DOI：10.3969/j.issn.10001565.2024.02.012

摘" 要：土地利用分類數(shù)據(jù)的精度對(duì)雨洪風(fēng)險(xiǎn)淹沒模擬研究具有重要影響.土地利用分類中不同地物之間存在復(fù)雜的非線性關(guān)系，為提高土地分類數(shù)據(jù)的精度，本研究引入具有非線性映射能力的BP神經(jīng)網(wǎng)絡(luò)模型，提出了一種基于深度學(xué)習(xí)的遙感影像土地利用分類方法.選取野三坡風(fēng)景名勝區(qū)GF-2遙感影像數(shù)據(jù)，對(duì)該影像進(jìn)行多尺度分割.同時(shí)將能夠反映土地利用信息的光譜數(shù)據(jù)和DEM數(shù)據(jù)、坡度數(shù)據(jù)，作為輸入層神經(jīng)元，將土地利用類型作為輸出層神經(jīng)元，歸一化處理后進(jìn)行迭代訓(xùn)練，構(gòu)建了基于BP神經(jīng)網(wǎng)絡(luò)的土地利用分類模型.該模型的分類總體精度達(dá)到91%，Kappa系數(shù)為0.890 6.基于該模型的識(shí)別結(jié)果，利用水文模型和ArcGIS空間分析工具，模擬并分析野三坡景區(qū)百年一遇的極端降水事件造成的雨洪淹沒區(qū)，并提出應(yīng)對(duì)雨洪災(zāi)害的相關(guān)策略.

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò)；土地利用分類；機(jī)器學(xué)習(xí)；雨洪風(fēng)險(xiǎn)；野三坡風(fēng)景名勝區(qū)

中圖分類號(hào)：TP391""" 文獻(xiàn)標(biāo)志碼：A""" 文章編號(hào)：10001565（2024）02020808

Intelligent classification of land use based on BP neural network and stormwater simulation

JIANG Yanbo1， XU Ningwei2， CHEN Taixi3， QIN Anchen1， HUANG Dazhuang1

（1. College of Landscape Architecture and Tourism， Hebei Agricultural University， Baoding 071001， China； 2. Urban Construction Department， Beijing City University， Beijing 100191， China; 3. Department of Computer Science， Hong Kong Baptist University， Hong Kong" 999077， China）

Abstract：

The accuracy of land use data significantly impacts the simulation study of stormwater risks. Complex nonlinear relationships exist among different land features in land use classification. In order to enhance the accuracy of land classification data， this research introduces the Backpropagation （BP） neural network model with nonlinear mapping capabilities. A remote sensing image land use classification method based on deep learning is proposed. The study utilizes GF-2 remote sensing image data from the Yesanpo Scenic Area to conduct multiscale segmentation on the image. Spectral data reflecting land use information， along with DEM data and slope data， are chosen as input layer neurons， while land use types

收稿日期：20231008；修回日期：20240116

基金項(xiàng)目：河北省文化藝術(shù)科學(xué)規(guī)劃和旅游研究項(xiàng)目（HB22-YB026）；紹興市哲學(xué)社會(huì)科學(xué)研究“十三五”規(guī)劃2019年度重點(diǎn)課題（135408）;河北省住房和城鄉(xiāng)建設(shè)廳科研發(fā)展基金計(jì)劃項(xiàng)目

第一作者：姜艷波（1990—），女，滿族，河北農(nóng)業(yè)大學(xué)在讀博士，主要從事計(jì)算機(jī)在雨洪管控中的應(yīng)用研究.E-mail：jiangyanbo_jyb@126.com

通信作者：秦安臣（1961—），男，河北農(nóng)業(yè)大學(xué)教授，博士生導(dǎo)師，主要從事遙感影像在風(fēng)景區(qū)中的應(yīng)用研究.E-mail：759256768@qq.com

黃大莊（1963—），男，河北農(nóng)業(yè)大學(xué)教授，博士生導(dǎo)師，主要從事生態(tài)旅游規(guī)劃、園林植物應(yīng)用研究.E-mail：huangdazhuang@126.com

serve as output layer neurons. After normalization， an iterative training process is conducted to construct a BP neural network-based land use classification model. The model achieves an overall classification accuracy of 91%， with a Kappa coefficient of 0.8906. Based on the results obtained from this model，

hydrological modeling and ArcGIS spatial analysis tools are employed to simulate and analyze the rain-induced flood-affected areas resulting from a once-in-a-century extreme precipitation event in the Yesanpo Scenic Area. Relevant strategies to mitigate rainfall-induced flooding are also proposed.

