王平+黃河+吳瑋

摘要：洪澇農(nóng)業(yè)災(zāi)情預(yù)測(cè)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?jī)r(jià)值，以支持向量機(jī)（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(cè)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(cè)。

關(guān)鍵詞：農(nóng)作物；洪澇；預(yù)測(cè)；支持向量機(jī)

中圖分類號(hào)：X43 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：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(duì)人類生產(chǎn)、安全和發(fā)展帶來前所未有的挑戰(zhàn)[1]。我國(guó)國(guó)土遼闊，自然地理?xiàng)l件復(fù)雜，降水在時(shí)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(guó)各種自然災(zāi)害中發(fā)生頻率高、造成經(jīng)濟(jì)損失嚴(yán)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(jì)損失為239.0億元，1995年增加到1 653.3億元，1999年高達(dá)2 550.9億元。進(jìn)入21世紀(jì)后，洪澇災(zāi)害所造成的直接經(jīng)濟(jì)損失年均超過1 200億元。隨著社會(huì)發(fā)展的進(jìn)步，洪澇災(zāi)害已成為威脅國(guó)民經(jīng)濟(jì)持續(xù)發(fā)展和制約國(guó)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(duì)洪澇災(zāi)害損失進(jìn)行預(yù)測(cè)的研究顯得尤為重要，本研究從我國(guó)自然災(zāi)害風(fēng)險(xiǎn)管理的需求出發(fā)，構(gòu)建了基于支持向量機(jī)（Support vector machine， SVM）的洪澇災(zāi)害農(nóng)業(yè)損失預(yù)測(cè)模型，為我國(guó)洪澇災(zāi)害風(fēng)險(xiǎn)管理提供參考，研究結(jié)果對(duì)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(píng)估預(yù)測(cè)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(fēng)暴潮、潰堤等引起洪流和積水而造成的自然災(zāi)害。我國(guó)歷朝歷代對(duì)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(xiàn)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(fēng)險(xiǎn)進(jìn)行評(píng)估，其中民政部的《自然災(zāi)害情況統(tǒng)計(jì)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(jì)損失等方面統(tǒng)計(jì)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(jì)損失等方面統(tǒng)計(jì)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(píng)估是通過所建立的模型，對(duì)因洪澇災(zāi)害造成的破壞程度進(jìn)行評(píng)價(jià)。從廣義上講，洪澇災(zāi)害損失評(píng)估包括孕災(zāi)環(huán)境穩(wěn)定性分析、致災(zāi)因子危險(xiǎn)性分析、承災(zāi)體易損性評(píng)價(jià)和災(zāi)情損失評(píng)估[4]；從狹義上講，洪澇災(zāi)害損失評(píng)估是研究在一定時(shí)間段內(nèi)，洪澇災(zāi)害對(duì)可能發(fā)生區(qū)域帶來的各種損失。目前，對(duì)洪澇災(zāi)害損失評(píng)估進(jìn)行研究，評(píng)估方法主要有：遙感和GIS方法[5，6]、抽樣統(tǒng)計(jì)方法[7]、基于承災(zāi)體易損性的評(píng)估方法[8，9]和基于歷史災(zāi)情數(shù)據(jù)的評(píng)估模型[10，11]。基于歷史災(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(cè)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(jìn)的非線性統(tǒng)計(jì)分析模型。目前，SVM模型逐步被應(yīng)用到臺(tái)風(fēng)、地震和滑坡等自然災(zāi)害的災(zāi)情預(yù)測(cè)上，并取得了很好的研究成果[13-15]。

2.1 支持向量機(jī)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(cè)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?jǐn)?shù)據(jù)。

一般的SVM被設(shè)計(jì)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(biāo)是在n維空間上尋找一個(gè)超平面，以最大間距區(qū)分訓(xùn)練樣本中的兩類，同時(shí)使分開兩類數(shù)據(jù)點(diǎn)距離分類面最遠(yuǎn)，這里的超平面既可以是平面也可以是曲面。

