洪涝灾害研究中的应用
付凌晖1 , 王惠文1 , Y v es Lechevallier2
(11 北京航空航天大学经济管理学院, 北京100083 ; 21 法国国家自动化信息研究所, CEDEX 78153)
摘要: 自组织特征映射是一种人工神经网络方法，可以同时实现模式识别和数据分类。它可以将高维数据间复杂、非线性的统计关系转换为低维形式中简单的几何关系。该文利用自组织特征映射方法对鄱阳湖地区月降水强度和月高水位变化模式进行分析，对鄱阳湖地区洪水灾害形成原因进行归纳。
文章编号: 100822204 (2002) 0420043206
中图分类号: C931. 6 文献标识码: A
鄱阳湖位于江西省北部，长江中下游南岸，是目前中国最大的淡水湖泊。它承纳赣江、抚河、信江、饶河、修河五大河及博阳河、漳田河、潼津河之来水，经调蓄后由湖口注入长江，是一个过水性、吞吐型、季节性的湖泊。鄱阳湖地区涉及范围共11 个县、市，区域土地面积19 762 平方公里，占江西省土地总面积的11 . 5 % 。据统计资料显示，鄱阳湖区几乎每年都发生洪涝灾害。其中，暴雨洪水是该地区
洪水灾害的最主要来源。由于大陆季风气候影响，鄱阳湖区降雨时间集中，强度大，全年降雨量50 %以上集中在5 月～9 月。高强度、大范围、长时间的暴雨常常形成峰高量大的洪水。其次，由于鄱阳湖地区地势低平，不仅存在因洪水造成滨湖地区圩堤决口而产生的灾害，而且很多情况下是因降水过多导致地面大面积积水或土地过湿使生长不良而减产所产生的灾害，又称之为渍涝灾害。鄱阳湖洪水致灾因素中，除高强度集中降水外，最关键因素是水位高或高水位持续时间长，使得圩堤内外形成一定的水位落差，圩堤因渗漏而溃决, 或因湖水位超过堤顶高程而漫决。外湖水位越高、高水位持续时间越长，圩内洪涝灾
对鄱阳湖地区的降水与水位年内变化形式进行划分，进而分析在不同洪涝灾害危险程度下降水与水位的变化模式。
一、自组织特征映射方法基本原理
3
自组织特征映射方法Sel f2Organizing Map , 简称S OM) ，是一种人工神经网络方法，是由芬兰赫尔辛基技术大学的T euvo K ohonen 教授于1981 年提出来的。它的基本思想是: 人脑由数以亿计的神经元细胞组成，处于空间不同区域的神经元分工有所不同。神经网络在接受外界输入模式时，将会分为不同响应区域，各区域对输入模式具有不同的响应特性，并且这一过程是自动完成的。S OM 神经网
络利用这种思想可以实现高维数据分布向规则形状低维网格的有序映射。因此，它可以将高维数据间复杂、非线性的统计关系转换为低维形式中简单的几何关系。SOM 神经网络通常由多个神经元构成一个二维规则网格，每个神经元和某些相似观测数据形成的一种数据模式相联系。S OM 神经网络算法对这些数据模式进行识别以使它们最优地描述观测数据的变化域(离散或连续分布) 。这些模式自动有序地组织在二维平面网格上，相似的模式在平面网格中相互接近，相异的模式在平面网格中相互远离。从
(
高低密切相关，并常以外洪内涝的形式出现1 2。
为了区分鄱阳湖地区不同的月集中降水和月
最高水位年内变化形式与鄱阳湖地区洪涝灾害的
严重程度的关系，下文通过使用自组织映射方法
收稿日期: 2001 - 11 - 29
作者简介: 付凌晖(1975 - ) ，男，湖北大悟人，博士研究生，研究方向为系统工程.
