基于SSA-ELM模型的臺風(fēng)風(fēng)暴潮災(zāi)害損失預(yù)評估

郝 婧, 劉 強(qiáng)

基于SSA-ELM模型的臺風(fēng)風(fēng)暴潮災(zāi)害損失預(yù)評估

郝 婧, 劉 強(qiáng)

(中國海洋大學(xué) 工程學(xué)院土木工程系, 山東 青島 266100)

近年來全球氣候變化加劇, 臺風(fēng)風(fēng)暴潮災(zāi)害的頻率、強(qiáng)度和損失逐漸加大, 臺風(fēng)風(fēng)暴潮災(zāi)害損失的預(yù)評估對海洋防災(zāi)減災(zāi)工作有重大現(xiàn)實(shí)意義。作者選用廣東省1995年—2020年間的50組臺風(fēng)風(fēng)暴潮數(shù)據(jù)進(jìn)行研究, 量化氣候變化數(shù)據(jù), 建立臺風(fēng)風(fēng)暴潮損失評估體系并通過主成分分析進(jìn)行降維。采用麻雀搜索算法優(yōu)化極限學(xué)習(xí)機(jī)建立預(yù)評估模型, 分別對臺風(fēng)風(fēng)暴潮損失等級、受災(zāi)人口和直接經(jīng)濟(jì)損失進(jìn)行預(yù)測, 結(jié)果表明, 優(yōu)化后的模型正確率更高, 且具有更好的預(yù)測精確性和適用性, 為防災(zāi)減災(zāi)事業(yè)提供了有效的損失評估方式。

臺風(fēng)風(fēng)暴潮; 損失預(yù)評估; 麻雀搜索算法(SSA); 極限學(xué)習(xí)機(jī)

臺風(fēng)風(fēng)暴潮是沿海地區(qū)在強(qiáng)烈的大氣擾動條件下, 并受海平面上升等因素的影響, 產(chǎn)生的異常增水現(xiàn)象[1]。中國是世界上受臺風(fēng)風(fēng)暴潮最嚴(yán)重的國家之一, 東南沿海地區(qū)造成的損失尤為嚴(yán)重。近年來由于全球氣候變化加劇, 中國臺風(fēng)風(fēng)暴潮發(fā)生頻率逐步加大, 造成的損失逐步遞增[2], 僅2019年造成的直接經(jīng)濟(jì)損失高達(dá)116.38億元, 占海洋災(zāi)害總損失的99.44%[3]。臺風(fēng)風(fēng)暴潮對農(nóng)田、海岸、漁船等造成嚴(yán)重?fù)p毀, 對人民生命安全和地區(qū)經(jīng)濟(jì)發(fā)展都產(chǎn)生了極大的威脅。因此, 合理、快速和準(zhǔn)確的預(yù)測臺風(fēng)風(fēng)暴潮災(zāi)害損失, 科學(xué)評估臺風(fēng)風(fēng)暴潮災(zāi)害損失等級分級成為當(dāng)務(wù)之急。

臺風(fēng)風(fēng)暴潮災(zāi)害損失評估方法可歸結(jié)為以下幾類: 基于統(tǒng)計(jì)模擬的評估、基于GIS的評估、基于機(jī)器學(xué)習(xí)的評估等[4]?；诮y(tǒng)計(jì)模擬的評估: 國外的有VAMS[5]、HAZUS-MH[6]、ANFIS-MOGA[7]、WRF[8]、SE、SLOSH、GCOM2D/3D[9]等評估模型。國內(nèi)的葉金玉等[10]基于地理空間參數(shù)的多元線性回歸模型進(jìn)行了臺風(fēng)災(zāi)害暴露性評估; 史軍等[11]運(yùn)用逐步回歸方法評價臺風(fēng)災(zāi)害損失的年際變化和地區(qū)差異; 趙昕等[12]從經(jīng)濟(jì)學(xué)角度運(yùn)用投入產(chǎn)出模型評估了風(fēng)暴潮災(zāi)害損失; 基于GIS的評估: MAHAPATRA等[13]使用GIS進(jìn)行物理和人口變量的沿岸風(fēng)暴潮脆弱性評估; 江斯琦等[14]通過GIS空間分析功能來降低臺風(fēng)風(fēng)暴潮災(zāi)害損失評估誤差; 基于機(jī)器學(xué)習(xí)方法: 很多學(xué)者在災(zāi)害損失預(yù)評估方面已進(jìn)行了多種模型研究, 葉小嶺等[15]、王甜甜等[9]、馮倩等[16]、張穎超等[17]等分別運(yùn)用的優(yōu)化方法對機(jī)器學(xué)習(xí)算法進(jìn)行改進(jìn), 研究結(jié)果對災(zāi)害損失評估提供了豐富的理論基礎(chǔ)。為進(jìn)一步提高臺風(fēng)風(fēng)暴潮災(zāi)害損失評估的可靠性, 作者基于已有研究的基礎(chǔ)上, 提出了基于麻雀搜索算法優(yōu)化的極限學(xué)習(xí)機(jī)模型, 進(jìn)一步提高了損失等級分級和各損失預(yù)測的精確性。

