基于信息擴散理論的氣象災害風險分析方法研究

鐘平暉 余斌 陳金鑫 伍昕 王也 陳水明

（1.五凌電力有限公司，湖南長沙 410004；2.湖南五凌電力科技有限公司，湖南長沙 410004；3.上海遠景科創智能科技有限公司，上海 200000）

1 引言

氣象災害作為自然災害的一種，對農作物、動物、植物等具有較高的危害，常見的氣象災害有洪澇、干旱等，從全球范圍來看，根據某組織對氣象災害數據統計，在2010—2015 年間全世界共發生了5 642 次氣象災害，造成的直接經濟損失達到2.65萬億元，人員傷亡數量高達251 萬人次，其中人員死亡數量為148 萬人次［1］。氣象災害造成的直接經濟損失占國民生產總值的0.25%，對于低收入國家而言，這個比例還會更高。受全球氣候變暖影響，在未來氣象災害發生概率和頻次還會有所增加，與此同時也會帶來極大的風險。為了制定有效的方案和采取相應的管理措施，需要對氣象災害風險進行高精度分析，以此控制氣象災害風險，降低氣象災害帶來的損失。氣象災害風險的分析需要大量的歷史災情信息，而歷史災情信息存在嚴重的不足，導致對其分析具有較高的難度。國內已有相關專業的研究人員開始針對氣象災害風險加以分析。劉志萍等人采用模糊綜合評價法，針對氣象災害危險性特征進行分析和風險區劃，對氣象災害按照權重進行排序，分析致災因子危險性，為作物種植提供技術支持［2］。在實際應用過程中，雖然能夠有效地對氣象災害危險性特征進行分析，但是該方法分析樣本數據體積較小，導致分析結果與實際情況的相關系數比較低，降低了分析結果的可信度，難以對實際區域的氣象災害進行詳細、具體的分析，無法滿足實際需求。

信息擴散理論是為了彌補信息不足而出現的一種模糊數學處理方法，把模糊問題轉換為確定性問題，主要是針對樣本模糊信息中的樣本進行集值優化，可將信息擴散理論應用到高溫熱害、旱災、洪水、霜凍、風等風險的分析中。因此，本文基于信息擴散理論，設計一種氣象災害風險分析方法。

2 氣象災害風險分析方法

2.1 氣象災害風險因子篩選

氣象災害風險主要來源于致災危險性、承災體脆弱性、承災體暴露性以及區域防災抗災能力4 個方面，因此選取這4 個因素作為氣象災害風險因子。其中，致災危險性的大小與氣象災害發生頻次和致災因子強度有關，其計算公式為：

式中，R 表示致災危險性；F 表示致災因子強度，即近5 年或者近10 年發生的氣象災害的最高強度；P 表示區域氣象災害發生的頻率。

根據該區域氣象站點記錄的歷史氣象數據，可計算出其氣象災害發生頻率，其計算公式為：

式中，n 表示該區域發生氣象災害的年數；N 表示氣象站點有可用氣象數據的總年數。

氣象災害雖然具有一定的危險，但是其產生的風險與承災體的脆弱性和暴露性有直接關系，承載體越脆弱，暴露面積越大，氣象災害風險越高［3］。

承災體的脆弱性可以用區域產量變異長度來表示，其公式為：

式中，V 表示承災體脆弱性指數；Ymax表示氣象災害風險分析區域多年單產最大值；Y 表示該區域某年的單產量；m 表示區域單產資料總年份數［4］。

承災體的暴露性是指承受氣象災害的主體暴露于孕災環境的程度，其暴露程度越大，氣象災害損失也就越大，氣象災害風險越高［5］。受氣象災害影響最大的主要為農作物，根據區域農作物種植面積以及區域總面積，計算出承災體的暴露性，其計算公式為：

式中，E 表示承災體的暴露性指數；B 表示區域農作物種植面積；S 表示區域總地理面積。

正常情況下，為了抵抗氣象災害，區域會采取一些預防措施和減災措施，以此提升自身的防災減災能力，該能力越高，氣象災害風險越低，因此區域防災減災能力與氣象災害風險也有著十分密切的關系。區域防災減災能力主要受人為因素影響，人為因素包括農民人均可支配收入、人均非家庭經營收入占比、農業從業人員占比、單位種植面積農業機械總動力、耕地有效灌溉面積比例以及單位面積化肥施用量。利用以上6 個指標評價區域防災減災能力，其用公式表示為：

