基于機器學習算法的縣域臺風災害經濟損失風險評估

楊絢，張立生，王鑄

(國家氣象中心，北京 100081)

1 引 言

中國是全球臺風災害最嚴重的國家之一，臺風災害發生頻次高，具有明顯的地域性和季節性特征。據世界氣象組織和我國有關部門統計，21世紀以來(2000—2013 年)，每年平均登陸我國的臺風個數達7.6個，每年造成約251人死亡，平均每年造成的直接經濟損失約441 億元[1]。隨著我國經濟的快速增長，臺風造成我國的直接經濟損失有顯著增加的趨勢[2-4]。因此，科學防臺除了要提高臺風預報水平之外，及時、準確的評估臺風災害的影響同樣重要，這在一定程度上可提高防臺減災的主動性和針對性，對臺風災害防御、居民財產安全保障等具有重要意義。

如何有效評估臺風災害影響一直是國內外有待突破的熱點和難點之一[5]。隨著災害觀測技術的提高，巨災損失概率模擬和評估的巨災模型應運而生[6]。國際上的巨災模型公司(如AIR、RMS等)、保險或再保險公司(如Swiss Re 等)以及美國政府(如HAZUS-MH 颶風模型[7])、澳大利亞政府等紛紛開發了巨災風險模型對臺風災害影響進行評估[8]。近些年，我國臺風災害影響評估方面也取得了顯著進展，許多學者相繼在臺風致災因子危險性及對承災體脆弱性[9-11]、臺風災情的時空特征及等級評估[3,12-18]、結合風、雨等致災因子與損失關系構建定量評估模型[19-20]、利用災損脆弱性曲線預評估臺風災害影響[21-23]、臺風災害風險評估與區劃[24-25]等方面開展了大量研究。

臺風災害評估主要以單個臺風過程為主，通常基于歷史臺風災情，建立致災因子、孕災環境與災情因子之間的關系模型，但這三者具有復雜的非線性關系。已有許多學者利用非線性神經網絡[26]、灰色關聯分析法[27-28]、信息擴散技術[29-30]、風險熵-極限學習機[31]等方法對臺風災害影響評估進行分析和建模。近年來，隨著人工智能技術快速發展，諸多學者趨向于把機器學習等算法應用到氣象災害影響評估工作中[32-34]。機器學習算法能直接通過訓練樣本確定模型結構、參數，對變量間依賴關系進行擬合，它的非線性特性使其適用于多變量預測。隨著數據挖掘技術的發展和歷史災害損失數據的積累，運用機器學習算法發掘災情數據中隱藏的規律對臺風災害損失進行評估，是臺風災害影響評估新的嘗試。

機器學習算法在氣象災害等領域已經有了一些應用研究，但以往的研究多利用單一算法構建模型，對多個算法的對比研究還較缺乏；另一方面，以往的研究，基于縣(區)域的臺風災害研究通常只針對某個省或某一區域[20,26]，利用我國東部和南部地區的縣(區)域災情的臺風災害損失模型還較少。本文基于2008—2019 年影響我國的109 場臺風的縣(區)域災情記錄，將直接經濟損失對應的風險分為五個等級，運用五種經典的機器學習算法，包 括 SVM、RF、AdaBoost、XGBoost 和LightGBM，挖掘臺風損失風險等級與致災因子和環境變量之間的關系，對比不同機器學習算法構建的模型的性能指標，選擇最優算法建立我國縣域臺風災害經濟損失風險評估模型，并應用于臺風“天鴿”進行性能檢驗和評估。該模型擬為防災減災為目的的臺風災前預評估提供科學支撐。

2 數 據

2.1 臺風災情數據

臺風歷史災情數據主要來源于中國氣象局氣象災害管理系統的災情直報(以下簡稱為“直報系統”)和國家減災中心，該數據為2008—2019 年由臺風災害造成的，以縣(區)域為單位統計收集的災情記錄，該記錄包括災情開始和結束時間、災害類型、災害影響描述及直接經濟損失等信息。對直報系統的原始災情進行數據清理：(1) 去除明顯奇異值或錯誤值、重復報送及信息不完整的災情記錄；(2) 對臺風影響期間，災害類型填寫為“暴雨災害”的災情進行分析和判斷，根據災害影響描述里表述為受臺風影響的暴雨災害，歸為臺風災情，并參與建模。經過數據清洗和整理，本研究得到用于建模的臺風災情包括2008—2019年影響我國的109 場臺風，縣(區)域災情事件共4 212 件，其中有直接經濟損失數據的有4 055件。