對(duì)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(cè)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(jì)報(bào)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(jì)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(gè)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(cè)模型 基于SVM的洪澇災(zāi)害農(nóng)作物災(zāi)情預(yù)測(cè)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(cè)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(xiàng)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(duì)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(cè)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(cè)模型，使預(yù)測(cè)的精度得到進(jìn)一步改善，提高預(yù)測(cè)模型的精度，重點(diǎn)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(tái)上，利用洪澇災(zāi)害災(zāi)情農(nóng)作物預(yù)測(cè)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(cè)模型能較好地預(yù)測(cè)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(cè)模型為：

3.1 洪澇農(nóng)作物災(zāi)情預(yù)測(cè)結(jié)果

利用公式（7）對(duì)1998～2006年湖北省的農(nóng)作物絕收面積進(jìn)行預(yù)測(cè)。結(jié)果表明，農(nóng)作物絕收面積的整體預(yù)測(cè)精度為85.67%，整體預(yù)測(cè)誤差為26.46%，具體的農(nóng)作物絕收面積預(yù)測(cè)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(cè)模型能有效地預(yù)測(cè)湖北地區(qū)的洪澇農(nóng)作物絕收面積，預(yù)測(cè)曲線與樣本曲線變化趨勢(shì)基本一致。但預(yù)測(cè)結(jié)果也表明，也存在預(yù)測(cè)值明顯大于真實(shí)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(cè)值明顯小于真實(shí)值，如樣本14。整體來說，樣本9至樣本10，預(yù)測(cè)結(jié)果與真實(shí)數(shù)據(jù)基本吻合。本研究所建立的SVM預(yù)測(cè)模型能預(yù)測(cè)湖北地區(qū)洪澇農(nóng)作物絕收面積，但對(duì)小面積的農(nóng)作物絕收面積預(yù)測(cè)效果較差。endprint

同樣利用公式（7）對(duì)1998～2006年湖北省的農(nóng)作物受災(zāi)面積進(jìn)行預(yù)測(cè)。交叉驗(yàn)證結(jié)果表明，農(nóng)作物受災(zāi)面積整體預(yù)測(cè)精度為87.22%，整體預(yù)測(cè)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(cè)精度比農(nóng)作物絕收面積更準(zhǔn)確。具體的農(nóng)作物絕收面積預(yù)測(cè)誤差如圖2所示。

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

3.2 預(yù)測(cè)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(cè)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(jìn)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(jì)損失等屬性與農(nóng)作物受災(zāi)面積相關(guān)性更強(qiáng)；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(dāng)樣本數(shù)據(jù)值較小時(shí)，本研究所構(gòu)建的SVM模型對(duì)農(nóng)作物受災(zāi)面積和絕收面積的預(yù)測(cè)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(duì)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(huì)存在一定的“臟”數(shù)據(jù)；②洪澇災(zāi)情在時(shí)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(gè)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(duì)洪澇農(nóng)作物災(zāi)情進(jìn)行有效預(yù)測(cè)，當(dāng)受災(zāi)和絕收面積比較大時(shí)預(yù)測(cè)準(zhǔn)確度很高，但對(duì)于相對(duì)較小的受災(zāi)面積與絕收面積的樣本預(yù)測(cè)有一定的偏差，預(yù)測(cè)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(jī)（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(cè)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(cè)，對(duì)農(nóng)作物受災(zāi)面積的預(yù)測(cè)精度高于農(nóng)作物絕收面積；而且當(dāng)樣本數(shù)據(jù)中的農(nóng)作物災(zāi)情數(shù)據(jù)較小時(shí)，預(yù)測(cè)值會(huì)高于真實(shí)值。在構(gòu)建SVM農(nóng)作物災(zāi)情預(yù)測(cè)模型時(shí)綜合考慮更多的洪澇災(zāi)情屬性，特別是降雨量、受災(zāi)時(shí)間、災(zāi)害持續(xù)時(shí)間和受災(zāi)區(qū)域等信息。

參考文獻(xiàn)：

[1] 袁 藝.自然災(zāi)害災(zāi)情評(píng)估研究與實(shí)踐進(jìn)展[J].地球科學(xué)進(jìn)展， 2010，25（1）：22-32.

