基于支持向量機的湖北省洪澇農(nóng)業(yè)損失預(yù)測模型

王平+黃河+吳瑋

摘要：洪澇農(nóng)業(yè)災(zāi)情預(yù)測在災(zāi)害管理和應(yīng)急救災(zāi)等領(lǐng)域都具有非常重要的研究價值，以支持向量機（SVM）模型為基礎(chǔ)，以1998～2006年湖北省洪澇災(zāi)情數(shù)據(jù)為樣本，構(gòu)建了基于SVM的洪澇農(nóng)作物損失預(yù)測模型。結(jié)果表明，基于徑向核函數(shù)的SVM模型適合湖北地區(qū)洪澇農(nóng)業(yè)損失的預(yù)測。

關(guān)鍵詞：農(nóng)作物；洪澇；預(yù)測；支持向量機

中圖分類號：X43 文獻標識碼：A 文章編號：0439-8114（2014）18-4437-04

隨著全球環(huán)境變化，極端氣候事件不斷發(fā)生，自然災(zāi)害損失明顯上升，對人類生產(chǎn)、安全和發(fā)展帶來前所未有的挑戰(zhàn)[1]。我國國土遼闊，自然地理條件復(fù)雜，降水在時空分布上十分不均勻，洪澇災(zāi)害的發(fā)生十分頻繁。洪澇災(zāi)害是我國各種自然災(zāi)害中發(fā)生頻率高、造成經(jīng)濟損失嚴重的一種自然災(zāi)害。根據(jù)水利部公布的數(shù)據(jù)，1990年洪澇災(zāi)害造成的直接經(jīng)濟損失為239.0億元，1995年增加到1 653.3億元，1999年高達2 550.9億元。進入21世紀后，洪澇災(zāi)害所造成的直接經(jīng)濟損失年均超過1 200億元。隨著社會發(fā)展的進步，洪澇災(zāi)害已成為威脅國民經(jīng)濟持續(xù)發(fā)展和制約國家可持續(xù)發(fā)展的主要因素之一。為了便于災(zāi)情分析及防災(zāi)減災(zāi)救災(zāi)工作，對洪澇災(zāi)害損失進行預(yù)測的研究顯得尤為重要，本研究從我國自然災(zāi)害風險管理的需求出發(fā)，構(gòu)建了基于支持向量機（Support vector machine， SVM）的洪澇災(zāi)害農(nóng)業(yè)損失預(yù)測模型，為我國洪澇災(zāi)害風險管理提供參考，研究結(jié)果對自然災(zāi)害管理工作具有重要的指導(dǎo)意義[2]。

1 洪澇災(zāi)害損失評估預(yù)測模型

洪澇災(zāi)害（包括洪災(zāi)和澇災(zāi)）是由于降雨、融雪、冰凌、風暴潮、潰堤等引起洪流和積水而造成的自然災(zāi)害。我國歷朝歷代對重大災(zāi)害事件的記載為研究歷史災(zāi)害留下了寶貴的文獻資料。目前民政部和水利部等部委都開展了洪澇災(zāi)害造成的損失風險進行評估，其中民政部的《自然災(zāi)害情況統(tǒng)計制度》主要從受災(zāi)人口、農(nóng)作物受災(zāi)面積、農(nóng)作物成災(zāi)面積、倒塌房屋、直接經(jīng)濟損失等方面統(tǒng)計了包括洪澇在內(nèi)的自然災(zāi)害損失信息，而水利部也從農(nóng)作物受災(zāi)面積、農(nóng)作物成災(zāi)面積、倒塌房屋和直接經(jīng)濟損失等方面統(tǒng)計洪澇災(zāi)害損失數(shù)據(jù)（表1）。

