基于KPCA-RBF模型的風(fēng)暴潮災(zāi)害經(jīng)濟(jì)損失預(yù)測

楊雪雪, 劉 強(qiáng)

基于KPCA-RBF模型的風(fēng)暴潮災(zāi)害經(jīng)濟(jì)損失預(yù)測

楊雪雪, 劉 強(qiáng)

(中國海洋大學(xué), 山東 青島 266100)

作為破壞性最強(qiáng)的海洋災(zāi)害, 風(fēng)暴潮災(zāi)害每年都給我國沿海地區(qū)造成了巨大的經(jīng)濟(jì)損失, 運(yùn)用科學(xué)的方法模型合理預(yù)測風(fēng)暴潮災(zāi)害經(jīng)濟(jì)損失對指導(dǎo)沿海地區(qū)的防災(zāi)減災(zāi)工作意義深遠(yuǎn)。本文基于風(fēng)暴潮災(zāi)害的成災(zāi)特點(diǎn)建立了風(fēng)暴潮災(zāi)害直接經(jīng)濟(jì)損失預(yù)評估指標(biāo)體系, 由于評估指標(biāo)數(shù)據(jù)高度非線性, 采用核主成分分析(KPCA)對高維非線性數(shù)據(jù)進(jìn)行降維優(yōu)化, 并利用徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡(luò)對降維后的數(shù)據(jù)進(jìn)行訓(xùn)練, 從而實(shí)現(xiàn)對風(fēng)暴潮災(zāi)害直接經(jīng)濟(jì)損失的預(yù)測。選取廣東省1996—2018年的32個(gè)風(fēng)暴潮災(zāi)害損失樣本對模型進(jìn)行仿真測試, 結(jié)果表明, KPCA-RBF預(yù)測模型集成了核主成分分析和徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的優(yōu)勢, 預(yù)測結(jié)果精度高, 學(xué)習(xí)收斂速度快, 對風(fēng)暴潮災(zāi)害數(shù)據(jù)序列有較好的非線性擬合能力。

風(fēng)暴潮; 經(jīng)濟(jì)損失預(yù)測; 核主成分分析(KPCA); RBF神經(jīng)網(wǎng)絡(luò)

風(fēng)暴潮災(zāi)害是迄今為止最具破壞性的海洋災(zāi)害, 世界上大多數(shù)重大沿海災(zāi)害都是由風(fēng)暴潮造成的[1-2]。在我國的海洋災(zāi)害影響清單中, 風(fēng)暴潮災(zāi)害一直占據(jù)著主導(dǎo)地位, 幾乎每年都會(huì)給沿海地區(qū)造成巨大的經(jīng)濟(jì)損失。為減輕風(fēng)暴潮災(zāi)害對沿海地區(qū)經(jīng)濟(jì)社會(huì)發(fā)展的影響, 運(yùn)用科學(xué)的手段提高災(zāi)害損失預(yù)測的能力, 對于指導(dǎo)沿海地區(qū)的防災(zāi)減災(zāi)工作十分重要。

