徐源蔚， 李祚泳， 汪嘉楊

(成都信息工程大學(xué)資源環(huán)境學(xué)院，四川成都610225)

自然災(zāi)害種類眾多，其中洪水災(zāi)害是全球更是中國影響范圍廣、損害最嚴(yán)重的自然災(zāi)害之一［1］。因而對洪水災(zāi)害所造成的生命、財產(chǎn)損失進(jìn)行客觀、有效的評估能為減災(zāi)、防災(zāi)決策提供依據(jù)，對有關(guān)管理部門制定科學(xué)的減災(zāi)、救災(zāi)決策具有一定的參考價值。

國內(nèi)、外對災(zāi)害指標(biāo)的選擇及災(zāi)情評估模型和方法已有很多研究［2-6］。主要有模糊綜合評價法［7］、灰色聚類評價法［8］、物元可拓評價法［9-10］、集對分析評價法［11］等不確定性評價法和人工神經(jīng)網(wǎng)絡(luò)［12］、投影尋蹤［13］、支持向量機［14］等智能評價模型。不確定性分析評價法雖然考慮了災(zāi)情指標(biāo)所具有的模糊性、灰色性、不相容性、既確定又不確定等特性，但當(dāng)指標(biāo)較多時，評價函數(shù)的設(shè)計和計算工作量大，且評價函數(shù)的設(shè)計有較大的主觀性。人工智能評價模型能很好的適用于非線性、非正態(tài)、高維數(shù)據(jù)處理，但模型中有較多的參數(shù)需要優(yōu)化確定。其中最常用的BP神經(jīng)網(wǎng)絡(luò)雖然具有自學(xué)習(xí)、自適應(yīng)和較強的非線性映射能力及原理簡單等優(yōu)點，但也存在學(xué)習(xí)效率低、收斂速度慢和易于陷入局部極值的缺陷。而用優(yōu)化算法直接優(yōu)化網(wǎng)絡(luò)連接權(quán)值的前向神經(jīng)網(wǎng)絡(luò)(forward neural network，F(xiàn)NN)(簡稱前向網(wǎng)絡(luò))雖然能較好地避免陷入局部極值，但需要優(yōu)化的網(wǎng)絡(luò)參數(shù)也較多。智能評價模型的共同局限是模型的編程和計算都較復(fù)雜，實際使用不便;當(dāng)指標(biāo)較多時，還影響模型的優(yōu)化效率和求解精度，更不能建立對不同評價指標(biāo)或不同指標(biāo)數(shù)目都能普適、通用的前向網(wǎng)絡(luò)模型，因而包括前向網(wǎng)絡(luò)模型在內(nèi)的智能評價模型應(yīng)用于指標(biāo)較多的災(zāi)情評估亦受到很大的限制。

但若對災(zāi)情各指標(biāo)值進(jìn)行規(guī)范變換，使規(guī)范變換后的不同指標(biāo)的同級標(biāo)準(zhǔn)規(guī)范值之間差異較小，從而規(guī)范變換后的各指標(biāo)可視作“等效”于同一個規(guī)范指標(biāo)，因而只需構(gòu)建對任意指標(biāo)規(guī)范值都適用的2個指標(biāo)的2-2-1和3個指標(biāo)的3-2-1兩種簡單結(jié)構(gòu)的前向網(wǎng)絡(luò)模型;而對災(zāi)害指標(biāo)多于3個以上的的前向網(wǎng)絡(luò)建模，可以通過將多指標(biāo)的前向網(wǎng)絡(luò)模型分解為以上兩種簡單結(jié)構(gòu)的前向網(wǎng)絡(luò)模型的組合表示即可。從而使災(zāi)情評估的前向網(wǎng)絡(luò)建模不但更簡化，而且適用范圍也更廣泛。在對洪水災(zāi)害指標(biāo)值進(jìn)行規(guī)范變換基礎(chǔ)上，優(yōu)化建立適用于指標(biāo)規(guī)范值的2-2-1和3-2-1兩種結(jié)構(gòu)的前向神經(jīng)網(wǎng)絡(luò)模型輸出表示式，并用于中國45個洪水災(zāi)情案例評估。