洪澇災(zāi)害的致災(zāi)因子、孕災(zāi)環(huán)境和承災(zāi)體共同組成了洪澇災(zāi)害復(fù)雜系統(tǒng)，而洪澇災(zāi)情是該復(fù)雜系統(tǒng)各組成部分相互作用的結(jié)果[3]。洪澇災(zāi)害災(zāi)情評估是通過所建立的模型，對因洪澇災(zāi)害造成的破壞程度進行評價。從廣義上講，洪澇災(zāi)害損失評估包括孕災(zāi)環(huán)境穩(wěn)定性分析、致災(zāi)因子危險性分析、承災(zāi)體易損性評價和災(zāi)情損失評估[4]；從狹義上講，洪澇災(zāi)害損失評估是研究在一定時間段內(nèi)，洪澇災(zāi)害對可能發(fā)生區(qū)域帶來的各種損失。目前，對洪澇災(zāi)害損失評估進行研究，評估方法主要有：遙感和GIS方法[5，6]、抽樣統(tǒng)計方法[7]、基于承災(zāi)體易損性的評估方法[8，9]和基于歷史災(zāi)情數(shù)據(jù)的評估模型[10，11]?；跉v史災(zāi)情數(shù)據(jù)的分析方法是依據(jù)歷史災(zāi)情數(shù)據(jù)，其本身就是洪澇與承災(zāi)體相互作用的結(jié)果，這種“從災(zāi)害研究災(zāi)害”的方法避免了從洪澇研究災(zāi)害的迂回[12]。

2 基于SVM的洪澇農(nóng)作物災(zāi)情預(yù)測模型

SVM模型是繼人工神經(jīng)網(wǎng)絡(luò)之后新一代的學(xué)習(xí)算法，是一種先進的非線性統(tǒng)計分析模型。目前，SVM模型逐步被應(yīng)用到臺風、地震和滑坡等自然災(zāi)害的災(zāi)情預(yù)測上，并取得了很好的研究成果[13-15]。

2.1 支持向量機模型

SVM是由Vapnik[16]提出的一種非常有發(fā)展前景的分類和回歸預(yù)測技術(shù)，可以替代多層感知器、RBF神經(jīng)網(wǎng)絡(luò)等算法。SVM主要利用核函數(shù)將線性不可分的數(shù)據(jù)轉(zhuǎn)換為高維空間的線性可分數(shù)據(jù)。

一般的SVM被設(shè)計用于解決分類問題，假設(shè)訓(xùn)練樣本xi（i=1，2，…，n）由兩類構(gòu)成，即yi=±1。SVM的目標是在n維空間上尋找一個超平面，以最大間距區(qū)分訓(xùn)練樣本中的兩類，同時使分開兩類數(shù)據(jù)點距離分類面最遠，這里的超平面既可以是平面也可以是曲面。

對于一般線性可分情況[13]，超平面通過以下公式獲得：

2.2 基于SVM的洪澇農(nóng)作物災(zāi)情預(yù)測模型

2.2.1 選擇洪澇災(zāi)害案例數(shù)據(jù)作為訓(xùn)練數(shù)據(jù) 根據(jù)民政部自然災(zāi)害災(zāi)情統(tǒng)計報表，選擇了受災(zāi)人口（a1）、緊急轉(zhuǎn)移安置人口（a2）、農(nóng)作物絕收面積（a3）、倒塌房屋間數(shù)（a4）、損壞房屋間數(shù)（a5）、直接經(jīng)濟損失（a6）和農(nóng)作物受災(zāi)面積（a7）等為洪澇農(nóng)作物災(zāi)情案例屬性。選擇1998～2006年湖北省的20個洪澇案例數(shù)據(jù)（u1～u20）作為訓(xùn)練樣本[17]，具體情況如表2。

2.2.2 構(gòu)建基于SVM的洪澇農(nóng)作物災(zāi)情預(yù)測模型 基于SVM的洪澇災(zāi)害農(nóng)作物災(zāi)情預(yù)測模型主要包括：①由于洪澇災(zāi)情數(shù)據(jù)屬于線性不可分情況，選用公式（2）作為預(yù)測的模型基礎(chǔ)；②基于表2中的洪澇災(zāi)情數(shù)據(jù)，分別利用線性核函數(shù)、多項式核函數(shù)、徑向核函數(shù)和S形核函數(shù)作為核函數(shù)，通過對洪澇災(zāi)情樣本數(shù)據(jù)訓(xùn)練，分別得到基于SVM的洪澇農(nóng)作物災(zāi)情的預(yù)測模型；③通過參數(shù)尋優(yōu)，優(yōu)化訓(xùn)練結(jié)果，這樣可以得到較好的預(yù)測模型，使預(yù)測的精度得到進一步改善，提高預(yù)測模型的精度，重點主要包括優(yōu)化SVM中的懲罰參數(shù)和核函數(shù)參數(shù)等。

