陳有利　朱憲春

摘要選取1949—2015年間對(duì)寧波市影響較大、災(zāi)情記錄完整的58個(gè)臺(tái)風(fēng)樣本，基于災(zāi)損數(shù)據(jù)，采用灰色關(guān)聯(lián)分析法建立臺(tái)風(fēng)災(zāi)情關(guān)聯(lián)度，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，利用BP神經(jīng)網(wǎng)絡(luò)建立臺(tái)風(fēng)災(zāi)情預(yù)估模型。結(jié)果表明，利用臺(tái)風(fēng)災(zāi)情關(guān)聯(lián)度評(píng)估臺(tái)風(fēng)災(zāi)情大小合理可用，臺(tái)風(fēng)災(zāi)害致災(zāi)因子與災(zāi)情評(píng)價(jià)指標(biāo)及臺(tái)風(fēng)災(zāi)情綜合關(guān)聯(lián)度間均存在一定的相關(guān)性，利用BP神經(jīng)網(wǎng)絡(luò)預(yù)估模型對(duì)臺(tái)風(fēng)災(zāi)情預(yù)估效果較好，其中訓(xùn)練樣本、測(cè)試樣本的模擬值與實(shí)際值相關(guān)系數(shù)分別達(dá)到094、0865，均通過(guò)了001信度的顯著性檢驗(yàn)，訓(xùn)練集、測(cè)試集災(zāi)情級(jí)別預(yù)報(bào)一致率為853%、778%，相關(guān)研究成果可為政府決策部門(mén)的抗臺(tái)減災(zāi)工作提供科學(xué)依據(jù)。

關(guān)鍵詞臺(tái)風(fēng)；灰色關(guān)聯(lián)分析；BP神經(jīng)網(wǎng)絡(luò)；災(zāi)情預(yù)估；寧波市

寧波市地處東海之濱，經(jīng)濟(jì)發(fā)達(dá)、人口密集，是重要的港口城市，同時(shí)飽受臺(tái)風(fēng)侵襲。錢(qián)燕珍等（2018）研究表明，寧波年均影響臺(tái)風(fēng)34個(gè)，給寧波的生命財(cái)產(chǎn)帶來(lái)了很大的危害。近些年，在全球變暖的大背景下，高影響臺(tái)風(fēng)事件頻發(fā)，災(zāi)害影響日趨嚴(yán)重（端義宏等，2012）。僅2010年以來(lái)，寧波就相繼遭受了1211“海葵”、1323“菲特”、1509“燦鴻”、1521“杜鵑”等臺(tái)風(fēng)的重創(chuàng)，直接經(jīng)濟(jì)損失分別為102億元、333億元、27億元和16億元。因此，防臺(tái)減災(zāi)工作顯得尤為重要，而科學(xué)、合理的災(zāi)情預(yù)評(píng)估是防災(zāi)減災(zāi)的重要環(huán)節(jié)。