近年來, 國內(nèi)外學(xué)者在風(fēng)暴潮災(zāi)害損失預(yù)測方面做了大量研究工作。Wood等[3]利用巨災(zāi)損失模型對英格蘭東部沿海平原的潛在風(fēng)暴潮洪水事件進(jìn)行了概率量化, 根據(jù)洪水深度和洪水流速與財(cái)產(chǎn)損失量之間的脆弱性函數(shù)來預(yù)測風(fēng)暴潮洪水損失; Jin等[4]提出了一種經(jīng)濟(jì)計(jì)量模型組方法來精化風(fēng)暴潮損失的評估, 并利用支持向量機(jī)模型驗(yàn)證了模型組方程能較詳細(xì)地反映風(fēng)暴潮災(zāi)害與其他相關(guān)變量的關(guān)系; Yang等[5-6]采用擴(kuò)展卡爾曼濾波和極限理論來預(yù)測風(fēng)暴潮災(zāi)害經(jīng)濟(jì)損失和傷亡人口; 潘艷艷等[7]基于時(shí)間序列預(yù)測法, 運(yùn)用傅里葉級數(shù)擴(kuò)展模型模擬了風(fēng)暴潮災(zāi)害直接經(jīng)濟(jì)損失的時(shí)間路徑; 殷克東等[8]以近年來東南沿海風(fēng)暴潮災(zāi)害損失的歷史數(shù)據(jù)為基礎(chǔ), 利用主成分分析法對樣本風(fēng)暴潮進(jìn)行了聚類分析并證明了其在風(fēng)暴潮災(zāi)害損失評估中的有效性, 上述研究為科學(xué)預(yù)測風(fēng)暴潮災(zāi)害損失提供了理論指導(dǎo)。由于風(fēng)暴潮災(zāi)害損失預(yù)測是較復(fù)雜的系統(tǒng)[9-10], 為提高預(yù)測精度并豐富現(xiàn)有風(fēng)暴潮災(zāi)害損失預(yù)測方法, 本文采用核主成分分析對風(fēng)暴潮災(zāi)害數(shù)據(jù)進(jìn)行降維優(yōu)化, 在此基礎(chǔ)上, 利用徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)對優(yōu)化后的數(shù)據(jù)進(jìn)行訓(xùn)練, 結(jié)果表明該方法具有較好的非線性擬合能力, 可實(shí)現(xiàn)對風(fēng)暴潮災(zāi)害直接經(jīng)濟(jì)損失的預(yù)測。

1 風(fēng)暴潮災(zāi)害經(jīng)濟(jì)損失評估指標(biāo)

1.1 數(shù)據(jù)來源

本文以廣東省風(fēng)暴潮災(zāi)害為研究對象, 收集了廣東省1996—2018年間記錄相對完整的32個(gè)風(fēng)暴潮災(zāi)害的相關(guān)數(shù)據(jù)進(jìn)行分析研究, 數(shù)據(jù)主要來源于《中國海洋災(zāi)害公報(bào)》[11]《廣東省海洋災(zāi)害公報(bào)》[12]《廣東統(tǒng)計(jì)年鑒》[13]等。

廣東省位于我國南部沿海, 是我國受風(fēng)暴潮影響最嚴(yán)重的省份之一。由于廣東沿海地區(qū)人口稠密、經(jīng)濟(jì)發(fā)達(dá), 臺(tái)風(fēng)風(fēng)暴潮每年造成的直接經(jīng)濟(jì)損失十分巨大[14]。近10 a來, 全國因風(fēng)暴潮災(zāi)害造成的直接經(jīng)濟(jì)損失中, 廣東省累計(jì)占比接近50%, 如圖1所示。隨著海洋經(jīng)濟(jì)的快速發(fā)展, 廣東沿海地區(qū)的風(fēng)暴潮災(zāi)害風(fēng)險(xiǎn)日益突出, 防災(zāi)減災(zāi)形勢也愈發(fā)嚴(yán)峻, 因此, 采取科學(xué)的手段對風(fēng)暴潮災(zāi)害損失進(jìn)行合理預(yù)測對廣東省經(jīng)濟(jì)社會(huì)的可持續(xù)發(fā)展具有重要意義。

圖1 風(fēng)暴潮災(zāi)害直接經(jīng)濟(jì)損失值

1.2 指標(biāo)選取

為了對風(fēng)暴潮災(zāi)害直接經(jīng)濟(jì)損失進(jìn)行科學(xué)準(zhǔn)確的預(yù)測, 我們需要建立相對完善的評估指標(biāo)體系[9-10]。風(fēng)暴潮災(zāi)害損失的大小取決于自身的危險(xiǎn)性程度以及當(dāng)?shù)氐慕?jīng)濟(jì)社會(huì)發(fā)展?fàn)顩r[15], 本文基于自然災(zāi)害風(fēng)險(xiǎn)分析理論, 結(jié)合風(fēng)暴潮的成災(zāi)特點(diǎn)以及指標(biāo)數(shù)據(jù)的易取性和全面性, 建立了風(fēng)暴潮災(zāi)害直接經(jīng)濟(jì)損失評估指標(biāo)體系, 包括致災(zāi)因子危險(xiǎn)性、承載體易損性、孕災(zāi)環(huán)境三個(gè)方面, 如圖2所示。

