检索
E-mail
RSS

作者投稿 主编审稿 专家审稿 远程编辑

热带海洋学报 >

2023 , Vol. 42 >Issue 5: 17 - 29

DOI: https://doi.org/10.11978/2022092

海洋气象学

基于贝叶斯网络和GIS的热带气旋灾害风险评估

  • 田城 , 1 ,
  • 黎鑫 , 1 ,
  • 杜洋 1 ,
  • 李明 1 ,
  • 谢勇 2 ,
  • 夏际炉 3
展开
  • 1. 国防科技大学气象海洋学院, 湖南 长沙 410005
  • 2. 江西省气象局, 江西 南昌 330038
  • 3. 95903部队气象台, 湖北 武汉 430000
黎鑫。email:

田城(1998—), 男, 湖南省常德市人, 硕士研究生, 从事海洋灾害风险评估研究。email:

收稿日期: 2022-04-29

  修回日期: 2022-07-12

  网络出版日期: 2022-07-19

基金资助

国家自然科学基金项目(41605051)

国家自然科学基金项目(41976188)

国防科技大学重点科研计划项目(ZK17-02-010)

收起

Assessment of tropical cyclone disaster risk based on the Bayesian network and GIS

  • TIAN Cheng , 1 ,
  • LI Xin , 1 ,
  • DU Yang 1 ,
  • LI Ming 1 ,
  • XIE Yong 2 ,
  • XIA Jilu 3
Expand
  • 1. College of Meteorology and Oceanography, National University of Defense Technology, Changsha 410005, China
  • 2. Jiangxi Meteorological Bureau, Nanchang 330008, China
  • 3. 95903 Troop Meteorological Observatory, Wuhan 430000, China
LI Xin. email:

Received date: 2022-04-29

  Revised date: 2022-07-12

  Online published: 2022-07-19

Supported by

National Natural Science Foundation of China(41605051)

National Natural Science Foundation of China(41976188)

Key Research Program of National University of Defense Technology(ZK17-02-010)

Fold

摘要

针对热带气旋灾害的复杂性和不确定性, 文章基于贝叶斯网络和地理信息系统(geographic information system, GIS)提出了一种新的热带气旋灾害风险评估模型。该模型能够从客观历史数据中自动挖掘灾害影响因素间的因果关系, 并以概率形式进行表达和推理, 从而对不确定灾害风险进行评估预测。基于1980—2016年中国东南沿海三省(广东、福建、浙江)的热带气旋灾害历史数据进行风险评估实验, 选取致灾因子危险性、孕灾环境敏感性、承灾体脆弱性3个方面共计12个评估指标作为模型输入, 直接经济损失量化为灾害风险等级作为模型输出, 构建基于贝叶斯网络的风险评估模型。然后利用2017—2021年热带气旋灾害数据进行模型检验, 评估预测的准确率为80.75%。模型预测的极低、低、中、高和极高风险的相对误差分别为27.72%、8.45%、18.58%、16.52%和19.12%, 风险预测值的区划结果在空间形态上与实际灾害损失分布高度一致。此外, 还将评估模型构建方法应用于“莫兰蒂”台风灾害个例的风险评估。结果表明, 模型评估出的灾害高风险和极高风险区域与实际灾情报告基本一致。由此可见, 本研究建立的热带气旋灾害风险评估模型具有较高的准确率和可信度, 为热带气旋灾害风险评估提供了一种新的方法途径和技术支撑。

关键词： 热带气旋灾害; 风险评估; 东南沿海三省; 贝叶斯网络; 地理信息系统

本文引用格式

田城 , 黎鑫 , 杜洋 , 李明 , 谢勇 , 夏际炉 . 基于贝叶斯网络和GIS的热带气旋灾害风险评估[J]. 热带海洋学报, 2023 , 42(5) : 17 -29 . DOI: 10.11978/2022092

Abstract

To address the complexity and uncertainty of tropical cyclone disaster, this study proposes a new tropical cyclone disaster risk assessment model based on the Bayesian network and geographic information system (GIS). The model can automatically explore the causal relationships among disaster influencing factors from objective historical data, and express them in the form of probabilities to assess and predict uncertain disaster risks. Based on the historical data of tropical cyclone disaster in three southeastern coastal provinces (Guangdong, Fujian, and Zhejiang) of China from 1980 to 2016 for risk assessment experiments, a total of 12 assessment indicators in three aspects, i.e., hazard of disaster-causing factors, sensitivity of disaster-inducing environment, and vulnerability of disaster-bearing bodies, were selected as model inputs, and direct economic losses were quantified as disaster risk levels as model outputs to construct a Bayesian network-based risk assessment model. The model was then tested against cyclone disaster data from 2017 to 2021, and the accuracy of the assessment prediction was 80.75%. The relative errors of very low, low, medium, high and very high risks predicted by the model were 27.72%, 8.45%, 18.58%, 16.52%and 19.12%, respectively, and the zonal results of risk prediction values were highly consistent with the actual disaster loss distribution in terms of spatial patterns. In addition, the assessment construction method was applied to the risk assessment of individual cases of Typhoon “Meranti”. The results showed that the high and very high risk areas assessed by the model were basically consistent with the actual disaster reports. Thus, the tropical cyclone disaster risk assessment model established in this study has high accuracy and credibility, and provides a new methodological approach and technical support for tropical cyclone disaster risk assessment.

Key words： tropical cyclone disaster; risk assessment; three southeastern coastal provinces; Bayesian network; GIS

