基于粗糙集RBF神經(jīng)網(wǎng)絡(luò)村鎮(zhèn)山洪災(zāi)害損失預(yù)測(cè)研究
——以神農(nóng)架林區(qū)為例

李祎琛，何亞伯，汪 洋

(武漢大學(xué) 土木建筑工程學(xué)院，湖北 武漢430072)

基于粗糙集RBF神經(jīng)網(wǎng)絡(luò)村鎮(zhèn)山洪災(zāi)害損失預(yù)測(cè)研究
——以神農(nóng)架林區(qū)為例

李祎琛，何亞伯，汪 洋

(武漢大學(xué) 土木建筑工程學(xué)院，湖北 武漢430072)

以神農(nóng)架林區(qū)為研究對(duì)象，從致災(zāi)因子、孕災(zāi)環(huán)境、承災(zāi)體因素以及區(qū)域應(yīng)災(zāi)能力四個(gè)角度選取山洪災(zāi)害損失預(yù)測(cè)因子，并利用粗糙集對(duì)預(yù)測(cè)因子進(jìn)行約簡(jiǎn)，以實(shí)現(xiàn)對(duì)預(yù)測(cè)模型輸入指標(biāo)的優(yōu)化，針對(duì)山洪災(zāi)害損失作用機(jī)理的復(fù)雜性、不確定性，選擇RBF神經(jīng)網(wǎng)絡(luò)模型對(duì)災(zāi)害損失進(jìn)行預(yù)測(cè)。結(jié)果顯示粗糙集理論方法可以有效地判別提取與山洪災(zāi)害密切相關(guān)的預(yù)測(cè)因子，顯著地提高了模型對(duì)災(zāi)害損失的預(yù)測(cè)精度；基于粗糙集RBF神經(jīng)網(wǎng)絡(luò)模型對(duì)山洪災(zāi)害損失的擬合效果較好，預(yù)測(cè)精度高，相對(duì)誤差普遍保持在3%左右，改進(jìn)后的模型具有較高的實(shí)用價(jià)值。

山洪災(zāi)害；損失預(yù)測(cè)；粗糙集；RBF神經(jīng)網(wǎng)絡(luò)

自然環(huán)境的日益惡化和人類生產(chǎn)活動(dòng)對(duì)地質(zhì)地貌的開(kāi)發(fā)性破壞，使得我國(guó)中西部山區(qū)丘陵地帶山洪災(zāi)害日益頻發(fā)[1-3]。而受制于落后的經(jīng)濟(jì)、教育、醫(yī)療以及防災(zāi)減災(zāi)工程設(shè)施，山區(qū)村鎮(zhèn)的承災(zāi)和救災(zāi)能力有限，山洪災(zāi)害發(fā)生的易損性更為突出，“因?yàn)?zāi)致貧、因?yàn)?zāi)返貧”現(xiàn)象時(shí)有發(fā)生，山區(qū)村鎮(zhèn)山洪災(zāi)害現(xiàn)已成為阻礙社會(huì)經(jīng)濟(jì)可持續(xù)發(fā)展的重要障礙[3-4]。在過(guò)去的5年里，因突發(fā)性、局部性極端強(qiáng)降雨引發(fā)的山洪災(zāi)害造成的死亡人數(shù)比例呈遞增趨勢(shì)，直接經(jīng)濟(jì)損失更是無(wú)法估計(jì)[5-6]。

一直以來(lái)，洪水災(zāi)害是國(guó)內(nèi)外專家學(xué)者研究的熱點(diǎn)問(wèn)題，如洪水風(fēng)險(xiǎn)評(píng)估、風(fēng)險(xiǎn)預(yù)警、災(zāi)害易損性評(píng)價(jià)以及綜合考慮經(jīng)濟(jì)、社會(huì)、人口、環(huán)境的洪水災(zāi)害風(fēng)險(xiǎn)評(píng)價(jià)方法和指標(biāo)體系研究等[7-13]。在災(zāi)害損失預(yù)測(cè)方面，研究發(fā)現(xiàn)洪水災(zāi)害損失、區(qū)域地理位置與防災(zāi)能力之間存在密切聯(lián)系，當(dāng)洪災(zāi)發(fā)生在村鎮(zhèn)山區(qū)等防災(zāi)能力較弱的區(qū)域時(shí)，盡管災(zāi)害風(fēng)險(xiǎn)水平較低，但災(zāi)害的易損性更為嚴(yán)重[14]。而當(dāng)前，我國(guó)村鎮(zhèn)山洪災(zāi)害損失預(yù)測(cè)的研究還處于初探階段，對(duì)災(zāi)害損失預(yù)測(cè)多以時(shí)間序列模型進(jìn)行趨勢(shì)擬合，利用災(zāi)損度指數(shù)從有限的樣本數(shù)據(jù)中模擬災(zāi)害損失與時(shí)間的耦合關(guān)系，依賴于精確統(tǒng)計(jì)的災(zāi)害橫斷面數(shù)據(jù)。其中，常用的方法主要有回歸方程、支持向量機(jī)、數(shù)據(jù)包絡(luò)分析等[15-21]。雖然上述方法在一定程度上對(duì)山洪災(zāi)害損失進(jìn)行了合理的預(yù)測(cè)，但山洪災(zāi)害的發(fā)生具有較大突發(fā)性，是氣象災(zāi)害和地質(zhì)災(zāi)害并發(fā)的結(jié)果，特定的承災(zāi)體和孕災(zāi)環(huán)境對(duì)山洪災(zāi)害損失程度具有較大影響，并且考慮到山洪災(zāi)害損失有效的橫斷面數(shù)據(jù)較少、致災(zāi)機(jī)理復(fù)雜不明，以時(shí)間序列為基礎(chǔ)的擬合模型預(yù)測(cè)精度較差，研究方法也并未考慮到各因素對(duì)于災(zāi)害損失綜合影響程度。因此本文以神農(nóng)架林區(qū)山洪災(zāi)害損失預(yù)測(cè)為例，從致災(zāi)因子、孕災(zāi)環(huán)境、承災(zāi)體因素以及區(qū)域應(yīng)災(zāi)能力等角度選取預(yù)測(cè)因子，采用粗糙集對(duì)預(yù)測(cè)因子進(jìn)行約簡(jiǎn)，實(shí)現(xiàn)對(duì)預(yù)測(cè)模型輸入指標(biāo)的優(yōu)化，并針對(duì)山洪災(zāi)害與損失之間作用機(jī)理的復(fù)雜性、山洪災(zāi)害有效統(tǒng)計(jì)數(shù)據(jù)不足，利用RBF神經(jīng)網(wǎng)絡(luò)模型在解決不確定性問(wèn)題方面的優(yōu)勢(shì)，對(duì)災(zāi)害損失進(jìn)行預(yù)測(cè)，根據(jù)預(yù)測(cè)結(jié)果可以為村鎮(zhèn)規(guī)劃綜合風(fēng)險(xiǎn)評(píng)價(jià)和政府災(zāi)時(shí)快速?zèng)Q策提供前瞻性的依據(jù)。