式中，X 表示區域防災減災能力；n 表示區域防災減災能力評價指標數量；w 表示歸一化系數；x 表示農民人均可支配收入；e 表示人均非家庭經營收入占比；s 表示農業從業人員占比；a 表示單位種植面積農業機械總動力；c 表示耕地有效灌溉面積比例；q表示單位面積化肥施用量。

2.2 基于信息擴散理論的樣本數據集值化處理

選取區域所有氣象站記錄的歷史氣象災害數據作為數據樣本，考慮到氣象災害數據量并不豐富，樣本容量比較小，因此以信息擴散理論作為理論依據，對樣本數據進行擴散處理，將樣本數據轉換為一個模糊集，通過對模糊集非正態擴散，擴大樣本數據量，將樣本信息擴散到整個氣象災害風險指標論域中所有點上，增加樣本數據容量，擴大樣本數據體積，為氣象災害風險分析提供豐富的數據基礎。

按照上文篩選的氣象災害風險因子建立風險因素指標序列，假設YN為第N 年發生氣象災害的觀測樣本，構建氣象災害觀測樣本集合：

式中，Z 表示氣象災害觀測樣本集合［6］；YN為第N年發生氣象災害的觀測樣本；N 為年數。

信息擴散過程遵守信息量守恒的原則，氣象災害觀測樣本集合中任意一個觀測樣本Y 都要落在擴散區間內，假設擴散區間為［a1，am］，氣象災害風險因子指標論域為U，其用公式表示為：

將攜帶的信息擴散到氣象災害風險因子指標論域U 中的所有點，其用公式表示為：

式中，f 表示信息擴散后的氣象災害數據集；h 表示信息擴散系數。

根據區域氣象災害年發生次數的最大值和最小值計算該系數h，其計算公式為：

式中，b 表示區域氣象災害年發生次數的最大值；a表示區域氣象災害年發生次數的最小值；k 表示氣象災害樣本數量。

按照上述流程對選取的樣本數據進行擴散，將信息點擴散到氣象災害風險因子指標論域上。

2.3 氣象災害風險定性分析

考慮到每個氣象災害風險因子對氣象災害風險影響程度不同［7］，因此在上文基礎上，利用層次分析法計算出各個氣象災害風險因子權重，風險因子權重計算公式為：

式中，ω 表示氣象災害風險因子權重值；n 表示氣象災害風險因子數量；εn表示第n 個氣象災害風險因子對氣象災害風險的貢獻度；κn表示第n 個氣象災害風險因子的標度值。

氣象災害風險因子標度值評價規則為：如果兩個風險因子相比，前者比后者強烈重要，則風險因子標度取值為1；如果兩個風險因子相比，前者比后者極其重要，則風險因子標度取值為3；如果兩個風險因子相比，前者比后者一般重要，則風險因子標度取值為5；如果兩個風險因子相比，前者與后者同等重要，則風險因子標度取值為7［8］。按照該規則確定各個風險因子標度值，將其代入公式（10）中，得到風險因子權重值。利用評價函數計算出氣象災害風險指數：

式中，K 表示氣象災害風險指數；ωr表示致災危險性權重值；ωv表示承災體脆弱性權重值；ωe表示承災體暴露性權重值；ωx表示區域防災減災能力權重值。

將信息擴散后的數據代入公式（11）中，計算出區域氣象災害風險指數［9］。根據氣象災害風險分析實際需求，此次設計了5 個風險等級［10］。氣象災害風險指數取值范圍為0～1，如果公式（11）計算結果小于0.2，則表示該區域氣象災害風險等級為一級，風險程度為低風險，區域防災減災能力強、災害危險性低；如果公式（11）計算結果大于0.2、小于0.4，則表示該區域氣象災害風險等級為二級，風險程度為較低風險，區域防災減災能力較強、災害危險性較低；如果公式（11）計算結果大于0.4、小于0.6，則表示該區域氣象災害風險等級為三級，風險程度為中度風險，區域防災減災能力一般、災害危險性一般，需要完善和修改氣象災害預防方案，提升氣象災害防御能力，降低氣象災害風險；如果公式（11）計算結果大于0.6、小于0.8，則表示該區域氣象災害風險等級為四級，風險程度為較高風險，區域防災減災能力比較弱、災害危險性比較高，需要采取有效的措施，控制氣象災害風險；如果公式（11）計算結果大于0.8，則表示該區域氣象災害風險等級為五級，風險程度為高風險，區域防災減災能力非常弱、災害危險性非常高，需要加大自身防御能力，作出正確決策，加大氣象災害抵抗力度。根據以上評價標準，對氣象災害風險進行定性分析，確定氣象災害等級，以此實現基于信息擴散理論的氣象災害風險分析。