1 材料與方法

1.1 數(shù)據(jù)來源與因子選取

夏秋時節(jié), 中國東南沿海地區(qū)易遭受臺風(fēng)風(fēng)暴潮襲擊, 尤以廣東、福建和浙江省災(zāi)情較重[18]。廣東省位于西北大西洋西岸, 大陸海岸線達(dá)4 114.4 km, 自1949年—2020年已遭遇204次臺風(fēng)登陸, 每年均有發(fā)生且成災(zāi)率高, 造成了嚴(yán)重的人口和經(jīng)濟(jì)損失。作者搜集了廣東省1995年—2020年間記錄較為完整的50組臺風(fēng)風(fēng)暴潮數(shù)據(jù)進(jìn)行研究, 數(shù)據(jù)主要來源為自然資源部(臺風(fēng)風(fēng)暴潮及損失數(shù)據(jù)、氣候數(shù)據(jù))、廣東省統(tǒng)計(jì)局(經(jīng)濟(jì)、人口和設(shè)施等數(shù)據(jù))和《中國風(fēng)暴潮災(zāi)害史料集》[19]。

目前, 國內(nèi)外還未明確臺風(fēng)風(fēng)暴潮災(zāi)害指標(biāo)體系的構(gòu)建標(biāo)準(zhǔn), 主要依托于專家的先驗(yàn)經(jīng)驗(yàn)[20]。基于風(fēng)險(xiǎn)評估理論, 并充分考慮了氣候變化和數(shù)據(jù)易取性, 本文從氣候變化、危險(xiǎn)性、易損性和防災(zāi)減災(zāi)能力4個方面構(gòu)建臺風(fēng)風(fēng)暴潮災(zāi)害損失評估指標(biāo)體系, 選擇8個災(zāi)情損失評估指標(biāo)作為損失分級的標(biāo)準(zhǔn), 如表1所示。

表1 臺風(fēng)風(fēng)暴潮災(zāi)害損失評估指標(biāo)

Tab.1 Typhoon storm surge disaster loss assessment indicators

1.2 影響因子預(yù)處理

因選擇的評估指標(biāo)較多, 不同的指標(biāo)間可能存在相關(guān)性; 且單位不一致, 無法直接相加和對比。為了避免數(shù)據(jù)的冗余, 降低主觀選擇的誤差, 提高模型精確性, 使用主成分分析進(jìn)行降維處理。主成分分析法(Principal Component Analysis, PCA)是一種借助正交變換對多維變量系統(tǒng)進(jìn)行降維的決策方法[21-22], 將原來較多具有一定相關(guān)性的指標(biāo)重新組合為一組互不相關(guān)的綜合指標(biāo)。

利用SPSS統(tǒng)計(jì)工具, 將原始數(shù)據(jù)X標(biāo)準(zhǔn)化處理得到ZX, 分別對災(zāi)情損失評估指標(biāo)、氣候變化、危險(xiǎn)性、易損性和防災(zāi)減災(zāi)能力5個方面進(jìn)行因子分析。經(jīng)處理, 得出相關(guān)系數(shù)矩陣來計(jì)算主成分荷載, 選取特征值大于1或累積方差貢獻(xiàn)率大于85%對應(yīng)的主成分F, 最終計(jì)算綜合評價指數(shù)[23]。可以得出, 災(zāi)情損失評估指標(biāo)、氣候變化、危險(xiǎn)性、易損性和防災(zāi)減災(zāi)能力的分別綜合評價指數(shù)0、1、2、3和4的計(jì)算公式如下:

根據(jù)主成分分析降維結(jié)果, 將1、2、3和4作為4個輸入變量,0作為臺風(fēng)風(fēng)暴潮損失綜合等級劃分指標(biāo)。

1.3 臺風(fēng)風(fēng)暴潮災(zāi)害損失等級劃分

根據(jù)譚麗榮等[24]提出的臺風(fēng)風(fēng)暴潮災(zāi)害損失等級劃分標(biāo)準(zhǔn)進(jìn)行分級, 如表2所示。參考的分級指標(biāo)過多, 使用上述1.2中的主成分分析進(jìn)行數(shù)據(jù)標(biāo)準(zhǔn)化和降維, 得到表2中的綜合分級標(biāo)準(zhǔn)。將經(jīng)處理的50個臺風(fēng)風(fēng)暴潮損失指標(biāo)0按照綜合分級標(biāo)準(zhǔn)進(jìn)行等級劃分, 可得重災(zāi)1個、大災(zāi)2個、中災(zāi)8個、小災(zāi)19個和輕災(zāi)20個, 搜集數(shù)據(jù)的跨度較全面。

表2 臺風(fēng)風(fēng)暴潮災(zāi)害損失等級劃分標(biāo)準(zhǔn)

2 損失評估模型的建立

50組臺風(fēng)風(fēng)暴潮數(shù)據(jù)為總樣本, 按照等級和時間序列, 選取近幾年的10個樣本為測試集, 分別為大災(zāi)1個、中災(zāi)2個、小災(zāi)3個和輕災(zāi)4個, 其余40個樣本為訓(xùn)練集。在MATLAB 2019b平臺, 主成分分析后的氣候變化1、危險(xiǎn)性2、易損性3和防災(zāi)減災(zāi)能力4作為輸入因子, 等級作為等級評估的輸出因子, 根據(jù)相關(guān)部門和多數(shù)學(xué)者關(guān)注的核心災(zāi)情[25], 選取受災(zāi)人口、直接經(jīng)濟(jì)損失兩組為損失評估輸出因子。

2.1 模型精度檢驗(yàn)指標(biāo)

為了對模型精度進(jìn)行檢驗(yàn), 本文引入均方誤差(MSE)進(jìn)行參數(shù)選擇, 歸一化均方根誤差(NRMSE)、相關(guān)系數(shù)(CC)作為評估檢驗(yàn)指標(biāo), 各表達(dá)式為[26]:

其中,為測試集樣本數(shù),′為測試樣本,為預(yù)測結(jié)果。和表示預(yù)測數(shù)據(jù)與原始數(shù)據(jù)的偏離程度, 越接近于0, 預(yù)測效果越好;表示預(yù)測數(shù)據(jù)和原始數(shù)據(jù)的擬合程度, 接近于1, 精確度越高。

2.2 SSA-ELM評估模型

極限學(xué)習(xí)機(jī)(Extreme Learning Machine, ELM)是一種單隱含層前饋網(wǎng)絡(luò), 該算法隨機(jī)產(chǎn)生的連接權(quán)值與閾值無需調(diào)整, 僅確定出最佳的隱含層節(jié)點(diǎn)數(shù), 就可以獲得唯一的最優(yōu)解[27]。ELM的預(yù)測模型可以表示為:

式中, 網(wǎng)絡(luò)的輸出為,輸入層節(jié)點(diǎn)到隱含層節(jié)點(diǎn)的連接權(quán)值為w, 隱含層節(jié)點(diǎn)到輸出層節(jié)點(diǎn)的連接權(quán)值為, 隱含層神經(jīng)元的閾值為, 激活函數(shù)為(), 常見的激活函數(shù)為Sin和Sigmoid[28]。與傳統(tǒng)的方法相比, 該方法只需要確定隱含層節(jié)點(diǎn)數(shù)和隱含層神經(jīng)元的激活函數(shù), 具有學(xué)習(xí)速度快和泛化性能好等優(yōu)點(diǎn)[27]。

