李艷蘭 金龍 史旭明 陳丹

(1.廣西壯族自治區(qū)氣候中心，廣西 南寧 530022； 2.桂林航天工業(yè)學(xué)院，廣西 桂林 541004；3.廣西壯族自治區(qū)氣象科學(xué)研究所，廣西 南寧 530022)

引言

廣西地處華南地區(qū)，是受臺(tái)風(fēng)影響嚴(yán)重的地區(qū)，平均每年會(huì)受到5個(gè)臺(tái)風(fēng)影響，最多的年份達(dá)9個(gè)。進(jìn)入21世紀(jì)以來，嚴(yán)重臺(tái)風(fēng)災(zāi)害事件頻發(fā)，臺(tái)風(fēng)災(zāi)害影響和損失有加重的態(tài)勢(shì)。其中2001年7月上旬臺(tái)風(fēng)“榴蓮”和“尤特”連續(xù)影響廣西，造成24人死亡，直接經(jīng)濟(jì)損失159.03億元以上，是建國以來給廣西造成直接經(jīng)濟(jì)損失最大的臺(tái)風(fēng)災(zāi)害。2014年7月，建國后有臺(tái)風(fēng)記錄以來進(jìn)入廣西的最強(qiáng)臺(tái)風(fēng)“威馬遜”造成廣西10人死亡，直接經(jīng)濟(jì)損失138.4億元，僅次于2001年臺(tái)風(fēng)“榴蓮”、“尤特”的累計(jì)直接經(jīng)濟(jì)損失。2013年、2015年廣西受秋季臺(tái)風(fēng)的嚴(yán)重影響，2013年11月中旬臺(tái)風(fēng)“海燕”、2015年10月上旬臺(tái)風(fēng)“彩虹”嚴(yán)重影響廣西，分別造成17.16億元、16.63億元的直接經(jīng)濟(jì)損失，為歷史同期罕見。廣西臺(tái)風(fēng)災(zāi)害發(fā)生頻次高、影響范圍廣、災(zāi)害損失大。因此，預(yù)防和減輕臺(tái)風(fēng)災(zāi)害尤為重要，而災(zāi)害評(píng)估是制定防災(zāi)減災(zāi)對(duì)策的基礎(chǔ)，是防災(zāi)減災(zāi)的重要環(huán)節(jié)。

臺(tái)風(fēng)災(zāi)害評(píng)估工作一直以來都受到國內(nèi)外學(xué)者的廣泛關(guān)注。Dorland等[1]構(gòu)建了臺(tái)風(fēng)風(fēng)速與損失率的指數(shù)函數(shù)模型；一些學(xué)者[2-3]基于模糊數(shù)學(xué)理論對(duì)臺(tái)風(fēng)災(zāi)害進(jìn)行評(píng)估；李春梅等[4]應(yīng)用層次分析法對(duì)廣東省熱帶氣旋災(zāi)害影響因素進(jìn)行多層次的分析，建立熱帶氣旋災(zāi)害影響評(píng)估模型；陳佩燕等[5]在分析我國臺(tái)風(fēng)災(zāi)情主要成因的基礎(chǔ)上建立了臺(tái)風(fēng)災(zāi)情預(yù)估方程；劉少軍等[6]將可拓方法應(yīng)用于臺(tái)風(fēng)災(zāi)害損失評(píng)估。近年來，隨著人工智能技術(shù)的發(fā)展，神經(jīng)網(wǎng)絡(luò)方法在氣象領(lǐng)域得到廣泛的應(yīng)用[7-10]。在臺(tái)風(fēng)災(zāi)害評(píng)估中的應(yīng)用方面，婁偉平等[11]基于主成分神經(jīng)網(wǎng)絡(luò)建立了浙江省臺(tái)風(fēng)災(zāi)害經(jīng)濟(jì)損失評(píng)估模型；劉曉慶等[12]將Elman神經(jīng)網(wǎng)絡(luò)應(yīng)用于廣東省臺(tái)風(fēng)災(zāi)害損失評(píng)估；陳有利等[13]選取臺(tái)風(fēng)災(zāi)害致災(zāi)因子、臺(tái)風(fēng)災(zāi)情綜合關(guān)聯(lián)度，建立BP神經(jīng)網(wǎng)絡(luò)預(yù)估模型，對(duì)寧波市臺(tái)風(fēng)災(zāi)情進(jìn)行預(yù)估。臺(tái)風(fēng)造成的災(zāi)害損失是一個(gè)非線性復(fù)雜系統(tǒng)行為的結(jié)果，人工神經(jīng)網(wǎng)絡(luò)方法具有較強(qiáng)的處理非線性問題的能力，但神經(jīng)網(wǎng)絡(luò)存在收斂速度慢，極易陷入局部極值點(diǎn)等問題[14]，可通過結(jié)合遺傳算法來解決[8]。因此，本文嘗試應(yīng)用遺傳—神經(jīng)網(wǎng)絡(luò)方法，構(gòu)建一種新的臺(tái)風(fēng)災(zāi)害評(píng)估模型，可對(duì)廣西臺(tái)風(fēng)災(zāi)害損失程度進(jìn)行預(yù)估，為防災(zāi)減災(zāi)提供科學(xué)依據(jù)。