Key words： BP neural network; land use classification; machine learning; stormwater risk; yesanpo scenic area

近年來，全球氣候變暖導(dǎo)致極端氣候事件頻繁發(fā)生，生態(tài)環(huán)境脆弱性日益顯著［1］.通常，風(fēng)景名勝區(qū)具有特殊的地形地貌及復(fù)雜的氣候條件，較易發(fā)生洪澇災(zāi)害［2］.由此引發(fā)的山洪、泥石流等自然災(zāi)害給景區(qū)帶來經(jīng)濟(jì)和環(huán)境損害［3］.據(jù)聯(lián)合國(guó)減災(zāi)辦公室（UNDRR）統(tǒng)計(jì)，全球30%的自然災(zāi)害和經(jīng)濟(jì)損失都與雨洪有關(guān)［4］，如2012年7·21暴雨事件造成野三坡風(fēng)景名勝區(qū)大量基礎(chǔ)設(shè)施被毀及30人死亡［5］.2023年7月29日臺(tái)風(fēng)“杜蘇芮”引發(fā)的強(qiáng)降雨導(dǎo)致野三坡景區(qū)全境區(qū)域受災(zāi)，受災(zāi)人口達(dá)73 000人，水土流失面積達(dá)66 646 hm2［6］.由此可見，對(duì)風(fēng)景名勝區(qū)進(jìn)行雨洪災(zāi)害的相關(guān)研究具有重要的現(xiàn)實(shí)意義.

土地利用變化不僅反映了自然生態(tài)系統(tǒng)的持續(xù)變化，而且是了解人類活動(dòng)對(duì)環(huán)境影響的重要指標(biāo).準(zhǔn)確有效的土地利用數(shù)據(jù)在諸多研究領(lǐng)域起著重要的作用，特別是在環(huán)境變化和自然災(zāi)害研究領(lǐng)域.土地利用數(shù)據(jù)是雨洪淹沒模擬的重要數(shù)據(jù)之一.目前通過遙感影像進(jìn)行土地利用分類是獲取土地利用相關(guān)信息最省力、精準(zhǔn)度最高的方法之一［7］.與此同時(shí)隨著機(jī)器學(xué)習(xí)研究的深入，機(jī)器學(xué)習(xí)已經(jīng)成為土地利用分類研究重要的手段.機(jī)器學(xué)習(xí)算法具有從多個(gè)數(shù)據(jù)源提取信息的能力，可運(yùn)用不同的算法對(duì)土地利用類型進(jìn)行識(shí)別，如random forest（RF）、support vector machine（SVM）、convolutional neural network（CNN）等算法，其中RF是一種集成學(xué)習(xí)方法，由多個(gè)決策樹構(gòu)成.婁佩卿等［8］進(jìn)行了基于集成機(jī)器學(xué)習(xí)算法的融凍泥流識(shí)別，并采用RFE特征選擇算法，評(píng)估集中學(xué)習(xí)模型的識(shí)別精度，研究結(jié)果表明RF識(shí)別精度最高.但RF訓(xùn)練需要多個(gè)決策樹，會(huì)過多占用計(jì)算資源，且決策樹過多，會(huì)出現(xiàn)過度擬合的問題.SVM是通過核函數(shù)將輸入空間映射到高維空間，可以很好地處理非線性分類問題.張金盈等［9］采用詞袋模型構(gòu)建語(yǔ)義特征向量，迭代選擇最優(yōu)樣本以訓(xùn)練SVM，用于山東省某市土地利用類型分類，該模型的總體精度達(dá)90.6%.但SVM中核函數(shù)和其他參數(shù)的選擇對(duì)分類結(jié)果影響較大，需通過交叉驗(yàn)證等方法進(jìn)行參數(shù)調(diào)節(jié)優(yōu)化.CNN屬于深度學(xué)習(xí)法，陳磊士等［10］使用CNN對(duì)昆明市主城區(qū)進(jìn)行土地利用分類信息提取，證實(shí)CNN是獲取城市土地利用分類信息可行方法之一.然而，CNN需要大量的標(biāo)簽數(shù)據(jù)以保證其準(zhǔn)確性，而標(biāo)簽制作方法耗時(shí)且較為主觀.有限的標(biāo)簽數(shù)據(jù)限制了深度學(xué)習(xí)模型的應(yīng)用［11］.BP神經(jīng)網(wǎng)絡(luò)具有收斂快、識(shí)別精度高等優(yōu)勢(shì).研究證實(shí)其具有較強(qiáng)的學(xué)習(xí)能力及處理非線性問題的能力［12-13］，能夠自動(dòng)學(xué)習(xí)和提取輸入數(shù)據(jù)的特征信息，有利于處理多光譜或高維遙感影像，可以很好地捕捉到不同地物之間的復(fù)雜關(guān)系.

