對(duì)深圳市洪水災(zāi)害的預(yù)測(cè)與研究

摘要本文綜合考慮深圳GDP值、深圳人口數(shù)、海平面上升、地質(zhì)下沉這幾個(gè)因素，運(yùn)用BP神經(jīng)網(wǎng)絡(luò)、logistic和灰色模型，對(duì)深圳2023年和2050年可能因洪災(zāi)遭受的損失情況進(jìn)行了預(yù)測(cè)研究，由此得出的理論計(jì)算值和OCED組織預(yù)測(cè)的數(shù)據(jù)有較大差異，對(duì)其進(jìn)行了較為合理的反駁?？紤]到OCED組織或者數(shù)據(jù)有待考證或者方法不當(dāng)導(dǎo)致其預(yù)測(cè)的結(jié)果與深圳市實(shí)際的情況不相符合，本文使用的數(shù)據(jù)及預(yù)測(cè)方法與其不盡相同，但是數(shù)據(jù)的來(lái)源可靠〔深圳統(tǒng)計(jì)年鑒等〕，方法具有一般性〔統(tǒng)計(jì)學(xué)方法〕，故而也較為合理。其中建立Logistic模型利用歷年數(shù)據(jù)確定相應(yīng)的系數(shù)和曲線方程預(yù)測(cè)出2023年及2050年的深圳GDP總值和人口數(shù)分別為2023年與2050年GDP值16687億元和17649億元，人口數(shù)值529.52萬(wàn)人與3678.45萬(wàn)人，并使用SPSS擬合出相應(yīng)走勢(shì)圖像。海平面的上升情況運(yùn)用灰色模型進(jìn)行預(yù)測(cè)，從GM〔1.1〕模型出發(fā)，預(yù)測(cè)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(shù)、海平面上升、地質(zhì)下沉這幾個(gè)因素與洪災(zāi)損失并沒(méi)有一個(gè)較為明顯的直接的函數(shù)關(guān)系或模型，考慮到BP神經(jīng)網(wǎng)絡(luò)可以學(xué)習(xí)任意個(gè)看似毫無(wú)關(guān)系的變量間的關(guān)系，并依據(jù)該關(guān)系對(duì)2023及2050年深圳損失情況作出粗略估計(jì)。雖然不盡合理，但是比起OCED組織匪夷所思的將各個(gè)譬如地質(zhì)沉降、海平面上升、防御水平等指標(biāo)統(tǒng)一用經(jīng)濟(jì)一個(gè)指標(biāo)衡量的做法，采用BP神經(jīng)網(wǎng)絡(luò)作出估計(jì)也算是情理之中。模型使用了三層拓?fù)浣Y(jié)構(gòu)，選取了logsig函數(shù)作為鼓勵(lì)函數(shù)，預(yù)測(cè)得到2023年與2050年的洪災(zāi)經(jīng)濟(jì)損失分別為3.7041億與3.8605億，占當(dāng)年GDP的百分比分別為0.022%和0.0219%，與OCED報(bào)告中1.32%相距甚遠(yuǎn)。由于影響地質(zhì)下沉的因素較多，且大多無(wú)法查詢和估計(jì)，故我們根據(jù)已有的研究“廣東省地震構(gòu)造圖集[8]〞，將其簡(jiǎn)化為線性模型，預(yù)測(cè)的2023年和2050年地質(zhì)下沉相對(duì)于2005年分別為23毫米和67毫米。本文假設(shè)洪災(zāi)發(fā)生的機(jī)率保持不變，政府抗洪投入增長(zhǎng)相對(duì)穩(wěn)定，針對(duì)本文得出的結(jié)論，也分別為人民和政府提出了些許建議，以供參考。關(guān)鍵字：洪災(zāi)損失預(yù)測(cè)Logistic模型灰色模型BP神經(jīng)網(wǎng)絡(luò)模型一問(wèn)題重述與分析1.1問(wèn)題的重述國(guó)外有研究報(bào)告將廣州預(yù)測(cè)為受洪災(zāi)損失最重的城市，也將深圳列為洪災(zāi)損失嚴(yán)重的城市。有關(guān)專家和專業(yè)人員認(rèn)為該報(bào)告結(jié)論與事實(shí)存在出入，因而疑心其所用方法及支撐數(shù)據(jù)的正確性與準(zhǔn)確性。問(wèn)題一分析經(jīng)濟(jì)合作與開(kāi)展組織(OCED)研究報(bào)告中可能存在的問(wèn)題，并基于我們建模分析對(duì)深圳2023和2050深圳可能遭受的洪災(zāi)損失做出預(yù)測(cè)，同時(shí)比照評(píng)價(jià)我們的模型與研究報(bào)告所用模型的優(yōu)缺點(diǎn)。問(wèn)題二基于研究結(jié)果，給普通百姓寫(xiě)一份不超過(guò)一頁(yè)的建議書(shū)消除所謂“科學(xué)結(jié)論〞帶來(lái)的焦慮。問(wèn)題三給深圳市政府寫(xiě)一份不超過(guò)一頁(yè)的建議書(shū)，說(shuō)明研究報(bào)告和述說(shuō)我們的結(jié)果是怎樣得到的、可信度如何以及市政府應(yīng)該做什么等(包括后續(xù)研究應(yīng)該做些什么)。