麻雀搜索算法(Sparrow Search Algorithm, SSA)是在2020年由XUE等[29]受麻雀的覓食和反捕食行為的啟發(fā)提出的一種群智能優(yōu)化算法, 具有搜索精度高、收斂速度快、穩(wěn)定性好和避免陷入局部最優(yōu)等優(yōu)點(diǎn)。在麻雀覓食過程中, 主要分為捕食者和加入者, 容易找到食物并且可以為種群提供捕食區(qū)域和方向的個體為捕食者, 利用捕食者來獲取食物的個體為加入者。同時, 種群中存在警戒者具有偵查預(yù)警行為, 當(dāng)種群發(fā)現(xiàn)危險(xiǎn)時會出現(xiàn)反捕食行為, 保障安全。因此采用麻雀搜索算法優(yōu)化極限學(xué)習(xí)機(jī), 提高模型的穩(wěn)定性和預(yù)測精度。

更新捕食者位置的公式如下:

更新加入者位置的公式如下:

其中,X為捕食者的最佳位置,worst為全局最差位置,A為各元素為1或–1的1×d矩陣。>2為第個加入者未獲得食物, 適應(yīng)度低, 需要進(jìn)行覓食;≤2為加入者將在最優(yōu)位置附近進(jìn)行覓食。

更新警戒者位置的公式如下:

全局最佳位置,是步長控制參數(shù)為服。

其中,best為全局最佳位置,是步長控制參數(shù)為服從均值0和方差1的正態(tài)分布隨機(jī)數(shù),∈[–1, 1],為避免分母為0的極小常數(shù),f、f和f分別為第只麻雀、全局最佳和最差的適應(yīng)度。f>f為麻雀處于種群的邊緣, 易受攻擊; 另一種情況為麻雀處于種群中間位置, 預(yù)警到危險(xiǎn), 及時調(diào)整搜索策略為避免攻擊。

傳統(tǒng)的ELM進(jìn)行訓(xùn)練時, 連接權(quán)值和閾值是由系統(tǒng)隨機(jī)產(chǎn)生, 隱含層數(shù)通常依賴于訓(xùn)練者的試錯訓(xùn)練和先驗(yàn)經(jīng)驗(yàn), 往往導(dǎo)致全局搜索差或訓(xùn)練失敗的情況。麻雀搜索算法作為全局尋優(yōu)算法, 優(yōu)化后的權(quán)值閾值能較大程度的提高訓(xùn)練效果和網(wǎng)絡(luò)性能, 提高收斂速度, 避免隨機(jī)初始化導(dǎo)致陷入局部最優(yōu)、網(wǎng)絡(luò)不穩(wěn)定等問題。綜上, 可得SSA-ELM預(yù)測模型的具體流程, 如圖1所示。

3 結(jié)果與討論

3.1 損失等級評估

本次實(shí)驗(yàn)中, 為提高預(yù)測精確性, 經(jīng)過訓(xùn)練試驗(yàn)采用控制單一變量的方法, 比較MSE選取最優(yōu)參數(shù)。選取SSA-ELM評估模型的激勵函數(shù)為sin, 設(shè)置網(wǎng)絡(luò)結(jié)構(gòu)為4-17-1, ST安全值為0.6, 捕食者比例為0.7, 加入者比例為0.3, 警戒者比例為0.2。

圖1 SSA優(yōu)化ELM流程圖

為了測試SSA-ELM模型相較于其他算法是否具有優(yōu)越性, 選取ELM、隨機(jī)森林(Random Forest, RF)、支持向量回歸(Support Vector Machine for Regression, SVR)和SSA-SVR作為對比模型。

表3和圖2為5種評估模型預(yù)測集和訓(xùn)練集的擬合結(jié)果, 可以看出SSA-ELM模型在訓(xùn)練集和測試集的正確率均較高, 5個模型對于損失等級較低的災(zāi)害預(yù)測效果較好, 較大損失等級的預(yù)測還需進(jìn)一步提升, 經(jīng)過優(yōu)化的模型在訓(xùn)練集和測試集的正確數(shù)均有提高, 因此SSA-ELM評估模型的預(yù)測準(zhǔn)確度更好。圖3為SSA-ELM模型的適應(yīng)度曲線, 可知在經(jīng)過20次迭代時就能找到最優(yōu)解, 收斂速度較高。