本研究以野三坡風(fēng)景名勝區(qū)GF-2號(hào)遙感影像作為數(shù)據(jù)源，利用遙感數(shù)據(jù)的光譜信息和DEM數(shù)據(jù)及坡度數(shù)據(jù)，構(gòu)建基于BP神經(jīng)網(wǎng)絡(luò)的土地利用分類模型.將其用于研究區(qū)域土地利用分類識(shí)別，在此基礎(chǔ)上模擬和分析研究區(qū)域百年一遇的極端降雨事件產(chǎn)生的雨洪淹沒區(qū)域，并提出相關(guān)策略以提高野三坡風(fēng)景名勝區(qū)應(yīng)對(duì)雨洪災(zāi)害的能力.

1" 材料和方法

1.1" 研究區(qū)域和數(shù)據(jù)源

野三坡風(fēng)景名勝區(qū)地處河北省保定市淶水縣西北部，與北京房山區(qū)接壤，距北京市中心115 km，位于東經(jīng)115°18′52″至115°30′60″，北緯39°34′51″至39°45′43″.

本研究主要包含如下數(shù)據(jù)：由當(dāng)?shù)貧庀缶痔峁┑难芯繀^(qū)32年（1990—2021年）實(shí)測(cè)日降雨量數(shù)據(jù).由河北省城鄉(xiāng)規(guī)劃設(shè)計(jì)研究院提供的數(shù)字高程模型（DEM）數(shù)據(jù)（空間分辨率：30m*30m）.課題組內(nèi)部購(gòu)買的于2018年4月16日拍攝的野三坡風(fēng)景名勝區(qū)高分2號(hào)（GF-2）四波段（紅、綠、藍(lán)、近紅外）遙感影像數(shù)據(jù)，多光譜分辨率為3.2 m，全色分辨率為0.8 m.對(duì)上述遙感影像數(shù)據(jù)做如下預(yù)處理：首先，通過ArcGIS 10.5、ENVI 5.3將影像圖轉(zhuǎn)換成具有統(tǒng)一地理坐標(biāo)系和投影坐標(biāo)系的數(shù)據(jù).其次，進(jìn)行正射校正、融合處理、幾何校正、鑲嵌和裁剪影像圖等預(yù)處理.同時(shí)利用河北省城鄉(xiāng)規(guī)劃劃設(shè)計(jì)研究院對(duì)現(xiàn)場(chǎng)GPS定位數(shù)據(jù)進(jìn)行糾偏.以百里峽景區(qū)、拒馬河景區(qū)邊界范圍矢量數(shù)據(jù)對(duì)影像進(jìn)行裁剪，得到研究區(qū)影像底圖，如圖1所示.

1.2" 方法

1.2.1" 多尺度分割

多尺度分割是根據(jù)用戶定義的參數(shù)將圖像分割成不同尺度的圖像［14］，目的是更好地捕捉和描述地物的復(fù)雜形狀和結(jié)構(gòu).該方法是土地利用現(xiàn)狀識(shí)別的基礎(chǔ)，分割結(jié)果直接影響最終解譯精度.首先要考慮地物信息的特征，選擇恰當(dāng)?shù)膮?shù)作為分割參數(shù).通過目視結(jié)合實(shí)驗(yàn)分析，確定不同尺度下參數(shù)范圍，并選擇最優(yōu).

1.2.2" BP神經(jīng)網(wǎng)絡(luò)模型

BP神經(jīng)網(wǎng)絡(luò)是按照誤差逆向傳播算法進(jìn)行訓(xùn)練的人工神經(jīng)網(wǎng)絡(luò)［15］.用于監(jiān)督學(xué)習(xí)任務(wù)，屬于多層前饋神經(jīng)網(wǎng)絡(luò)，具有輸入層、隱藏層和輸出層［16］.如圖2所示，每一層機(jī)構(gòu)中均分布著神經(jīng)元，每個(gè)神經(jīng)元都與前一層神經(jīng)元相連接，通過激活函數(shù)進(jìn)行非線性變換.BP神經(jīng)網(wǎng)絡(luò)傳播分為正向傳播和反向傳播2階段［17］.正向傳播將信息從輸入層逐層處理，經(jīng)隱含層計(jì)算后最終輸出.反向傳播在輸出未達(dá)理想值時(shí)，通過逐層計(jì)算實(shí)際與期望輸出差異，調(diào)整連接權(quán)值和閾值.通常，輸入層節(jié)點(diǎn)對(duì)應(yīng)數(shù)據(jù)維度，輸出層節(jié)點(diǎn)對(duì)應(yīng)分類類別.