1 資料與方法

1.1 資料來源

選取1981—2018年影響廣西且災(zāi)情記錄比較完整的86個(gè)臺(tái)風(fēng)樣本進(jìn)行研究。臺(tái)風(fēng)路徑、中心附近最大風(fēng)速資料來源于中國氣象局熱帶氣旋資料中心(tcdata.typhoon.org.cn)最佳路徑數(shù)據(jù)集[15]，廣西90個(gè)氣象臺(tái)站的逐日降水量、大風(fēng)等氣象數(shù)據(jù)來自廣西壯族自治區(qū)氣象信息中心，選取的90個(gè)氣象臺(tái)站是國家級(jí)地面氣象觀測(cè)站，為廣西全區(qū)各縣(市)的代表站，有本文研究所需的長(zhǎng)序列逐日氣象觀測(cè)數(shù)據(jù)。臺(tái)風(fēng)災(zāi)害直接經(jīng)濟(jì)損失、死亡和受傷人數(shù)等災(zāi)情數(shù)據(jù)來自《中國氣象災(zāi)害大典·廣西卷》[16]和廣西壯族自治區(qū)民政廳。1981—2018年廣西居民消費(fèi)價(jià)格指數(shù)來自《廣西統(tǒng)計(jì)年鑒2019》[17]。

1.2 遺傳—神經(jīng)網(wǎng)絡(luò)方法

以適者生存、優(yōu)勝劣汰為原則發(fā)展而來的遺傳算法[18](Genetic Algorithm,GA)，是一類通過借鑒生物界自然選擇遺傳機(jī)制形成的隨機(jī)搜索算法。在模擬人工種群的進(jìn)化過程中，通過選擇、交叉以及變異等機(jī)制，使得每次進(jìn)化迭代中都篩選出更為適應(yīng)外界條件的候選個(gè)體，引導(dǎo)該種群向最優(yōu)結(jié)果方向進(jìn)化發(fā)展，對(duì)此過程反復(fù)進(jìn)行優(yōu)化操作，在該種群經(jīng)過若干代進(jìn)化后，使其適應(yīng)度達(dá)到近似最優(yōu)的狀態(tài)，以此來獲得更為優(yōu)良的個(gè)體[19]。

1.2.1 模型框架

本文通過采用遺傳算法優(yōu)化計(jì)算三層BP網(wǎng)絡(luò)預(yù)報(bào)模型來構(gòu)建預(yù)報(bào)個(gè)體種群[20]，首先采用實(shí)數(shù)與二進(jìn)制混合的編碼方法，對(duì)神經(jīng)網(wǎng)絡(luò)個(gè)體的每層節(jié)點(diǎn)、權(quán)(閥)值按某種順序進(jìn)行編碼，形成一個(gè)遺傳個(gè)體。進(jìn)一步在編碼空間中隨機(jī)生成初始的遺傳個(gè)體種群。其次種群的大小對(duì)遺傳算法的尋找最優(yōu)解和算法的收斂時(shí)間影響較大，需同時(shí)考慮時(shí)間效率與近似最優(yōu)的平衡。

1.2.2 適應(yīng)度計(jì)算

在遺傳算法中，利用適應(yīng)度的函數(shù)值來評(píng)價(jià)遺傳個(gè)體(解)的好壞，一般適應(yīng)度函數(shù)值越大，解的質(zhì)量越高。適應(yīng)度函數(shù)設(shè)計(jì)應(yīng)結(jié)合具體求解問題本身的要求而定。