1.2問(wèn)題的分析參考附件2中對(duì)深圳2023年和2050年的洪災(zāi)損失進(jìn)行預(yù)測(cè)考慮的因素，同樣選取海平面上升、地質(zhì)沉降、GDP、人口增長(zhǎng)作為研究要素，由于原報(bào)告中防護(hù)等級(jí)過(guò)于籠統(tǒng)，一來(lái)難以計(jì)算高防護(hù)水平可以防止的損失，二來(lái)低防護(hù)水平造成的損失難以定量，而且原報(bào)告中同樣做出政府防護(hù)措施投入增長(zhǎng)保持穩(wěn)定的假設(shè)，因此本文也假設(shè)投入增長(zhǎng)相對(duì)穩(wěn)定。洪災(zāi)損失是一個(gè)復(fù)雜多變量預(yù)測(cè)的問(wèn)題，我們通過(guò)對(duì)主要影響因素的篩選，可以簡(jiǎn)化模型，也增加可靠性。我們假設(shè)重大洪災(zāi)發(fā)生的概率和政府抗洪投入維持相對(duì)穩(wěn)定，由于現(xiàn)有的統(tǒng)計(jì)數(shù)據(jù)非常有限中長(zhǎng)期預(yù)測(cè)會(huì)受到很多不確定因素的影響，所以只能得到統(tǒng)計(jì)意義上的預(yù)測(cè)結(jié)果。再者，地質(zhì)沉降不連續(xù)，不單調(diào)，查閱資料顯示可以將其看做連續(xù)變化的時(shí)間序列，使用一次函數(shù)予以近似。最后，將預(yù)測(cè)好的各個(gè)變量使用BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行整合預(yù)測(cè)，預(yù)測(cè)出損失值，并據(jù)此為民眾及政府提出相應(yīng)的建議。二根本假設(shè)深圳市相關(guān)防洪政策無(wú)重大調(diào)整；2050年前無(wú)重大經(jīng)濟(jì)變革，經(jīng)濟(jì)增長(zhǎng)根本延續(xù)歷史規(guī)律；無(wú)巨大災(zāi)變影響全球平均海平面高度；無(wú)造成經(jīng)濟(jì)損失大幅度波動(dòng)除洪水外的極端災(zāi)難性氣候；深圳市未來(lái)對(duì)洪澇災(zāi)害預(yù)防的投入情況與現(xiàn)在根本成比例；三符號(hào)說(shuō)明符號(hào)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(zhì)沉降Y第k年深圳市洪災(zāi)造成經(jīng)濟(jì)損失W海平面高度累加序列w神經(jīng)網(wǎng)絡(luò)每一層的權(quán)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(yù)測(cè)〔GrayPrediction〕是一種對(duì)含有不確定因素的系統(tǒng)進(jìn)行預(yù)測(cè)的方法。根據(jù)系統(tǒng)的普遍開(kāi)展規(guī)律，將原始數(shù)據(jù)生成一組有較強(qiáng)規(guī)律性的數(shù)據(jù)序列，然后建立灰色微分方程，通過(guò)對(duì)數(shù)據(jù)序列的擬合，求得微分方程的系數(shù)，從而獲得灰色預(yù)測(cè)模型方程。由于海平面高度的變化規(guī)律本身是一個(gè)不確定的系統(tǒng)，在可利用數(shù)據(jù)較少、內(nèi)部因素難以劃定的情況下，需要做長(zhǎng)期預(yù)測(cè)，所以擬采用GM〔1.1〕模型來(lái)預(yù)測(cè)未來(lái)海平面高度。4.1.2灰色模型預(yù)測(cè)深圳2023年及2050年的海平面高度根據(jù)2003-2023年海平面高度〔注：論文中均指相對(duì)常年〕數(shù)據(jù)情況[詳見(jiàn)附件1]，運(yùn)用優(yōu)化后的灰色模型理論，MATLAB語(yǔ)言編程預(yù)測(cè)出2023年及2050年的海平面高度如下表所示：[源程序見(jiàn)附件5]表4.12023年及2050年深圳海平面高度預(yù)測(cè)年份20232050高度〔mm〕181.905449.9254.1.3模型的建立與求解設(shè)2003為第一年，第k年的海平面高度記為X0(k)，那么有原始數(shù)據(jù)列原始數(shù)據(jù)累加以便弱化隨機(jī)序列的波動(dòng)性和隨機(jī)性，得到新數(shù)據(jù)序列：W其中，W0W對(duì)W0dW0dt+aW0=u所以此時(shí)時(shí)間響應(yīng)函數(shù)為W(3)對(duì)疊加數(shù)據(jù)復(fù)原X得到海平面高度的預(yù)測(cè)曲線：[源程序見(jiàn)附件4]/mm/mm圖4.1用GM(1.1)對(duì)深圳海平面高度預(yù)測(cè)由上預(yù)測(cè)，2024年海平面高度將超過(guò)450毫米，其取值過(guò)大。由此意識(shí)到GM〔1.1〕在長(zhǎng)期預(yù)測(cè)中有局限性，據(jù)此進(jìn)行了修正。