基于遗传—神经网络方法的广西台风灾害评估模型研究

doi:10.3969/j.issn.1673-503X.2021.03.019

气象与环境学报 ›› 2021, Vol. 37 ›› Issue (3): 139-144.doi: 10.3969/j.issn.1673-503X.2021.03.019

• 快报 • 上一篇

基于遗传—神经网络方法的广西台风灾害评估模型研究

李艳兰¹(),金龙¹,史旭明²,陈丹³

1. 广西壮族自治区气候中心, 广西南宁 530022
2. 桂林航天工业学院, 广西桂林 541004
3. 广西壮族自治区气象科学研究所, 广西南宁 530022

收稿日期:2020-07-15 出版日期:2021-06-30 发布日期:1900-01-01
作者简介:李艳兰, 女, 1972年生, 高级工程师, 主要从事气候监测评价、气象灾害影响评估和气候变化研究, E-mail: gxnnyanlan@163.com
基金资助:
国家自然科学基金(41565005);广西自然科学基金(2020GXNSFAA297122);广西自然科学基金(2018GXNSFAA281229)

Study on assessment model of typhoon disaster in Guangxi based on genetic-neural network method

Yan-lan LI¹(),Long JIN¹,Xu-ming SHI²,Dan CHEN³

1. Guangxi Climate Center, Nanning 530022, China
2. Faculty of Science, Guilin University of Aerospace Technology, Guilin 541004, China
3. Guangxi Institute of Meteorological Science, Nanning 530022, China

Received:2020-07-15 Online:2021-06-30 Published:1900-01-01

摘要/Abstract

摘要：

选取1981—2018年影响广西且灾情记录比较完整的86个台风样本，基于台风灾害伤亡人数、直接经济损失划分灾情等级，选取致灾因子，利用遗传算法与神经网络相结合的方法建立广西台风灾害评估模型。结果表明：选取的台风灾害致灾因子与台风灾情等级之间具有显著的相关性，构建的遗传—神经网络集合预报模型对台风灾情预估效果较好，训练样本拟合一致率为86.1%，测试样本预报准确率为71.4%，其中严重和较重的台风灾情等级预报结果与实况基本一致，较轻等级的预报准确率达83.3%。

关键词: 台风灾害, 预评估, 遗传—神经网络, 人工智能

Abstract:

Using 86 typhoon cases that affected Guangxi with relatively complete disaster records from 1981 to 2018, the typhoon disaster was classified and the disaster causing factors were selected based on the number of casualties and direct economic losses.The assessment model of the typhoon disaster in Guangxi was established by combining genetic algorithm and neural network.The results show that there is a significant correlation between the selected disaster factors and the typhoon disaster grades.The genetic-neural network ensemble prediction model which is constructed has a good effect on the typhoon disaster prediction.The fitting consistency rate of training samples is 86.1%, and the prediction accuracy of test samples is 71.4%.Among them, the prediction results of severe and heavy typhoon disaster grades are generally consistent with the actual situation, and the prediction accuracy of lighter grades is 83.3%.

Key words: Typhoon disaster, Pre-assessment, Genetic-neural network method, Artificial intelligence

中图分类号:

X43
P429

李艳兰,金龙,史旭明,陈丹. 基于遗传—神经网络方法的广西台风灾害评估模型研究[J]. 气象与环境学报, 2021, 37(3): 139-144.

Yan-lan LI,Long JIN,Xu-ming SHI,Dan CHEN. Study on assessment model of typhoon disaster in Guangxi based on genetic-neural network method[J]. Journal of Meteorology and Environment, 2021, 37(3): 139-144.