本文將種群中的每個(gè)遺傳個(gè)體分別解碼為三層BP網(wǎng)絡(luò)的隱節(jié)點(diǎn)和權(quán)(閥)值，先輸入訓(xùn)練樣本計(jì)算得出隱層的輸出值：

(1)

式(1)中，ah為輸入層節(jié)點(diǎn)輸入，h=1,2,…,m，m為輸入節(jié)點(diǎn)個(gè)數(shù)；i=1,2,…,p，p為隱節(jié)點(diǎn)個(gè)數(shù)；vhi為輸入層至隱層的權(quán)值；θi為隱含層的閥值；激活函數(shù)f采用sigmoid函數(shù)，這樣三層BP網(wǎng)絡(luò)的輸出值可以用下式計(jì)算得出：

(2)

式(2)中，wij為隱含層至輸出層的連接權(quán)系數(shù)矩陣；γj為輸出層的閥值；再由期望輸出與式(2)可以計(jì)算得到神經(jīng)網(wǎng)絡(luò)的總體誤差：

(3)

式(3)中，訓(xùn)練樣本數(shù)為n，則每個(gè)遺傳個(gè)體的適應(yīng)度可通過如下函數(shù)計(jì)算得出：

(4)

1.2.3 遺傳進(jìn)化操作

根據(jù)計(jì)算得出的每個(gè)個(gè)體的適應(yīng)度，采用選擇、交叉和變異3個(gè)算子對(duì)種群進(jìn)行遺傳進(jìn)化計(jì)算。其中選擇算子采用輪盤賭選擇方式，即每個(gè)個(gè)體被選中的概率由下式得出：

(5)

式(5)中，K為種群的個(gè)體數(shù)，第k個(gè)個(gè)體的適應(yīng)度為Fk(x)，通過輪盤賭方式可確保適應(yīng)度值F(x)大的個(gè)體進(jìn)化到下一代的概率更大。交叉算子是對(duì)兩個(gè)待交叉的不同的染色體根據(jù)交叉概率Pc按某種方式交換其部分基因。變異算子是以概率Pm對(duì)某個(gè)體與其他個(gè)體作等位基因替換。若在操作過程時(shí)，當(dāng)某個(gè)體的神經(jīng)元被變異剔除時(shí)，則相應(yīng)的權(quán)值碼等被設(shè)置為0，而當(dāng)變異運(yùn)算增加神經(jīng)元時(shí)，則隨機(jī)初始化產(chǎn)生相關(guān)的權(quán)值碼。

利用3個(gè)算子進(jìn)行遺傳進(jìn)化計(jì)算得到新一代個(gè)體種群。反復(fù)進(jìn)行進(jìn)化操作直到事先設(shè)定N代后結(jié)束，并將最后一代種群中的每一個(gè)個(gè)體進(jìn)行解碼，得到K個(gè)神經(jīng)網(wǎng)絡(luò)個(gè)體，本文賦予每個(gè)神經(jīng)網(wǎng)絡(luò)個(gè)體相同的權(quán)重，將每個(gè)個(gè)體的預(yù)測(cè)值作平均得到遺傳—神經(jīng)網(wǎng)絡(luò)集合預(yù)報(bào)模型的預(yù)報(bào)值。

1.2.4 主要計(jì)算步驟

采用遺傳算法進(jìn)化三層BP網(wǎng)絡(luò)個(gè)體并構(gòu)建集合預(yù)報(bào)模型可歸結(jié)為：

(1)初始時(shí)刻隨機(jī)給出神經(jīng)網(wǎng)絡(luò)個(gè)體的權(quán)(閥)值等，并設(shè)定模型的收斂誤差為ε。

(2)輸入訓(xùn)練樣本，計(jì)算每個(gè)神經(jīng)網(wǎng)絡(luò)個(gè)體的實(shí)際輸入與期望輸出的誤差，并采用3層前饋網(wǎng)絡(luò)的誤差反傳播學(xué)習(xí)算法，調(diào)整各層的連接權(quán)值。