1 數(shù)據(jù)來(lái)源與研究路線

1.1 研究區(qū)域與數(shù)據(jù)來(lái)源

神農(nóng)架林區(qū)位于湖北省西部，處于第二階梯第三階梯的交界處，由大巴山脈東延的余脈組成中高山地貌，區(qū)內(nèi)山體高大，由西南向東北逐漸降低，是中緯度自然環(huán)境過(guò)渡的交錯(cuò)區(qū)域，平均海拔1 700 m。神農(nóng)架林區(qū)地處中緯度北亞熱帶季風(fēng)區(qū)，受大氣環(huán)流控制，氣溫偏涼且多雨，年降水量900～1 000 mm。特定的地質(zhì)背景、地理位置和氣候條件使得神農(nóng)架林區(qū)成為山洪災(zāi)害頻發(fā)地段，不利于社會(huì)經(jīng)濟(jì)的可持續(xù)發(fā)展，不利于生態(tài)資源的開(kāi)發(fā)與保護(hù)。其中，研究區(qū)域位置如圖1所示。

文中山洪災(zāi)害的資料主要參考自《神農(nóng)架地區(qū)統(tǒng)計(jì)年鑒》和《山洪報(bào)告》以及實(shí)地調(diào)研。以1983-2013年之間在神農(nóng)架地區(qū)發(fā)生并造成一定經(jīng)濟(jì)社會(huì)損失的18次山洪災(zāi)害為樣本進(jìn)行災(zāi)害損失預(yù)測(cè)，并對(duì)數(shù)據(jù)資料采用統(tǒng)一統(tǒng)計(jì)標(biāo)準(zhǔn)，以保證數(shù)據(jù)資料能真實(shí)反應(yīng)災(zāi)害情況，確保預(yù)測(cè)的可信度。

圖1 神農(nóng)架林區(qū)地理位置圖

1.2 研究技術(shù)路線

災(zāi)害損失預(yù)測(cè)是防災(zāi)減災(zāi)工程的重要一環(huán)，與災(zāi)后損失評(píng)估相比，災(zāi)前或?yàn)?zāi)時(shí)的損失預(yù)測(cè)能夠提前獲得災(zāi)害等級(jí)信息，將極大提高救災(zāi)時(shí)效性，有助于政府快速?zèng)Q策，合理調(diào)配救災(zāi)物資和人員，減少災(zāi)害損失及影響，對(duì)防災(zāi)減災(zāi)工作和村鎮(zhèn)社會(huì)經(jīng)濟(jì)發(fā)展具有重大意義。

本文首先應(yīng)用粗糙集理論對(duì)影響災(zāi)害損失的因素進(jìn)行約簡(jiǎn)分析，去除冗余屬性，得到影響災(zāi)害損失的決定性因素；然后以約簡(jiǎn)后的因素作為輸入指標(biāo)，利用RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行災(zāi)害損失預(yù)測(cè)。研究的技術(shù)路線如圖2所示。

圖2 村鎮(zhèn)山洪災(zāi)害損失預(yù)測(cè)流程圖

2 預(yù)測(cè)指標(biāo)體系構(gòu)建

2.1 預(yù)測(cè)指標(biāo)體系初判

預(yù)測(cè)因子是科學(xué)預(yù)測(cè)災(zāi)害損失的基礎(chǔ)，因子的選擇不僅要遵從科學(xué)性、可行性和綜合性等基本原則，還要符合山洪災(zāi)害的基本規(guī)律和研究區(qū)域的地理特征[22-23]。本文從山洪災(zāi)害致災(zāi)機(jī)理的角度對(duì)誘發(fā)災(zāi)情的指標(biāo)因子進(jìn)行選擇，分析如下：

山洪災(zāi)害是氣象災(zāi)害和地質(zhì)災(zāi)害的并發(fā)，而災(zāi)情是致災(zāi)因子、孕災(zāi)環(huán)境、承災(zāi)體因素以及區(qū)域應(yīng)災(zāi)能力共同作用的結(jié)果[24]。降雨是誘發(fā)山洪災(zāi)害的直接致災(zāi)因子，降雨量和降雨歷時(shí)與山洪災(zāi)害的形成發(fā)展密切相關(guān)[25]。通常，降雨量的大小對(duì)激發(fā)泥石流起著重要作用，而降雨歷時(shí)長(zhǎng)短則決定了滑坡的發(fā)生。

