對深圳市洪水災(zāi)害的預(yù)測與研究

1、摘要本文綜合考慮深圳GDP值、深圳人口數(shù)、海平面上升、地質(zhì)下沉這幾個因素，運(yùn)用BP神經(jīng)網(wǎng)絡(luò)、logistic和灰色模型，對深圳2020年和2050年可能因洪災(zāi)遭受的損失情況進(jìn)行了預(yù)測研究，由此得出的理論計算值和OCED組織預(yù)測的數(shù)據(jù)有較大差異，對其進(jìn)行了較為合理的反駁。考慮到OCED組織或者數(shù)據(jù)有待考證或者方法不當(dāng)導(dǎo)致其預(yù)測的結(jié)果與深圳市實際的情況不相符合，本文使用的數(shù)據(jù)及預(yù)測方法與其不盡相同，但是數(shù)據(jù)的來源可靠（深圳統(tǒng)計年鑒等），方法具有一般性（統(tǒng)計學(xué)方法），故而也較為合理。其中建立Logistic模型利用歷年數(shù)據(jù)確定相應(yīng)的系數(shù)和曲線方程預(yù)測出2020年及2050年的深圳GDP總值和人口數(shù)分

2、別為2020年與2050年GDP值16687億元和17649億元，人口數(shù)值529.52萬人與3678.45萬人，并使用SPSS擬合出相應(yīng)走勢圖像。海平面的上升情況運(yùn)用灰色模型進(jìn)行預(yù)測，從GM（1.1）模型出發(fā)，預(yù)測得到2020年和2050年的海平面高度分別為181.905毫米和449.925毫米。由于深圳GDP值、深圳人口數(shù)、海平面上升、地質(zhì)下沉這幾個因素與洪災(zāi)損失并沒有一個較為明顯的直接的函數(shù)關(guān)系或模型，考慮到BP神經(jīng)網(wǎng)絡(luò)可以學(xué)習(xí)任意個看似毫無關(guān)系的變量間的關(guān)系，并依據(jù)該關(guān)系對2020及2050年深圳損失情況作出粗略估計。雖然不盡合理，但是比起OCED組織匪夷所思的將各個譬如地質(zhì)沉降、海平面

3、上升、防御水平等指標(biāo)統(tǒng)一用經(jīng)濟(jì)一個指標(biāo)衡量的做法，采用BP神經(jīng)網(wǎng)絡(luò)作出估計也算是情理之中。模型使用了三層拓?fù)浣Y(jié)構(gòu)，選取了logsig函數(shù)作為激勵函數(shù)，預(yù)測得到2020年與2050年的洪災(zāi)經(jīng)濟(jì)損失分別為3.7041億與3.8605億，占當(dāng)年GDP的百分比分別為0.022%和0.0219%，與OCED報告中1.32%相距甚遠(yuǎn)。由于影響地質(zhì)下沉的因素較多，且大多無法查詢和估計，故我們根據(jù)已有的研究“廣東省地震構(gòu)造圖集8”，將其簡化為線性模型，預(yù)測的2020年和2050年地質(zhì)下沉相對于2005年分別為23毫米和67毫米。本文假設(shè)洪災(zāi)發(fā)生的機(jī)率保持不變，政府抗洪投入增長相對穩(wěn)定，針對本文得出的結(jié)論，也分

4、別為人民和政府提出了些許建議，以供參考。關(guān)鍵字： 洪災(zāi)損失 預(yù)測 Logistic模型 灰色模型 BP神經(jīng)網(wǎng)絡(luò)模型一 問題重述與分析1.1問題的重述國外有研究報告將廣州預(yù)測為受洪災(zāi)損失最重的城市，也將深圳列為洪災(zāi)損失嚴(yán)重的城市。有關(guān)專家和專業(yè)人員認(rèn)為該報告結(jié)論與事實存在出入，因而懷疑其所用方法及支撐數(shù)據(jù)的正確性與準(zhǔn)確性。問題一 分析經(jīng)濟(jì)合作與發(fā)展組織(OCED)研究報告中可能存在的問題，并基于我們建模分析對深圳2020和2050深圳可能遭受的洪災(zāi)損失做出預(yù)測，同時對比評價我們的模型與研究報告所用模型的優(yōu)缺點。問題二 基于研究結(jié)果，給普通百姓寫一份不超過一頁的建議書消除所謂“科學(xué)結(jié)論”帶來的焦慮

5、。問題三 給深圳市政府寫一份不超過一頁的建議書，說明研究報告和述說我們的結(jié)果是怎樣得到的、可信度如何以及市政府應(yīng)該做什么等(包括后續(xù)研究應(yīng)該做些什么)。1.2問題的分析參考附件2中對深圳2020年和2050年的洪災(zāi)損失進(jìn)行預(yù)測考慮的因素，同樣選取海平面上升、地質(zhì)沉降、GDP、人口增長作為研究要素，由于原報告中防護(hù)等級過于籠統(tǒng)，一來難以計算高防護(hù)水平可以避免的損失，二來低防護(hù)水平造成的損失難以定量，而且原報告中同樣做出政府防護(hù)措施投入增長保持穩(wěn)定的假設(shè)，因此本文也假設(shè)投入增長相對穩(wěn)定。洪災(zāi)損失是一個復(fù)雜多變量預(yù)測的問題，我們通過對主要影響因素的篩選，可以簡化模型，也增加可靠性。我們假設(shè)重大洪災(zāi)發(fā)

