對深圳市洪水災害的預測與研究

摘要本文綜合考慮深圳GDP值、深圳人口數、海平面上升、地質下沉這幾個因素，運用BP神經網絡、logistic和灰色模型，對深圳2023年和2050年可能因洪災遭受的損失情況進行了預測研究，由此得出的理論計算值和OCED組織預測的數據有較大差異，對其進行了較為合理的反駁?？紤]到OCED組織或者數據有待考證或者方法不當導致其預測的結果與深圳市實際的情況不相符合，本文使用的數據及預測方法與其不盡相同，但是數據的來源可靠〔深圳統(tǒng)計年鑒等〕，方法具有一般性〔統(tǒng)計學方法〕，故而也較為合理。其中建立Logistic模型利用歷年數據確定相應的系數和曲線方程預測出2023年及2050年的深圳GDP總值和人口數分別為2023年與2050年GDP值16687億元和17649億元，人口數值529.52萬人與3678.45萬人，并使用SPSS擬合出相應走勢圖像。海平面的上升情況運用灰色模型進行預測，從GM〔1.1〕模型出發(fā)，預測得到2023年和2050年的海平面高度分別為181.905毫米和449.925毫米。由于深圳GDP值、深圳人口數、海平面上升、地質下沉這幾個因素與洪災損失并沒有一個較為明顯的直接的函數關系或模型，考慮到BP神經網絡可以學習任意個看似毫無關系的變量間的關系，并依據該關系對2023及2050年深圳損失情況作出粗略估計。雖然不盡合理，但是比起OCED組織匪夷所思的將各個譬如地質沉降、海平面上升、防御水平等指標統(tǒng)一用經濟一個指標衡量的做法，采用BP神經網絡作出估計也算是情理之中。模型使用了三層拓撲結構，選取了logsig函數作為鼓勵函數，預測得到2023年與2050年的洪災經濟損失分別為3.7041億與3.8605億，占當年GDP的百分比分別為0.022%和0.0219%，與OCED報告中1.32%相距甚遠。由于影響地質下沉的因素較多，且大多無法查詢和估計，故我們根據已有的研究“廣東省地震構造圖集[8]〞，將其簡化為線性模型，預測的2023年和2050年地質下沉相對于2005年分別為23毫米和67毫米。本文假設洪災發(fā)生的機率保持不變，政府抗洪投入增長相對穩(wěn)定，針對本文得出的結論，也分別為人民和政府提出了些許建議，以供參考。關鍵字：洪災損失預測Logistic模型灰色模型BP神經網絡模型一問題重述與分析1.1問題的重述國外有研究報告將廣州預測為受洪災損失最重的城市，也將深圳列為洪災損失嚴重的城市。有關專家和專業(yè)人員認為該報告結論與事實存在出入，因而疑心其所用方法及支撐數據的正確性與準確性。問題一分析經濟合作與開展組織(OCED)研究報告中可能存在的問題，并基于我們建模分析對深圳2023和2050深圳可能遭受的洪災損失做出預測，同時比照評價我們的模型與研究報告所用模型的優(yōu)缺點。問題二基于研究結果，給普通百姓寫一份不超過一頁的建議書消除所謂“科學結論〞帶來的焦慮。問題三給深圳市政府寫一份不超過一頁的建議書，說明研究報告和述說我們的結果是怎樣得到的、可信度如何以及市政府應該做什么等(包括后續(xù)研究應該做些什么)。1.2問題的分析參考附件2中對深圳2023年和2050年的洪災損失進行預測考慮的因素，同樣選取海平面上升、地質沉降、GDP、人口增長作為研究要素，由于原報告中防護等級過于籠統(tǒng)，一來難以計算高防護水平可以防止的損失，二來低防護水平造成的損失難以定量，而且原報告中同樣做出政府防護措施投入增長保持穩(wěn)定的假設，因此本文也假設投入增長相對穩(wěn)定。洪災損失是一個復雜多變量預測的問題，我們通過對主要影響因素的篩選，可以簡化模型，也增加可靠性。我們假設重大洪災發(fā)生的概率和政府抗洪投入維持相對穩(wěn)定，由于現有的統(tǒng)計數據非常有限中長期預測會受到很多不確定因素的影響，所以只能得到統(tǒng)計意義上的預測結果。再者，地質沉降不連續(xù)，不單調，查閱資料顯示可以將其看做連續(xù)變化的時間序列，使用一次函數予以近似。最后，將預測好的各個變量使用BP神經網絡算法進行整合預測，預測出損失值，并據此為民眾及政府提出相應的建議。二根本假設深圳市相關防洪政策無重大調整；2050年前無重大經濟變革，經濟增長根本延續(xù)歷史規(guī)律；無巨大災變影響全球平均海平面高度；無造成經濟損失大幅度波動除洪水外的極端災難性氣候；深圳市未來對洪澇災害預防的投入情況與現在根本成比例；三符號說明符號含義N樣本總量X第k年南海海平面高度，k=1,2…nX第k年深圳市GDPX第k年地質沉降Y第k年深圳市洪災造成經濟損失W海平面高度累加序列w神經網絡每一層的權值四原理與模型4.1模型Ⅰ灰色模型4.1.1建模理論灰色預測〔GrayPrediction〕是一種對含有不確定因素的系統(tǒng)進行預測的方法。