(1) 致災(zāi)因子危險(xiǎn)性。風(fēng)暴潮的致災(zāi)能力主要體現(xiàn)在臺(tái)風(fēng)引起的風(fēng)暴增水方面, 臺(tái)風(fēng)強(qiáng)度越大, 中心氣壓越低, 則風(fēng)暴增水越大, 造成的損失往往越嚴(yán)重[15]。本文選取臺(tái)風(fēng)登陸時(shí)的最大風(fēng)速、中心氣壓、最大增水和超警戒潮位4個(gè)指標(biāo)來描述風(fēng)暴潮致災(zāi)因子危險(xiǎn)性。

(2) 承載體易損性。承災(zāi)體是風(fēng)暴潮災(zāi)害的直接作用物, 主要包括風(fēng)暴潮過境地域的社會(huì)經(jīng)濟(jì)因素, 如人口、農(nóng)業(yè)、堤防設(shè)施等。風(fēng)暴潮災(zāi)害承載體的易損性可用致災(zāi)因子對承載體造成的可能損失大小表示, 本文選取受災(zāi)人口、房屋損毀、農(nóng)業(yè)受災(zāi)面積、堤防損毀等6個(gè)指標(biāo)來反映承載體的易損性。

(3)孕災(zāi)環(huán)境。這里主要指當(dāng)?shù)氐慕?jīng)濟(jì)社會(huì)發(fā)展?fàn)顩r及應(yīng)災(zāi)水平。本文從經(jīng)濟(jì)社會(huì)發(fā)展現(xiàn)狀、社會(huì)防災(zāi)能力、監(jiān)測預(yù)警能力[15-16]等多個(gè)方面綜合選取了人口密度、農(nóng)業(yè)種植面積、人均GDP、地方財(cái)政收入、醫(yī)療衛(wèi)生機(jī)構(gòu)數(shù)、海洋環(huán)境監(jiān)測站個(gè)數(shù)等9個(gè)指標(biāo)作為孕災(zāi)環(huán)境影響因子。

圖2 風(fēng)暴潮災(zāi)害直接經(jīng)濟(jì)損失評估指標(biāo)體系

2 預(yù)測模型的建立

2.1 核主成分分析原理

核主成分分析(kernel principle component analysis, KPCA)是Schokopf 等[17]提出的一種將核函數(shù)引入到主成分分析(principle component analysis, PCA)的方法。PCA是一種常用的特征提取和降維的線性方法, 在實(shí)際處理數(shù)據(jù)中, 由于數(shù)據(jù)之間存在復(fù)雜的非線性關(guān)系, 使得它難以準(zhǔn)確獲得數(shù)據(jù)的高階特征, 處理高維非線性數(shù)據(jù)的能力有限。由于風(fēng)暴潮災(zāi)害直接經(jīng)濟(jì)損失評估指標(biāo)數(shù)據(jù)非線性程度高且指標(biāo)間存在信息重疊, 為提高運(yùn)算效率, 本文首先利用KPCA對原始數(shù)據(jù)進(jìn)行降維處理。KPCA實(shí)現(xiàn)了對PCA的改進(jìn), 它可對輸入變量進(jìn)行非線性特征提取, 提取速度快且能夠充分保留所有輸入變量的非線性信息[18]。

高維空間中的協(xié)方差矩陣可表示為:

對上述協(xié)方差矩陣進(jìn)行特征矢量分析, 設(shè)其特征值為, 特征向量為, 則

.(3)

定義×維的核矩陣:

將式(6)代入式(5)并將結(jié)果寫成矩陣形式:

對式(7)進(jìn)行求解可得高維空間中的特征值及特征向量, 原始輸入樣本在特征向量1方向的投影為:

2.2 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)原理

徑向基函數(shù)(radial basis function, RBF)神經(jīng)網(wǎng)絡(luò)是一種高效的神經(jīng)網(wǎng)絡(luò)形式, 它具有良好的非線性函數(shù)擬合和泛化能力, 而且結(jié)構(gòu)簡單、學(xué)習(xí)收斂速度快, 可以保證全局收斂[19], 因此本文采用徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)建立風(fēng)暴潮災(zāi)害直接經(jīng)濟(jì)損失預(yù)測模型。RBF網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示, 其中隱含層節(jié)點(diǎn)的激活函數(shù)采用徑向基函數(shù)對輸入變量進(jìn)行處理, 再線性映射到輸出層。

圖3 RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

其中,為隱含層節(jié)點(diǎn)數(shù),為高斯徑向基函數(shù), 則h可表示為:

式中,= [1,2, …, c]T為隱含層節(jié)點(diǎn)的中心參數(shù),= [1,2, …, b]T為徑向基函數(shù)的寬度參數(shù),= [1,2, …, w]T為隱含層到輸出層的網(wǎng)絡(luò)權(quán)值參數(shù), 則時(shí)刻RBF網(wǎng)絡(luò)的輸出可表示為:

2.3 KPCA-RBF模型的建立

本文模型建立的過程如下:

(1) 采用KPCA對風(fēng)暴潮災(zāi)害直接經(jīng)濟(jì)損失評估指標(biāo)數(shù)據(jù)進(jìn)行降維處理, 從而減少RBF神經(jīng)網(wǎng)絡(luò)的輸入向量數(shù)。KPCA的具體步驟如下:

(a) 對初始指標(biāo)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理(本文采用標(biāo)準(zhǔn)差歸一化法), 計(jì)算核矩陣;

(b) 由于本文收集的風(fēng)暴潮數(shù)據(jù)是非中心化的, 需對其進(jìn)行中心化處理, 中心化的核矩陣表示為:

式中,為元素全為1的維向量;

(c) 計(jì)算矩陣的特征值與特征向量;

(d) 將特征向量規(guī)范化, 即:

(e) 計(jì)算特征值1,2, …,λ的累計(jì)貢獻(xiàn)率1,2, …,B,根據(jù)已設(shè)定的主成分累計(jì)貢獻(xiàn)率, 當(dāng)k≥, 則選取個(gè)主成分及對應(yīng)的主分量1,2, …,α;

(f) 計(jì)算原始樣本在1,2, …,α上的投影,=*·,即為原始輸入數(shù)據(jù)經(jīng)過KPCA降維后的結(jié)果。

(2) 將原始數(shù)據(jù)劃分成訓(xùn)練樣本和測試樣本。

(3) 將訓(xùn)練樣本作為RBF網(wǎng)絡(luò)輸入向量, 輸出為風(fēng)暴潮災(zāi)害直接經(jīng)濟(jì)損失預(yù)測值, 對RBF網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

(4) 將測試樣本輸入模型進(jìn)行獨(dú)立樣本檢驗(yàn)。

本文以MATLAB 2014b為平臺(tái), 采用MATLAB自帶的神經(jīng)網(wǎng)絡(luò)工具箱newrb函數(shù)[20-21]建立RBF網(wǎng)絡(luò), 其語法為:

net = newrb (,, goal, spread, MN, DF)

式中,為輸入矩陣;為輸出矩陣; goal為均方誤差的目標(biāo), 取goal = 0.001; spread表示徑向基函數(shù)的擴(kuò)散速度[22], 取spread = 20; MN指隱含節(jié)點(diǎn)的最大個(gè)數(shù), 取MN = 200; DF指兩次顯示之間所添加的神經(jīng)元數(shù)目, 取DF = 1。