3 結(jié)果與分析

在Matlab平臺上，利用洪澇災(zāi)害災(zāi)情農(nóng)作物預(yù)測訓(xùn)練數(shù)據(jù)，通過綜合比較分析4種核函數(shù)模型，發(fā)現(xiàn)基于徑向核函數(shù)的SVM預(yù)測模型能較好地預(yù)測農(nóng)作物災(zāi)情，并獲得湖北地區(qū)洪澇農(nóng)作物災(zāi)情預(yù)測模型為：

3.1 洪澇農(nóng)作物災(zāi)情預(yù)測結(jié)果

利用公式（7）對1998～2006年湖北省的農(nóng)作物絕收面積進行預(yù)測。結(jié)果表明，農(nóng)作物絕收面積的整體預(yù)測精度為85.67%，整體預(yù)測誤差為26.46%，具體的農(nóng)作物絕收面積預(yù)測誤差如圖1所示。

由圖1可知，利用基于徑向核函數(shù)的SVM預(yù)測模型能有效地預(yù)測湖北地區(qū)的洪澇農(nóng)作物絕收面積，預(yù)測曲線與樣本曲線變化趨勢基本一致。但預(yù)測結(jié)果也表明，也存在預(yù)測值明顯大于真實值，如樣本2、樣本10、樣本11、樣本16、樣本18和樣本19；也存在預(yù)測值明顯小于真實值，如樣本14。整體來說，樣本9至樣本10，預(yù)測結(jié)果與真實數(shù)據(jù)基本吻合。本研究所建立的SVM預(yù)測模型能預(yù)測湖北地區(qū)洪澇農(nóng)作物絕收面積，但對小面積的農(nóng)作物絕收面積預(yù)測效果較差。endprint

同樣利用公式（7）對1998～2006年湖北省的農(nóng)作物受災(zāi)面積進行預(yù)測。交叉驗證結(jié)果表明，農(nóng)作物受災(zāi)面積整體預(yù)測精度為87.22%，整體預(yù)測誤差為23.33%。從整體上來看，洪澇農(nóng)作物成災(zāi)面積的預(yù)測精度比農(nóng)作物絕收面積更準確。具體的農(nóng)作物絕收面積預(yù)測誤差如圖2所示。

由圖2可知，本研究所構(gòu)建模型對農(nóng)作物受災(zāi)面積預(yù)測曲線與樣本曲線變化趨勢一致。但預(yù)測結(jié)果也表明，存在預(yù)測值明顯大于真實值，如樣本16；存在預(yù)測值明顯小于真實值，如樣本1。整體來說，在9至11這個階段本文預(yù)測值基本吻合歷史數(shù)據(jù)，預(yù)測的準確度較高。在5至8，12至20這二個階段預(yù)測值誤差相對較大，尤其是11至20歷史階段模型所預(yù)測的值高于樣本數(shù)據(jù)。綜上所述，所建立的SVM預(yù)測模型能有效預(yù)測湖北地區(qū)洪澇災(zāi)害的農(nóng)作物絕收面積，但對小面積的農(nóng)作物受災(zāi)面積預(yù)測效果較差。