本研究選取Logistic函數(shù)作為激活函數(shù)，以將輸入信號(hào)轉(zhuǎn)化為神經(jīng)元的輸出.由于該激活函數(shù)中如果輸入神經(jīng)元絕對(duì)值過大易導(dǎo)致神經(jīng)元節(jié)點(diǎn)飽和現(xiàn)象，因此輸入向量要做歸一化處理，將所有數(shù)據(jù)進(jìn)行歸一到［0，1］，公式為

yi=xi-xminxmax-xmin，（1）

式（1）中，xi為處理前的輸入樣本；xmin和xmax為輸入樣本中第i個(gè)節(jié)點(diǎn)的最小值和最大值.yi為標(biāo)準(zhǔn)化后的輸入樣本.

目前還沒有統(tǒng)一的方法確定隱含層神經(jīng)元的數(shù)量，本研究通過經(jīng)驗(yàn)公式和實(shí)驗(yàn)公式確定，其公式為

n=a*b+12*a*（b2+b）-1a+b，（2）

式（2）中，n表示隱藏層中的神經(jīng)元，a表示輸入層中的神經(jīng)元，b表示輸出層中的神經(jīng)元.

1.2.3" Pearson-Ⅲ型頻率曲線

Pearson-Ⅲ 型頻率曲線常用來擬合年、月的最大風(fēng)速和最大日降雨量等極值分布［18］，其密度函數(shù)為

f（x）=βαΓ（α）（x-a0）α-1 e-β（x-a0），（3）

其中，Γ（α）為α的伽馬函數(shù)，α為頻率密度函數(shù)形狀參數(shù)，β為尺度參數(shù)，a0為位置參數(shù)，3個(gè)參數(shù)通過計(jì)算可得到

α=4C2s；β=2XCvCs；a0=X1-2CvCs，（4）

其中，X為樣本均值，Cs為偏態(tài)系數(shù)，CV為變差系數(shù)，頻率密度函數(shù)最終由X、Cs、Cv確定.3個(gè)系數(shù)由距法可得到

X=1n∑ni=1Xi；Cv=1X∑ni=1（Xi-X）2n-1；Cs=∑ni=1（Xi-x）3（n-3）C3v，（5）

其中的經(jīng)驗(yàn)頻率計(jì)算公式為

P=mn+1*100% （m=1，2，…，n，n為降雨事件總次數(shù)）.（6）

由上述公式可知，分布函數(shù)P與xp的函數(shù)關(guān)系由X、Cv、Cs 3個(gè)參數(shù)所決定，由公式（5）計(jì)算樣本均值X及變差系數(shù)Cv，結(jié)合經(jīng)驗(yàn)法計(jì)算偏態(tài)系數(shù)Cs，Cs=αCv.使用配線法［19-20］進(jìn)行優(yōu)選參數(shù)，通過擬合經(jīng)驗(yàn)頻率點(diǎn)最終得到P-Ⅲ型理論頻率曲線.

1.2.4" SCS-CN模型

SCS-CN模型最初是作為一個(gè)集總模型開發(fā)的［21］.特別是在水文數(shù)據(jù)不足的情況下，SCS-CN模型具有明顯的優(yōu)勢(shì)［22］.SCS-CN模型可用于計(jì)算流域網(wǎng)格單元內(nèi)的地表徑流量

Q=（P-0.2S）2P+0.8S" P≥0.2S

Q=0""""""" Plt;0.2S" ，（7）

S=25 400CN-254，（8）

式（7）、（8）中，P為降雨事件的降雨總量（mm），S為潛在最大入滲量.通過土地利用分布的柵格數(shù)據(jù)結(jié)合土壤類型分布的柵格數(shù)據(jù)可確定CN值.

2" 結(jié)果與分析

2.1" 基于BP神經(jīng)網(wǎng)絡(luò)的土地利用分類識(shí)別方法

2.1.1" 多尺度分割

本研究使用eCognition 8.9軟件的多尺度分割法對(duì)野三坡風(fēng)景名勝區(qū)GF-2遙感影像進(jìn)行影像分割.通過對(duì)50/100/200不同分割尺度進(jìn)行評(píng)估對(duì)比，分割尺度50時(shí)存在分割細(xì)碎的現(xiàn)象，而分割尺度為200時(shí)存在分割邊界混淆的現(xiàn)象.分割尺度為100時(shí)地類邊界清晰，較為準(zhǔn)確，因此確定最佳分割尺度為100.同時(shí)通過目視解譯與對(duì)比確定形狀和緊湊度分別為shape=0.1，compct=0.5.

