符洪恩 高藝桔 馮瑩瑩 黃婕茵 劉祖發(fā)

摘要： 為了準(zhǔn)確評(píng)估暴雨事件對(duì)人類社會(huì)帶來(lái)的影響，需充分考慮暴雨序列的不確定性特征。運(yùn)用云模型對(duì)城市暴雨災(zāi)害進(jìn)行危險(xiǎn)性評(píng)估能夠很好地解決暴雨災(zāi)害評(píng)估中的不確定性問(wèn)題。選取深圳市4種暴雨致災(zāi)因子歷史序列（2002～2012年）作為評(píng)價(jià)指標(biāo)，運(yùn)用組合賦權(quán)法計(jì)算各因子權(quán)重，通過(guò)云模型算法得到歷史危險(xiǎn)性評(píng)估結(jié)果。使用基于遺傳算法參數(shù)優(yōu)化的支持向量回歸機(jī)模型（GA-SVR）預(yù)測(cè)2013～2016年各致災(zāi)因子值，并結(jié)合云模型（GA-SVR-C）預(yù)估預(yù)測(cè)年份的危險(xiǎn)性等級(jí)，并與SVR（支持向量回歸機(jī)模型）及BP人工神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果進(jìn)行對(duì)比分析。結(jié)果表明：GA-SVR-C模型在評(píng)價(jià)因子的預(yù)測(cè)精度上整體要優(yōu)于其他兩個(gè)模型，得到的危險(xiǎn)性評(píng)估結(jié)果與實(shí)際結(jié)果基本一致，很好地反映了城市暴雨災(zāi)害的風(fēng)險(xiǎn)水平。

關(guān) 鍵 詞： 暴雨洪澇災(zāi)害; 危險(xiǎn)性分析; 云模型; 支持向量機(jī); 遺傳算法

中圖法分類號(hào)： ?P333

文獻(xiàn)標(biāo)志碼： ?A

DOI： 10.16232/j.cnki.1001-4179.2021.08.003

0 引 言

近年來(lái)，隨著中國(guó)城市化進(jìn)程不斷加快，以暴雨為典型的極端降雨事件在中國(guó)各大城市頻繁發(fā)生[1-2]，對(duì)社會(huì)經(jīng)濟(jì)造成了巨大的損失。國(guó)內(nèi)學(xué)者對(duì)城市暴雨災(zāi)害事件風(fēng)險(xiǎn)評(píng)估做了大量的研究，如張玉華等[3]提出了一種以模糊數(shù)學(xué)為理論依托的模糊綜合指標(biāo)評(píng)價(jià)體系，能夠科學(xué)地對(duì)風(fēng)險(xiǎn)因素的模糊性進(jìn)行量化分析;彭健等[4]基于體積淹沒(méi)算法，利用CLUE-S等空間模型來(lái)模擬不同土地利用以及不同致災(zāi)因子危險(xiǎn)性情境下茅洲河流域的洪澇風(fēng)險(xiǎn)程度。但是這些傳統(tǒng)的暴雨災(zāi)害評(píng)估方法沒(méi)有全面考慮暴雨這一自然災(zāi)害事件的不確定性屬性，往往只是從確定性或者模糊性、隨機(jī)性等單一不確定性角度去解決問(wèn)題，無(wú)法較好地對(duì)含有多種不確定性的復(fù)合系統(tǒng)進(jìn)行評(píng)估。

云模型（Cloud Model，C）算法耦合了概率統(tǒng)計(jì)和模糊理論，綜合考慮了隨機(jī)性和模糊性，是實(shí)現(xiàn)定量數(shù)值與定性概念不確定性轉(zhuǎn)化的有效工具[5]。在暴雨災(zāi)害評(píng)估方面，云模型能夠很好地處理在降水測(cè)量過(guò)程中出現(xiàn)的系統(tǒng)誤差以及人為誤差等隨機(jī)性成分，且在災(zāi)害等級(jí)劃分時(shí)可充分考慮災(zāi)害風(fēng)險(xiǎn)程度界定中亦此亦彼的模糊性。近年部分學(xué)者將云模型理論用在了水文氣象災(zāi)害評(píng)估領(lǐng)域，如金菊良等[6]借助云模型對(duì)自然序列不確定屬性的優(yōu)良展現(xiàn)能力，分析了安徽省干旱時(shí)空分布均勻性及穩(wěn)定性特征;萬(wàn)昔超[7]、石曉靜[8]等均利用云模型算法確定研究區(qū)域的洪澇災(zāi)害風(fēng)險(xiǎn)等級(jí)，并使用ArcGIS風(fēng)險(xiǎn)分析功能分析區(qū)域風(fēng)險(xiǎn)等級(jí)分布以及變化情況;王賀等[9-10]選取了若干影響雨洪災(zāi)害的指標(biāo)，并使用云模型構(gòu)建了城市極端降雨災(zāi)害風(fēng)險(xiǎn)評(píng)價(jià)模型，在此基礎(chǔ)上使用云推理算法提出了洪災(zāi)動(dòng)態(tài)預(yù)警模型，研究成果能夠?yàn)榉篮榕艥骋?guī)劃提供有效參考和依據(jù)。

