1.一种基于机器学习的山洪灾害区划方法,其特征在于,包括如下步骤:(1)预处理山洪灾害影响因子,提取各项短时强降雨指标和下垫面数据指标;
(2)根据随机森林模型的变量重要性,从短时强降雨指标和下垫面数据指标中筛选山洪灾害的关键因子,将关键因子作为山洪灾害距离的输入变量;
(3)根据筛选的关键因子,构建基于自组织映射神经网络模型SOM进行山洪灾害的一级空间聚类,然后分别利用Ward、Kmeans、PAM、CLARA、HKmeans聚类方法对SOM神经元节点分组,进行二级聚类;
(4)利用外部指标和内部指标对山洪灾害的二级聚类结果进行综合评价,确定山洪灾害最佳聚类方案,作为山洪灾害的初步区划结果;
(5)计算初步区划结果中分区图斑面积标准差率,对微小斑块进行合并后处理,获取最终山洪灾害区划结果。
2.根据权利要求1所述的山洪灾害区划方法,其特征在于,步骤(3)利用神经网络模型SOM进行一级空间聚类包括两阶段:(301)第一阶段用权重向量Wij计算获胜神经元,使其与输入向量Xk的距离djk最小,表达式为:
|Xk‑Wc|=minj{djk}(302)第二阶段为学习阶段,更新获胜神经元及周围神经元的权重向量,表达式为:wij(t+1)=wij(t)+η(t)(xi‑wij(t))其中0<η(t)<1为增益函数,随着时间逐渐减小;wij为权重向量,t是迭代步长。
3.根据权利要求1所述的山洪灾害区划方法,其特征在于,所述外部指标包括区划效果指数RQI;
所述内部指标包括戴维森堡丁指数DBI和轮廓系数SI;
步骤(4)评价标准为:外部指标RQI作为聚类方案判定的主要指标,根据RQI的最小值判定最优的聚类数目与方案;当不同方案RQI最小值相同时,再结合内部指标DBI和SI进行评判,当DBI数值较小、SI数值较大对应方案为最佳聚类方案。
4.根据权利要求2所述的山洪灾害区划方法,其特征在于,步骤(3)自组织映射神经网络模型SOM包括两层网络,输入层中的神经元个数为用于山洪灾害区域化的关键因子数目,输出层被组织成二维网格的拓扑结构。
5.根据权利要求4所述的山洪灾害区划方法,其特征在于,所述拓扑结构为正方形或六边形结构。
6.根据权利要求1所述的山洪灾害区划方法,其特征在于,步骤(5)最终山洪灾害区划结果标准为分区图斑面积标注差率趋于稳定。
7.根据权利要求6所述的山洪灾害区划方法,其特征在于,步骤(5)分区图斑面积标准差率定义为各个图斑面积的标准差除以均值,表达式为:其中σ为标准差,μ为均值。