过程。
S OM 神经网络基本结构如图1 所示，输出神
经元排列在平面网格，所有输入连接到网格中的
每个神经元。各个神经元的连接权之值具有一定
的分布，邻近的神经元相互激励，而较远的神经元
则相互抑制。
图2 随时间逐渐缩小的邻域( t 1< t 2< t 3)
一年中各个月的最大连续五天降水量( 以下简称
月最大五降水) 作为短期降水强度性能的指标，采
用各个月的最高水位作为水情变化状况的指标。
由于一年有12 个月份，则相应的降水和水位数据
为12 维的数据。由于自组织特征映射方法可以
很好地在对高维数据进行分类的同时，将高维数
据在高维空间中的关系通过非线性转换表示在低
维空间中，进而可以可视化地检查样本点间的近
似关系。因而，使用S OM 方法可以有效地区分不
同的降水和水位变化模式。
图1 SO M 神经网络基本结构
p
设在p 维空间有n 个观测向量{ X j ∈R , j =
1 ,
2 , ⋯⋯, n} ，要将它们分为k 类。在S OM 中每
一类可用一个神经元表示，它在p 维空间表示为
p
{ M i ∈R , j = 1 ,2 , ⋯⋯, k} , 称为神经元权向量,
则神经网络的训练过程为:
二、鄱阳湖地区降水、
水情模式分析
分析样本选择: 选择鄱阳湖地区1983 ～
1998 年15 年的数据，以及建国以来几次大的洪涝
1954 年、1962 年、1973 年和1977 年作为样本点。
(一) 鄱阳湖地区降水强度变化分析
采用自组织特征映射方法对鄱阳湖地区每年
各月最大五天降水量数据进行分析。为了分析观
测样本间的相似关系，采用 4 ×5 神经元网格对观
测样本数据进行模式识别。初始时首先对观测样
本数据向量进行标准化[ 4 ] ，各初始参数设置如下:
邻域宽度δ( t ) 为1 ，在网络训练过程中线性递减;
学习速率α( t) 为0. 1 ，在网络训练过程中线性递
减；神经元权向量按照样本点在主平面的分布关
系选择，使之在一定程度上数据的分布一致。所
有的观测样本重复代入网络中训练，直到达到满M i ( t + 1) = M i ( t) + h c( x) , i ( X ( t)- M i ( t) ) (1)
其中: t 为观测向量输入的迭代次数; M i ( t)为第
t 次迭代时的神经元权向量; X ( t )为第t 次迭代
时的观测向量X ; h c( x) , i 为邻域函数(常量乘子) 。
c ( x) 由下列条件定义:
‖X ( t) - M c ( t) ‖ ≤ ‖X ( t)- M i ( t) ‖(2)
M c ( t)被称为“赢单元”，它是和输入观测向
量X ( t) 最优匹配的神经元。匹配的比较尺度通
常采用欧氏距离。如果有多个最小值发生，可随
机选择一个作为“赢单元”。
邻域函数为:
2 2
= α( t) ex p ( -‖r i - r c ‖/ 2δ( t) )(3)
h c( x) , i
其中:0 < α( t )< 1 是学习速率，一般设定随迭代
2 2
次数增加而单调递减; r i ∈R , r c ∈R 是平面网
格中的位置向量，分别对应于M i , M c ;δ( t) 对应
于领域函数的宽度N c ( t) ，随迭代次数的增加而
单调递减，如图2 所示。
在鄱阳湖降水与水位变化模式分析中，为分
第15 卷第4 期付凌晖，王惠文, Y ves Lechevallier ：自组织特征映射在鄱阳湖地区洪涝灾害研究中的应用·45 ·表1 各神经元包含的最大五降水观测样本年主平面上的投影位置。图4 中每一个单元格代表
一类样本点，表示各个神经元代表观测样本的情
况，单元格上端黑色圆圈面积大小与该神经元代
表的观测样本个数呈正比，单元格下端曲线由上
至下分别是该神经元所代表观测样本最大值、均
值、最小值曲线(由于某些神经元没有或仅代表了
，所以相应的单元格为空或仅有一
条曲线) 。
分类代表年份分类代表年份
C LASS 1X1
C LASS 1X2
C LASS 1X3
C LASS 1X4
C LASS 2X1
1996
1992
1983
1993 ,1997
1987
C LASS 3X1
C LASS 3X3
C LASS 4X2
C LASS 4X3
C LASS 4X4
1984 ,1991
1962 ,1988
1977 ,1990
1989
1994 ,1995
3 和图
4 所示。
图4 月最大五降水分类模式图图3 月最大五降水主平面拓扑图根据神经元及观测样本在主平面上的拓扑近
似关系，将一些关系近似的神经元合并，由此将观
测样本点分为6 类，结果如表2 所示。
图3 中网格的节点代表神经元的权向量在主
平面上的投影位置，图中的散点代表观测样本在
表2最大五降水观测样本分类
类别 1 2 3 4 5 6
1954
1998
1983
1992 ,1996
1993
1997
1962
1988
1973
1994 ,1995
1977 ,1984 ,1985 ,1986
