霍山县洪涝灾害易发性评价及其与地形因子的关系

蔡菁菁 程先富

收稿日期：2022-11-17

基金项目：国家自然科学基金项目（41271516）.

作者简介：蔡菁菁（1998—），女，安徽合肥市人，硕士研究生，主要从事洪涝灾害研究；通讯作者：程先富（1966—），男，安徽合肥市人，教授，博士生导师，主要从事环境演变与自然灾害风险评价研究，E-mail： xianfucheng@sina.com.

引用格式：蔡菁菁，程先富. 霍山县洪涝灾害易发性评价及其与地形因子的关系——基于卷积神经网络的研究［J］.安徽师范大学学报（自然科学版），2023，46（5）：440-447.

DOI：10.14182/J.cnki.1001-2443.2023.05.005

摘要：受全球氣候变化和山地地形的影响，山区洪涝严重威胁人民的生命和财产安全。根据信息增益率分析指标的重要性，建立评价指标体系，利用卷积神经网络建立洪涝灾害易发性评价模型，对霍山县洪涝灾害易发性进行评价，绘制洪涝灾害易发性图，分析了地形因子对洪涝的影响。结果表明：卷积神经网络模型适用于洪涝灾害易发性评价；霍山县北部较南部洪涝灾害发生概率高，经济开发区和下符桥镇是洪涝灾害易发重灾区，磨子潭镇发生洪涝灾害的可能性低；低海拔、缓坡及低起伏度的地区是洪涝灾害频发区域。洪涝灾害易发性评价可为降低洪涝危害提供科学依据。

关键词：卷积神经网络模型；洪涝灾害易发性评价；地形因子；霍山县

中图分类号：X43 文献标志码：A 文章编号： 1001-2443（2023）05-0440-08

易发性是指一个地区发生某一事件的可能性，洪涝灾害易发性评价是指基于地理环境条件分析区域洪涝灾害的易发程度，即发生洪涝的可能性［1-2］。安徽省洪涝频发，2020年安徽省因洪涝共有1046.5万人受灾，直接经济损失600.7亿元［3］。霍山县位于大别山区腹地，河流较多，夏季降雨集中且时间长，洪涝灾害常发。2020年，霍山县气象局发布，截至7月20日，霍山县农作物受灾面积8896ha，农业损失12 695万元。洪涝是山区最主要的自然灾害之一，山区洪涝常引发泥石流和滑坡，对工业和农业的发展造成严重的破坏，甚至给人民的生命带来威胁，防洪减灾是应急管理的一个重要组成部分［4］。

近几年，洪涝灾害具有增强的趋势，确定洪涝易发区可以减少洪涝带来的损失［5-6］。洪涝灾害的发生是一个复杂过程，目前应用于洪涝灾害易发性评价的方法主要有多准则决策方法，统计模型和机器学习［7］。多准则决策方法包括层次分析法［8］、优劣解距离法［9］和分析网络过程［10］等，依赖于研究者的经验，具有主观性；统计模型主要有频率比［11］、香农熵［12］和逻辑回归［13］等，统计洪涝灾害与发生环境的线性关系，未探究其中复杂的非线性结构；随着机器学习的发展，支持向量机［14］、人工神经网络［15］和K近邻［16］等机器学习方法被广泛应用于洪涝灾害易发区识别，机器学习深入研究洪涝灾害发生的复杂非线性关系。近几年，深度学习在灾害研究中受到广泛的关注，相对于机器学习，深度学习对数据处理更加深入，其结果准确性更高［18-20］。卷积神经网络（Convolutional Neural Network， CNN）是一种典型的深度学习，通过提取数据内部的特征进行模拟。卷积神经网络通过卷积层和池化层等多层网络结构提取洪涝灾害与环境变量之间的特征，计算洪涝灾害易发性模拟结果。

霍山县境内的淠河及所属的淮河流域是洪涝灾害风险研究的重点区域，目前主要从降雨量分析洪涝灾害，王胜等［21］研究淠河流域山洪灾害风险区划，张正涛等［22］对不同重现期下淮河流域暴雨洪涝灾害风险进行评价。从地形因子分析洪涝灾害的研究较少。以霍山县为研究区域，根据洪涝灾害事件，利用卷积神经网络模型对霍山县洪涝灾害易发性进行评价，绘制了洪涝灾害易发性图［1，6］。分析山区地形因子对洪涝灾害的影响，识别霍山县易受洪水影响的区域，为灾害治理、防灾减灾对策制定等工作提供支持，利于保护洪涝易发区人民生命安全和资源环境。