3.2 預(yù)測結(jié)果分析

洪澇農(nóng)作物受災(zāi)面積比成災(zāi)面積預(yù)測精度高可能的原因主要為：①本研究只是從洪澇損失災(zāi)情中選擇了7類屬性進行分析，其中受災(zāi)人口、緊急轉(zhuǎn)移安置人口和直接經(jīng)濟損失等屬性與農(nóng)作物受災(zāi)面積相關(guān)性更強；②本研究選擇的7類屬性在洪澇災(zāi)害系統(tǒng)之間的相關(guān)關(guān)系非常復(fù)雜。當樣本數(shù)據(jù)值較小時，本研究所構(gòu)建的SVM模型對農(nóng)作物受災(zāi)面積和絕收面積的預(yù)測較差的原因主要包括：①樣本數(shù)據(jù)自身質(zhì)量問題，本研究選擇的湖北省洪澇災(zāi)情數(shù)據(jù)是針對一次災(zāi)害過程中不同受災(zāi)區(qū)域的災(zāi)情匯總數(shù)據(jù)，在匯總過程中會存在一定的“臟”數(shù)據(jù)；②洪澇災(zāi)情在時空上具有非均勻性，如樣本u19中農(nóng)作物絕收和成災(zāi)面積分別為18、18 900 hm2，而u14中2個屬性分別為45 200、85 800 hm2，使洪澇災(zāi)情數(shù)據(jù)在多維空間上分布呈現(xiàn)不規(guī)律的狀態(tài)。

綜上所述，提出的基于徑向核函數(shù)的SVM模型能對洪澇農(nóng)作物災(zāi)情進行有效預(yù)測，當受災(zāi)和絕收面積比較大時預(yù)測準確度很高，但對于相對較小的受災(zāi)面積與絕收面積的樣本預(yù)測有一定的偏差，預(yù)測值比原始數(shù)據(jù)要偏大一些。

4 結(jié)論

本研究以支持向量機（SVM）模型為基礎(chǔ)，以1998～2006年湖北地區(qū)洪澇災(zāi)情數(shù)據(jù)為樣本，構(gòu)建了基于SVM的洪澇農(nóng)作物損失預(yù)測模型。研究結(jié)果表明，基于徑向核函數(shù)的SVM模型適合湖北地區(qū)洪澇農(nóng)業(yè)損失的預(yù)測，對農(nóng)作物受災(zāi)面積的預(yù)測精度高于農(nóng)作物絕收面積；而且當樣本數(shù)據(jù)中的農(nóng)作物災(zāi)情數(shù)據(jù)較小時，預(yù)測值會高于真實值。在構(gòu)建SVM農(nóng)作物災(zāi)情預(yù)測模型時綜合考慮更多的洪澇災(zāi)情屬性，特別是降雨量、受災(zāi)時間、災(zāi)害持續(xù)時間和受災(zāi)區(qū)域等信息。

參考文獻：

[1] 袁 藝.自然災(zāi)害災(zāi)情評估研究與實踐進展[J].地球科學(xué)進展， 2010，25（1）：22-32.

[2] 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.

[3] 史培軍.四論災(zāi)害的理論與實踐[J].自然災(zāi)害學(xué)報，2002，11（3）：1-9.

[4] 鄒 銘，范一大，楊思全，等.自然災(zāi)害風險管理與預(yù)警體系[M]. 北京：科學(xué)出版社，2005.

[5] 高霞霞，蘇 偉，謝伯承，等.基于GIS的湖南洪澇災(zāi)害農(nóng)業(yè)風險評估[J].安徽農(nóng)業(yè)科學(xué)，2011，39（2）：1122-1123，1147.

[6] 聶 娟，范一大，鄧 磊，等.山洪災(zāi)害雷達遙感災(zāi)情評估技術(shù)研究與應(yīng)用[J].自然災(zāi)害學(xué)報，2010，19（3）：105-110.

[7] 胡俊鋒，范春波，楊月巧.基于抽樣統(tǒng)計方法的洪澇災(zāi)害損失評估[J].自然災(zāi)害學(xué)報，2010，19（6）：27-30.

[8] 梁留科.農(nóng)業(yè)災(zāi)情與抗災(zāi)能力的定量指標探討[J].災(zāi)害學(xué)，1992，7（1）：7-11.

[9] 蒲 淳.關(guān)于我國糧食生產(chǎn)的易損性評價[J].自然災(zāi)害學(xué)報，1998，7（4）：30-34.

[10] 葉正偉.自然災(zāi)害對農(nóng)業(yè)經(jīng)濟影響的態(tài)勢分析及對策研究——以蘇浙皖旱澇災(zāi)害為例[J].安徽農(nóng)業(yè)科學(xué)，2006，34（4）：772-774，803.