2.1.2" 網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)

本文選擇單隱藏層網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行模型訓(xùn)練，并在隱藏層使用S型激活函數(shù)，在輸出層使用線性激活函數(shù)，以此保證非線性函數(shù)的精度.

1）預(yù)處理

通過DEM分析，研究區(qū)域的高程為199～1 303 m，坡度為0～70.35°，地貌類型為平原及河谷、丘陵、山地3種.高程小于30 m為平原及河谷，土地利用類型主要有建設(shè)用地、水域、耕地、交通用地、草地.30～200 m為丘陵，土地利用類型主要有耕地、草地、未利用地，其中耕地、草地主要分布在坡度小于25°緩坡.大于200 m為山地，主要為林地.由于陰影影響，部分林地在光譜特征上與草地易混淆，可通過DEM、坡度數(shù)據(jù)進(jìn)行區(qū)別.將DEM及坡度數(shù)據(jù)量化后，納入網(wǎng)絡(luò)訓(xùn)練分類中，即在一定程度上在增加2個(gè) “波段”.由于光譜數(shù)據(jù) DEM 數(shù)據(jù)及坡度數(shù)據(jù)具有不同量化單位，同時(shí)為了加快網(wǎng)絡(luò)收斂，需要對(duì)各類輸入數(shù)據(jù)進(jìn)行歸一化處理，處理后的數(shù)據(jù)取值位于0～1區(qū)間.

2）神經(jīng)元數(shù)量

通過預(yù)處理的數(shù)據(jù)，選擇R、G、B、NIR 4種光譜數(shù)據(jù).同時(shí)增加DEM及坡度數(shù)據(jù)作為新增的“波段”數(shù)據(jù)，因此，輸入層神經(jīng)元數(shù)量為6.輸出層神經(jīng)元為土地利用類型.研究區(qū)域土地利用類型分為7類，分別為： L1水域、L2草地、L3建設(shè)用地、L4耕地、L5林地、L6交通道路、L7裸土，其中商業(yè)用地、居住用地在光譜特征上差異并不大，均歸為建設(shè)用地，因此輸出層神經(jīng)元數(shù)量設(shè)為7.隱藏層神經(jīng)元數(shù)量的確定，沒有統(tǒng)一的方法，在實(shí)際應(yīng)用過程中主要通過經(jīng)驗(yàn)公式結(jié)合參數(shù)的不同測(cè)試綜合選擇，本研究的隱藏層神經(jīng)元數(shù)量設(shè)定為8.

3）網(wǎng)絡(luò)訓(xùn)練分類

選取有確定類別的樣本作為訓(xùn)練樣本，并以該樣本值作為網(wǎng)絡(luò)的輸入.同時(shí)設(shè)定樣本類別的期望輸出，以此建立神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)模式.為了建立理想的模型，該研究中的訓(xùn)練樣本從研究區(qū)域的影像底圖中選出，共計(jì)7類，每類30個(gè)，共計(jì)210個(gè)樣本.在進(jìn)行分類前使用ENVI 5.3中的Compute Roi Separability 計(jì)算訓(xùn)練樣本分離度.各類樣本之間的可分離度均大于1.9，分離度較好，鑒定為合格的樣本.對(duì)模型進(jìn)行反復(fù)訓(xùn)練，當(dāng)學(xué)習(xí)速率達(dá)到0.05、最大循環(huán)次數(shù)為1 000次時(shí)，達(dá)到目標(biāo)方差，訓(xùn)練結(jié)束.將研究區(qū)域分類影像輸入到訓(xùn)練合格后的BP網(wǎng)絡(luò)中進(jìn)行正向傳遞，獲得其中所有像元的網(wǎng)絡(luò)輸出值，實(shí)現(xiàn)土地利用類型分類.將不同的土地利用類型使用不同的顏色進(jìn)行表示，成果如圖3所示.

2.1.3" 分類精度驗(yàn)證

為確保解譯結(jié)果分類的精度，從遙感影像選擇600個(gè)樣本作為測(cè)試樣本數(shù)據(jù)集，以驗(yàn)證該方法分類精度，如表1所示，獲得該方法總精度為91%，kappa系數(shù)為0.890 6.