1 研究区概况与研究方法

1.1 研究区概况

霍山县位于安徽省西部，介于31°03′N-31°33′N，115°52′E-116°32′E（图1），总面积2043km2，下辖16个乡镇和1个经济开发区。位于大别山区腹地，地势南高北低，山地面积约占80%，河流主要分为淠河水系和杭埠河水系。霍山县属于亚热带湿润季风气候区，多年平均气温15.8℃，年平均降水量大约1366mm，夏季降水量占全年的44.1%，集中的降水和山区地形，导致霍山县洪涝灾害常发，该县的经济发展受到洪涝影响严重。

1.2 数据来源

根据六安市和霍山县政府网站记载的发生在2015—2020年洪涝，利用ArcGIS建立洪涝灾害空间数据库。降水量数据源于国家气象信息中心（https：//data.cma.cn）实测的国家气象站点2000—2020年日值降雨数据，选择麻城、天柱山、商城、金寨、六安、霍山、舒城、岳西、桐城、肥西、合肥、肥东、庐江、罗田、英山、潜山、怀宁、枞阳、安庆、池州等20个气象站点，计算每个气象站点年均降雨量、五年一遇暴雨强度和十年一遇暴雨强度，利用ArcGIS地统计向导进行克里金插值为30m分辨率栅格数据；数字高程模型（Digital Elevation Model， DEM）来源于地理空间数据云（http：//www. gscloud.cn）中GDEMV2 30M分辨率数字高程数据，提取海拔、坡度、坡向、曲率、地形湿度指数和水流强度系数；河网数据来自1：25万全国基础地理数据库（http：//www.webmap.cn）中水系数据，利用ArcGIS线密度和欧式距离工具计算河网密度和距河流距离；岩性地层数据来源于地质科学数据出版系统（http：/dcc.cgs.gov.cn）中1：100万中华人民共和国数字地质图空间数据库，利用转化工具将面要素转为30m分辨率栅格数据；土壤类型来源于安徽省1：50万土壤专题图矢量化数据，利用矢量数据转为30m分辨率栅格数据；土地利用数据从中国科学院资源环境科学与数据中心（http：//www.resdc.cn）下载2020年30m分辨率土地利用数据；植被指数基于GEE平台（http：//earthengine.google.com），利用时间分辨率为5天，空间分辨率为10m的Sentinel-2卫星影像计算2020年夏季和秋季植被指数均值，利用重采样输出30m分辨率栅格数据。

1.3 研究方法

信息增益率（Information Gain Ration， IGR）是评价影响因子对分类结果提供的信息量的方法，因子包含的信息量越多，该因子越重要，即IGR值越高，说明因子的影响力越大。计算公式：

[IGR（Y/X）=g（Y， X）Int（Y， X）] （1）

Y为整个训练数据集，X为特征因子数据集，g（Y， X）为信息增益，Int（Y， X）为各因子信息， IGR（Y/X）为各个因子的信息增益率。

卷积神经网络（Convolutional Neural Network， CNN）通过对数据进行表征学习，利用深度的神经网络，使模型对数据的理解更加深入，卷积神经网络结构一般有输入层、卷积层、池化层、全连接层和输出层［17，23］。利用卷积神经网络结构评价研究区洪涝灾害易发性，利用洪涝灾害影响因子构成的N个x一维向量，用于模型的输入数据，卷积层使用一组卷积核从输入数据提取特征图层，其计算公式：

[Cj=iNfwj*xi+bj，j=1，2，…，k] （2）

Cj为卷积输出，f为非线性激活函数，*为卷积算子，xi为输入的特征向量，卷积层中有k个核，第j个核的权值和偏重分别为wj和bj。利用ReLU激活函数层将卷积层提取的特征层激活，即经过非线性激活函数的神经元输出为下一层的输入，其计算公式为

[f（x）=max （0， Cj）] （3）

若训练样本点较少时，可添加dropout层避免模型过拟合，提高模型计算能力。池化层一般分为平均池化层和最大池化层，为突出特征，选择最大池化层，对特征层降维，提出最明显特征，其计算公式：

[Si=maxi∈Nan×1i] （4）

i为池化位置，ain×1为池化在i上对应的输入数据，Si为池化输出结果。全连接层中每个都连接池化层所提取的特征，并对其进行重组，对于数据结果进行分类，采用Softmax函数将提取的特征数据转化为相应的预测概率，计算公式：