4.1.4優(yōu)化模型GM〔1.1〕模型的時(shí)間響應(yīng)函數(shù)，其形式可寫(xiě)為W由于上式變化速度過(guò)快導(dǎo)致了海平面預(yù)測(cè)值增長(zhǎng)速度偏大，故而選取較緩慢的二次函數(shù)右支作為鼓勵(lì)函數(shù)W〔1〕求解待定參數(shù)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(gè)近似表達(dá)式〔對(duì)函數(shù)表達(dá)式W0(t)進(jìn)行離散，做差復(fù)原得到X通過(guò)以上建立matlab程序求解[程序見(jiàn)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(yù)測(cè)的擬合圖像：[源程序見(jiàn)附件6]圖4.2用改良后的灰色模型預(yù)測(cè)深圳海平面高度從而得到2023、2050年海平面預(yù)測(cè)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(shù)據(jù)[詳見(jiàn)附件2]，GDP的變化是非線性的，考慮到一個(gè)城市的GDP在一定的時(shí)間內(nèi)會(huì)到達(dá)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(duì)GDP做出預(yù)測(cè)。4.2.2用logistic模型預(yù)測(cè)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(jìn)行回歸分析擬合計(jì)算[程序見(jiàn)附件7]得到值：a=5.666*b=0.09244其擬合圖像如下：[源程序見(jiàn)附件7]圖4.3深圳GDP的擬合曲線據(jù)此再對(duì)2023年及2050年的GDP進(jìn)行預(yù)測(cè)如下表：表4.22023年及2050年深圳GDP預(yù)測(cè)年份20232050GDP值〔億元〕1668717649得出預(yù)測(cè)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(yù)測(cè)深圳2023年及2050年的人口數(shù)人口數(shù)符合logistic曲線的增長(zhǎng)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(shù)擬合曲線擬合出的方程為：y=所以預(yù)測(cè)2023年人口數(shù)為529.52萬(wàn)人，2050年人口數(shù)為3678.45萬(wàn)人，到達(dá)人口飽和值。表4.32023年及2050年深圳人口預(yù)測(cè)年份20232050人數(shù)〔萬(wàn)人〕529.523678.454.3模型Ⅲ地質(zhì)下沉線性模型地質(zhì)下沉：假設(shè)排除大氣運(yùn)動(dòng)及一切人類活動(dòng)所造成的影響，地面形變速率大約為1-2mm/a。由此可建立簡(jiǎn)化模型：[8]y=-b*t+c〔b為下沉速度，c為常數(shù)〕圖4.5地質(zhì)下沉預(yù)測(cè)圖表4.42023年及2050年地質(zhì)下沉預(yù)測(cè)年份20232050地址下沉值〔mm〕23.2366.394.4模型Ⅳ神經(jīng)網(wǎng)絡(luò)模型4.4.1建模理論BP神經(jīng)網(wǎng)絡(luò)也稱為誤差反傳網(wǎng)絡(luò)。BP網(wǎng)絡(luò)具有容錯(cuò)性好，樣本中的野點(diǎn)對(duì)網(wǎng)絡(luò)的奉獻(xiàn)有限，魯棒性也較強(qiáng)，廣泛用于語(yǔ)音識(shí)別、工業(yè)過(guò)程控制、貸款信用評(píng)估甚至股票預(yù)測(cè)等領(lǐng)域，且結(jié)果相對(duì)準(zhǔn)確。BP網(wǎng)絡(luò)是目前最為成熟的人工神經(jīng)網(wǎng)絡(luò)。BP網(wǎng)絡(luò)是通過(guò)誤差的反向傳播，不斷修正權(quán)值和閾值，從而使誤差到達(dá)或者接近理想的水平。誤差的減小通常采用的是負(fù)梯度下降法。BP網(wǎng)絡(luò)從本質(zhì)上說(shuō)是高精度的數(shù)值擬合，它的原理就是把鼓勵(lì)函數(shù)串聯(lián)起來(lái)，通過(guò)改變各個(gè)鼓勵(lì)函數(shù)的系數(shù)，到達(dá)誤差盡可能小的目的。4.4.2模型的建立與求解BP神經(jīng)網(wǎng)絡(luò)的算法描述：(1)對(duì)每一層的權(quán)值wij初始化．網(wǎng)絡(luò)的權(quán)值一般在[O，1](2)對(duì)輸入數(shù)據(jù)的預(yù)處理，提供訓(xùn)練樣本以及目標(biāo)輸出．