河南省沿黄城市洪涝灾害脆弱性特征分析

宋晓茹 黄海荣 张薇 郭霜霜

摘 要：【目的】更加系统地分析河南省沿黄城市洪涝灾害脆弱性时空分布特征，以期为流域减灾防灾提供决策依据。【方法】以河南省沿黄8个城市为研究对象，基于区域灾害系统理论，构建河南沿黄城市洪涝灾害脆弱性评价体系，并利用Matlab构建基于BP神经网络的评估模型。【结果】将研究数据导入评估模型，得到脆弱性评估指数，从时间和空间两个维度对研究区洪灾脆弱性进行特征分析。【结论】①时间上，2010—2020年8市洪涝灾害脆弱性呈现“整体下降、局部波动”趋势；②空间上，8市空间分异显著，呈现出整体分散、局部集中的分布形式，脆弱性从西到东呈现“高-低-高-低”分布特征；③省会城市郑州10年间洪灾脆弱性指数居高，并在空间上处于脆弱性等级较高区域。

关键词：洪涝灾害；脆弱性；BP神经网络；沿黄城市

中图分类号：TU998.4；TV882.1         文献标志码：A         文章编号：1003-5168（2023）08-0103-05

DOI：10.19968/j.cnki.hnkj.1003-5168.2023.08.021

Analysis on Vulnerability Characteristics of Flood Disasters in Cities Along the Yellow River in Henan Province

SONG Xiaoru HUANG Hairong ZHANG Wei GUO Shuangshaung

（College of Civil Engineering and Architecture， Henan University of Technology， Zhengzhou 450000， China）

Abstract：[Purposes] To analyze the spatio-temporal characteristics of flood vulnerability in cities along the Yellow River in Henan province， and to provide decision-making basis for disaster reduction and prevention in the basin. [Methods] This paper takes 8 cities along the Yellow River of Henan Province as the research object. Based on regional disaster theory， it constructs the flood disaster vulnerability assessment system of the cities along the Yellow River in Henan Province.， and an assessment model based on BP neural network was constructed by using Matlab.[Findings] The research data was imported into the assessment model to obtain the vulnerability assessment index， and then the characteristics of flood vulnerability in the study area were analyzed from two dimensions of time and space. [Conclusions] The analysis results showed that：①In terms of time， the flood disaster vulnerability in 9 cities showed a trend of "overall decline and local fluctuation" during 2010—2020; ②Spatially， the spatial differentiation of the nine cities was significant， showing a form of overall dispersion and local concentration， and the Vulnerability presents a "high-low-high-low" distribution from west to east;③The vulnerability index of the provincial capital Zhengzhou was the highest in the past 10 years， and it was in the higher vulnerability level in space.

Keywords： flood disaster; vulnerability; back propagation neural network; cities along the yellow river

0 引言

近年來，随着全球气候变化、极端天气频发以及城市化进程加快［1-2］，城市洪涝灾害问题日益严重。2021年7月河南省遭遇历史罕见特大暴雨，发生严重洪涝灾害，共造成河南省150个县（市、区）1 478.6万人受灾，直接经济损失1 200.6亿元［3］。洪涝灾害已经成为制约城市安全和可持续发展的重要因素。城市洪涝灾害脆弱性研究正是从脆弱性的角度，对城市系统面对暴雨洪涝灾害时，孕灾环境和承灾体的受损性、敏感性和应对力进行综合分析，对提高城市洪涝灾害的抗风险能力和应急预案能力，实现城市公共安全和经济社会健康持续发展具有重要意义。

目前，国内外对城市洪涝灾害脆弱性的研究日益趋于宏观多样。在研究区域上，目前包括地级市［4］、流域地区［5］、省域［6］、城市群［7］四种，基本概括所有研究区类型；在脆弱性评估方法上，主要有基于历史灾情的方法［8］和基于指标体系［9］的方法。常用的城市洪涝灾害脆弱性評估指标体系的确定方法有基于“压力-状态-响应”模型（PSR）［10］、层次分析法（AHP）［11］ 、“暴露度-敏感性-适应能力”VSD框架法［12］、数据包络分析法（DEA）［13］等。但在上述方法中，AHP方法主观性较强，DEA法对样本数据的依赖性较强，PSR和VSD法作为传统的评价体系构建方法具有一定的局限性。城市是一个最具复杂性的社会生态系统，传统的评估方法难以对所有影响因子进行综合客观评价，而BP神经网络具有非线性映照能力，能在协调所有指标的基础上给出完整评价，更适合解决复杂系统的脆弱性评价问题。