收集到的臺風災情記錄主要分布在我國東部和南部省份，例如黑龍江省、湖南省、湖北省等地也有臺風災情記錄的上報，但由于數據量較少，數據分布不均，因此本文的研究區域取臺風災情較完整的地區(圖1)。圖1a給出2008—2019年期間，收集到的臺風災害事件數，浙江、福建、廣東、廣西和海南的沿海地區臺風災害事件數均超過5次，浙閩交界地區及廣東西南部、廣西東南部沿海和海南的部分地區臺風災害事件達9 次以上。圖1b 給出2008—2019 年期間，單次臺風造成縣(區)最大的直接經濟損失，遼東半島、山東中北部、浙江東部和北部、福建東部、廣東南部、廣西東南部和海南的部分縣(區)受臺風災害的損失較大，最大直接經濟損失超過5億元。

2.2 致災因子數據

2.2.1 臺風數據

采用中國氣象局上海臺風研究所整編的西北太平洋熱帶氣旋最佳路徑數據[35]。該數據在2008—2019 年共有296 場熱帶氣旋，根據2.1 節的臺風歷史災情數據，選取了影響我國的109場熱帶氣旋作為建模樣本。最佳路徑數據包括每個熱帶氣旋的國際編號、中國熱帶氣旋編號、英文名稱、臺風路徑點的年、月、日、時、等級、經度、緯度、近中心最低氣壓以及最大風速等，記錄時間間隔為6 h。

2.2.2 臺風風雨數據及應用

臺風暴雨和大風是臺風災害的主要致災因子。本文采用國家信息中心提供的2008—2019年全國區域氣象觀測站逐小時降水量和極大風速數據。區域氣象觀測站的站點數量在近12年來得到了飛速的增長，2008 年全國區域氣象觀測站有7 000多站，到了2019 年，全國區域氣象達6 萬多站。其中2008—2010年區域氣象觀測站的極大風速數據存在部分缺測，因此，對缺測的縣(區)用國家氣象觀測站的逐小時極大風速代替。

在分離和提取臺風降水和風速的范圍時，本文參考任福民等[36]提出的模仿人工識別熱帶氣旋降水和風速思路的客觀天氣圖分析法(OSAT)，該方法對臺風大風和降水的識別能力較好，且得到了較多的應用[37-38]。利用該方法，對2008—2019年影響我國109場臺風的風、雨范圍進行判定和提取，結合熱帶氣旋路徑及影響時間，整理了6 個致災因子的解釋變量，分別為每場臺風過程的極大風速、大風(6 級以上)持續時間、最大日雨量、最大小時降雨量、短時強降雨(小時降雨量超過20 mm)的持續時間、過程總降雨量。為了與臺風損失災情匹配，將區域站在縣(區)范圍內致災因子的最大值，作為該縣(區)的致災因子進行建模。

圖1 2008—2019年臺風縣(區)災害事件數(a)、最大直接經濟損失(b)

2.3 孕災環境數據

本研究選用的孕災環境解釋變量有4個，包括縣(區)域的數字高程模型(Digital Elevation Model，DEM)平均值、DEM 標準差、地形指數標準差、河網密度數據。

2.3.1 DEM數據

DEM 數據來源于美國奮進號航天飛機的雷達地形測繪SRTM(Shuttle Radar Topography Mission，SRTM)數據。本研究將1 km×1 km 網格的DEM 數據匹配至研究區域縣(區)空間，得到縣(區)域空間內的平均高程值(圖2a)和高程標準差(圖2b)。

2.3.2 地形指數

地形不僅影響地表和近地表徑流的流向和流速，而且對累積降水量的空間分布起著控制作用。為了研究流域地形、地貌對降雨徑流形成和變化的影響，本研究在孕災環境中引入地形指數。地形指數是1979 年Beven 等[39]提出的以地形為基礎的半分布式流域水文模型(TOPMODEL，Topography based hydrological model)的重要參數。它用來近似表征流域徑流源面積和地下水水位的空間分布特征，可反映土壤蓄水能力以及產流的空間分布[40]。地形指數的表達式為：

