基于机器学习算法模型的巫山县洪水灾害研究
发布时间：2021-01-20 12:15
利用机器学习算法RF模型、K-means模型与ARMA模型,对巫山县范围内12 369条径流河段进行分类预测,研究水文参数在时间序列上的变化规律,探究降雨-径流演变规律;并结合GIS空间可视化技术,综合研究区地理环境,基于RF模型预测洪水致灾范围,分析洪水灾害预测结果的空间特征。结果表明:①RF模型能有效预测降雨-径流演变过程中参数的重要性,当降雨强度为125 mm、150～175 mm时,预测出水位、流速变化率最大;降雨强度为100～175 mm时,预测出流速变化率最为剧烈;②利用ARMA模型预测出河流比降、流量等水文参数回归性最好,较低等级河流所预测参数中,水位、流速变化率最为明显,流量无明显变化。相较于水位变化率,流速变化更为强烈,流速、水位变化率主要集中于等级较高河流;③机器学习算法能有效预测研究区洪水易发程度,在表征研究区水文参数时,水位变化主要集中于西北部、中南部,东北部与中南部水位变化率显著,预测出部分地区水位可升至20 m,处极危险状态。
【文章来源】：中山大学学报(自然科学版). 2020,59(01)北大核心
【文章页数】：9 页
【部分图文】：
巫山县模型预测结果对比验证图
图1 巫山县模型预测结果对比验证图预测结果中,土壤类型指标重要性最高,其中黄棕壤平均预测值达8 835,效应值2 083,影响最为强,而水稻土与黄壤平均预测值为7 521,效应值为1 368,影响力次之。而土壤类型在河流、潮土、石灰岩、紫色土、裸岩平均预测值为6 581,效应值为-170,影响力较低;土地利用类型中城乡、工矿、居民用地、未利用地、耕地平均预测为6 751,效应值为558,林地、水域、草地平均预测值5 865,效应值为-327,可见林地、草地保水能力较强,对其水流阻碍能力也强,其预测值低于其他类型用地;当河流比降> 0.002时,平均预测值达8 134,效应值为612。而当河道比降≤0.001时,平均预测值为5 539,效应值为-1 438。可见,河流比降预测重要性虽强,但效应值却很低;而分类预测结果中,25、125和200 mm流速预测结果最为精确,统计结果详见表2。
从图3可以得出,在不同降雨强度情况下,水位变化率最小,而流速变化率最为明显。由此可见,水位变化更易引发洪水灾害,而流速变化,主要表现为构筑物的冲击效应。由于洪水灾害制灾因素在时间序列上存在变动情况,不同时间降雨量不同,导致水文参数变动情况不同。通过ARMA模型模拟水文参数在时间序列上的变化。根据水文参数在空间上排序为时间预测目标值,再以不同降雨强度下水文参数量化指标为回归预测值,并对回归残差值进行处理,最终模拟出水文参数指标在时间序列上的回归预测模型(图4)。
【参考文献】：
期刊论文
[1]遥感大数据时代与智能信息提取[J]. 张兵. 武汉大学学报(信息科学版). 2018(12)
[2]近50 a澴河上游汛期降雨径流多尺度时空演变[J]. 孙周亮,刘冀,谈新,董晓华,舒章康. 长江流域资源与环境. 2018(06)
[3]基于HEC-RAS模型的汉江上游东汉时期古洪水事件研究[J]. 王光朋,查小春,黄春长,庞奖励,张国芳. 中山大学学报(自然科学版). 2018(03)
[4]基于特征优选的随机森林模型的黄河口滨海湿地信息提取研究[J]. 刘家福,李林峰,任春颖,毛德华,张柏. 湿地科学. 2018(02)
[5]长江中下游流域旱涝急转事件特征分析及其与ENSO的关系[J]. 闪丽洁,张利平,张艳军,佘敦先,夏军. 地理学报. 2018(01)
[6]“阶跃式”滑坡位移预测及阈值分析的ARMA-（LASSO-ELM）-Copula模型[J]. 李骅锦,许强,何雨森,朱星. 岩石力学与工程学报. 2017(S2)
[7]低频气候变化引起的珠江流域年均和洪峰流量变化特征及灵敏度分析[J]. 顾西辉,张强,孔冬冬,肖名忠. 中山大学学报(自然科学版). 2017(01)