表3 不同模型效果對比

圖2 5種模型擬合結(jié)果

圖3 SSA-ELM模型適應(yīng)度曲線

3.2 損失評估

本文使用的直接經(jīng)濟(jì)損失跨度為25 a, 為降低通貨膨脹的影響, 根據(jù)婁偉平[30]提出的經(jīng)濟(jì)損失指數(shù), 采用廣東省地區(qū)生產(chǎn)總值和價格指數(shù)對直接經(jīng)濟(jì)損失數(shù)據(jù)進(jìn)行預(yù)處理。

本次進(jìn)行2次損失評估實(shí)驗(yàn)中, 在受災(zāi)人口和直接經(jīng)濟(jì)損失評估中, 經(jīng)過訓(xùn)練試驗(yàn)控制單一變量的方法依次比較MSE選取最優(yōu)參數(shù), SSA-ELM評估模型選取的參數(shù)見表4。

表4 SSA-ELM評估模型參數(shù)

同理選擇5個模型的評估結(jié)果如表5和圖4所示, 在兩種指標(biāo)的評估中, SSA-ELM模型相比ELM模型的NRMSE平均優(yōu)化0.005 5, CC平均提高0.015 5; SSA-ELM相比于RF的誤差更低, NRMSE平均優(yōu)化0.177 9, CC平均提高0.215 6; SSA-ELM的預(yù)測效果優(yōu)于SVR模型, NRMSE平均優(yōu)化0.129 4, CC平均提高0.076 7; SSA-ELM較SSA-SVR模型的預(yù)測誤差更好, NRMSE平均優(yōu)化0.125 2, CC平均提高0.087 0,雖然SSA-SVR模型在直接經(jīng)濟(jì)損失的預(yù)測CC值較優(yōu), 但NRMSE值較大, 且在受災(zāi)人口的預(yù)測效果較差, 因此從總體的擬合效果來看, SSA-ELM模型的預(yù)測準(zhǔn)確性更高。從擬合結(jié)果圖的多個峰值預(yù)測可以看出, 由于總樣本數(shù)量較少的局限性, 5種評估模型在損失等級較高的災(zāi)害中預(yù)測出現(xiàn)較大誤差, 但在損失等級較低的災(zāi)害中預(yù)測擬合效果較好, SSA-ELM模型在受災(zāi)人口的2、3、6號預(yù)測樣本和直接經(jīng)濟(jì)損失的3、5、7、8號預(yù)測樣本基本達(dá)到完全擬合。從整體的預(yù)測檢驗(yàn)指標(biāo)和擬合效果來看, SSA-ELM預(yù)評估模型具有更好的預(yù)測適用性和預(yù)測精度。

表5 不同模型效果比較

圖4 兩種損失指標(biāo)預(yù)測集擬合結(jié)果

3 結(jié)論

本文將氣候變化量化, 從氣候變化、危險(xiǎn)性、易損性和防災(zāi)減災(zāi)能力4個方面構(gòu)建臺風(fēng)風(fēng)暴潮災(zāi)害損失評估指標(biāo)體系, 并通過主成分分析進(jìn)行指標(biāo)預(yù)處理, 避免數(shù)據(jù)冗余。

使用SSA優(yōu)化ELM模型, 使其優(yōu)化后的權(quán)值閾值好于傳統(tǒng)ELM的隨機(jī)狀態(tài), 經(jīng)對照RF、SVR、SSA-SVR模型, 優(yōu)化后模型的預(yù)測精度在等級和損失方面均有提高。因此SSA-ELM模型可以較好地對臺風(fēng)風(fēng)暴潮等級和損失進(jìn)行預(yù)預(yù)評估, 為海洋災(zāi)害和防災(zāi)減災(zāi)工程提供了一種新的方法。但在預(yù)測結(jié)果中可以發(fā)現(xiàn), 損失等級較高的臺風(fēng)風(fēng)暴潮災(zāi)害的預(yù)測誤差較大, 這主要局限于實(shí)驗(yàn)中訓(xùn)練的高損失等級樣本數(shù)量較少, 無法在較大損失的災(zāi)害中達(dá)到很好的訓(xùn)練效果, 可以進(jìn)一步針對于較大損失的災(zāi)害進(jìn)行專門的評估研究, 為中災(zāi)及以上災(zāi)害的防災(zāi)減災(zāi)工程提出更具針對性的評估方法。

[1] 馮愛青, 高江波, 吳紹洪, 等. 氣候變化背景下中國風(fēng)暴潮災(zāi)害風(fēng)險(xiǎn)及適應(yīng)對策研究進(jìn)展[J]. 地理科學(xué)進(jìn)展, 2016, 35(11): 1411-1419.