其中α表示通過單位等高線長度的匯水面積，β為局部地表坡度。本研究利用Arcgis 軟件基于1 km×1 km 網格DEM 數據提取得到相同分辨率的網格地形指數數據，并將該數據匹配至縣(區)空間上。有研究表明，地形指數標準差可反映區域內陡坡、河谷及沖積平原所占比重[41]。因此，選擇縣(區)域地形指數的標準差值作為該空間的孕災環境特征之一(圖2c)，地形指數標準差較大的區域與主干河流基本相吻合。

2.3.3 河網密度

河網是基于中國科學院資源環境科學數據中心提供的由DEM 提取的中國河網數據集[42]，本文由縣(區)域內的河流長度除以其面積得到縣(區)的河網密度(圖2d)。

2.4 承災體數據

本研究利用國內生產總值(GDP)數據作為臺風災害損失的主要承災體，選用的縣級GDP 數據來源于國家統計局發布的2015年全國縣級統計年鑒(圖2e)。

圖2 研究區域的縣(區)DEM平均值(a)、DEM標準差(b)、地形指數標準差(c)、河網密度(d)、GDP(e)

3 臺風災害風險評估模型的構建方法

3.1 臺風災害損失等級的分類方法

直接經濟損失是反映臺風災情損失嚴重程度的重要定量指標之一，也是救災備災、風險轉移的重要參考。本研究參考殷潔等[24]對臺風災害損失等級的分類方法，即利用災害損失與承災體暴露度的比值(損失率)作為劃分臺風災害等級的標準。在本研究中，利用直接經濟損失與GDP 的比值作為臺風災害損失的損失率，把中國臺風災害損失等級劃分為五類，將直接經濟損失率小于0.15%、0.15%~0.35%、0.35%~0.50%、0.50%~0.58%和大于0.58%作為臺風災害損失最低風險、較低風險、中等風險、較高風險和最高風險的閾值。

3.2 五種機器學習算法介紹

針對多分類問題，本文選用典型的五種機器學習算法，基于SVM、RF、AdaBoost、XGBoost 和LightGBM 的分類算法，構建臺風災情與孕災環境和致災因子之間的非線性關系模型。

SVM 算法于1995 年正式發表[43]，很快成為機器學習的主流技術，并掀起了統計學習在2000 年前后的高潮。SVM 方法是通過一個非線性映射提高樣本空間維度，使得在低維度的樣本空間中非線性問題映射后變為高維度空間中的線性問題。SVM 是針對二分類任務設計的，之后對多分類任務也有了專門的推廣[44]。本研究利用隨機梯度下降分類器SGDClassifier(Stochastic Gradient Descent)對SVM算法實現多分類任務。

機器學習算法中，集成學習(Ensemble Learning)通過將多個學習器進行結合，常可獲得比單一學習器顯著優越的泛化性能。集成學習方法大致分為兩大類，即個體學習器間存在強依賴關系、必須串行生成的序列化方法，以及個體學習器間不存在強依賴關系、可同時生成的并行化方法[45]。前者的代表是Boosting，后者的代表是RF算法[46]。其中，Boosting 算法的最著名的代表是AdaBoost[47]，并且，XGBoost[48]和LightGBM[49]均是近幾年性能好、應用廣的基于梯度提升決策樹(Gradient Boosting Decision Tree)模型的Boosting算法。

3.3 樣本數據處理

臺風災害損失的原始數據樣本，在構建訓練集和測試集時，是一個非常不平衡的數據集，主要有兩個方面的原因導致的數據類別不平衡。一方面，由于較低風險的樣本數大于最高風險的樣本數，根據2.1 節介紹的2008—2019 年臺風災情數據，有直接經濟損失的數據為4 055 個，按照臺風災害損失等級分類標準，將該數據集分別劃分為較低風險、中等風險、較高風險和最高風險的樣本數為：1 647、1 197、760 和451 個。因此，對于這四類樣本采用SMOTE 方法在數據層進行過采樣處理[50]，將中等風險、較高風險和最高風險的樣本數均增加至1 647個。另一方面，在一次臺風影響過程中，由于有災情損失的縣(區)遠小于無損失但受臺風風雨影響的縣(區)，在原始數據樣本中，該類樣本數超過30 000個，因此，需要通過在最低風險類別的數據層進行欠抽樣處理，減少該類樣本數，為了與其他類的數據樣本數保持一致，對最低風險類的數據抽取1 647個樣本。同時，為了避免在最低風險類別欠抽樣導致的數據信息偏差等問題，本文采用對最低風險類別抽樣5次結果的平均值，作為模型的最后結果。

