn)表1。

表1 洪水災(zāi)害風(fēng)險(xiǎn)評(píng)估指標(biāo)及其定義與描述Tab.1 Flood disaster risk assessment indicators and their definitions and descriptions

3.2 洪水災(zāi)害風(fēng)險(xiǎn)評(píng)估模擬等級(jí)區(qū)間

為確保多指標(biāo)綜合評(píng)價(jià)的高效性和合理性,需對(duì)連續(xù)性指標(biāo)進(jìn)行離散化處理。自然間斷法基于聚類(lèi)思維,使得分類(lèi)結(jié)果中組間數(shù)據(jù)相似性最大,組外數(shù)據(jù)相異性最大,能夠在確定分類(lèi)間隔的同時(shí)兼顧每一組要素的范圍和個(gè)數(shù)盡量相近[43]。故選用自然間斷法將洪水災(zāi)害風(fēng)險(xiǎn)等級(jí)劃分為Ⅰ～Ⅴ級(jí),級(jí)別越高風(fēng)險(xiǎn)越大,各指標(biāo)分級(jí)標(biāo)準(zhǔn)見(jiàn)表2。

表2 洪水災(zāi)害風(fēng)險(xiǎn)評(píng)估指標(biāo)分級(jí)標(biāo)準(zhǔn)Tab.2 Grading standards for flood disaster risk assessment indicators

根據(jù)表2所劃分的Ⅰ～Ⅴ級(jí)洪水災(zāi)害風(fēng)險(xiǎn)標(biāo)準(zhǔn)等級(jí)區(qū)間,在各等級(jí)區(qū)間內(nèi)隨機(jī)生成200個(gè)樣本數(shù)據(jù),共生成1 000個(gè)樣本數(shù)據(jù),其中700個(gè)為訓(xùn)練樣本,300個(gè)為測(cè)試樣本。經(jīng)BOA-SVM模型仿真模擬后得到洪水災(zāi)害風(fēng)險(xiǎn)等級(jí)模擬區(qū)間,結(jié)果見(jiàn)表3。

表3 BOA-SVM模型洪水災(zāi)害風(fēng)險(xiǎn)評(píng)估模型等級(jí)模擬區(qū)間Tab.3 BOA-SVM model flood disaster risk assessment model level simulation interval

3.3 洪水災(zāi)害風(fēng)險(xiǎn)時(shí)空變異特征分析

3.3.1年際變異特征分析

將2003—2017年指標(biāo)數(shù)據(jù)代入BOA-SVM模型,得到黑龍江省近15年洪水災(zāi)害風(fēng)險(xiǎn)指數(shù),依據(jù)表3所得模擬區(qū)間進(jìn)行分區(qū)并繪制年際變化特征曲線,如圖5所示。

圖5 黑龍江省洪水災(zāi)害風(fēng)險(xiǎn)年際變化曲線Fig.5 Interannual change curves of flood disaster risk in Heilongjiang Province