孕災(zāi)環(huán)境一般考慮地形坡度、高程和植被覆蓋率等因素的共同影響。地形地貌是影響村鎮(zhèn)山洪災(zāi)害形成和發(fā)展的下墊面因素[26]。神農(nóng)架地區(qū)地形坡度陡峭、相對(duì)高差大，相同的降雨量下不僅易集中地表徑流，同時(shí)較大高差所累積的勢(shì)能也會(huì)加大流水對(duì)地表的沖刷，而植被覆蓋則減弱了山洪災(zāi)害的致災(zāi)因子和次生災(zāi)害，增強(qiáng)了土壤的應(yīng)力和穩(wěn)定性，降低了山洪災(zāi)害發(fā)生的風(fēng)險(xiǎn)概率。因此本文中選擇地形坡度、關(guān)聯(lián)災(zāi)害(滑坡體積)和植被覆蓋率等孕災(zāi)環(huán)境因子作為模型的輸入變量。

承災(zāi)體是指受到災(zāi)害影響和損害的人類社會(huì)主體，包括人類本身和社會(huì)經(jīng)濟(jì)發(fā)展的各個(gè)方面，如房屋建筑物、道路交通設(shè)施、農(nóng)田水利等[26]。承災(zāi)體是山洪災(zāi)害直接的作用物，災(zāi)害損失程度除了與致災(zāi)因子的強(qiáng)度有關(guān)，很大程度上取決于承災(zāi)體的脆弱性。研究目標(biāo)、對(duì)象不同，承災(zāi)體的層次也不同，就神農(nóng)架林區(qū)而言，選擇人口體能倍數(shù)、人口密度、耕地面積、公路里程、固定資產(chǎn)投資、區(qū)域人均收入、危險(xiǎn)區(qū)固定資產(chǎn)價(jià)值等因子作為模型的輸入變量。

區(qū)域應(yīng)災(zāi)能力考驗(yàn)一個(gè)地區(qū)災(zāi)害險(xiǎn)情發(fā)生時(shí)的應(yīng)急水平，區(qū)域應(yīng)災(zāi)能力強(qiáng)，對(duì)于災(zāi)害能夠做到及時(shí)預(yù)警、及時(shí)搶救，可以大大降低災(zāi)害發(fā)生的損失，選擇區(qū)域消防人員數(shù)、廣播覆蓋率、防洪堤壩長(zhǎng)度作為模型的輸入變量。

對(duì)于山洪災(zāi)情而言，最受關(guān)注的是財(cái)產(chǎn)損失和人員傷亡狀況，其中財(cái)產(chǎn)損失中農(nóng)作物受災(zāi)面積、受損房屋、直接經(jīng)濟(jì)損失是核心災(zāi)情；不同于其他自然災(zāi)害，由于爆發(fā)突然、難以預(yù)測(cè)、危險(xiǎn)性高，山洪災(zāi)害造成的人員傷亡依舊是山洪災(zāi)情的最主要的反映。因此，本文選擇人員傷亡和財(cái)產(chǎn)損失狀況作為模型的輸出變量，其中包括以下指標(biāo)：受災(zāi)人數(shù)、農(nóng)作物受災(zāi)面積、損傷房屋及直接經(jīng)濟(jì)損失。

因此參考現(xiàn)有自然災(zāi)害損失預(yù)測(cè)輸入變量體系、山洪災(zāi)情狀況以及神農(nóng)架林區(qū)自然社會(huì)特征[28-30]，整理出如圖1所示15個(gè)預(yù)測(cè)因子以及4個(gè)災(zāi)情定量預(yù)測(cè)輸出指標(biāo)。

2.2 預(yù)測(cè)指標(biāo)體系約簡(jiǎn)

粗糙集是一種刻畫不完整性、不確定性的數(shù)學(xué)工具，具有較好的數(shù)據(jù)知識(shí)挖掘功能，能夠篩選冗余數(shù)據(jù)中隱含的關(guān)鍵信息，并不影響原有的分類效果及評(píng)價(jià)結(jié)果[31-32]。

2.2.1 粗糙集基本理論

影響山洪災(zāi)害損失的指標(biāo)體系是一個(gè)復(fù)雜的灰色系統(tǒng)，冗余的指標(biāo)信息輸入不僅加重了預(yù)測(cè)模型的負(fù)擔(dān)，而且降低模型的泛化能力[30]。本文引入粗糙集理論對(duì)復(fù)雜的指標(biāo)體系進(jìn)行約簡(jiǎn)，在不需要先驗(yàn)知識(shí)的情況下刪除一些無(wú)用的因素，實(shí)現(xiàn)了對(duì)預(yù)測(cè)模型輸入變量的優(yōu)化?；诖植诩碚擃A(yù)測(cè)指標(biāo)的優(yōu)化約簡(jiǎn)及其權(quán)重的確定分為以下幾個(gè)步驟。

表1 山洪災(zāi)害損失預(yù)測(cè)指標(biāo)體系

(1) 構(gòu)建預(yù)測(cè)模型輸入指標(biāo)信息表

S=(U,X,V,f)。

(1)

(2)計(jì)算決策表中條件屬性等價(jià)類關(guān)系集合ind(B)(B?X)

等價(jià)關(guān)系ind(B)構(gòu)成了U的一個(gè)劃分，用U/ind(B)={A1,A2,…,An}表示，其中Ai用來(lái)表示不同的等價(jià)類，在ind(B)下與X不可分的所有對(duì)象構(gòu)成一個(gè)等價(jià)類可記為[A]ind(B)。