热带气旋是发生在热带或副热带洋面上的低压涡旋, 是一种强大而深厚的热带天气系统。一般产生于西太平洋、东北太平洋和大西洋、印度洋和南太平洋, 根据其产生位置按照习惯分别称作台风、飓风和气旋(Puotinen, 2007; Yu et al, 2016)。通常伴随着强风、暴雨、巨浪、风暴潮等显著强破坏性自然灾害, 给人类世界带来巨大损失和破坏, 成为世界上最致命和最具破坏性的自然灾害之一(Paul et al, 2019)。中国东南沿海地区热带气旋频发, 加之其人口集中、经济发达, 受到热带气旋灾害的影响十分严重(于小兵 等, 2019)。有研究表明, 在1984—2008年间, 有96次强烈的热带气旋灾害发生在中国东南沿海地区, 共计造成9541人死亡, 直接经济损失高达1010亿美元(Chen et al, 2011)。而且随着近年来的全球变暖趋势, 热带气旋灾害将进一步变得更为严重(Kim et al, 2019; 吴斌 等, 2021)。因而, 开展热带气旋灾害风险评估, 为有效防范热带气旋灾害提供技术支撑, 是当前东南沿海防灾减灾中极为迫切的需求。
热带气旋灾害风险评估一直受到国内外学者的广泛关注, 研究者们从不同角度出发, 采用不同的方法对热带气旋灾害开展评估研究。目前相关研究主要集中在热带气旋灾害的时空分布特征、致灾因子危险性、承灾体脆弱性、区域灾害综合风险评估、灾损预测方法以及热带气旋预警方法等方面。其中, 区域灾害综合风险评估是研究者们较为关注的领域, 不同研究者采用不同的方法开展了不同区域尺度的评估研究。国外的“灾害风险指数系统”、“多风险综合评估方法”及“美国灾害评估模型”是应用较为广泛并具有代表性的灾害风险评估模型(Hoque et al, 2017)。国内对台风灾害风险评估的研究起步较晚, 不同学者对于风险评估的理解不同, 研究出发的角度和采用的方法也大有差异, 常采用概率统计、指标体系、信息扩散等方法(温家洪 等, 2012; 朱婧 等, 2017; Zhang et al, 2017; 陈楷俊 等, 2019; 高歌 等, 2019; 于小兵 等, 2019; Hoque et al, 2019; 刘合香 等, 2020; 徐庆娟 等, 2020; Cai et al, 2020; Chou et al, 2020; Pang et al, 2020; 潘金兰 等, 2021; 王洁 等, 2021; Zhou et al, 2021; 包文轩 等, 2023)。其中指标体系法是目前国内外应用最为普遍的一种半定量评估方法。该方法通常结合地理信息系统(geographic information system, GIS)空间分析技术进行, 首先确定风险评估目标, 择优筛选出合理的风险指标, 建立评估指标体系, 再给各风险指标分配权重, 根据风险评估方程最终得到灾害风险指数。这种方法中风险指标的选择和权重的分配对评估结果有着重要的影响。目前风险指标的选择已由仅仅关注致灾因子危险性转变为综合考虑受灾地区的自然和社会属性等各方面, 为风险指标分配权重的方法多为层次分析法、模糊综合评判法、线性加权法等。然而这些方法通常假设指标相互独立, 每个风险组成成分的权重由指标的重要性决定, 导致实验结果受到人为主观的影响。而且, 这些方法很难刻画出评估指标间的相互联系, 也不能表征风险指标和灾害风险之间的非线性关系。为改进指标权重确定的方法, 一些学者也做了相关研究。Gao等(2020)为避免权重计算时受到主观人为因素的影响, 将能值理论应用到台风灾害风险评估中, 使得评估实验结果更加可靠。Chou等(2020)采用熵值法对综合灾害指数影响模型进行改进, 将其应用于热带气旋灾害风险评估, 从而避免主观因素对评估结果带来的影响。潘金兰等(2021)为克服传统层次分析法中主观性过强的缺陷, 提出了一个基于改进层次分析和优劣解距离相结合进行最优组合赋权的华南台风灾害风险评估模型, 有效平衡指标权重的主客观比例。
由于热带气旋灾害成灾机理复杂, 涉及影响要素众多, 包括气象水文、地理环境、社会经济、人文特征等各方面, 各影响因素间互为关联耦合, 具有显著的复杂性、非线性和不确定性等特点。而现有的基于指标体系的热带气旋灾害风险评估模型中, 各风险组成成分间以及各风险指标间互为独立, 没有建立起相互之间的联系, 从本质上来说根本无法表达和处理热带气旋灾害的复杂性和不确定性, 因此不适合用于热带气旋灾害风险评估。为解决此问题, 本研究引入贝叶斯网络方法, 进行风险评估建模。贝叶斯网络是20世纪以来发展的一种很有前途的不确定性知识表达和推理技术, 具有坚实的数理统计基础, 以图形化的形式表达各变量之间的相互影响关系, 以先验概率或条件概率表达相互影响的程度, 可以从实际数据中自动进行先验知识的学习来进行推断和推理(Li et al, 2021a), 目前已成功应用于海洋灾害风险评估、洪涝灾害风险评估以及其他风险领域(Wu et al, 2018; Wu et al, 2019; Liu et al, 2021; Li et al, 2021a; Li et al, 2021b)。贝叶斯网络具备良好的对复杂不确定性问题的表达和处理能力, 能够实现对热带气旋灾害的非线性建模。而GIS作为处理地理属性数据的有效工具, 具有强大的空间数据分析和数据融合分析功能, 可以融合气象、基础地理和社会经济等各方面的多源数据, 在测绘地理、国土规划、地图导航以及灾害风险评估等领域得到了广泛的应用(申怀飞 等, 2020; 王伟 等, 2020)。其强大的地理空间分析能力可方便地计算出灾害风险评估中所需的地理环境指标, 进而为贝叶斯网模型的构建提供定量数据方面的支持。另外, 其丰富、专业的图层显示和叠加功能, 也为风险评估结果的呈现和应用提供了良好的基础平台。因而, 本研究基于自然灾害风险理论, 综合考虑致灾因子危险性、孕灾环境敏感性、承灾体脆弱性和灾害损失数据, 构建热带气旋灾害风险评估指标体系; 以贝叶斯网络为数学模型, 结合GIS空间分析技术, 构建针对我国东南沿海三省(广东、浙江、福建)的热带气旋灾害风险评估模型, 并利用1980—2016年的热带气旋灾害历史数据进行模型训练, 然后使用训练好的模型对2017—2021年的灾害风险等级进行评估预测, 通过与实际灾害风险等级相对比检验模型性能。

1 研究区域与资料来源

1.1 研究区域

广东、福建、浙江三省位于中国大陆东南沿海(以下简称东南沿海三省), 介于(20°22′—31°11′N, 109°65′—123°10′E)之间, 人口集中, 经济发达, 工业生产总值位于全国前列(陈楷俊 等, 2019; 于小兵 等, 2019)。属热带、亚热带季风气候, 受海陆和气候的双重影响, 自然灾害频繁发生, 5—8月是热带气旋灾害的高发期, 给当地的社会经济、基础建设和人员安全带来了严重的威胁与损害(Zhang et al, 2017)。根据日本气象厅(Japan Meteorological Agency, JMA)的历史记录, 在1951—2018年西北太平洋盆地产生的1782个热带气旋中, 30%在中国东南沿海地区登陆, 造成了巨大的经济损失、人员伤亡和社会不稳定, 成为世界上遭受热带气旋灾害影响最严重的地区之一(Chou et al, 2020)。因此迫切需要对该地区进行合理有效的热带气旋灾害风险评估, 进而为防灾减灾提供客观、定量的决策支持。

1.2 资料来源

1.2.1 热带气旋、降水和风速资料

本研究所用热带气旋资料来源于美国国家海洋和大气管理局(National Oceanic and Atmospheric Administration, NOAA)的国际气候管理最佳跟踪档案(IBTrACS version4)数据(https://www.ncei.noaa.gov/products/international-best-track-archive?name=ib-v4-access) (Knapp et al, 2010)。国际气候管理最佳跟踪档案项目是可用的最完整的全球热带气旋集合, 它合并了来自多个机构的近期和历史热带气旋数据, 以创建一个统一的、公开可用的最佳跟踪数据集。该数据集中包含多个国家不同机构提供的数据, 我们使用其中中国气象局(China Meteorological Administration, CMA)上海台风研究所的数据, 该资料包含从1841年至今每隔3h的热带气旋数据, 相比于一般每隔6h的数据精度更高。在本研究中, 将轨迹经过我国东南沿海三省的热带气旋定义为造成影响的热带气旋。下载shapefiles格式的数据, 导入GIS中, 提取出1980—2020年影响东南沿海三省的热带气旋数据, 包括热带气旋行进过程中每隔3h的中心位置、最小中心压强和持续时间。
热带气旋灾害的降水、风速资料来源于中国气象科学数据共享服务网(http://data.cma.cn/)共享的气象数据集。该数据集中分别有76、72和93个气象站点在浙江、福建和广东省境内。提取得到每次热带气旋灾害期间的总降水量和平均风速, 基于这些站点, 在GIS中使用克里金插值法得到东南沿海三省各网格点上的降雨量和风速。