由圖5可知,黑龍江省15年內(nèi)洪水災(zāi)害風(fēng)險(xiǎn)整體呈下降趨勢(shì),平均洪水風(fēng)險(xiǎn)處于Ⅲ級(jí)偏上水平。2003、2007、2009、2011、2013、2017年出現(xiàn)極值點(diǎn)。2003年黑龍江省總體洪水風(fēng)險(xiǎn)指數(shù)處于研究期內(nèi)最大值點(diǎn)(3.914),此時(shí)風(fēng)險(xiǎn)處于Ⅳ級(jí)中等偏下水平,2003—2007年洪水災(zāi)害風(fēng)險(xiǎn)總體呈下降趨勢(shì);在2006年(3.777)有小幅度上升隨后驟減,風(fēng)險(xiǎn)等級(jí)從Ⅳ級(jí)降至Ⅲ級(jí);在2007年達(dá)到第1個(gè)極小值點(diǎn)(2.903),2007—2009年間洪水風(fēng)險(xiǎn)持續(xù)上升,風(fēng)險(xiǎn)等級(jí)由Ⅲ級(jí)躍遷至Ⅳ級(jí);在2009年達(dá)到第2個(gè)極大值點(diǎn)(3.556),2009—2011年間洪水風(fēng)險(xiǎn)呈現(xiàn)下降趨勢(shì),風(fēng)險(xiǎn)等級(jí)由Ⅳ級(jí)降至Ⅲ級(jí)偏下水平;在2011年達(dá)到第2個(gè)極小值點(diǎn)(2.943),2011—2013年間洪水風(fēng)險(xiǎn)小幅度上升,在Ⅲ級(jí)區(qū)間內(nèi)向上浮動(dòng);在2013年達(dá)到第3個(gè)極大值點(diǎn)(3.362),2013—2017年間洪水風(fēng)險(xiǎn)逐年穩(wěn)定降低,降至Ⅲ級(jí)偏下水平;在2017年達(dá)到最后1個(gè)極小值點(diǎn),同時(shí)也是15年間的最小值點(diǎn)(2.628),此時(shí)黑龍江省風(fēng)險(xiǎn)為Ⅲ級(jí)偏下水平并處于15年內(nèi)的最低水平。根據(jù)以上洪水風(fēng)險(xiǎn)年際波動(dòng),可將其年際變化分為5個(gè)階段。第1階段(2003—2007年)為急速下降時(shí)期,第2階段(2007—2009年)為快速提升時(shí)期,第3階段(2009—2011年)為平穩(wěn)下降時(shí)期,第4階段(2011—2013年)為緩慢提升時(shí)期,第5階段(2013—2017年)為穩(wěn)定下降時(shí)期。

3.3.2空間演變特征分析

針對(duì)年際變化中典型年的突出變化,進(jìn)行洪水災(zāi)害風(fēng)險(xiǎn)空間演變特征分析,根據(jù)各地區(qū)風(fēng)險(xiǎn)等級(jí)繪制黑龍江省典型年洪水災(zāi)害風(fēng)險(xiǎn)空間演變特征圖,如圖6所示。