3 實驗論證

為了驗證本文提出的氣象災害風險分析思路的可行性與可靠性，設置對比實驗對設計方法進行了測試。

3.1 實驗設置

以某地區作為實驗對象，以大風天氣為例，選取該地區2011—2021 年氣象數據作為數據樣本，共1.26 GB；根據該區域統計信息網2011—2021 年的農業數據，得到該區域播種面積及總產量數據，共1.36 GB。該區域平均大風日數年變化趨勢如圖1 所示。

圖1 2011—2021 年某地區平均大風日數年變化趨勢

2011—2021 年某地區播種面積及總產量數據見表1。

表1 播種面積及總產量數據

利用本文設計方法與文獻［2］提出的基于模糊綜合評價方法對該地區氣象災害風險進行分析。

3.2 實驗過程

按照上述流程對收集的樣本數據擴散處理，經信息擴散后得到數據12.64 GB。利用公式（10）對各個氣象風險因子權重進行計算，其中對氣象災害風險影響程度最高的風險因子為致災危險性，其權重值為0.56，承災體暴露性和脆弱性次之，其權重值分別為0.46 和0.31，區域防災減災能力對氣象災害風險影響程度最小，為0.24。

3.3 實驗結果與分析

根據對該區域大風與農業數據的分析，通過本文設計方法可分析出大風天氣的頻繁程度對糧食總產量具有一定的影響。大風天氣數量較多的年份，該區域的年糧食總產量會出現不同程度的下降。雖然糧食總產量與播種面積有一定關系，但是同樣也容易受到惡劣天氣的影響，導致該年糧食總產量出現一定程度的降低。

為了驗證本文設計方法分析的有效性，與傳統方法進行對比，計算氣象災害風險分析結果與實際情況的相關系數。實驗共分為8 組，利用MATLAB軟件計算出兩種方法分析結果與實際情況相關系數，相關系數越大表示氣象災害風險分析精度越高，將其作為兩種方法評價指標，使用電子表格對實驗數據進行記錄，具體數據見表2。

表2 兩種方法分析結果相關系數對比

從表2 中數據分析可以得出以下結論：設計方法分析結果與實際情況相關系數較高，平均相關系數為0.97，最小相關系數為0.96，最高相關系數可以達到0.99，數值接近1，說明設計方法分析結果與實際氣象災害風險情況基本一致；而傳統方法分析結果與實際情況相關系數比較低，平均相關系數僅為0.49，最大相關系數為0.56，最小相關系數為0.36，遠遠低于設計方法。因此實驗結果證明，在精度方面，設計方法優于傳統方法，其相比較傳統方法更適用于氣象災害風險分析，分析結果具有較高的可信度，在氣象災害風險分析方面具有良好的應用前景，能夠為氣象災害風險分析提供有力的理論支撐。

這是由于本文設計方法以信息擴散理論作為理論依據，對樣本數據進行擴散處理，將樣本數據轉換為一個模糊集，通過對模糊集非正態擴散，擴大樣本數據量，將樣本信息擴散到整個氣象災害風險指標論域中所有點上，增加樣本數據容量，擴大樣本數據體積，提高了分析結果與實際情況相關系數，為氣象災害風險分析提供了豐富的數據基礎。

4 結論

本文針對傳統方法存在的不足，將信息擴散理論應用到氣象災害風險分析中，提出了一個新的氣象災害風險分析思路。

（1）篩選氣象災害風險因子，并對因子數據信息進行集值化處理，通過層次分析法評價氣象災害風險因子權重，確定氣象災害等級。

（2）通過實驗證明，設計方法分析結果與實際情況相關系數平均值為0.97，具有較高的可信度，有助于提高應對氣象災害的響應時間，在一定程度上減少氣象災害帶來的經濟損失。

（3）由于研究時間的限制，本文提出的方法尚未在實際中進行大量應用和實踐操作，因此在未來的研究中，可將本文設計方法投入實際氣象災害風險分析項目中進行長期的實驗，并在實驗中不斷完善設計方法，以期為氣象災害風險分析提供有力的理論支撐。