[p（yi）=eyim=1Meyi] （5）

P（yi）表示输出结果，即概率分布，yi表示类别数量，M为输出节点的个数，即为分类的个数。

2 霍山县洪涝灾害易发性评价

2.1 易发性评价指标体系构建

洪涝灾害与地理环境关系复杂，没有统一评价指标。根据文献总结、研究区地理环境特征和可利用数据［24-27］，选择2000—2020 年年均降水量、五年一遇暴雨强度、十年一遇暴雨强度、海拔、坡度、坡向、曲率、地形起伏度、地形湿度指数、水流强度指数、河网密度、距河流距离、岩性地层、土壤类型、土地利用、植被指数等16个因子。若因子之间存在线性关系，则无法判断因子与洪涝灾害易发性之间的关系，需檢验因子是否存在共线性。常用容忍度和方差膨胀因子检验因子之间的多重共线性。容忍度为1减去因子之间的相关性系数的平方，容忍度越小，因子相关系数越大，因子共线性越大；方差膨胀因子为容忍度的倒数，其值越大，因子之间的线性关系越大。一般认为因子之间的容忍度>0.1，方差膨胀因子<10，因子之间不存在共线性［25］。由图2可见，十年一遇暴雨强度因子容忍度低于0.1，方差膨胀因子达到14.09，该因子不适用于洪涝灾害易发性评价模型构建。

通过IGR计算各因子对洪涝灾害的影响度，计算结果如图2，土地利用、地形起伏度和植被指数是洪涝灾害的重要影响因子，IGR值分别为0.143、0.078和0.069。坡度（IGR=0.060）和高程（IGR=0.056）对于洪涝灾害有较高的影响。坡向（IGR=0.006），曲率（IGR=0.015）和岩性地层（IGR=0.017）对于洪涝灾害影响低。利用容忍度、方差膨胀因子和信息增益率等方法确定洪涝灾害发生影响高的因子，去除共线性较大和影响小的因子，以提高模拟的性能。因此，选择2000—2020 年年均降雨量、五年一遇暴雨强度、海拔、坡度、地形起伏度、地形湿度指数、水流强度指数、河网密度、距河流距离、土壤类型、土地利用、植被指数等12个因子作为评价指标。

2.2 易发性评价模型构建

根据六安市和霍山县政府网站记载的发生在2015—2020年洪涝事件，整理152个洪涝灾害点，利用GIS服务器在线地图服务标记出相应的位置，随机选择洪涝灾害点之外的等量152个非洪涝灾害点。将洪涝灾害点作为正样本，非洪涝灾害点作为负样本，在304个样本点中随机选择70%作为训练集，30%作为验证集。

利用训练集构建卷积神经网络模型用于洪涝易发性评价，评价中利用两条神经元来表达二分类问题，即发生或未发生洪涝灾害。图3为模型运行流程。洪涝灾害易发性评价选择12个影响因子，构成12个一维向量，卷积层通过卷积核对输入数据计算提取特征层，卷积核大小决定局部特征，设置3×1卷积核连接输入向量的局部特征，在模型中是利用卷积核对输入数据进行滤波。卷积提取的特征层通过非线性ReLU激励函数传递。Dropout层是预防样本点较少引起神经网络模型过拟合，以提高模型计算性能，参数设置为0.2，最大池化层将相邻特征合并为最大特征值，用以降低参数，最大池核参数设置为3×1。全连接层连接前一层的输出特征，降低特征数据维度，经过Softmax层转化为概率，以概率值判断洪涝灾害可能性［28］。

2.3 模型验证

受试者工作特征曲线（Receiver Operating Characteristic， ROC）是一种将结果评价图式化的方法，ROC图显示Y轴上的敏感性和X轴上的1-特异性之间的关系，根据样本实际结果，敏感性为模型正确预测洪涝灾害发生的概率，特异性为模型正确预判不发生洪涝灾害的概率。该方法可表明模拟准确预测洪涝灾害易发性的能力，计算ROC曲线下面积AUC（Area Under Curve）值，其值越高，ROC曲线下面积越大，ROC曲线更接近左上角，表明模拟值越准确，模型性能越高［20］。图4为ROC曲线图，AUC为88.6%，表明卷积神经网络模型的性能较好，适用于霍山县洪涝灾害易发性评价。