1.2.2 地理遥感和矢量、社会经济资料

地理遥感和矢量数据来自地理空间数据云(https://www.gscloud.cn/)和国家基础地理信息系统(http://www.ngcc.cn/ngcc/)。地理遥感数据包括数字高程模型(digital elevation model, DEM)、归一化植被指数、土地利用覆盖率, DEM数据用于提取地形高程和坡度。地理矢量数据包括海岸线矢量数据和人口密度矢量数据, 海岸线矢量数据用于提取海岸线接近距离的空间层次。社会经济资料包括研究区各省地方生产总值(gross domestic product, GDP)和历史热带气旋灾害损失数据, 历史热带气旋灾害损失数据来自于中国气象局热带气旋资料中心(https://tcdata.typhoon.org.cn/)的《热带气旋年鉴》和研究区各省(区、市)的统计年鉴。基于所获得的各城市灾损数据, 导入GIS中利用克里金插值法获得整个研究区各网格点的灾损数据。

2 研究方法与技术途径

2.1 模型基本理论

贝叶斯网络, 也称为贝叶斯信度网络, 由图像结构和贝叶斯定理组成, 是将复杂知识直观可视化和不确定性推理的有效建模方法(李明 等, 2018a)。完整的贝叶斯网络由定性和定量两部分组成。定性部分是一个有向无环图, 其节点和有向边表示系统变量及其相互间的因果关系; 定量部分为网络节点的先验概率或条件概率表, 描述了变量之间相互依赖的程度。贝叶斯网络直观地表示为一个复杂的赋值因果关系图, 完整的贝叶斯网络由一个二元组组成, 其中$G=<V,E>$, 表示一个有向无环图。式中: $V$是节点集, 表示所研究问题中的系统变量, 在本研究中就是热带气旋灾害的各风险影响因素; $E$是有$B=<G,\theta >$向边集, 反映节点变量间的因果依赖关系。$\theta$ 表示网络参数, 即各节点的先验概率或条件概率表, 表达了相互之间的影响程度, 体现了域知识定量方面的特征。
GIS是以地理空间数据库为基础, 在计算机软硬件支持下, 对空间相关地理分布数据进行采集、输入、存储、管理、编辑、查询、分析、模拟和显示, 并采用空间模型分析方法, 适时提供多种空间和动态信息, 为地理研究和决策服务而建立起来的计算机技术系统(汤国安, 2019)。在众多的GIS产品中, 美国ESRI公司开发的ArcGIS是最为优秀的平台之一, 一直以具有强大的空间分析和数据处理功能而著称。支持多种数据格式, 遵循国际通用标准, 操作功能丰富, 可以对地理属性数据进行多种分析与处理(汤国安, 2019)。本文利用ArcGIS 10.8平台, 基于网格或行政区域构建分析单元, 对自然条件(包括气象水文、地形、社会和经济特征)进行集成建模, 并通过强大的空间分析和统计功能对数据进行操作, 用于地理属性数据处理和灾害风险可视化。

2.2 建模流程

本研究基于贝叶斯网络和GIS的热带气旋灾害风险评估总体框架如下图1所示。风险评估建模流程包括5个部分: 1) 风险指标分析; 2) 数据处理; 3) 贝叶斯网络模型构建——结构学习, 参数学习; 4) 贝叶斯网络推理预测; 5) 模型性能检验。
图1 基于贝叶斯网络模型的热带气旋灾害风险评估总体框架流程图

Fig. 1 The general workflow of assessing tropical cyclone disasters risk based on the Bayesian network model

首先基于自然灾害风险理论, 综合分析考虑致灾因子危险性、孕灾环境敏感性和承灾体脆弱性3方面的各项风险指标, 构建热带气旋灾害风险评估指标体系。然后将各风险指标数据导入到GIS中建立灾害数据库并进行数据处理。利用处理好的指标数据进行贝叶斯网络模型的结构学习和参数学习, 完成评估模型的训练构建。最后应用训练好的模型进行风险评估与风险区划, 检验模型性能。

3 评估模型构建与试验

3.1 风险指标分析

在进行热带气旋灾害风险评估时, 不同研究都是因地制宜, 选取合理有效的风险评估指标, 没有一个统一的标准。如表1所示, 本研究通过调研阅读大量文献(Zhang et al, 2017; Hoque et al, 2017, 2019; Sajjad et al, 2020; 王洁 等, 2021; 潘金兰 等, 2021; Zhou et al, 2021), 基于风险理论, 在致灾因子危险性、孕灾环境敏感性、承灾体脆弱性3个风险组成成分下选取12个风险评估指标。其中, 致灾因子危险性表示引发热带气旋灾害的致灾因子的频率、强度、持续时间等特征(陈香, 2007)。热带气旋灾害的危险程度由它自身性质和其带来的大风和降水所衡量, 在本研究中选取热带气旋灾害的频率、影响持续时间、中心压强以及大风和降水来表征灾害危险性。频率越高、中心压强越小、影响持续时间越长、风速和降水量越大, 热带气旋的危害性越大。孕灾环境敏感性是元素对环境变化的敏感性或社区和环境可能受特定灾害影响的程度(黎鑫 等, 2012)。本研究选取了5个环境脆弱性指标, 包括高程、坡度、海岸线接近距离、土地利用覆盖率、归一化植被指数。地形高程、坡度、土地利用覆盖率、归一化植被指数是衡量环境敏感性的重要指标。较小的地形高程值、较小的坡度和较低的植被覆盖率更容易遭受热带气旋灾害的影响。此外, 距离海岸线越近, 可能受到热带气旋灾害的影响越大。承灾体脆弱性代表灾害对风险承担主体的危害可能性(李超超 等, 2020)。风险承担主体一般是人类及其社会经济活动, 因此选取GDP和人口密度作为脆弱性指标。GDP在某种意义上可以代表一个地区的社会经济水平, 经济水平越高, 灾害造成的损失也就越高。人口越密集的地区, 受灾人口数就越多。
表1 热带气旋灾害风险评估指标

Tab. 1 Tropical cyclone hazard risk indicators

风险组成成分 风险指标
致灾因子危险性 最小中心压强
频率
影响持续时间
降水
风速
孕灾环境敏感性 高程
坡度
土里利用覆盖率
归一化植被指数
海岸线接近距离
承灾体脆弱性 地方生产总值(GDP)
人口密度
此外, 我们还需要对评估对象进行量化表达。本研究的评估对象是热带气旋灾害综合风险, 在目前几乎所有以风险等级作为模型输出的研究中, 都采用直接经济损失来量化风险等级, 因此本研究也沿用这种方法。

3.2 数据处理

由于各风险指标数据来源复杂多样, 首先需要对原始数据进行规则化处理。将收集到的资料导入到GIS中, 建立灾害风险指标数据库。对各指标数据进行相应的掩膜提取、坡度分析、距离分析、投影、插值、裁剪等操作。其中由于各指标数据的空间分辨率不同, 我们将所有的数据重采样至10km, 把研究区域划分为4041个10km×10km的单元格, 因此所有栅格数据均具有相同的坐标系统和像元大小, 便于贝叶斯网络的结构和参数学习。检查处理好的栅格数据, 发现不同指标间的数据量级相差较大。为消除不同指标间维度的影响, 将所有的指标按照公式(1)和公式(2)进行归一化处理。
$X=\frac{x-{{x}_{\min }}}{{{x}_{\max }}-{{x}_{\min }}}$
$X=\frac{{{x}_{\max }}-x}{{{x}_{\max }}-{{x}_{\min }}}$
式中: $X$是归一化值, ${{x}_{\max }}$和${{x}_{\min }}$分别表示处理指标数据的最大值和最小值, x表示处理指标数据值。根据指标性质的不同, 将指标分为正向指标[公式(1)]和负向指标[公式(2)]。正向指标的数值越大, 负向指标的数值越小, 灾害越严重。
目前贝叶斯网络更适合使用离散数据进行学习建模, 所以在建模之前我们需要将指标数据离散化, 用离散化的数值来代表指标节点的不同状态。我们采用等区间划分法对指标数据进行离散化, 离散区间为0.2, 将指标节点划分为五个状态: 极低、低、中、高、极高, 分别用0、1、2、3、4表示。表2显示了离散后的指标数据。对4041个样本数据随机划分训练集和测试集, 测试集占比为5% (203条数据)。
表2 离散指标数据

