基于改进权重AHP法的内涝灾害风险评价——以汕头市濠江区为例

周佳麒，林凯荣,2,3*，解 雪，陈海燕，高 鑫

(1.中山大学土木工程学院，广东 珠海 519082；2.广东省海洋土木工程重点实验室，广东 珠海 519082；3.广东省华南地区水安全调控工程技术研究中心，广东 珠海 519082)

近年来在以全球变暖为主要特征的气候变化环境下，极端天气和自然灾害发生的频率不断增加，洪涝灾害作为一种极易发生且破坏性大的自然灾害广泛的存在于全国各地。城市内涝是指由于强降水或连续性降水超过城市排水能力致使城市内产生积水灾害的现象。城市内涝在中国比较普遍，从发生的区域来看，以前主要发生在一些沿海地势比较低的地区，现在内陆城市也经常发生[1]。新中国成立以后，珠江及韩江流域均发生多次洪水，尤其是台风过境时极易引发洪涝灾害，给区域的经济人口都造成了巨大损失。近年来，许多研究者运用多种方法进行了各地内涝风险的评估，对洪涝灾害的预警发布和防洪指挥调度提供了帮助。

吴舒祺等[2]运用自然灾害风险评估理论和方法，以气象数据、地理信息数据和社会经济数据为基础，建立了浙江省洪水风险评估指标体系。邓运超等[3]通过层次分析法和专家打分法等方法确定洪涝灾害风险评估指标及其各因子相应的权重系数，开展了莱西市洪涝灾害综合风险区划研究。刘恒[4]将神经网络运用到洪涝灾害的研究中，主要用于多因子的洪水分类。申海燕等[5]通过城市内涝巨灾理论和场景进行风险识别，建立了多层次的洪涝灾害风险指标体系，并采用了层次分析-模糊综合评价法建立完整的洪涝灾害风险评估体系，估计出风险概率和风险损失结果。林蓉璇等[6]从暴雨洪涝灾害的致灾因子、孕灾因子、承灾因子和防灾减灾能力4个角度选取评价指标构建洪涝灾害风险评估体系，利用ArcGIS软件对广东省暴雨洪涝灾害进行风险区划。成陆等[7]加入了对遥感的考虑，利用RS技术对洪涝灾害进行监测和范围验证，得出武安市洪涝灾害风险评价结果。李尤等[8]利用InfoWorks ICM软件分别构建降雨-产流、管网汇流、河道汇流与地表漫流模型，耦合形成精细化综合洪涝模型，判断内涝点的集中位置。戴晶晶等[9]以苏州市城市中心区为例，采用数值模拟的手段评估识别内涝风险，运用InfoWorksICM软件建立集防洪、除涝、排水于一体的苏州市城市中心区排水防涝数学模型。上述研究中，基于RS的研究方法，能够更加精确地对相关地理信息数据、社会经济数据进行综合处理；运用InfoWorks ICM的研究方法，则更侧重于产汇流模型的构建和对管网的考虑；运用ArcGIS和层次分析法的研究，则基于多影响因子的考量，进行指标体系的构建，其优势在于综合性和易操作性，是研究者们最常用的评估方法。传统层次分析法确定各指标权重的方法构建两两判断矩阵时，常因矩阵构建者的不同而出现差异，带有一定的主观性，使分析结果趋于不稳定[10]，其重要性量化评估也受到整数阈的限制，本文对此进行了一定的改良，运用神经网络改进了层次分析法的权重确定方式，将传统九分法的中间变量拓展到小数点后三位，并由机器打分确定权重以一定程度上减小主观性，最终构建了汕头市濠江区内涝灾害风险评价体系。

