集成预测模型及其在财产保险防灾减损中的应用.doc

集成预测模型及其在财产保险防灾减损中的应用 * *（中科院软件研究所 北京 100080 ）摘 要：本文针对城市内涝的预测，提出了一种集成预测模型进行灾情预测。它综合利用了来自各机构的遥感数据、等高线数据、地下管网数据以及历史灾情信息，全面的考虑了影响灾情的地形因素，并结合经验，克服了以往考虑影响因素不完全的不足，并且在实践中取得了较好的预测精度。关键词：灾情预测、DEM、神经网络Integrated Forecast Model and its Apply in Property InsuranceAbstract: Facing the flood forecast in city，the paper gives an integrated model. It makes full use of data from several organizations, including RS data, contour line data, tunnel data and history disaster data, considered the landform factor and history experience,. It overcomes the shortcomings anciently, improved the precision of forecast.Key Words: Disaster forecast, Digital Elevation Model, Neural network1.引言我国是个多灾的国家，现在，每年自然灾害直接经济损失达一千亿元以上。对保险公司来说，水灾是引起赔付最大的自然灾害。对于一些重要的南方城市，经济发展迅速，水灾发生频繁，损失巨大。因此，科学的预测城市内的灾情，可以为保险公司厘定费率提供依据，可以指导保险公司有针对性的建立防洪预案，并在灾情发生后及时施救，从而达到降低风险，提高利润的目的1。针对城市的内涝预测，本文提出了一种集成预测模型，对灾情进行了有效的预测，并取得了较好的预测精度。2.研究现状对于灾情的预测，目前大多是针对流域，较少针对城市。预测方法大体上分为两类，一种是利用GIS、DEM，主要依据地形数据进行灾情预测689；另一类是另一类是利用神经网络等人工智能的模型方法进行灾情预测5710。数字高程模型（DEM）是区域地面高程的数字表示，是建立在地图投影平面上规则格网点的平面坐标（x,y）及其高程（z）的数据集。DEM形象而又直观的表现了地面的高程特征，在其上提出了不少针对流域的灾情预测模型。目前神经网络模型在灾害预测方面多采用灾害之间的相互影响和转移关系，以其转移概率作为学习样本5。较少采用直接影响灾害后果的成因进行分析。3.集成预测模型目前DEM模型主要是应用于大流域的灾情预测，由于城市地形的高低起伏不明显，所以效果不是很理想。本文基于DEM模型，第一步，利用模型对遥感、地下管网等多种信息进行统一分析，较好的模拟了孕灾环境，从纯机理的角度得到了初步的预测结果。第二步，利用历史灾情信息，建立基于BP神经网络的灾情修正模型，对上步结果进行校正，从经验方面讨论预测结果。如图1所示。*,研究生图1 集成预测方法示意3.1 DEM预测模型本文所指的DEM模型是一个集城市地面高程模型、降雨模型、产汇流模型、排水模型和GIS的空间分析应用模块为一体的综合模型。DEM用于模拟城市地面的高低起伏，该模型是城市洪灾预测计算的基础；降水模型用于模拟和计算城市降雨的空间和时间分布；产汇流模型用于模拟地面径流的生成过程和汇积过程；排水模型则是根据城市地面排水方式计算城市排水量。与其框架相对应，其预测的步骤如下所示：1. 将等高线数据与遥感影像相结合，建立规则格网DEM。2. 根据气象观测站的地理分布建立降雨分布模型。