Tab. 2 Discrete indicator data

划分的区域单元格 1 2 3 4 …… 4039 4040 4041
最小中心压强 1 1 1 2 …… 4 4 4
频率 1 1 1 0 …… 4 4 4
影响持续时间 0 0 0 0 …… 2 4 4
降水 4 4 4 4 …… 0 0 0
风速 2 2 2 2 …… 2 1 2
高程 3 4 3 4 …… 3 3 3
坡度 4 4 3 4 …… 3 3 3
土地利用覆盖率 1 3 4 4 …… 3 4 0
归一化植被指数 2 0 2 3 …… 1 1 1
海岸线接近距离 2 2 2 3 …… 4 4 4
GDP 4 4 4 4 …… 4 4 4
人口密度 0 0 0 0 …… 0 0 0
热带气旋灾害风险 3 3 3 3 …… 2 2 2

3.3 贝叶斯网络结构学习

贝叶斯网络结构学习表示构建网络的拓扑结构, 即各节点间相互影响的关系, 学习方式包括主观学习和客观学习(Colace et al, 2014)。主观学习是根据专家知识构建网络模型, 主观性较大, 模型合理性存在质疑。客观学习是从客观数据集中自动学习网络结构, 并结合先验知识, 不断更新调整, 找到最优网络拓扑结构(李明 等, 2018b)。灾害风险评估是一种主体性活动, 由主体基于先验定性知识选择相关指标与方法实施进行(周华任 等, 2015)。对于热带气旋灾害, 受到气象海洋、人文地理、社会经济等各方面因素的影响, 这些影响因素存在大量的观测数据和统计数据, 因此在评估过程中应将定性的先验知识与定量的客观数据相结合, 使评估更合理。
基于上述分析, 本研究采用两段式建模法进行贝叶斯网络模型结构构建。首先基于先验知识构建初始网络结构(图2), 然后利用客观数据和机器学习的方法对初始网络结构修正。目前利用机器学习从客观数据中学习贝叶斯网络结构的方法主要有两种: 基于评分搜索和依赖分析的方法。评分搜索的基本思想是选择合适的搜索策略, 遍历所有可能的结构, 用合适的评分函数去衡量各个结构, 进而确定最优拓扑结构。基于依赖分析的方法利用统计或信息论的方法定量分析变量间的依赖关系, 获取最优表达关系的网络结构(Cao, 2014)。一般情况下, 当数据规模较大时, 需要进行的条件独立性测试将达到指数级数量, 因此不适合用于我们的研究。我们选择基于评分搜索方法中的爬山搜索算法和K2评分函数来修正网络结构。爬山搜索算法有3种搜索算子: 加边、减边和转边, 通过这3个搜索算子对当前网络进行修改, 得到一系列候选网络结构。然后利用K2评分函数计算每个候选网络结构的评分, 选出最优网络结构。本研究借助python中的pgmpy工具包进行贝叶斯网络结构建立与修正。
图2 基于先验知识构建的贝叶斯网络初始结构图

Fig. 2 Initial structure diagram of the Bayesian network based on prior knowledge

从东南沿海三省1980—2016年热带气旋灾害历史数据中学习修正得到的贝叶斯网络结构如图3所示。从网络结构图中我们可以清楚地发现各灾害影响因子间的联系关系。不同于传统层级分明的指标体系, 各风险指标不再只对所属的风险组成成分存在贡献和影响, 它们之间相互关联融合, 互为影响, 不同风险指标间存在直接或间接的联系。模型以网络的形式将这种复杂不确定性的关系完整清晰地展示出来。
图3 基于客观数据修正后的贝叶斯网络结构图

Fig. 3 Modified Bayesian network structure based on objective data

3.4 贝叶斯网络参数学习

网络结构构建完成后, 我们继续利用样本数据进行参数学习, 也就是学习得到各指标节点的先验概率或条件概率。完备数据下的参数学习算法主要包括贝叶斯估计算法(maximum a posteriori estimation, MAP)和最大似然估计算法(maximum likelihood estimation, MLE)。后者通常适用于较大数据量的运算, 因此我们使用MLE算法。MLE是基于传统的统计分析思想, 根据数据样本与参数的似然程度来进行参数估计(Wang et al, 2012)。假设给定一个概率分布$D$, 其概率聚集函数为${{f}_{D}}$, 分布参数为$\theta $, 则从这个分布中抽出一个具有$n$个值的采样${{X}_{1}},{{X}_{2,}},\cdots,{{X}_{n}}$的概率为${{f}_{D}}({{x}_{1}},{{x}_{2}},\cdots,{{x}_{n}}|\theta )$, 参数的最大似然估计便是使得这个概率最大值时的$\theta *$, 计算公式(3)如下:
$\theta *=\arg {{\max }_{\theta }}{{f}_{D}}({{x}_{1}},{{x}_{2}},\cdots,{{x}_{n}}|\theta )$
式中: $\theta *$为所要求的参数的最大似然估计值。
参数学习确定各风险指标的条件概率分布, 每个网络节点都有各自的条件概率分布表, 它以概率的形式定量地表达了与其他指标节点间的因果关系。如表3所示, 显示了指标节点降水和灾害风险的条件概率分布表, 从表中我们可以清楚地看到降水各等级与灾害风险各等级之间的定量因果关系。降水与灾害风险总体呈正相关性关系, 降水量的增大导致更高的灾害风险, 这也符合我们常规的认知。
表3 指标节点降水和灾害风险等级的条件概率分布表

Tab. 3 Conditional probability distribution P(Risk|Precipitation) of node precipitation

降水等级 灾害风险等级
0 1 2 3 4
0 0.0206 0.0995 0.0443 0.0198 0.0000
1 0.1777 0.0357 0.0521 0.0555 0.0201
2 0.0985 0.0636 0.0404 0.0047 0.0573
3 0.0073 0.0675 0.0010 0.0177 0.0417
4 0.0000 0.0000 0.0000 0.0443 0.0307

3.5 贝叶斯网络推理预测

基于完成结构学习和参数学习的网络模型, 输入已知指标节点的数据, 通过概率推理得到评估目标的后验概率分布。根据推理精确性的差异, 贝叶斯网络推理算法分为精确推理和近似推理。精确推理算法计算出目标变量的边际分布或条件分布的精确值, 适用于网络规模较小时的预测推理。我们的网络规模较小, 只有13个网络节点, 因此我们选用精确推算法下的联结树推理算法。输入测试样本数据, 计算目标节点的后验概率分布, 取概率最大的状态节点作为灾害风险等级, 与实际灾害风险等级对比, 来验证模型的性能和表现。