图/表 5

表1

表2

表3

表4

表5

参考文献 24

1	Dorland C , Tol R S J , Olsthoorn A A , et al. .Impacts of windstorms in the Netherlands: present risk and prospects for climate change[J]. London: Routledge, 1998, 45- 47.
2	梁必骐, 樊琦, 杨洁, 等. 热带气旋灾害的模糊数学评价[J]. 热带气象学报, 1999, 15 (4): 305- 311.
3	樊琦, 梁必骐. 热带气旋灾情的预测及评估[J]. 地理学报, 2000, 55 (S1): 52- 56. doi: 10.11821/xb2000S1009
4	李春梅, 罗晓玲, 刘锦銮, 等. 层次分析法在热带气旋灾害影响评估模式中的应用[J]. 热带气象学报, 2006, 22 (3): 223- 228. doi: 10.3969/j.issn.1004-4965.2006.03.003
5	陈佩燕, 杨玉华, 雷小途, 等. 我国台风灾害成因分析及灾情预估[J]. 自然灾害学报, 2009, 18 (1): 64- 73. doi: 10.3969/j.issn.1004-4574.2009.01.010
6	刘少军, 张京红, 何政伟, 等. 基于GIS的台风灾害损失评估模型研究[J]. 灾害学, 2010, 25 (2): 64- 67. doi: 10.3969/j.issn.1000-811X.2010.02.013
7	金龙. 人工神经网络技术发展及在大气科学领域的应用[J]. 气象科技, 2004, 32 (6): 385- 392. doi: 10.3969/j.issn.1671-6345.2004.06.001
8	黄小燕, 赵华生, 黄颖, 等. 遗传-神经网络集合预报方法在广西热带气旋降水预报中的应用[J]. 自然灾害学报, 2017, 26 (6): 184- 196.
9	李晓岚, 刘旸, 栾健, 等. 基于BP人工神经网络法沈阳市PM_2.5质量浓度集成预报试验[J]. 气象与环境学报, 2018, 34 (2): 100- 106. doi: 10.3969/j.issn.1673-503X.2018.02.013
10	瞿建华, 鄢俊洁, 薛娟, 等. 基于深度学习的FY3D/MERSI和EOS/MODIS云检测模型研究[J]. 气象与环境学报, 2019, 35 (3): 87- 93. doi: 10.3969/j.issn.1673-503X.2019.03.011
11	娄伟平, 陈海燕, 郑峰, 等. 基于主成分神经网络的台风灾害经济损失评估[J]. 地理研究, 2009, 28 (5): 1243- 1254. doi: 10.3321/j.issn:1000-0585.2009.05.011
12	刘晓庆, 唐丹玲, 隋广军, 等. 利用Elman神经网络模型评估广东热带气旋灾情[J]. 数学的实践与认识, 2013, 43 (16): 104- 111. doi: 10.3969/j.issn.1000-0984.2013.16.014
13	陈有利, 朱宪春, 胡波, 等. 基于BP神经网络的宁波市台风灾情预估模型研究[J]. 大气科学学报, 2018, 41 (5): 668- 675.
14	李敏强, 徐博艺, 寇纪淞. 遗传算法与神经网络的结合[J]. 系统工程理论与实践, 1999, 19 (2): 65- 69. doi: 10.3321/j.issn:1000-6788.1999.02.012
15	Ying M , Zhang W , Yu H , et al. An overview of the China Meteorological Administration tropical cyclone database[J]. Journal of Atmospheric and Oceanic Technology, 2014, 31 (2): 287- 301. doi: 10.1175/JTECH-D-12-00119.1
16	杨年珠, 涂方旭, 黄雪松, 等. 中国气象灾害大典·广西卷[M]. 北京: 气象出版社, 2007: 232- 249.
17	广西壮族自治区统计局. 广西统计年鉴2019[M]. 北京: 中国统计出版社, 2019: 117
18	Whitley D . A genetic algorithm tutorial[J]. Statistics and Computing, 1994, 4 (2): 65- 85. doi: 10.1007/BF00175354
19	黄小燕, 金龙. 基于主成分分析的人工智能台风路径预报模型[J]. 大气科学, 2013, 37 (5): 1154- 1164.
20	张文修, 梁怡. 遗传算法的数学基础[M]. 西安: 西安交通大学出版社, 2000: 4- 20.
21	冯利华. 灾害损失的定量计算[J]. 灾害学, 1993, 8 (2): 17- 19.
22	温姗姗, 翟建青, FischerT, 等. 1984-2014年影响中国热带气旋的经济损失标准化及其变化特征[J]. 热带气象学报, 2017, 33 (4): 478- 487.
23	李艳兰, 欧艺, 周绍毅, 等. 广西热带气旋灾害评估系统的开发与应用[J]. 气象研究与应用, 2008, 29 (4): 1- 3. doi: 10.3969/j.issn.1673-8411.2008.04.001
24	《广西天气预报技术和方法》编写组. 广西天气预报技术和方法[M]. 北京: 气象出版社, 2012: 265- 266.

灾情等级	灾情等级描述	死亡人数/人	伤亡人数/人	直接经济损失/亿元
1	较轻	[0, 3)	[0, 20)	[0, 0.5)
2	中等	[3, 10)	[20, 50)	[0.5, 5)
3	较重	[10, 16)	[50, 150)	[5, 10)
4	严重	[16, +∞)	[150, +∞)	[10, +∞)

路径类别(大类)	路径类别(亚类)	地理参数
深入广西内陆	深入广西内陆中部	5
深入广西内陆	深入广西内陆稍靠边界	4
进入广西陆地但未深入	进入广西陆地但未深入	3
沿广西陆地边界移动	沿广西东部边界南北向行	4
	沿广西西南部边界移动	2.5
	沿广西东南部边界移动	3
	沿广西南部边界移动	3
进入影响区但未进入广西陆地区域	靠近广西陆地边界	2
	靠近影响区边界	1
	界于广西陆地边界和影响区边界之间	1.5

台风灾害致灾因子标准化值	Tp	Tf	Df	Rd	Rg	Rn	Rz
相关系数	0.59	0.36	0.43	0.69	0.72	0.73	0.78

样本集	样本数	拟合值与实际值的相关系数	拟合一致率
训练集	72	0.9374	86.1%
测试集	14	0.9251	71.4%

基于遗传—神经网络方法的广西台风灾害评估模型研究

Study on assessment model of typhoon disaster in Guangxi based on genetic-neural network method

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 5

参考文献 24

相关文章 1

Metrics

本文评价

推荐阅读 10

年份	台风编号	灾情等级实际值	灾情等级预报值	差值
2014	09	4	4	0
2014	15	4	4	0
2015	08	1	1	0
2015	22	4	4	0
2016	03	1	1	0
2016	04	2	3	-1
2016	08	1	1	0
2016	21	2	3	-1
2017	13	2	3	-1
2017	14	2	2	0
2017	20	1	1	0
2018	09	1	1	0
2018	16	1	2	-1
2018	22	3	3	0