基于混合自组织映射神经网络的云南省山洪灾害危险性区划

开展云南省山洪灾害危险性区划工作,以自组织映射神经网络为基础,混合Ward、PAM、CLARA、K-means和HK-means的5种方法进行二阶聚类,应用戴维森堡丁指数(Davies-Bouldin index,DBI)、轮廓系数(silhouette coefficient,SC)、聚类模型评估指数(Calinski-Harabaz index,CH)确定最佳聚类方案,之后以变异系数和变异系数一阶拆分确定最佳区划数量.结果显示:①SOM(self organizing map)+CLARA(clustering LARge applications)方法通过聚类有效性检验效果最好,其DBI值为1.0、SC值为0.9、CH值为0.3334,基于该方法得到云南省山洪灾害危险性最佳聚类数为5类,呈现类别空间分离,灾害属性相似的特征;②通过变异系数(coefficient of variation,CV)值变化及变异系数一阶差分(first-order difference,FOD)最低取值确定云南省山洪灾害危险性最佳区划单元为16个,具有形状上与地貌单元相近、数量上与行政单元相同,内部灾害发生机理相似的特征;③通过山洪灾害点、降水量、高程地貌的可视化比较,地理探测器定量分析,表明区划结果有较高的区内一致性和区间异质性.

北京市房山区县域山洪灾害风险评价研究

评估县域山洪灾害风险对小流域山洪风险预警及分区管控具有重要意义。为此,结合山洪灾害的发生条件、承灾体受损能力及抗灾能力,构建了山洪灾害风险评价指标体系,并以北京市房山区作为典型案例计算山洪灾害风险指数,分析了其在栅格、乡镇、流域分区上的空间分布特性。结果表明,山洪灾害风险评价体系具较高精度;随降雨重现期增加,研究区山洪风险指数增大,灾害风险由东向西扩散;在不同降雨重现期条件下,城乡工矿居民用地均为受灾影响面积最大的土地类型;乡镇区划有利于落实防灾减灾措施,而流域分区可结合山洪灾害发生机制进行防治。