在2004年，馮漢中等[11]首次用支持向量機(jī)（Support Vector Machine，SVM）解決氣象問(wèn)題，此后，大量學(xué)者陸續(xù)將SVM引入降水預(yù)報(bào)的研究中[12]。支持向量回歸機(jī)（Support Vector Regression，SVR）是SVM用以處理回歸預(yù)測(cè)問(wèn)題的拓展模型。為了解決極端降水預(yù)測(cè)這一隨機(jī)性較強(qiáng)的問(wèn)題，學(xué)者們提出了粒子群、遺傳算法（Genetic Algorithm，GA）、模擬退火等智能算法對(duì)SVM的參數(shù)進(jìn)行優(yōu)化選取。GA算法因具有強(qiáng)大的并行運(yùn)算能力和尋找全局最優(yōu)值的搜索能力[13]，從而能有效提升SVM的泛化能力和預(yù)測(cè)精度。唐娟[14]、王尋[15]等在極端降水預(yù)測(cè)研究中采用了遺傳優(yōu)化算法對(duì)支持向量機(jī)的參數(shù)進(jìn)行擇優(yōu)，均取得了良好的預(yù)測(cè)結(jié)果。但目前較少有研究將云模型算法與基于遺傳算法的支持向量回歸機(jī)（GA-SVR）模型結(jié)合應(yīng)用于洪澇災(zāi)害風(fēng)險(xiǎn)評(píng)估領(lǐng)域。

致災(zāi)危險(xiǎn)性是風(fēng)險(xiǎn)評(píng)估最基本和重要的環(huán)節(jié)，構(gòu)建云模型作為暴雨洪澇危險(xiǎn)性評(píng)估工具，有著適應(yīng)性強(qiáng)、不受地域限制等優(yōu)點(diǎn)，具有普遍的參考價(jià)值。結(jié)合對(duì)極端降水有良好預(yù)測(cè)能力的GA-SVR模型和云模型構(gòu)建風(fēng)險(xiǎn)預(yù)估模型（GA-SVR-C）用以預(yù)測(cè)深圳市暴雨災(zāi)害危險(xiǎn)性未來(lái)走勢(shì)，在保證精度良好的前提下，能夠?yàn)槌鞘蟹篮榉桨傅闹贫ā⒎篮楣こ痰慕ㄔO(shè)提供參考依據(jù)。本文首先根據(jù)各評(píng)價(jià)因子歷史數(shù)據(jù)構(gòu)建云模型，從而對(duì)歷史暴雨洪澇災(zāi)害危險(xiǎn)性進(jìn)行等級(jí)評(píng)估;其次，構(gòu)建GA-SVR預(yù)測(cè)模型對(duì)各個(gè)評(píng)價(jià)因子進(jìn)行預(yù)測(cè);最后，將每個(gè)因子的預(yù)測(cè)值帶入構(gòu)建好的云模型中即構(gòu)建GA-SVR-C模型來(lái)評(píng)估未來(lái)暴雨災(zāi)害危險(xiǎn)性等級(jí)。

1 基本原理和方法

1.1 云模型

1.1.1 云模型原理

云模型是自然語(yǔ)言值表征的某個(gè)定性概念C與其定量數(shù)值之間的不確定性轉(zhuǎn)換模型，也是云的具體實(shí)現(xiàn)方法。設(shè)U是一個(gè)數(shù)值論域，C是U上的定性概念，若任意x∈U為對(duì)應(yīng)于概念C的一次隨機(jī)實(shí)現(xiàn)，且均存在一個(gè)具有穩(wěn)定傾向的隨機(jī)數(shù)μ（x）∈[0，1]作為x對(duì)C的確定度，則稱x在論域U中的分布為云模型，簡(jiǎn)稱為云[16]。每個(gè)x與其確定度構(gòu)成的二維數(shù)值稱作一個(gè)云滴。