輸入訓(xùn)練樣本：X=(X0(k),X1(k),(3)計(jì)算各層的輸出．對(duì)于第k層第i個(gè)神經(jīng)元的輸出xiU(4)求各層的學(xué)習(xí)誤差dik,對(duì)于輸出層有d對(duì)于其他各層(5)修正權(quán)系數(shù)wij和閥值w(6)當(dāng)求出了各層各個(gè)權(quán)系數(shù)之后，可按給定品質(zhì)指標(biāo)判別是否滿足要求．如果滿足要求，那么算法結(jié)束；如果未滿足要求，那么返回(3)執(zhí)行。BP神經(jīng)網(wǎng)絡(luò)程序處理：為了使網(wǎng)絡(luò)有更大的泛化能力，沒(méi)有調(diào)用MATLAB的神經(jīng)網(wǎng)絡(luò)工具箱，而是編寫(xiě)了源程序。由于學(xué)習(xí)樣本數(shù)量少，品質(zhì)較差，增大網(wǎng)絡(luò)的訓(xùn)練次數(shù)，使之到達(dá)50000次，以便使神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)時(shí)間充裕。本實(shí)驗(yàn)因?yàn)闃颖緮?shù)量比擬少，為了測(cè)試網(wǎng)絡(luò)的推測(cè)能力，測(cè)試階段使用了與訓(xùn)練輸入樣本相同的數(shù)據(jù)，但對(duì)輸出樣本添加了噪聲，選取強(qiáng)度為0.01，防止了網(wǎng)絡(luò)的過(guò)度擬合。鼓勵(lì)函數(shù)選取logsig函數(shù)，為了使神經(jīng)網(wǎng)絡(luò)有較好推測(cè)能力，使用了premnmx函數(shù)進(jìn)行歸一化操作。本網(wǎng)絡(luò)結(jié)構(gòu)采用如下列圖所示常規(guī)的三層網(wǎng)絡(luò)結(jié)構(gòu)形式：圖4.6BP神經(jīng)網(wǎng)絡(luò)示意圖上下層之間全連接，同一層的神經(jīng)元之間無(wú)連接，輸入神經(jīng)元與隱含層之間是網(wǎng)絡(luò)的權(quán)值，其意義是兩個(gè)神經(jīng)元之間的連接強(qiáng)度。隱含層或輸出層任一神經(jīng)元將前一層所有神經(jīng)元傳來(lái)的信息進(jìn)行整合，在整合過(guò)的信息中添加一個(gè)閾值，這主要是模仿生物學(xué)中神經(jīng)元必須到達(dá)一定的閾值才會(huì)觸發(fā)的原理，然后將整合過(guò)的信息作為該層神經(jīng)元輸入。當(dāng)一對(duì)學(xué)習(xí)樣本提供應(yīng)輸入神經(jīng)元后，神經(jīng)元的激活值〔該層神經(jīng)元輸出值〕從輸入層經(jīng)過(guò)隱含層向輸出層傳播，在輸出層的神經(jīng)元獲得網(wǎng)絡(luò)的輸入響應(yīng)，然后按照減少網(wǎng)絡(luò)輸出與數(shù)據(jù)輸出樣本之間誤差的方向，從輸出層反向經(jīng)過(guò)隱含層回到輸入層，從而逐步修正各連接權(quán)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(fù)進(jìn)行，網(wǎng)絡(luò)對(duì)輸入模式響應(yīng)的正確率也不斷上升。BP算法的核心是數(shù)學(xué)中的“負(fù)梯度下降的〞理論，即BP網(wǎng)絡(luò)的誤差調(diào)整方向總是沿著誤差下降最快的方向進(jìn)行，該三層BP網(wǎng)絡(luò)權(quán)值和閾值調(diào)整公式如下：ωωBB其中，E為網(wǎng)絡(luò)輸出與實(shí)際輸出樣本之間的誤差平方和；η為網(wǎng)絡(luò)的學(xué)習(xí)速率即權(quán)值調(diào)整幅度；ωij(t)為t時(shí)刻輸入層第i個(gè)神經(jīng)元與隱含層第j個(gè)神經(jīng)元的連接權(quán)值；ωij(t+1)為t+1時(shí)刻輸入層第i個(gè)神經(jīng)元與隱含層第j個(gè)神經(jīng)元的連接權(quán)值；ωjk(t)為t時(shí)刻隱含層第j個(gè)神經(jīng)元與輸出層第k個(gè)神經(jīng)元的連接權(quán)值；ωjk(t+1)為t+1時(shí)刻隱含層第j個(gè)神經(jīng)元與輸出層第k個(gè)神經(jīng)元的連接權(quán)值；B表4.5BP網(wǎng)絡(luò)的各參數(shù)取值一覽表序號(hào)BP網(wǎng)絡(luò)參數(shù)名稱源程序參數(shù)名稱參數(shù)取值1輸入維數(shù)InDIm42輸出維數(shù)OutDim13隱含層節(jié)點(diǎn)數(shù)HiddenUnitNum84訓(xùn)練樣本容量SamNum195測(cè)試樣本容量TestSumNum196網(wǎng)絡(luò)學(xué)習(xí)速率lr0.0357網(wǎng)絡(luò)訓(xùn)練次數(shù)MaxEpochs500008目標(biāo)誤差E00.000065神經(jīng)網(wǎng)絡(luò)最重要的因子是網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的搭建和學(xué)習(xí)速率的取值大小。