6、生的概率和政府抗洪投入維持相對穩(wěn)定，由于現(xiàn)有的統(tǒng)計數(shù)據(jù)非常有限中長期預(yù)測會受到很多不確定因素的影響，所以只能得到統(tǒng)計意義上的預(yù)測結(jié)果。再者，地質(zhì)沉降不連續(xù)，不單調(diào)，查閱資料顯示可以將其看做連續(xù)變化的時間序列，使用一次函數(shù)予以近似。最后，將預(yù)測好的各個變量使用BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行整合預(yù)測，預(yù)測出損失值，并據(jù)此為民眾及政府提出相應(yīng)的建議。二 基本假設(shè)深圳市相關(guān)防洪政策無重大調(diào)整；2050年前無重大經(jīng)濟(jì)變革，經(jīng)濟(jì)增長基本延續(xù)歷史規(guī)律； 無巨大災(zāi)變影響全球平均海平面高度；無造成經(jīng)濟(jì)損失大幅度波動除洪水外的極端災(zāi)難性氣候；深圳市未來對洪澇災(zāi)害預(yù)防的投入情況與現(xiàn)在基本成比例；三 符號說明符號含義N樣本總量

7、X第k年南海海平面高度，k=1,2nX第k年深圳市GDPX第k年地質(zhì)沉降Y第k年深圳市洪災(zāi)造成經(jīng)濟(jì)損失W海平面高度累加序列w神經(jīng)網(wǎng)絡(luò)每一層的權(quán)值四 原理與模型4.1模型 灰色模型4.1.1建模理論灰色預(yù)測（Gray Prediction）是一種對含有不確定因素的系統(tǒng)進(jìn)行預(yù)測的方法。根據(jù)系統(tǒng)的普遍發(fā)展規(guī)律，將原始數(shù)據(jù)生成一組有較強(qiáng)規(guī)律性的數(shù)據(jù)序列，然后建立灰色微分方程，通過對數(shù)據(jù)序列的擬合，求得微分方程的系數(shù)，從而獲得灰色預(yù)測模型方程。由于海平面高度的變化規(guī)律本身是一個不確定的系統(tǒng)，在可利用數(shù)據(jù)較少、內(nèi)部因素難以劃定的情況下，需要做長期預(yù)測，所以擬采用GM（1.1）模型來預(yù)測未來海平面高度。4.

8、1.2 灰色模型預(yù)測深圳2020年及2050年的海平面高度根據(jù)2003-2013年海平面高度（注：論文中均指相對常年）數(shù)據(jù)情況詳見附件 1，運(yùn)用優(yōu)化后的灰色模型理論，MATLAB語言編程預(yù)測出2020年及2050年的海平面高度如下表所示：源程序見附件 5表4.1 2020年及2050年深圳海平面高度預(yù)測年份20202050高度（mm）181.905449.9254.1.3模型的建立與求解設(shè)2003為第一年，第k年的海平面高度記為X0(k)，則有原始數(shù)據(jù)列原始數(shù)據(jù)累加以便弱化隨機(jī)序列的波動性和隨機(jī)性，得到新數(shù)據(jù)序列：W其中，W0W對W0dW0dt+aW0所以此時時間響應(yīng)函數(shù)為W(3)對疊加數(shù)據(jù)還

9、原X得到海平面高度的預(yù)測曲線：源程序見附件 4/mm/mm 圖4.1 用GM(1.1)對深圳海平面高度預(yù)測由上預(yù)測，2024年海平面高度將超過450毫米，其取值過大。由此意識到GM（1.1）在長期預(yù)測中有局限性，據(jù)此進(jìn)行了修正。4.1.4 優(yōu)化模型GM（1.1）模型的時間響應(yīng)函數(shù)，其形式可寫為W由于上式變化速度過快導(dǎo)致了海平面預(yù)測值增長速度偏大，故而選取較緩慢的二次函數(shù)右支作為激勵函數(shù)W（1）求解待定參數(shù)a，b，c令Y=W0(1)A=1所以Y=A*U,得U=(用最小二乘法求得 U（2）由于得到的是a，b，c的估值 W0對函數(shù)表達(dá)式W0(t)進(jìn)行離散，做差還原得到 X(0)通過以上建立matla