綜上所述, 可建立KPCA-RBF預(yù)測模型, 如圖4所示。

圖4 KPCA-RBF預(yù)測模型流程圖

3 結(jié)果與討論

3.1 結(jié)果分析

本文首先將風(fēng)暴潮災(zāi)害直接經(jīng)濟(jì)損失評估指標(biāo)數(shù)據(jù)進(jìn)行KPCA降維處理, 其主成分累計(jì)貢獻(xiàn)率如圖5所示。

圖5 KPCA主成分累計(jì)貢獻(xiàn)率

本文設(shè)定的主成分累計(jì)貢獻(xiàn)率= 90%, 由圖5可知, 前6個(gè)主成分的累計(jì)貢獻(xiàn)率達(dá)到了91.83%, 可以認(rèn)為前6個(gè)主成分包含了全部指標(biāo)的絕大部分信息, 計(jì)算原始數(shù)據(jù)在1,2, …,6上的投影, 從而得到RBF網(wǎng)絡(luò)的輸入向量。

對所收集的廣東省32個(gè)風(fēng)暴潮災(zāi)害樣本進(jìn)行隨機(jī)劃分, 選取其中29個(gè)作為訓(xùn)練樣本, 其余3個(gè)為測試樣本。將訓(xùn)練樣本輸入RBF網(wǎng)絡(luò)中, 輸出值為風(fēng)暴潮災(zāi)害直接經(jīng)濟(jì)損失預(yù)測值, 預(yù)測結(jié)果如圖6所示, 從圖中可以看出, 大部分訓(xùn)練樣本的預(yù)測值逼近實(shí)際值, 模型的擬合精度較高。

圖6 KPCA-RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練集擬合結(jié)果

現(xiàn)有的BAS-BP模型[9]、SVM-BP模型[10]為科學(xué)預(yù)測風(fēng)暴潮災(zāi)害損失提供了方法指導(dǎo), 但仍存在不足, 如: BAS-BP、SVM-BP所采用的降維方法均是通過刪除部分評估指標(biāo)來實(shí)現(xiàn)降維, 無法充分保留所有指標(biāo)的非線性信息; 兩者均是對BP神經(jīng)網(wǎng)絡(luò)的改進(jìn), 較傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)有性能方面的提高, 但BP網(wǎng)絡(luò)隱含層神經(jīng)元個(gè)數(shù)的選取尚無理論上的指導(dǎo), 而是根據(jù)經(jīng)驗(yàn)公式確定, 這使得網(wǎng)絡(luò)具有較大的冗余性, 無形中增加了學(xué)習(xí)時(shí)間。為客觀比較KPCA- RBF模型與現(xiàn)有模型的性能, 本文將KPCA-RBF與BAS-BP、SVM-BP進(jìn)行對比實(shí)驗(yàn), 分別計(jì)算它們的平均相對誤差(MRE)、均方誤差(MSE)和CPU運(yùn)行時(shí)間, 結(jié)果如表1所示。可以看出, 在處理相同樣本時(shí), KPCA-RBF模型的綜合表現(xiàn)最好, 訓(xùn)練時(shí)間明顯少于其他兩個(gè)模型, 學(xué)習(xí)收斂速度快, 預(yù)測精度較高。這是因?yàn)镵PCA-RBF在一定程度上克服了現(xiàn)有模型的不足: KPCA可充分考慮每項(xiàng)評估指標(biāo)包含的信息, 使得神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)比較全面準(zhǔn)確, 而且RBF網(wǎng)絡(luò)的隱含層可以自動(dòng)增加神經(jīng)元直到滿足精度要求為止, 簡化了網(wǎng)絡(luò)結(jié)構(gòu), 有效提高學(xué)習(xí)收斂速度。