云模型中包含3個(gè)參數(shù)：期望Ex、熵En、超熵He，如圖1所示。這3個(gè)參數(shù)也稱作云的數(shù)字特征，其能夠整體上反映出概念C的定量特性。期望值Ex是最能代表定性概念的數(shù)據(jù)點(diǎn)，是論域的中心值;熵En是定性概念模糊性和隨機(jī)性的度量，En越大，云滴的取值范圍越大，離散程度越大，反之則越小;超熵He是熵的熵，表征熵的不確定性程度，在云圖中是云厚度的反映。

1.1.2 云數(shù)字特征的計(jì)算方法

設(shè)第i（i=1，2，…，n）個(gè)評(píng)價(jià)因子對(duì)應(yīng)第j（j=1，2，…，m）個(gè)評(píng)語(yǔ)的上下限值為L(zhǎng)ijmax和Lijmin，則云模型3個(gè)數(shù)字特征值計(jì)算公式[17]可表示為

Exij=（Lijmax+Lijmin）/2Enij=（Lijmax-Lijmin）/6Heij=k×Enij?? （1）

本文假定En與相應(yīng)的He存在線性關(guān)系，取k=0.1來(lái)控制云層的厚度。

1.1.3 云發(fā)生器

產(chǎn)生云滴并實(shí)現(xiàn)概念C的云分布是通過(guò)云發(fā)生器（Cloud Generator，CG）來(lái)實(shí)現(xiàn)的，云發(fā)生器是一種產(chǎn)生云的一系列算法。其中正向云發(fā)生器和逆向云發(fā)生器是云模型最基本的算法，計(jì)算方法可見(jiàn)文獻(xiàn)[18]。

在云模型中，還可以根據(jù)不同的目的和已知的條件運(yùn)用不同的云發(fā)生器。設(shè)有論域U，C為U對(duì)應(yīng)的概念，若給出U中的特定數(shù)值x，將其代入云發(fā)生器計(jì)算得到該數(shù)值對(duì)于C的確定度，則稱該云發(fā)生器為x條件云發(fā)生器（見(jiàn)圖2）。

x條件云發(fā)生器詳細(xì)算法：① 根據(jù)已知的云參數(shù)En、He生成En′=NORM（En，He）;② 根據(jù)得到的En′并輸入Ex與特定值x計(jì)算出μ=e-（x-Ex）2/2En′2。

1.1.4 云模型搭建方法

本文以4種致災(zāi)因子數(shù)據(jù)集作為評(píng)價(jià)因子集，將評(píng)價(jià)因子集依照數(shù)據(jù)大小劃分若干區(qū)間，設(shè)定“安全”至“高危險(xiǎn)”危險(xiǎn)性等級(jí)作為評(píng)語(yǔ)集以表征這些區(qū)間所對(duì)應(yīng)的風(fēng)險(xiǎn)狀態(tài)并給出評(píng)語(yǔ)。圖3展示了云模型的評(píng)估流程。

1.2 支持向量回歸機(jī)

Vapnik等[19]根據(jù)統(tǒng)計(jì)學(xué)理論提出了支持向量機(jī)（Support Vector Machine，SVM）模型，該模型遵循結(jié)構(gòu)風(fēng)險(xiǎn)最小化的原則，在控制訓(xùn)練誤差和模型結(jié)構(gòu)復(fù)雜度之間做出了權(quán)衡，使得真實(shí)風(fēng)險(xiǎn)達(dá)到最小，確保模型訓(xùn)練誤差較小的同時(shí)提升了其泛化推廣能力。

SVM模型最初用來(lái)解決模式識(shí)別[20]、分類問(wèn)題等，其能夠?qū)?fù)雜的高維尋優(yōu)問(wèn)題轉(zhuǎn)化為二次規(guī)劃求解問(wèn)題，理論上可以得到全局最優(yōu)解，而且對(duì)處理小樣本、非線性、高維度等問(wèn)題也有很好的效果[21-22]。隨著ε不敏感損失函數(shù)的引入，SVM經(jīng)過(guò)拓展產(chǎn)生了SVR模型可用來(lái)解決回歸問(wèn)題，詳細(xì)算法可見(jiàn)文獻(xiàn)[23]。