2.2" 雨洪風(fēng)險(xiǎn)模擬與分析

《室外排水設(shè)計(jì)規(guī)范標(biāo)準(zhǔn)》中將場(chǎng)地所處內(nèi)澇設(shè)計(jì)重現(xiàn)期為100年［23］.本文基于野三坡風(fēng)景名勝區(qū)百年一遇內(nèi)澇設(shè)計(jì)重現(xiàn)期，即1%降雨頻率的雨洪設(shè)計(jì)重現(xiàn)期，模擬研究區(qū)雨洪淹沒風(fēng)險(xiǎn)區(qū).通過將經(jīng)驗(yàn)頻率點(diǎn)與P- Ⅲ型理論頻率曲線擬合，理論頻率曲線的確定系數(shù)為0.964 2，擬合效果較好.由此得到野三坡景區(qū)1%降雨頻率的設(shè)計(jì)降雨量為228.8 mm.

根據(jù)河北省城鄉(xiāng)規(guī)劃設(shè)計(jì)研究院對(duì)野山坡風(fēng)景名勝區(qū)的土壤檢測(cè)，該區(qū)域棕壤土分布較為廣泛，同時(shí)參考《美國(guó)國(guó)家灌溉工程手冊(cè)》［24］，得到研究區(qū)域CN值如下：交通用地98，建設(shè)用地85，草地61，林地55，耕地78，未利用地86，水域100.借助ArcGIS空間分析工具，根據(jù)填洼后的DEM數(shù)據(jù)得到研究區(qū)徑流的流向、流量及河網(wǎng)分析，在此基礎(chǔ)上對(duì)流域進(jìn)行重分類，將其劃分為12個(gè)子流域.利用SCS-CN模型，由1%降雨頻率對(duì)應(yīng)的日最大設(shè)計(jì)降雨量，分別計(jì)算12個(gè)子流域的產(chǎn)流量Q及徑流量V，詳見表2.

利用ArcGIS對(duì)上述徑流量產(chǎn)生的淹沒區(qū)進(jìn)行空間定位，得到雨洪風(fēng)險(xiǎn)分布圖，如圖4所示.在此基礎(chǔ)上統(tǒng)計(jì)得出研究區(qū)域12個(gè)匯水分區(qū)不同土地利用類型的淹沒面積，如表3所示.

通過對(duì)表2和表3進(jìn)行綜合分析發(fā)現(xiàn)，研究區(qū)域不同土地利用類型在百年一遇的雨洪災(zāi)害中發(fā)生的淹沒程度存在顯著差異.其中，未利用地發(fā)生的淹沒最為嚴(yán)重，淹沒面積為438 836.86 m2，占該土地利用類型總面積的21.73%.建設(shè)用地、交通用地和耕地淹沒面積分別為855 381.05、179 458.34、898 773.2 m2，淹沒比例分別為17.54%、13.20%和10.19%.水域淹沒面積為128 669.47 m2，占該土地利用類型總面積的5.54%.草地和林地的淹沒程度相對(duì)較低，分別為1.28%和0.44%，顯示出對(duì)雨洪災(zāi)害的良好抵御能力.由圖4a可知，草地淹沒區(qū)域主要集中在茍各莊村東南部、劉家河村西北部及上莊子村西南部.由圖4b可知，淹沒區(qū)主要集中在流域1、2、3和7.耕地淹沒區(qū)域主要分布在茍各莊村、松口村、紫石口村、上莊子村、四背裕村和南峪村附近.建設(shè)用地淹沒區(qū)域主要分布在紫石口村、上莊村河段兩側(cè)、三坡鎮(zhèn)及北流子村、套港村等.

未利用地發(fā)生淹沒可能引發(fā)水土流失、泥石流等問題.針對(duì)該種土地利用類型應(yīng)采取有效措施，如植被覆蓋、梯田建設(shè)等，以提高應(yīng)對(duì)雨洪災(zāi)害的能力.建設(shè)用地、交通用地發(fā)生雨洪災(zāi)害會(huì)對(duì)當(dāng)?shù)禺a(chǎn)生較為嚴(yán)重的社會(huì)經(jīng)濟(jì)損失.因此在風(fēng)景區(qū)規(guī)劃和開發(fā)過程中，應(yīng)適度有序布局旅游及配套設(shè)施.同時(shí)加強(qiáng)上述土地利用類型的防洪能力，如采用雨水花園、透水鋪裝等綠色雨水設(shè)施，以降低暴雨災(zāi)害的影響.為降低耕地的淹沒程度，應(yīng)確保其良好的排水能力，避免強(qiáng)降雨時(shí)積流.同時(shí)采取水土保持措施，以減少水土流失和土壤侵蝕.水體在防洪減災(zāi)中扮演重要角色，應(yīng)加強(qiáng)水系的恢復(fù)和保護(hù)，以提高水體的吸收能力和減緩洪水的沖擊.