3. 根据遥感影像提取下垫面和植被分布状况建立产汇流模型。4. 根据地下管网数据，建立管网排水模型。5. 采用基于GIS的“体积法”计算淹没情况。一、将等高线数据与遥感影像相结合，建立规则格网DEMDEM数据主要由示范区域的高程数据（包括等高线数据和高程点数据）转化而来。本文对高程数据进行了处理，使之转化为规则格网型DEM数据。为了更直观地显示三维地表状况，系统采用了遥感影像配准技术。经过等高线生成TIN、TIN转化为规则格网DEM、遥感影像与DEM配准以及DEM预处理4步，生成的DEM。二、降雨分布模型城市洪灾大部分情况下是因暴雨形成的，因此为了体现降雨时间上的变化，模型采用按时段预测，以小时为单位。为了体现降雨空间上的变化，模型根据示范区24个雨量观测站数据，采用泰森多边形插值方法，计算出各个规则单元的降雨量。三、根据遥感影像提取下垫面和植被分布状况建立产汇流模型所谓产流，是指地表上各种径流成分的生成过程。地表上一个基本的水文单元的径流过程是由降雨、植被截留、地表下渗和管网排水的组合来控制。因此，从降雨开始到任一个时刻的产流过程可用下式表示： 其中为在t时刻地面径流深，为降雨强度，是植被截留率， f是下渗率，p是城市管网排水能力。降雨是形成径流的必要条件，没有降雨就不会有径流。但有了降雨，是否会形成径流还要取决于植被截留、下渗和管网排水能力等因素。在城市洪灾预测模型中，针对每一规则格网单元，如果 ，（，分别指该单元的降雨强度、植被截留率、下渗率和管网排水能力），则会产生径流，反之则没有。城市地面产生径流后，各径流单元的出口断面汇集的过程称为汇流。模型采用多流向的D8方法确定各格网的水流方向，然后用“GIS”的体积法确定各单元汇积的水量。四、根据地下管网数据，建立管网排水模型城市排水系统是一个包含人工水力设施和天然排水网络的双重排水系统。该模型所用的数据集包括：地下排水管网、天然排水网络、透水和不透水面数据、植被分布。1. 下水管网城市的下水管网由雨水口、支管、干管、检查井及出水口等部分组成。排水能力主要取决于干管形状和直径大小。城市排水工程常用原形管道，采用曼宁方程计算下水管道的排水能力。 式中，为管壁粗糙率，、分别为过水断面面积、水力半径和管底坡度。2. 植被截留从遥感影像上提取植被分布信息。将植被分布图转化为相应栅格图，提取每一格网单元的NDVI(规一化植被指数)值。植被截流采用下面的公式计算： c:为经验常数，取5，k为经验常数取23. 地表下渗从遥感影像中提取透水面和不透水面信息。考虑地表下渗情况，针对每一格网单元，如果属于透水区，则其地表下渗情况按下式计算，反之，则可忽略其地表下渗情况。式中：为初始下渗率，取10，为稳定下渗率，取5，k为经验常数，取2。综合考虑管网排水、植被截流、地表下渗，每一格网单元的排水能力采用下式计算。五、采用基于GIS的“体积法”计算淹没情况城市地面产生径流后，各径流单元的出口断面汇积的过程称为汇流。模型采用基于“GIS”的体积法确定各单元汇积的水量。基于GIS的“体积法”该法首先找出DEM数据中的所有洼地，同时记录各个洼地的所有边界点，将各洼地的边界点的最小值点作为豁口点，根据地面径流由高向低流动的重力特性和地形起伏情况，分别填充各洼地，当洼地点水位到达豁口点时，考虑其邻近洼地，当邻近洼地水位还没达到豁口点时，其水位不再上涨，直到邻近水位上涨到豁口点时，其水位才开始继续上涨，每次上涨高度为设定的步长，对于每一洼地重复上述操作，计算各点的淹没高度。这种方法是根据径流总量与地面汇流区域的积水量相等的原理来模拟汇流的区域(即淹没区)和区域内每一点的淹没高度。 具体的求算公式用(*)式： (*)其中：时段径流量 淹没区域洪水淹没区面积微元A中的单元积水水面高程地面高程在本研究中，将洪水水面近似简化成水平平面，则（*）式可用下式代替： =1,2,N式中：作为地面径流的总量，可以由产流模型得到，为未知量，可以由DEM得到，可以认为是格网面积。