1 研究区概况与资料

1.1 研究区概况

濠江区位于汕头东南部，汕头海湾南岸，东南濒临南海，西与潮阳区接壤，北隔海湾与金平区、龙湖区相望，位于东经116°61′～116°82′，北纬23°20′～23°34′，面积179 km2(含滩涂、水域面积)，下辖7个街道，分别是：玉新街道、滨海街道、马滘街道、河浦街道、广澳街道、礐石街道和达濠街道。濠江区属南亚热带海洋性季风气候，气候温和、湿润，雨量充沛、光照充足，四季常青，多风易旱。年平均降水量1 593 mm，历年4—9月汛期降水量平均1 228 mm，占全年降水量的80%以上。低山丘陵年平均降水量1 701 mm。濠江区行政区划、地势分布、水系分布见图1a、1b、1c。

a)行政区划

1.2 数据来源

为客观反映濠江区各街道内涝灾害风险，前期工作中针对濠江区自然环境和社会经济条件展开调查，搜集了大量的基础资料。其中遥感影像数据来自中国科学院资源环境科学数据中心，气象水文数据来源于广东省气象局，社会经济数据来源于濠江区2018年1—12月经济运行简况，历史洪涝灾害点分布数据来源于2017广东省易涝点统计以及广东省水利电力勘测设计研究院的外业调查报告，河网水系、交通路网及水利设施分布源于广东省水利电力勘测设计研究院。

2 研究方法

2.1 层次分析法

层次分析法(Analytic Hierarchy Process，简称AHP法)是由美国运筹学家Saaty于20世纪70年代提出，1982年被介绍到中国的一种基于图论和线性代数理论的决策分析方法。AHP法能够将定性分析与定量分析相结合，有基本的客观性、系统性以及灵活性，由于其思路清晰，操作简便，一经推出便在中国得到广泛运用[11]。梁翔等[12]基于(-1，0，1)的三标度法对传统方法进行了改进，构建了3个层次、18个指标的评价体系，以期对蓄滞洪区可持续发展状况进行综合评价。其原理为对每一个所选指标进行重要性赋值，构建权重判断矩阵，计算判断矩阵每行所有元素的几何平均值，经过归一化得到各指标相对权重并检验其一致性，最后通过组合权重计算得到目标层指标的相对权重，对目标层做出决策[13]。

2.2 神经网络

BP神经网络是人工神经网络中应用最广的一种神经网络，其算法的实质是求解误差函数的最小值问题，正向传递的输入信号X通过隐含层节点作用于输出节点，每个神经元的输入包括输入向量和期望输出向量，通过输出结果与预测结果求解偏差，若偏差向量不满足期望，通过反向传递调整输入节点与隐含层节点的连接权值和阈值等来指导每一层权值的更新和优化[14]。神经网络依靠系统的复杂性，不断地自动调整内部大量节点之间的互联关系，具备自学习和自适应的能力，具有强大的信息处理能力。由于BP神经网络具有非线性、非局限性、非常定性的特点，在一定程度上可以解决AHP法的矩阵构建中存在的主观性问题。

2.3 基于神经网络的改进权重确定

在传统的AHP法中，各个层次之间的权重确定，往往是通过将各层次因子的重要性两两进行比较，采用九分法进行标度，然后根据标度的结果建立判断矩阵，进而计算出相对权重运用到AHP中。事实上，这个过程存在2个有待改进之处。第一是使用九分法进行标度时，在表征各因子两两间的重要程度时，实质上是将“重要性”这一概念进行了量化，并根据专家打分经验和使用者的判断对此量化值进行评估和比较。而九分法为了简便和通用，仅仅存在1—9的整数标度，中间值也仅有偶数2、4、6、8，这使得判断矩阵的构建过程中，重要性的衡量受到整数的局限，其量化值并不连续，见表1。第二，九分法的标度是由专家打分或者技术人员打分得出的，具有一定的主观性，而在AHP法的运用中，这种主观性难以完全消除，但是可以通过机器学习的方式进行一定的改进。机器学习算法在自然灾害评估中越来越受欢迎，虽然该技术已经在多个流域进行了洪水易感性分析，但基于机器学习方法的洪涝灾害风险评估研究较少[15]，本文首次将神经网络运用到AHP法的权重确定环节中，在一定程度上可消除AHP法的主观性，进而更科学地评估洪涝灾害风险。

