杭州主城区暴雨水淹灾害的3个研究方法 - PenJing8
杭州主城区暴雨水淹灾害的3个研究方法
2023-08-22 10:29:53  浏览:0
研究方法
 
本研究利用ArcGIS10.2和ENVI5.3软件,开展高精度、定量化的城市暴雨水淹灾害风险评估,对水淹点位数据、基础地理数据与卫星影像进行标准化处理和信息提取,并对杭州主城区暴雨水淹灾害进行图示化表达,进而通过GD模型探究影响因子对水淹灾害的阈值和交互作用,并探究具有实际可操作性的缓解城市暴雨水淹灾害的因子区间。具体使用的方法有核密度估计法、GD模型分析法、GWR分析法。为便于数据的采样与分析,本研究使用ArcGIS10.2中的创建渔网工具将主城区划分成13425个500m×500m的网格面要素,同时生成13425个数值采样点。
 
3.1核密度估计法
 
暴雨水淹灾害在局部地区具有明显的聚集分布特征。核密度估计法是一种非参数概率的密度估计方法,受数据分布的影响较小,可很好地表达研究对象在空间上的分布状态[27]。

杭州主城区暴雨水淹灾害的空间分布与特征
 
其几何意义为:以某个样本点为中心,设定一个搜索半径,对落入搜索区内的各要素点赋予不同权重,靠近中心的点权重较大,向外逐渐降低,在搜索区边缘的点权重降为0,位于中心的样本点核密度值为整个搜索区内密度之和[28]。本研究使用ArcGIS10.2中的核密度分析工具对2019—2021年的水淹点(图2)进行核密度估计,并按照核密度值的高低生成水淹灾害风险水平图(图3)。
 
3.2GD模型分析法
 
GD模型是可以探测空间分异性及影响因素的模型[29],包括因子探测器、交互探测器、风险探测器与生态探测器。其中因子探测器用于探测因变量Y的空间分异性,以及自变量X对因变量Y空间分异的解释程度。其中,解释程度用q值度量,q值越大,自变量X的解释力越大,反之则越弱;与q值所对应的p值反映自变量X与因变量Y的相关程度,p值小于0.05表示相关性显著,p值小于0.01则表示相关性极显著。本研究中自变量X为影响因子,因变量Y为水淹灾害核密度值。
 
以往研究通常使用GD模型单一探究自变量与因变量之间的关系,而笔者将GD模型和ArcGIS10.2软件进行综合运用。由于GD模型中的自变量必须是类别数据,不能是连续数据,因此,本研究利用ArcGIS10.2中重分类工具的手动分类方式将高程、坡度、植被覆盖度、非渗透表面丰度、天然水体保持率和距河流距离6个影响因子划分为10个层级以便在GD模型中识别,各层级对应的区间见表2。基于创建渔网时生成的采样点,将水淹灾害核密度值及重分类后的影响因子层级提取至点中,并导出采样点图层的属性表,即可得到用于GD模型分析的Excel表格数据。通过GD模型找到与水淹灾害核密度值所对应的因子层级,从而确定致水淹灾害最严重与最轻微的影响因子阈值区间。
 
3.3GWR分析法
 
GWR通过建立空间范围内每个点的局部回归方程,探索研究对象在某一尺度下的空间变化及相关影响因素,可用于对未来水淹情况的预测。其中GWR分析结果中校正的R2是拟合度的一种度量,其值在0~1.0范围内变化,值越大代表拟合度越高。GWR分析需要导入解释变量与因变量,笔者将6个影响因子作为解释变量,暴雨水淹灾害核密度作为因变量,采取GWR来探究研究区域的水淹灾害与相关影响因子之间的空间变化规律,并将GWR处理后的水淹灾害预测情况与现实水淹灾害观测情况进行对比,探究预测结果的可靠性。