網(wǎng)絡(luò)結(jié)構(gòu)決定網(wǎng)絡(luò)的推理能力。網(wǎng)絡(luò)結(jié)構(gòu)有網(wǎng)絡(luò)的平面層數(shù)和神經(jīng)元共同決定。網(wǎng)絡(luò)層數(shù)通常設(shè)置為三層。而神經(jīng)元確實(shí)定目前沒(méi)有精確的理論指導(dǎo)，大多憑經(jīng)驗(yàn)決定，這里隱節(jié)點(diǎn)神經(jīng)元選取為8.通過(guò)MATLAB實(shí)現(xiàn)對(duì)洪災(zāi)損失的預(yù)測(cè)：[源程序見(jiàn)附件9]表4.62023年及2050年深圳洪災(zāi)經(jīng)濟(jì)損失預(yù)測(cè)年份20232050損失〔億〕3.70413.8605并得到了神經(jīng)網(wǎng)絡(luò)MATLAB源程序生成的原始數(shù)據(jù)與仿真數(shù)據(jù)的比照?qǐng)D：圖4.7神經(jīng)網(wǎng)絡(luò)MATLAB源程序生成的原始數(shù)據(jù)與仿真數(shù)據(jù)的比照?qǐng)D五模型的評(píng)價(jià)與分析1、灰色預(yù)測(cè)模型具有以下特點(diǎn)〔1〕數(shù)據(jù)量要求少；〔2〕較強(qiáng)的系統(tǒng)性和關(guān)聯(lián)性，它將海平面高度作為一個(gè)開(kāi)展變化的系統(tǒng)，可對(duì)海平面高度態(tài)勢(shì)進(jìn)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(jì)的角度來(lái)預(yù)測(cè)GDP，GDP變化符合Logistic函數(shù)，能夠較合理地得到預(yù)測(cè)值。3、洪災(zāi)損失難以評(píng)估，影響因素復(fù)雜，參考OCED組織預(yù)測(cè)因素，故也采用海平面高度、地質(zhì)沉降、GDP、人口數(shù)量建立BP神經(jīng)網(wǎng)絡(luò)來(lái)預(yù)測(cè)洪災(zāi)損失。其優(yōu)點(diǎn)在于〔1〕可以在沒(méi)有明確函數(shù)關(guān)系的前提下自己學(xué)習(xí)多個(gè)無(wú)關(guān)變量間復(fù)雜的函數(shù)關(guān)系并依此給出預(yù)測(cè)；〔2〕魯棒性強(qiáng)。BP神經(jīng)網(wǎng)絡(luò)以其獨(dú)特的非線性、非凹性、自適應(yīng)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(cuò)誤的影響進(jìn)行學(xué)習(xí)。其廣泛應(yīng)用于數(shù)據(jù)的預(yù)測(cè)。圖5.1深圳海平面高度預(yù)測(cè)相對(duì)誤差圖5.2GDP相對(duì)誤差分析根據(jù)數(shù)據(jù)的誤差分析圖可以看出，預(yù)測(cè)數(shù)據(jù)的相對(duì)誤差比擬穩(wěn)定，數(shù)據(jù)可靠，模型可行。模型的缺點(diǎn)：采用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)，有以下缺點(diǎn)：可用樣本數(shù)量太少，即便為了增加樣本數(shù)量引入了隨機(jī)誤差，但是輸入因素多，干擾多，關(guān)系復(fù)雜，這樣的數(shù)量仍然不充分。預(yù)測(cè)時(shí)間太久，導(dǎo)致預(yù)測(cè)結(jié)果準(zhǔn)確性低，模型建立本就不完美，做長(zhǎng)遠(yuǎn)預(yù)測(cè)，必然準(zhǔn)確性低。但是OCED組織在預(yù)測(cè)時(shí)也大量采用線性模型，其結(jié)果也不嚴(yán)謹(jǐn)，在這樣的條件，本方法也可參考。就BP神經(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)的進(jìn)一步應(yīng)用模型的優(yōu)化：為了獲得數(shù)據(jù)的局限性，本文中就只基于四個(gè)主要因素〔海平面高度、地質(zhì)沉降、GDP、人口數(shù)〕對(duì)洪災(zāi)損失用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)。