3.4 模型評估檢驗方法

對于分類模型的評估，在機器學習方法中通常使用混淆矩陣來評估分類效果，混淆矩陣是以矩陣的形式將數據集中真實的類別與分類模型預測的類別進行匯總，以進行精度評價。在機器學習分類模型的性能評估中，常用的性能測量指標是準確率(Accuracy)、精確率(Precision)、召回率(Recall)和F1分數。

本文為了更全面地評估模型，還引用在天氣預 報 運 用 的TS 評 分(threat score，TS)、空 報 率(false alarm ratio，FAR) 和 漏 報 率(prediction omission，PO)以及錯分率(err ratio，ER)來檢驗每個臺風災害風險等級的分類效果，計算公式如下：

式中：NA 為分類正確的樣本數；NB 為空報樣本數；NC 為漏報樣本數；xij為混淆矩陣。當模型評估的風險等級與實況災情等級相同，判定為分類正確; 當模型分為某等級而實況災情沒出現在該等級內，則為空報；當模型評估不在某等級內，而實況災情出現在該等級內，則為漏報。

4 模型建立、對比與應用

4.1 建立臺風災害損失風險評估模型

本研究選取以致災因子和孕災環境為基礎的10 個解釋變量(自變量)，與臺風災害損失風險類別(因變量)構成數據集，分別利用SVM、RF、AdaBoost、XGBoost 和LightGBM 五種機器學習算法構建臺風災害損失風險模型。

在訓練過程中，均采用五折交叉驗證方法，即將數據集D 隨機分為相等容量的5 份子數據集D1、D2、D3、D4 和D5，選取其中一份子數據集Di作為測試數據集Testi，其他4 份作為訓練數據集Traini，從而構成第i組訓練測試集(Traini，Testi，i=1，2，3，4，5)。 分 別 對SVM、RF、AdaBoost、XGBoost和LightGBM 算法參數進行不斷調優，找到平均準確率最高的對應參數。通過對5組訓練-測試數據集進行訓練和測試，得到5組結果的平均分類準確率進行精度評判。

4.2 不同機器學習算法模型的性能對比

表1 給出基于不同機器學習算法構建的臺風災害損失風險模型的性能評估結果，其性能考核指標包括了準確率、召回率、精確率和F1 分數。基于RF 算法的臺風災害損失模型的性能是最好的，多分類任務的平均準確率和精確率達0.68 和0.67，召回率有0.68，F1 分數為0.67。XGBoost、LightGBM、AdaBoost 和SVM 算法的準確率依次為0.63、0.62、0.45 和0.41。因此，下一節我們將重點針對RF 算法構建的臺風災害損失模型進行詳細評估分析和應用檢驗。

表1 基于不同機器學習算法構建臺風災害損失模型的性能對比

4.3 基于RF算法的臺風災害損失模型

4.3.1 解釋變量重要性

RF算法用精度下降率來表示解釋變量的重要性，即去除某個解釋變量后分類準確率的降低程度，精度下降率越大，表示該解釋變量越重要。圖3 給出臺風災害風險模型10 個解釋變量的重要性排序，相對孕災環境，致災因子的解釋變量對臺風災害風險的影響更大，解釋變量排序的前五位均為致災因子變量，這五種致災因子變量的精度下降率均超過10%，致災因子解釋變量的重要度累計達67.7%，孕災環境解釋變量占32.3%。

在致災因子變量中，降雨導致災情損失的重要性要大于風速，Wen 等[23]的研究也指出，對于我國臺風造成的損失，降雨的相關性要高于風速。在臺風災害損失風險模型中，最大日降雨量是最重要的解釋變量，精度下降率達13.3%，其次是短時強降雨的持續時間，精度下降率有12.4%，最大小時降雨量和過程總降雨量的重要度幾乎相等，為11.7%，過程極大風速的貢獻率為10.9 %，而6級以上大風的持續時間的重要性在致災因子變量中最小，其精度下降率為7.7。四種孕災環境解釋變量的重要性均低于10%，相對而言，河網密度的重要性最大，精度下降率為8.8%，其他孕災環境解釋變量的重要性從大到小依次為：DEM 平均值、DEM標準差和地形指數標準差。