1 洪水災(zāi)害指標(biāo)的參照值及指標(biāo)值的規(guī)范變換式

具有一定代表性的中國部分省、市發(fā)生的洪水災(zāi)害所選用的災(zāi)害評價指標(biāo)名稱及分級標(biāo)準(zhǔn)cjk(j=1，2，3，4;k=1，2，3)如表1 所示［12］，其中，j代表指標(biāo)，k 代表分級標(biāo)準(zhǔn)?？梢钥闯觯煌笜?biāo)的同級標(biāo)準(zhǔn)值之間的單位、量綱和數(shù)值大小差異皆很大。不過，經(jīng)觀察、分析，若設(shè)置如表1所示的各指標(biāo)參照值cj0、閾值cb和構(gòu)造如式(1)和式(2)所示的各指標(biāo)值的規(guī)范變換式，則經(jīng)式(1)和式(2)規(guī)范變換后的不同指標(biāo)的同級標(biāo)準(zhǔn)規(guī)范值x'jk差異變得較小，亦見表1。因而可以認(rèn)為規(guī)范變換后的各指標(biāo)皆“等效”于同一個規(guī)范指標(biāo)，因而只需構(gòu)建對各指標(biāo)規(guī)范值都適用的2-2-1和3-2-1兩種網(wǎng)絡(luò)結(jié)構(gòu)的洪水災(zāi)情評估前向網(wǎng)絡(luò)模型即可。

式中，cj為指標(biāo)j的實際值或分級標(biāo)準(zhǔn)值;cjb為設(shè)置的指標(biāo)j的閾值;cj0為設(shè)置的指標(biāo)j的參照值;xj和x'j分別為指標(biāo)j的變換值和規(guī)范值。

表1 洪水災(zāi)害4項評估指標(biāo)參照值cj0、分級標(biāo)準(zhǔn)值cjk、標(biāo)準(zhǔn)規(guī)范值x'jk及NV-FNN網(wǎng)絡(luò)各級輸出值

2 基于指標(biāo)規(guī)范值的洪水災(zāi)害評價的前向神經(jīng)網(wǎng)絡(luò)模型

2．1 前向網(wǎng)絡(luò)模型輸出的一般表示式

由于具有非線性映射能力的雙極性sigmoid函數(shù)的輸出變化范圍為0～1，可增大權(quán)值調(diào)整量，使前向網(wǎng)絡(luò)的功能更強大，還能加速收斂。因此，為使建立的洪水災(zāi)害評價的前向網(wǎng)絡(luò)既能保持較強的非線性映射能力，又使結(jié)構(gòu)得到簡化，采用雙極性sigmoid函數(shù)作為前向網(wǎng)絡(luò)隱層節(jié)點激活函數(shù)，而網(wǎng)絡(luò)輸出節(jié)點的輸出則采用對隱節(jié)點輸出的線性加權(quán)求和計算。其網(wǎng)絡(luò)輸出如式(3)所示。

式中，fh為用雙極性sigmoid函數(shù)表示的隱節(jié)點h的輸出;vhl為隱節(jié)點h與輸出節(jié)點l的連接權(quán)值;H為隱層節(jié)點數(shù)目;Ol為輸出節(jié)點l的輸出。x為樣本i的輸入矢量，其中，x'ji為樣本 i的指標(biāo) j的規(guī)范值;whj為輸入節(jié)點j與隱節(jié)點h的連接權(quán)值;m為輸入節(jié)點個數(shù)。

2．2 各級標(biāo)準(zhǔn)的指標(biāo)規(guī)范值生成

為使建立的2-2-1結(jié)構(gòu)和3-2-1結(jié)構(gòu)的FNN模型具有較強的泛化能力(即推廣能力)，除表1中各級標(biāo)準(zhǔn)的4項指標(biāo)的標(biāo)準(zhǔn)規(guī)范值外，還在各級標(biāo)準(zhǔn)的此4項指標(biāo)的標(biāo)準(zhǔn)規(guī)范值的均值方差變化范圍內(nèi)，再分別隨機生成指標(biāo)的96個標(biāo)準(zhǔn)規(guī)范值，使每級標(biāo)準(zhǔn)各有100個標(biāo)準(zhǔn)規(guī)范值，3級標(biāo)準(zhǔn)共有300個標(biāo)準(zhǔn)規(guī)范值。