[2] 張 弛，宋緒美，李 偉.可變模糊評(píng)價(jià)法在洪澇災(zāi)情評(píng)價(jià)中的應(yīng)用[J].自然災(zāi)害學(xué)報(bào)，2008，17（5）：34-39.

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

[4] 鄒 銘，范一大，楊思全，等.自然災(zāi)害風(fēng)險(xiǎn)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(fēng)險(xiǎn)評(píng)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(dá)遙感災(zāi)情評(píng)估技術(shù)研究與應(yīng)用[J].自然災(zāi)害學(xué)報(bào)，2010，19（3）：105-110.

[7] 胡俊鋒，范春波，楊月巧.基于抽樣統(tǒng)計(jì)方法的洪澇災(zāi)害損失評(píng)估[J].自然災(zāi)害學(xué)報(bào)，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(biāo)探討[J].災(zāi)害學(xué)，1992，7（1）：7-11.

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

[10] 葉正偉.自然災(zāi)害對(duì)農(nóng)業(yè)經(jīng)濟(jì)影響的態(tài)勢(shì)分析及對(duì)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(píng)價(jià)的威布爾模型[J].自然災(zāi)害學(xué)報(bào)，2005， 14（6）：32-36.

[12] 黃大鵬，劉 闖，彭順風(fēng).洪災(zāi)風(fēng)險(xiǎn)評(píng)價(jià)與區(qū)劃研究進(jìn)展[J].地理科學(xué)進(jìn)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(cè)模型研究[J].地球物理學(xué)報(bào)，2012，55（9）：2994-3005.

[14] 張新廠，婁偉平.基于主成分支持向量機(jī)的臺(tái)風(fēng)災(zāi)害房屋倒塌間數(shù)評(píng)估[J].安徽農(nóng)業(yè)科學(xué)，2010（12）：6339-6341.

[15] 牛瑞卿，彭 令，葉潤(rùn)青，等.基于粗糙集的支持向量機(jī)滑坡易發(fā)性評(píng)價(jià)[J].吉林大學(xué)學(xué)報(bào)（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(cè)[J].計(jì)算機(jī)工程，2012，38（9）：158-161.endprint

同樣利用公式（7）對(duì)1998～2006年湖北省的農(nóng)作物受災(zāi)面積進(jìn)行預(yù)測(cè)。交叉驗(yàn)證結(jié)果表明，農(nóng)作物受災(zāi)面積整體預(yù)測(cè)精度為87.22%，整體預(yù)測(cè)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(cè)精度比農(nóng)作物絕收面積更準(zhǔn)確。具體的農(nóng)作物絕收面積預(yù)測(cè)誤差如圖2所示。

