基于GIS和神经网络的松花江洪水淹没范围动态模拟

张 慧,雷国平,赵映慧

(东北农业大学 资源与环境学院,哈尔滨 150030)

1 研究现状及研究区概况

计算洪水淹没区范围所造成的灾害损失一直是灾害评估研究中的一个热点问题,如何快速准确地预测洪水淹没范围就越显突出。

有关洪水淹没这一课题自六七十年代起,由于各地区水系构成情况不尽相同,各地区的自然地形地貌等均有所不同,差异很大,目前尚没有综合预测洪水淹没区的方法。较为通用的方法是采用体积法,水流动态模型,种子蔓延分析法等。在个别地区也有采用利用极值理论计算平均淹没水深、实地调查估值法等。

在国外有关洪水淹没范围的分析研究,多是伴随着洪灾保险进行的[1-7]。为了洪水保险的需要,在蓄滞洪区进行洪灾风险区域的划分,进而确定保险额度等。N.I.Fox和C.GCollier等(N.I. Fox&C.GCollier'2000)进行了中尺度流域的洪水风险性的评估研究。他们在特定流域内,7 d暴雨情况下,研究了一套评估洪水发生可能性的方法。基于1 km分辨率卫星影像获取的地表物理特性,并基于遥感与地理信息系统的洪灾风险区划研究且开发了一套系统,此系统被验证在英格兰西北的Irwell河,由于暴雨产生洪水这一事件具有很大的偶然性,所以要进行长时间的跟踪,来评估可靠性[8]。

随着GIS技术的日趋成熟,许多学者将GIS空间分析技术与水文分析模型相结合,开始了一个新的研究领域。不过,不同的学者研究洪水淹没的角度不同,侧重点也不同。有的学者从矢量数据出发,分析地表径流;有的则从栅格数据出发,通过模拟三维地形,分析地貌关系来进行洪水淹没的计算和预测。总的思路都是将淹没分析分为有源淹没分析与无源淹没分析两种[9]。近几年来,我国在洪水淹没分析领域,又相继提出了基于人工神经网络的洪水水位预报模型,孙海、王乘等人提出的利用DEM的环形洪水淹没算法建立空间信息网模型,来实现洪水淹没范围的动态分析监控[10]。

松花江哈尔滨段位于 E125°42′～E130°10′、N44°04′～N46°40′,全年平均降水量569.1 mm,夏季占全年降水量的60%。哈尔滨市区主要分布在松花江形成的三级阶地上,是一个水灾隐患较高的城市,在全球气候变化的大背景下,松花江洪水发生的频次也存在较大的不确定性,因此建立洪水淹没范围计算模型,根据降水量对洪涝淹没范围、水深及淹没区土地利用现状做出客观、准确的预测,及时、准确地向政府部门提供洪水预警预报,对于防灾减灾具有重要意义。

2 研究方法

洪水的淹没过程是一个动态平衡的过程。目前,对于洪水造成的最终淹没范围可以归纳为两种不同的概化模型来进行计算:

1)基于给定水位的洪水淹没范围计算。也就是在已知洪水水位的前提下,来推求洪水的淹没范围和水深分布。

2)基于给定水量的洪水淹没范围计算。也就在某一时期洪水水量是已知的条件下,计算相应的洪水淹没范围和水深。前者多适用于在江河等流域下进行淹没分析,后者常用于水库等的溃堤后所造成的可能淹没范围。本文以神经网络探求洪水水位的变化,故以前者作为既定的概化模型,DEM数据及遥感影像的预处理根据洪泛区需预测的范围确定所应用的遥感影像、DEM数据的范围界线,避免因数据量过大而造成的预测效率降低。依据实验精度所确定下来的最小淹没面积,对DEM数据进行最低点剔除。

本文将神经网络中的BP模型在水利工程中应用的优点与GIS技术在洪水淹没分析中的优点相结合,实现基于GIS平台与神经网络算法的洪水水位及淹没范围的动态预测:通过BP人工神经网络预测淹没区洪水水位;以环形洪水淹没算法确定有源洪水的淹没方向及面积等数据;去除伪洼地,预测出有源淹没面积,并得出相应的水深分布图;依据影像确定洪水淹没区的土地利用类型,为淹没区损失评价提供依据。

图1 技术路线Fig.1 Technology route map

3 基于BP神经网络的洪水水位分析

由洪水灾害系统的反演模式及通过对造成洪水水位上涨的众多因素进行相关性分析、主成分分析后,得出影响洪水水位的因素主要包括已有水位及降水量两个因素。根据问题的复杂程度在此选取一个隐含层。输出层选取一个神经元,输出层的矢量为水位。

为了检验BP网络模型在洪水水位预测的实用性和可靠性,实验采用哈尔滨市1957年及1960年的水文数据作为实验数据。数据来自哈尔滨市水利志。

本部分以1957年26 d的水文数据及1960年46 d的水文数据作为实验数据,并分别以前20 d和前30 d数据作为训练数据,并以各期水文数据作为预测数据和检验数据。

图2为1957年洪水水位训练的SSE图。

图2 1957年洪水水位训练的SSE图Fig.2 Sse map of flood level training in 1957

以前23 d做为训练数据,后5 d作为检验数据。

由图2可知,当以训练样本迭代 100次时, BP网络模型趋于稳定,并且其误差变化趋于稳定。其误差在-0.392 4到0.335 36间变化,其误差精度能够满足后期的淹没范围分析预测的需求。