1.3 遺傳算法對(duì)支持向量回歸機(jī)的優(yōu)化

SVR的預(yù)測(cè)性能會(huì)受到懲罰因子C、RBF核參數(shù)g以及不敏感損失函數(shù)ε這3個(gè)參數(shù)取值大小的

影響，為了能夠搜索得到這3個(gè)參數(shù)的最佳組合從而提升SVR的回歸精度以及泛化能力，本文選取了遺傳算法[24]作為SVR參數(shù)的優(yōu)化算法。遺傳算法基于自然選擇和遺傳學(xué)原理，是一種模擬生物適者生存優(yōu)勝劣汰進(jìn)化演變規(guī)律的智能優(yōu)化算法。該算法能夠快速地找到全局最優(yōu)解，降低基于經(jīng)驗(yàn)選擇的不確定性[25]，提高模型的預(yù)測(cè)精度。利用GA算法對(duì)SVR參數(shù)尋優(yōu)的具體步驟如下[26]：

（1） 設(shè)定C，g以及ε參數(shù)的實(shí)際可能取值范圍。

（2） 將這些SVR參數(shù)進(jìn)行二進(jìn)制編碼，并隨機(jī)產(chǎn)生初始種群。

（3） 選定適應(yīng)度函數(shù)來(lái)評(píng)估個(gè)體的適應(yīng)度大小，本文選取的適應(yīng)度函數(shù)為均方誤差。

（4） 采用輪盤賭法使得適應(yīng)度較大的個(gè)體可以較大概率作為父代進(jìn)行復(fù)制繁衍。

（5） 以一定概率對(duì)種群進(jìn)行交叉、變異操作，產(chǎn)生下一代種群。

（6） 重復(fù)以上步驟直到種群滿足給定的優(yōu)化準(zhǔn)則，這里選取最大進(jìn)化代數(shù)作為優(yōu)化準(zhǔn)則，若滿足則輸出最佳的SVR參數(shù)組合。

2 歷史暴雨洪澇災(zāi)害危險(xiǎn)性等級(jí)評(píng)估

本文所用數(shù)據(jù)為國(guó)家氣象中心提供的深圳市1960～2016年57 a間的降雨數(shù)據(jù)。將該降雨數(shù)據(jù)集通過(guò)整理計(jì)算得到暴雨洪澇評(píng)價(jià)因子數(shù)值論域：年降雨量U1、年暴雨日數(shù)U2、平均暴雨量U3和最大日降雨量U4。本文將災(zāi)害危險(xiǎn)性等級(jí)分為1～5級(jí)，V=（V1，V2，V3，V4，V5）：安全、趨于安全、趨于危險(xiǎn)、危險(xiǎn)、高危險(xiǎn)。Ui（i=1，2，3，4） 中的各要素值在V中每一危險(xiǎn)性等級(jí)下的確定度都可以用一朵云來(lái)表示。本章將2002～2012年的Ui（i=1，2，3，4）值作為云模型的輸入數(shù)據(jù)，用以評(píng)估這些年份的危險(xiǎn)性等級(jí)。

2.1 評(píng)估等級(jí)限值的確立

采用經(jīng)典水文頻率曲線法來(lái)計(jì)算評(píng)估等級(jí)的上下限值。選取水文頻率通用函數(shù)P-Ⅲ型分布函數(shù)作為理論頻率函數(shù)[27]，選定與各序列經(jīng)驗(yàn)點(diǎn)數(shù)據(jù)擬合效果最好的理論頻率曲線作為適用曲線，根據(jù)設(shè)計(jì)頻率查詢對(duì)應(yīng)要素限值。參考文獻(xiàn)[28]中的水災(zāi)害等級(jí)設(shè)計(jì)頻率，表1給出了指定設(shè)計(jì)頻率下的評(píng)價(jià)因子各等級(jí)限值。

2.2 云數(shù)字特征值的計(jì)算

通過(guò)上文了解到，可以用云定量刻畫各個(gè)評(píng)價(jià)指標(biāo)對(duì)于不同危險(xiǎn)性等級(jí)的定性概念，而確定云參數(shù)是實(shí)現(xiàn)云的首要步驟，根據(jù)公式（1）求得云參數(shù)的結(jié)果如表2所列。

2.3 單因子云隸屬度的計(jì)算

將2002～2012年的4種致災(zāi)因子數(shù)據(jù)代入x條件云發(fā)生器中分別計(jì)算各個(gè)等級(jí)下的確定度1 000次，取期望值作為最終隸屬度，得到歷史單因子危險(xiǎn)性隸屬度矩陣 F ij（i=1，2，…，55;j=1，2，3，4）。表3展示了2012年暴雨洪澇單因子隸屬度等級(jí)分布。