由于城市洪灾预测模型的DEM数据是以离散的高程点数据组成的规则格网表示，考虑到地面高程的离散性，则（*）式可用下面两个式子表示，采用循环叠代的方法计算淹没区域和淹没高度。 =1,2,N j=1,2,M 式中为每次循环计算的水量，N为总格网单元数，Ew为未知量，Eg为格网点高程，为格网面积，W为径流总量，M为外层循环次数，它由循环的步长决定。3.2 神经网络修正模型所谓人工神经网络（Artificial Neural Networks, ANN）就是指通过模拟生物大脑的结构和功能，将多个非常简单的处理单元彼此按某种方式相互连接而形成的一种信息处理系统或计算机。BP算法属于指导下学习的前向网络。BP网络结构如图2所示，由输入层、输出层和一个或一个以上隐含层构成。它通过对一系列样本的学习，调整各个节点的权值和阈值，从而得到输出节点和输入节点的非线性关系。图2 BP网络结构样本来源本文采用历史灾情数据作为网络的学习样本，样本的结构为：（降雨量，持续时间，是否伴有台风，DEM综合指标，排水能力，灾害强度）其中前面的5个值被认为是决定灾害强度的主要因素，本文选取2000-2002年的灾情信息，将网格划分叠加后，得到样本120条，其中降雨量、持续时间、是否伴有台风3个指标来源于对应的历史灾情信息，排水能力指标是依据DEM中的排水模型对各个网格排水能力的一个刻画，而综合指标被认为是对最终灾害强度起主导作用的因素，它来源于DEM模型的预测结果。模型训练构建好网络的结构之后，我们将样本分为两部分，训练样本和测试样本。在训练过程中的目标函数极小值附近观察当前网络对测试样本的精度，取其和为最小值的点为训练的终止点。系统将训练样本输入网络进行学习，不断的调整网络的层数、隐层节点数、初始权值和阈值以及学习系数等网络参数，比较不同情况下收敛的状况以及对测试样本的测试精度，确定学习的终止点，从而确定网络的所有参数。模型训练的示意图如图3所示。图3 模型训练示意图4.模型验证结果本文应用模型针对2003年9月2日的降雨情况对洪水灾情进行了预测。预测结果与实际灾情的对比结果如图4所示。图中不同深浅的红色代表的就是预测得到的不同灾害强度。图4 2003年9月灾情预测结果对于实际灾情，有资料显示：公明镇西田村房屋倒塌，坪地镇一间学校被淹，其他区域尚无灾情资料。而本文的预测结果基本上涵盖了资料显示的受灾区域。本文又利用模型对1993年6月和1997年8月的洪涝灾害进行了验证。其结果显示模型的预测结果平均能够覆盖90%的受灾区域。但是模型预测的结果比实际发生灾情的区域大。5.结论在灾情预测的研究中，集成预测方法综合了DEM和神经网络方法，较之DEM和单一的神经网络预测方法都更有优势。本文应用它对灾情进行了预测，得到了比较满意的效果。但是一方面本文考虑尽可能多的致灾因素，另一方面，穷尽这些因素是不可能的，因此本文的预测结果较实际结果要大。如何解决这个矛盾，在今后的工作中可以进行探索。参考文献：1 林增余，中国洪水风险与保险对策，上海保险，1997，No.10。2 李荣峰，人工神经网络及其在水科学研究中的应用，山西水利科技，Oct.2003，No.43 黄泰松，左春，集成预测方法及其在灾情预测中的应用研究，计算机工程与应用，2004.6 4 Rumelhart D E,etal. Learning Internal Representations Error Propagation. In: Paralel Distributed Processing. Vol.1,Cambridge ,MA:MLT Press,19865 李祚泳，邓新民，黄志英，四川旱涝震灾害的人工神经网络外推预测，成都气象学院学报，1997，Vol.12，No.26 陈丙咸，杨戊，黄杏元，