臺(tái)風(fēng)帶來(lái)的災(zāi)害一般表現(xiàn)在人員傷亡、財(cái)產(chǎn)損失等方面（馮利華，1993），其災(zāi)害風(fēng)險(xiǎn)預(yù)估工作一直以來(lái)都受到國(guó)內(nèi)外學(xué)者的廣泛關(guān)注（Thom and Marshall，1971；Vickery et al.，2000；Huang et al.，2001；雷小途等，2009；官莉等，2010）。Hward et al.（1972）通過(guò)致災(zāi)因子和承災(zāi)體的脆弱性及暴露度等對(duì)臺(tái)風(fēng)災(zāi)害的影響，建立了登陸臺(tái)風(fēng)風(fēng)災(zāi)經(jīng)濟(jì)損失預(yù)估模型。Dorland et al.（1998）利用指數(shù)函數(shù)構(gòu)建了一個(gè)臺(tái)風(fēng)風(fēng)速與損失率的函數(shù)模型。陳仕鴻等（2013）基于BP神經(jīng)網(wǎng)絡(luò)建立了廣東省臺(tái)風(fēng)經(jīng)濟(jì)損失預(yù)測(cè)模型；劉少軍等（2012）以海南的歷史臺(tái)風(fēng)災(zāi)害數(shù)據(jù)為基礎(chǔ)建立了基于物元可拓模型的災(zāi)害預(yù)評(píng)估模型；張穎超等（2013）基于層次分析法建立了浙江地區(qū)的災(zāi)情預(yù)估模型。這些研究中，有些僅以單個(gè)氣象因子作為模型輸入，有些僅以經(jīng)濟(jì)損失作為模型輸出，評(píng)估指標(biāo)不全面；有些則是采用的數(shù)理統(tǒng)計(jì)方法，對(duì)致災(zāi)因子與臺(tái)風(fēng)災(zāi)情間的耦合能力較差；但臺(tái)風(fēng)災(zāi)情與受災(zāi)地區(qū)的地理位置、社會(huì)經(jīng)濟(jì)水平等密切相關(guān)（Blaikie et al.，1994；陳有利等，2017），寧波目前尚缺乏針對(duì)臺(tái)風(fēng)災(zāi)情預(yù)估的本地化客觀產(chǎn)品。因此，本文采用灰色關(guān)聯(lián)法對(duì)歷史臺(tái)風(fēng)樣本進(jìn)行分析并得到能夠反映臺(tái)風(fēng)綜合災(zāi)情的評(píng)估指標(biāo)，選取風(fēng)雨潮、臺(tái)風(fēng)路徑等作為臺(tái)風(fēng)災(zāi)害致災(zāi)因子，利用BP神經(jīng)網(wǎng)絡(luò)模擬臺(tái)風(fēng)氣象致災(zāi)因子與臺(tái)風(fēng)災(zāi)情指數(shù)間的耦合關(guān)系，構(gòu)建寧波市臺(tái)風(fēng)災(zāi)情預(yù)估模型。該模型只需獲取臺(tái)風(fēng)的預(yù)測(cè)資料即可進(jìn)行災(zāi)情預(yù)評(píng)估，可為政府決策部門(mén)的抗臺(tái)減災(zāi)工作提供科學(xué)依據(jù)。

1數(shù)據(jù)與方法

11數(shù)據(jù)來(lái)源和指標(biāo)選取

臺(tái)風(fēng)路徑資料來(lái)源于《臺(tái)風(fēng)年鑒》（1949—1988年）和《熱帶氣旋年鑒》（1989—2015年），降水量、風(fēng)速、氣壓等氣象數(shù)據(jù)來(lái)自寧波市氣象局，居民消費(fèi)價(jià)格指數(shù)（Consumer Price Index，CPI）、社會(huì)經(jīng)濟(jì)數(shù)據(jù)來(lái)自《寧波統(tǒng)計(jì)年鑒》（1989—2015年），死亡人口、受淹農(nóng)田面積、直接經(jīng)濟(jì)損失等災(zāi)情數(shù)據(jù)來(lái)自寧波市防汛辦和寧波市民政局。

111臺(tái)風(fēng)災(zāi)情評(píng)估因子選取及預(yù)處理

臺(tái)風(fēng)災(zāi)情的評(píng)估工作大多從主要社會(huì)指標(biāo)、影響范圍指標(biāo)、主要經(jīng)濟(jì)指標(biāo)3方面著手（楊仕升，1997）。根據(jù)王秀榮等（2010）的研究結(jié)合寧波臺(tái)風(fēng)災(zāi)情的歷史數(shù)據(jù)特點(diǎn)，選取死亡人數(shù)、受淹農(nóng)田、直接經(jīng)濟(jì)損失作為災(zāi)情評(píng)估因子，并依據(jù)其研究及中國(guó)氣象局2015年下發(fā)的《氣象災(zāi)情收集上報(bào)調(diào)查和評(píng)估規(guī)定》，將這3個(gè)單項(xiàng)評(píng)估因子評(píng)估指標(biāo)劃分為特大型、大型、中型、小型、微型5個(gè)等級(jí)（表1）。

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，以2015年為基年，根據(jù)寧波統(tǒng)計(jì)年鑒歷年的CPI對(duì)直接經(jīng)濟(jì)損失進(jìn)行了折算（雷小途等，2009；溫姍姍等，2017），對(duì)折算后的數(shù)據(jù)根據(jù)表1和公式1—3（王秀榮等，2010）進(jìn)行無(wú)量綱化處理。