[8]汉江上游汉中市洪水灾害风险评价研究[J]. 张国芳,查小春,石晓静,刘嘉慧,姬霖,王光朋. 中山大学学报(自然科学版). 2016(06)
[9]基于贝叶斯模式平均与标准化异常度的东江汛期降水预报[J]. 吴裕珍,冯志州,王大刚. 中山大学学报(自然科学版). 2016(06)
[10]CFSR气象数据在流域水文模拟中的适用性评价——以灞河流域为例[J]. 胡胜,曹明明,邱海军,宋进喜,吴江,高宇,李京忠,孙克红. 地理学报. 2016(09)
本文编号：2989026
【文章来源】：中山大学学报(自然科学版). 2020,59(01)北大核心
【文章页数】：9 页
【部分图文】：
巫山县模型预测结果对比验证图
图1 巫山县模型预测结果对比验证图预测结果中,土壤类型指标重要性最高,其中黄棕壤平均预测值达8 835,效应值2 083,影响最为强,而水稻土与黄壤平均预测值为7 521,效应值为1 368,影响力次之。而土壤类型在河流、潮土、石灰岩、紫色土、裸岩平均预测值为6 581,效应值为-170,影响力较低;土地利用类型中城乡、工矿、居民用地、未利用地、耕地平均预测为6 751,效应值为558,林地、水域、草地平均预测值5 865,效应值为-327,可见林地、草地保水能力较强,对其水流阻碍能力也强,其预测值低于其他类型用地;当河流比降> 0.002时,平均预测值达8 134,效应值为612。而当河道比降≤0.001时,平均预测值为5 539,效应值为-1 438。可见,河流比降预测重要性虽强,但效应值却很低;而分类预测结果中,25、125和200 mm流速预测结果最为精确,统计结果详见表2。
从图3可以得出,在不同降雨强度情况下,水位变化率最小,而流速变化率最为明显。由此可见,水位变化更易引发洪水灾害,而流速变化,主要表现为构筑物的冲击效应。由于洪水灾害制灾因素在时间序列上存在变动情况,不同时间降雨量不同,导致水文参数变动情况不同。通过ARMA模型模拟水文参数在时间序列上的变化。根据水文参数在空间上排序为时间预测目标值,再以不同降雨强度下水文参数量化指标为回归预测值,并对回归残差值进行处理,最终模拟出水文参数指标在时间序列上的回归预测模型(图4)。
【参考文献】：
期刊论文
[1]遥感大数据时代与智能信息提取[J]. 张兵. 武汉大学学报(信息科学版). 2018(12)
[2]近50 a澴河上游汛期降雨径流多尺度时空演变[J]. 孙周亮,刘冀,谈新,董晓华,舒章康. 长江流域资源与环境. 2018(06)
[3]基于HEC-RAS模型的汉江上游东汉时期古洪水事件研究[J]. 王光朋,查小春,黄春长,庞奖励,张国芳. 中山大学学报(自然科学版). 2018(03)
[4]基于特征优选的随机森林模型的黄河口滨海湿地信息提取研究[J]. 刘家福,李林峰,任春颖,毛德华,张柏. 湿地科学. 2018(02)
[5]长江中下游流域旱涝急转事件特征分析及其与ENSO的关系[J]. 闪丽洁,张利平,张艳军,佘敦先,夏军. 地理学报. 2018(01)
[6]“阶跃式”滑坡位移预测及阈值分析的ARMA-（LASSO-ELM）-Copula模型[J]. 李骅锦,许强,何雨森,朱星. 岩石力学与工程学报. 2017(S2)
[7]低频气候变化引起的珠江流域年均和洪峰流量变化特征及灵敏度分析[J]. 顾西辉,张强,孔冬冬,肖名忠. 中山大学学报(自然科学版). 2017(01)
[8]汉江上游汉中市洪水灾害风险评价研究[J]. 张国芳,查小春,石晓静,刘嘉慧,姬霖,王光朋. 中山大学学报(自然科学版). 2016(06)
[9]基于贝叶斯模式平均与标准化异常度的东江汛期降水预报[J]. 吴裕珍,冯志州,王大刚. 中山大学学报(自然科学版). 2016(06)
[10]CFSR气象数据在流域水文模拟中的适用性评价——以灞河流域为例[J]. 胡胜,曹明明,邱海军,宋进喜,吴江,高宇,李京忠,孙克红. 地理学报. 2016(09)
本文编号：2989026
本文链接：https://www.wllwen.com/kejilunwen/shuiwenshuili/2989026.html