(3)根據(jù)(2)中求出的等價(jià)類關(guān)系集合，計(jì)算其重要程度

在信息系統(tǒng)S=(U,X,V,f)中，a∈A的重要性定義為：

SX(x)=|H(X)-H(X-x)|。

(2)

式中：H(X)表示所有屬性組成的集合X的信息熵；H(X-x)表示集合X除去屬性x的信息熵。SX(x)越大表明該屬性的重要程度越高。

定義一個(gè)屬性子集B∈X的信息熵H(B)為：

(3)

式中：U/ind(B)={A1,A2,…,An}，p(Ai)=|Ai|/|U|表示等價(jià)類Ai在U中的概率，|U|表示集合U的“勢(shì)”，|Ai|表示集合Xi的“勢(shì)”。“勢(shì)”可用集合元素的個(gè)數(shù)表示。

(4) 計(jì)算每個(gè)評(píng)價(jià)指標(biāo)的權(quán)重Wi

(4)

根據(jù)權(quán)重的大小來(lái)決約簡(jiǎn)的指標(biāo)，權(quán)重越大，表示該指標(biāo)對(duì)整個(gè)系統(tǒng)的影響越大，約簡(jiǎn)后信息損失越多。當(dāng)指標(biāo)權(quán)重為0時(shí)，該指標(biāo)對(duì)整個(gè)系統(tǒng)幾乎沒(méi)有影響，應(yīng)該被約簡(jiǎn)掉[33]。

2.2.2 連續(xù)屬性離散化

粗糙集理論是在分類機(jī)制的基礎(chǔ)上，利用已知的知識(shí)庫(kù)將不精確或不確定的知識(shí)進(jìn)行近似刻畫，它的處理對(duì)象是離散化的值或?qū)傩訹31-32]。因此，連續(xù)屬性的離散化是粗糙集計(jì)算的基礎(chǔ)，其根本目的是在保證預(yù)測(cè)系統(tǒng)信息有效性的前提下，對(duì)預(yù)測(cè)系統(tǒng)進(jìn)行優(yōu)化約簡(jiǎn)，將屬性空間或值域空間劃分為盡可能少的子空間，以消除指標(biāo)因素之間的共線性，提高預(yù)測(cè)指標(biāo)的有效性、簡(jiǎn)便性。

本文選取等距離散化的方法，將每組屬性值進(jìn)行等距離劃分，其具體步驟如下：

(1)劃分每組屬性值的取值范圍，確定最大值xmax和最小值xmin；

(2)設(shè)定劃分區(qū)間的數(shù)目n，此處取n=3；

(3)計(jì)算區(qū)間步長(zhǎng)d=(xmax-xmin)/n；

(4)計(jì)算區(qū)間劃分點(diǎn)的值，即c0=xmin，c1=c0+xmin，…，cn=xmax。

表2 原始數(shù)據(jù)表

表3 預(yù)測(cè)因子離散化信息表

判斷每組屬性值x位于哪個(gè)區(qū)間，確定離散化后的信息表屬性值p，當(dāng)時(shí)ck-1≤x≤ck，p=k,k=1,2,…，n,特殊地，當(dāng)x=cn時(shí)，p=n。

原始數(shù)據(jù)表見(jiàn)表2，對(duì)原始數(shù)據(jù)進(jìn)行n=3的等距離離散化后得到信息表如表3所示。

2.2.3 預(yù)測(cè)因子優(yōu)化結(jié)果

(1)構(gòu)建致災(zāi)因子信息系統(tǒng)S=(U,X1,V,f)，其中，屬性X1={x1,x2}；U={a1,a2,…,a16}。

(2)對(duì)于致災(zāi)因子所對(duì)應(yīng)的屬性集X1={x1,x2}，運(yùn)用Matlab7.0計(jì)算變成可成：

(5)

(3)計(jì)算致災(zāi)因子指標(biāo)的重要程度

(6)

(4)計(jì)算各指標(biāo)的權(quán)重

在粗糙集優(yōu)化預(yù)測(cè)因子指標(biāo)時(shí)，約簡(jiǎn)指標(biāo)過(guò)多，信息量丟失嚴(yán)重，達(dá)不到全面決策的精度；約簡(jiǎn)指標(biāo)過(guò)少，則達(dá)不到剔除無(wú)用信息的要求。當(dāng)Wi為0時(shí)，此指標(biāo)被約簡(jiǎn)[33]。

同理求得表2中所有預(yù)測(cè)因子的重要度SA、權(quán)重Wi，將計(jì)算結(jié)果匯總可以得到表4(灰色表示刪除變量)。

根據(jù)權(quán)重為0的篩選原則對(duì)指標(biāo)因子進(jìn)行約簡(jiǎn)，由表4的計(jì)算結(jié)果可知：

(1) 人口體能指數(shù)、耕地面積、固定資產(chǎn)投資以及防洪堤壩長(zhǎng)度等指標(biāo)的權(quán)重為0，此類指標(biāo)對(duì)整個(gè)預(yù)測(cè)模型的影響度較小。

(2) 根據(jù)信息量表中權(quán)重的大小分析可知，降雨歷時(shí)、森林覆蓋率、公路里程、區(qū)域搶險(xiǎn)隊(duì)人員數(shù)是預(yù)測(cè)山洪災(zāi)害損失的重要指標(biāo)因子。其中，降雨歷時(shí)屬于致災(zāi)因子，對(duì)山洪災(zāi)害的爆發(fā)起著重要的誘導(dǎo)作用；森林覆蓋率屬于孕災(zāi)環(huán)境因子，森林覆蓋率越低，同等降雨量下山洪災(zāi)害爆發(fā)的可能性越高；公路里程屬于承災(zāi)體的狀況，神農(nóng)架地區(qū)地形陡峭，交通不便，公路里程的長(zhǎng)短不僅關(guān)系到承災(zāi)體的脆弱性，更關(guān)系到災(zāi)后的救援通暢；區(qū)域搶險(xiǎn)隊(duì)人員數(shù)是區(qū)域應(yīng)災(zāi)能力的直接體現(xiàn)，對(duì)災(zāi)后搶救起著重要的作用。