FENG Aiqing, GAO Jiangbo, WU Shaohong, et al. Research progress on storm surge disaster risk and adaptation countermeasures in China under the background of climate change[J]. Advances in Geographical Science, 2016, 35(11): 1411-1419.

[2] 趙昕, 王小涵, 鄭慧. 內(nèi)嵌POT損失分布擬合模型的風(fēng)暴潮災(zāi)害風(fēng)險(xiǎn)價值測算[J]. 海洋環(huán)境科學(xué), 2018, 37(5): 773-779.

ZHAO Xin, WANG Xiaohan, ZHENG Hui. Storm surge disaster risk value calculation with embedded POT loss distribution fitting model[J]. Marine Environmental Science, 2018, 37(5): 773-779.

[3] 國家海洋局. 2019年中國海洋災(zāi)害公報(bào)[EB/OL]. http: // gi.mnr.gov.cn/202004/t20200430_2510979.html,2020-04-30.

State Oceanic Administration. 2019 China Marine Disaster Bulletin[EB/OL]. http://gi.mnr.gov.cn/202004/t20200430_ 2510979.html, 2020-04-30.

[4] 賴寶幫. 基于臺風(fēng)相似性的臺風(fēng)災(zāi)害損失估計(jì)方法研究[D]. 哈爾濱: 哈爾濱工業(yè)大學(xué), 2020.

LAI Baobang. Study on the method of typhoon disaster loss estimation based on typhoon similarity[D]. Harbin: Harbin Institute of Technology, 2020.

[5] BERKE P, LARSEN T, RUCH C. A computer system for hurricane hazard assessment[J]. Computers, Environment and Urban Systms, 1984, 9(4): 259-269.

[6] PETER J V, JASON L, PETER F S, et al. HAZUS-MH hurricane model methodology. II: Damage and loss estimation[J]. Natural Hazards review, 2006, 7(2): 94-103.

[7] HUEI-TAU O. Input optimization of ANFIS typhoon inundation forecast models using a Multi-Objective Genetic Algorithm[J]. Journal of Hydro-environment Research, 2018, 19: 16-27.

[8] GAURAV T, SUSHIL K, ASHISH R, et al. A high- reso-lution mesoscale model approach to reproduce super typhoon maysak (2015) over northwestern pacific ocean[J]. Earth Systems and Environment, 2019, 3(1): 101-112.

[9] 王甜甜, 劉強(qiáng). 基于BAS-BP模型的風(fēng)暴潮災(zāi)害損失預(yù)測[J]. 海洋環(huán)境科學(xué), 2018, 37(3): 457-463.

WANG Tiantian, LIU Qiang. Storm surge disaster loss prediction based on BAS-BP model[J]. Marine Environmental Science, 2018, 37(3): 457-463.

[10] 葉金玉, 王舒凡, 丁鳳. 基于空間參數(shù)的中國沿海地區(qū)臺風(fēng)災(zāi)害暴露性分析[J]. 防災(zāi)科技學(xué)院學(xué)報(bào), 2019, 21(1): 82-88.

YE Jinyu, WANG Shufan, DING Feng. Analysis of typhoon disaster exposure in coastal areas of China based on spatial parameters[J]. Journal of the Institute of Disaster Prevention Science and Technology, 2019, 21(1): 82-88.

[11] 史軍, 肖風(fēng)勁, 穆海振, 等. 上海地區(qū)臺風(fēng)災(zāi)害損失評估[J]. 長江流域資源與環(huán)境. 2013, 22(7): 952-957.

SHI Jun, XIAO Fengjin, MU Haizhen, et al. Typhoon disaster loss assessment in Shanghai area[J]. Resources and Environment in the Yangtze River Basin, 2013, 22(7): 952-957.