圖6 典型年黑龍江省洪水災(zāi)害風(fēng)險(xiǎn)空間演變Fig.6 Spatial evolution map of flood disaster risk in Heilongjiang Province in typical years

由圖6a可知,2003年13個(gè)地市區(qū)洪水風(fēng)險(xiǎn)處于Ⅲ級(jí)偏上水平,僅有大慶風(fēng)險(xiǎn)等級(jí)為Ⅱ級(jí),洪水風(fēng)險(xiǎn)水平總體偏高。由圖6b可知,2007年洪水風(fēng)險(xiǎn)處于Ⅲ級(jí)中下游水平,其中哈爾濱、鶴崗、大慶、七臺(tái)河4個(gè)地級(jí)市風(fēng)險(xiǎn)等級(jí)為Ⅱ級(jí),剩余9個(gè)地區(qū)均為Ⅲ級(jí)。由圖6c可知,2009年洪水風(fēng)險(xiǎn)處于Ⅲ級(jí)偏上水平,齊齊哈爾、伊春、佳木斯、黑河、綏化由Ⅲ級(jí)升至Ⅳ級(jí),哈爾濱、七臺(tái)河、鶴崗由Ⅱ級(jí)升至Ⅲ級(jí),其他地區(qū)風(fēng)險(xiǎn)指數(shù)有小幅度增長(zhǎng)仍維持原有等級(jí)。由圖6d可知,2011年洪水風(fēng)險(xiǎn)處于Ⅲ級(jí)偏下水平,風(fēng)險(xiǎn)指數(shù)相比于2007年降低2.33%,為研究期內(nèi)第2個(gè)極小值點(diǎn),僅有齊齊哈爾、綏化維持Ⅳ級(jí)不變,雞西、大興安嶺維持Ⅲ級(jí)不變,其余9個(gè)地區(qū)均發(fā)生風(fēng)險(xiǎn)等級(jí)躍遷,研究區(qū)內(nèi)洪水風(fēng)險(xiǎn)呈現(xiàn)平穩(wěn)下降趨勢(shì)。由圖6e可知,2013年洪水風(fēng)險(xiǎn)處于Ⅲ級(jí)中等水平,此時(shí)為研究區(qū)內(nèi)最后一個(gè)極大值點(diǎn),洪水風(fēng)險(xiǎn)相較于2003、2009年有所降低,Ⅳ級(jí)風(fēng)險(xiǎn)地區(qū)剩余大興安嶺、黑河、伊春、綏化,相比于前兩個(gè)極大值點(diǎn),Ⅱ、Ⅲ級(jí)地區(qū)數(shù)目有所增長(zhǎng),雖然整體風(fēng)險(xiǎn)升高,但總體呈現(xiàn)良性發(fā)展態(tài)勢(shì)。由圖6f可知,2017年洪水風(fēng)險(xiǎn)水平降至Ⅱ級(jí),全省范圍內(nèi)僅有綏化為Ⅳ級(jí),雞西、伊春、黑河為Ⅲ級(jí),余下9個(gè)地區(qū)均為Ⅱ級(jí),洪水災(zāi)害風(fēng)險(xiǎn)大幅度降低。