10、b程序求解程序見附錄 5a=4.467(3.193,5.742)b=25.56(9.859,41.27)c=50.12(9.111,91.12)即W由此得到了海平面預(yù)測的擬合圖像：源程序見附件 6 圖4.2 用改進(jìn)后的灰色模型預(yù)測深圳海平面高度從而得到2020、2050年海平面預(yù)測高度分別為181.905mm 和449.925mm.4.2 模型 logistic模型4.2.1建模理論觀察深圳GDP歷史數(shù)據(jù)詳見附件 2，GDP的變化是非線性的，考慮到一個城市的GDP在一定的時間內(nèi)會達(dá)到飽和，即GDP在一定程度上是滿足logistic曲線所描述的規(guī)律。故而用logistic模型對GDP做出預(yù)測。4

11、.2.2用logistic模型預(yù)測深圳2020年及2050年的GDPlogistic曲線模型的基本形式為y=在此令y=1yy下面用MATLAB進(jìn)行回歸分析擬合計算程序見附件 7得到值：a=5.666*b=0.09244其擬合圖像如下：源程序見附件 7圖4.3 深圳GDP的擬合曲線據(jù)此再對2020年及2050年的GDP進(jìn)行預(yù)測如下表：表4.2 2020年及2050年深圳GDP預(yù)測年份20202050GDP值（億元）1668717649得出預(yù)測值為2020年深圳市GDP總值為16687億元，2050年深圳市GDP總值17649億元。4.2.3用logistic模型預(yù)測深圳2020年及2050年的人

12、口數(shù)人口數(shù)符合logistic曲線的增長規(guī)律，故用logistic曲線擬合擬合圖形及擬合方程：圖4.4：深圳人口數(shù)擬合曲線擬合出的方程為：y=所以預(yù)測2020年人口數(shù)為529.52萬人，2050年人口數(shù)為3678.45萬人，達(dá)到人口飽和值。表4.3 2020年及2050年深圳人口預(yù)測年份20202050人數(shù)（萬人）529.523678.454.3 模型 地質(zhì)下沉線性模型地質(zhì)下沉：假設(shè)排除大氣運(yùn)動及一切人類活動所造成的影響，地面形變速率大約為1-2mm/a。由此可建立簡化模型：8y=-b*t+c（b為下沉速度，c為常數(shù)）圖4.5 地質(zhì)下沉預(yù)測圖表4.4 2020年及2050年地質(zhì)下沉預(yù)測年份20

13、202050地址下沉值（mm）23.2366.394.4 模型 神經(jīng)網(wǎng)絡(luò)模型4.4.1建模理論BP神經(jīng)網(wǎng)絡(luò)也稱為誤差反傳網(wǎng)絡(luò)。BP網(wǎng)絡(luò)具有容錯性好，樣本中的野點對網(wǎng)絡(luò)的貢獻(xiàn)有限，魯棒性也較強(qiáng)，廣泛用于語音識別、工業(yè)過程控制、貸款信用評估甚至股票預(yù)測等領(lǐng)域，且結(jié)果相對準(zhǔn)確。BP網(wǎng)絡(luò)是目前最為成熟的人工神經(jīng)網(wǎng)絡(luò)。BP網(wǎng)絡(luò)是通過誤差的反向傳播，不斷修正權(quán)值和閾值，從而使誤差達(dá)到或者接近理想的水平。誤差的減小通常采用的是負(fù)梯度下降法。BP網(wǎng)絡(luò)從本質(zhì)上說是高精度的數(shù)值擬合，它的原理就是把激勵函數(shù)串聯(lián)起來，通過改變各個激勵函數(shù)的系數(shù)，達(dá)到誤差盡可能小的目的。4.4.2模型的建立與求解BP神經(jīng)網(wǎng)絡(luò)的算法描述

14、：(1)對每一層的權(quán)值wij初始化網(wǎng)絡(luò)的權(quán)值一般在O，1(2)對輸入數(shù)據(jù)的預(yù)處理，提供訓(xùn)練樣本以及目標(biāo)輸出輸入訓(xùn)練樣本：X=(X0(k),X1(k),(3)計算各層的輸出對于第k層第i個神經(jīng)元的輸出xiU(4)求各層的學(xué)習(xí)誤差dik,對于輸出層有d對于其他各層 (5)修正權(quán)系數(shù)wij和閥值w(6)當(dāng)求出了各層各個權(quán)系數(shù)之后，可按給定品質(zhì)指標(biāo)判別是否滿足要求如果滿足要求，則算法結(jié)束；如果未滿足要求，則返回(3)執(zhí)行。BP神經(jīng)網(wǎng)絡(luò)程序處理：為了使網(wǎng)絡(luò)有更大的泛化能力，沒有調(diào)用MATLAB的神經(jīng)網(wǎng)絡(luò)工具箱，而是編寫了源程序。由于學(xué)習(xí)樣本數(shù)量少，品質(zhì)較差，增大網(wǎng)絡(luò)的訓(xùn)練次數(shù)，使之達(dá)到50000次，以便