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

3.2 預(yù)測(cè)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(cè)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(jìn)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(jì)損失等屬性與農(nóng)作物受災(zāi)面積相關(guān)性更強(qiáng)；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(dāng)樣本數(shù)據(jù)值較小時(shí)，本研究所構(gòu)建的SVM模型對(duì)農(nóng)作物受災(zāi)面積和絕收面積的預(yù)測(cè)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(duì)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(huì)存在一定的“臟”數(shù)據(jù)；②洪澇災(zāi)情在時(shí)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(gè)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(duì)洪澇農(nóng)作物災(zāi)情進(jìn)行有效預(yù)測(cè)，當(dāng)受災(zāi)和絕收面積比較大時(shí)預(yù)測(cè)準(zhǔn)確度很高，但對(duì)于相對(duì)較小的受災(zāi)面積與絕收面積的樣本預(yù)測(cè)有一定的偏差，預(yù)測(cè)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(jī)（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(cè)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(cè)，對(duì)農(nóng)作物受災(zāi)面積的預(yù)測(cè)精度高于農(nóng)作物絕收面積；而且當(dāng)樣本數(shù)據(jù)中的農(nóng)作物災(zāi)情數(shù)據(jù)較小時(shí)，預(yù)測(cè)值會(huì)高于真實(shí)值。在構(gòu)建SVM農(nóng)作物災(zāi)情預(yù)測(cè)模型時(shí)綜合考慮更多的洪澇災(zāi)情屬性，特別是降雨量、受災(zāi)時(shí)間、災(zāi)害持續(xù)時(shí)間和受災(zāi)區(qū)域等信息。

參考文獻(xiàn)：

[1] 袁 藝.自然災(zāi)害災(zāi)情評(píng)估研究與實(shí)踐進(jìn)展[J].地球科學(xué)進(jìn)展， 2010，25（1）：22-32.

[2] 張 弛，宋緒美，李 偉.可變模糊評(píng)價(jià)法在洪澇災(zāi)情評(píng)價(jià)中的應(yīng)用[J].自然災(zāi)害學(xué)報(bào)，2008，17（5）：34-39.

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

[4] 鄒 銘，范一大，楊思全，等.自然災(zāi)害風(fēng)險(xiǎn)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(fēng)險(xiǎn)評(píng)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(dá)遙感災(zāi)情評(píng)估技術(shù)研究與應(yīng)用[J].自然災(zāi)害學(xué)報(bào)，2010，19（3）：105-110.

[7] 胡俊鋒，范春波，楊月巧.基于抽樣統(tǒng)計(jì)方法的洪澇災(zāi)害損失評(píng)估[J].自然災(zāi)害學(xué)報(bào)，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(biāo)探討[J].災(zāi)害學(xué)，1992，7（1）：7-11.

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

[10] 葉正偉.自然災(zāi)害對(duì)農(nóng)業(yè)經(jīng)濟(jì)影響的態(tài)勢(shì)分析及對(duì)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(píng)價(jià)的威布爾模型[J].自然災(zāi)害學(xué)報(bào)，2005， 14（6）：32-36.

[12] 黃大鵬，劉 闖，彭順風(fēng).洪災(zāi)風(fēng)險(xiǎn)評(píng)價(jià)與區(qū)劃研究進(jìn)展[J].地理科學(xué)進(jìn)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(cè)模型研究[J].地球物理學(xué)報(bào)，2012，55（9）：2994-3005.

[14] 張新廠，婁偉平.基于主成分支持向量機(jī)的臺(tái)風(fēng)災(zāi)害房屋倒塌間數(shù)評(píng)估[J].安徽農(nóng)業(yè)科學(xué)，2010（12）：6339-6341.

[15] 牛瑞卿，彭 令，葉潤(rùn)青，等.基于粗糙集的支持向量機(jī)滑坡易發(fā)性評(píng)價(jià)[J].吉林大學(xué)學(xué)報(bào)（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(cè)[J].計(jì)算機(jī)工程，2012，38（9）：158-161.endprint

同樣利用公式（7）對(duì)1998～2006年湖北省的農(nóng)作物受災(zāi)面積進(jìn)行預(yù)測(cè)。交叉驗(yàn)證結(jié)果表明，農(nóng)作物受災(zāi)面積整體預(yù)測(cè)精度為87.22%，整體預(yù)測(cè)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(cè)精度比農(nóng)作物絕收面積更準(zhǔn)確。具體的農(nóng)作物絕收面積預(yù)測(cè)誤差如圖2所示。