2.4 確定評(píng)價(jià)指標(biāo)的權(quán)重

為了確保權(quán)重對(duì)評(píng)估結(jié)果的影響最小，本研究結(jié)合層次分析法與熵權(quán)法即主客觀組合賦權(quán)的方式來(lái)確定權(quán)重。計(jì)算公式[29]為

wi= di×ei ?4 i=1 （di×ei） ，i=1，2，3，4 （2）

式中： D ， E ， W 分別為層次分析法、熵權(quán)法以及組合賦權(quán)法的權(quán)重矩陣。

根據(jù)式（2）計(jì)算得到的最終權(quán)重為

W =（0.072 7，0.240 4，0.124 1，0.562 7）T （3）

通過(guò)式（4）將單因子隸屬度矩陣 F 與權(quán)重矩陣 W 進(jìn)行模糊變換得到綜合隸屬度矩陣 A 。利用矩陣 A 得到歷史暴雨洪澇災(zāi)害危險(xiǎn)性隸屬度分布如圖4所示。

A = F × W? （4）

2.5 歷史暴雨洪澇災(zāi)害危險(xiǎn)性評(píng)估結(jié)果分析

從圖4中可見(jiàn)：整體上這11 a中隸屬度較大的災(zāi)害危險(xiǎn)性等級(jí)基本位于1～3級(jí)，多數(shù)年份隸屬于4～5級(jí)的確定度較低。2011年的“安全”等級(jí)以及2003年的“趨于安全”等級(jí)隸屬度屬于中高水平（0.5～1.0），除此之外其他年份各危險(xiǎn)等級(jí)的確定度為較低水平（<0.5）。

根據(jù)最大隸屬度原則，從每一年份的各危險(xiǎn)性等級(jí)隸屬度中選擇最大隸屬度所對(duì)應(yīng)的等級(jí)作為最終的危險(xiǎn)性評(píng)估等級(jí)，深圳市歷史暴雨洪澇災(zāi)害危險(xiǎn)性等級(jí)評(píng)估結(jié)果如圖5所示。

2002～2012年間，暴雨洪澇災(zāi)害危險(xiǎn)性等級(jí)為“趨于安全”的年份最多，共有5 a，其次是處于“安全”等級(jí)的年份，共有3 a。危險(xiǎn)性等級(jí)較高的年份均集中在2005～2009年間，其中2005年以及2009年屬于“趨于危險(xiǎn)”等級(jí)，而2008年的危險(xiǎn)

性等級(jí)高達(dá)第4級(jí)“危險(xiǎn)”等級(jí)，在評(píng)估年份中危險(xiǎn)性最高。這11 a的危險(xiǎn)性評(píng)估結(jié)果與《深圳市水利志》以及深圳市水務(wù)局網(wǎng)站的歷年暴雨洪澇災(zāi)情

統(tǒng)計(jì)信息情況基本符合，等級(jí)確定較為合理。如《深圳市水利志》等資料記載：2008年“6·13”特大暴雨事件降雨強(qiáng)度超50 a一遇，深圳多處內(nèi)澇嚴(yán)重，但水庫(kù)、堤防防洪成效顯著，無(wú)險(xiǎn)情，也沒(méi)有產(chǎn)生群死群傷等重大損失，所以危險(xiǎn)性形勢(shì)比較符合該年份第4級(jí)“危險(xiǎn)”等級(jí)。

3 GA-SVR-C模型結(jié)果分析

將深圳市1960～2016這57 a的年降雨量U1、年暴雨日數(shù)U2、平均暴雨量U3、最大日降雨量U4序列分別構(gòu)建GA-SVR模型，取前53 a數(shù)據(jù)作為模型訓(xùn)練樣本，后4 a數(shù)據(jù)用以驗(yàn)證模型預(yù)測(cè)效果。

3.1 評(píng)價(jià)因子預(yù)測(cè)結(jié)果分析

為了能夠更加客觀地分析GA-SVR對(duì)暴雨洪澇致災(zāi)因子序列值預(yù)報(bào)的準(zhǔn)確性，根據(jù)同樣的輸入樣本構(gòu)建無(wú)參數(shù)優(yōu)化算法的SVR模型以及BP人工神經(jīng)網(wǎng)絡(luò)（BP-network）模型來(lái)進(jìn)行對(duì)比驗(yàn)證，各模型對(duì)評(píng)價(jià)因子預(yù)測(cè)結(jié)果如圖6所示，模型預(yù)測(cè)效果采用平均相對(duì)誤差來(lái)衡量，結(jié)果如表4所列。