為繼續(xù)深入探究黑龍江省洪水災(zāi)害風(fēng)險(xiǎn)空間格局的時(shí)間演變特征,將黑龍江省不同地市區(qū)近15年的指標(biāo)數(shù)據(jù)代入BOA-SVM模型中,得到各地區(qū)2003—2017年洪水災(zāi)害風(fēng)險(xiǎn)指數(shù)及風(fēng)險(xiǎn)等級(jí),繪制黑龍江省各地市區(qū)洪水災(zāi)害風(fēng)險(xiǎn)變化趨勢(shì),如圖7所示。

圖7 黑龍江省各地區(qū)洪水災(zāi)害風(fēng)險(xiǎn)等級(jí)變化趨勢(shì)Fig.7 Change trend map of flood disaster risk level in various regions of Heilongjiang Province

由圖7可知,黑龍江省2003—2017年洪水災(zāi)害風(fēng)險(xiǎn)水平空間分布規(guī)律呈現(xiàn)為西北部地區(qū)風(fēng)險(xiǎn)水平高于東南部地區(qū)。結(jié)合圖7由北部到南部進(jìn)行分析,北部地區(qū)中風(fēng)險(xiǎn)水平由大到小依次為綏化、伊春、齊齊哈爾、大興安嶺、鶴崗、大慶,其中,大慶地區(qū)整體狀況表現(xiàn)為15年研究期內(nèi)平均風(fēng)險(xiǎn)水平最低,且風(fēng)險(xiǎn)變化趨勢(shì)平穩(wěn),一直處于Ⅱ級(jí),這歸因于大慶地區(qū)多湖泊少河流的水系分布以及油氣資源帶來(lái)的巨大經(jīng)濟(jì)效益,使其在水資源調(diào)配、經(jīng)濟(jì)發(fā)展、戰(zhàn)略資源儲(chǔ)備以及醫(yī)療基建各方面均優(yōu)于其他地區(qū);綏化地區(qū)平均風(fēng)險(xiǎn)水平處于Ⅳ級(jí),屬研究期內(nèi)最高,且在研究期末未出現(xiàn)良性好轉(zhuǎn),與全省各地區(qū)呈現(xiàn)較大差異,該地區(qū)亟待合理的洪水災(zāi)害風(fēng)險(xiǎn)管理與調(diào)控;伊春與黑河地區(qū)雖在2013年后呈現(xiàn)風(fēng)險(xiǎn)降低趨勢(shì),但其長(zhǎng)期變化趨勢(shì)始終在Ⅲ級(jí)到Ⅳ級(jí)間浮動(dòng),仍需觀察未來(lái)風(fēng)險(xiǎn)走勢(shì)來(lái)制定調(diào)控方案;相比以上地區(qū),齊齊哈爾、大興安嶺、鶴崗在早期風(fēng)險(xiǎn)較高但后期風(fēng)險(xiǎn)呈線性降低,預(yù)計(jì)未來(lái)進(jìn)一步減小與其他地區(qū)間風(fēng)險(xiǎn)水平的差距。南部地區(qū)風(fēng)險(xiǎn)水平由大到小依次為雞西、佳木斯、雙鴨山、牡丹江、七臺(tái)河、哈爾濱,其中哈爾濱作為黑龍江省政治、經(jīng)濟(jì)、文化事業(yè)的中心城市,在面對(duì)災(zāi)害時(shí)相比于其他地區(qū)具備更強(qiáng)大的經(jīng)濟(jì)資源、人力資源、醫(yī)療資源與防洪資源,因此抗擊災(zāi)害的能力較強(qiáng);雞西地區(qū)因早期掠奪性的礦產(chǎn)資源開(kāi)發(fā)過(guò)度透支了其經(jīng)濟(jì)發(fā)展?jié)摿?使其在南部地區(qū)中表現(xiàn)為最差的風(fēng)險(xiǎn)水平;佳木斯市下轄黑龍江農(nóng)墾建三江管理局,雙鴨山市下轄黑龍江農(nóng)墾紅興隆管理局,均隸屬中國(guó)北大荒集團(tuán),每年為國(guó)家輸送億噸糧食,洪水災(zāi)害會(huì)對(duì)農(nóng)作物造成毀滅性的威脅甚至帶來(lái)減產(chǎn)、絕收的巨大經(jīng)濟(jì)損失,致使以上兩個(gè)地區(qū)的洪水災(zāi)害風(fēng)險(xiǎn)隨之增大;牡丹江與七臺(tái)河地區(qū)在研究期內(nèi)平均風(fēng)險(xiǎn)等級(jí)處于Ⅲ級(jí)偏上水平,2010年起逐漸向Ⅱ級(jí)轉(zhuǎn)化,洪水風(fēng)險(xiǎn)水平呈良性態(tài)勢(shì)發(fā)展。