15、使神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)時間充裕。本實驗因為樣本數(shù)量比較少，為了測試網(wǎng)絡(luò)的推測能力，測試階段使用了與訓(xùn)練輸入樣本相同的數(shù)據(jù)，但對輸出樣本添加了噪聲，選取強(qiáng)度為0.01，避免了網(wǎng)絡(luò)的過度擬合。激勵函數(shù)選取logsig函數(shù)，為了使神經(jīng)網(wǎng)絡(luò)有較好推測能力，使用了premnmx函數(shù)進(jìn)行歸一化操作。本網(wǎng)絡(luò)結(jié)構(gòu)采用如下圖所示常規(guī)的三層網(wǎng)絡(luò)結(jié)構(gòu)形式： 圖4.6 BP神經(jīng)網(wǎng)絡(luò)示意圖上下層之間全連接，同一層的神經(jīng)元之間無連接，輸入神經(jīng)元與隱含層之間是網(wǎng)絡(luò)的權(quán)值，其意義是兩個神經(jīng)元之間的連接強(qiáng)度。隱含層或輸出層任一神經(jīng)元將前一層所有神經(jīng)元傳來的信息進(jìn)行整合，在整合過的信息中添加一個閾值，這主要是模仿生物學(xué)中神經(jīng)元必須達(dá)到一

16、定的閾值才會觸發(fā)的原理，然后將整合過的信息作為該層神經(jīng)元輸入。當(dāng)一對學(xué)習(xí)樣本提供給輸入神經(jīng)元后，神經(jīng)元的激活值（該層神經(jīng)元輸出值）從輸入層經(jīng)過隱含層向輸出層傳播，在輸出層的神經(jīng)元獲得網(wǎng)絡(luò)的輸入響應(yīng)，然后按照減少網(wǎng)絡(luò)輸出與數(shù)據(jù)輸出樣本之間誤差的方向，從輸出層反向經(jīng)過隱含層回到輸入層，從而逐步修正各連接權(quán)值，這種算法稱為誤差反向傳播算法，即BP算法。隨著這種誤差逆向傳播修正的反復(fù)進(jìn)行，網(wǎng)絡(luò)對輸入模式響應(yīng)的正確率也不斷上升。BP算法的核心是數(shù)學(xué)中的“負(fù)梯度下降的”理論，即BP網(wǎng)絡(luò)的誤差調(diào)整方向總是沿著誤差下降最快的方向進(jìn)行，該三層BP網(wǎng)絡(luò)權(quán)值和閾值調(diào)整公式如下：BB其中，E為網(wǎng)絡(luò)輸出與實際輸出樣本之

17、間的誤差平方和；為網(wǎng)絡(luò)的學(xué)習(xí)速率即權(quán)值調(diào)整幅度； ij(t)為t時刻輸入層第i個神經(jīng)元與隱含層第j個神經(jīng)元的連接權(quán)值；ij(t+1)為t+1時刻輸入層第i個神經(jīng)元與隱含層第j個神經(jīng)元的連接權(quán)值；jk(t)為t時刻隱含層第j個神經(jīng)元與輸出層第k個神經(jīng)元的連接權(quán)值；jk(t+1)為t+1時刻隱含層第j個神經(jīng)元與輸出層第k個神經(jīng)元的連接權(quán)值；表4.5 BP網(wǎng)絡(luò)的各參數(shù)取值一覽表序號BP網(wǎng)絡(luò)參數(shù)名稱源程序參數(shù)名稱參數(shù)取值1輸入維數(shù)InDIm42輸出維數(shù)OutDim13隱含層節(jié)點數(shù)HiddenUnitNum84訓(xùn)練樣本容量SamNum195測試樣本容量TestSumNum196網(wǎng)絡(luò)學(xué)習(xí)速率lr0.035

18、7網(wǎng)絡(luò)訓(xùn)練次數(shù)MaxEpochs500008目標(biāo)誤差E00.000065神經(jīng)網(wǎng)絡(luò)最重要的因子是網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的搭建和學(xué)習(xí)速率的取值大小。網(wǎng)絡(luò)結(jié)構(gòu)決定網(wǎng)絡(luò)的推理能力。網(wǎng)絡(luò)結(jié)構(gòu)有網(wǎng)絡(luò)的平面層數(shù)和神經(jīng)元共同決定。網(wǎng)絡(luò)層數(shù)通常設(shè)置為三層。而神經(jīng)元的確定目前沒有精確的理論指導(dǎo)，大多憑經(jīng)驗決定，這里隱節(jié)點神經(jīng)元選取為8.通過MATLAB實現(xiàn)對洪災(zāi)損失的預(yù)測：源程序見附件 9表4.6 2020年及2050年深圳洪災(zāi)經(jīng)濟(jì)損失預(yù)測年份20202050損失（億）3.70413.8605并得到了神經(jīng)網(wǎng)絡(luò)MATLAB源程序生成的原始數(shù)據(jù)與仿真數(shù)據(jù)的對比圖：圖4.7 神經(jīng)網(wǎng)絡(luò)MATLAB源程序生成的原始數(shù)據(jù)與仿真數(shù)據(jù)的對