图3为1960年洪水水位训练的SSE图。

由图3可知,当以训练样本迭代 100次时, BP网络模型趋于稳定,并且其误差变化趋于稳定。其误差在-0.788 72到0.735 34间变化,其误差精度能够满足后期的淹没范围分析预测的需求。

将趋于稳定BP网络模型应用于计算哈尔滨市的1998年的水位预测,该年哈尔滨市的洪水状况通过BP网络模型计算得到(选取洪水演进某一时段的结果)。依据1∶50 000地形图进行矢量化,并进行等高线加密。利用洪水水面高程和等高线的高程制作洪水淹没等深线,并生成洪水淹没等深范围面,依据数字高程模型剔除水流连通不上的伪洼地,得到最终有源淹没范围,淹没区水深通过不同颜色反映,见图4。

图3 1960年洪水水位训练的SSE图Fig.3 Sse map of flood level training in 1960

4 基于GIS的洪水淹没范围分析

在结合了实地采集数据及影像数据的获取准备工作后,通过GIS将所得数据进行内业的矢量化。将所预测到的淹没区水位作为分析时所用的淹没线。根据所获得到的洪水水位线及DEM数字高程模型,通过GIS进行Spatial Analyst(空间分析),来获得相应水位的等高线作为淹没范围的界线,并进行剔除伪洼地。通过GIS中的Overlay(叠置分析)功能将所得到的矢量化了的土地利用分类数据与淹没范围的界线数据进行叠置分析得到松花江哈尔滨段的淹没区淹没面积。通过GIS的数据统计分析对所得的淹没区的各类受灾用地面积进行统计,并以图形的方式进行可视化显示。

图4 哈尔滨市淹没范围图Fig.4 Harbin submerged area map

哈尔滨市区的淹没范围包括,呼兰区、松北区、道里区、道外区和香坊区,受淹面积将达到1 402 km2,占哈尔滨市域总面积的19.8%。淹没区覆盖地类共28种,其中所占淹没比例较大的有旱地、城市用地、水田和农村居民点等,从淹没损失的角度评价以上几种地类均为损失率较高的地类,会造成较大的经济和生态损失。各地类统计见表1。

表1 淹没区各地类汇总表Table 1 Class Summary of inundated areas

续表1Table 1

淹没区土地利用现状见图5。

图5 淹没区土地利用现状图Fig.5 Submerged land use maps

5 结 论

本文以松花江哈尔滨段为研究对象,将BP神经网络与GIS技术相结合,较好地实现了洪水水位及淹没范围的动态预测。对比了用空间格网和矢量数据对淹没区进行预测的结果,发现该方法在准确度上有较好表现,为流域洪水淹没范围的动态监控提供了一个有力的工具。同时结合遥感信息数据,可以及时掌握淹没区内受淹处的土地利用类型,根据相关的社会经济数据可作出社会经济损失评估,为防洪的工程和非工程措施提供参考依据,同时也可以服务于规划部门,为规划提供科学依据。

[1]Kelman and Spence,I.Kelman,R.Spence.An overview of flood actions on buildings[J].Engineering Geology,2004,73(3-4):297-309.

[2] Profeti,G and H.Macintosh.Flood management through landsat TM and ERS SAR data:a case study [J],Hudrological Process,1997,(11):1 397-1 408.

[3]Zhiwei Huang.Flood disaster loss comprehensive evaluation model based on optimization support vector machine[J]:Expert Systems with Applications 2010,37: 3 810-3 814.

[4]姜付仁,程晓陶,向立云,等.美国20世纪洪水损失分析及中美 90年代比较研究 [J].水科学进展, 2003,14(3):384-388. (JIANG Fu-ren,CHENG Xiao-tao,XIANG Li-yun et al.Review on the flood losses of the 20th century in the United States and comparative study on flood damages between China and USA in 1990s,Advances in water science,2003,14(3):384-388.(in Chinese))

[5]S.N.Jonkman,M.Bockarjova,M.Kokc et al.Integrated hydrodynamic and economic modelling of flood damage in the Netherlands[J].Ecological Economic, 2008,66:77-90.

[6]Jian Chen,Arleen A.Hill,Lensyl D.Urbano.A GIS-based model for urban flood inundation[J].Journal of Hydrology,2009,373:184-192.

[7]H.de M oel,J.C.J.H.Aerts.Effect of uncertainty in land use,damage models and inundation depth on flood damage estimates Journal of Hydrology.http:// springer.lib.tsinghua.edu.cn/content/?k=Effect +of+uncertainty+in+land+use%2c+damage+models.13 December 2010.

[8]郭利华,龙 毅.基于DEM的洪水淹没分析[J],测绘通报,2002,(11):25-27. (GUO Li-hua,LONG Yi,Analysis of flood submerging based on DEM[J],Bulletin of Surveying and Mapping,2002,11:25-27.(in Chinese))

[9]朱星明,卢长娜,王如云,等.基于人工神经网络的洪水水位预报模型 [J],水利学报,2005,36(7): 806-811. (ZHU Xing-ming,LU Chang-na,WANG Ru-yun et al. Artificial neural network model for flood water level forecasting[J],Journal ofHydraulic Engineering, 2005,36(7):806-811.(in Chinese))

[10]Quinn P F,Beven K J,Lamb R.The In(α/tanβ)index:How to calculate it and how to use it within the TOPM ODEL framework[M].Distributed Hydrological Modeling:Application of TOPMODEL Concept England:John Wiley&Sons Ltd,1997:31-52.