[12] 趙昕, 王曉霞, 李莉. 風(fēng)暴潮災(zāi)害經(jīng)濟(jì)損失評估分析——以山東省為例[J]. 中國漁業(yè)經(jīng)濟(jì), 2011, 29(3): 91-97.

ZHAO Xin, WANG Xiaoxia, LI Li. Evaluation and analy-sis of economic loss of storm surge disaster—taking Shandong Province as an example[J]. Chinese Fisheries Economics, 2011, 29(3): 91-97.

[13] MAHAPATRA M, RATHEESH R, RAJAWAT A S. Storm surge vulnerability assessment of Saurashtra coast, Gujarat, using GIS techniques[J]. Nature Hazards, 2017, 86: 821-831.

[14] 江斯琦, 劉強(qiáng). 基于改進(jìn)神經(jīng)網(wǎng)絡(luò)及地理信息系統(tǒng)空間分析的風(fēng)暴潮經(jīng)濟(jì)損失評估[J]. 科學(xué)技術(shù)與工程, 2020, 20(22): 9243-9247.

JIANG Siqi, LIU Qiang. Storm surge economic loss assessment based on improved neural network and geographic information system spatial analysis[J]. Science Technology and Engineering, 2020, 20(22): 9243-9247.

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

YE Xiaoling, LIANG Wei, DENG Hua. Based on princi-pal component analysis and RBF neural network, Zhejiang Province typhoon disaster loss prediction[J]. Bulletin of Science and Technology, 2014, 30(9): 13-19.

[16] 馮倩, 劉強(qiáng). 基于SVM-BP神經(jīng)網(wǎng)絡(luò)的風(fēng)暴潮災(zāi)害損失預(yù)評估[J]. 海洋環(huán)境科學(xué), 2017, 36(4): 615-621.

FENG Qian, LIU Qiang. Preassessment of storm surge disaster loss based on SVM-BP neural network[J]. Marine Environmental Science, 2017, 36(4): 615-621.

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

ZHANG Yingchao, FAN Jinping, DENG Hua. Forecast of typhoon disaster loss in Zhejiang Province based on combined forecasting[J]. Journal of Natural Disasters, 2013, 22(6): 223-231.

[18] 董劍希, 李濤, 侯京明. 福建省風(fēng)暴潮時空分布特征分析[J]. 海洋通報(bào), 2016, 35(3): 331-339.

DONG Jianxi, LI Tao, HOU Jingming. Analysis of tem-poral and spatial distribution characteristics of storm sur-ge in Fujian province[J]. Ocean Bulletin, 2016, 35(3): 331-339.

[19] 于福江, 董劍希, 葉琳, 等. 中國風(fēng)暴潮災(zāi)害史料集[M]. 北京: 海洋出版社, 2015.

YU Fujiang, DONG Jianxi, YE Lin, et al. Historical materials of storm surge disasters in China[M]. Beijing: Ocean Press, 2015.

[20] 郭騰蛟, 李國勝. 基于驗(yàn)證性因素分析的臺風(fēng)風(fēng)暴潮災(zāi)害經(jīng)濟(jì)損失影響因子優(yōu)化分析[J]. 自然災(zāi)害學(xué)報(bào), 2020, 29(1): 121-131.

GUO Tengjiao, LI Guosheng. Optimization analysis of economic loss influencing factors of typhoon storm surge disaster based on confirmatory factor analysis[J]. Journal of Natural Disasters, 2020, 29(1): 121-131.

[21] HOU L, WU F, XIE X. The spatial characteristics and relationships between landscape pattern and ecosystem service value along an urban-rural gradient in Xi’an city, China[J]. Ecological Indicators, 2020, 108: 1-10.

[22] 劉彪, 許瑞, 王居賀, 等. 基于改進(jìn)的主成分分析法的鉆頭優(yōu)選評價模型[J]. 石油機(jī)械, 2020, 48(9): 8-14.

LIU Biao, XU Rui, WANG Juhe, et al. Drill bit selection evaluation model based on improved principal component analysis method[J]. Petroleum Machinery, 2020, 48(9): 8-14.

[23] 王桂梅, 邢寶龍. 蕓豆品種主要農(nóng)藝性狀的主成分分析和聚類分析[J]. 種子, 2021, 40(2): 76-79, 85.