3.4 洪水災(zāi)害風(fēng)險(xiǎn)關(guān)鍵驅(qū)動(dòng)因子識(shí)別

為解析洪水災(zāi)害風(fēng)險(xiǎn)時(shí)空演變態(tài)勢(shì)的關(guān)鍵驅(qū)動(dòng)力,確定其在風(fēng)險(xiǎn)時(shí)空演變過(guò)程中的影響程度,借助BOA-SVM模型的指標(biāo)權(quán)重進(jìn)行關(guān)鍵驅(qū)動(dòng)因子識(shí)別,繪制不同驅(qū)動(dòng)因子權(quán)重分配的排序圖,如圖8所示。研究發(fā)現(xiàn)產(chǎn)水模數(shù)、人均GDP、月強(qiáng)降水量、農(nóng)林漁業(yè)總產(chǎn)值占比、人口自然增長(zhǎng)率、每萬(wàn)人擁有衛(wèi)生機(jī)構(gòu)床位數(shù)以及萬(wàn)公頃水庫(kù)總庫(kù)容排在19個(gè)指標(biāo)的前7位,權(quán)重明顯高于其他指標(biāo),可初步認(rèn)定該7項(xiàng)指標(biāo)對(duì)洪水災(zāi)害風(fēng)險(xiǎn)的影響較大。其中,產(chǎn)水模數(shù)作為孕災(zāi)環(huán)境中表征各地區(qū)水資源現(xiàn)狀的重要指標(biāo),從洪水災(zāi)害的成因上來(lái)看其無(wú)疑是影響風(fēng)險(xiǎn)水平的首要決策因子;承災(zāi)體層面的各指標(biāo)區(qū)別于其他研究,將經(jīng)濟(jì)、人文、農(nóng)業(yè)發(fā)展各個(gè)子系統(tǒng)區(qū)分來(lái)看[44],從社會(huì)整體脆弱性出發(fā),更系統(tǒng)地涵蓋了各個(gè)層面指標(biāo);居于前列的人均GDP、農(nóng)林漁業(yè)總產(chǎn)值占比、人口自然增長(zhǎng)率3項(xiàng)指標(biāo)分別代表經(jīng)濟(jì)、農(nóng)業(yè)、人口3個(gè)維度,經(jīng)濟(jì)發(fā)展水平?jīng)Q定了在災(zāi)害爆發(fā)時(shí)區(qū)域抵御風(fēng)險(xiǎn)的能力與抗擊災(zāi)害的設(shè)施水平;農(nóng)林漁業(yè)總產(chǎn)值是農(nóng)業(yè)發(fā)展水平的代表性指標(biāo),作為國(guó)民經(jīng)濟(jì)中的基石產(chǎn)業(yè)決定了在抗擊災(zāi)害中能否提供穩(wěn)固的物質(zhì)基礎(chǔ);正向積極的人口變化代表一個(gè)地區(qū)的人口總體水平,是衡量該地區(qū)受災(zāi)范圍與災(zāi)后重建難易程度的重要指標(biāo);以上充分說(shuō)明社會(huì)整體協(xié)調(diào)發(fā)展對(duì)洪水災(zāi)害的重要作用。月強(qiáng)降水量區(qū)別于年平均降水量更加具有代表性,黑龍江省受到溫帶大陸性季風(fēng)氣候影響,降雨集中出現(xiàn)在每年6、7、8月,月強(qiáng)降水量能夠更加直觀地體現(xiàn)突發(fā)強(qiáng)降水對(duì)洪水災(zāi)害的誘發(fā)作用,降水對(duì)于洪水災(zāi)害的影響固然重大,但相應(yīng)的防洪水利設(shè)施可有效抑制洪水爆發(fā),萬(wàn)公頃水庫(kù)總庫(kù)容代表在區(qū)域的調(diào)配與儲(chǔ)蓄水資源的能力,在洪災(zāi)防范和應(yīng)對(duì)方面起到關(guān)鍵作用。萬(wàn)人擁有衛(wèi)生機(jī)構(gòu)床位數(shù)體現(xiàn)一個(gè)地區(qū)基礎(chǔ)醫(yī)療情況,是洪災(zāi)爆發(fā)后降低人員傷亡的有效指標(biāo)。不同維度驅(qū)動(dòng)因子對(duì)洪水災(zāi)害風(fēng)險(xiǎn)的作用指向不同,產(chǎn)水模數(shù)、月強(qiáng)降水量、農(nóng)林漁業(yè)總產(chǎn)值占比的變化對(duì)洪水災(zāi)害風(fēng)險(xiǎn)演變有促進(jìn)作用,人均GDP、人口自然增長(zhǎng)率、每萬(wàn)人擁有衛(wèi)生機(jī)構(gòu)床位數(shù)、萬(wàn)公頃水庫(kù)總庫(kù)容的變化對(duì)洪水災(zāi)害風(fēng)險(xiǎn)的演變有抑制作用。綜上,可體現(xiàn)上述7項(xiàng)指標(biāo)在洪水災(zāi)害中的顯著作用,即識(shí)別為關(guān)鍵驅(qū)動(dòng)因子。

圖8 驅(qū)動(dòng)因子排序Fig.8 Driver sorting

4 討論

4.1 BOA-SVM模型性能檢驗(yàn)與可靠性分析

為檢驗(yàn)BOA-SVM模型性能,用傳統(tǒng)SVM、ICA-SVM以及BOA-SVM模型分別評(píng)估黑龍江省2003—2017年洪水災(zāi)害風(fēng)險(xiǎn)水平,以平均絕對(duì)誤差(MAE)、均方誤差(MSE)、平均絕對(duì)百分比誤差(MAPE)、決定系數(shù)(R2)以及模型單次運(yùn)行時(shí)間(T,s)5個(gè)性能指標(biāo)對(duì)3種模型進(jìn)行性能檢驗(yàn)對(duì)比分析,除R2外其他性能指標(biāo)數(shù)值越小性能越好。為降低模擬產(chǎn)生的隨機(jī)現(xiàn)象,用以上3種模型分別進(jìn)行50次迭代,求得50次各性能指標(biāo)平均值,繪制模型性能對(duì)比圖,如圖9所示。