为更加系统地分析河南省沿黄洪涝灾害脆弱性时空分布特征，以期为流域减灾防灾提供决策依据，为城市洪涝灾害研究提供新的研究思路，本研究以河南省沿黄城市为研究对象，基于区域灾害系统理论，从致灾因子危险性、孕灾因子敏感性、承载因子脆弱性三个方面构建河南省沿黄城市洪涝灾害脆弱性评价体系，选取该区域2011—2020年10年间的14项指标共计1 120项数据，通过熵值法确定指标权重，运用BP神经网络建立评估模型，从时间和空间两个维度对河南省沿黄城市洪涝灾害脆弱性进行分析评价。

1 研究区概况与数据

黄河自陕西潼关进入河南省，西起灵宝市，东至台前县，流经三门峡、洛阳、济源、郑州、焦作、新乡、开封、濮阳等8个省辖市28个县（市、区），河道总长711 km，流域面积3.62万km2，分别占黄河流域总面积的5.1%、河南省总面积的21.7%。本研究选取河南省沿黄8个城市作为研究区域。

2 数据来源

本研究依据评价体系，利用互联网收集高精度数据，所使用的研究数据共分为四类：气象水文数据、基础地理数据、遥感影像数据和社会经济数据，见表1。

3 研究方法

3.1 区域灾害系统理论构建评价指标体系

区域灾害系统理论是将灾害作为致灾因子、孕灾环境和承灾体共同作用的复杂系统进行研究［10］，灾害的影响受三者共同作用。城市洪涝灾害脆弱性是致灾因子、孕灾环境与承灾体三者相互影响、相互作用下的综合表征，是城市自身的固有属性在洪涝灾害外力作用下的综合反映［14］。区域灾害理论结构体系如图1所示。

考虑到评价指标数据的科学性和易获性、综合性和系统性，本研究通过中国知网、Web of Science、Google Scholar、万方数据和百度文库等数据库和搜索工具搜集了2013—2023年近10年有关城市内涝、城市洪涝灾害脆弱性的权威文献，并基于区域灾害理论，从致灾因子危险性、孕灾环境敏感性、承灾体脆弱性三个角度筛选出14个城市洪涝灾害脆弱性评价指标，构建城市市洪涝灾害脆弱性评估体系，见表2。

3.2 熵值法确定指标权重

熵值法是一种多指标系统客观赋权方法，指标的熵越大，则指标值的变化程度越小，信息量越少，在综合评价中的作用就越小，权重也就越小。

3.2.1 数据预处理。由于城市洪涝灾害脆弱性指标具有不同计量单位，指标数值在范围上也存在较大差异，需用无量纲的方法来保证指标间的统一标准化，以减少指标数量级对指标的影响，故采取归一化方法对指标数据做如下预处理。

正向指标归一化公式为式（1）。

[x'ij=xij-minx1j ， …， xmjmaxx1j，…， xmj-minx1j，…， xmj] （1）

负向指标归一化公式为式（2）。

[x'ij=maxx1j ，…， xmj-xijmaxx1j，…， xmj-minx1j，…， xmj] （2）

式中：xij表示第 i 个城市中第 j 项指标的数值（i=1， 2， …， m；j=1， 2， …， n）；x′ij是归一化后的数值，为了方便起见，下面计算中归一化后的数据仍记为xij。

3.2.2 确定指标权重。熵值法确定指标权重计算步骤如下。

计算第 j 项指标下第 i 个城市占该指标的比例的公式为式（3）。

[Pij=xiji=1mxij] （3）

计算第 j 项指标的熵值的公式为式（4）。

[ej=-ki=1mpijlnpij] （4）

计算第 j 项指标的信息熵冗余度的公式为式（5）。

[dj=1-ej] （5）

计算各项指标的权重的公式为式（6）。

[wj=djj=1ndj] （6）

正向属性的指标表示该指标值越大，城市洪涝灾害脆弱性越高；负向属性的指标表示该指标值越大，城市洪涝灾害脆弱性越低。通过熵值法计算得到河南沿黄8市2011—2020年10年间每年各项指标权重值，见表2。