表1 九分法的重要性量化程度赋值及意义

本文通过60组技术人员打出的合理专家打分数据，并基于前期研究中已经采用并通过合理性检验的濠江区专家打分初始数据，在初始数据上对每一组专家打分数进行浮动，浮动范围为(-1,1)，通过机器算法再进行扩展至1 000组，这些打分数组均与初始数据相似且同样具有合理性，供神经网络进行学习，模拟专家打分法的逻辑，通过神经网络进行专家打分(图2)。由于学习所使用的数据量相较于直接应用一组专家打分数据而言较大，更具有代表性，且神经网络生成的权重基于人脑的模拟，而非直接人为打分，在一定程度上减少了打分过程中造成的主观性；其次，对九分法的标度进行了扩展，神经网络根据学习和训练的专家打分逻辑，加入了浮点型打分数据，而不限于整数，这使得每一个因子的重要性标度精确性更高，因子两两之间可以产生更精确的中间值，计算出更加精准的权重值，提高了指标体系构建的精度。

图2 神经网络示意

3 评价体系构建

3.1 指标选取

根据联合国开发计划署对灾害风险的定义[16]，风险是在一定区域和给定时段内，由于特定的自然灾害而引起的人民生命财产和经济生活的期望损失值。本文采用“风险度(R)=危险度(H)+易损度(V)+防灾减灾能力(F)”的表达式，借鉴广东地区临近区域[17]的风险区划前人研究成果[13]，综合考虑沿海地区的气候特征以及研究区域的基本情况，选取了11个指标。基于Arcgis以DEM数据为基础进行评价体系构建[18]。危险性指标主要依据评价区域内的自然环境、水文气候条件，统计资料和遥感数据，描述区域内发生内涝灾害的可能和危险程度。在内涝灾害发生的危险性因子中，降雨是引发内涝灾害的主导因素，其影响力最大，高程、坡度、地表不透水率等下垫面条件又为内涝灾害的发生提供了孕灾环境，但影响力较降雨小；在内涝灾害易损性分析的各指标中，人口是内涝灾害中最重要的保护对象，地均GDP反映了资产暴露状况和下垫面土壤持水能力影响防洪能力，因此人口和地均GDP对内涝灾害易损性评价有重大影响。此外，人均GDP、水利设施密度、医疗救助点密度和河网密度反映对内涝灾害的抵抗能力和受灾时候的恢复能力，对内涝灾害的防灾减灾能力有重要影响。

3.2 权重确定

本文通过CR值对权重进行一致性检验，生成并采用的判断矩阵见表2。

表2 各层次重要性量化值及检验结果

根据重要性分析结果，计算得到A-B层相对权重、B-C层相对权重以及C层在整个评价体系中的相对权重(表3)，在危险性层次中，如前文所说降雨是主导性因子，其权重也高达0.451；其次高程影响坡度，决定水流流向，也是重要影响因子。而对于地表不透水率和河网密度，其影响力在危险性中相对偏低，且重要性相当，若不采用改进的权重分析加入小数位标度，则难以区分其相对权重。易损性中根据以人为本的原则，人口密度权重最高，其次是经济实力。防灾减灾层中人均GDP是最主要的衡量标准，其权重高达0.490。

表3 各层因子及其权重成果

3.3 评价模型构建

内涝和山洪灾害风险分析主要依照基于改进权重层次分析法建立的指标体系和权重对各指标层的指标进行汇总，最终得出各栅格的内涝风险值。风险值越高，意味着面临的内涝风险越大。利用ArcGIS栅格计算器将不同指标图层叠加起来，得到危险性、易损性和风险性栅格分布图。

(1)

(2)

(3)

