基于BOA-SVM模型的区域洪水灾害风险评估与驱动机制

针对区域洪水灾害风险定量评估方法精度不足问题，构建了一种基于蝴蝶优化算法改进的支持向量机模型（Butterfly optimization algorithm-support vector machine, BOA-SVM）,并将其应用于黑龙江省近15年的洪水灾害风险评估与时空特征分析。结果表明：研究时段内，黑龙江省总体洪水风险水平前期升降变化明显，而后期逐渐趋于平稳，并呈现西北部高、东南部低的空间分布格局。其中，大庆地区洪水风险水平最低，绥化地区风险水平最高，其余地区风险水平随年际变化有明显下降趋势。产水模数、人均GDP、月强降水量、农林渔业总产值占比、人口自然增长率、每万人拥有卫生机构床位数、万公顷水库总库容为洪水风险变化的关键驱动因子。构建的BOA-SVM模型与传统支持向量机模型（Support vector machine, SVM）和基于帝国竞争算法改进的支持向量机模型（Imperialist competitive algorithm-support vector machine, ICA-SVM）相比，平均绝对误差（MAE）分别降低38.15%和9.18%,均方误差（MSE）分别降低58.5%和21.56%,平均绝对百分比误差（MAPE）分别降低35.23%和11.42%、决定系数（R2）分别增长0.62%和0.12%,说明BOA-SVM模型在拟合性、适配性、稳定性、可靠性以及评估精度等方面更具优势。研究成果可为洪水灾害风险评估提供一种新模型，同时可为有效调控和降低区域洪水灾害风险提供参考。