2．3 構(gòu)建2-2-1結(jié)構(gòu)的前向網(wǎng)絡(luò)模型

(1)生成訓(xùn)練樣本

為構(gòu)建2個輸入節(jié)點和2個隱節(jié)點及1個輸出節(jié)點的2-2-1結(jié)構(gòu)的前向網(wǎng)絡(luò)模型(FNN)，將上述生成的各級標(biāo)準(zhǔn)的100個標(biāo)準(zhǔn)規(guī)范值中的第1個和第2個指標(biāo)規(guī)范值組成第1個訓(xùn)練樣本的2個因子，第2個和第3個指標(biāo)規(guī)范值組成第2個訓(xùn)練樣本的2個因子，依次遞推，…，第99個和第100個指標(biāo)規(guī)范值組成第99個訓(xùn)練樣本的2個因子，第100個和第1個指標(biāo)規(guī)范值組成第100個訓(xùn)練樣本的2個因子。每級標(biāo)準(zhǔn)有100個訓(xùn)練樣本，3級標(biāo)準(zhǔn)共組成300個訓(xùn)練樣本，用于訓(xùn)練2-2-1結(jié)構(gòu)的前向網(wǎng)絡(luò)的相鄰兩層節(jié)點之間的連接權(quán)值。

(2)前向網(wǎng)絡(luò)2-2-1結(jié)構(gòu)模型的輸出表示式

設(shè)各級標(biāo)準(zhǔn)的訓(xùn)練樣本的期望輸出值和實際輸出值分別為 Tl、Ol，(l=1，2，3)。則同級標(biāo)準(zhǔn)的100個訓(xùn)練樣本的網(wǎng)絡(luò)期望輸出值 Tl(l=1，2，3)應(yīng)設(shè)計為相同，3級標(biāo)準(zhǔn)的網(wǎng)絡(luò)期望輸出值Tl可分別設(shè)計為 T1=0.25，T2=0.30，T3=0.40。為優(yōu)化網(wǎng)絡(luò)節(jié)點之間的連接權(quán)值，需要設(shè)計優(yōu)化目標(biāo)函數(shù)式，如式(4)所示。

式中，Ojl為l級標(biāo)準(zhǔn)的訓(xùn)練樣本j的網(wǎng)絡(luò)實際輸出值;Tl為l級標(biāo)準(zhǔn)的訓(xùn)練樣本的期望輸出值。

在滿足優(yōu)化目標(biāo)函數(shù)式(4)條件下，用上述生成的300個訓(xùn)練樣本代入式(3)所示的網(wǎng)絡(luò)結(jié)構(gòu)為2-2-1的前向網(wǎng)絡(luò)，采用免疫進(jìn)化的粒子群算法反復(fù)迭代優(yōu)化，當(dāng)優(yōu)化目標(biāo)函數(shù)式minQ≤8.24×10-4時，停止迭代，得到式(5)所示的結(jié)構(gòu)為2-2-1的前向網(wǎng)絡(luò)模型輸出表示式。

2．4 構(gòu)建3-2-1結(jié)構(gòu)的前向網(wǎng)絡(luò)模型

(1)生成訓(xùn)練樣本

為構(gòu)建3個輸入節(jié)點和2個隱節(jié)點及1個輸出節(jié)點的3-2-1結(jié)構(gòu)的前向網(wǎng)絡(luò)模型，類似網(wǎng)絡(luò)結(jié)構(gòu)為2-2-1的前向網(wǎng)絡(luò)訓(xùn)練樣本的組成，將上述生成的各級標(biāo)準(zhǔn)的100個標(biāo)準(zhǔn)規(guī)范值中的第1個、第2個和第3個指標(biāo)規(guī)范值組成第1個訓(xùn)練樣本的3個因子，第2個、第3個和第4個指標(biāo)規(guī)范值組成第2個訓(xùn)練樣本的3個因子，依次遞推，……，第99個、第100個和第1個指標(biāo)規(guī)范值組成第99個訓(xùn)練樣本的3個因子，第100個、第1個和第2個指標(biāo)規(guī)范值組成第100個訓(xùn)練樣本的3個因子。每級標(biāo)準(zhǔn)仍是100個訓(xùn)練樣本，3級標(biāo)準(zhǔn)共組成300個訓(xùn)練樣本，用于訓(xùn)練3-2-1結(jié)構(gòu)的前向網(wǎng)絡(luò)的相鄰兩層節(jié)點之間的連接權(quán)值。