3.6 模型性能检验

泛化能力是机器学习中广为人知的概念。它是指机器学习算法对新样本的适应能力, 网络模型的性能主要用它来衡量。为检验我们训练得到的模型的泛化能力, 使用2017—2021年的热带气旋灾害数据作为测试样本进行检验。此外, 我们还统计各风险等级的预测单元格数, 与实际灾情单元格数进行比较, 根据公式(4)计算模型的相对误差, 利用相对误差进一步分析模型的预测能力。
$\operatorname{Re}=\frac{\left| {{y}_{\text{pre}}}-{{y}_{\text{act}}} \right|}{{{y}_{\text{act}}}}\times 100%$
式中: $\text{Re}$是相对误差, ${{y}_{\text{pre}}}$是模型预测的风险等级单元格数, ${{y}_{\text{act}}}$是实际灾情风险等级单元格数。

4 评估结果与分析讨论

4.1 东南沿海三省1980—2016年热带气旋灾害风险评估结果

在完成结构学习和参数学习后, 一个初步的热带气旋灾害风险评估模型已经建立了起来。输入1980—2016年测试集数据, 得到划分单元格灾害风险各状态节点的后验概率分布(表4), 后验概率分布清楚地显示了灾害风险各状态的概率大小, 展现出了热带气旋灾害的复杂不确定性。选取最大概率状态节点为评估灾害风险等级, 与实际灾害风险等级对比, 发现模型的评估准确率高达87.68%, 这表明我们所构建的模型非常适用于热带气旋灾害风险评估。
表4 测试集样本后验概率分布和风险等级

Tab. 4 Posterior probability distribution and risk level of tropical cyclone disasters

测试集样本 0 1 2 3 4 评估
风险等级		 实际
风险等级
1 0 0 0 0.811148 0.188852 3 4
2 0.844427 0.155573 0 0 0 0 0
3 0.862136 0.137864 0 0 0 0 0
4 0 0 0 0 1 4 4
⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮
201 0 0 0.029417 0.970583 0 3 3
202 1 0 0 0 0 0 0
203 1 0 0 0 0 0 0

注: 加粗数字代表最大概率状态节点

4.2 基于2017—2021年热带气旋灾害数据的风险评估模型预测检验

上述所构建的模型是基于1980—2016年的热带气旋灾害样本数据进行训练得到的, 为检验模型的普遍适用性, 我们将2017—2021年的热带气旋灾害数据作为新样本输入模型中进行风险评估检验。对2017—2021年的热带气旋灾害数据按照和处理1980—2016年数据相同的方式进行处理, 然后将各风险指标数据输入模型中进行评估预测。结果表明模型的准确率有所下降, 但仍高达80.75%。这是因为模型是从1980—2016年的样本数据中学习训练的, 没有捕捉新样本(2017—2021年灾害数据)的内在规则。但高达80.75%的准确率表明我们所构建的模型是具有普遍适用性的, 可以将其用于热带气旋灾害风险评估。此外, 我们还统计各状态节点的预测单元格数, 与实际灾情网格单元数进行比较, 用相对误差来检验模型对各状态节点的预测情况, 统计结果如表5所示。
表5 各风险状态的预测和实际单元格数

Tab. 5 Predicted and actual number of cells for each risk state

风险等级 0 1 2 3 4
模型预测风险等级 1055 1424 951 556 55
实际风险等级 826 1313 1168 666 68
相对误差/% 27.72 8.45 18.58 16.52 19.12
通过比较各风险等级的相对误差, 发现模型对极低风险(0)的预测相对误差较高, 达到了27.72%; 而对低风险(风险等级1)的预测相对误差较低, 只有8.45%。其他3个风险等级的相对误差分别为18.58%、16.52%和19.12%。另外我们还发现, 模型对较低风险和低风险的预测单元格数比实际多, 但中风险、高风险和极高风险的预测单元格数都比实际少, 这表明我们的模型整体上对灾害风险等级的预测偏低。
为更加清晰直观地展示模型对热带气旋灾害风险的评估预测能力, 将模型的预测输出绘制成灾害风险等级图(图4), 并与实际灾害风险等级图(图5)进行对比。从图4中可以明显地看出, 模型预测得到的东南沿海三省热带气旋灾害风险等级总体分布趋势与实际分布具有很好的一致性, 可以较好地反映出东南沿海三省热带气旋灾害的风险等级情况。但同时也可以明显地看出模型的风险总体预测值偏低, 我们将3个较为明显偏低的区域(区域1、区域2、区域3)在图4和图5中进行了标绘。区域1位于广东省的湛江市, 历来是热带气旋的高发地, 灾害损失等级相对较高(张悦 等, 2017; Zhou et al, 2021), 但模型在该区域的预测风险等级明显偏低, 实际风险等级为极高风险(风险等级4), 大多数预测为高风险(风险等级3)。区域2包括广东省阳江市和江门市的部分沿海地区, 实际高风险(风险等级3)预测为中风险(风险等级2)。区域3主要为福建省南平市, 预测得到的中风险(风险等级2)地区面积明显减小, 低风险(风险等级1)地区面积增多。
图4 模型预测的2017—2021年中国东南沿海三省热带气旋灾害风险分布

Fig. 4 Tropical cyclone disaster risk distribution predicted by model

图5 2017—2021年中国东南沿海三省实际热带气旋灾害风险分布

Fig. 5 Real tropical cyclone disaster risk distribution

该图基于国家测绘地理信息局标准地图服务网站下载的审图号为GS(2021)5447的标准地图制作, 底图无修改。图中红色框线框出的区域为模型预测风险等级和实际风险等级存在明显差异的区域该图基于国家测绘地理信息局标准地图服务网站下载的审图号为GS(2021)5447的标准地图制作, 底图无修改。图中红色框线框出的区域为模型预测风险等级和实际风险等级存在明显差异的区域
探究造成此差异的原因, 初步分析总结为以下两点: 1) 与收集到的灾害损失数据的不精确性有关。本文使用的灾害损失数据来源于中国气象局热带气旋资料中心的《热带气旋年鉴》和研究区各省(区、市)的统计年鉴, 而早些年的灾情数据由于技术水平问题, 统计记录不完整, 有些发生灾情的地方灾害损失未能得到统计, 灾害损失比实际偏低, 从而导致在相同的灾害发生条件下(致灾因子危险性、孕灾环境敏感性、承灾体脆弱性一致), 模型对未来灾害风险等级的评估预测偏低。2) 本研究通过插值方法得到每个区域单元格的数据, 这会部分丢失数据的准确性。尽管模型存在一定误差, 但总的来说, 本文所构建的模型预测准确率已达到较高水平, 并能很好地契合实际灾害风险的空间分布。此外, 相比于以往普遍使用的指标体系法不同, 用贝叶斯网络方法构建的风险评估模型可以从大量历史数据中学习得到各影响因素间的影响关系, 并以概率的形式预测评估热带气旋灾害风险等级。这不仅有效地描述刻画出了热带气旋灾害的复杂性和不确定性, 还定量地将灾害风险等级与灾害损失联系起来, 有效降低了评估的主观性和不确定性, 为热带气旋灾害风险评估提供了新方法与新途径。