风险性：D=f(H,V,F)=ωHH+ωVV-ωFF

(4)

hi、vi、pi为各个栅格单元经过标准化处理后危险性指标、易损性指标和防灾减灾能力指标的取值。

根据表3得到的内涝灾害风险指标体系及权重，得到本文危险性、易损性和风险性计算公式(其中防灾减灾能力会被反向归一化加权)：

危险性(H)=0.451CH1+0.239CH2+0.159CH3+0.151CH4

(5)

易损性(V)=0.248CV5+0.452CV6+0.167CV7+0.133CV8

(6)

防灾减灾能力(F)=0.490CF9+0.221CF10+0.289CF11

(7)

风险性(R)=0.519H+0.333V+0.148F

(8)

式中 CH1、CH2、CH3、CH4、CV5、CV6、CV7、CV8、CF9、CF10、CF11——各栅格单元经过归一化处理后的暴雨综合指标、高程、不透水率、河网密度、地均GDP、人口密度、路网密度、土地利用、人均GDP、医疗救助点、水利设施分布。

各指标具体分布信息见图3。

a)暴雨综合指标

4 结果分析与讨论

4.1 准则层评价结果

根据权重计算危险性图层，见图4a，濠江区洪涝危险性集中在中南部地区。按分镇来看，河浦街道、玉新街道、滨海街道、马滘街道，在不透水率因子上具有较高的危险性，在坡度因子上也具有较高的危险性，同时从暴雨综合指标上看，其危险性在整个濠江区也是偏高的，这4个街道的综合危险性偏高；达濠街道由于地势较高，高程危险性较低，叠加后的危险性偏低；而广澳街道各因子的危险性均不高，因此最后呈现较低的危险性；礐石街道整体危险性等级分布较为均匀，这与每一个权重因子分析得到的结果相符合。

濠江区内涝灾害易损性区域性十分明显，见图4b，高风险区主要集中在中部的玉新街道、滨海街道、马滘街道、达濠街道。这些地区人口密集，地均GDP也较高，路网密集，一旦发生洪涝灾害，容易造成巨大的经济损失、人员伤亡。河浦街道和广澳街道易损性较小，这是因为这2个地区地广人稀，地均GDP较小，人口密度也不高，路网密集程度也相对较低。

在濠江区西南部，玉新街道、滨海街道、马滘街道附近，具有较高程度的人均GDP，且医疗救助点分布密集，虽然缺少水库防灾减灾的加持，但是仍然具有高等级的防灾减灾能力，见图4c。在人均GDP偏低、医疗救助点和水库分布较少的东部，防灾减灾能力趋于低和微等级。

a)危险性分布

4.2 目标层风险性验证

濠江区内涝灾害风险评价指标体系中，危险性指标权重取值最高，易损性次之，防灾减灾因子指标权重最低。将4.1中的准则层成果按照神经网络生成的权重叠加后，得到濠江区风险等级。同时，将濠江区历史灾害调查得到的历史灾害点在图中标识，进行可行性验证。风险性较高的区域集中在中部的玉新街道、滨海街道、马滘街道、达濠街道，而广澳街道和礐石街道整体的风险性相对较低，但是也不能疏于防御。将濠江区内涝灾害危险等级分布图与易涝点进行比对，见图5。结果显示濠江区的内涝点主要分布在人口密集的中南部，玉新街道、马滘街道、滨海街道。与风险性等级的分布进行对比，传统AHP法和改进权重的AHP法均有80%历史洪涝灾害点分布在极高风险和高风险区域，其余的大多零散分布在中风险的区域，验证效果良好，因此本文构建的内涝风险评价模型的精度较高，可较好地反映该区域的内涝风险。在改进权重的AHP法中，更多的历史灾害点发生在了极高风险区，且在礐石街道南部的中高风险区域比其传统的AHP法涵盖了更多的历史洪涝灾害点，具有更好的评价效果。此外图5中存在少量分布于低风险区的历史洪涝灾害点，这可能是由于历史灾害统计的时间跨度较大，部分区域由于城市化、堤防修建等原因，已经具有了更好的防范能力，但其在灾害发生年份风险性等级并不低。

a)传统AHP法

4.3 分街道的风险值评估

洪涝灾害风险等级划分为微风险、低风险、中风险、高风险、极高风险共五级等级，对应风险值为1、2、3、4、5。地区总体风险值为对应风险等级区域面积乘以该等级风险值的加权平均结果，具体计算公式如下[19]:

risk =(1×A1+ 2×A2+3×A3+ 4×A4+ 5×A5)/(A1+A2+A3+A4+A5)