(2)前向網(wǎng)絡(luò)3-2-1結(jié)構(gòu)模型的輸出表示式

同級標(biāo)準(zhǔn)的100個訓(xùn)練樣本的網(wǎng)絡(luò)期望輸出值亦設(shè)置為與2-2-1網(wǎng)絡(luò)結(jié)構(gòu)的完全相同。設(shè)計優(yōu)化目標(biāo)函數(shù)式，如式(4)所示。在滿足優(yōu)化目標(biāo)函數(shù)式(4)條件下，用上述生成的300個訓(xùn)練樣本代入式(3)所示的網(wǎng)絡(luò)結(jié)構(gòu)為3-2-1的前向網(wǎng)絡(luò)，亦采用免疫進(jìn)化的粒子群算法反復(fù)迭代優(yōu)化。當(dāng)優(yōu)化目標(biāo)函數(shù)式minQ≤6.15×10-4時，停止訓(xùn)練，得到式(6)所示的結(jié)構(gòu)為3-2-1的前向網(wǎng)絡(luò)模型輸出表示式。

3 模型效果檢驗

選取中國部分省市發(fā)生的45個洪水災(zāi)害的災(zāi)情案例對模型進(jìn)行效果檢驗［15］。這些省市4項洪水災(zāi)害評估指標(biāo)的分級標(biāo)準(zhǔn)值 cjk(j=1，2，…，4;k=1，2，3)及45個洪水災(zāi)害案例指標(biāo)監(jiān)測數(shù)據(jù)cji(j=1，2，…，4;i=1，2，…，45)分別如表1和表2所示。由表1所示的指標(biāo)參照值cj0、cb和式(1)及式(2)計算出45個洪水災(zāi)害案例指標(biāo)規(guī)范值x'ji，如表2所示。

依次將表1中各級標(biāo)準(zhǔn)的第1項和第2項指標(biāo)，第2項和第3項指標(biāo)，…，第4項和第1項指標(biāo)的標(biāo)準(zhǔn)規(guī)范值組成樣本的2項指標(biāo)代入結(jié)構(gòu)為2-2-1的前向網(wǎng)絡(luò)模型輸出式(5)。計算出4個2-2-1結(jié)構(gòu)前向網(wǎng)絡(luò)模型輸出分級標(biāo)準(zhǔn)值，并求平均得2-2-1結(jié)構(gòu)的模型輸出實際分級標(biāo)準(zhǔn)值ˉOk(2-2-1)，如表1所示。

將表2中45個洪水災(zāi)害案例4項指標(biāo)規(guī)范值按從小到大(或從大到小)排序，并將排序后的前2項、后2項指標(biāo)規(guī)范值分別代入式(5)，計算得到各洪水災(zāi)害案例的2-2-1結(jié)構(gòu)網(wǎng)絡(luò)輸出值、及其平均值O-i，如表2所示。依據(jù)表1網(wǎng)絡(luò)輸出分級標(biāo)準(zhǔn)值作出的洪水災(zāi)害評價結(jié)果，亦見表2。表2中還列出文獻(xiàn)［15］用灰云聚類法、物元分析法和災(zāi)度判別評價結(jié)果。

對表2所列的分析結(jié)果進(jìn)行統(tǒng)計，評估結(jié)果中，輕災(zāi)(Ⅰ類)的樣本個數(shù)為22，中災(zāi)的(Ⅱ類)的樣本個數(shù)為18，重災(zāi)(Ⅲ類)的樣本個數(shù)為5。對比文獻(xiàn)［15］中灰云聚類法、物元分析法和災(zāi)度判別評價結(jié)果，其中基于規(guī)范變換的前向神經(jīng)網(wǎng)絡(luò)與灰云聚類法、災(zāi)度判別法和物元分析法分別有38個、37個和33個洪水災(zāi)害案例評價結(jié)果相同，其符合度分別為84.4% 、82.2% 和73.3%。由此可得，基于規(guī)范變換的前向神經(jīng)網(wǎng)絡(luò)與灰云聚類法評價結(jié)果相符程度最高，與物元分析評價法相符程度較低。