表1 KPCA-RBF模型與現(xiàn)有模型的性能對比

為進(jìn)一步證明KPCA-RBF模型的有效性, 本文基于上述樣本劃分方法, 將風(fēng)暴潮災(zāi)害樣本隨機(jī)劃分成多組訓(xùn)練樣本和測試樣本進(jìn)行試驗(yàn)。選取普通RBF網(wǎng)絡(luò)模型、KPCA-RBF模型以及PCA-RBF模型對各組訓(xùn)練樣本進(jìn)行處理, 由于三種模型的CPU運(yùn)行時(shí)間均在2 s以內(nèi), 學(xué)習(xí)速度差別不大, 因此本文主要以訓(xùn)練精度作為評價(jià)各模型性能優(yōu)劣的依據(jù), 分別計(jì)算每組訓(xùn)練樣本在不同模型中的MRE和MSE, 結(jié)果如表2所示, 可以看出基于不同的樣本劃分情況, RBF和PCA-RBF的兩種誤差平均值均較大, PCA-RBF略優(yōu)于RBF, 而KPCA-RBF兩種誤差均最小, 對訓(xùn)練樣本的擬合效果最好, 這表明KPCA-RBF在處理高維非線性數(shù)據(jù)時(shí)具有一定的優(yōu)越性, 擬合結(jié)果精度較高。

表2 不同模型性能對比

3.2 獨(dú)立樣本檢驗(yàn)

本文將上述多組測試樣本作為獨(dú)立樣本來檢驗(yàn)三種模型在預(yù)測精度上的差異, 分別計(jì)算三種模型的誤差, 結(jié)果如表3所示, 從表3可以看出, 與RBF和PCA-RBF相比, KPCA-RBF的測試誤差值相對更小, 具有更好的預(yù)測效果, 這主要是KPCA-RBF模型集成了 KPCA和RBF神經(jīng)網(wǎng)絡(luò)在處理非線性數(shù)據(jù)方面的優(yōu)勢, KPCA利用核映射對原始非線性序列進(jìn)行降維, 用低維數(shù)據(jù)表示原始數(shù)據(jù)的信息, 彌補(bǔ)了PCA處理高維非線性數(shù)據(jù)時(shí)存在的不足, 而且RBF神經(jīng)網(wǎng)絡(luò)可有效實(shí)現(xiàn)對非線性數(shù)據(jù)序列的擬合和預(yù)測。由此可知, KPCA- RBF模型具有較好的非線性擬合能力, 預(yù)測結(jié)果具有更高的精度, 可有效地用于風(fēng)暴潮災(zāi)害直接經(jīng)濟(jì)損失預(yù)測。

表3 不同模型測試樣本誤差

4 結(jié)論

本文基于風(fēng)暴潮災(zāi)害的成災(zāi)特點(diǎn)建立了風(fēng)暴潮災(zāi)害直接經(jīng)濟(jì)損失預(yù)評估指標(biāo)體系, 提出基于KPCA-RBF網(wǎng)絡(luò)的風(fēng)暴潮災(zāi)害直接經(jīng)濟(jì)損失預(yù)測模型, 利用KPCA對高度非線性的評估指標(biāo)數(shù)據(jù)進(jìn)行降維優(yōu)化, 降維后的數(shù)據(jù)可最大程度保留原始數(shù)據(jù)信息, 再利用RBF神經(jīng)網(wǎng)絡(luò)輸出預(yù)測值。針對風(fēng)暴潮災(zāi)害數(shù)據(jù)具有很強(qiáng)的非線性特點(diǎn), 該模型表現(xiàn)出良好的適用性, 對非線性數(shù)據(jù)序列有較好的預(yù)測效果, 為海洋災(zāi)害損失預(yù)測提供了模型參考。

[1] BERZ G.Windstorm and storm surges in Europe: loss trends and possible counter-actions from the viewpoint of an international reinsurer[J].Philosophical Transactions Mathematical Physical & Engineering Sciences, 2005, 363(1831): 1431-1440.

[2] LE K T.An Analysis of the recent severe storm surge disaster events in China[J].Natural Hazards, 2000, 21(2): 215-223.

[3] WOOD R M, DRAYTON M, BERGER A, et al.Catastrophe loss modelling of storm-surge flood risk in eas-tern England[J].Philosophical Transactions of The Royal Society A Mathematical Physical and Engineering Sciences, 2005, 363(1831): 1407-1422.