112臺(tái)風(fēng)災(zāi)害致災(zāi)因子

臺(tái)風(fēng)災(zāi)害多為風(fēng)、雨、潮多種致災(zāi)因子共同影響所致（徐良炎，1994；祁秀香和智協(xié)飛，2009；牛海燕等，2011）。此外，臺(tái)風(fēng)強(qiáng)度、移動(dòng)路徑也直接關(guān)系到災(zāi)情大?。狼宓龋?012；殷潔等，2013）。因此，選取臺(tái)風(fēng)影響期間寧波國(guó)家氣象觀測(cè)站的過(guò)程單站極大降雨量、過(guò)程面雨量、最低氣壓、極大風(fēng)速、臺(tái)風(fēng)路徑、天文大潮指數(shù)作為臺(tái)風(fēng)災(zāi)害致災(zāi)因子。其中臺(tái)風(fēng)路徑分為5類(lèi)：1）浙江沿海登陸型；2）浙閩邊界到廈門(mén)之間登陸型；3）廈門(mén)以南登陸型；4）在125°E以西、25°N以北緊靠浙江沿海北上或在杭州灣以北登陸；5）125°E以東北上型。天文大潮判斷依據(jù)為：當(dāng)臺(tái)風(fēng)登陸日恰逢陰歷初一、初二、初三或初十五、初十六、初十七且臺(tái)風(fēng)登陸地點(diǎn)在浙江沿海時(shí)即定性判斷為有天文大潮，記為1，否則記0。

12災(zāi)情評(píng)估模型的建立研究方法

121灰色關(guān)聯(lián)分析法原理

灰色關(guān)聯(lián)分析（鄧聚龍，1987）是一種揭示因素間動(dòng)態(tài)關(guān)聯(lián)特征與程度的多因素統(tǒng)計(jì)分析方法，被廣泛應(yīng)用于災(zāi)情信息、農(nóng)業(yè)、生態(tài)、水利及宏觀經(jīng)濟(jì)等系統(tǒng)。其分析步驟如下：

1）確定參考序列和比較序列。定義災(zāi)情損失最大時(shí)的函數(shù)轉(zhuǎn)換值為參考序列，即令Yo={yo1，yo2，yo3}為1，定義各臺(tái)風(fēng)災(zāi)情樣本Yi=Yij（i=1，2，3；j=1，2，…，n）為比較序列。

2結(jié)果與分析

21臺(tái)風(fēng)災(zāi)情關(guān)聯(lián)度分析

利用灰色關(guān)聯(lián)分析法對(duì)無(wú)量綱后的災(zāi)損數(shù)據(jù)進(jìn)行計(jì)算，得到臺(tái)風(fēng)災(zāi)情綜合關(guān)聯(lián)度Roj。Roj越大，災(zāi)情越重，反之，Roj越小，災(zāi)情越輕。Roj與臺(tái)風(fēng)災(zāi)情等級(jí)的對(duì)應(yīng)關(guān)系見(jiàn)表2。

計(jì)算58個(gè)樣本臺(tái)風(fēng)的綜合關(guān)聯(lián)度Roj，對(duì)其進(jìn)行災(zāi)情等級(jí)劃分，得到樣本臺(tái)風(fēng)災(zāi)情的綜合關(guān)聯(lián)度Roj序列（圖2），共有特大型災(zāi)害3起，大型23起，中型25起，小型7起，微型0起，分別占比5%、40%、43%、12%、0%。前5名分別為：5612（溫黛）、1323（菲特）、9711（溫妮）、0515（卡努）、1211（海葵）。3起特大型影響臺(tái)風(fēng)分別為5612號(hào)、1323號(hào)和9711號(hào)，其中1956年8月1日在寧波石浦登陸的5612號(hào)強(qiáng)臺(tái)風(fēng)，登陸時(shí)中心氣壓923 hPa，錄得瞬時(shí)極大風(fēng)速16級(jí)，受其影響，沿海潮高浪急，海堤受損嚴(yán)重，大量海水倒灌，僅寧波死亡人口就達(dá)3 897之多，1323號(hào)強(qiáng)臺(tái)風(fēng)“菲特”給寧波造成的經(jīng)濟(jì)損失達(dá)333億多元，為此寧波市首次實(shí)行最高級(jí)別的I級(jí)應(yīng)急響應(yīng)，同樣9711號(hào)臺(tái)風(fēng)“溫妮”也給寧波造成了嚴(yán)重影響，其帶來(lái)的直接經(jīng)濟(jì)損失占當(dāng)年GDP的5%以上。綜合關(guān)聯(lián)度Roj最低的3個(gè)臺(tái)風(fēng)分別為5411號(hào)、5310號(hào)、8913號(hào)，這三次臺(tái)風(fēng)均未造成人員死亡，直接經(jīng)濟(jì)（當(dāng)年價(jià)）損失分別為100萬(wàn)元、100萬(wàn)元、400萬(wàn)元，相對(duì)而言災(zāi)情較小。說(shuō)明綜合關(guān)聯(lián)度Roj能較全面反映受災(zāi)情況，利用該指標(biāo)評(píng)估臺(tái)風(fēng)災(zāi)情大小合理可用。