[11] 李柏年.洪澇災(zāi)害評價的威布爾模型[J].自然災(zāi)害學(xué)報，2005， 14（6）：32-36.

[12] 黃大鵬，劉 闖，彭順風.洪災(zāi)風險評價與區(qū)劃研究進展[J].地理科學(xué)進展，2007，26（4）：11-22.

[13] 許 沖，徐錫偉.基于不同核函數(shù)的2010年玉樹地震滑坡空間預(yù)測模型研究[J].地球物理學(xué)報，2012，55（9）：2994-3005.

[14] 張新廠，婁偉平.基于主成分支持向量機的臺風災(zāi)害房屋倒塌間數(shù)評估[J].安徽農(nóng)業(yè)科學(xué)，2010（12）：6339-6341.

[15] 牛瑞卿，彭 令，葉潤青，等.基于粗糙集的支持向量機滑坡易發(fā)性評價[J].吉林大學(xué)學(xué)報（地球科學(xué)版），2012，42（2）：430-439.

[16] VAPNIK V. The Nature of Statistical Learning Theory[M]. Germany：Springer-Verlag，2000.

[17] 吳雪蓮，孫丙宇，李文波，等.基于粗糙集和CBR的救災(zāi)口糧需求預(yù)測[J].計算機工程，2012，38（9）：158-161.endprint

同樣利用公式（7）對1998～2006年湖北省的農(nóng)作物受災(zāi)面積進行預(yù)測。交叉驗證結(jié)果表明，農(nóng)作物受災(zāi)面積整體預(yù)測精度為87.22%，整體預(yù)測誤差為23.33%。從整體上來看，洪澇農(nóng)作物成災(zāi)面積的預(yù)測精度比農(nóng)作物絕收面積更準確。具體的農(nóng)作物絕收面積預(yù)測誤差如圖2所示。

由圖2可知，本研究所構(gòu)建模型對農(nóng)作物受災(zāi)面積預(yù)測曲線與樣本曲線變化趨勢一致。但預(yù)測結(jié)果也表明，存在預(yù)測值明顯大于真實值，如樣本16；存在預(yù)測值明顯小于真實值，如樣本1。整體來說，在9至11這個階段本文預(yù)測值基本吻合歷史數(shù)據(jù)，預(yù)測的準確度較高。在5至8，12至20這二個階段預(yù)測值誤差相對較大，尤其是11至20歷史階段模型所預(yù)測的值高于樣本數(shù)據(jù)。綜上所述，所建立的SVM預(yù)測模型能有效預(yù)測湖北地區(qū)洪澇災(zāi)害的農(nóng)作物絕收面積，但對小面積的農(nóng)作物受災(zāi)面積預(yù)測效果較差。

3.2 預(yù)測結(jié)果分析

洪澇農(nóng)作物受災(zāi)面積比成災(zāi)面積預(yù)測精度高可能的原因主要為：①本研究只是從洪澇損失災(zāi)情中選擇了7類屬性進行分析，其中受災(zāi)人口、緊急轉(zhuǎn)移安置人口和直接經(jīng)濟損失等屬性與農(nóng)作物受災(zāi)面積相關(guān)性更強；②本研究選擇的7類屬性在洪澇災(zāi)害系統(tǒng)之間的相關(guān)關(guān)系非常復(fù)雜。當樣本數(shù)據(jù)值較小時，本研究所構(gòu)建的SVM模型對農(nóng)作物受災(zāi)面積和絕收面積的預(yù)測較差的原因主要包括：①樣本數(shù)據(jù)自身質(zhì)量問題，本研究選擇的湖北省洪澇災(zāi)情數(shù)據(jù)是針對一次災(zāi)害過程中不同受災(zāi)區(qū)域的災(zāi)情匯總數(shù)據(jù)，在匯總過程中會存在一定的“臟”數(shù)據(jù)；②洪澇災(zāi)情在時空上具有非均勻性，如樣本u19中農(nóng)作物絕收和成災(zāi)面積分別為18、18 900 hm2，而u14中2個屬性分別為45 200、85 800 hm2，使洪澇災(zāi)情數(shù)據(jù)在多維空間上分布呈現(xiàn)不規(guī)律的狀態(tài)。