[4] JIN X, SHI X, GAO J, et al.Evaluation of loss due to storm surge disasters in China based on econometric model groups[J].International Journal of Environmental Research and Public Health, 2018, 15(4): 604.

[5] YANG S, LIU X, LIU Q.A storm surge projection and disaster risk assessment model for China coastal areas[J].Natural Hazards, 2016, 84(1): 649-667.

[6] YANG S, LIU X, LIU Q, et al.A study of storm surge disasters based on extreme value distribution theory[J].Journal of Coastal Research, 2017, 33(6): 1423-1435.

[7] 潘艷艷, 王濤, 趙昕.風(fēng)暴潮災(zāi)害損失時(shí)間路徑模擬與預(yù)測[J].統(tǒng)計(jì)與決策, 2016, 5: 87-89.

PAN Yanyan, WANG Tao, ZHAO Xin.Time path simu--lation and prediction of storm surge disaster loss[J].Statistics & Decision, 2016, 5: 87-89.

[8] 殷克東, 王輝.風(fēng)暴潮災(zāi)害損失評估的主成分模型研究[J].統(tǒng)計(jì)與決策, 2010, 19: 63-64.

YIN Kedong, WANG Hui.Study on the principal component model of storm surge disaster loss assessment[J].Statistics & Decision, 2010, 19: 63-64.

[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.The assessment of storm surge disaster loss based on BAS-BP model[J].Marine Environmental Science, 2018, 37(3): 457-463.

[10] 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.Pre-assessment for the loss caused by storm surge based on the SVM-BP neural network[J].Marine Environmental Science, 2017, 36(4): 615-621.

[11] 中華人民共和國自然資源部.1996—2018年中國海洋災(zāi)害公報(bào)[EB/OL].http://www.mnr.gov.cn/sj/sjfw/hy/gbgg/ zghyzhgb/.

Ministry of natural resources of the people’s Republic of China.1996-2018 China marine disaster bulletin[EB/OL].http://www.mnr.gov.cn/sj/sjfw/hy/gbgg/zghyzhgb/.

[12] 廣東省自然資源廳.2018年廣東省海洋災(zāi)害公報(bào)[EB/OL].http://nr.gd.gov.cn/gdlr_notice/2/content/post_ 2644380.html.

Department of natural resources of Guangdong Provin-ce.Guangdong marine disaster bulletin in 2018[EB/OL].http://nr.gd.gov.cn/gdlr_notice/2/content/post_2644380.html.

[13] 廣東省統(tǒng)計(jì)局.廣東統(tǒng)計(jì)年鑒.http://stats.gd.gov.cn/gdtjnj/.

Guangdong provincial bureau of statistics.Guangdong statistical yearbook.http://stats.gd.gov.cn/gdtjnj/.

[14] 余東華, 吳超羽, 呂炳全, 等.廣東沿海地區(qū)風(fēng)暴潮災(zāi)害及其防御[J].浙江海洋學(xué)院學(xué)報(bào)(自然科學(xué)版), 2009, 28(4): 440-444.

YU Donghua, WU Chaoyu, LV Bingquan, et al.Disaster of storm surge and the countermeasures in Guangdong coastal areas[J].Journal of Zhejiang Ocean University (Natural Science), 2009, 28(4): 440-444.

[15] 趙昕, 王保頌, 鄭慧.基于RS-SVM模型的風(fēng)暴潮災(zāi)害損失測度[J].海洋環(huán)境科學(xué), 2015, 34(4): 596-600.

ZHAO Xin, WANG Baosong, ZHENG Hui.The assess-ment of storm surge disaster loss based on RS-SVM mo-del[J].Marine Environmental Science, 2015, 34(4): 596- 600.

[16] 李莉, 沈瓊.風(fēng)暴潮災(zāi)害防災(zāi)減災(zāi)能力評價(jià)——以山東省沿海城市為例[J].中國漁業(yè)經(jīng)濟(jì), 2011, 6: 102- 110.