而忽略了OCED報(bào)告里提到的諸如防護(hù)水平高或不高導(dǎo)致的損失、堤壩高度相對(duì)海平面差距多少造成的影響，這種看似很有道理，實(shí)那么實(shí)在難以折算到經(jīng)濟(jì)指標(biāo)這些因素的干擾，而采用了和OCED相同的主要研究因素對(duì)洪災(zāi)損失進(jìn)行預(yù)測(cè)，使得問(wèn)題較為明晰，更讓人信服。六與OCED研究報(bào)告的比照6.1研究報(bào)告中存在的問(wèn)題：1、報(bào)告中諸如城市化程度上下與否洪災(zāi)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(hù)等級(jí)上下等多個(gè)因素，但是或者做了線性關(guān)系的簡(jiǎn)單近似或者忽略該因素，雷聲大雨點(diǎn)小。3、采用了不適合珠江三角洲的洪災(zāi)損失評(píng)估方法和計(jì)算參數(shù)，如對(duì)AAL/GDP采用線性關(guān)系，以GDP及AAL/GDP的比值反推AAL〔年均洪災(zāi)經(jīng)濟(jì)損失〕，使得造成的災(zāi)害損失被高估。4、報(bào)告中局部數(shù)據(jù)的準(zhǔn)確性有待考證，比方廣州的200年一遇的防洪標(biāo)準(zhǔn)，而深圳的實(shí)為100年一遇。6.2比照兩模型的優(yōu)缺點(diǎn)：首先兩模型都基于最簡(jiǎn)單的防御投入、政府的防洪政策不變、每年洪災(zāi)頻率維持不變的假設(shè)進(jìn)行預(yù)測(cè)。通過(guò)地質(zhì)沉降、海平面高度、社會(huì)經(jīng)濟(jì)變化、人口數(shù)量這些相關(guān)因素分析來(lái)進(jìn)行預(yù)測(cè)。OCED研究報(bào)告中預(yù)測(cè)GDP采用線性關(guān)系，再通過(guò)GDP與年均洪災(zāi)經(jīng)濟(jì)損失的比值反推洪災(zāi)損失太過(guò)理想化。本文GDP那么采用logistic模型預(yù)測(cè)，明顯更為接近現(xiàn)實(shí)情況。因?yàn)镚DP的變化與洪災(zāi)損失變化在趨勢(shì)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(jīng)網(wǎng)絡(luò)算法，雖然差強(qiáng)人意，但是從宏觀方向的把握角度來(lái)看，比擬合理。有一利就有一弊，本方案中BP算法的樣本數(shù)據(jù)量少，導(dǎo)致對(duì)預(yù)測(cè)規(guī)律把握的不夠準(zhǔn)確，對(duì)中長(zhǎng)期的預(yù)測(cè)而言，誤差較為明顯。同時(shí)，BP神經(jīng)網(wǎng)絡(luò)算法難度很大，雖然使用了，但是也是照貓畫(huà)虎，更深層次的分析無(wú)法完成等。七對(duì)百姓和政府的建議7.1給普通百姓的建議書(shū)本文花費(fèi)大量時(shí)間在解密的深圳地區(qū)地理學(xué)術(shù)論文及深圳統(tǒng)計(jì)年鑒上收集歷年來(lái)各項(xiàng)數(shù)據(jù)，發(fā)現(xiàn)OCED的研究報(bào)告中所使用的數(shù)據(jù)與實(shí)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(bào)告中指出到2050年廣州地質(zhì)沉降將到達(dá)40厘米，但是根據(jù)查閱相關(guān)資料其值應(yīng)該在40毫米左右。同樣，廣州的防洪標(biāo)準(zhǔn)早已成為200一遇，可報(bào)告采用數(shù)據(jù)仍為20年?？梢?jiàn)，該報(bào)告可信度不高。另外，OCED報(bào)告中考慮了很多因素，將這些標(biāo)準(zhǔn)統(tǒng)一為經(jīng)濟(jì)指標(biāo)時(shí)，過(guò)于簡(jiǎn)單籠統(tǒng)，難以令人信服。所以，事態(tài)遠(yuǎn)沒(méi)有OCED報(bào)告預(yù)測(cè)的那樣嚴(yán)重，深圳及廣州也遠(yuǎn)沒(méi)有那么危險(xiǎn)。我們要相信深圳政府及相關(guān)部門(mén)，有能力做好統(tǒng)籌規(guī)劃，足以應(yīng)對(duì)今后我們遇到的種種風(fēng)險(xiǎn)，能夠防患于未然，將損失降為最低。最后，科學(xué)是我們始終擁護(hù)，絕對(duì)相信的。但是面對(duì)不可信的“科學(xué)結(jié)論〞，我們也要敢于大膽質(zhì)疑。自古以來(lái)，兵來(lái)將擋，水來(lái)土掩，即使未來(lái)有危機(jī)，有挑戰(zhàn)，我們也堅(jiān)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(shū)本文通過(guò)對(duì)歷史數(shù)據(jù)的收集整理，發(fā)現(xiàn)OCED的研究報(bào)告中所使用的數(shù)據(jù)與事實(shí)并不相符。