3.3 BP神经网络构建评估模型

BP（back propagation）神经网络是由三层（输入层、输出层和隐含层）构成的一种多层前馈网络，每层具有多个神经元且同时运行，每层神经元之间采用连接权重互联方式进行链接，同层神经元之间彼此独立［15-16］。

3.3.1 运行原理。其运行原理是： 将输入信号进行正向传播并反向调整误差，寻找连接不同层级神经元的权值，从而建立 BP 神经网络模型［15］。三层BP神经网络运行结构如图2所示。

BP神经网络信号正向传输，由输入层x传输到隐含层t，通过函数处理，输出层s生成输出值，在3层神经网络x-t-s中。 如果输出值没有达到预定期望，则网络会采用误差反向传播的方式进行训练。将输出值与期望值之间的误差逐层进行反向传播，并动态调整每个神经元间的阈值和连接权值。循环多次后输出误差满足预定效果，网络模型训练完成。

3.3.2 Matlab网络构建与训练。利用Matlab R2016a软件的newff函数对本研究应用的BP神经网络模型进行编程构建。本研究将城市内涝脆弱性指标数据样本作为输入值，城市洪涝灾害脆弱性指数作为输出值，利用训练完成后的模型对研究区域城市洪涝灾害脆弱性做出综合评价。构建的拓扑结构为14×5×1的神经网络，即输入层节点x1～x14共14个，隐含层节点6个，输出层节点1个s 。

在Matlab中对神经网络进行训练设置，本研究将网络的学习速率设置为0.1，最大训练次数为1 000次，训练要求精度为 0.5×10-3，其他参数均采用默认设置，网络训练至收敛完成，即BP神经网络模型构建完成，如图3所示。

4 结果与分析

4.1 河南省沿黄城市洪涝灾害脆弱性时序变化

结合AHP-熵值法确定的各项指标权重，把数据样本的归一化数据输入至已构建的神经网络模型中，运行得到河南省沿黄城市洪涝灾害脆弱性指数，以时间为横轴、城市洪涝灾害脆弱性指数为纵轴，做出8个城市的洪涝灾害脆弱性指数变化趋势，如图4所示。由图4可知，2011—2020年河南省沿黄8个城市的洪灾脆弱性指数呈现“整体下降、局部波动”趋势，说明8个城市面对不可控的自然致灾因素，在不断完善和改进自身的系统和功能，以求提升城市面对洪涝灾害时的应对能力和敏感性，降低洪灾灾害对城市伤害和破坏程度。开封市是该趋势最明显的城市，除2014年较2013年增长外，其他年份均呈下降趋势，洪灾脆弱性指数从2011年的0.7472降至2020年的0.2169，表明開封市面对洪涝灾害在逐步加强城市的抵御和应对能力。郑州市作为河南省省会以及沿黄城市中重要经济交通枢纽，其洪涝灾害脆弱性在沿黄城市影响范围较广，在2013—2020年期间呈现“低-高-低-高”的走势。

4.2 河南省沿黄城市洪涝灾害脆弱性空间分布差异

为揭示河南省沿黄城市洪涝灾害脆弱性空间分布，选取2015年、2020年作为空间分析对象，利用 ArcGIS 软件绘制河南省沿黄城市洪涝灾害脆弱性分类的空间演变图，如图5所示。

由图5可知，研究区各城市洪涝灾害脆弱性等级空间分异明显，呈现出整体分散、局部集中的分布形式，脆弱性从西到东呈现“高-低-高-低”分布特征。位于研究区最西部的三门峡处于高脆弱性区域，和最东部的濮阳呈现高度差异性，两市可在洪灾应对过程中汲取对方行之有效的措施与方法，共同加强洪灾应对力。研究区西南部和东南部，分别以洛阳和开封为代表，其洪灾脆弱性相对较低，说明这部分区域洪涝应对系统结构较为稳定，功能发展较为均衡，对内外因素扰动的敏感性较低而应对能力较强。中部区域洪灾脆弱性较高，其中郑州、济源和焦作最为突出，说明这些城市在面对洪涝灾害扰动时，各项系统的综合效能不足，应对能力亟待加强。郑州作为省会其城市系统较为复杂，洪涝灾害脆弱性的扰动因子较多，持续归属于洪灾脆弱性较高区域。