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

3.2 預(yù)測(cè)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(cè)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(jìn)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(jì)損失等屬性與農(nóng)作物受災(zāi)面積相關(guān)性更強(qiáng)；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(dāng)樣本數(shù)據(jù)值較小時(shí)，本研究所構(gòu)建的SVM模型對(duì)農(nóng)作物受災(zāi)面積和絕收面積的預(yù)測(cè)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(duì)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(huì)存在一定的“臟”數(shù)據(jù)；②洪澇災(zāi)情在時(shí)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(gè)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(duì)洪澇農(nóng)作物災(zāi)情進(jìn)行有效預(yù)測(cè)，當(dāng)受災(zāi)和絕收面積比較大時(shí)預(yù)測(cè)準(zhǔn)確度很高，但對(duì)于相對(duì)較小的受災(zāi)面積與絕收面積的樣本預(yù)測(cè)有一定的偏差，預(yù)測(cè)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(jī)（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(cè)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(cè)，對(duì)農(nóng)作物受災(zāi)面積的預(yù)測(cè)精度高于農(nóng)作物絕收面積；而且當(dāng)樣本數(shù)據(jù)中的農(nóng)作物災(zāi)情數(shù)據(jù)較小時(shí)，預(yù)測(cè)值會(huì)高于真實(shí)值。在構(gòu)建SVM農(nóng)作物災(zāi)情預(yù)測(cè)模型時(shí)綜合考慮更多的洪澇災(zāi)情屬性，特別是降雨量、受災(zāi)時(shí)間、災(zāi)害持續(xù)時(shí)間和受災(zāi)區(qū)域等信息。

參考文獻(xiàn)：

[1] 袁 藝.自然災(zāi)害災(zāi)情評(píng)估研究與實(shí)踐進(jìn)展[J].地球科學(xué)進(jìn)展， 2010，25（1）：22-32.

[2] 張 弛，宋緒美，李 偉.可變模糊評(píng)價(jià)法在洪澇災(zāi)情評(píng)價(jià)中的應(yīng)用[J].自然災(zāi)害學(xué)報(bào)，2008，17（5）：34-39.

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

[4] 鄒 銘，范一大，楊思全，等.自然災(zāi)害風(fēng)險(xiǎn)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(fēng)險(xiǎn)評(píng)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(dá)遙感災(zāi)情評(píng)估技術(shù)研究與應(yīng)用[J].自然災(zāi)害學(xué)報(bào)，2010，19（3）：105-110.

[7] 胡俊鋒，范春波，楊月巧.基于抽樣統(tǒng)計(jì)方法的洪澇災(zāi)害損失評(píng)估[J].自然災(zāi)害學(xué)報(bào)，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(biāo)探討[J].災(zāi)害學(xué)，1992，7（1）：7-11.

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

[10] 葉正偉.自然災(zāi)害對(duì)農(nóng)業(yè)經(jīng)濟(jì)影響的態(tài)勢(shì)分析及對(duì)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(píng)價(jià)的威布爾模型[J].自然災(zāi)害學(xué)報(bào)，2005， 14（6）：32-36.

[12] 黃大鵬，劉 闖，彭順風(fēng).洪災(zāi)風(fēng)險(xiǎn)評(píng)價(jià)與區(qū)劃研究進(jìn)展[J].地理科學(xué)進(jìn)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(cè)模型研究[J].地球物理學(xué)報(bào)，2012，55（9）：2994-3005.

[14] 張新廠，婁偉平.基于主成分支持向量機(jī)的臺(tái)風(fēng)災(zāi)害房屋倒塌間數(shù)評(píng)估[J].安徽農(nóng)業(yè)科學(xué)，2010（12）：6339-6341.

[15] 牛瑞卿，彭 令，葉潤(rùn)青，等.基于粗糙集的支持向量機(jī)滑坡易發(fā)性評(píng)價(jià)[J].吉林大學(xué)學(xué)報(bào)（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(cè)[J].計(jì)算機(jī)工程，2012，38（9）：158-161.endprint