根據系統(tǒng)的普遍開展規(guī)律，將原始數據生成一組有較強規(guī)律性的數據序列，然后建立灰色微分方程，通過對數據序列的擬合，求得微分方程的系數，從而獲得灰色預測模型方程。由于海平面高度的變化規(guī)律本身是一個不確定的系統(tǒng)，在可利用數據較少、內部因素難以劃定的情況下，需要做長期預測，所以擬采用GM〔1.1〕模型來預測未來海平面高度。4.1.2灰色模型預測深圳2023年及2050年的海平面高度根據2003-2023年海平面高度〔注：論文中均指相對常年〕數據情況[詳見附件1]，運用優(yōu)化后的灰色模型理論，MATLAB語言編程預測出2023年及2050年的海平面高度如下表所示：[源程序見附件5]表4.12023年及2050年深圳海平面高度預測年份20232050高度〔mm〕181.905449.9254.1.3模型的建立與求解設2003為第一年，第k年的海平面高度記為X0(k)，那么有原始數據列原始數據累加以便弱化隨機序列的波動性和隨機性，得到新數據序列：W其中，W0W對W0dW0dt+aW0=u所以此時時間響應函數為W(3)對疊加數據復原X得到海平面高度的預測曲線：[源程序見附件4]/mm/mm圖4.1用GM(1.1)對深圳海平面高度預測由上預測，2024年海平面高度將超過450毫米，其取值過大。由此意識到GM〔1.1〕在長期預測中有局限性，據此進行了修正。4.1.4優(yōu)化模型GM〔1.1〕模型的時間響應函數，其形式可寫為W由于上式變化速度過快導致了海平面預測值增長速度偏大，故而選取較緩慢的二次函數右支作為鼓勵函數W〔1〕求解待定參數a，b，c令Y=[W0(1)A=1所以Y=A*U,得U=(用最小二乘法求得U〔2〕由于得到的是a，b，c的估值W0(t)是一個近似表達式〔對函數表達式W0(t)進行離散，做差復原得到X通過以上建立matlab程序求解[程序見附錄5]a=4.467(3.193,5.742)b=25.56(9.859,41.27)c=50.12(9.111,91.12)即W由此得到了海平面預測的擬合圖像：[源程序見附件6]圖4.2用改良后的灰色模型預測深圳海平面高度從而得到2023、2050年海平面預測高度分別為181.905mm和449.925mm.4.2模型Ⅱlogistic模型4.2.1建模理論觀察深圳GDP歷史數據[詳見附件2]，GDP的變化是非線性的，考慮到一個城市的GDP在一定的時間內會到達飽和，即GDP在一定程度上是滿足logistic曲線所描述的規(guī)律。故而用logistic模型對GDP做出預測。4.2.2用logistic模型預測深圳2023年及2050年的GDPlogistic曲線模型的根本形式為y=在此令y'=1yy下面用MATLAB進行回歸分析擬合計算[程序見附件7]得到值：a=5.666*b=0.09244其擬合圖像如下：[源程序見附件7]圖4.3深圳GDP的擬合曲線據此再對2023年及2050年的GDP進行預測如下表：表4.22023年及2050年深圳GDP預測年份20232050GDP值〔億元〕1668717649得出預測值為2023年深圳市GDP總值為16687億元，2050年深圳市GDP總值17649億元。用logistic模型預測深圳2023年及2050年的人口數人口數符合logistic曲線的增長規(guī)律，故用logistic曲線擬合擬合圖形及擬合方程：圖4.4：深圳人口數擬合曲線擬合出的方程為：y=所以預測2023年人口數為529.52萬人，2050年人口數為3678.45萬人，到達人口飽和值。表4.32023年及2050年深圳人口預測年份20232050人數〔萬人〕529.523678.454.3模型Ⅲ地質下沉線性模型地質下沉：假設排除大氣運動及一切人類活動所造成的影響，地面形變速率大約為1-2mm/a。由此可建立簡化模型：[8]y=-b*t+c〔b為下沉速度，c為常數〕圖4.5地質下沉預測圖表4.42023年及2050年地質下沉預測年份20232050地址下沉值〔mm〕23.2366.394.4模型Ⅳ神經網絡模型4.4.1建模理論BP神經網絡也稱為誤差反傳網絡。