2.4 洪涝灾害易发性评价

洪涝灾害评价结果代表每个栅格单元发生洪涝灾害的概率，利用ArcGIS将评价结果空间化，依据自然间断点分级法（0.03-0.22，0.23-0.42，0.43-0.61，0.62-0.8，0.81-0.99）将易发区划分为5类：极低易发区、低易发区、中易发区、高易发区和极高易发区，结果见图5。极低易发区的面积为506.47km2，占总面积的24.8%，该区曾发生过4次洪涝灾害；高易发区和极高易发区面积为611.59km2，占总面积的29.95%，洪涝灾害发生比例高达72.37%，其中极高易发区洪涝灾害占比约为44.08%，研究区易受到洪涝灾害的影响。

霍山县地势南高北低，北部及东北部河流汇集，城镇化发展程度较高，建设用地不利于水的下渗，洪涝灾害易发性高；南部降水量多且强度大，降水流向海拔相对较低的地区，洪涝灾害易发性低；西南地区海拔低，洪涝易发；距河流近的区域易受到洪涝影响。

利用ArcGIS的分区统计工具，计算乡镇内部所有洪涝灾害易发性概率均值，得到乡镇洪涝灾害空间发生的可能性。图6展现出霍山县东北部经济开发区、下符桥镇和衡山镇是洪涝灾害高易发区，南部高海拔地区的磨子潭镇、太阳乡和大化坪镇发生洪涝灾害的可能性低。其它乡镇发生洪涝灾害的可能性由高到低为：与儿街镇>黑石渡镇>但家庙镇>诸佛庵镇>单龙寺镇>上士市镇>漫水河镇>落儿岭镇>佛子岭镇>东西溪乡>太阳畈乡。

3 洪涝灾害易发性及其与地形因子的关系

3.1 洪涝灾害易发性与海拔的关系

降雨是洪涝的主要来源之一，山区洪涝的发生受地表特征影响程度高，根据地形因子分区面积与洪涝灾害易发区面积分析洪涝灾害易发性与地形因子的关系。

图7a为海拔分类面积中洪涝灾害易发区面积分布。在1013-1765m海拔地区，洪涝极高易发区面积仅为0.02km2，约占该海拔区域面积的0.02%，低易发区面积为76.99km2，约占该海拔面积的89.95%，表明高海拔地区洪涝灾害易发性低。极高洪涝灾害易发区随着海拔的降低，面积占比逐渐增大，高海拔区域的降雨汇聚到低海拔地区，流水溢出河道，山区低洼地区被淹没。海拔17-235m的地区，洪涝灾害极高易发区面积为180.82km2，极低易发区面积仅为39.63km2，说明低海拔地区洪涝易发性高。

3.2 洪涝灾害易发性与坡度的关系

坡度是影响洪涝灾害发生的一种地形因素，通过影响降雨入渗而影响径流［29］。由图7b可知不同坡度段的洪涝灾害易发区面积，极高易发区主要分布于0°-9°的坡度范围，面积为153.28km2，占该坡度段面积的31.44%，是面積最大的极高洪涝灾害易发区，占极高易发区总面积的58.05%，该坡度段为洪涝易发区。在32°-62.5°坡度段，洪涝灾害极低易发区面积为96.6km2，约占该坡度段面积的57.87%，说明该坡度段不易发生洪涝。在0°-9°，10°-16°，17°-23°，24°-31°，32°-62.5°等坡度段中极高易发区面积占比分别为31.44%、16.43%、4.10%、1.66%、1.22%，极低易发区面积占比分别为5.08%、7.65%、33.53%、46.42%、57.87%，极高易发区面积占比随着坡度角增大逐渐减少，极低易发区面积占比随着坡度角增大而逐渐增加，说明缓坡地区洪涝灾害易发，陡坡地区则不易发生。

3.3 洪涝灾害易发性与地形起伏度的关系

地形起伏度是直接反映地表形态的因素［27］，图7c为不同起伏度地段洪涝灾害易发区面积，呈现地形起伏度越低，洪水易发区面积占比越大，洪涝灾害的易发性越高。极高易发区面积在地形起伏度范围为0-15区段面积为189.86km2，约占起伏度面积的31.61%。在56-155范围的高地形起伏度，洪涝灾害极低易发区面积为40.22km2，约占起伏度地段面积的61.77%，表明高地形起伏度地段洪涝灾害易发性低。

4 结论

利用容忍度和方差膨胀因子检验因子共线性，通过信息增益率分析选取12个评价指标，构建卷积神经网络模型对洪涝灾害易发性进行评价，得到结论：

（1）卷积神经网络模型通过分析洪涝与地理环境特征的非线性关系，评价霍山县洪涝灾害空间上的易发性，模型AUC为88.6%，表明模型性能较好，适用于霍山县洪涝灾害易发性评价。