(3)根據(jù)表4的分析結(jié)果，以及權(quán)重大小的約簡(jiǎn)原則，剔除人口體能指數(shù)、耕地面積、固定資產(chǎn)投資以及防洪堤壩長(zhǎng)度這四個(gè)指標(biāo)，最終選擇降雨歷時(shí)、日最大降雨量、區(qū)域搶險(xiǎn)隊(duì)人員數(shù)、森林覆蓋率、廣播覆蓋率、關(guān)聯(lián)災(zāi)害(滑坡體體積)、公路里程、危險(xiǎn)區(qū)固定資產(chǎn)、人口密度、固定資產(chǎn)投資等指標(biāo)作為RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的輸入變量。

表4 預(yù)測(cè)因子指標(biāo)信息量表

3 預(yù)測(cè)模型與結(jié)果分析

3.1 預(yù)測(cè)模型構(gòu)建

由于自然環(huán)境的復(fù)雜性和瞬變性[1]，山洪災(zāi)情與預(yù)測(cè)因子之間的作用機(jī)理和影響機(jī)制難以用普通的線性回歸模型進(jìn)行模擬。鑒于山洪災(zāi)情與預(yù)測(cè)因子之間復(fù)雜的耦合非線性關(guān)系，本文選用RBF神經(jīng)網(wǎng)絡(luò)模型對(duì)山洪災(zāi)害損失進(jìn)行模糊定量預(yù)測(cè)。

RBF神經(jīng)網(wǎng)絡(luò)是一種高效的前饋式神經(jīng)網(wǎng)絡(luò)[28-32,34]，這種神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)簡(jiǎn)單、訓(xùn)練高效，具有最佳逼近性能和全局最優(yōu)特性，可實(shí)現(xiàn)對(duì)非線性系統(tǒng)的建模，具有良好的泛化能力。RBF神經(jīng)網(wǎng)絡(luò)由輸入層、隱含層、輸出層構(gòu)成。其中輸入層與隱含層之間是簡(jiǎn)單的非線性映射，隱含層中的徑向基函數(shù)負(fù)責(zé)對(duì)輸入變量進(jìn)行處理，然后線性映射到輸出層。其網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

圖3 RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖

3.2 預(yù)測(cè)模型結(jié)果與分析

3.2.1 RBF神經(jīng)網(wǎng)絡(luò)模型分析

根據(jù)調(diào)研獲得的神農(nóng)架地區(qū)1983-2013年發(fā)生的18次山洪災(zāi)害為預(yù)測(cè)樣本，隨機(jī)挑選兩個(gè)樣本作為獨(dú)立樣本(編號(hào)：17、18)，以剩余的16次山洪災(zāi)害為粗糙集約簡(jiǎn)和RBF神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練樣本，依次利用其中15樣本預(yù)測(cè)剩余一個(gè)樣本的損失值，如此循環(huán)計(jì)算對(duì)山洪災(zāi)害損失進(jìn)行模擬預(yù)測(cè)，并計(jì)算預(yù)測(cè)值與實(shí)際值之間的相對(duì)誤差率來(lái)檢驗(yàn)?zāi)Ｐ偷木取?/p>

根據(jù)表5中預(yù)測(cè)結(jié)果的相對(duì)誤差，繪制有關(guān)于模型輸出變量相對(duì)誤差折線圖4，并對(duì)其誤差走勢(shì)進(jìn)行相應(yīng)的分析。

(1) 根據(jù)表4的預(yù)測(cè)結(jié)果可知，基于粗糙集RBF神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)誤差相比直接利用RBF神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)誤差要小。從神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)的整體效果來(lái)看，在經(jīng)過(guò)優(yōu)化約簡(jiǎn)后，輸出變量的相對(duì)誤差顯著改善：直接經(jīng)濟(jì)損失的平均相對(duì)預(yù)測(cè)誤差率從11.70%降為2.68%；農(nóng)作物受災(zāi)面積的平均相對(duì)預(yù)測(cè)誤差率從9.23%降為3.59%；損傷房屋面積的平均相對(duì)預(yù)測(cè)誤差率從7.29%降為2.26%；受災(zāi)人數(shù)的平均相對(duì)預(yù)測(cè)誤差率從17.25%降為4.66%。這表明，經(jīng)過(guò)粗糙集優(yōu)化簡(jiǎn)約預(yù)測(cè)因子指標(biāo)體系后，RBF神經(jīng)網(wǎng)絡(luò)模型的相對(duì)預(yù)測(cè)誤差明顯下降，預(yù)測(cè)精確度顯著提高，模型預(yù)測(cè)的可靠性進(jìn)一步改善。

(2) 根據(jù)圖3的預(yù)測(cè)結(jié)果對(duì)比可知，基于粗糙集RBF神經(jīng)網(wǎng)絡(luò)模型對(duì)山洪災(zāi)害損失的擬合效果較好，預(yù)測(cè)精度高，普遍的相對(duì)誤差保持在3%左右，預(yù)測(cè)結(jié)果誤差曲線更為平緩，改進(jìn)后的模型具有較高的實(shí)用價(jià)值。