采用灰色關(guān)聯(lián)度分析方法[30]來(lái)比對(duì)模型的預(yù)測(cè)結(jié)果與原始值的關(guān)聯(lián)性大小，計(jì)算得到GA-SVR、SVR、BP-network模型評(píng)價(jià)因子的預(yù)測(cè)結(jié)果與原序列值的平均關(guān)聯(lián)度為0.685 4，0.635 9，0.577 0，可知GA-SVR的預(yù)測(cè)序列與原序列的幾何形狀相似程度最高，整體態(tài)勢(shì)最接近，表明 GA-SVR對(duì)于暴雨序列這種復(fù)雜的問(wèn)題仍然具有較強(qiáng)的學(xué)習(xí)能力以及良好的泛化能力。

從表4中可以看出：3個(gè)模型的平均相對(duì)誤差都控制在30%以內(nèi)，其中GA-SVR以及SVR模型的預(yù)測(cè)誤差均控制在20%以內(nèi)，而B(niǎo)P-network模型對(duì)年降雨量以及年暴雨日數(shù)的預(yù)測(cè)誤差均大于20%，相較于BP-network，SVR模型體現(xiàn)出了其處理小樣本以及非線性等問(wèn)題的優(yōu)勢(shì)。GA-SVR每個(gè)評(píng)價(jià)因子的平均相對(duì)誤差均比其他兩個(gè)模型對(duì)應(yīng)誤差低，可見(jiàn)經(jīng)過(guò)參數(shù)優(yōu)選的GA-SVR模型的預(yù)測(cè)性能相較于未經(jīng)過(guò)參數(shù)優(yōu)選的SVR模型有一定的提升。

3.2 危險(xiǎn)性等級(jí)預(yù)測(cè)結(jié)果分析

將各模型評(píng)價(jià)因子預(yù)測(cè)結(jié)果代入云模型評(píng)估系統(tǒng)中得到預(yù)測(cè)年份的危險(xiǎn)性等級(jí)如表5所列。從表中觀察到2013，2015，2016年暴雨洪澇危險(xiǎn)性等級(jí)較低，且3個(gè)模型對(duì)于這些年份的預(yù)估等級(jí)基本符合深圳市出現(xiàn)暴雨洪澇風(fēng)險(xiǎn)程度較低的真實(shí)情況。在2014年深圳市經(jīng)歷了多場(chǎng)大暴雨，造成大面積的交通受阻以及出現(xiàn)多達(dá)200個(gè)內(nèi)澇點(diǎn)，暴雨洪澇災(zāi)害的危險(xiǎn)程度較高，支持向量回歸機(jī)-云模型（SVR-C）以及BP人工神經(jīng)網(wǎng)絡(luò)-云模型（BP-network-C）對(duì)于該年份的危險(xiǎn)性等級(jí)預(yù)測(cè)結(jié)果均為“趨于安全”，這顯然不符合實(shí)際深圳市的受災(zāi)情況，而GA-SVR-C的預(yù)測(cè)結(jié)果與原始結(jié)果一致，均為“危險(xiǎn)”等級(jí)，充分反映了該年份災(zāi)害風(fēng)險(xiǎn)的真實(shí)水平，證明了該模型對(duì)于暴雨洪澇災(zāi)害危險(xiǎn)性等級(jí)預(yù)測(cè)是精確可靠的。

4 結(jié) 語(yǔ)

在深圳市暴雨洪澇災(zāi)害危險(xiǎn)性評(píng)估中，本文使用云模型作為歷史災(zāi)害的評(píng)估方法。云模型充分考慮了暴雨這一自然要素序列分布的隨機(jī)性以及區(qū)間歸屬的模糊性，將暴雨災(zāi)害危險(xiǎn)性這一定性概念與定量數(shù)值進(jìn)行不確定性轉(zhuǎn)換，得到的評(píng)估結(jié)果更加客觀合理。為了能夠預(yù)測(cè)未來(lái)災(zāi)害的危險(xiǎn)性走勢(shì)，還提出了GA-SVR-C預(yù)測(cè)模型，實(shí)例證明該模型能夠充分學(xué)習(xí)暴雨致災(zāi)因子歷史序列并從復(fù)雜的非線性問(wèn)題中挖掘出較多的預(yù)測(cè)信息，得到的預(yù)測(cè)效果優(yōu)于SVR以及BP人工神經(jīng)網(wǎng)絡(luò)模型且與真實(shí)情況基本一致，是十分有效可行的危險(xiǎn)性預(yù)測(cè)工具。