3" 結(jié)論與討論

將BP神經(jīng)網(wǎng)絡(luò)模型用于野三坡風(fēng)景名勝區(qū)GF-2遙感影像的土地利用分類識(shí)別，并以此為基礎(chǔ)模擬研究區(qū)域百年一遇極端降雨事件產(chǎn)生的雨洪淹沒區(qū)，為野三坡風(fēng)景名勝區(qū)雨洪風(fēng)險(xiǎn)管理提供參考，主要結(jié)論如下：

對(duì)野三坡風(fēng)景名勝區(qū)GF-2遙感影像進(jìn)行多尺度分割，將由GIS得到的地理輔助數(shù)據(jù)以波段形式參與BP網(wǎng)絡(luò)模型的訓(xùn)練，基于BP神經(jīng)網(wǎng)絡(luò)模型搭建土地利用分類識(shí)別模型，該模型的總體精度達(dá)91%，kappa系數(shù)為0.890 6，表明其能較好地確保研究區(qū)域土地利用分類的精度，為科學(xué)準(zhǔn)確地進(jìn)行雨洪淹沒模擬奠定基礎(chǔ).

利用P-Ⅲ型頻率曲線得到研究區(qū)域1%降雨頻率對(duì)應(yīng)的設(shè)計(jì)降雨量為228.8 mm.利用ArcGIS和SCS模型模擬了該設(shè)計(jì)降雨產(chǎn)生的淹沒區(qū).淹沒區(qū)主要集中在沿拒馬河分布的村鎮(zhèn)，涵蓋上莊村、套港村和北流子村等村莊，淹沒區(qū)面積達(dá)3 991 215 m2，產(chǎn)生的徑流量為528 857.90 m3，淹沒情況最嚴(yán)重的土地類型為裸土，裸土淹沒面積占未發(fā)生雨洪淹沒前占比21.73%，其次為建設(shè)用地、交通用地及耕地，占比分別為17.54%、13.20%、10.19%，影響最小的為草地及林地，占比分別為1.28%、0.44%.同時(shí)針對(duì)上述模擬和分析結(jié)果提出降低研究區(qū)域雨洪風(fēng)險(xiǎn)的相應(yīng)策略.

在后續(xù)土地利用分類識(shí)別的研究中，訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)模型應(yīng)增加更多的地物信息特征，以便提高識(shí)別精度.在隨后的土地利用分類研究中，訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)模型應(yīng)包含更廣泛的土地覆蓋特征，以提高識(shí)別精度.此外，Pearson Ⅲ型頻率曲線合理預(yù)測(cè)的設(shè)計(jì)降雨量數(shù)據(jù)與實(shí)測(cè)降雨量數(shù)據(jù)之間可能存在一定偏差.未來，當(dāng)野三坡景區(qū)的實(shí)測(cè)降雨數(shù)據(jù)更加完整時(shí)，可以在該地區(qū)進(jìn)行進(jìn)一步的實(shí)證研究.

參" 考" 文" 獻(xiàn)：

［1］" "范峻愷，徐建剛.基于神經(jīng)網(wǎng)絡(luò)綜合建模的區(qū)域城市群發(fā)展脆弱性評(píng)價(jià)——以滇中城市群為例［J］.自然資源學(xué)報(bào)，2020，35（12）：2875-2887. DOI： 10.31497/zrzyxb.20201205.

［2］" "COUMOU D. A decade of weather extremes［J］. Nature Climate Change， 2012， 2（7）： 491-496.

［3］" "涂勇，吳澤斌，何秉順.2011—2019年全國(guó)山洪災(zāi)害事件特征分析［J］.中國(guó)防汛抗旱，2020，30（Z1）：22-25. DOI：10.16867/j.issn.1673-9264.2020239.

［4］" "KUANG D， LIAO K H. Learning from Floods： Linking flood experience and flood resilience［J］. Journal of Environmental Management， 2020， 271：111025.DOI：10.1016/j.jenvman.2020.111025.

［5］" "劉洪生.河北省改革開放40年大事記［M］.石家莊：河北人民出版社.2018

［6］" "霍小光，張曉松，齊中熙，等. 眾志成城 同舟共濟(jì)［N］. 人民日?qǐng)?bào)，2023-08-07. DOI：10.28655/n.cnki.nrmrb.2023.008007.