BP網絡具有容錯性好，樣本中的野點對網絡的奉獻有限，魯棒性也較強，廣泛用于語音識別、工業(yè)過程控制、貸款信用評估甚至股票預測等領域，且結果相對準確。BP網絡是目前最為成熟的人工神經網絡。BP網絡是通過誤差的反向傳播，不斷修正權值和閾值，從而使誤差到達或者接近理想的水平。誤差的減小通常采用的是負梯度下降法。BP網絡從本質上說是高精度的數值擬合，它的原理就是把鼓勵函數串聯起來，通過改變各個鼓勵函數的系數，到達誤差盡可能小的目的。4.4.2模型的建立與求解BP神經網絡的算法描述：(1)對每一層的權值wij初始化．網絡的權值一般在[O，1](2)對輸入數據的預處理，提供訓練樣本以及目標輸出．輸入訓練樣本：X=(X0(k),X1(k),(3)計算各層的輸出．對于第k層第i個神經元的輸出xiU(4)求各層的學習誤差dik,對于輸出層有d對于其他各層(5)修正權系數wij和閥值w(6)當求出了各層各個權系數之后，可按給定品質指標判別是否滿足要求．如果滿足要求，那么算法結束；如果未滿足要求，那么返回(3)執(zhí)行。BP神經網絡程序處理：為了使網絡有更大的泛化能力，沒有調用MATLAB的神經網絡工具箱，而是編寫了源程序。由于學習樣本數量少，品質較差，增大網絡的訓練次數，使之到達50000次，以便使神經網絡學習時間充裕。本實驗因為樣本數量比擬少，為了測試網絡的推測能力，測試階段使用了與訓練輸入樣本相同的數據，但對輸出樣本添加了噪聲，選取強度為0.01，防止了網絡的過度擬合。鼓勵函數選取logsig函數，為了使神經網絡有較好推測能力，使用了premnmx函數進行歸一化操作。本網絡結構采用如下列圖所示常規(guī)的三層網絡結構形式：圖4.6BP神經網絡示意圖上下層之間全連接，同一層的神經元之間無連接，輸入神經元與隱含層之間是網絡的權值，其意義是兩個神經元之間的連接強度。隱含層或輸出層任一神經元將前一層所有神經元傳來的信息進行整合，在整合過的信息中添加一個閾值，這主要是模仿生物學中神經元必須到達一定的閾值才會觸發(fā)的原理，然后將整合過的信息作為該層神經元輸入。當一對學習樣本提供應輸入神經元后，神經元的激活值〔該層神經元輸出值〕從輸入層經過隱含層向輸出層傳播，在輸出層的神經元獲得網絡的輸入響應，然后按照減少網絡輸出與數據輸出樣本之間誤差的方向，從輸出層反向經過隱含層回到輸入層，從而逐步修正各連接權值，這種算法稱為誤差反向傳播算法，即BP算法。隨著這種誤差逆向傳播修正的反復進行，網絡對輸入模式響應的正確率也不斷上升。BP算法的核心是數學中的“負梯度下降的〞理論，即BP網絡的誤差調整方向總是沿著誤差下降最快的方向進行，該三層BP網絡權值和閾值調整公式如下：ωωBB其中，E為網絡輸出與實際輸出樣本之間的誤差平方和；η為網絡的學習速率即權值調整幅度；ωij(t)為t時刻輸入層第i個神經元與隱含層第j個神經元的連接權值；ωij(t+1)為t+1時刻輸入層第i個神經元與隱含層第j個神經元的連接權值；ωjk(t)為t時刻隱含層第j個神經元與輸出層第k個神經元的連接權值；ωjk(t+1)為t+1時刻隱含層第j個神經元與輸出層第k個神經元的連接權值；B表4.5BP網絡的各參數取值一覽表序號BP網絡參數名稱源程序參數名稱參數取值1輸入維數InDIm42輸出維數OutDim13隱含層節(jié)點數HiddenUnitNum84訓練樣本容量SamNum195測試樣本容量TestSumNum196網絡學習速率lr0.0357網絡訓練次數MaxEpochs500008目標誤差E00.000065神經網絡最重要的因子是網絡拓撲結構的搭建和學習速率的取值大小。網絡結構決定網絡的推理能力。網絡結構有網絡的平面層數和神經元共同決定。網絡層數通常設置為三層。而神經元確實定目前沒有精確的理論指導，大多憑經驗決定，這里隱節(jié)點神經元選取為8.通過MATLAB實現對洪災損失的預測：[源程序見附件9]表4.62023年及2050年深圳洪災經濟損失預測年份20232050損失〔億〕3.70413.8605并得到了神經網絡MATLAB源程序生成的原始數據與仿真數據的比照圖：圖4.7神經網絡MATLAB源程序生成的原始數據與仿真數據的比照圖五模型的評價與分析1、灰色預測模型具有以下特點〔1〕數據量要求少；〔2〕較強的系統(tǒng)性和關聯性，它將海平面高度作為一個開展變化的系統(tǒng)，可對海平面高度態(tài)勢進行量化比擬分析，其能反映系統(tǒng)未知信息互相影響、互相制約的系統(tǒng)特征。