云模型中描繪定性概念的3個(gè)參數(shù)值的計(jì)算目前沒(méi)有完整的理論依據(jù)，往往依靠經(jīng)驗(yàn)公式進(jìn)行確定，難以論證其反映定性概念的程度。如何在保證預(yù)測(cè)精度良好的情況下將GA-SVR-C模型更簡(jiǎn)便地應(yīng)用在評(píng)估結(jié)構(gòu)復(fù)雜、評(píng)價(jià)因子繁多的評(píng)估工作中還需要進(jìn)一步探究。

參考文獻(xiàn)：

[1] ?翁莉，馬林，徐雙鳳.城市暴雨災(zāi)害風(fēng)險(xiǎn)評(píng)估及防御對(duì)策研究：以江蘇省南京市為例[J].災(zāi)害學(xué)，2015，30（1）：130-134.

[2] 孔鋒.透視變化環(huán)境下的中國(guó)城市暴雨內(nèi)澇災(zāi)害：形勢(shì)、原因與政策建議[J].水利水電技術(shù)，2019，50（10）：42-52.

[3] 張玉華，蔡甜.城市暴雨內(nèi)澇災(zāi)害風(fēng)險(xiǎn)模糊綜合評(píng)價(jià)體系構(gòu)建研究[J].水利規(guī)劃與設(shè)計(jì)，2019（11）：103-107.

[4] 彭建，魏海，武文歡，等.基于土地利用變化情景的城市暴雨洪澇災(zāi)害風(fēng)險(xiǎn)評(píng)估：以深圳市茅洲河流域?yàn)槔齕J].生態(tài)學(xué)報(bào)，2018，38（11）：3741-3755.

[5] 蔣嶸，李德毅，陳暉.基于云模型的時(shí)間序列預(yù)測(cè)[J].解放軍理工大學(xué)學(xué)報(bào)（自然科學(xué)版），2000（5）：13-18.

[6] 金菊良，李輝，李靖，等.基于云模型的安徽省干旱時(shí)空分布特征分析[J].水電能源科學(xué)，2017，35（4）：1-5.

[7] 萬(wàn)昔超，殷偉量，孫鵬，等.基于云模型的暴雨洪澇災(zāi)害風(fēng)險(xiǎn)分區(qū)評(píng)價(jià)[J].自然災(zāi)害學(xué)報(bào)，2017，26（4）：77-83.

[8] 石曉靜，查小春，劉嘉慧，等.基于云模型的漢江上游安康市洪水災(zāi)害風(fēng)險(xiǎn)評(píng)價(jià)[J].水利水電科技進(jìn)展，2017，37（3）：29-34.

[9] 王賀，劉高峰，王慧敏.基于云模型的城市極端雨洪災(zāi)害風(fēng)險(xiǎn)評(píng)價(jià)[J].水利經(jīng)濟(jì)，2014，32（2）：15-18.

[10] ?王賀，劉高峰，王慧敏.基于云模型的城市極端雨洪災(zāi)害預(yù)警研究[J].水利經(jīng)濟(jì)，2014，32（4）：59-62.

[11] 馮漢中，陳永義.處理非線性分類和回歸問(wèn)題的一種新方法（Ⅱ）：支持向量機(jī)方法在天氣預(yù)報(bào)中的應(yīng)用[J].應(yīng)用氣象學(xué)報(bào)，2004（3）：355-365.

[12] 羅芳瓊.支持向量機(jī)在降水預(yù)報(bào)中的應(yīng)用綜述[J].廣西科技師范學(xué)院學(xué)報(bào)，2017，32（2）：113-116.

[13] ROUSHANGAR K，KOOSHEH A.Evaluation of GA-SVR method for modeling bed load transport in gravel-bed rivers[J].Journal of Hydrology，2015，527：1142-1152.

[14] 唐娟，萬(wàn)定生，程習(xí)鋒.一種極端降水預(yù)測(cè)方法研究[J].信息技術(shù)，2014（4）：19-23.

[15] 王尋，萬(wàn)定生，唐娟.基于組合模型的極端降水預(yù)測(cè)方法[J].計(jì)算機(jī)仿真，2015，32（12）：354-359.

[16] 劉常昱，李德毅，潘莉莉.基于云模型的不確定性知識(shí)表示[J].計(jì)算機(jī)工程與應(yīng)用，2004，40（2）：32-35.

[17] 徐征捷，張友鵬，蘇宏升.基于云模型的模糊綜合評(píng)判法在風(fēng)險(xiǎn)評(píng)估中的應(yīng)用[J].安全與環(huán)境學(xué)報(bào)，2014，14（2）：69-72.