由此可見(jiàn)基于粗糙集RBF神經(jīng)網(wǎng)絡(luò)模型能夠通過(guò)優(yōu)化約簡(jiǎn)原預(yù)測(cè)系統(tǒng)數(shù)據(jù)，有效地判別提取了與山洪災(zāi)害密切相關(guān)的預(yù)測(cè)因子，顯著地提高了模型對(duì)災(zāi)害損失的預(yù)測(cè)精度。

3.2.2 獨(dú)立樣本測(cè)試

為了進(jìn)一步檢驗(yàn)?zāi)Ｐ皖A(yù)測(cè)的準(zhǔn)確性，本文利用未參與預(yù)測(cè)模型訓(xùn)練的17、18號(hào)山洪災(zāi)害進(jìn)行獨(dú)立樣本測(cè)試。分別用普通RBF神經(jīng)網(wǎng)絡(luò)模型和粗糙集RBF神經(jīng)網(wǎng)絡(luò)模型對(duì)樣本進(jìn)行預(yù)測(cè)，得到的預(yù)測(cè)結(jié)果如表6所示。

根據(jù)表6預(yù)測(cè)結(jié)果的對(duì)比分析可知，粗糙集RBF神經(jīng)網(wǎng)絡(luò)能明顯的降低預(yù)測(cè)誤差，輸出結(jié)果比較穩(wěn)定，模型的預(yù)測(cè)精度得到了較好的改善。

表5 基于粗糙集RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果

注：負(fù)號(hào)表示預(yù)測(cè)值小于實(shí)際值；組合預(yù)測(cè)是指經(jīng)粗糙集約簡(jiǎn)后的RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)。

圖4 模型預(yù)測(cè)結(jié)果誤差圖

災(zāi)害編號(hào)預(yù)測(cè)模型直接經(jīng)濟(jì)損失農(nóng)作物受災(zāi)面積損傷房屋面積受災(zāi)人數(shù)實(shí)際值/萬(wàn)元預(yù)測(cè)值/萬(wàn)元相對(duì)誤差率/%實(shí)際值/hm2預(yù)測(cè)值/hm2相對(duì)誤差率/%實(shí)際值/m2預(yù)測(cè)值/m2相對(duì)誤差率/%實(shí)際值/人預(yù)測(cè)值/人相對(duì)誤差率/%17RBF900102013337293291728103204140214231158-186組合預(yù)測(cè)9009202227267-69428102709-35914231298-87818RBF27302568-59383460952-26924923044539-9531371014737749組合預(yù)測(cè)27302688-15483481001-28849230497731101371013877122

注：組合預(yù)測(cè)是指經(jīng)粗糙集約簡(jiǎn)后的RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)

因此經(jīng)粗糙集模型對(duì)數(shù)據(jù)進(jìn)行約簡(jiǎn)優(yōu)化，可以明顯改善RBF神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)精度和穩(wěn)定性，降低了相對(duì)誤差，預(yù)測(cè)結(jié)果比較理想。

4 結(jié)語(yǔ)

基于山洪災(zāi)害損失預(yù)測(cè)的理論實(shí)證研究不足，本文在參考其他自然災(zāi)害研究的基礎(chǔ)上，利用粗糙集對(duì)預(yù)測(cè)指標(biāo)體系進(jìn)行優(yōu)化約簡(jiǎn)，充分考慮致災(zāi)因子、孕災(zāi)環(huán)境、承災(zāi)體因素以及區(qū)域應(yīng)災(zāi)能力等因素，建立山洪災(zāi)害損失預(yù)測(cè)指標(biāo)體系，并采用RBF神經(jīng)網(wǎng)絡(luò)模型對(duì)1983-2013年神農(nóng)架地區(qū)山洪災(zāi)害損失進(jìn)行實(shí)證研究，結(jié)果表明：

(1) 經(jīng)過(guò)粗糙集的約簡(jiǎn)計(jì)算，可以顯著地剔除預(yù)測(cè)因子指標(biāo)體系中無(wú)關(guān)因素，實(shí)現(xiàn)了對(duì)預(yù)測(cè)模型輸入變量的優(yōu)化，提高了模型的預(yù)測(cè)精度與可靠性。

(2) 根據(jù)獨(dú)立樣本試驗(yàn)可知，相比一般的RBF神經(jīng)網(wǎng)絡(luò)模型，基于粗糙集的RBF神經(jīng)網(wǎng)絡(luò)模型擬合精度較好，預(yù)測(cè)可靠性、穩(wěn)定性較高，相對(duì)誤差可以控制在3%左右，預(yù)測(cè)結(jié)果較為理想。

(3) 雖然神農(nóng)架地區(qū)經(jīng)濟(jì)欠發(fā)達(dá)，災(zāi)害發(fā)生時(shí)損失風(fēng)險(xiǎn)較低，但考慮到其防災(zāi)減災(zāi)能力不足，頻繁的災(zāi)害導(dǎo)致區(qū)域社會(huì)經(jīng)濟(jì)體系更為脆弱，“因?yàn)?zāi)致貧、因?yàn)?zāi)返貧”現(xiàn)象時(shí)有發(fā)生。因此，政府防災(zāi)減災(zāi)部門要做到對(duì)災(zāi)害損失及時(shí)預(yù)測(cè)，合理預(yù)估災(zāi)害程度的大小，以科學(xué)的布置防災(zāi)減災(zāi)工作、調(diào)配救災(zāi)人員和物資，將災(zāi)害損失降到最低。

進(jìn)一步指出的是本研究仍存在以下待完善之處：未對(duì)災(zāi)害大小程度進(jìn)行劃分，未驗(yàn)證不同災(zāi)害程度下模型對(duì)災(zāi)害損失預(yù)測(cè)精度的影響；在預(yù)測(cè)過(guò)程中仍存在波動(dòng)較大、誤差相對(duì)較高的地方，需要進(jìn)一步探討與分析。

[1] 杜俊，任洪玉，張平倉(cāng)，等. 大空間尺度山洪災(zāi)害危險(xiǎn)評(píng)估的比較研究[J].災(zāi)害學(xué)，2016，31(3):66-72.

