近日,我院黄金良教授课题组在国际期刊Journal of Hydrology上在线发表了题为“Hybrid approach for flood susceptibility assessment in a flood-prone mountainous catchment in China”的研究论文。研究提出了一种耦合机理模型(HEC-HMS/RAS与HAND)和机器学习(Random Forest,RF)算法的混合模型方法,以模拟评估流域洪涝致灾因子。
研究背景
根据2020年联合国水资源发展报告,从2001年至2019年,约有74%的自然灾害与水灾害相关,洪水灾害作为自然界演化过程的一部分,要完全防止其发生几乎是不可能的。而随着现代科技手段的不断进步,尤其是环境大数据普及与机器学习等方法的出现,为准确、快速地模拟与预测洪水灾害,并对其致灾因素进行深度挖掘与分析提供了强有力的技术支持。
论文结果
研究区域在洪水多发的九龙江流域上游龙岩市新罗区子流域。本研究提出的混合模型弥补了之前相关研究中用于机器学习算法所需的训练样本数据不足的问题。研究根据2010年-2019年间的8场典型成灾降水事件,完成了水文模型HEC-HMS的率定与验证工作,并进一步结合HEC-RAS模型与HAND模型完成了洪水淹没面的构建,并在此结果上对淹没区域和非淹没区域进行等比随机采样(总共1,000个样本点,迭代10,000次)作为RF模型的训练数据样本集,以实现对洪水致灾因素全面和深入的分析。
研究结果表明,HEC-HMS模型的率定期与验证期的相对误差分别小于15%和20%,洪峰相对误差均小于1小时。树木数量是RF模型中最为关键的超参数之一,研究显示当树木数量为200棵时,RF模型开始收敛,此时模型在训练期和验证期的总体模拟精度稳定在0.99与0.89。对洪水致灾因素的量化分析表明地形(geographical)与水文地相(hydro-morphological)因素对洪水形成的平均贡献率最高,分别达到了27.8%和27.6%,而下垫面(land cover)和气象(meteorological)因素的平均贡献率分别为24.3%和20.3%。
研究区域
(左) 基于HEC-RAS和HAND模型的洪水淹没范围(右) 基于RF模型的洪水淹没范围
(左) RF模型与HEC-RAS/HAND模型的结果对比(右) RF模型的ROC曲线评估结果
洪水致灾因子的重要度和贡献率
研究团队
论文第一作者为beat365官方网站已毕业博士生方磊,现为西安建筑科技大学助理教授,近两年来研究成果还刊发在国际主流刊物Sustainable Cities and Society上;亚洲理工学院的Vilas教授也参与该研究,论文通讯作者为黄金良教授。该研究得到了国家自然科学基金中泰国际合作项目资助。
文、图 | 方磊
责任编辑 | 黄金良