綜上所述，提出的基于徑向核函數(shù)的SVM模型能對洪澇農(nóng)作物災(zāi)情進行有效預(yù)測，當受災(zāi)和絕收面積比較大時預(yù)測準確度很高，但對于相對較小的受災(zāi)面積與絕收面積的樣本預(yù)測有一定的偏差，預(yù)測值比原始數(shù)據(jù)要偏大一些。

4 結(jié)論

本研究以支持向量機（SVM）模型為基礎(chǔ)，以1998～2006年湖北地區(qū)洪澇災(zāi)情數(shù)據(jù)為樣本，構(gòu)建了基于SVM的洪澇農(nóng)作物損失預(yù)測模型。研究結(jié)果表明，基于徑向核函數(shù)的SVM模型適合湖北地區(qū)洪澇農(nóng)業(yè)損失的預(yù)測，對農(nóng)作物受災(zāi)面積的預(yù)測精度高于農(nóng)作物絕收面積；而且當樣本數(shù)據(jù)中的農(nóng)作物災(zāi)情數(shù)據(jù)較小時，預(yù)測值會高于真實值。在構(gòu)建SVM農(nóng)作物災(zāi)情預(yù)測模型時綜合考慮更多的洪澇災(zāi)情屬性，特別是降雨量、受災(zāi)時間、災(zāi)害持續(xù)時間和受災(zāi)區(qū)域等信息。

參考文獻：

[1] 袁 藝.自然災(zāi)害災(zāi)情評估研究與實踐進展[J].地球科學(xué)進展， 2010，25（1）：22-32.

[2] 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.

[3] 史培軍.四論災(zāi)害的理論與實踐[J].自然災(zāi)害學(xué)報，2002，11（3）：1-9.

[4] 鄒 銘，范一大，楊思全，等.自然災(zāi)害風險管理與預(yù)警體系[M]. 北京：科學(xué)出版社，2005.

[5] 高霞霞，蘇 偉，謝伯承，等.基于GIS的湖南洪澇災(zāi)害農(nóng)業(yè)風險評估[J].安徽農(nóng)業(yè)科學(xué)，2011，39（2）：1122-1123，1147.

[6] 聶 娟，范一大，鄧 磊，等.山洪災(zāi)害雷達遙感災(zāi)情評估技術(shù)研究與應(yīng)用[J].自然災(zāi)害學(xué)報，2010，19（3）：105-110.

[7] 胡俊鋒，范春波，楊月巧.基于抽樣統(tǒng)計方法的洪澇災(zāi)害損失評估[J].自然災(zāi)害學(xué)報，2010，19（6）：27-30.

[8] 梁留科.農(nóng)業(yè)災(zāi)情與抗災(zāi)能力的定量指標探討[J].災(zāi)害學(xué)，1992，7（1）：7-11.

[9] 蒲 淳.關(guān)于我國糧食生產(chǎn)的易損性評價[J].自然災(zāi)害學(xué)報，1998，7（4）：30-34.

[10] 葉正偉.自然災(zāi)害對農(nóng)業(yè)經(jīng)濟影響的態(tài)勢分析及對策研究——以蘇浙皖旱澇災(zāi)害為例[J].安徽農(nóng)業(yè)科學(xué)，2006，34（4）：772-774，803.

[11] 李柏年.洪澇災(zāi)害評價的威布爾模型[J].自然災(zāi)害學(xué)報，2005， 14（6）：32-36.

[12] 黃大鵬，劉 闖，彭順風.洪災(zāi)風險評價與區(qū)劃研究進展[J].地理科學(xué)進展，2007，26（4）：11-22.

[13] 許 沖，徐錫偉.基于不同核函數(shù)的2010年玉樹地震滑坡空間預(yù)測模型研究[J].地球物理學(xué)報，2012，55（9）：2994-3005.