(3)反復(fù)進(jìn)行這樣的學(xué)習(xí)訓(xùn)練，直到計(jì)算輸出的誤差ε小于設(shè)定的收斂誤差則結(jié)束訓(xùn)練，再根據(jù)訓(xùn)練得到的網(wǎng)絡(luò)權(quán)值和預(yù)報(bào)因子，計(jì)算得出最終的集合預(yù)報(bào)模型預(yù)報(bào)值。

1.3 臺(tái)風(fēng)災(zāi)情評(píng)估指標(biāo)和致災(zāi)因子選取

1.3.1 臺(tái)風(fēng)災(zāi)情評(píng)估指標(biāo)

臺(tái)風(fēng)帶來的災(zāi)害一般表現(xiàn)在人員傷亡、財(cái)產(chǎn)損失等方面[21]。本文參考中國氣象局《全國氣象災(zāi)情收集上報(bào)調(diào)查和評(píng)估規(guī)定》，選取臺(tái)風(fēng)災(zāi)害死亡人數(shù)、傷亡人數(shù)、直接經(jīng)濟(jì)損失作為災(zāi)情評(píng)估指標(biāo)。在災(zāi)情數(shù)據(jù)的處理過程中，把失蹤人數(shù)計(jì)入死亡人數(shù)；為了消除通貨膨脹，使歷史臺(tái)風(fēng)樣本間的直接經(jīng)濟(jì)損失具備可比性，采用考慮了物價(jià)水平、人口和財(cái)富因子的居民消費(fèi)價(jià)格指數(shù)方法[22]，以2018年為基準(zhǔn)年，對(duì)直接經(jīng)濟(jì)損失進(jìn)行折算。根據(jù)廣西臺(tái)風(fēng)災(zāi)害情況，劃分災(zāi)情等級(jí)(表1)。如果不同的災(zāi)情評(píng)估指標(biāo)評(píng)估的災(zāi)情等級(jí)有差異，則取其中等級(jí)最高者。

表1 臺(tái)風(fēng)災(zāi)情等級(jí)劃分標(biāo)準(zhǔn)Table 1 Classification standard of typhoon disaster

1.3.2 臺(tái)風(fēng)災(zāi)害致災(zāi)因子

關(guān)于臺(tái)風(fēng)災(zāi)害致災(zāi)因子的研究方面，前人已做了許多工作。陳佩燕等[5]通過分析臺(tái)風(fēng)災(zāi)害成因，以臺(tái)風(fēng)引起的大風(fēng)、降水以及登陸臺(tái)風(fēng)的強(qiáng)度和移速等有關(guān)物理量構(gòu)造致災(zāi)因子；婁偉平等[11]以登陸或影響浙江省的臺(tái)風(fēng)影響期間各級(jí)過程降水量站數(shù)、各級(jí)過程最大風(fēng)速站數(shù)、臺(tái)風(fēng)登陸時(shí)的中心氣壓和最大風(fēng)速等作為評(píng)估因子；李春梅等[4]采用熱帶氣旋中心最低氣壓，登陸點(diǎn)、登陸路徑，各級(jí)強(qiáng)風(fēng)站日數(shù)，各級(jí)強(qiáng)降水站日數(shù)、最大日降水量、過程降水量≥100 mm站數(shù)等因子，分別構(gòu)建熱帶氣旋強(qiáng)度參數(shù)、地理綜合參數(shù)、風(fēng)綜合參數(shù)、雨綜合參數(shù)，建立評(píng)估模型，均取得較好的效果?？偟膩砜矗_(tái)風(fēng)災(zāi)害程度與臺(tái)風(fēng)移動(dòng)路徑及強(qiáng)度關(guān)系密切，臺(tái)風(fēng)帶來的大風(fēng)、強(qiáng)降水是造成災(zāi)害的直接因素，災(zāi)害的輕重程度主要與大風(fēng)和降水強(qiáng)度、范圍、持續(xù)時(shí)間等因素有關(guān)。