2、Logistic模型從統(tǒng)計的角度來預測GDP，GDP變化符合Logistic函數，能夠較合理地得到預測值。3、洪災損失難以評估，影響因素復雜，參考OCED組織預測因素，故也采用海平面高度、地質沉降、GDP、人口數量建立BP神經網絡來預測洪災損失。其優(yōu)點在于〔1〕可以在沒有明確函數關系的前提下自己學習多個無關變量間復雜的函數關系并依此給出預測；〔2〕魯棒性強。BP神經網絡以其獨特的非線性、非凹性、自適應性和處理各種信息的能力，能夠幾乎不受偶然的較大誤差甚至錯誤的影響進行學習。其廣泛應用于數據的預測。圖5.1深圳海平面高度預測相對誤差圖5.2GDP相對誤差分析根據數據的誤差分析圖可以看出，預測數據的相對誤差比擬穩(wěn)定，數據可靠，模型可行。模型的缺點：采用BP神經網絡進行預測，有以下缺點：可用樣本數量太少，即便為了增加樣本數量引入了隨機誤差，但是輸入因素多，干擾多，關系復雜，這樣的數量仍然不充分。預測時間太久，導致預測結果準確性低，模型建立本就不完美，做長遠預測，必然準確性低。但是OCED組織在預測時也大量采用線性模型，其結果也不嚴謹，在這樣的條件，本方法也可參考。就BP神經網絡算法而言，其易陷入局部極小，這在很大程度上限制了多層前饋神經網絡的進一步應用模型的優(yōu)化：為了獲得數據的局限性，本文中就只基于四個主要因素〔海平面高度、地質沉降、GDP、人口數〕對洪災損失用BP神經網絡進行預測。而忽略了OCED報告里提到的諸如防護水平高或不高導致的損失、堤壩高度相對海平面差距多少造成的影響，這種看似很有道理，實那么實在難以折算到經濟指標這些因素的干擾，而采用了和OCED相同的主要研究因素對洪災損失進行預測，使得問題較為明晰，更讓人信服。六與OCED研究報告的比照6.1研究報告中存在的問題：1、報告中諸如城市化程度上下與否洪災中造成的損失難以衡量。2、考慮到類似建筑物材料、居民居住地區(qū)、防護等級上下等多個因素，但是或者做了線性關系的簡單近似或者忽略該因素，雷聲大雨點小。3、采用了不適合珠江三角洲的洪災損失評估方法和計算參數，如對AAL/GDP采用線性關系，以GDP及AAL/GDP的比值反推AAL〔年均洪災經濟損失〕，使得造成的災害損失被高估。4、報告中局部數據的準確性有待考證，比方廣州的200年一遇的防洪標準，而深圳的實為100年一遇。6.2比照兩模型的優(yōu)缺點：首先兩模型都基于最簡單的防御投入、政府的防洪政策不變、每年洪災頻率維持不變的假設進行預測。通過地質沉降、海平面高度、社會經濟變化、人口數量這些相關因素分析來進行預測。OCED研究報告中預測GDP采用線性關系，再通過GDP與年均洪災經濟損失的比值反推洪災損失太過理想化。本文GDP那么采用logistic模型預測，明顯更為接近現實情況。因為GDP的變化與洪災損失變化在趨勢上就不相同，而本文模型參加GDP作為其影響因素，采用BP神經網絡算法，雖然差強人意，但是從宏觀方向的把握角度來看，比擬合理。有一利就有一弊，本方案中BP算法的樣本數據量少，導致對預測規(guī)律把握的不夠準確，對中長期的預測而言，誤差較為明顯。同時，BP神經網絡算法難度很大，雖然使用了，但是也是照貓畫虎，更深層次的分析無法完成等。七對百姓和政府的建議7.1給普通百姓的建議書本文花費大量時間在解密的深圳地區(qū)地理學術論文及深圳統(tǒng)計年鑒上收集歷年來各項數據，發(fā)現OCED的研究報告中所使用的數據與實際有較大出入。畢竟，只有自己才最了解自己。比方OCED的研究報告中指出到2050年廣州地質沉降將到達40厘米，但是根據查閱相關資料其值應該在40毫米左右。同樣，廣州的防洪標準早已成為200一遇，可報告采用數據仍為20年?？梢?，該報告可信度不高。另外，OCED報告中考慮了很多因素，將這些標準統(tǒng)一為經濟指標時，過于簡單籠統(tǒng)，難以令人信服。所以，事態(tài)遠沒有OCED報告預測的那樣嚴重，深圳及廣州也遠沒有那么危險。我們要相信深圳政府及相關部門，有能力做好統(tǒng)籌規(guī)劃，足以應對今后我們遇到的種種風險，能夠防患于未然，將損失降為最低。最后，科學是我們始終擁護，絕對相信的。但是面對不可信的“科學結論〞，我們也要敢于大膽質疑。自古以來，兵來將擋，水來土掩，即使未來有危機，有挑戰(zhàn)，我們也堅信自己有能力去迎接一切困難！7.2給深圳市政府的建議書本文通過對歷史數據的收集整理，發(fā)現OCED的研究報告中所使用的數據與事實并不相符。