22臺(tái)風(fēng)災(zāi)害致災(zāi)因子與綜合關(guān)聯(lián)度Roj的關(guān)系

由于歷史氣象數(shù)據(jù)缺失，共整理得到43組臺(tái)風(fēng)災(zāi)害致災(zāi)因子與災(zāi)情數(shù)據(jù)齊全的樣本，分別分析無(wú)量綱后的單個(gè)災(zāi)情數(shù)據(jù)和綜合關(guān)聯(lián)度Roj與6個(gè)臺(tái)風(fēng)致災(zāi)因子間的相關(guān)性。由表3可知：1）死亡人口與最低氣壓相關(guān)性最好，通過(guò)了001信度的顯著性檢驗(yàn)，農(nóng)田受淹面積、直接經(jīng)濟(jì)損失也分別與降水和路徑間通過(guò)了001信度的顯著性檢驗(yàn)，說(shuō)明臺(tái)風(fēng)災(zāi)害致災(zāi)因子與災(zāi)情評(píng)價(jià)指標(biāo)間有明顯的相關(guān)性，用臺(tái)風(fēng)災(zāi)害致災(zāi)因子來(lái)做臺(tái)風(fēng)災(zāi)情預(yù)評(píng)估是合理的。2）綜合關(guān)聯(lián)度Roj與各臺(tái)風(fēng)災(zāi)害致災(zāi)因子間的相關(guān)系數(shù)絕對(duì)值在0319～0629之間，除了與天文大潮指數(shù)間通過(guò)005信度的顯著性檢驗(yàn)外，其余均通過(guò)了001信度的顯著性檢驗(yàn)，與過(guò)程平均降水量間的相關(guān)性最高，達(dá)0629，說(shuō)明綜合關(guān)聯(lián)度Roj與臺(tái)風(fēng)災(zāi)害致災(zāi)因子存在顯著的相關(guān)性，該指標(biāo)較單個(gè)災(zāi)情評(píng)價(jià)指標(biāo)能更全面的描述臺(tái)風(fēng)的災(zāi)情信息。

23BP神經(jīng)網(wǎng)絡(luò)模擬結(jié)果分析

取80%的樣本用于模型訓(xùn)練，剩余20%用于模型檢驗(yàn)。由于BP網(wǎng)絡(luò)的隱含層節(jié)點(diǎn)數(shù)和各層的轉(zhuǎn)移函數(shù)均對(duì)網(wǎng)絡(luò)的性能有很大影響，為獲得更好的擬合效果及避免過(guò)度擬合現(xiàn)象，本文通過(guò)控制網(wǎng)絡(luò)參數(shù)變量結(jié)合K-折交叉驗(yàn)證方法來(lái)對(duì)模型進(jìn)行驗(yàn)證。即選取一定網(wǎng)絡(luò)參數(shù)，并將訓(xùn)練集隨機(jī)分成K份，利用其中K-1份進(jìn)行建模，用余下的一份數(shù)據(jù)進(jìn)行預(yù)測(cè)并與實(shí)際值進(jìn)行比較，重復(fù)上述步驟，直至訓(xùn)練集中每一個(gè)樣本均進(jìn)行過(guò)預(yù)測(cè)，根據(jù)經(jīng)驗(yàn)（Hastie et al.，2004）本文K取10。由于不同初始權(quán)重對(duì)網(wǎng)絡(luò)訓(xùn)練和擬合帶來(lái)一定的振蕩，對(duì)每一個(gè)模型用不同初始權(quán)重進(jìn)行10次實(shí)驗(yàn)，取10次計(jì)算的均值作為該模型對(duì)應(yīng)的結(jié)果，并以結(jié)果輸出的預(yù)測(cè)值與實(shí)際值間的均方根誤差（Root Mean Square Error，RMSE）最低的模型為最終模型。經(jīng)過(guò)大量建模試驗(yàn)（部分試驗(yàn)見(jiàn)表4）可知，當(dāng)隱含層節(jié)點(diǎn)數(shù)為10，隱含層函數(shù)為tansig，輸出層函數(shù)為purelin時(shí)，訓(xùn)練集的RMSE最小，為0027，此時(shí)實(shí)際災(zāi)情關(guān)聯(lián)度與模式輸出災(zāi)情關(guān)聯(lián)度的擬合度最好，BP網(wǎng)絡(luò)性能最佳。