4.3 台风个例评估与检验

为进一步探究评估模型对单个热带气旋灾害的评估能力, 我们选取一次典型的登陆台风个例——“莫兰蒂”台风进行灾害风险评估与检验。
2016年第14号超强台风“莫兰蒂”于9月10日14时(世界时, 下同)在西北太平洋洋面上生成, 12日2时加强为台风; 13日晚间加强至巅峰强度, 最大风力达70m·s-1; 15日凌晨以超强台风级别在我国福建省厦门市登陆, 登陆时中心最大风力52m·s-1; 15日17时减弱为热带低压, 16日在我国黄海海域消散(朱婧 等, 2020)。“莫兰蒂”台风给我国东南沿海三省带来了巨大的影响, 特别是福建、浙江两省受灾损失严重, 共有304.32万人受灾, 因灾死亡28人、失踪15人, 直接经济损失高达210.73亿元(中国新闻网, 2016)。由于“莫兰蒂”台风具有强度大、灾损严重、影响范围覆盖东南沿海三省的特点, 所以本研究选择它作为台风灾害个例进行风险评估与分析。根据其在东南沿海三省登陆及消亡的时间, 我们选取15日0时—17日0时为台风灾害影响时段, 共计48h。
前文3.3中构造的风险评估模型基于多年的历史灾害数据, 对我国东南沿海三省的历史热带气旋灾害进行综合风险评估, 在致灾因子危险性方面考虑了5个风险指标: 热带气旋频率、最小中心压强、影响持续时间、降水和风速。若要将该模型应用于热带气旋灾害个例, 热带气旋频率和影响持续时间这两个风险指标将不再适用。我们去除这两个风险指标, 再利用1980—2016年的历史灾害数据进行评估模型训练。然后基于训练好的模型, 输入台风“莫兰蒂”的各风险指标数据, 得到灾害风险评估结果, 将评估结果与实际灾情结果进行对比, 检验模型对热带气旋灾害个例风险的评估能力。
训练得到的贝叶斯网络结构如图6所示。由于致灾因子风险指标的减少, 导致从客观数据中学习得到的贝叶斯网络结构的指标节点和有向边有所减少, 但对比前面学习得到的网络结构(图3)发现, 有向边集合中除了与减少的指标节点相联系的部分, 其他均未改变。
图6 台风“莫兰蒂”灾害风险评估贝叶斯网络结构图

Fig. 6 Bayesian network structure of Super Typhoon Meranti disaster risk assessment

基于GIS平台得到台风“莫兰蒂”致灾因子各风险指标空间分布图(图7)和灾害风险等级分布图(图8)。评估结果显示, 福建和浙江两省的整体灾害风险等级比广东省高, 福建省的风险等级主要为中风险(风险等级2)和极高风险(风险等级4), 浙江省的风险等级主要为中风险(风险等级2)和高风险(风险等级3), 而广东省则主要为极低风险(风险等级0)和低风险(风险等级1)。其中, 福建省的厦门市、漳州市以及泉州市和宁德市的部分区域为极高风险等级(风险等级4), 浙江省的温州市、台州市、丽水市、金华市和衢州市大部分区域为高风险等级(风险等级3)。这些地区大都受到“莫兰蒂”台风的正面袭击, 遭受的风雨强度比较大。从过程总降水量和日平均风速分布图也可以看出, 这些地区的降水量和风速都相对较大, 与灾害风险分布具有较好的一致性。
图7 台风“莫兰蒂”致灾因子危险性各指标空间分布图

a. 过程总降水量分布图; b. 日平均分速分布图; c. 最小中心压强分布图。该图基于国家测绘地理信息局标准地图服务网站下载的审图号为GS(2021)5447号的标准地图制作, 底图无修改

Fig. 7 Spatial distribution of hazard risk indicators.

(a) Distribution map of process total precipitation; (b) Distribution map of daily average wind speed; (c) Distribution map of minimum central pressure

图8 台风“莫兰蒂”灾害风险等级分布图

该图基于国家测绘地理信息局标准地图服务网站下载的审图号为GS(2021)5447的标准地图制作, 底图无修改

Fig. 8 Risk level distribution of the Super Typhoon Meranti disaster

中国新闻网在2016年9月18日7时发布的新闻中写道: 中新社北京9月17日电(陈溯)记者17日从中国国家防汛抗旱总指挥部办公室(以下简称“国家防总”)获悉, 台风“莫兰蒂”使福建、浙江两省受灾损失较重, 两省共304.32万人受灾, 因灾死亡28人、失踪15人, 直接经济损失210.73亿元(人民币, 下同)。截至17日8时, 福建省因灾死亡18人、失踪11人, 直接经济损失169亿元; 浙江省因灾死亡10人、失踪4人, 直接经济损失41.73亿元。其他省市暂无人员伤亡和灾情报告(中国新闻网, 2016)。国家减灾委、民政部在2016年9月16日9时发布的应急工作报告中指出: 据福建省民政厅报告, 截至16日7时, 台风共造成9个设区市及平潭综合实验区79个县(市、区) 70.4万人受灾, 因灾死亡7人, 失踪9人, 紧急转移安置33.1万人, 房屋倒塌1600余间, 不同程度损坏1.2万间, 农作物受灾面积22.2×103公顷, 绝收1.2×103公顷, 直接经济损失16.6亿元。其中, 厦门、漳州、泉州、宁德4个设区市灾情相对较重(民政部门户网站, 2016)。上述灾情报告和本文灾害风险评估模型评估出的“莫兰蒂”台风灾害高风 险和极高风险区域基本一致, 可见我们的模型对于个例热带气旋灾害风险评估也具有较好的适用性。

5 总结

本研究针对热带气旋灾害的复杂性和不确定性, 结合贝叶斯网络方法和GIS技术提出了一个新的热带气旋灾害风险评估模型。基于1980—2016年的历史灾害数据进行模型训练, 然后利用2017—2021年的灾害数据对模型预测能力进行检验, 结果表明模型评估预测的灾害风险等级空间分布趋势与实际一致, 准确率高达80.75%。模型评估预测的极低、低、中、高和极高风险的相对误差分别为27.72%、8.45%、18.58%、16.52%和19.12%, 虽然在各风险等级的预测上存在部分偏差, 但评估预测的热带气旋灾害风险在空间分布上与实际风险十分一致, 说明该模型具有较好的评估预测能力。此外, 应用于台风“莫兰蒂”的灾害风险评估结果也表明, 模型对于热带气旋灾害个例的风险评估也具有较好的适用性。
本研究提出来的模型不同于以往研究确定性地计算得到风险指数, 它不仅很好地描述了热带气旋灾害的复杂性和不确定性, 还将各影响因子间的潜在不确定性关系以网络的形式清晰地展示出来, 并以概率的形式量化相互影响的程度, 为决策者分析灾害风险的不确定性关系、做出合理决策提供了良好支撑。当然, 本研究还有许多地方需要改进完善: 1) 可以考虑更多的热带气旋灾害风险指标, 使评估模型对风险的刻画描述更为准确细致; 2) 不再单一地使用直接经济损失来量化灾害风险, 而是综合考虑间接经济损失、死亡及受灾人口数量等各方面的灾情损失数据, 使得灾害风险的量化更为合理。此外, 数据的准确性是影响模型性能的一大重要因素, 本文的灾害数据尤其是灾情数据在时空分辨率上还较为粗略, 下一步应大力收集更为全面精细的灾害数据, 从而进一步提高模型的分辨率和准确性。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
包文轩, 宫阿都, 徐澯, 等, 2023. 基于区域灾害系统论的广东省台风灾害风险评估——以“山竹”台风为例[J]. 北京师范大学学报(自然科学版), 59(1): 94-103.

BAO WENXUAN, GONG A’DU, XU CAN, et al, 2023. Guangdong Province typhoon disaster risk assessment based on regional disaster system theory - Illustrated by the case of “Mangkhut” Typhoon[J]. Journal of Beijing Normal University (Natural Science), 59(1): 94-103 (in Chinese with English abstract).

[2]
陈楷俊, 陈艺仪, 陈菁, 2019. 近30年粤东地区台风灾害风险评估与分析[J]. 水土保持研究, 26(3): 362-366, 372.