比方OCED的研究報(bào)告中指出到2050年廣州地質(zhì)沉降將到達(dá)40厘米，但是根據(jù)專家表示，其值應(yīng)該僅在40毫米左右?；诖祟愬e(cuò)誤得出的預(yù)測(cè)結(jié)果顯然是不可靠。再者OCED研究報(bào)告中，將研究沿海城市洪災(zāi)損失的通用模型來(lái)預(yù)測(cè)深圳市洪災(zāi)損失，這不具有針對(duì)性。文章預(yù)測(cè)GDP采用線性關(guān)系，假設(shè)GDP保持現(xiàn)在的經(jīng)濟(jì)增長(zhǎng)速率直到2050，再通過(guò)GDP與年均洪災(zāi)經(jīng)濟(jì)損失的比值反推洪災(zāi)損失，由于GDP和年均洪災(zāi)損失〔AAL〕有著不同的增長(zhǎng)方式，這樣做顯然不夠合理。本報(bào)告通過(guò)對(duì)歷史數(shù)據(jù)的分析處理，運(yùn)用BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行洪災(zāi)損失預(yù)測(cè)，通過(guò)我們的分析，得到深圳2050年因洪災(zāi)損失大約為3.8605億，約占當(dāng)年GDP預(yù)測(cè)值17649億的0.022%，遠(yuǎn)低于OCED研究預(yù)測(cè)。即便OCED的研究報(bào)告有聳人聽(tīng)聞的嫌疑，事態(tài)被估計(jì)的過(guò)于嚴(yán)重，我們也不應(yīng)該有所懈怠，要“居安思危〞，保持高的警惕性。預(yù)測(cè)只是一個(gè)相對(duì)的概念，事實(shí)情況受各種各樣復(fù)雜因素的影響，有關(guān)部門(mén)一定要做好監(jiān)測(cè)及防御工作，盡量減少損失?？梢詮囊韵聨讉€(gè)方面入手：做好防洪知識(shí)宣傳，使廣闊人民群眾在洪災(zāi)發(fā)生的時(shí)候能夠有效的保護(hù)自己的生命財(cái)產(chǎn)平安，降低洪災(zāi)造成的損失。增強(qiáng)相關(guān)防洪減災(zāi)工程的財(cái)政和科技投入，爭(zhēng)取減小洪災(zāi)發(fā)生造成的直接損失。嚴(yán)格把關(guān)監(jiān)測(cè)數(shù)據(jù)的采集，及時(shí)公布。八參考文獻(xiàn)[1]卓金武.MATLAB在數(shù)學(xué)建模中的應(yīng)用.北京:北京航空航天大學(xué)出版社,2023272-285.[2]黃偉杰，程述，陳文龍，郭珊.基于BP神經(jīng)網(wǎng)絡(luò)的洪災(zāi)經(jīng)濟(jì)損失評(píng)估[J].廣東水利電力職業(yè)技術(shù)學(xué)院學(xué)報(bào),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(duì)珠江口風(fēng)暴潮災(zāi)害評(píng)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(jì)上海地區(qū)相對(duì)海平面變化影響因素及預(yù)測(cè)方法[J].上海國(guó)土資源,2023,32(3):35:40.[5]劉小生，余豪峰.基于GIS和BP神經(jīng)網(wǎng)絡(luò)的洪災(zāi)損失評(píng)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(jì)局官網(wǎng))[8]廣東省地震局.廣東省地震構(gòu)造圖集附錄附件1：2003-2023廣東海平面高度〔相對(duì)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(shù)〔萬(wàn)人〕年份人口數(shù)〔萬(wàn)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(guó)洪災(zāi)損失年份深圳〔萬(wàn)〕全國(guó)〔億〕比例〔*0.0001〕199514381.116538.7(估計(jì))199619209.622088.7(估計(jì))199780919308.7(估計(jì))19982218525508.7(估計(jì))199980919308.7(估計(jì))20006185.77118.7(估計(jì))20015420.16238.7(估計(jì))20027290.68388.7(估計(jì))20031200013009.2320046203.17138.7(估計(jì))200524000155815.420065884.57437.9120072432.510712.2720236272.77218.7(估計(jì))20237359.8845.968.7(估計(jì))2023325813745〔2751.6〕8.7(估計(jì))202311318.713018.7(估計(jì))202323272.526758.7(估計(jì))202327370.231468.7(估計(jì))注：8.7(估計(jì))代表無(wú)法具體考證數(shù)據(jù)的年份，通過(guò)對(duì)已有數(shù)據(jù)年份中深圳洪災(zāi)損失在全國(guó)洪災(zāi)損失中所占比例做加權(quán)平均處理，得到的一個(gè)估計(jì)的比例值，從而再由全國(guó)洪災(zāi)損失數(shù)據(jù)來(lái)估計(jì)深圳當(dāng)年的洪災(zāi)經(jīng)濟(jì)損失。