圖3臺(tái)風(fēng)災(zāi)情關(guān)聯(lián)度Roj擬合值與實(shí)際值的散點(diǎn)圖，此時(shí)訓(xùn)練集目標(biāo)輸出與擬合值相關(guān)系數(shù)達(dá)到094，測(cè)試集目標(biāo)輸出與擬合值相關(guān)系數(shù)達(dá)到了0865，均通過(guò)了001信度的顯著性檢驗(yàn)，表明BP神經(jīng)網(wǎng)絡(luò)很好地?cái)M合臺(tái)風(fēng)災(zāi)害致災(zāi)因子與綜合關(guān)聯(lián)度Roj間的關(guān)系。圖4為臺(tái)風(fēng)災(zāi)情關(guān)聯(lián)度Roj擬合值與實(shí)際值的序列，左側(cè)為關(guān)聯(lián)度Roj的數(shù)值，右側(cè)坐標(biāo)軸為對(duì)應(yīng)災(zāi)情等級(jí)，可知34個(gè)監(jiān)督訓(xùn)練樣本中，有29個(gè)擬合等級(jí)與實(shí)際等級(jí)一致，6個(gè)相差1級(jí)，未出現(xiàn)相差2級(jí)或以上的情況，等級(jí)一致率為853%。在9個(gè)測(cè)試樣本中，有7個(gè)擬合等級(jí)與實(shí)際等級(jí)一致，2個(gè)相差1級(jí)，等級(jí)一致率為778%，同樣未出現(xiàn)相差2級(jí)或以上的情況。基于綜合災(zāi)情關(guān)聯(lián)度Roj、臺(tái)風(fēng)災(zāi)害致災(zāi)因子建立的BP神經(jīng)網(wǎng)絡(luò)預(yù)估模型，對(duì)臺(tái)風(fēng)災(zāi)情預(yù)估有較好的模擬效果。

3結(jié)論與討論

1）利用灰色關(guān)聯(lián)分析法計(jì)算寧波58起歷史影響臺(tái)風(fēng)的綜合災(zāi)情關(guān)聯(lián)度Roj，得到特大型災(zāi)害3起，大型災(zāi)害23起，中型災(zāi)害25起，小型災(zāi)害7起，微型災(zāi)害0起，其中特大型災(zāi)害為5612號(hào)和1323號(hào)及9711號(hào)，與實(shí)際情況相符，Roj指標(biāo)合理可用。

2）臺(tái)風(fēng)災(zāi)害致災(zāi)因子與災(zāi)情評(píng)價(jià)指標(biāo)間存在一定的相關(guān)性，其中死亡人口與最低氣壓，農(nóng)田受淹面積、直接經(jīng)濟(jì)損失與降水和路徑均顯著相關(guān)，通過(guò)了001信度的顯著性檢驗(yàn)。Roj與6個(gè)臺(tái)風(fēng)災(zāi)害致災(zāi)因子間亦存在顯著相關(guān)性，與天文大潮指數(shù)間通過(guò)了005信度的顯著性檢驗(yàn)，其余均通過(guò)了001信度的顯著性檢驗(yàn)。

3）利用控制變量法及K-折交叉驗(yàn)證法進(jìn)行模型尋優(yōu)，當(dāng)隱含層節(jié)點(diǎn)數(shù)數(shù)為10，隱含層函數(shù)為tansig，輸出層函數(shù)為purelin時(shí)，實(shí)際災(zāi)情關(guān)聯(lián)度與模式輸出災(zāi)情關(guān)聯(lián)度的RMSE最小，BP網(wǎng)絡(luò)性能最佳。