[2] 趙健，范北林. 全國(guó)山洪災(zāi)害時(shí)空分布特點(diǎn)研究[J]. 中國(guó)水利，2006(13)：45-47.

[3] 張明達(dá)，李蒙，戴叢蕊，等. 基于Flood Area模型的云南山洪淹沒(méi)模擬研究[J]. 災(zāi)害學(xué)，2016，31(1)：78-82.

[4] 鄒強(qiáng)，周建中，周超，等. 基于可變模糊集理論的洪水災(zāi)害風(fēng)險(xiǎn)分析[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2012，28(5)：126-132.

[5] 李龍偉. 西部山區(qū)城鎮(zhèn)山洪災(zāi)害易損性評(píng)價(jià)[D].長(zhǎng)沙：湖南科技大學(xué)，2013.

[6] 郭曉軍，向靈芝，周小軍，等. 高家溝泥石流和深溪溝泥石流災(zāi)害特征[J].災(zāi)害學(xué)，2012，27 (3)：81-85.

[7] 帥紅，劉春平. 湖南省山洪災(zāi)害經(jīng)濟(jì)損失評(píng)價(jià)[J]. 防災(zāi)科技學(xué)院學(xué)報(bào)，2011，13(4)：81-85.

[8] 劉亞彬，劉黎明，許迪，等. 基于信息擴(kuò)散理論的中國(guó)糧食主產(chǎn)區(qū)水旱災(zāi)害風(fēng)險(xiǎn)評(píng)估[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2010，26(8)：1-7.

[9] Matthieu Perrault, Philippe Gueguen, Alexandru Aldea, et al. Using experimental data to reduce the single-building sigma of fragility curves: case study of the BRD tower in Bucharest, Romania[J]. Earthquake Engineering and Engineering Vibration,2013,124:643-658.

[10]任玉峰，劉國(guó)東，周理，等. 基于證據(jù)理論和可變模糊集的成都市洪災(zāi)風(fēng)險(xiǎn)評(píng)估[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2014，30(21)：147-156.

[11]葛全勝，鄒銘，鄭景云，等. 中國(guó)自然災(zāi)害風(fēng)險(xiǎn)綜合評(píng)估初步研究[M]. 北京：科學(xué)出版社, 2008.

[12]朱靜，唐川. 城市山洪災(zāi)害易損性的RS和GIS分析[J]. 成都理工大學(xué)學(xué)報(bào)(自然科學(xué)版)，2008(1):61-67.

[13]Dushmanta Dutta,Srikantha Herath,Katumi Musiake. A mathematical model for flood loss estimation[J]. Journal of Hydrology,2003,2771:24-49

[14]殷潔，裴志遠(yuǎn)，陳曦?zé)?，? 基于GIS的武陵山區(qū)洪水災(zāi)害風(fēng)險(xiǎn)評(píng)估[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2013，29(24):110-117.

[15]周長(zhǎng)鋒，龔日朝，肖國(guó)安. 基于傅里葉級(jí)數(shù)的自然災(zāi)害損失預(yù)測(cè)模型研究——以湖南省自然災(zāi)害經(jīng)濟(jì)損失預(yù)測(cè)為例[J]. 中國(guó)安全科學(xué)學(xué)報(bào)， 2009,19(8):5-9,2.

[16]吉中會(huì), 李寧, 吳吉東, 等. 區(qū)域洪澇災(zāi)害損失評(píng)估及預(yù)測(cè)的CART模型研究——以湖南省為例[J]. 地域研究與開(kāi)發(fā)， 2012(6):106-110,144.

[17]陳香. 福建省洪澇災(zāi)害經(jīng)濟(jì)損失趨勢(shì)分析[J]. 北華大學(xué)學(xué)報(bào)(自然科學(xué)版)， 2007(2):170-175.

[18]張穎超, 范金平, 鄧華. 基于組合預(yù)測(cè)的浙江省臺(tái)風(fēng)災(zāi)害損失預(yù)測(cè)[J]. 自然災(zāi)害學(xué)報(bào)， 2013,22(6):223-231.

[19]王平, 黃河, 吳瑋. 基于支持向量機(jī)的湖北省洪澇農(nóng)業(yè)損失預(yù)測(cè)模型[J]. 湖北農(nóng)業(yè)科學(xué)， 2014,53(18):4437-4440.

[20]劉少軍，張京紅，張明潔，等. DEA模型在山洪災(zāi)害危險(xiǎn)性評(píng)價(jià)中的應(yīng)用——以海南島為例[J]. 自然災(zāi)害學(xué)報(bào)，2014，23(4)：227-234.

[21]Li K Z, Wu S H, Dai E F, et al. Flood loss analysis and quantitative risk assessment in China[J]. Natural Hazards,2012(63): 737-760.

[22]Jing Chen. Analysis on key problems of Mountain Torrent Disaster Loss Assessment System in Liaohe River Basin[C]// Wang Y, Jiang X, Yang M, Zhang D, Yi X, editors. Fifth International Conference on Graphic and Image Processing. Proceedings of SPIE. 90692014.

[23]Vozinaki A E K, Kourgialas N N, Karatzas G P. Estimating Flood Inundation and the Consequent Economic Losses in the Koiliaris River Basin in Crete, Greece[J]. Global Nest Journal， 2012;14(3):284-93.

