气象科学

作者：谢涛，余亮，周浩，秦文思

单位：南京信息工程大学 遥感与测绘工程学院, 南京 210044;青岛海洋科学与技术国家实验室区域海洋动力学与数值模拟功能实验室, 山东 青岛 266237;自然资源部遥感导航一体化应用工程技术创新中心, 南京 210044;江苏省协同精密导航定位与智能应用工程研究中心, 南京 210044,,南京信息工程大学 遥感与测绘工程学院, 南京 210044,,重庆舍特气象应用研究所有限责任公司, 重庆 401147,,重庆舍特气象应用研究所有限责任公司, 重庆 401147,

关键词：暴雨灾害风险评估;致灾危险性指数;受灾风险性指数;极端梯度提升算法

基金：基于机器学习方法的重庆暴雨灾害风险评估技术研究(YWJSGG-202413);高分专项航空观测系统科研项目外协子课题

因其独特的地理位置与气候,重庆市暴雨灾害频发,对其开展暴雨灾害风险评估与区划十分必要。本文利用暴雨过程强度影响因素、孕灾环境影响因素与承灾体暴露度等数据,结合专家打分得到的指标权重获得致灾危险性与承灾体受灾风险性指数,以此构建样本集。基于随机森林(Random Forest, RF)、自适应提升(Adaptive Boosting, AdaBoost)、极端梯度提升(eXtreme Gradient Boosting, XGBoost)、梯度提升回归(Gradient Boosting Regression, GBR)、支持向量回归(Support Vector Regression, SVR)、线性回归(Linear Regression, LR)算法分别进行预测。结果显示,XGBoost算法以最低的平均相对误差值(Mean Relative Error,MRE)1.950%、均方根误差值(Root Mean Square Error,RMSE)0.028,以及最高的相关性值(R-squared,R2)0.896,成为最优算法(以暴雨致灾危险性预测结果为例)。在单场暴雨灾害风险评估中,在缺少暴雨过程持续天数数据的情况下,XGBoost算法仍为最优算法,其预测的MRE值与RMSE值分别为2.066%、0.030,R2值为0.885,利用XGBoost算法在评估区划中划分的各等级受灾风险区域与实际受灾区域基本保持一致,表明XGBoost算法在缺少部分数据的情况下,仍能高效准确地进行评估。

来源：2024年第6期

《气象科学》期刊编辑部

查看气象科学杂志2024年第6期