圖3 解釋變量重要性排序

4.3.2 模型分類效果評估

為了評價臺風災害風險評估模型的性能，我們不僅計算每個風險類別的準確率，還引用天氣預報中的TS評分等方法檢驗模型的效果。表2給出臺風災害損失風險評估模型分別在訓練集和測試集中的準確率、TS 評分、空報率和漏報率，結果表明，該模型對于臺風災害損失風險評估效果較好，在訓練集和測試集的平均準確率為0.69 和0.65，TS 評分的平均值為0.55 和0.51，空報率的平均值為0.34 和0.37，漏報率的平均值為0.33 和0.38。其中，模型對于最低風險分類的準確率是最高的，訓練集和測試集的準確率達0.95 和0.93，TS評分分別為0.72 和0.71，其空報率和漏報率也在0.25 以下；模型對于最高風險也有較好的辨別能力，訓練集和測試集的準確率在0.7 以上，TS 評分分別為0.62 和0.57，空報率和漏報率控制在0.32以下。相對而言，模型對于較低風險、中等風險和較高風險的分類能力略有不足，測試集對于這三類的準確率分別為0.57、0.48 和0.59，TS 評分分別為0.42、0.38和0.45，空報率和漏報率在0.38～0.58之間。

為了分析模型產生錯誤的種類，圖4給出測試集混淆矩陣的錯分率示意圖，模型對于較低風險、中等風險和較高風險的分類能力出現錯誤的原因。模型把實況為中等風險的類別分到較低風險的類別里，這種情況的錯分率是所有錯誤率里最高的，達25.5%，即模型對于中等風險存在較高概率的低估；同時，中等風險被錯誤的分為較高風險的概率有19%，這是中等風險類別的準確率和TS評分相對較低的原因。模型將較低風險類別預測為中等風險的概率也較高，達到了25.3%。模型將較高風險分至中等或最高風險的概率在19%～21%之間。模型對于最高風險的識別能力相對較好，但也有19%的概率將其低估至較高風險的類別里。模型對于最低風險的識別能力是最好的，其錯誤率不超過4%。

表2 模型在訓練集和測試集的準確率、TS評分、空報率和漏報率

圖4 測試集混淆矩陣的錯分率

4.3.3 案例應用

為了更直觀反映臺風災害風險模型的評估效果，選擇一次典型臺風災害過程進行應用和檢驗。2017 年第13 號臺風“天鴿”是近幾年造成我國華東及云南等地嚴重災情的臺風之一，臺風“天鴿”于北京時間2017 年8 月23 日12:50 前后以強臺風級在廣東珠海南部沿海登陸，登陸時風力達45 m/s (14 級)，受其影響，廣東珠江口及西南部沿海陣風普遍達12～14 級，局地達15～17 級；廣東西南部和沿海地區、廣西西部和中南部、云南東北部和東南部等地累計雨量有100～250 mm，局地300～400 mm。據國家減災中心消息，“天鴿”造成廣東、廣西、云南等地嚴重的災情，累計直接經濟損失超過200億元。

圖5a 給出收集到的臺風“天鴿”縣(區)域災情直接經濟損失的災害風險類型分布，受災較嚴重的地區主要位于廣東珠三角、廣東西南及云南部分地區。最高風險區位于廣東省珠海和江門市的各縣(區)，云南昭通的部分縣也受災嚴重，屬于高風險區；廣東茂名、陽江、云浮及云南文山、普洱和玉溪等地的縣(區)屬于較高風險區；廣西中南部、云南南部的部分縣(區)出現了較低至中等風險類型的災情。

利用臺風災害損失風險模型評估臺風“天鴿”的損失風險類型(圖5b)，同時，給出實際直接經濟損失的風險類型與模型評估風險類型的檢驗評分(表3)。結果表明，臺風災害損失風險評估模型對于臺風“天鴿”的損失風險評估與實際損失風險等級較一致。五類風險等級的準確率均達到0.7 以上，平均準確率達0.79；TS評分在0.58以上，平均TS評分0.66；空報率在0.31以下，漏報率在0.25以下。

從模型對廣東、廣西和云南的整體評估效果來看，廣東和廣西損失風險等級的評估與實際損失災情較吻合，而對云南部分縣(區)的評估表現不足，尤其是對云南中部和西部的損失風險等級存在一定的高估，即實況損失災情是較低(或較高)風險的地區，模型錯誤評估為了中等(或較高)風險。