19、比圖五 模型的評價與分析 1、灰色預(yù)測模型具有以下特點（1）數(shù)據(jù)量要求少；（2）較強(qiáng)的系統(tǒng)性和關(guān)聯(lián)性，它將海平面高度作為一個發(fā)展變化的系統(tǒng)，可對海平面高度態(tài)勢進(jìn)行量化比較分析，其能反映系統(tǒng)已知未知信息互相影響、互相制約的系統(tǒng)特征。 2、Logistic模型從統(tǒng)計的角度來預(yù)測GDP，GDP變化符合Logistic函數(shù)，能夠較合理地得到預(yù)測值。3、洪災(zāi)損失難以評估，影響因素復(fù)雜，參考OCED組織預(yù)測因素，故也采用海平面高度、地質(zhì)沉降、GDP、人口數(shù)量建立BP神經(jīng)網(wǎng)絡(luò)來預(yù)測洪災(zāi)損失。其優(yōu)點在于（1）可以在沒有明確函數(shù)關(guān)系的前提下自己學(xué)習(xí)多個無關(guān)變量間復(fù)雜的函數(shù)關(guān)系并依此給出預(yù)測；（2）魯棒性強(qiáng)。BP

20、神經(jīng)網(wǎng)絡(luò)以其獨(dú)特的非線性、非凹性、自適應(yīng)性和處理各種信息的能力，能夠幾乎不受偶然的較大誤差甚至錯誤的影響進(jìn)行學(xué)習(xí)。其廣泛應(yīng)用于數(shù)據(jù)的預(yù)測。圖5.1 深圳海平面高度預(yù)測相對誤差圖5.2 GDP相對誤差分析根據(jù)數(shù)據(jù)的誤差分析圖可以看出，預(yù)測數(shù)據(jù)的相對誤差比較穩(wěn)定，數(shù)據(jù)可靠，模型可行。模型的缺點：采用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測，有以下缺點 ：可用樣本數(shù)量太少，即便為了增加樣本數(shù)量引入了隨機(jī)誤差，但是輸入因素多，干擾多，關(guān)系復(fù)雜，這樣的數(shù)量仍然不充分。預(yù)測時間太久，導(dǎo)致預(yù)測結(jié)果準(zhǔn)確性低，模型建立本就不完美，做長遠(yuǎn)預(yù)測，必然準(zhǔn)確性低。但是OCED組織在預(yù)測時也大量采用線性模型，其結(jié)果也不嚴(yán)謹(jǐn)，在這樣的條件，本

21、方法也可參考。就BP神經(jīng)網(wǎng)絡(luò)算法而言，其易陷入局部極小，這在很大程度上限制了多層前饋神經(jīng)網(wǎng)絡(luò)的進(jìn)一步應(yīng)用模型的優(yōu)化：為了獲得數(shù)據(jù)的局限性，本文中就只基于四個主要因素（海平面高度、地質(zhì)沉降、GDP、人口數(shù)）對洪災(zāi)損失用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測。而忽略了OCED報告里提到的諸如防護(hù)水平高或不高導(dǎo)致的損失、堤壩高度相對海平面差距多少造成的影響，這種看似很有道理，實則實在難以折算到經(jīng)濟(jì)指標(biāo)這些因素的干擾，而采用了和OCED相同的主要研究因素對洪災(zāi)損失進(jìn)行預(yù)測，使得問題較為明晰，更讓人信服。六 與OCED研究報告的對比6.1研究報告中存在的問題： 1、報告中諸如城市化程度高低與否洪災(zāi)中造成的損失難以衡量。2

22、、考慮到類似建筑物材料、居民居住地區(qū)、防護(hù)等級高低等多個因素，但是或者做了線性關(guān)系的簡單近似或者忽略該因素，雷聲大雨點小。3、采用了不適合珠江三角洲的洪災(zāi)損失評估方法和計算參數(shù)，如對AAL/GDP 采用線性關(guān)系，以GDP 及AAL/GDP 的比值反推AAL（年均洪災(zāi)經(jīng)濟(jì)損失），使得造成的災(zāi)害損失被高估。4、報告中部分?jǐn)?shù)據(jù)的準(zhǔn)確性有待考證，比如廣州的200年一遇的防洪標(biāo)準(zhǔn)，而深圳的實為100年一遇。6.2對比兩模型的優(yōu)缺點：首先兩模型都基于最簡單的防御投入、政府的防洪政策不變、每年洪災(zāi)頻率維持不變的假設(shè)進(jìn)行預(yù)測。通過地質(zhì)沉降、海平面高度、社會經(jīng)濟(jì)變化、人口數(shù)量這些相關(guān)因素分析來進(jìn)行預(yù)測。 OCE