圖9 模型對(duì)比雷達(dá)圖Fig.9 Model comparison radar chart

由圖9可知,BOA-SVM模型相較于SVM和ICA-SVM模型表現(xiàn)出更加高速高效的性能,對(duì)比于SVM和ICA-SVM模型,MAE分別降低38.15%和9.18%,MSE分別降低58.5%和21.56%,MAPE分別降低35.23%和11.42%、R2分別增長(zhǎng)0.62%和0.12%,說(shuō)明BOA-SVM在尋優(yōu)速度和評(píng)價(jià)精度上有顯著提高,相較于ICA-SVM模型泛化能力更強(qiáng)。綜上所述,BOA-SVM模型在區(qū)域洪水災(zāi)害風(fēng)險(xiǎn)評(píng)估方面更具備優(yōu)勢(shì)性。

將表2中的洪水災(zāi)害風(fēng)險(xiǎn)評(píng)估指標(biāo)分級(jí)閾值分別代入3個(gè)模型,得到3個(gè)模型的洪水災(zāi)害風(fēng)險(xiǎn)等級(jí)模擬區(qū)間,結(jié)果見(jiàn)表4。

表4 各模型洪水災(zāi)害風(fēng)險(xiǎn)等級(jí)模擬區(qū)間Tab.4 Flood disaster risk level simulation interval of each model

將黑龍江省2003—2017年15年數(shù)據(jù)分別代入BOA-SVM、OICA-SVM以及SVM模型中,得到各個(gè)模型不同模擬區(qū)間下的風(fēng)險(xiǎn)等級(jí)區(qū)劃,繪制3個(gè)模型下黑龍江省洪水災(zāi)害風(fēng)險(xiǎn)評(píng)估結(jié)果對(duì)比圖,如圖10所示。

圖10 黑龍江省洪水災(zāi)害風(fēng)險(xiǎn)評(píng)估結(jié)果對(duì)比Fig.10 Comparison chart of flood disaster risk assessment results in Heilongjiang Province

由圖10可見(jiàn),BOA-SVM模型的年際洪水災(zāi)害風(fēng)險(xiǎn)演變態(tài)勢(shì)與ICA-SVM、SVM模型評(píng)估結(jié)果大體相似。BOA-SVM模型在評(píng)估結(jié)果大體一致的前提下,與其他兩個(gè)模型評(píng)估結(jié)果仍存在部分偏差,僅2009年洪水災(zāi)害風(fēng)險(xiǎn)等級(jí)高于ICA-SVM模型一級(jí),而傳統(tǒng)SVM在2006、2009、2013、2014、2017年與其他兩個(gè)模型模擬等級(jí)結(jié)果均出現(xiàn)偏差。進(jìn)一步證明了BOA-SVM模型評(píng)估結(jié)果的客觀性與可靠性。

