基于图聚类神经网络的江西省山洪灾害危险性区划研究

目前山洪灾害区划中常用的传统聚类方法大多仅考虑区划基础空间单元的属性特征,很少考虑基础空间单元的结构信息。该文同时考虑区划基础空间单元的属性和结构特征,提出基于图聚类神经网络的山洪灾害危险性区划方法,以江西省小流域为区划的基础空间单元,构建图聚类神经网络模型,根据聚类有效性指标确定最佳聚类数,并通过碎屑图斑合并获得16个山洪灾害危险性同质性区域,最后利用地理探测器和江西省历史山洪灾害点数据对区划结果进行验证和评价。结果显示：基于图聚类神经网络模型的江西省山洪灾害危险性区划结果与历史山洪灾害点的地理探测器q值达0.792,比传统的K-means和Ward聚类方法分别提高了0.386和0.104,能较好地刻画江西省山洪灾害危险性的空间分异格局。通过融合属性和结构特征有助于提升区划效果,可为江西省市县级政府部门制定因地制宜的山洪灾害防治管理措施提供辅助决策,同时也可为其他自然地理区划提供新的方法参考。