［7］" 武丹，孔輝.基于機(jī)器學(xué)習(xí)的多特征融合高分辨率遙感影像土地利用分類研究［J］.測(cè)繪科學(xué)技術(shù)，2022，10（2）：43-50.DOI：10.12677/gst.2022.102005.

［8］" 婁佩卿，吳通華，陳杰，等.基于高分遙感影像和集成機(jī)器學(xué)習(xí)的祁連山區(qū)融凍泥流識(shí)別研究［J］.冰川凍土，2023，45（2）：786-797.DOI：10.7522/j.issn.1000-0240.2023.0060.

［9］" "張金盈，姚光虎，林琳，等.結(jié)合主動(dòng)學(xué)習(xí)和詞袋模型的高分二號(hào)遙感影像自動(dòng)化分類［J］.測(cè)繪通報(bào)，2019（2）：103-107.

［10］" "陳磊士，趙俊三，李易，等.基于機(jī)器學(xué)習(xí)的多源遙感影像融合土地利用分類研究［J］.西南師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2018，43（10）：103-111. DOI：10.13718/j.cnki.xsxb.2018.10.018.

［11］" "HUANG L， LUO J， LIN Z J，F(xiàn)ujun Niu， Lin Liu et al. Using deep learning to map retrogressive thaw slumps in the Beiluhe region （Tibetan Plateau） from CubeSat images ［J］. Remote Sensing of Environment， 2020， 237： 111534.DOI：10.1016/j.rse.2019.111534.

［12］" "DAWSON C W， WILBY R.An artificial neural network approach to rainfall-runoff modelling［J］.Hydrological sciences journal， 1998.43（1）：47-66. DOI：10.1080/02626669809492102.

［13］" 王華英，孫海軍，張雷，等.基于神經(jīng)網(wǎng)絡(luò)的磁場(chǎng)定位技術(shù)［J］.河北大學(xué)學(xué)報(bào)（自然科學(xué)版），2022，42（6）：657-664.DOI：10.3969/j.issn.1000-1565.2022.06.014.

［14］" "LI G B， YU Y Z. Visual saliency based on multiscale deep features［C］//Proceedings of the IEEE conference on computer vision and pattern recognition. 2015： 5455-5463.

［15］" 柳葉，張青峰，李光錄.基于BP神經(jīng)網(wǎng)絡(luò)的遙感影像分類研究［J］.測(cè)繪科學(xué)，2012，37（6）：140-143. DOI：10.16251/j.cnki.1009-2307.2012.06.012.

［16］" "劉照.基于PCA-BP神經(jīng)網(wǎng)絡(luò)的高校畢業(yè)生失業(yè)率預(yù)測(cè)模型實(shí)證研究［J］.河北大學(xué)學(xué)報(bào)（自然科學(xué)版），2018，38（1）：99-104. DOI：10.3969/j.issn.1000-1565.2018.01.015.

［17］" 范迎迎，錢育蓉，楊柳，等.基于BP神經(jīng)網(wǎng)絡(luò)的遙感影像棉花識(shí)別方法［J］.計(jì)算機(jī)工程與設(shè)計(jì)，2017，38（05）：1356-1360.DOI：10.16208/j.issn1000-7024.2017.05.044.

［18］" "楊娟.用Pearson-Ⅲ型概率分布推算貴陽(yáng)降水量的重現(xiàn)期［J］.貴州氣象， 2015， 39（4）： 8-11.

［19］" 閆鵬飛，孫靜濤，馮曉寧.基于excel的水文頻率曲線繪制方法［J］.黑龍江交通科技，2013，36（11）：111-112. DOI：2/j.cnki.issn1008-3383.2013.11.003.

［20］" "李洪良.農(nóng)田污水灌溉的風(fēng)險(xiǎn)分析研究［D］.南京：河海大學(xué)，2007.

［21］" "許彥，潘文斌.基于ArcView的SCS模型在流域徑流計(jì)算中的應(yīng)用［J］.水土保持研究， 2006， 13（4）：5.

［22］" 焦勝，韓靜艷，周敏，等.基于雨洪安全格局的城市低影響開發(fā)模式研究［J］.地理研究，2018，37（9）：1704-1713. DOI： 10.11821/dlyj201809004.

［23］" "王增長(zhǎng).建筑給水排水工程［M］.5版.北京：中國(guó)建筑工業(yè)出版社，2005.

（責(zé)任編輯：孟素蘭）