[14] 張新廠，婁偉平.基于主成分支持向量機的臺風災(zāi)害房屋倒塌間數(shù)評估[J].安徽農(nóng)業(yè)科學(xué)，2010（12）：6339-6341.

[15] 牛瑞卿，彭 令，葉潤青，等.基于粗糙集的支持向量機滑坡易發(fā)性評價[J].吉林大學(xué)學(xué)報（地球科學(xué)版），2012，42（2）：430-439.

[16] VAPNIK V. The Nature of Statistical Learning Theory[M]. Germany：Springer-Verlag，2000.

[17] 吳雪蓮，孫丙宇，李文波，等.基于粗糙集和CBR的救災(zāi)口糧需求預(yù)測[J].計算機工程，2012，38（9）：158-161.endprint

同樣利用公式（7）對1998～2006年湖北省的農(nóng)作物受災(zāi)面積進行預(yù)測。交叉驗證結(jié)果表明，農(nóng)作物受災(zāi)面積整體預(yù)測精度為87.22%，整體預(yù)測誤差為23.33%。從整體上來看，洪澇農(nóng)作物成災(zāi)面積的預(yù)測精度比農(nóng)作物絕收面積更準確。具體的農(nóng)作物絕收面積預(yù)測誤差如圖2所示。

由圖2可知，本研究所構(gòu)建模型對農(nóng)作物受災(zāi)面積預(yù)測曲線與樣本曲線變化趨勢一致。但預(yù)測結(jié)果也表明，存在預(yù)測值明顯大于真實值，如樣本16；存在預(yù)測值明顯小于真實值，如樣本1。整體來說，在9至11這個階段本文預(yù)測值基本吻合歷史數(shù)據(jù)，預(yù)測的準確度較高。在5至8，12至20這二個階段預(yù)測值誤差相對較大，尤其是11至20歷史階段模型所預(yù)測的值高于樣本數(shù)據(jù)。綜上所述，所建立的SVM預(yù)測模型能有效預(yù)測湖北地區(qū)洪澇災(zāi)害的農(nóng)作物絕收面積，但對小面積的農(nóng)作物受災(zāi)面積預(yù)測效果較差。

3.2 預(yù)測結(jié)果分析

洪澇農(nóng)作物受災(zāi)面積比成災(zāi)面積預(yù)測精度高可能的原因主要為：①本研究只是從洪澇損失災(zāi)情中選擇了7類屬性進行分析，其中受災(zāi)人口、緊急轉(zhuǎn)移安置人口和直接經(jīng)濟損失等屬性與農(nóng)作物受災(zāi)面積相關(guān)性更強；②本研究選擇的7類屬性在洪澇災(zāi)害系統(tǒng)之間的相關(guān)關(guān)系非常復(fù)雜。當樣本數(shù)據(jù)值較小時，本研究所構(gòu)建的SVM模型對農(nóng)作物受災(zāi)面積和絕收面積的預(yù)測較差的原因主要包括：①樣本數(shù)據(jù)自身質(zhì)量問題，本研究選擇的湖北省洪澇災(zāi)情數(shù)據(jù)是針對一次災(zāi)害過程中不同受災(zāi)區(qū)域的災(zāi)情匯總數(shù)據(jù)，在匯總過程中會存在一定的“臟”數(shù)據(jù)；②洪澇災(zāi)情在時空上具有非均勻性，如樣本u19中農(nóng)作物絕收和成災(zāi)面積分別為18、18 900 hm2，而u14中2個屬性分別為45 200、85 800 hm2，使洪澇災(zāi)情數(shù)據(jù)在多維空間上分布呈現(xiàn)不規(guī)律的狀態(tài)。

綜上所述，提出的基于徑向核函數(shù)的SVM模型能對洪澇農(nóng)作物災(zāi)情進行有效預(yù)測，當受災(zāi)和絕收面積比較大時預(yù)測準確度很高，但對于相對較小的受災(zāi)面積與絕收面積的樣本預(yù)測有一定的偏差，預(yù)測值比原始數(shù)據(jù)要偏大一些。