4）訓(xùn)練集樣本、測(cè)試集樣本的模擬值與實(shí)際值相關(guān)系數(shù)分別達(dá)到094、0865，均通過(guò)001信度的顯著性檢驗(yàn)；訓(xùn)練集、測(cè)試集災(zāi)情級(jí)別預(yù)報(bào)一致率為853%、778%。BP神經(jīng)網(wǎng)絡(luò)模型對(duì)臺(tái)風(fēng)災(zāi)害致災(zāi)因子與Roj間的關(guān)系模擬效果較好。

本文僅利用氣象致災(zāi)因子構(gòu)建臺(tái)風(fēng)災(zāi)害預(yù)估模型，未考慮孕災(zāi)環(huán)境的敏感性、承災(zāi)體的脆弱性及防災(zāi)減災(zāi)能力等要素，在后續(xù)工作中需要對(duì)上述因子做進(jìn)一步深入研究。

參考文獻(xiàn)（References）

Blaikie P，Cannon T，Davis I，et al.，1994.At risk：natural hazards，peoples vulnerability and disasters[M].London：Routledge：3035.

陳仕鴻，隋廣軍，陽(yáng)愛(ài)民，2013.廣東臺(tái)風(fēng)災(zāi)情預(yù)測(cè)系統(tǒng)研究[J].自然災(zāi)害學(xué)報(bào)，3：5055.Chen S H，Sui G J，Yang A M，2013.Research on typhoon disaster condition forecasting system of Guangdong Province[J].Journal of Natural Disasters，3：5055.（in Chinese）.

陳有利，錢(qián)燕珍，胡波，等，2017.寧波市主要?dú)庀鬄?zāi)害風(fēng)險(xiǎn)評(píng)估與區(qū)劃[M].北京：氣象出版社：103105.Chen Y L，Qian Y Z，Hu B，et al.，2017.Risk assessment and zoning of major meteorological disasters in Ningbo City[M].Beijing：China Meteorological Press：103105.（in Chinese）.

鄧聚龍，1987.灰色系統(tǒng)基本方法[M].武漢：華中理工大學(xué)出版社：1113.Deng J L，1987.The basic methodology gray system[M].Wuhan：Huazhong University of Science and Technology Press：1113.（in Chinese）.

Dorland C，Tol R S J，Olsthoorn A A，et al.，1998.Impacts of windstorms in the Netherlands：present risk and prospects for climate change[M].London：Routledge：4547.

端義宏，陳聯(lián)壽，許映龍，等，2012.我國(guó)臺(tái)風(fēng)監(jiān)測(cè)預(yù)報(bào)預(yù)警體系的現(xiàn)狀及建議[J].中國(guó)工程科學(xué)，14（9）：49.Duan Y H，Chen L S，Xu Y L，et al.，2012.The status and suggestions of the improvement in the typhoon observation forecasting and warning systems in China[J].Engineering Sciences，14（9）：49.（in Chinese）.

馮利華，1993.災(zāi)害損失的定量計(jì)算[J].災(zāi)害學(xué)（2）：1719.Feng L H，1993.Quantitative calculation of disasters loss[J].Journal of Catastrophology（2）：1719.（in Chinese）.

官莉，劉旸，張雪慧，2010.人工神經(jīng)網(wǎng)絡(luò)算法在紅外高光譜資料反演大氣溫度廓線中的應(yīng)用[J].大氣科學(xué)學(xué)報(bào)，33（3）：341346.Guan L，Liu Y，Zhang X H，2010.Application of artificial neural network algorithm in retrieving atmospheric temperature profiles from hyperspectral infrared data[J].Trans Atmos Sci，33（3）：341346.（in Chinese）.

Hastie T，Tibshiran R，F(xiàn)riedman J.2004.統(tǒng)計(jì)學(xué)習(xí)基礎(chǔ)：數(shù)據(jù)挖掘、推理與預(yù)測(cè)[M].北京：電子工業(yè)出版社：135155.Hastie T，Tibshiran R，F(xiàn)riedman J，2004.The Elements of Statistical Learning：Data Mining，Inference and Prediction[M].Beijing：Publishing House of Electronics Industry，2004：135155.（in Chinese）.

Huang Z，Rosowsky D V，Sparks P R，2001.Longterm hurricane risk assessment and expected damage to residential structures[J].Reliability Engineering & System Safety，74（3）：239249.