1987 ,1989 ,1990 ,1991
年份
图5～图10 分别表示出了1～6 类各类的最
大值、均值、最小值曲线。
图7 类别3 月最大五降水
图5 类别1 月最大五降水
图8 类别4 月最大五降水
图6 类别2 月最大五降水
为163 mm , 属于中等强度降水, 其它各个月份最
大五降水均不超过90 mm ,7 月后最大五降水呈现
平缓下降的态势。从降水强度上来讲，形成严重
灾害的危险程度不高。
51 类别5 包括1973 年、1994 年和1995 年。
该模式月最大五降水高峰值出现在6 月份，平均
为263 mm ，其它除4 月和5 月外最大五降水平均
值均很小, 从整个特点来看, 其变化与模式3 相图9 类别5 月最大五降水
近，主要不同在于高强度降水出现的月份不同。
由于鄱阳湖泄流与长江洪水关系密切，因而高强
度降水出现时间的差异会导致灾害危险程度上的
不同。比较而言，类别3 高强度降水出现的时间
与长江汛期更为接近，因而灾害危险程度较高。
61 类别6 包括1977 年、1984 年、1985 年、
1986 年、1987 年、1989 年、1990 年和1991 年。该
模式月最大五降水变化虽然有不同的特征，但总
量水平都较低，变化形式较平缓。相应地其灾害
危险程度很低。
从月最大五降水主平面图中看到，由左至右,
雨季强降水水平表现出增大的趋势，观测样本分
布也由密变疏，表明图中观测样本出现在右方概
率要小。
(二) 鄱阳湖地区最高水位变化分析
采用自组织特征映射方法对鄱阳湖地区每年
月最高水位数据进行分析。根据每年各月最高水
位数据(鄱阳湖都昌水文站) ，也采用4 ×5 神经元图10 类别6 月最大五降水
11 类别1 包括1954 年和1998 年。该种模
式在雨季特别是在6 月和7 月份，月最大五降水
平均达到238 mm ，说明夏季暴雨发生强度很高,
因而形成严重灾害性影响的风险程度也很高。雨
季过后，降水强度明显急剧下降,8～12 月月最大
五降水量平均小于80 mm 。
21 类别2 包括1983 年、1992 年和1996 年。
该种模式月最大五降水呈现双峰状态，分别出现
在3 月和7 月，分别平均为173 mm 和137 mm 。从
月最大五降水绝对量来看，该模式在3 月份降水
强度水平较高，但由于入湖五河和长江汛期未到,
因而不会形成灾害性影响。在7 月份，降水强度
较高，因而可能会造成一定程度的灾害风险。同
时也应看到的是，该类模式虽然在变化趋势上呈
现出相似性，但在绝对量值上仍然存在一定的差
异。如1983 年、1992 年和1996 年呈现依次递减
的状态，因而在灾害形成上有所不同。
月最大五降水的初始时的处理和网络设置相同。
经过网络计算，各神经元代表的观测样本如表3
所示，表中未列出的为未分配观测样本的神经元。
表3 各神经元包含的月最高水位观测样本年
分类代表年份分类代表年份
C LASS 1X2 1995 C LASS 3X1 1954 ,1998
C LASS 1X3 1977 C LASS 3X3 1962 ,1989
C LASS 1X4 1992 C LASS 3X4 1984
C LASS 2X1 1983 C LASS 3X5 1985
C LASS 2X2 1973 C LASS 4X2 1993
C LASS 2X3 1994 C LASS 4X3 1988
C LASS 2X4 1990 ,1991 C LASS 4X4 1996
C LASS 2X5 1986 C LASS 4X5 1987 ,1997
分析后得到的主平面的拓扑结构图和分类模
式图分别如图11 和图12 所示。
第 15 卷 第 4 期 付凌晖 ，王惠文 , Y ves Lechevallier ：自组织特征映射在鄱阳湖地区洪涝灾害研究中的应用 ·47 ·
图 11 月最高水位主平面拓扑图
图 12 月最高水位分类模式图
根据神经元及观测样本在主平面上的拓扑近 似关系 ，将一些关系近似的神经元合并 ，由于月高 水位变化方式比较相近 ，进而将关系相近的观测
样本 近 似 分 为 6 类 , 结 果 如 表 4 所 示 。 ( 由 于
1983 年 、1992 年 、1993 年和 1996 年与其他样本年
分类均存在一定差异 ，所以单独划归一类 。
) 表 4 月最高水位观测样本分类
类别 1 2 3 4 5
6
1954 1973 ,1977 1983 ,1992 1962 1984 ,1985 ,1986 年份
1988 1998
1994 ,1995
1993 ,1996
1989
1987 ,1990 ,1991 ,1997
图 1 3 ～ 图 1 8 分 别 表 示 出 了 1 ～ 6 类 各 类 的 最大值 、均值 ，最小值曲线 。
图 13 类别 1 的月最高水位
图 16 类别 4 的月最高水位
图 14 类别 2 的月最高水位
图 17 类别 5 的月最高水位
图 15 类别 3 的月最高水位
图 18 类别 6 的月最高水位