[18] 呂輝軍，王曄，李德毅，等.逆向云在定性評(píng)價(jià)中的應(yīng)用[J].計(jì)算機(jī)學(xué)報(bào)，2003（8）：1009-1014.

[19] VAPNIK V.The nature of statistical learning theory[J].Machine Learning，2005，20（1）：273-297.

[20] 謝昊伶，彭國(guó)華，郭滿才，等.基于改進(jìn)的SVR模型在年降水量預(yù)測(cè)中的應(yīng)用[J].數(shù)學(xué)的實(shí)踐與認(rèn)識(shí)，2017，47（18）：154-161.

[21] 杜樹(shù)新，吳鐵軍.用于回歸估計(jì)的支持向量機(jī)方法[J].系統(tǒng)仿真學(xué)報(bào)，2003，15（11）：1580-1585，1633.

[22] 祁亨年.支持向量機(jī)及其應(yīng)用研究綜述[J].計(jì)算機(jī)工程，2004，30（10）：6-9.

[23] 栗然，李廣敏.基于支持向量機(jī)回歸的光伏發(fā)電出力預(yù)測(cè)[J].中國(guó)電力，2008，41（2）：74-78.

[24] HOLLAND J.Adaptation in natural and artificial systems[M].Ann Arbor：The University of Michigan Press，1975.

[25] ZHU X，MA S，XU Q，et al.A WD-GA-LSSVM model for rainfall-triggered landslide displacement prediction[J].Journal of Mountain Science，2018，15（1）：156-166.

[26] 吳景龍，楊淑霞，劉承水.基于遺傳算法優(yōu)化參數(shù)的支持向量機(jī)短期負(fù)荷預(yù)測(cè)方法[J].中南大學(xué)學(xué)報(bào)（自然科學(xué)版），2009，40（1）：180-184.

[27] 宋松柏.水文頻率計(jì)算研究面臨的挑戰(zhàn)與建議[J].水利與建筑工程學(xué)報(bào)，2019，17（2）：12-18.

[28] 劉登峰，王棟，丁昊，等.城市水災(zāi)害風(fēng)險(xiǎn)等級(jí)的RBF-C評(píng)估方法[J].人民黃河，2014，36（1）：8-10.

[29] ZHANG S，XIANG M，XU Z，et al.Evaluation of water cycle health status based on a cloud model[J].Journal of Cleaner Production，2019，245（12）：118850.

[30] 孫芳芳.淺議灰色關(guān)聯(lián)度分析方法及其應(yīng)用[J].科技信息，2010，2（17）：780-782.

（編輯：謝玲嫻）

引用本文：

符洪恩，高藝桔，馮瑩瑩，等.

基于GA-SVR-C的城市暴雨洪澇災(zāi)害危險(xiǎn)性預(yù)測(cè)：以深圳市為例

[J].人民長(zhǎng)江，2021，52（8）：16-21.

Hazard prediction of urban rainstorm and flood disasters based on

GA-SVR-C model：case study of Shenzhen City

FU Hongen1，GAO Yijie1，F(xiàn)ENG Yingying2，HUANG Jieyin2，LIU Zufa1，2

（ 1.School of Civil Engineering，Sun Yat-sen University，Zhuhai 519082，China; 2.Department of Resources and the Urban Planning，Sun Yat-sen University，Guangzhou 510520，China ）

Abstract：

To accurately assess the impact of rainstorm events on human society，it is significant to consider the uncertainties of the rainstorm sequence.The assessment on urban rainstorm hazards by cloud model can better qualify the uncertainty and is regarded as a more effective assessment tool.The historical series of four kinds of disaster-inducing factors of rainstorm （2002～2012） of Shenzhen City were selected as the evaluation index，and the weight of each factor was calculated by using the combined weighting method，then the assessment results on historical rainstorm hazard were obtained through the cloud model.Support vector regression model based on genetic algorithm parameter optimization （GA-SVR） was used to predict the values of four disaster-inducing factors from 2013 to 2016.The GA-SVR combined with the cloud model （GA-SVR-C） was used to predict the hazard levels in the predicted year.Meanwhile，the prediction results from the SVR and BP-network model were used for comparative analysis.It was proved that the GA-SVR-C model performed better than the other two models in terms of the prediction accuracy.The hazard assessment results of GA-SVR-C model are basically consistent with the real facts，which can reflect the hazard levels of urban rainstorm disaster well.

Key words：

rainstorm and flood disaster;hazard analysis;cloud model;support vector machine;genetic algorithm