WANG Guimei, XING Baolong. Principal component analysis and cluster analysis of main agronomic characters of kidney bean varieties[J]. Seeds, 2021, 40(2): 76-79, 85.

[24] 譚麗榮, 陳珂, 王軍, 等. 近20年來沿海地區(qū)風(fēng)暴潮災(zāi)害脆弱性評價[J]. 地理科學(xué), 2011, 31(9): 1111-1117.

TAN Lirong, CHEN Ke, WANG Jun, et al. Vulnerability assessment of storm surge disasters in coastal areas in the past 20 years[J]. Chinese Journal of Geography, 2011, 31(9): 1111-1117.

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

YE Xiaoling, LIANG Wei, DENG Hua. Prediction of typhoon disaster loss in Zhejiang Province based on principal component analysis and RBF neural network[J]. Bulletin of Science and Technology, 2014, 30(9): 13-19.

[26] KIM S, MATSUMI Y, PAN S, et al. A real-time forecast model using artificial neural network for after-runner storm surges on the Tottori coast, Japan[J]. Ocean Engineering, 2016, 122(1): 44-53.

[27] 高放, 包燕平, 王敏, 等. 基于FA-ELM的轉(zhuǎn)爐終點(diǎn)磷含量預(yù)測模型[J]. 鋼鐵, 2020, 55(12): 24-30.

GAO Fang, BAO Yanping, WANG Min, et al. Prediction model of final phosphorus content of converter based on FA-ELM[J]. Iron and Steel, 2020, 55(12): 24-30.

[28] XING H, JUNYI S, Jin H. The casualty prediction of earthquake disaster based on extreme learning machine method[J]. Nature Hazards, 2020, 102(3): 873-886.

[29] XUE J, SHEN B. A novel swarm intelligence optimization approach: sparrow search algorithm[J]. Systems Science & Control Engineering, 2020, 8(1): 22-34.

[30] 婁偉平, 陳海燕, 鄭峰, 等. 基于主成分神經(jīng)網(wǎng)絡(luò)的臺風(fēng)災(zāi)害經(jīng)濟(jì)損失評估[J]. 地理研究, 2009, 28(5): 1243-1254.

LOU Weiping, CHEN Haiyan, ZHENG Feng, et al. Typhoon economical loss evaluation based on principal component neural network[J]. Geography Research, 2009, 28(5): 1243-1254.

Pre-assessment of typhoon storm surge disaster loss based on the SSA-ELM model

HAO Jing, LIU Qiang

(College of Engineering, Ocean University of China, Qingdao 266100, China)

In recent years, global climate change has intensified, and the frequency, intensity, and loss of typhoon storm surge disasters have gradually increased. Pre-assessing typhoon storm surge disaster losses has a considerable practical significance for marine disaster prevention and mitigation. This paper selects 50 sets of typhoon storm surge data in Guangdong Province from 1995 to 2020, quantifies climate change data, establishes a typhoon storm surge loss assessment system, and reduces the dimensionality through principal component analysis. The sparrow search algorithm is used to optimize the extreme learning machine to establish a pre-evaluation model, which predicts the typhoon storm surge loss level, the affected population, and the direct economic loss. The results show that the optimized model has a higher accuracy rate and better prediction accuracy and applicability. Further, this paper provides an effective loss assessment method for disaster prevention and mitigation.

typhoon storm surge; loss pre-assessment; sparrow search algorithm(SSA); extreme learning machine

Jun. 7, 2021

X43、P732

A

1000-3096(2022)02-0055-09

10.11759/hykx20210607003

2021-06-07;

2021-08-13

國家自然科學(xué)基金項(xiàng)目(41072176, 41371496); 國家科技支撐計(jì)劃項(xiàng)目(2013BAK05B04)

[National Natural Science Foundation of China, No. 41072176, 41371496; National Key Technology Research and Development Program, No. 2013BAK05B04]

郝婧(1997—), 女, 山東濟(jì)南人, 碩士研究生, 主要從事海洋災(zāi)害風(fēng)險(xiǎn)管理, 電話: 17852320910, E-mail: haojing0323@163.com; 劉強(qiáng)(1961—),通信作者, E-mail: liuqiang@ouc.edu.cn

(本文編輯: 譚雪靜)