论文总字数：21421字

目录

1、引言 1

1.1 研究背景及意义 1

1.2 研究方法与步骤 2

2、方法实现 3

2.1 主成分分析 3

2.2 BP神经网络 4

2.2.1 神经网络简介 4

2.2.2 BP神经网络的基本思想 5

2.2.3 典型三层BP神经网络原理 5

2.2.4 BP神经网络训练过程 6

2.3 权重 7

2.4 聚类分析 7

2.4.1 聚类分析的实现步骤 7

3、实例分析 8

3.1 数据来源 8

3.2主成分分析计算 8

3.3 灾情因子的聚类分析 12

3.4 BP神经网络结构的构建 13

3.4 建议措施 16

4、结论与展望 17

4.1 结论 17

4.2 展望 17

参考文献 18

致谢 19

基于BP神经网络对暴雨灾害损失评估

向思源

,China

Abstract：This paper mainly using principal component analysis for data dimensionality reduction, build an evaluation model of BP neural network for the losses caused by rainstorm.Using the cluster analysis method to classify the local area by rainstorm disaster situation. The annual precipitation of major cities as a disaster causing factor, GDP, population density, forest cover, urban green coverage, water conservancy facilities, land, wetland area proportion as disaster bearing factor, crops affected area, the area of crops, the affected population, deaths, the collapse of the room, the number of damaged room, the disaster direct economic loss as a factor, using principal component analysis to select the first five main components as the training sample of neural networks. On this basis, the use of BP neural network can estimate losses and build up to a certain prediction accuracy of the assessment model, which expand in the future disaster prevention and relief work has a certain significance.

Key words: rainstorm disaster; principal component analysis; BP neural network; Cluster analysis

1、引言

1.1 研究背景及意义

暴雨，通常指的是每小时降雨量达到16毫米及其以上，或是12小时内持续降雨量达到30毫米，或是在接连的24小时内降雨达到50毫米的降水。依照降水强度可将暴雨分为三个等级：24小时内降水量在50~99.9毫米之间为暴雨；100~250毫米则被称为大暴雨；大于250毫米被称为特大暴雨。各地暴雨的标准因其地形等因素不同导致不同，例如南方部分地区标准高于其它地区。特大暴雨作为一种能给人们生产生活带来诸多不便的灾害性天气，体现在暴雨容易造成水土流失及洪涝灾害，这对山区、地势低洼地区或是植被覆盖面积相对较少的地区有着极大的、有破坏力的影响，不仅"谋财”，更能"害命”。越来越多的学者都在关注这一问题，更是有专门针对暴雨开展科学研究的中文学术期刊，然而由于各地区定义暴雨标准不同，气候条件不同，以及数据采集的准确性与客观性因素，使得统计分析与如何使用最优方法来评估暴雨带来的灾害还是一道难以解开的难题。

暴雨的形成过程十分复杂，暴雨常常是由积雨云带来的。从物理层面来说，大量的水汽在气流上升运动过程中因大气层结构的不稳定而形成暴雨。一般来说，如气旋、切变线、台风和热带辐射等天气系统容易造成暴雨。除此之外，热力性雷阵雨也能够带来小面积范围内的暴雨。

中国是个多暴雨的国家，中国地大物博，地形复杂多样，有平原有丘陵，有高原也有盆地。通常来说，多山地区由于其山脉的阻挡作用，易引发暴雨。山地经过暴雨的冲刷，往往容易造成泥石流及山体滑坡等灾害。平原地区则多出现漫渍型的洪涝灾害。据资料表明，大兴安岭-阴山-贺兰山-六盘山-岷山-横断山以东，是我国暴雨灾害常见区域。而位于长江、黄河、淮河、辽河、珠江、海河、嫩江-松花江等七大江河的中下游平原地区更为常见。当然关中地区、四川盆地以及云贵高原的部分地区也较为常见。根据1950~1999年统计资料显示，在中国，每年的洪涝面积平均来看有942.4万公顷，农田受灾面积在最惨重时达到1300万公顷。

我国将暴雨预警分为四级，暴雨蓝色预警为初级，此级意味着在12小时以内降水量大于50毫米或是已达50毫米而降雨仍将持续。暴雨黄色预警为第二级，相比暴雨蓝色预警，该级指的是6小时内将达50毫米及其以上。暴雨橙色预警为第三季，指3小时内达到上述标准。最后一级为暴雨预警称作红色预警，这一级的标准是在3小时之内降水量可能达到100毫米或已达100毫米并还可能接着降水。

如今，我国愈来愈重视对暴雨的研究，面对暴雨灾害带来的种种巨大的损失，如何有效地评估暴雨的直接经济损失以及预测暴雨带来的直接经济损失，为人们直观了解暴雨带来的灾害程度及相关部门在灾后提供相应的救灾防灾的依据等有了十分现实的重大意义。但直到科技发展如此迅速的今天，面对暴雨成灾环境等的复杂性与不确定性，如何短期内找到合适的、相关的数据也不是一件容易的事。因此，利用在短期内收集到的容易找到的数据与指标，对灾害程度建立进行一个较为准确的估计模型，是非常有意义的一件事情。

文章基于12年暴雨洪涝灾害情况的数据，尝试通过主成分分析筛选人口受灾情况、损失情况等关键评价指标，算出权重，再通过这些指标把全国各地区进行聚类分析。接着在加入致灾因子与承灾因子，再次进行主成分分析，使输入神经网络的数据间的相关性减到最小，同时也起到了降维的作用。接着使用BP神经网络模型，利用神经网络模型的反向传播来调整原始网络的权值，在训练样本的基础上选择最优评估模型，测算暴雨带来的直接经济损失，为相关部门对暴雨灾害的灾情评估提供理论依据和评估方法。

1.2 研究方法与步骤

暴雨为人类生产生活带来的损失可大致分为农作物损失、人口损失及其他经济损失。又可分为直接损失和间接损失。诸如农作物损失、人口损失及房屋倒塌之类的可视为直接损失，这类损失是直接由暴雨造成的，具有实时性，短期内可见其受损程度。而间接损失是不能被立马反映出来的，例如暴雨灾害对GDP造成的影响，这种间接损失往往是潜伏的，具有滞后性。文章主要关注直接损失部分，其中农作物损失和房屋倒塌属于物质上的损失，而人口损失包括因暴雨造成的人员受伤与人类死亡。

暴雨灾害对GDP的影响可通过经济损失率来体现，经济损失率即为受灾地的经济损失值与该地的GDP的比值。但由于经济系统太过复杂，经济损失率的计算也是一个十分复杂的过程。