（2）土地利用、地形起伏度和植被指数对洪涝影响最大，其次为坡度和高程。霍山县北部和东北部洪涝频发，南部洪涝灾害易发性低，西南部因地势低，洪涝灾害发生概率较高。经济开发区和下符桥镇相对于磨子潭镇易受到洪涝灾害的威胁。

（3）洪涝灾害易发性与地形因子关系密切。依据不同海拔、坡度和地形起伏度中洪涝灾害易发性分区面积，海拔低、坡度低以及起伏度低的区域洪涝灾害易发性高。高海拔洪涝灾害易发性低，洪涝灾害极低易发区主要分布于24°-62.5°，56-155地形起伏度区域不易发生洪涝。

由于数据获取的限制，后续可通过增加影响因子完善洪涝灾害评价指标。卷积神经网络模型适用于洪涝灾害易发性评价，但数据处理过程可视化有待提高。模型仅对洪涝易发性进行评价，并不能说明洪水发生的动态过程，可将水文模型与机器学习相结合研究洪涝的物理过程和易发区。

参考文献：

［1］SANTANGELO N， SANTO A， DI Crescenzo G， et al. Flood susceptibility assessment in a highly urbanized alluvial fan： The case study of Sala Consilina （southern Italy）［J］. Natural Hazards and Earth System Sciences， 2011， 11（144）： 2765-2780.

［2］FANG L， HUANG J， CAI J， et al. Hybrid approach for flood susceptibility assessment in a flood-prone mountainous catchment in China［J］. Journal of Hydrology， 2022， 612： 128091.

［3］《中國水旱灾害防御公报》编委会. 中国水旱灾害防御公报（2020）［M］. 北京： 中国水利水电出版社， 2021： 23.

［4］ZHAO G， PANG B， XU Z， et al. Mapping flood susceptibility in mountainous areas on a national scale in China［J］. Science of the Total Environment， 2018， 615： 1133-1142.

［5］程先富， 戴梦琴， 郝丹丹. 区域洪涝灾害风险评价研究进展［J］. 安徽师范大学学报（自然科学版）， 2015， 38（1）： 74-79.

［6］RAHMAN M， NINGSHENG C， ISLAM M M， et al. Flood susceptibility assessment in Bangladesh using machine learning and multi-criteria decision analysis［J］. Earth Systems and Environment， 2019， 3（3）： 585-601.

［7］AHMADLOU M， KARIMI M， ALIZADEH S， et al. Flood susceptibility assessment using integration of adaptive network-based fuzzy inference system （ANFIS） and biogeography-based optimization （BBO） and BAT algorithms （BA）［J］. Geocarto International， 2019， 34（11）： 1252-1272.

［8］HAMMAMI S， ZOUHRI L， SOUISSI D， et al. Application of the GIS based multi-criteria decision analysis and analytical hierarchy process （AHP） in the flood susceptibility mapping （Tunisia）［J］. Arabian Journal of Geosciences， 2019， 12（21）： 1-16.

［9］KHOSRAVI K， SHAHABI H， PHAM B T， et al. A comparative assessment of flood susceptibility modeling using multi-criteria decision-making analysis and machine learning methods［J］. Journal of Hydrology， 2019， 573： 311-323.

［10］YARIYAN P， AVAND M， ABBASPOUR R A， et al. Flood susceptibility mapping using an improved analytic network process with statistical models［J］. Geomatics， Natural Hazards and Risk， 2020， 11（1）： 2282-2314.

［11］SAMANTA R K， BHUNIA G S， SHIT P K， et al. Flood susceptibility mapping using geospatial frequency ratio technique： A case study of Subarnarekha River Basin， India［J］. Modeling Earth Systems and Environment， 2018， 4（1）： 395-408.

［12］ISLAM S， TAHIR M， PARVEEN S. GIS-based flood susceptibility mapping of the lower Bagmati basin in Bihar， using Shannons entropy model［J］. Modeling Earth Systems and Environment， 2022， 8（3）： 3005-3019.

［13］GIOVANNETTONE J， SANGAMESWARAN S， MADERIA C， et al. Spatial analysis of flood susceptibility throughout Currituck County， north Carolina［J］. Journal of Hydrologic Engineering， 2020， 25（8）： 05020021.

［14］MA M， LIU C， ZHAO G， et al. Flash flood risk analysis based on machine learning techniques in the Yunnan province， China［J］. Remote Sensing， 2019， 11（2）： 170.