4.2 洪水災(zāi)害風(fēng)險(xiǎn)評(píng)估結(jié)果分析

研究期內(nèi),黑龍江省洪水災(zāi)害風(fēng)險(xiǎn)總體呈下降趨勢(shì),經(jīng)對(duì)洪水災(zāi)害風(fēng)險(xiǎn)進(jìn)行驅(qū)動(dòng)機(jī)制解析得出影響其變化的關(guān)鍵驅(qū)動(dòng)因子。觀察各關(guān)鍵驅(qū)動(dòng)因子在研究期內(nèi)變化特征發(fā)現(xiàn),降水是對(duì)洪水災(zāi)害最為直觀的影響因素[45],然而降水的形成受到區(qū)域地理環(huán)境、水文氣象以及季節(jié)變化等多個(gè)因素的影響,使其具有明顯的波動(dòng)變異性和時(shí)空不確定性[46],且在本研究期內(nèi)無(wú)明顯規(guī)律變化特征、年際變化幅度較大、可供參考的規(guī)律與可調(diào)控范圍較小,對(duì)其進(jìn)行直接調(diào)控難以實(shí)現(xiàn);與之相比,人均GDP作為承災(zāi)體層面經(jīng)濟(jì)發(fā)展水平的代表性指標(biāo),在研究期內(nèi)呈現(xiàn)明顯的變化規(guī)律,2017年相比于2003年的增長(zhǎng)率超過(guò)238%,從2009年起呈現(xiàn)爆發(fā)式增長(zhǎng),直至研究期末未出現(xiàn)明顯下跌趨勢(shì),最具破壞性的洪水往往發(fā)生在發(fā)展中國(guó)家,人均GDP決定了一個(gè)國(guó)家可用于防洪的資金數(shù)額[47],白鏡筱[48]在區(qū)域洪澇災(zāi)害風(fēng)險(xiǎn)的研究中,也突出了經(jīng)濟(jì)指標(biāo)對(duì)洪澇災(zāi)害風(fēng)險(xiǎn)的重要作用。由此可見(jiàn),經(jīng)濟(jì)指標(biāo)在黑龍江省洪水災(zāi)害風(fēng)險(xiǎn)變化中起到關(guān)鍵性作用。黑龍江省各地區(qū)產(chǎn)業(yè)結(jié)構(gòu)較為單一且城市間主產(chǎn)業(yè)相似度極高,以農(nóng)業(yè)、森工、礦產(chǎn)、油氣資源型城市為主[49],城市群交互發(fā)展能力弱,在對(duì)各地區(qū)進(jìn)行洪水災(zāi)害風(fēng)險(xiǎn)評(píng)估過(guò)程中,發(fā)現(xiàn)區(qū)域經(jīng)濟(jì)發(fā)展態(tài)勢(shì)的不均衡導(dǎo)致部分地區(qū)的風(fēng)險(xiǎn)等級(jí)較高,因此,有必要對(duì)經(jīng)濟(jì)發(fā)展落后地區(qū)加以扶持、豐富產(chǎn)業(yè)結(jié)構(gòu),重視科技創(chuàng)新與風(fēng)險(xiǎn)水平較低的區(qū)域協(xié)同發(fā)展,為應(yīng)對(duì)洪水災(zāi)害提供堅(jiān)實(shí)的經(jīng)濟(jì)基礎(chǔ)。

5 結(jié)論

(1)研究期內(nèi)洪水災(zāi)害平均風(fēng)險(xiǎn)處于中等偏上水平,2003—2007年為急速下降時(shí)期,2007—2009年為快速提升時(shí)期,2009—2011年為平穩(wěn)下降時(shí)期,2011—2013年為緩慢提升時(shí)期,2013—2017年為穩(wěn)定下降時(shí)期,整體表明洪水風(fēng)險(xiǎn)呈良性發(fā)展態(tài)勢(shì)。

(2)從空間分布演變態(tài)勢(shì)上看,西北部風(fēng)險(xiǎn)水平高于東南部。其中,綏化地區(qū)風(fēng)險(xiǎn)水平最高,未來(lái)防洪減災(zāi)應(yīng)重點(diǎn)關(guān)注此地區(qū);產(chǎn)水模數(shù)、人均GDP、月強(qiáng)降水量、農(nóng)林漁業(yè)總產(chǎn)值占比、人口自然增長(zhǎng)率、每萬(wàn)人擁有衛(wèi)生機(jī)構(gòu)床位數(shù)以及萬(wàn)公頃水庫(kù)總庫(kù)容為影響洪水災(zāi)害風(fēng)險(xiǎn)的關(guān)鍵性驅(qū)動(dòng)力。

(3)在洪水災(zāi)害風(fēng)險(xiǎn)評(píng)估方面,BOA-SVM模型相比SVM以及ICA-SVM模型,在擬合精度、尋優(yōu)速度以及泛化能力上都展現(xiàn)出明顯優(yōu)勢(shì)。