CHEN KAIJUN, CHEN YIYI, CHEN JING, 2019. Risk assessment and analysis of typhoon disaster in east Guangdong in the period 1989—2017[J]. Research of Soil and Water Conservation, 26(3): 362-366, 372 (in Chinese with English abstract).

[3]
陈香, 2007. 福建省台风灾害时空变化分析[J]. 灾害学, 22(4): 66-70.

CHEN XIANG, 2007. Analysis of temporal and spatial changes of typhoon in Fujian Province[J]. Journal of Catastrophology, 22(4): 66-70 (in Chinese with English abstract).

[4]
高歌, 黄大鹏, 赵珊珊, 2019. 基于信息扩散方法的中国台风灾害年月尺度风险评估[J]. 气象, 45(11): 1600-1610.

GAO GE, HUANG DAPENG, ZHAO SHANSHAN, 2019. Annual and monthly risk assessment of typhoon disasters in China based on the information diffusion method[J]. Meteorological Monthly, 45(11): 1600-1610 (in Chinese with English abstract).

[5]
黎鑫, 洪梅, 王博, 等, 2012. 南海-印度洋海域海洋安全灾害评估与风险区划[J]. 热带海洋学报, 31(6): 121-127.

LI XIN, HONG MEI, WANG BO, et al, 2012. Disaster assessment and risk zoning concerning the South China Sea and Indian Ocean safety[J]. Journal of Tropical Oceanography, 31(6): 121-127 (in Chinese with English abstract).

DOI

[6]
李超超, 田军仓, 申若竹, 2020. 洪涝灾害风险评估研究进展[J]. 灾害学, 35(3): 131-136.

LI CHAOCHAO, TIAN JUNCANG, SHEN RUOZHU, 2020. Review on assessment of Flood and Waterlogging Risk[J]. Journal of Catastrophology, 35(3): 131-136 (in Chinese with English abstract).

[7]
李明, 张韧, 洪梅, 2018a. 基于加权贝叶斯网络的海洋灾害风险评估[J]. 海洋通报, 37(2): 121-128.

LI MING, ZHANG REN, HONG MEI, 2018. Marine disaster risk assessment based on weighted Bayesian Network[J]. Marine Science Bulletin, 37(2): 121-128 (in Chinese with English abstract).

[8]
李明, 张韧, 洪梅, 等, 2018b. 基于信息流改进的贝叶斯网络结构学习算法[J]. 系统工程与电子技术, 40(6): 1385-1390.

LI MING, ZHANG REN, HONG MEI, et al, 2018. Improved structure learning algorithm of Bayesian network based on information flow[J]. Systems Engineering and Electronics, 40(6): 1385-1390 (in Chinese with English abstract).

DOI

[9]
刘合香, 卢耀健, 王萌, 等, 2020. 基于信息扩散技术的华南极端台风灾害风险评估[J]. 热带海洋学报, 39(3): 31-41.

DOI

LIU HEXANG, LU YAOJIAN, WANG MENG, et al, 2020. Risk assessment of extreme typhoon disasters based on information diffusion technology[J]. Journal of Tropical Oceanography, 39(3): 31-41 (in Chinese with English abstract).

DOI

[10]
民政部门户网站, 2022.06.17. 国家减灾委、民政部紧急启动国家Ⅳ级救灾应急响应协助福建省做好“莫兰蒂”台风灾害救灾工作[EB/OL]. [2016-09-16]. http://www.ndrcc.org.cn/yjgz/10466.jhtml (in Chinese).

[11]
潘金兰, 徐庆娟, 刘合香, 2021. 基于AHP-TOPSIS最优组合赋权的台风灾害风险评估[J]. 南宁师范大学学报(自然科学版), 38(1): 60-67.

PAN JINLAN, XU QINGJUAN, LIU HEXIANG, 2021. Risk assessment of typhoon disaster in South China based on optimal combination weights of AHP-anti-entropy-TOPSIS[J]. Journal of Nanning Normal University (Natural Science Edition), 38(1): 60-67 (in Chinese with English abstract).

[12]
申怀飞, 杨清洁, 魏亿鑫, 等, 2020. 基于GIS的湖南省滑坡灾害风险和损失评估[J]. 水土保持通报, 40(6): 146-152, 329.

SHEN HUAIFEI, YANG QINGJIE, WEI YIXIN, et al, 2020. A study on risk and vulnerability assessment of landslide in Hunan Province based on GIS[J]. Bulletin of Soil and Water Conservation, 40(6): 146-152, 329 (in Chinese with English abstract).

[13]
汤国安, 2019. 地理信息系统教程(第二版)[M]. 北京: 高等教育出版社.

TANG GUO’AN, 2019. Geographic information system tutorial (Second Edition)[M]. Beijing: Higher Education Press (in Chinese).

[14]
王洁, 杨奕杰, 王杰, 等, 2021. 基于近20a历史数据的中国沿海城市台风灾害风险评估[J]. 海洋预报, 38(5): 24-30.

WANG JIE, YANG YIJIE, WANG JIE, et al, 2021. Typhoon disaster risk assessment of coastal cities in China based on historical data over the past 20 years[J]. Marine Forecasts, 38(5): 24-30 (in Chinese with English abstract).

[15]
王伟, 金贤锋, 2020. 面向国土空间规划的测绘地理信息技术及数据成果服务应用展望[J]. 测绘通报, 12: 58-64.

WANG WEI, JIN XIANFENG, 2020. Application of surveying and mapping geographical information technology and data achievement service for territorial and spatial planning[J]. Bulletin of Surveying and Mapping, 12: 58-64 (in Chinese with English abstract).

[16]
温家洪, 黄蕙, 陈珂, 等, 2012. 基于社区的台风灾害概率风险评估——以上海市杨浦区富禄里居委地区为例[J]. 地理科学, 32(3): 348-355.

DOI

WEN JIAHONG, HUANG HUI, CHEN KE, et al, 2012. Probabilistic Community-based typhoon disaster risk assessment: A case of fululi community, Shanghai[J]. Scientia Geographica Sinica, 32(3): 348-355 (in Chinese with English abstract).

[17]
吴斌, 钱业, 王瑞芳, 等, 2021. 全球气候模式对影响西北太平洋台风强度的大尺度环境因子的模拟评估[J]. 干旱气象, 39(3): 466-479.

WU BIN, QIAN YE, WANG RUIFANG, et al, 2021. Assessment of large scale environmental factors affecting typhoon intensity in Northwest Pacific Simulated by global climate models[J]. Journal of Arid Meteorology, 39(3): 466-479 (in Chinese with English abstract).

[18]
徐庆娟, 潘金兰, 刘合香, 2020. 基于云模型—风险矩阵的华南台风灾害综合等级评估[J]. 气象与减灾研究, 43(3): 161-169.

XU QINGJUAN, PAN JINLAN, LIU HEXIANG, 2020. Comprehensive grade assessment of typhoon disaster in South China based on cloud Model-Risk Matrix[J]. Meteorology and Disaster Reduction Research, 43(3): 161-169 (in Chinese with English abstract).

[19]
于小兵, 俞显瑞, 吉中会, 等, 2019. 基于信息扩散的东南沿海台风灾害风险评估[J]. 灾害学, 34(1): 73-77.

YU XIAOBING, YU XIANRUI, JI ZHONGHUI, et al, 2019. Risk assessment of typhoon disaster in China’s South-East Coastal Areas -Based on information diffusion theory[J]. Journal of Catastrophology, 34(1): 73-77 (in Chinese with English abstract).

[20]
张悦, 李珊珊, 陈灏, 等, 2017. 广东省台风灾害风险综合评估[J]. 热带气象学报, 2017, 33(2): 281-288.