23、D研究報告中預(yù)測GDP采用線性關(guān)系，再通過GDP與年均洪災(zāi)經(jīng)濟(jì)損失的比值反推洪災(zāi)損失太過理想化。本文GDP則采用logistic模型預(yù)測，明顯更為接近現(xiàn)實情況。因為GDP的變化與洪災(zāi)損失變化在趨勢上就不相同，而本文模型加入GDP作為其影響因素，采用BP神經(jīng)網(wǎng)絡(luò)算法，雖然差強(qiáng)人意，但是從宏觀方向的把握角度來看，比較合理。有一利就有一弊，本方案中BP算法的樣本數(shù)據(jù)量少，導(dǎo)致對預(yù)測規(guī)律把握的不夠準(zhǔn)確，對中長期的預(yù)測而言，誤差較為明顯。同時，BP神經(jīng)網(wǎng)絡(luò)算法難度很大，雖然使用了，但是也是照貓畫虎，更深層次的分析無法完成等。七 對百姓和政府的建議7.1給普通百姓的建議書本文花費(fèi)大量時間在解密的深圳地區(qū)地

24、理學(xué)術(shù)論文及深圳統(tǒng)計年鑒上收集歷年來各項數(shù)據(jù)，發(fā)現(xiàn)OCED的研究報告中所使用的數(shù)據(jù)與實際有較大出入。畢竟，只有自己才最了解自己。比如OCED的研究報告中指出到2050年廣州地質(zhì)沉降將達(dá)到40厘米，但是根據(jù)查閱相關(guān)資料其值應(yīng)該在40毫米左右。同樣，廣州的防洪標(biāo)準(zhǔn)早已成為200一遇，可報告采用數(shù)據(jù)仍為20年?？梢?，該報告可信度不高。另外，OCED報告中考慮了很多因素，將這些標(biāo)準(zhǔn)統(tǒng)一為經(jīng)濟(jì)指標(biāo)時，過于簡單籠統(tǒng)，難以令人信服。所以，事態(tài)遠(yuǎn)沒有OCED報告預(yù)測的那樣嚴(yán)重，深圳及廣州也遠(yuǎn)沒有那么危險。我們要相信深圳政府及相關(guān)部門，有能力做好統(tǒng)籌規(guī)劃，足以應(yīng)對今后我們遇到的種種風(fēng)險，能夠防患于未然，將損失降

25、為最低。最后，科學(xué)是我們始終擁護(hù)，絕對相信的。但是面對不可信的“科學(xué)結(jié)論”，我們也要敢于大膽質(zhì)疑。自古以來，兵來將擋，水來土掩，即使未來有危機(jī)，有挑戰(zhàn)，我們也堅信自己有能力去迎接一切困難！7.2給深圳市政府的建議書本文通過對歷史數(shù)據(jù)的收集整理，發(fā)現(xiàn)OCED的研究報告中所使用的數(shù)據(jù)與事實并不相符。比如OCED的研究報告中指出到2050年廣州地質(zhì)沉降將達(dá)到40厘米，但是根據(jù)專家表示，其值應(yīng)該僅在40毫米左右?；诖祟愬e誤得出的預(yù)測結(jié)果顯然是不可靠。再者OCED研究報告中，將研究沿海城市洪災(zāi)損失的通用模型來預(yù)測深圳市洪災(zāi)損失，這不具有針對性。文章預(yù)測GDP采用線性關(guān)系，假設(shè)GDP保持現(xiàn)在的經(jīng)濟(jì)增長速

26、率直到2050，再通過GDP與年均洪災(zāi)經(jīng)濟(jì)損失的比值反推洪災(zāi)損失，由于GDP和年均洪災(zāi)損失（AAL）有著不同的增長方式，這樣做顯然不夠合理。本報告通過對歷史數(shù)據(jù)的分析處理，運(yùn)用BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行洪災(zāi)損失預(yù)測，通過我們的分析，得到深圳2050年因洪災(zāi)損失大約為3.8605億，約占當(dāng)年GDP預(yù)測值17649億的0.022%，遠(yuǎn)低于OCED研究預(yù)測。即便OCED的研究報告有聳人聽聞的嫌疑，事態(tài)被估計的過于嚴(yán)重，我們也不應(yīng)該有所懈怠，要“居安思?！保３指叩木栊?。預(yù)測只是一個相對的概念，事實情況受各種各樣復(fù)雜因素的影響，有關(guān)部門一定要做好監(jiān)測及防御工作，盡量減少損失?？梢詮囊韵聨讉€方面入手：做好防

27、洪知識宣傳，使廣大人民群眾在洪災(zāi)發(fā)生的時候能夠有效的保護(hù)自己的生命財產(chǎn)安全，降低洪災(zāi)造成的損失。增強(qiáng)相關(guān)防洪減災(zāi)項目的財政和科技投入，爭取減小洪災(zāi)發(fā)生造成的直接損失。嚴(yán)格把關(guān)監(jiān)測數(shù)據(jù)的采集，及時公布。八 參考文獻(xiàn)1 卓金武. MATLAB在數(shù)學(xué)建模中的應(yīng)用. 北京:北京航空航天大學(xué)出版社,2011 272-285.2 黃偉杰，程述，陳文龍，郭珊. 基于BP神經(jīng)網(wǎng)絡(luò)的洪災(zāi)經(jīng)濟(jì)損失評估J.廣東水利電力職業(yè)技術(shù)學(xué)院學(xué)報, 2008,6（2）：36-38.3 馮偉忠，張娟，游大偉，許煒銘. 被高估的“海平面上升對珠江口風(fēng)暴潮災(zāi)害評估影響”的原因探析J. 熱帶地理，2013，33（5）：640-645.