(9)

式中A1、A2、A3、A4、A5——微风险、低风险、中风险、高风险、极高风险等级的面积。

由式(9)计算出濠江区及其各个街道总体风险值以及各个街道不同风险等级占比，见表4。

表4 濠江区各镇街风险值及占比分布

从各风险等级的分镇分布情况来看，极高风险区、高风险区、低风险区、微风险区比例最高的分别是达濠街道、马滘街道、河浦街道、广澳街道。整体而言，濠江区的风险等级呈现出东北低西南高的特点。此特点与准则层三因子密切相关，如上文所提及西南部人口密集，经济发达，路网密集，当灾害发生时，容易威胁到财产和人身安全，具有较高的易损性。然而，此类经济发达地区受到重视，往往也会具有更强的防灾减灾能力，如密集的医院和堤防，但由于防灾减灾能力在准则层中权重偏低，对总体风险值的抵消能力有限，因此西南部地区综合来说，风险值偏高。

5 结语与展望

本文基于改进的AHP法构建了汕头市濠江区的洪涝风险评价模型并进行聚类分析，得到了濠江区分镇的风险值以及风险分布图，并运用历史灾害数据验证了成果的合理性。其中，在AHP法的权重获取阶段，本研究采用神经网络算法改进了传统的单一专家打分数据，对重要性分值进行生成，其具有2个明显的优势：训练时综合了更多的相关数据，并且最终结果由机器学习生成，在一定程度上减小了AHP法中的主观性问题；拓展了传统的九分法标度，传统的九分法相关中间值仅采用偶数2、4、6、8，而神经网络生成的中间值加入了3位小数，使得其值阈更加精确，权重可信度更高。这是使用传统的人工评分方式所难以达成的。

该地区相关部门根据各镇街的风险分布及风险值结合实际情况开展更有效的工作，也可以在一定的时效年限内为洪涝灾害的预警发布提供科学指导。具体要点如下：濠江区危险性分布为西南高，东北低，主要原因是西南地区高降雨和低地势的影响，高危险性的地区应该更注重对灾害的防御；易损性区域性十分明显，主要集中在中部的玉新街道、滨海街道、马滘街道、达濠街道。这些地区人口密集，地均GDP也较高，路网密集，灾害一旦发生，损失巨大，这些地区除了增设防御性设施外，也需要更优质的疏散、转移方案，保护人员和财产安全。从防灾减灾能力上看，在濠江区西南部，玉新街道、滨海街道、马滘街道附近，具有较高程度的人均GDP，且医疗救助点分布密集，虽然缺少水库防灾减灾的加持，但是仍然具有高等级的防灾减灾能力。根据风险性分布以及风险值计算成果，濠江区为中风险水平，总体风险值为2.801。但玉新街道、滨海街道、马滘街道风险值均超过了4，达濠街道风险值也接近于4，这些地区具有相当高的风险性，历史洪涝灾害也主要集中于这些地区，需要在后续的工作中更为重视。

由于AHP法中权重存在的主观性目前难以完全根除，所以本文对权重的改进也只能部分减少主观性，因为神经网络训练集的数据依旧要根据专家打分法获取，并且人为打分会受到九分法的局限性的影响，导致训练集的数据尚不够庞大，这些都是可以改进的地方。未来可以在一定的规则限制下，在小数阈再进一步扩充训练集。