比方OCED的研究報告中指出到2050年廣州地質沉降將到達40厘米，但是根據專家表示，其值應該僅在40毫米左右?；诖祟愬e誤得出的預測結果顯然是不可靠。再者OCED研究報告中，將研究沿海城市洪災損失的通用模型來預測深圳市洪災損失，這不具有針對性。文章預測GDP采用線性關系，假設GDP保持現在的經濟增長速率直到2050，再通過GDP與年均洪災經濟損失的比值反推洪災損失，由于GDP和年均洪災損失〔AAL〕有著不同的增長方式，這樣做顯然不夠合理。本報告通過對歷史數據的分析處理，運用BP神經網絡模型進行洪災損失預測，通過我們的分析，得到深圳2050年因洪災損失大約為3.8605億，約占當年GDP預測值17649億的0.022%，遠低于OCED研究預測。即便OCED的研究報告有聳人聽聞的嫌疑，事態(tài)被估計的過于嚴重，我們也不應該有所懈怠，要“居安思危〞，保持高的警惕性。預測只是一個相對的概念，事實情況受各種各樣復雜因素的影響，有關部門一定要做好監(jiān)測及防御工作，盡量減少損失?？梢詮囊韵聨讉€方面入手：做好防洪知識宣傳，使廣闊人民群眾在洪災發(fā)生的時候能夠有效的保護自己的生命財產平安，降低洪災造成的損失。增強相關防洪減災工程的財政和科技投入，爭取減小洪災發(fā)生造成的直接損失。嚴格把關監(jiān)測數據的采集，及時公布。八參考文獻[1]卓金武.MATLAB在數學建模中的應用.北京:北京航空航天大學出版社,2023272-285.[2]黃偉杰，程述，陳文龍，郭珊.基于BP神經網絡的洪災經濟損失評估[J].廣東水利電力職業(yè)技術學院學報,2023,6〔2〕：36-38.[3]馮偉忠，張娟，游大偉，許煒銘.被高估的“海平面上升對珠江口風暴潮災害評估影響〞的原因探析[J].熱帶地理，2023，33〔5〕：640-645.[4]王冬梅，程和琴，張先林，阮仁良.新世紀上海地區(qū)相對海平面變化影響因素及預測方法[J].上海國土資源,2023,32(3):35:40.[5]劉小生，余豪峰.基于GIS和BP神經網絡的洪災損失評估模型的研究[J].工程勘察，2023(4):72-74.[6]StephaneHallegatte,ColinGreen,RobertJNicholls,etal.Futurefloodlossesinmajorcoastalcities[J].Natureclimatechange,2023(3):8-18.DOI:10.1038/NCLIMATE1979.[7](深圳市統(tǒng)計局官網)[8]廣東省地震局.廣東省地震構造圖集附錄附件1：2003-2023廣東海平面高度〔相對常年〕年份20032004200520062007202320232023202320232023高度685544764875916493153115附件2：1979-2023年深圳GDP年份GDP〔億〕年份GDP〔億〕1979.001.96381996.001048.44211980.002.70121997.001297.42081981.004.95761998.001534.72721982.008.25731999.001804.01761983.0013.12122000.002187.45151984.0023.41612001.002482.48741985.0039.02222002.002969.51841986.0041.64512003.003585.72351987.0055.90152004.004282.14281988.0086.98072005.004950.90781989.00115.65652006.005813.56241990.00171.66652007.006801.57061991.00236.66302023.007786.79201992.00317.31942023.008201.31761993.00453.14452023.009581.51011994.00634.67112023.0011505.52981995.00842.48332023.0012950.0601附件3：1998-2023年深圳人口年份人口數〔萬人〕年份人口數〔萬人〕1998.00114.602006.00200.891999.00119.852007.00216.852000.00124.922023.00232.492001.00132.042023.00245.962002.00139.452023.00259.872003.00151