Howard R A，Matheson J E，Nroth D W，1972.The decision to seed hurricans[J].Science，176（4040）：11911202.

雷小途，陳佩燕，楊玉華，等，2009.中國(guó)臺(tái)風(fēng)災(zāi)情特征及其災(zāi)害客觀評(píng)估方法[J].氣象學(xué)報(bào)，67（5）：875883.Lei X T，Chen P Y，Yang Y H，et al.，2009.Characters and objective assessment of disasters caused by typhoons in China[J].Acta Meteorologica Sinica，67（5）：875883.（in Chinese）.

李秀紅，2007.基于灰色關(guān)聯(lián)度的多目標(biāo)決策模型與應(yīng)用[J].山東大學(xué)學(xué)報(bào)（理學(xué)版），42（12）：3336.LI X H，2007.A model based on the grey relation grade for multiobjective decisionmaking and its application[J].Journal of Shandong University（Natural Science），42（12）：3336.（in Chinese）.

劉少軍，張京紅，何政偉，等，2012.改進(jìn)的物元可拓模型在臺(tái)風(fēng)災(zāi)害預(yù)評(píng)估中的應(yīng)用[J].自然災(zāi)害學(xué)報(bào)，2：135141.Liu S J，Zhang J H，He Z W，et al.，2012.Application of improved matterelement extension model to typhoon disaster preassessment[J].Journal of Natural Disasters，2：135141.（in Chinese）.

柳岳清，胡淳焓，周?chē)?guó)華，2012.影響麗水的臺(tái)風(fēng)路徑及災(zāi)害風(fēng)險(xiǎn)特征[J].科技通報(bào)，28（1）：3943.Liu Y Q，Hu C H，Zhou G H，2012.Track and disaster characteristics induced by Typhoon of Lishui[J].Bulletin of Science & Technology，28（1）：3943.（in Chinese）.

牛海燕，劉敏，陸敏，等，2011.中國(guó)沿海地區(qū)臺(tái)風(fēng)致災(zāi)因子危險(xiǎn)性評(píng)估[J].華東師范大學(xué)學(xué)報(bào)（自然科學(xué)版）（6）：2025.Niu H Y，Liu M，Lu M，et al.，2011.Risk assessment of typhoon hazard factors in China coastal areas[J].Journal of East China Normal University （Natural Science）（6）：2025.（in Chinese）.

祁秀香，智協(xié)飛，20090601號(hào)登陸臺(tái)風(fēng)及暴雨減弱消亡過(guò)程中的動(dòng)能收支分析[J].大氣科學(xué)學(xué)報(bào)，32（6）：824831.Qi X X，Zhi X F，2009.Kinetic Energy Budget Analysis during Decaying of 0601 Landfall Typhoon and Storm Rainfall[J].Trans Atmos Sci，32（6）：824831.（in Chinese）.

錢(qián)燕珍，鄭梅迪，張程明，等，2018.寧波臺(tái)風(fēng)預(yù)報(bào)與服務(wù)[M].北京：氣象出版社：2531.Qian Y Z，Zheng M D，Zhang C M，et al.，2018.Typhoon forecast and service in Ningbo[M].Beijing：China Meteorological Press：2531.（in Chinese）.

Rumelhart D E，Hinton G E，Williams R J，1986.Learning representations by backpropagating errors[J].323（6088）：399421.

孫照渤，譚桂容，趙振國(guó)，等，2013.中國(guó)東部夏季雨型的人工神經(jīng)網(wǎng)絡(luò)集合預(yù)測(cè)[J].大氣科學(xué)學(xué)報(bào)，36（1）：16.Sun Z B，Tan G R，Zhao Z G，et al.，2013.Ensemble prediction of summer rainfall patterns over eastern China based on artificial neural networks[J].Trans Atmos Sci，36（1）：16.（in Chinese）.

Thom H，Marshall R，1971.Wind and surge damage due to Hurricane Camille[J].Journal of the Waterways Harbors & Coastal Engineering Division，97：355363.

Vickery P J，Skerlj P F，Twisdale L A，2000.Simulation of hurricane risk in the U.S.using empirical track model[J].Journal of Structural Engineering，126（10）：12221237.