本文選取臺(tái)風(fēng)進(jìn)入廣西影響區(qū)(19°N以北、112°E以西區(qū)域)后的中心附近最大風(fēng)速、地理參數(shù)，臺(tái)風(fēng)影響過程期間廣西的大風(fēng)站日、最大日降水量、過程最大降水量、過程降水量≥100 mm站數(shù)、暴雨指數(shù)等7個(gè)致災(zāi)因子[23]。其中地理參數(shù)根據(jù)臺(tái)風(fēng)中心進(jìn)入廣西影響區(qū)后的移動(dòng)路徑類別確定，路徑類別分為深入廣西內(nèi)陸、進(jìn)入廣西陸地但未深入、沿廣西陸地邊界移動(dòng)、進(jìn)入影響區(qū)但未進(jìn)入廣西陸地區(qū)域4大類，各大類又分若干亞類，對(duì)應(yīng)的地理參數(shù)取值在1—5之間(表2)[23-24]。地理參數(shù)數(shù)值根據(jù)各類臺(tái)風(fēng)路徑可能的影響范圍以及影響區(qū)社會(huì)經(jīng)濟(jì)狀況的相對(duì)大小確定，地理參數(shù)賦值的首要原則是按照臺(tái)風(fēng)是否進(jìn)入廣西陸地及進(jìn)入陸地的情況，距離陸地越遠(yuǎn)數(shù)值越小，越深入內(nèi)陸數(shù)值越大；其次，對(duì)于沿廣西陸地邊界移動(dòng)的臺(tái)風(fēng)路徑類別，根據(jù)各亞類影響區(qū)域的范圍和社會(huì)經(jīng)濟(jì)狀況，調(diào)整地理參數(shù)的大小。大風(fēng)站日為臺(tái)風(fēng)影響期間廣西90個(gè)氣象臺(tái)站每天出現(xiàn)大風(fēng)的站數(shù)累計(jì)值；暴雨指數(shù)為臺(tái)風(fēng)影響期間廣西90個(gè)氣象臺(tái)站每天日降水量≥50 mm的站點(diǎn)的降水量累計(jì)值除以50，表征臺(tái)風(fēng)影響過程廣西區(qū)域范圍內(nèi)暴雨累積強(qiáng)度；最大日降水量、過程最大降水量反映降水的最大強(qiáng)度，過程降水量≥100 mm站數(shù)表征強(qiáng)降水的范圍。以上7個(gè)致災(zāi)因子從臺(tái)風(fēng)自身特征(強(qiáng)度、路徑)、大風(fēng)范圍、降水的最大強(qiáng)度、強(qiáng)降水范圍、強(qiáng)降水累積強(qiáng)度等多方面反映了臺(tái)風(fēng)的影響特征。分別對(duì)上述7個(gè)致災(zāi)因子進(jìn)行標(biāo)準(zhǔn)化處理，建立預(yù)報(bào)因子樣本集合。

表2 各類臺(tái)風(fēng)路徑對(duì)應(yīng)的地理參數(shù)Table 2 Geographical parameters corresponding to various typhoon paths

2 結(jié)果分析

2.1 臺(tái)風(fēng)災(zāi)害致災(zāi)因子與災(zāi)情等級(jí)的關(guān)系

利用1981—2018年影響廣西且災(zāi)情記錄比較完整的86個(gè)臺(tái)風(fēng)樣本數(shù)據(jù)，分析臺(tái)風(fēng)災(zāi)害致災(zāi)因子與災(zāi)情等級(jí)之間的相關(guān)性。由表3可見，經(jīng)過標(biāo)準(zhǔn)化處理后的臺(tái)風(fēng)地理參數(shù)(Tp)、臺(tái)風(fēng)進(jìn)入廣西影響區(qū)后的最大風(fēng)速(Tf)、大風(fēng)站日(Df)、最大日降水量(Rd)、過程最大降水量(Rg)、過程降水量≥100 mm站數(shù)(Rn)、暴雨指數(shù)(Rz)與災(zāi)情等級(jí)之間的相關(guān)系數(shù)在0.36—0.78之間，均通過α=0.001的顯著性檢驗(yàn)，且多數(shù)因子與災(zāi)情等級(jí)之間的相關(guān)系數(shù)達(dá)0.6以上。表明這7個(gè)因子標(biāo)準(zhǔn)化值與災(zāi)情等級(jí)呈顯著正相關(guān)，用于表征臺(tái)風(fēng)災(zāi)害致災(zāi)因子強(qiáng)度是合理的。

表3 臺(tái)風(fēng)災(zāi)害致災(zāi)因子與災(zāi)情等級(jí)之間的相關(guān)性Table 3 Correlation between typhoon disaster hazard factors and disaster levels