4 結(jié)論

本研究以支持向量機（SVM）模型為基礎(chǔ)，以1998～2006年湖北地區(qū)洪澇災(zāi)情數(shù)據(jù)為樣本，構(gòu)建了基于SVM的洪澇農(nóng)作物損失預(yù)測模型。研究結(jié)果表明，基于徑向核函數(shù)的SVM模型適合湖北地區(qū)洪澇農(nóng)業(yè)損失的預(yù)測，對農(nóng)作物受災(zāi)面積的預(yù)測精度高于農(nóng)作物絕收面積；而且當樣本數(shù)據(jù)中的農(nóng)作物災(zāi)情數(shù)據(jù)較小時，預(yù)測值會高于真實值。在構(gòu)建SVM農(nóng)作物災(zāi)情預(yù)測模型時綜合考慮更多的洪澇災(zāi)情屬性，特別是降雨量、受災(zāi)時間、災(zāi)害持續(xù)時間和受災(zāi)區(qū)域等信息。

參考文獻：

[1] 袁 藝.自然災(zāi)害災(zāi)情評估研究與實踐進展[J].地球科學(xué)進展， 2010，25（1）：22-32.

[2] 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.

[3] 史培軍.四論災(zāi)害的理論與實踐[J].自然災(zāi)害學(xué)報，2002，11（3）：1-9.

[4] 鄒 銘，范一大，楊思全，等.自然災(zāi)害風險管理與預(yù)警體系[M]. 北京：科學(xué)出版社，2005.

[5] 高霞霞，蘇 偉，謝伯承，等.基于GIS的湖南洪澇災(zāi)害農(nóng)業(yè)風險評估[J].安徽農(nóng)業(yè)科學(xué)，2011，39（2）：1122-1123，1147.

[6] 聶 娟，范一大，鄧 磊，等.山洪災(zāi)害雷達遙感災(zāi)情評估技術(shù)研究與應(yīng)用[J].自然災(zāi)害學(xué)報，2010，19（3）：105-110.

[7] 胡俊鋒，范春波，楊月巧.基于抽樣統(tǒng)計方法的洪澇災(zāi)害損失評估[J].自然災(zāi)害學(xué)報，2010，19（6）：27-30.

[8] 梁留科.農(nóng)業(yè)災(zāi)情與抗災(zāi)能力的定量指標探討[J].災(zāi)害學(xué)，1992，7（1）：7-11.

[9] 蒲 淳.關(guān)于我國糧食生產(chǎn)的易損性評價[J].自然災(zāi)害學(xué)報，1998，7（4）：30-34.

[10] 葉正偉.自然災(zāi)害對農(nóng)業(yè)經(jīng)濟影響的態(tài)勢分析及對策研究——以蘇浙皖旱澇災(zāi)害為例[J].安徽農(nóng)業(yè)科學(xué)，2006，34（4）：772-774，803.

[11] 李柏年.洪澇災(zāi)害評價的威布爾模型[J].自然災(zāi)害學(xué)報，2005， 14（6）：32-36.

[12] 黃大鵬，劉 闖，彭順風.洪災(zāi)風險評價與區(qū)劃研究進展[J].地理科學(xué)進展，2007，26（4）：11-22.

[13] 許 沖，徐錫偉.基于不同核函數(shù)的2010年玉樹地震滑坡空間預(yù)測模型研究[J].地球物理學(xué)報，2012，55（9）：2994-3005.

[14] 張新廠，婁偉平.基于主成分支持向量機的臺風災(zāi)害房屋倒塌間數(shù)評估[J].安徽農(nóng)業(yè)科學(xué)，2010（12）：6339-6341.

[15] 牛瑞卿，彭 令，葉潤青，等.基于粗糙集的支持向量機滑坡易發(fā)性評價[J].吉林大學(xué)學(xué)報（地球科學(xué)版），2012，42（2）：430-439.

[16] VAPNIK V. The Nature of Statistical Learning Theory[M]. Germany：Springer-Verlag，2000.

[17] 吳雪蓮，孫丙宇，李文波，等.基于粗糙集和CBR的救災(zāi)口糧需求預(yù)測[J].計算機工程，2012，38（9）：158-161.endprint