ZHANG YUE, LI SHANSHAN, CHEN HAO, et al, 2017. Evaluation of typhoon disaster risk in Guangdong province[J]. Journal of Tropical Meteorology, 33(2): 281-288 (in Chinese with English abstract).

[21]
周华任, 张晟, 穆松, 等, 2015. 综合评价方法及其军事应用[M]. 北京: 清华大学出版社.

ZHOU HUAREN, ZHANG SHENG, MU SONG, et al, 2015. Comprehensive evaluation method and its military[M]. Beijing: Tsinghua University Press (in Chinese).

[22]
朱婧, 陆逸, 李国平, 等, 2017. 基于县级分辨率的福建省台风灾害风险评估[J]. 灾害学, 32(3): 204-209.

ZHU JING, LU YI, LI GUOPING, et al, 2017. Risk assessment of typhoon disasters in Fujian Province of Each County[J]. Journal of Catastrophology, 32(3): 204-209 (in Chinese with English abstract)

[23]
朱婧, 叶龙彬, 陈德花, 等, 2020. 1614号台风“莫兰蒂”在厦门湾及其周边海域引发风暴潮的数值模拟[J]. 海洋预报, 37(6): 20-30.

ZHU JING, YE LONGBIN, CHEN DEHUA, et al, 2020. Numerical simulation of storm surge in Xiamen Bay and its adjacent seas caused by typhoon “Moranti” (1614)[J]. Marine Forecasts, 37(6): 20-30 (in Chinese with English abstract).

[24]
中国新闻网, 2022.06.17. “莫兰蒂”台风造成浙闽直接经济损失210.73亿元[EB/OL]. http://news.cri.cn/uc-eco/20160918/660ac9c9-c670-1ba3-a8a2-c93667984aab.html (in Chinese).

[25]
CAI LIN, LI YINGBING, CHEN MIN, et al, 2020. Tropical cyclone risk assessment for China at the provincial level based on clustering analysis[J]. Geomatics, Natural Hazards and Risk, 11(1): 869-886.

DOI

[26]
CAO YONG HUI, 2014. Study of four types of learning bayesian networks cases[J]. Applied Mathematics & Information Sciences, 8(1): 379-386.

[27]
CHEN XIAOYU, WU LIGUANG, ZHANG JIAOYAN, 2011. Increasing duration of tropical cyclones over China[J]. Geophysical Research Letters, 38(2): L0278.

[28]
CHOU JIEMING, DONG WENJIE, TU GANG, et al, 2020. Spatiotemporal distribution of landing tropical cyclones and disaster impact analysis in coastal China during 1990—2016[J]. Physics and Chemistry of the Earth, 115: 102830.

[29]
COLACE F, DE SANTO M, GRECO L, 2014. Learning bayesian network structure using a MultiExpert Approach[J]. International Journal of Software Engineering and Knowledge Engineering, 24(2): 269-284.

DOI

[30]
GAO ZHICHENG, WAN RONGJIN, YE QIAN, et al, 2020. Typhoon disaster risk assessment based on emergy theory: A case study of Zhuhai City, Guangdong Province, China[J]. Sustainability, 12(10): 4212.

DOI

[31]
HOQUE M A-A, PHINN S, ROELFSEMA C, 2017. A systematic review of tropical cyclone disaster management research using remote sensing and spatial analysis[J]. Ocean & Coastal Management, 146: 109-120.

[32]
HOQUE M A-A, PRADHAN B, AHMED N, et al, 2019. Tropical cyclone risk assessment using geospatial techniques for the eastern coastal region of Bangladesh[J]. Science of the Total Environment, 692: 10-22.

DOI

[33]
KIM J-M, SON K, KIM Y-J, 2019. Assessing regional typhoon risk of disaster management by clustering typhoon paths[J]. Environment Development and Sustainability, 21(5): 2083-2096.

DOI

[34]
KNAPP K R, KRUK M C, LEVINSON D H, et al, 2010. The international best track archive for climate stewardship (IBTrACS) Unifying Tropical Cyclone Data[J]. Bulletin of the American Meteorological Society, 2010, 91(3): 363-376.

DOI

[35]
LI MING, ZHANG REN, LIU KEFENG, 2021a. A new marine disaster assessment model combining bayesian network with information diffusion[J]. Journal of Marine Science and Engineering, 9(6): 640.

DOI

[36]
LI MING, ZHANG REN, LIU KEFENG, 2021b. Risk assessment of marine environments along the South China Sea and North Indian Ocean on the basis of a Weighted Bayesian Network[J]. Journal of Ocean University of China, 20(3): 521-531.

DOI

[37]
LI ZHUANG, HU SHENPING, GAO GUOPING, et al, 2021. Risk reasoning from factor correlation of maritime traffic under arctic sea ice status association with a bayesian belief network[J]. Sustainability, 13(1): 147.

DOI

[38]
LIU ZHANSHENG, JIAO YUEYUE, LI ANXIU, et al, 2021. Risk assessment of Urban Rail Transit PPP project construction based on bayesian network[J]. Sustainability, 13(20): 11507.

DOI

[39]
PANG SULIN, LI SHUHAN, HU XIAOFENG, 2020. Typhoon carrier disaster loss index models and application based on principal component analysis[J]. Journal of Coastal Research, 108(S1): 68-72.

[40]
PAUL S, GHEBREYESUS D, SHARIF H O, 2019. Brief communication: Analysis of the fatalities and Socio-Economic impacts caused by hurricane florence[J]. Geosciences, 9(2): 58.

DOI

[41]
PUOTINEN M L, 2007. Modelling the risk of cyclone wave damage to coral reefs using GIS: a case study of the Great Barrier Reef, 1969—2003[J]. International Journal of Geographical Information Science, 21(1): 97-120.

DOI

[42]
SAJJAD M, CHAN J C L, KANWAL S, 2020. Integrating spatial statistics tools for coastal risk management: A case-study of typhoon risk in the mainland of China[J]. Ocean & Coastal Management, 184: 105018.

[43]
WANG WEI, DING FENG, DAI JIYANG, 2012. Maximum likelihood least squares identification for systems with autoregressive moving average noise[J]. Applied Mathematical Modelling, 36(5): 1842-1853.

DOI

[44]
WU JIANSONG, HU ZHUQIANG, CHEN JINYUE, et al, 2018. Risk assessment of underground subway stations to fire disasters using Bayesian Network[J]. Sustainability, 10(10): 3810.

DOI

[45]
WU ZENING, SHEN YANXIA, WANG HUILIANG, et al, 2019. Assessing urban flood disaster risk using Bayesian network model and GIS applications[J]. Geomatics, Natural Hazards and Risk, 10(1): 2163-2184.

DOI

[46]
YU XIPING, NIU XIAOJING, ZHOU HAOJIE, 2016. Statistical law for tropical cyclone motion in the Northwest Pacific Ocean[J]. International Journal of Climatology, 36(4): 1700-1707.

DOI

[47]
ZHANG YONG, FAN GAOFENG, HE YUE, et al, 2017. Risk assessment of typhoon disaster for the Yangtze River Delta of China[J]. Geomatics, Natural Hazards and Risk, 8(2): 1580-1591.

DOI

[48]
ZHOU MINDAN, KUANG YAOQIU, RUAN ZHU, et al, 2021. Geospatial modeling of the tropical cyclone risk in the Guangdong Province, China[J]. Geomatics Natural Hazards & Risk, 12(1): 2931-2955.

Options
文章导航

/

〈 〉