28、4 王冬梅，程和琴，張先林，阮仁良.新世紀(jì)上海地區(qū)相對海平面變化影響因素及預(yù)測方法J.上海國土資源,2011,32(3):35:40.5 劉小生，余豪峰.基于GIS和BP神經(jīng)網(wǎng)絡(luò)的洪災(zāi)損失評估模型的研究J.工程勘察，2009(4):72-74.6 Stephane Hallegatte, Colin Green, Robert JNicholls, etal. Future flood losses in major coastal citiesJ.Nature climate change, 2013(3):8-18.DOI:10.1038/NCLIMATE 1979.7 HYPERLINK

29、 / /(深圳市統(tǒng)計局官網(wǎng))8廣東省地震局.廣東省地震構(gòu)造圖集附錄附件1： 2003-2013廣東海平面高度（相對常年）年份20032004200520062007200820092010201120122013高度685544764875916493153115附件2：1979-2012年深圳GDP年份GDP（億）年份GDP（億）1979.00 1.9 6381996.00 10 48.4 4211980.00 2.7 0121997.00 12 97.4 2081981.00 4.9 5761998.00 15 34.7 2721982.00 8.2 5731999.00 18 04.0

30、1761983.00 13.1 2122000.00 21 87.4 5151984.00 23.4 1612001.00 24 82.4 8741985.00 39.0 2222002.00 29 69.5 1841986.00 41.6 4512003.00 35 85.7 2351987.00 55.9 0152004.00 42 82.1 4281988.00 86.9 8072005.00 49 50.9 0781989.00 1 15.6 5652006.00 58 13.5 6241990.00 1 71.6 6652007.00 68 01.5 7061991.00 2 36.

31、6 6302008.00 77 86.7 9201992.00 3 17.3 1942009.00 82 01.3 1761993.00 4 53.1 4452010.00 95 81.5 1011994.00 6 34.6 7112011.00 115 05.5 2981995.00 8 42.4 8332012.00 129 50.0 601附件3：1998-2012年深圳人口年份人口數(shù)（萬人）年份人口數(shù)（萬人）1998.00114.602006.00200.891999.00119.852007.00216.852000.00124.922008.00232.492001.00132.0

32、42009.00245.962002.00139.452010.00259.872003.00151.212011.00279.372004.00165.132012.00287.622005.00181.93附件4 1995-2013年深圳及全國洪災(zāi)損失年份深圳（萬）全國（億）比例（*0.0001）199514381.116538.7(估計)199619209.622088.7(估計)199780919308.7(估計)19982218525508.7(估計)199980919308.7(估計)20006185.77118.7(估計)20015420.16238.7(估計)20027290.

33、68388.7(估計)20031200013009.2320046203.17138.7(估計)200524000155815.420065884.57437.9120072432.510712.2720086272.77218.7(估計)20097359.8845.968.7(估計)2010325813745（2751.6）8.7(估計)201111318.713018.7(估計)201223272.526758.7(估計)201327370.231468.7(估計)注：8.7(估計)代表無法具體考證數(shù)據(jù)的年份，通過對已有數(shù)據(jù)年份中深圳洪災(zāi)損失在全國洪災(zāi)損失中所占比例做加權(quán)平均處理，得到的一

34、個估計的比例值，從而再由全國洪災(zāi)損失數(shù)據(jù)來估計深圳當(dāng)年的洪災(zāi)經(jīng)濟(jì)損失。附件5 GM(1.1)預(yù)測海平面高度MATLAB程序：clearsyms a b;c=a b;A=55,44,76,48,75,91,64,93,153,115;B=cumsum(A); % 原始數(shù)據(jù)累加n=length(A);for i=1:(n-1) C(i)=(B(i)+B(i+1)/2; % 生成累加矩陣end% 計算待定參數(shù)的值D=A;D(1)=;D=D;E=-C;ones(1,n-1);c=inv(E*E)*E*D;c=c;a=c(1);b=c(2);% 預(yù)測后續(xù)數(shù)據(jù)F=;F(1)=A(1);for i=2:(n

35、+10) F(i)=(A(1)-b/a)/exp(a*(i-1)+b/a ;endG=;G(1)=A(1);for i=2:(n+10) G(i)=F(i)-F(i-1); %得到預(yù)測出來的數(shù)據(jù)end t1=2004:2013;t2=2004:2023;Gplot(t1,A,o,t2,G) %原始數(shù)據(jù)與預(yù)測數(shù)據(jù)的比較xlabel(年份)ylabel(海平面高度)附件6 優(yōu)化模型海平面高度MATLAB程序：t=1:49;y=68 55 44 76 48 75 91 64 93 153 115;y2=4.467.*t.*t+25.56.*t+50.12;for k=1:48 y3(k)=y2(k+

36、1)-y2(k);endplot(2003:2050,y3);xlabel(年份);ylabel(海平面高度mm);附件7 構(gòu)建logistic曲線所用MATLAB程序（GDP）syms tx=0:8;y=1.9638 13.1212 55.9015 236.6630 842.4833 1804.0176 3585.7235 6801.5706 11505.5298;f=fittype(1/(a+b*exp(-t),independent,t,coefficients,a,b);cfun=fit(x,y,f)xi=1:0.1:18;yi=cfun(xi)./10000;x2=0:0.25:8.