［15］张帆. 基于人工智能的山洪灾害风险早期识别研究［D］. 郑州： 华北水利水电大学， 2020：57-62.

［16］MELIHO M， KHATTABI A， ASINYO J. Spatial modeling of flood susceptibility using machine learning algorithms［J］. Arabian Journal of Geosciences， 2021， 14（21）： 1-18.

［17］FANG Z， WANG Y， PENG L， et al. A comparative study of heterogeneous ensemble-learning techniques for landslide susceptibility mapping［J］. International Journal of Geographical Information Science， 2021， 35（2）： 321-347.

［18］PHAM B T， LUU C， VAN PHONG T， et al. Can deep learning algorithms outperform benchmark machine learning algorithms in flood susceptibility modeling？［J］. Journal of Hydrology， 2021， 592： 125615.

［19］SAHA S， GAYEN A， BAYEN B. Deep learning algorithms to develop flood susceptibility map in Data-Scarce and Ungauged River Basin in India［J］. Stochastic Environmental Research and Risk Assessment， 2022： 36： 3295–3310.

［20］COSTACHE R， ARABAMERI A， CSOTACHE I， et al. Flood susceptibility evaluation through deep learning optimizer ensembles and GIS techniques［J］. Journal of Environmental Management， 2022， 316： 115316.

［21］王胜， 吴蓉， 谢五三， 等. 基于FloodArea的山洪灾害风险区划研究—以淠河流域为例［J］. 气候变化研究进展， 2016， 12（5）： 432-441.

［22］张正涛， 高超， 刘青， 等. 不同重现期下淮河流域暴雨洪涝灾害风险评价［J］.地理研究， 2014， 33（7）： 1361-1372.

［23］KIM P. Matlab deep learning［M］. Berkeley， CA： Apress， 2017： 121-147.

［24］孙诚. 多源遥感数据支持下的淮河流域地表水时空变化及洪涝敏感性评估［D］. 上海： 华东师范大学， 2022： 8-9.

［25］HASANUZZAMAN M， ISLAM A， BERA B， et al. A comparison of performance measures of three machine learning algorithms for flood susceptibility mapping of river Silabati （tropical river， India）［J］. Physics and Chemistry of the Earth， 2022， 127： 103198.

［26］劉娜， 金有杰， 李辉， 等. 基于 GIS 的长江中下游城市洪涝易发性评价［J］. 地理空间信息， 2020， 18（9）： 57-61+65+7.

［27］EDAMO M L， UKUMO T Y， LOHANI T K， et al. A comparative assessment of multi-criteria decision-making analysis and machine learning methods for flood susceptibility apping and socio-economic impacts on flood risk in Abela-Abaya floodplain of Ethiopia［J］. Environmental Challenges， 2022， 9： 100629.

［28］PANAHI M， JAAFARI A， SHIRZADI A， et al. Deep learning neural networks for spatially explicit prediction of flash flood probability［J］. Geoscience Frontiers， 2021， 12（3）： 376-389.

［29］CAO Y， JIA H， XIONG J， et al. Flash flood susceptibility assessment based on geodetector， certainty factor， and logistic regression analyses in Fujian province， China［J］. ISPRS International Journal of Geo-Information， 2020， 9（12）： 748.

Assessment of Flood Susceptibility in Huoshan County and Its Relationship with Topographic Factors：Based on Convolutional Neural Network

CAI Jing-jing， CHENG Xian-fu

（School of Geography and Tourism， Anhui Normal University， Wuhu 241002，China）

Abstract： Affected by global climate change and mountainous topography， mountain floods pose a threat to people's lives and property. The establishment of the assessment index system is based on the importance of information gain rate analysis factors. The convolutional neural network is used to establish a flood susceptibility assessment model. The model is used to draw flood susceptibility map in Huoshan County and analyze the influence of topographic factors on floods. The final outcome indicates the convolutional neural network model is suitable for the assessment of flood susceptibility， and flood hazards in Huoshan County of the north part of the study area is more likely to occur than in the south part. Economic Development Zone and Xiafuqiao Town are vulnerable to potential floods， and the probability of flooding in Mozitan Town is low. Areas with low altitude， gentle slopes and low undulations are areas where flooding is frequent. The results of this study provide a scientific basis for reducing the threat of floods.

Key words： convolutional neural network; flood susceptibility assessment; topographic factors; Huoshan County

（責任编辑：巩 劼）