4 結(jié)論

(1)對洪水災(zāi)害多于3個指標(biāo)的前向網(wǎng)絡(luò)建模，可將其分解為2-2-1和(或)3-2-1兩種結(jié)構(gòu)的前向網(wǎng)絡(luò)模型的組合表示，故該模型不受指標(biāo)多少限制，因而，該模型比BP神經(jīng)網(wǎng)絡(luò)模型或傳統(tǒng)的前向網(wǎng)絡(luò)模型適用范圍更廣。

(2)對任意洪水災(zāi)害個例，即使災(zāi)害指標(biāo)與表1中的指標(biāo)和分級標(biāo)準(zhǔn)并不相同，但只要能確定這些指標(biāo)分級標(biāo)準(zhǔn)值，能適當(dāng)設(shè)置出指標(biāo)參照值cj0、閾值cb和指標(biāo)值的規(guī)范變換式，使變換后的不同指標(biāo)的同級標(biāo)準(zhǔn)規(guī)范值能在表1所示的各級標(biāo)準(zhǔn)規(guī)范值變化范圍內(nèi)或差異不大，則優(yōu)化得出的前向網(wǎng)絡(luò)模型輸出式(5)和式(6)對該個例的指標(biāo)也同樣適用。

(3)用前向網(wǎng)絡(luò)模型輸出式(5)和式(6)對洪水災(zāi)害評估不用再編程計算，其評價過程比BP神經(jīng)網(wǎng)絡(luò)模型和傳統(tǒng)的前向神經(jīng)網(wǎng)絡(luò)模型簡單。