[24]史培軍. 再論災(zāi)害研究的理論與實(shí)踐[J]. 自然災(zāi)害學(xué)報(bào), 1996(4):8-19.

[25]章德武, 諶宏偉. 山洪災(zāi)害致災(zāi)因子分析與防治措施[J]. 中國(guó)水運(yùn)(下半月刊), 2011,11(3):146-147.

[26]韓賾, 林孝松, 左倩云, 等. 山區(qū)鎮(zhèn)域山洪災(zāi)害孕災(zāi)環(huán)境分區(qū)研究[J]. 重慶工商大學(xué)學(xué)報(bào)(自然科學(xué)版), 2014,31(6):82-89.

[27]李龍偉. 西部山區(qū)城鎮(zhèn)山洪災(zāi)害易損性評(píng)價(jià) [D].長(zhǎng)沙：湖南科技大學(xué), 2013.

[28]葉小嶺, 梁偉, 鄧華. 基于主成分分析及RBF神經(jīng)網(wǎng)絡(luò)的浙江省臺(tái)風(fēng)災(zāi)害損失預(yù)測(cè)[J]. 科技通報(bào)， 2014,30(9):13-19.

[29]Ghanbarpour M R, Saravi M M, Salimi S. Floodplain Inundation analysis combined with contingent valuation:implications for sustainable flood risk management[J]. Water resource management, 2014, 28(9): 2491-2505.

[30]Lepuschitz E. Geographic information systems in mountain risk and disaster management[J]. Appl Geogr，2015，63:212-220.

[31]劉興杰,岑添云,鄭文書,等. 基于模糊粗糙集與改進(jìn)聚類的神經(jīng)網(wǎng)絡(luò)風(fēng)速預(yù)測(cè)[J]. 中國(guó)電機(jī)工程學(xué)報(bào),2014,34(19):3162-3169.

[32]高爽,冬雷,高陽(yáng),等. 基于粗糙集理論的中長(zhǎng)期風(fēng)速預(yù)測(cè)[J]. 中國(guó)電機(jī)工程學(xué)報(bào),2012,32(1):32-37,21.

[33]鮑新中,張建斌,劉澄. 基于粗糙集條件信息熵的權(quán)重確定方法[J]. 中國(guó)管理科學(xué),2009,17(3):131-135.

[34]楊鵬, 劉品杰, 張燕, 等. 基于RBF神經(jīng)網(wǎng)絡(luò)的改進(jìn)多變量預(yù)測(cè)控制[J]. 控制工程， 2009,16(1):39-41,55.

Mountain Torrent Disaster Loss Prediction Research Based onRSs and RBF Neural Network：A Case Study on Shennongjia

LI Yichen, HE Yabo and WANG Yang

(SchoolofCivilEngineering,WuhanUniversity,Wuhan430072,China)

Shennongjia,locatedinthecentralandwesternmountainousareas,sufferedseriousdamagefrommountaintorrentinrecentyears.Themountaintorrentthreatensthecommunitiesusually,whichpushesthepeopleinworsecondition.Inthispaper,onthebasisofdisastersystemtheory,mountaintorrentdisasterlossindicatorsystemisestablishedinthevariedtopographyandpoorpeoplewidedistributionmountainousarea.Theindicatorsystemdividedinto4maincomponents,namelydisaster-inducingfactors,hazardinducingenvironment,physicalexposure,anddisasterreliefcapacity.Tooptimizingtheindicatorsystem,roughsettheoryisemployedtoanalyzeandoptimizetheinputindicators.ApplyingtheRBFneutralnetworkmodelbasedonthemountaintorrentdisasterhazard,propertydamageandcasualtieswerecomputedinShennongjia.Theresultsindicatedthat:Roughsetstheorycaneffectivelyextractthepredictorsthatcloselyrelatedtomountaintorrentdisasterandobservablyimprovespredictionaccuracy;TheRBFneuralnetworkmodelbasedontheroughsetstheoryhashigherpredictionaccuracycomparedwiththegeneralRBFneuralnetwork,ofwhichtherelativeerrorgenerallymaintainedatabout3%andtherelativeerrorcurveismoregentle.

mountaintorrentdisasters;lossforecasting;roughsets;RBFNeutralNetwork

10.3969/j.issn.1000-811X.2017.02.040.]

2016-07-29

2016-09-08

國(guó)家科技支撐計(jì)劃課題“村鎮(zhèn)區(qū)域綜合防災(zāi)減災(zāi)信息系統(tǒng)研究及示范”(2014BAL05B00)

李祎琛(1993-)，女，河南平頂山人，碩士研究生，主要研究方向防災(zāi)減災(zāi)、可持續(xù)城市與區(qū)域發(fā)展. E-mail:li.yichen@whu.edu.cn

何亞伯(1956-)，男，湖北武漢人，教授，博士生導(dǎo)師，主要研究方向土木施工過(guò)程控制與信息化、防災(zāi)減災(zāi)、可持續(xù)城市與區(qū)域發(fā)展.E-mail:Hyb5610@163.com

X43；P648

A

1000-811X(2017)02-0227-08

10.3969/j.issn.1000-811X.2017.02.040

李祎琛，何亞伯，汪洋. 基于粗糙集RBF神經(jīng)網(wǎng)絡(luò)村鎮(zhèn)山洪災(zāi)害損失預(yù)測(cè)研究——以神農(nóng)架林區(qū)為例[J]. 災(zāi)害學(xué)，2017，32(2)：227-234. [LI Yichen, HE Yabo and WANG Yang. Mountain Torrent Disaster Loss Prediction Research Based on RSs and RBF Neural Network：a Case Study on Shennongjia[J]. Journal of Catastrophology，2017，32(2)：227-234.