從不同風險等級的評估效果來看，模型對于最低風險和最高風險的評估效果最好。廣東北部、廣西中北部和云南東北部的部分地區沒有發生(或沒有收集到)經濟損失災情，模型對上述地區評估為最低風險區，其準確率和TS 評分分別達0.91 和0.76；模型評估的最高風險在廣東江門、珠海以及云南昭通等地與實際災情基本吻合，最高風險類型的評估準確率有0.86，TS 評分有0.72，空報率和漏報率也相對較低，分別為0.13 和0.19。對于較高風險等級，模型在廣東云浮、云南文山和玉溪等地得到了準確的識別，但是，例如廣東茂名和陽江等地實際損失風險等級為較高風險，被模型評估為中等風險，存在一定的偏差，該模型對于較高風險等級的準確率和TS 評分分別為0.74 和0.63，空報率和漏報率為0.22和0.21。模型對于較低風險和中等風險主要誤差出現在云南大理、保山和臨滄等地的部分縣(區)，模型對上述地區的風險普遍存在一定的高估，因此，在此案例中，模型對于中等風險的空報率和較低風險的漏報率均相對較高，分別為0.31 和0.25，較低風險和中等風險的準確率分別為0.72 和0.70，TS評分為0.61 和0.58。

圖5 臺風“天鴿”實際災情損失(a)、模型對臺風“天鴿”評估(b)的風險類型

表3 臺風“天鴿”損失風險評估的準確率、TS評分、空報率和漏報率

5 結論與討論

本研究利用2008—2019 年臺風縣(區)直接經濟損失災情數據，根據經濟損失率將臺風災害損失風險分為五類，綜合考慮致災因子和孕災環境因素選取10 個解釋變量，利用SVM、RF、AdaBoost、XGBoost 和LightGBM 算法，構建臺風災害經濟損失風險評估模型，并對其進行對比、選擇和案例應用。

(1) 基于RF 算法的臺風災害經濟損失模型的準確率最高；利用RF、XGBoost、LightGBM、AdaBoost 和SVM 算法構建模型的準確率依次為0.69、0.63、0.62、0.45和0.41。

(2) 基于RF 算法構建臺風災害經濟損失模型的結果表明，相較于孕災環境，致災因子解釋變量對臺風災害損失風險的影響更大，累計重要度達67.7%。在致災因子變量中，降雨導致損失的重要性超過風速。該模型在訓練集和測試集上對風險分類的TS 評分平均值為0.55 和0.51，但各類別的辨別能力存在差異，根據模型在測試集的評分，分類效果依次是：最低風險、最高風險、較低風險、較高風險和中等風險。

(3) 該模型對臺風“天鴿”的經濟損失風險評估與實際損失風險等級較一致，評估結果與實際損失風險等級較一致，準確率均達到0.7 以上，TS評分在0.58 以上，空報率和漏報率分別在0.31 和0.25 以下。但模型對云南部分縣(區)較低風險和中等風險的評估表現存在一定偏差。

本研究經過對五種機器學習算法構建模型的性能對比，選擇了RF 算法的臺風災害經濟損失模型進行建模，總體取得了較好的效果，但模型對于某些損失風險的分類能力存在不足，分析其原因主要有三個：一是在臺風災害過程中導致損失的因素較多，尤其是災害鏈等事件發生的不確定性較大，在構建模型時，除了考慮文中的解釋變量，還存在著其他因素，例如地形坡度、不透水地表組成、耕地百分比等孕災環境因子，而人口結構和分布、當地安置轉移情況和防災減災能力等社會因子對災情損失也有很大的影響；二是災情直報系統的災情主要是由當地氣象部門的值班員填寫上報，會存在一定程度的漏報，并且在災情結束后沒有更新最終災情信息的情況，由于災情信息不夠完善而導致的模型構建不充分是該模型較難避免的難題之一；三是本研究為了與臺風歷史縣域災情匹配，選用縣域孕災環境和致災因子作為解釋變量，但縣域分辨率較粗，無法體現孕災環境和致災因子的局地特點，這會在一定程度上影響模型的效果。

在今后的工作中，一方面要適當增加解釋變量，使模型進一步完善；另一方面，對模型的精細化程度做更大的改善，尤其是要結合我國無縫隙精細化智能網格預報技術的發展[51]，將孕災環境和致災因子匹配至智能網格預報的網格分辨率上，并結合全國5 km×5 km 分辨率網格天氣預報產品，對臺風災害損失風險進行應用和預評估，擬為臺風防災減災、災害風險轉移等提供科學依據。