表2 中國部分省市45個洪水災(zāi)害案例監(jiān)測值cj、規(guī)范值和多種方法評價結(jié)果

表2 中國部分省市45個洪水災(zāi)害案例監(jiān)測值cj、規(guī)范值和多種方法評價結(jié)果

災(zāi)度判倒房/萬間 受災(zāi)面積/667 hm2 傷亡人數(shù)/人 經(jīng)濟(jì)損失/億元 NV-FNN序號別結(jié)果評價結(jié)果cj x'j cj x'j cj x'j cj x'j ˉOi 級別灰云聚類法結(jié)果物元分析評價結(jié)果1 20 0.3428 50 0.1151 1069 0.3141 2 0.1753 0.3097 Ⅱ類 Ⅰ類 Ⅲ類 Ⅱ類2 1 0.0000 17.3 0.0621 18 0.1099 1.6 0.1498 0.1084 Ⅰ類 Ⅰ類 Ⅰ類 Ⅱ類3 3.16 0.2341 7.4 0.0196 706 0.2933 1.5 0.1407 0.2278 Ⅱ類 Ⅰ類 Ⅱ類 Ⅱ類4 30 0.3640 2087 0.3017 363 0.2601 28.2 0.3405 0.4096 Ⅲ類 Ⅲ類 Ⅲ類 Ⅲ類5 0.08 0.0000 63 0.1267 9 0.0752 2 0.1753 0.1269 Ⅰ類 Ⅰ類 Ⅱ類 Ⅱ類6 4.7 0.2610 180 0.1792 78 0.1832 8 0.2726 0.2957 Ⅱ類 Ⅱ類 Ⅱ類 Ⅱ類7 25 0.3545 55 0.1199 16 0.1040 3.5 0.2211 0.2622 Ⅱ類 Ⅰ類 Ⅱ類 Ⅱ類8 0.094 0.0000 67 0.1298 21 0.1176 0.158 0.0000 0.0830 Ⅰ類 Ⅰ類 Ⅰ類 Ⅰ類9 2.3 0.2087 440 0.2239 52 0.1629 3 0.2100 0.2679 Ⅱ類 Ⅰ類 Ⅱ類 Ⅱ類10 0.54 0.0000 30 0.0896 13 0.0936 2.98 0.2095 0.1316 Ⅰ類 Ⅰ類 Ⅱ類 Ⅱ類11 0.06 0.0000 72 0.1334 22 0.1199 1.94 0.1722 0.1436 Ⅰ類 Ⅰ類 Ⅱ類 Ⅱ類12 0.2 0.0000 42 0.1064 6 0.0549 0.847 0.0000 0.0540 Ⅰ類 Ⅰ類 Ⅰ類 Ⅰ類13 2 0.1956 307 0.2059 59 0.1692 3.5 0.2211 0.2633 Ⅱ類 Ⅰ類 Ⅱ類 Ⅱ類14 1 0.0000 271 0.1996 51 0.1619 0.901 0.0000 0.1202 Ⅰ類 Ⅰ類 Ⅱ類 Ⅰ類15 1.7 0.1778 1470 0.2842 33 0.1402 9.54 0.2826 0.2918 Ⅱ類 Ⅱ類 Ⅲ類 Ⅱ類16 0.4 0.0000 96 0.1477 7 0.0626 1.4 0.1295 0.1146 Ⅰ類 Ⅰ類 Ⅰ類 Ⅰ類17 0.9 0.0000 151 0.1704 17 0.1070 0.944 0.0000 0.0925 Ⅰ類 Ⅰ類 Ⅰ類 Ⅰ類18 0.68 0.0000 42 0.1064 2 0.0000 0.075 0.0000 0.0350 Ⅰ類 Ⅰ類 Ⅰ類 Ⅰ類19 3.4 0.2394 262 0.1979 71 0.1785 6.8 0.2632 0.2907 Ⅱ類 Ⅱ類 Ⅱ類 Ⅱ類20 1.5 0.1609 216 0.1883 69 0.1770 4.1 0.2319 0.2521 Ⅱ類 Ⅰ類 Ⅱ類 Ⅱ類21 2.2 0.2047 319 0.2078 37 0.1459 3.3 0.2170 0.2583 Ⅱ類 Ⅰ類 Ⅱ類 Ⅱ類22 0.252 0.0000 384 0.2171 4 0.0347 1.98 0.1743 0.1419 Ⅰ類 Ⅰ類 Ⅱ類 Ⅱ類23 0.68 0.0000 421 0.2217 2 0.0000 0.075 0.0000 0.0725 Ⅰ類 Ⅰ類 Ⅰ類 Ⅰ類24 4.4 0.2568 283 0.2018 161 0.2194 8.99 0.2792 0.3154 Ⅱ類 Ⅱ類 Ⅱ類 Ⅱ類25 0.19 0.0000 44 0.1087 10 0.0805 1.2 0.0949 0.0964 Ⅰ類 Ⅰ類 Ⅰ類 Ⅰ類26 0.7 0.0000 59 0.1234 7 0.0626 1.2 0.0949 0.0950 Ⅰ類 Ⅰ類 Ⅰ類 Ⅰ類27 4 0.2505 665 0.2445 65 0.1741 18 0.3170 0.3243 Ⅱ類 Ⅱ類 Ⅲ類 Ⅲ類28 11.5 0.3132 2200 0.3043 52 0.1629 20 0.3225 0.3612 Ⅲ類 Ⅲ類 Ⅲ類 Ⅲ類29 3 0.2303 51 0.1161 2 0.0000 2 0.1753 0.1746 Ⅰ類 Ⅰ類 Ⅱ類 Ⅱ類30 0.1 0.0000 11 0.0394 2 0.0000 0.55 0.0000 0.0130 Ⅰ類 Ⅰ類 Ⅰ類 Ⅰ類31 4.8 0.2624 450 0.2250 116 0.2030 10 0.2852 0.3211 Ⅱ類 Ⅱ類 Ⅱ類 Ⅱ類32 0.22 0.0000 156 0.1720 11 0.0852 0.25 0.0000 0.0856 Ⅰ類 Ⅰ類 Ⅱ類 Ⅰ類33 0.12 0.0000 43 0.1076 3 0.0203 0.197 0.0000 0.0424 Ⅰ類 Ⅰ類 Ⅰ類 Ⅰ類34 0.19 0.0000 39 0.1027 6 0.0549 0.519 0.0000 0.0527 Ⅰ類 Ⅰ類 Ⅰ類 Ⅰ類35 34 0.3704 310 0.2064 1663 0.3362 28 0.3401 0.4061 Ⅲ類 Ⅲ類 Ⅲ類 Ⅲ類36 15 0.3276 600 0.2394 15 0.1007 8 0.2726 0.3096 Ⅱ類 Ⅱ類 Ⅲ類 Ⅲ類37 11 0.3107 300 0.2047 606 0.2857 9 0.2793 0.3541 Ⅱ、Ⅲ類 Ⅱ類 Ⅱ類 Ⅱ類38 9 0.2996 20 0.0693 207 0.2320 0.24 0.0000 0.1979 Ⅰ、Ⅱ類 Ⅰ類 Ⅱ類 Ⅰ類39 5 0.2649 60 0.1242 352 0.2585 0.2 0.0000 0.2149 Ⅰ、Ⅱ類 Ⅰ類 Ⅰ類 Ⅰ類40 0.87 0.0000 260 0.1976 36 0.1445 0.82 0.0000 0.1138 Ⅰ類 Ⅰ類 Ⅰ類 Ⅰ類41 0.43 0.0000 16 0.0582 136 0.2110 0.17 0.0000 0.0889 Ⅰ類 Ⅰ類 Ⅰ類 Ⅰ類42 1.8 0.1844 530 0.2332 800 0.2996 11 0.2905 0.3311 Ⅱ類 Ⅱ類 Ⅱ類 Ⅱ類43 9 0.2996 750 0.2505 164 0.2203 5 0.2446 0.3334 Ⅱ類 Ⅱ類 Ⅱ類 Ⅱ類44 6.8 0.2835 1489 0.2848 254 0.2422 17.2 0.3146 0.3669 Ⅱ、Ⅲ類 Ⅱ類 Ⅱ類 Ⅱ類45 4.19 0.2536 20 0.0693 186 0.2266 0.24 0.0000 0.1806 Ⅰ類 Ⅰ類 Ⅱ類 Ⅰ類