.212023.00279.372004.00165.132023.00287.622005.00181.93附件41995-2023年深圳及全國洪災損失年份深圳〔萬〕全國〔億〕比例〔*0.0001〕199514381.116538.7(估計)199619209.622088.7(估計)199780919308.7(估計)19982218525508.7(估計)199980919308.7(估計)20006185.77118.7(估計)20015420.16238.7(估計)20027290.68388.7(估計)20031200013009.2320046203.17138.7(估計)200524000155815.420065884.57437.9120072432.510712.2720236272.77218.7(估計)20237359.8845.968.7(估計)2023325813745〔2751.6〕8.7(估計)202311318.713018.7(估計)202323272.526758.7(估計)202327370.231468.7(估計)注：8.7(估計)代表無法具體考證數據的年份，通過對已有數據年份中深圳洪災損失在全國洪災損失中所占比例做加權平均處理，得到的一個估計的比例值，從而再由全國洪災損失數據來估計深圳當年的洪災經濟損失。附件5GM(1.1)預測海平面高度MATLAB程序：clearsymsab;c=[ab]';A=[55,44,76,48,75,91,64,93,153,115];B=cumsum(A);%原始數據累加n=length(A);fori=1:(n-1)C(i)=(B(i)+B(i+1))/2;%生成累加矩陣end%計算待定參數的值D=A;D(1)=[];D=D';E=[-C;ones(1,n-1)];c=inv(E*E')*E*D;c=c';a=c(1);b=c(2);%預測后續(xù)數據F=[];F(1)=A(1);fori=2:(n+10)F(i)=(A(1)-b/a)/exp(a*(i-1))+b/a;endG=[];G(1)=A(1);fori=2:(n+10)G(i)=F(i)-F(i-1);%得到預測出來的數據endt1=2004:2023;t2=2004:2023;Gplot(t1,A,'o',t2,G)%原始數據與預測數據的比擬xlabel('年份')ylabel('海平面高度')附件6優(yōu)化模型海平面高度MATLAB程序：t=1:49;y=[685544764875916493153115];y2=4.467.*t.*t+25.56.*t+50.12;fork=1:48y3(k)=y2(k+1)-y2(k);endplot(2003:2050,y3);xlabel('年份');ylabel('海平面高度\mm');附件7構建logistic曲線所用MATLAB程序〔GDP〕symstx=[0:8]';y=[1.963813.121255.9015236.6630842.48331804.01763585.72356801.570611505.5298]';f=fittype('1/(a+b*exp(-t))','independent','t','coefficients',{'a','b'});cfun=fit(x,y,f)xi=1:0.1:18;yi=cfun(xi)./10000;x2=[0:0.25:8.25]';y2=[1.96382.70124.95768.257313.121223.416139.022241.645155.901586.9807115.6565171.6665236.6630317.3194453.1445634.6711842.48331048.44211297.42081534.72721804.01762187.45152482.48742969.51843585.72354282.14284950.90785813.56246801.57067786.79208201.31769581.510111505.529812950.0601]'./10000;plot(x2,y2,'r*',xi,yi,'b-');xlabel(’時間t=(t年份-1979)/4');ylabel('GDP值/億元');附件8地質下沉所用MATLAB程序：clc;clearall;closeallticsubsidence_1=[];subsidence_2=[];subsidence_1(1)=0;subsidence_2(1)=0;fori=2006:2023subsidence_1(i-2004)=subsidence_1(i-2005)+rand(1)+1;endforj=2006:2050subsidence_2(j-2004)=subsidence_2(j-2005)+rand(1)+1;endi=0:(2023-2005);plot(i,subsidence_1,'o');holdonj=0:(2050-2005);plot(j,subsidence_2,'r-');xlabel('年份-2005)/year');ylabel('相對于2005地質下沉/mm');toc附件9用BP預測2023年及2050年深圳洪災損失所用MATLAB程序：functionmain()clc%清屏clearall;%去除內存以便加快運算速度closeall;%關閉當前所有figure圖像ticSamNum=19;%輸入樣本數量為19TestSamNum=19;%測試樣本數量也是19ForcastSamNum=2;%預測樣本數量為2HiddenUnitNum=8;%中間層隱節(jié)點數量取8InDim=4;%網絡輸入維度為3OutDim=1;%網絡輸出維度為1%原始數據%地質沉降(mm)sqcj=subsidence(2023);%海平面高度(mm)sqgd=[5253545560515661685544764875916493153115];%GDP(億元)sqgdp=[634.67,842.48,1048.44,1297.42,1534.73,1804.02,2187.45,...2482.49,2969.52,3585.72,4282.14,4950.91,5813.56,6801.57,...7786.79,8201.32,9581.51,11505.53,12950.06];%人口數量〔萬人〕sqrk=[412.71,449.15,482.89,527.75,580.33,632.56,701.24,724.57,...746.62,778.27,800.80,827.75,871.10,912.37,954.28,995.01,...1037.20,1046.74,1054.74];%深圳洪災損失(萬元)hzss=[14381.1 19209.6 8091 22185 8091 6185.7 5420.1 7290.6 12000 6203.1 24000 5884.5 2432.5 6272.7 7359.8 32581 11318.7 23272.5 27370.2];p=[sqcj;sqgd;sqgdp;sqrk];%輸入數據矩陣t=hzss;%目標數據矩陣[SamIn,minp,maxp,tn,mint,maxt]=premnmx(p,t);%原始樣本對〔輸入和輸出〕初始化rand('state',sum(100*clock))%依據系統(tǒng)時鐘種子產生隨機數NoiseVar=0.01;%噪聲強度為0.01〔添加噪聲的目的是為了防止網絡過度擬合〕Noise=NoiseVar*randn(1,SamNum);%生成噪聲SamOut=tn+Noise;%將噪聲添加到輸出樣本上TestSamIn=SamIn;%這里取輸入樣本與測試樣本相同因為樣本容量偏少TestSamOut=SamOut;%也取輸出樣本與測試樣本相同MaxEpochs=50000;%最多訓練次數為50000lr=0.035;%學習速率為0.035E0=0.65*10^(-4);%目標誤差為0.65*10^(-4)W1=0.5*rand(HiddenUnitNum,InDim)-0.1;%初始化輸入層與隱含層之間的權值B1=0.5*rand(HiddenUnitNum,1)-0.1;%初始化輸入層與隱含層之間的閾值W2=0.5*rand(OutDim,HiddenUnitNum)-0.1;%初始化輸出層與隱含層之間的權值B2=0.5*rand(OutDim,1)-0.1;%初始化輸出層與隱含層之間的閾值ErrHistory=[];%給中間變量預先占據內存fori=1:MaxEpochsHiddenOut=logsig(W1*SamIn+repmat(B1,1,SamNum));%隱含層網絡輸出NetworkOut=W2*HiddenOut+repmat(B2,1,SamNum);%輸出層網絡輸出Error=SamOut-NetworkOut;