2.2 臺(tái)風(fēng)災(zāi)情等級(jí)遺傳—神經(jīng)網(wǎng)絡(luò)模型預(yù)報(bào)試驗(yàn)分析

本文在進(jìn)行臺(tái)風(fēng)災(zāi)情等級(jí)集合預(yù)報(bào)試驗(yàn)時(shí)，采用1.2節(jié)介紹的方法來生成種群個(gè)體，并以1.3.2節(jié)選取的預(yù)報(bào)因子為因子矩陣建立相應(yīng)的遺傳—神經(jīng)網(wǎng)絡(luò)集合預(yù)報(bào)模型。其中神經(jīng)網(wǎng)絡(luò)的輸入節(jié)點(diǎn)(預(yù)報(bào)因子數(shù))為7，以輸入節(jié)點(diǎn)的 0.5—1.5倍作為神經(jīng)網(wǎng)絡(luò)的隱層數(shù)，連接權(quán)值的范圍設(shè)為(-2,2)，訓(xùn)練次數(shù)為 200次，學(xué)習(xí)因子為0.5，動(dòng)量因子為0.75。遺傳進(jìn)化計(jì)算參數(shù)設(shè)為：每代種群個(gè)體數(shù)為30，進(jìn)化代數(shù)為30代；交叉算子的權(quán)(閥)值交叉概率為0.6，控制碼交叉概率為0.9；變異算子采用基本位變異，其變異概率為0.05。進(jìn)化計(jì)算結(jié)束后，對(duì)最后一代個(gè)體進(jìn)行解碼，得到30個(gè)神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)個(gè)體分別給予相同的權(quán)重構(gòu)建最終的集合預(yù)報(bào)模型。利用該預(yù)報(bào)模型，分別對(duì)2014—2018年的 14個(gè)獨(dú)立預(yù)報(bào)樣本作預(yù)報(bào)檢驗(yàn)。在進(jìn)行預(yù)報(bào)試驗(yàn)時(shí)，先用1981—2013年的72個(gè)建模樣本建立預(yù)報(bào)模型對(duì)第1個(gè)獨(dú)立樣本作預(yù)報(bào)，再以72個(gè)建模樣本加上前面第1個(gè)獨(dú)立樣本作為建模樣本，對(duì)第2個(gè)獨(dú)立樣本進(jìn)行預(yù)報(bào)，以此類推一直計(jì)算到最后第14個(gè)獨(dú)立預(yù)報(bào)樣本。并且在計(jì)算每一個(gè)獨(dú)立預(yù)報(bào)樣本時(shí)，集合預(yù)報(bào)模型的所有參數(shù)設(shè)置一直保持不變。

表4和表5分別給出了利用遺傳—神經(jīng)網(wǎng)絡(luò)集合預(yù)報(bào)模型對(duì)1981—2013年72個(gè)樣本(訓(xùn)練集)的擬合和2014—2018年14個(gè)樣本(測(cè)試集)的預(yù)報(bào)效果。訓(xùn)練樣本災(zāi)情等級(jí)擬合值與實(shí)際值的相關(guān)系數(shù)達(dá)0.9374，通過α=0.001的顯著性檢驗(yàn)，72個(gè)樣本中有86.1%的樣本擬合值與實(shí)際值一致。測(cè)試樣本災(zāi)情等級(jí)預(yù)報(bào)值與實(shí)際值的相關(guān)系數(shù)達(dá)0.9251，通過α=0.001的顯著性檢驗(yàn)，14個(gè)樣本中有71.4%的樣本預(yù)報(bào)值與實(shí)際值一致，其余4個(gè)樣本的預(yù)報(bào)值與實(shí)際值相比僅相差1個(gè)等級(jí)，其中災(zāi)情等級(jí)為嚴(yán)重(4)和較重(3)的樣本預(yù)報(bào)值與實(shí)際值完全一致；災(zāi)情等級(jí)為中等(2)的4個(gè)樣本中有1個(gè)樣本預(yù)報(bào)值與實(shí)際值一致，3個(gè)樣本的預(yù)報(bào)值比實(shí)際值偏大1個(gè)等級(jí)；災(zāi)情等級(jí)為較輕(1)的6個(gè)樣本中有5個(gè)樣本預(yù)報(bào)值與實(shí)際值一致，1個(gè)樣本的預(yù)報(bào)值比實(shí)際值偏大1個(gè)等級(jí)，一致率達(dá)83.3%?？偟膩砜?，該模型對(duì)廣西臺(tái)風(fēng)災(zāi)害程度的評(píng)估效果較好。