LI Li, SHEN Qiong.The evaluation of storm surge prevention and mitigation capability: case of costal cities in Shandong Province[J].Chinese Fisheries Economics, 2011, 6: 102-110.

[17] SCHOLKOPF B, SMOLA A J, MULLER K R.Non-linear component analysis as a kernel eigenvalue problem[J].Neural Confutation, 1998, 10: 1299-1319.

[18] 彭志蘭, 孫海, 高惠瑛, 等.基于KPCA和GA- LSSVR的惠州磚混建筑物震害易損性研究[J].地震工程與工程振動(dòng), 2018, 38(2): 176-183.

PENG Zhilan, SUN Hai, GAO Huiying, et al.Study on seismic damage vulnerability of Huizhou brick maso-n-ry building based on KPCA and GA-LSSVR model[J].Earthquake Engineering and Engineering Dynamics, 2018, 38(2): 176-183.

[19] 劉登峰, 王棟, 丁昊, 等.城市水災(zāi)害風(fēng)險(xiǎn)等級的RBF-C評估方法[J].人民黃河, 2014, 36(1): 8-10, 14.

LIU Dengfeng, WANG Dong, DING Hao, et al.A risk assessment method based on RBF artificial neural network-Cloud model for urban water disaster[J].Yellow River, 2014, 36(1): 8-10, 14.

[20] 李德根, 劉曉亮, 宋勝偉, 等.熵權(quán)法徑向基神經(jīng)網(wǎng)絡(luò)的截割粉塵濃度模型與預(yù)測[J].煤炭技術(shù), 2018, 37(6): 177-179.

LI Degen, LIU Xiaoliang, SONG Shengwei, et al.Prediction and model of cutting dust concentration of radial basis neural network with entropy weight[J].Coal Technology, 2018, 37(6): 177-179.

[21] 聞新, 李新, 張興旺, 等.應(yīng)用MATLAB實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)[M].北京: 國防工業(yè)出版社, 2015.

WEN Xin, LI Xin, ZHANG Xingwang, et al.Using MATLAB to Realize Neural Network[M].Beijing: National Defense Industry Press, 2015.

Economic loss assessment of storm-surge disasters based on the KPCA-RBF model

YANGXue-xue, LIUQiang

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

storm surge disaster; economic loss assessment; kernel principal component analysis; RBF neural network

As the most harmful marine disaster, storm-surge disasters cause serious economic losses to the coastal areas of China every year.It is crucial to reasonably assess the economic losses because of storm-surge disasters using scientific methods to guide the disaster prevention and mitigation work in coastal areas.Herein, based on the characteristics of storm-surge disasters, theassessment index system of the direct economic loss from a storm surge disaster is established.Owing to the storm=surge disaster, data loss is highly nonlinear; this study uses the Kernel Principal Component Analysis (KPCA) for nonlinear data dimension reduction optimization and the Radial Basis Function (RBF) neural network to train the dimension-reduced data to realize the assessment of direct economic loss owing to storm-surge disasters.This study collected data of 32 storm-surge disasters from 1996 to 2018 in the Guangdong Province to test the model.Results showed that the KPCA–RBF prediction model integrates the advantages of KPCA and the RBF neural network, which has high prediction accuracy, fast learning convergence speed, and good nonlinear fitting ability for storm-surge disaster data series.

Mar.22, 2020

[The National Natural Science Foundation of China, No.41371496; The National Science and Technology Support Program, No.2013BAK05B04]

X43

A

1000-3096(2021)10-0032-08

10.11759/hykx20200322001

2020-03-22；

2020-06-27

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

楊雪雪(1995—), 女, 山東濰坊人, 碩士研究生, 主要從事海洋災(zāi)害風(fēng)險(xiǎn)管理研究, 電話: 17685821560, E-mail: yxlhpdr@163.com; 劉強(qiáng)(1961—), 通信作者, 教授, 主要從事海洋災(zāi)害風(fēng)險(xiǎn)管理研究, E-mail: liuqiang@ouc.edu.cn

(本文編輯: 康亦兼)