王秀榮，王維國(guó)，馬清云，2010.臺(tái)風(fēng)災(zāi)害綜合等級(jí)評(píng)估模型及應(yīng)用[J].氣象，36（1）：6671.Wang X R，Wang W G，Ma Q Y，2010.Model for general grade division of typhoon disasters and application[J].Meteor Mont，36（1）：6671.（in Chinese）.

Warner B，Misra M，1996.Understanding neural networks as statistical tools[J].The American Statistician，50（4）：284293.

溫姍姍，翟建青，Thomas F，等，20171984—2014年影響中國(guó)熱帶氣旋的經(jīng)濟(jì)損失標(biāo)準(zhǔn)化及其變化特征[J].熱帶氣象學(xué)報(bào)，33（4）：478487.Wen S S，Zhai J Q，Thomas F，et al.，2017.Variation of normalized economic losses from influential tropical cyclones in China for 1984—2014[J].J Trop Meteor，33（4）：478487.

徐良炎，1994.我國(guó)臺(tái)風(fēng)災(zāi)害的初步分析[J].氣象，20（10）：5055.Xu L Y，1994.An Analysis of typhoon Disasters in China[J].Meteor Mon，20（10）：5055.（in Chinese）.

楊仕升，1997.自然災(zāi)害等級(jí)劃分及災(zāi)情比較模型探討[J].自然災(zāi)害學(xué)報(bào)（1）：813.Yang S S，1997.Study on the model of grade division of natural disaster and comparison of disastrous conditions[J].Journal of Natural Disasters（1）：813.（in Chinese）.

殷潔，戴爾阜，吳紹洪，等，2013.中國(guó)臺(tái)風(fēng)強(qiáng)度等級(jí)與可能災(zāi)害損失標(biāo)準(zhǔn)研究[J].地理研究，32（2）：266274.Yin J，Dai E F，Wu S H，et al.，2013.A study on the relationship between typhoon intensity grade and disaster loss in China[J].Geographical Research，32（2）：266274.（in Chinese）.

張穎超，張美娟，張中秋，等，2013.浙江省登陸熱帶氣旋災(zāi)害影響評(píng)估[J].大氣科學(xué)學(xué)報(bào)，36（2）：229234.Zhang Y C，Zhang M J，Zhang Z Q，et al.，2013.Evaluation 0n disaster influence of tropical cyclone landing over Zhejiang Province[J].Trans Atmos Sci，36（2）：229234.（in Chinese）.

智協(xié)飛，季曉東，張璟，等，2013.基于TIGGE資料的地面氣溫和降水的多模式集成預(yù)報(bào)[J].大氣科學(xué)學(xué)報(bào)，36（3）：257266.Zhi X F，Ji X D，Zhang J，et al.，2013.Multi model ensemble forecasts of surface air temperature and precipitation using TIGGE datasets[J].Trans Atmos Sci，36（3）：257266.（in Chinese）.

Investigate on the preassessment of typhoon disaster in Ningbo based on BP neural network

CHEN Youli1，ZHU Xianchun1，HU Bo1，GU Xiaoli2

1Ningbo Meteorological Observatory，Ningbo 315012，China；

2Ningbo Haishu Meteorological Observatory，Ningbo 315153，China

Expending 58 typhoon cases that had the considerable effect on Ningbo and had finish catastrophe records from 1949 to 2015.In view of the information of the calamity，the comprehensive correlation degree of typhoon disaster （Roj） was set up by utilizing the grey relational investigation technique.Choosing the disastercausing factors of typhoon and Roj that point build disaster preassessment technique of typhoon disaster by utilizing BP neural network （BP）.The outcomes demonstrated that，the severity of typhoon which evaluated by Roj is reasonable and available.There is a significant correlation between typhoon disaster risk factors and disaster assessment indicators as well as Roj.The preevaluation model of BP is useful for predicting typhoon disaster；the correlation coefficient linking the simulated value and the actual value of the training set and the test set respectively reached 094 and 0896 and both achieved the confidence interval of 001.The consensus rate of the disaster level forecast of the training set and the test set is 853% and 778% respectively.This investigate outcomes could provide scientific premise to counter the typhoon work of government decisionmaking divisions.

Typhoon；gray relational analysis；BP neural network；disaster preevaluation；Ningbo

doi：1013878/j.cnki.dqkxxb.20180523001

（責(zé)任編輯：袁東敏）