(4)模型不足之處為對多指標(biāo)的前向網(wǎng)絡(luò)建模，將其分解為2-2-1和(或)3-2-1兩種結(jié)構(gòu)可以有多種不同的組合模式，某些情況下，不同的組合得到評價結(jié)果有一定差異。

［1］ Schmidt S，Kemfert C，Hoppe P.The impact of social-economics and climate change on tropical cyclone losses in the USA［J］.Regional Environmental Change，2010，10(1):13-23.

［2］ Ologunorisa T E.An assessment of flood vulnerability zones in the Niger delta，Nigeria［J］.Intern J Environ Studies，2004，61(1):31-38.

［3］ Jose I.Barredo.Major flood disasters in Europe:1950-2005［J］.Natural Hazards，2007，42:125-148.

［4］ 王健，黃敏，薄景山.地震災(zāi)害損失評估新方法［J］.自然災(zāi)害學(xué)報，2014，23(2):221-225.

［5］ 葛鵬，岳賢平.洪澇災(zāi)害評估研究綜述［J］.南通大學(xué)學(xué)報(自然科學(xué)版)，2012，11(4):68-74.

［6］ 李祚泳，楊懷金，燕鵬.基于免疫進(jìn)化算法優(yōu)化的災(zāi)情評估指數(shù)公式及效果檢驗［J］高原氣象，2004，23(4);553-557.

［7］ 張弛，宋緒美，李偉.可變模糊評價法在洪澇災(zāi)情評價中的應(yīng)用［J］.自然災(zāi)害學(xué)報，2008，17(5):34-39.

［8］ 陳亞寧，楊思全.灰色聚類在洪水災(zāi)害等級劃分中的應(yīng)用［J］.干旱區(qū)地理，1999，03:37-42.

［9］ 李祚泳，鄧新民.自然災(zāi)害的物元分析災(zāi)情評估模型初探［J］.自然災(zāi)害學(xué)報，1994，3(2):28-33.

［10］ 劉少軍，張京紅，何政偉，等.改進(jìn)的物元可拓模型在臺風(fēng)災(zāi)害預(yù)評估中的應(yīng)用［J］.自然災(zāi)害學(xué)報，2012，21(2):135-141.

［11］ 郭小東，李寧，蘇經(jīng)宇.基于集對分析理論的洪水災(zāi)情綜合評估方法［J］.中國安全生產(chǎn)科學(xué)技術(shù)，2011，10:51-55.

［12］ 魏一鳴，范英，傅繼良，等.基于神經(jīng)網(wǎng)絡(luò)的洪水災(zāi)害預(yù)測方法［J］.中國管理科學(xué)，2000，8(3):57-62.

［13］ 董四輝，宿博，趙宇庫.基于投影尋蹤技術(shù)的洪水災(zāi)情綜合評價［J］.中國安全科學(xué)學(xué)報，2012，12:64-69.

［14］ 劉德地，陳曉宏.基于支持向量機的洪水災(zāi)情綜合評價模型［J］.長江流域資源與環(huán)境，2008，17(3):490-494.