表4 臺(tái)風(fēng)災(zāi)情等級(jí)模擬效果Table 4 Simulation effect of typhoon disaster levels

表5 臺(tái)風(fēng)災(zāi)情等級(jí)預(yù)報(bào)值與實(shí)際值的比較Table 5 Comparison of predicted and actual values of typhoon disaster levels

3 結(jié)論與討論

(1)臺(tái)風(fēng)進(jìn)入廣西影響區(qū)后的中心附近最大風(fēng)速、地理參數(shù)，臺(tái)風(fēng)影響過程期間廣西的大風(fēng)站日、最大日降水量、過程最大降水量、過程降水量≥100 mm站數(shù)、暴雨指數(shù)等因子，與根據(jù)廣西臺(tái)風(fēng)災(zāi)害死亡人數(shù)、傷亡總?cè)藬?shù)、直接經(jīng)濟(jì)損失構(gòu)建的臺(tái)風(fēng)災(zāi)情等級(jí)具有顯著的相關(guān)關(guān)系。

(2)以上述因子的標(biāo)準(zhǔn)化值作為預(yù)報(bào)因子，以臺(tái)風(fēng)災(zāi)情等級(jí)作為預(yù)報(bào)量，基于遺傳—神經(jīng)網(wǎng)絡(luò)方法建立廣西臺(tái)風(fēng)災(zāi)害評(píng)估模型，有效結(jié)合了神經(jīng)網(wǎng)絡(luò)局部調(diào)節(jié)能力強(qiáng)和遺傳算法全局優(yōu)化的能力，取得較好的效果。試驗(yàn)結(jié)果表明，模型具有較好的評(píng)估能力，對(duì)臺(tái)風(fēng)災(zāi)情等級(jí)的擬合值、預(yù)報(bào)值與實(shí)際值的相關(guān)系數(shù)分別達(dá)0.9374、0.9251，均通過α=0.001的顯著性檢驗(yàn)，對(duì)訓(xùn)練集災(zāi)情等級(jí)的擬合一致率為86.1%，對(duì)獨(dú)立樣本臺(tái)風(fēng)災(zāi)情等級(jí)的預(yù)報(bào)準(zhǔn)確率達(dá)71.4%，臺(tái)風(fēng)災(zāi)情等級(jí)誤差不超過1個(gè)等級(jí)，其中嚴(yán)重和較重的臺(tái)風(fēng)災(zāi)情等級(jí)預(yù)報(bào)與實(shí)況基本一致。

(3)本文建立的臺(tái)風(fēng)災(zāi)害評(píng)估模型建模原理清晰，所需預(yù)報(bào)因子資料易于獲取，具有較好的實(shí)用性。業(yè)務(wù)應(yīng)用時(shí)，在臺(tái)風(fēng)影響廣西之前，可根據(jù)臺(tái)風(fēng)路徑、強(qiáng)度預(yù)報(bào)和風(fēng)、雨預(yù)報(bào)值統(tǒng)計(jì)得到各預(yù)報(bào)因子數(shù)值，利用該模型對(duì)臺(tái)風(fēng)災(zāi)情等級(jí)進(jìn)行預(yù)評(píng)估，根據(jù)災(zāi)情等級(jí)估計(jì)可能造成的損失量值范圍，為防臺(tái)減災(zāi)提供決策依據(jù)。

(4)臺(tái)風(fēng)災(zāi)害的成因十分復(fù)雜，本文選取的災(zāi)害預(yù)報(bào)因子只考慮了臺(tái)風(fēng)強(qiáng)度、路徑、風(fēng)雨情況等主要因素，未考慮風(fēng)暴潮等影響因子以及孕災(zāi)環(huán)境、防災(zāi)抗災(zāi)能力等方面的作用，在今后的工作中，還需結(jié)合上述要素進(jìn)一步開展研究，提高模型預(yù)估的準(zhǔn)確度和精細(xì)度。