附件5GM(1.1)預(yù)測(cè)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(shù)據(jù)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(jì)算待定參數(shù)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(yù)測(cè)后續(xù)數(shù)據(jù)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(yù)測(cè)出來(lái)的數(shù)據(jù)endt1=2004:2023;t2=2004:2023;Gplot(t1,A,'o',t2,G)%原始數(shù)據(jù)與預(yù)測(cè)數(shù)據(jù)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(gòu)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(shí)間t=(t年份-1979)/4');ylabel('GDP值/億元');附件8地質(zhì)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(duì)于2005地質(zhì)下沉/mm');toc附件9用BP預(yù)測(cè)2023年及2050年深圳洪災(zāi)損失所用MATLAB程序：functionmain()clc%清屏clearall;%去除內(nèi)存以便加快運(yùn)算速度closeall;%關(guān)閉當(dāng)前所有figure圖像ticSamNum=19;%輸入樣本數(shù)量為19TestSamNum=19;%測(cè)試樣本數(shù)量也是19ForcastSamNum=2;%預(yù)測(cè)樣本數(shù)量為2HiddenUnitNum=8;%中間層隱節(jié)點(diǎn)數(shù)量取8InDim=4;%網(wǎng)絡(luò)輸入維度為3OutDim=1;%網(wǎng)絡(luò)輸出維度為1%原始數(shù)據(jù)%地質(zhì)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(shù)量〔萬(wàn)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(zāi)損失(萬(wàn)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(shù)據(jù)矩陣t=hzss;%目標(biāo)數(shù)據(jù)矩陣[SamIn,minp,maxp,tn,mint,maxt]=premnmx(p,t);%原始樣本對(duì)〔輸入和輸出〕初始化rand('state',sum(100*clock))%依據(jù)系統(tǒng)時(shí)鐘種子產(chǎn)生隨機(jī)數(shù)NoiseVar=0.01;%噪聲強(qiáng)度為0.01〔添加噪聲的目的是為了防止網(wǎng)絡(luò)過(guò)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(cè)試樣本相同因?yàn)闃颖救萘科賂estSamOut=SamOut;%也取輸出樣本與測(cè)試樣本相同MaxEpochs=50000;%最多訓(xùn)練次數(shù)為50000lr=0.035;%學(xué)習(xí)速率為0.035E0=0.65*10^(-4);%目標(biāo)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(quán)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(quán)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(yù)先占據(jù)內(nèi)存fori=1:MaxEpochsHiddenOut=logsig(W1*SamIn+repmat(B1,1,SamNum));%隱含層網(wǎng)絡(luò)輸出NetworkOut=W2*HiddenOut+repmat(B2,1,SamNum);%輸出層網(wǎng)絡(luò)輸出Error=SamOut-NetworkOut;