37、25;y2=1.9638 2.7012 4.9576 8.2573 13.1212 23.4161 39.0222 41.6451 55.9015 86.9807 115.6565 171.6665 236.6630 317.3194 453.1445 634.6711 842.4833 1048.4421 1297.4208 1534.7272 1804.0176 2187.4515 2482.4874 2969.5184 3585.7235 4282.1428 4950.9078 5813.5624 6801.5706 7786.7920 8201.3176 9581.5101 11505

38、.5298 12950.0601./10000;plot(x2,y2,r*,xi,yi,b-);xlabel(時間t=(t年份-1979)/4);ylabel(GDP值/億元);附件8地質(zhì)下沉所用MATLAB程序：clc;clearall;closeallticsubsidence_1=;subsidence_2=;subsidence_1(1)=0;subsidence_2(1)=0;fori=2006:2020 subsidence_1(i-2004)=subsidence_1(i-2005)+rand(1)+1;endfor j=2006:2050 subsidence_2(j-2004

39、)=subsidence_2(j-2005)+rand(1)+1;endi=0:(2020-2005);plot(i,subsidence_1,o);hold onj=0:(2050-2005);plot(j,subsidence_2,r-);xlabel(年份-2005)/year);ylabel(相對于2005地質(zhì)下沉/mm);toc附件9 用BP預(yù)測2020年及2050年深圳洪災(zāi)損失所用MATLAB程序：function main()clc % 清屏clear all; %清除內(nèi)存以便加快運(yùn)算速度close all; %關(guān)閉當(dāng)前所有figure圖像ticSamNum=19; %輸入樣本數(shù)

40、量為19TestSamNum=19; %測試樣本數(shù)量也是19ForcastSamNum=2; %預(yù)測樣本數(shù)量為2HiddenUnitNum=8; %中間層隱節(jié)點數(shù)量取8InDim=4; %網(wǎng)絡(luò)輸入維度為3OutDim=1; %網(wǎng)絡(luò)輸出維度為1%原始數(shù)據(jù) %地質(zhì)沉降(mm)sqcj=subsidence(2023);%海平面高度(mm)sqgd=52 53 54 55 60 51 56 61 68 55 44 76 48 75 91 64 93 153 115;%GDP(億元)sqgdp=634.67,842.48,1048.44,1297.42,1534.73,1804.02,2187.45,

41、.2482.49,2969.52,3585.72,4282.14,4950.91,5813.56,6801.57,.7786.79,8201.32,9581.51,11505.53,12950.06;%人口數(shù)量（萬人）sqrk=412.71,449.15,482.89,527.75,580.33,632.56,701.24,724.57,.746.62,778.27,800.80,827.75,871.10,912.37,954.28,995.01,.1037.20,1046.74,1054.74;%深圳洪災(zāi)損失(萬元)hzss=14381.119209.680912218580916185.

42、75420.17290.6120006203.1240005884.52432.56272.77359.83258111318.723272.527370.2;p=sqcj;sqgd;sqgdp;sqrk; %輸入數(shù)據(jù)矩陣t=hzss; %目標(biāo)數(shù)據(jù)矩陣SamIn,minp,maxp,tn,mint,maxt=premnmx(p,t); %原始樣本對（輸入和輸出）初始化rand(state,sum(100*clock) %依據(jù)系統(tǒng)時鐘種子產(chǎn)生隨機(jī)數(shù) NoiseVar=0.01; %噪聲強(qiáng)度為0.01（添加噪聲的目的是為了防止網(wǎng)絡(luò)過度擬合）Noise=NoiseVar*randn(1,SamNum

43、); %生成噪聲SamOut=tn + Noise; %將噪聲添加到輸出樣本上TestSamIn=SamIn; %這里取輸入樣本與測試樣本相同因為樣本容量偏少TestSamOut=SamOut; %也取輸出樣本與測試樣本相同MaxEpochs=50000; %最多訓(xùn)練次數(shù)為50000lr=0.035; %學(xué)習(xí)速率為0.035E0=0.65*10(-4); %目標(biāo)誤差為0.65*10(-4)W1=0.5*rand(HiddenUnitNum,InDim)-0.1; %初始化輸入層與隱含層之間的權(quán)值B1=0.5*rand(HiddenUnitNum,1)-0.1; %初始化輸入層與隱含層之間的閾值W2=0.5*rand(OutDim,HiddenUnitNum)-0.1; %初始化輸出層與隱含層之間的權(quán)值 B2=0.5*rand(OutDim,1)-0.1; %初始化