5 结论

通过以上研究，对2010—2020年河南省沿黄城市洪涝灾害脆弱性进行评价，得出以下结论。

①从时间维度看，2010—2020年研究区域洪涝灾害脆弱性呈现“整体下降、局部波动”趋势。

②在空间维度上，城市洪涝灾害脆弱性等级空间分异显著，呈现出整体分散、局部集中的分布形式，脆弱性从西到东呈现“高-低-高-低”分布特征。

③省会城市郑州的洪涝灾害脆弱性在10年内上下波动，但洪灾脆弱性指数始终保持在较高范围，且在空间分布上处于脆弱性等级较高区域。

④基于区域灾害理论构建评价体系，有效地概括洪灾脆弱性的影响因子，避免指标选取的片面性；BP神经网络适用于城市洪灾脆弱性评价研究，能够更加科学的对城市洪灾脆弱性做出评价，并为此研究提供新的视角。

参考文献：

［1］张建云，王银堂，贺瑞敏，等.中国城市洪涝问题及成因分析［J］.水科学进展，2016，27（4）：485-491.

［2］ALLEN M R，INGRAM W J.Constraints on future changes in climate and the hydrologic cycle［J］. Nature，2002，419（6903）：228-232.

［3］河南郑州“7·20”特大暴雨灾害调查报告公布［J］.中国防汛抗旱，2022，32（2）：5.

［4］周健，张宏建，王冰，等.城市暴雨洪涝灾害脆弱性时空特征分析［J］.地理空间信息，2021，19（10）：40-43，79，149.

［5］崔凯凯，刘德林，李翔海.黄河河南段流域洪灾社会脆弱性评价［J］.水土保持通报，2021，41（5）：304-310.

［6］温泉沛，周月华，霍治国，等. 湖北暴雨洪涝灾害脆弱性评估的定量研究［J］. 中国农业气象，2018，39（8）：547-557.

［7］黄晶，佘靖雯. 长江三角洲城市群洪涝灾害脆弱性评估及影响因素分析［J］. 河海大学学报（哲学社会科学版），2020，22（6）：39-45.

［8］杨佩国，靳京，赵东升，等.基于历史暴雨洪涝灾情数据的城市脆弱性定量研究：以北京市为例［J］.地理科学，2016，36（5）：733-741.

［9］高超，张正涛，刘青，等.承灾体脆弱性评估指标的最优格网化方法：以淮河干流区暴雨洪涝灾害为例［J］.自然灾害学报，2018，27（3）：119-129.

［10］黄曦涛，李怀恩，张瑜，等.基于PSR和AHP方法的西安市城市内涝脆弱性评价体系构建与脆弱度评估［J］.自然灾害学报，2019，28（6）：167-175.

［11］ PHUNG D ，RUTHERFORD S ，DWIRAHMADI F，et al. The spatial distribution of vulnerability to the health impacts of flooding in the Mekong Delta，Vietnam［J］. International Journal of Biometeorology，2016，60（6）：857-865.

［12］程书波，岳颖，刘玉，等. 黄河流域洪涝灾害社会脆弱性评价与分析［J］. 人民黄河，2022，44（2）：45-50.

［13］刘毅，黄建毅，马丽.基于DEA模型的我国自然灾害区域脆弱性评价［J］.地理研究，2010，29（7）：1153-1162.

［14］朱净萱，戴强，蔡俊逸，等.基于多智能体的城市洪涝灾害动态脆弱性计算模型构建［J］.地球信息科学学报，2021，23（10）：1787-1797.

［15］蔡冲. 基于BP神经网络的工程造价执业人员信用评价体系研究［D］.石家庄：河北经贸学，2022.

［16］李梅，孟凡玲，李群，等. 基于改进BP神经网络的地下水环境脆弱性评价［J］. 河海大学学报（自然科学版），2007，35（3）：245-250.

收稿日期：2022-12-10

作者简介：宋晓茹（1996—），女，硕士生，研究方向：城市洪涝灾害研究。