基于LM―BP神经网络地震直接经济损失快速评估方法研究.docVIP

基于LM―BP神经网络地震直接经济损失快速评估方法研究 　　摘要： 　　在综合考虑地震致灾因子、抗震设防因子、经济指标因子的基础上，选取地震震级、震源深度、受灾面积、受灾人口、设计基本地震加速度、人均GDP和产业机构比例等7个因素作为主要评价指标，运用神经网络分析方法，建立了基于LM-BP神经网络的地震直接经济损失评估模型。从历史地震事件中提取相关数据作为样本，并使用该样本对网络进行训练。最后对模型输出结果的误差率和模型的泛化能力进行分析，认为该模型可以有效评估地震直接经济损失，并具有较高的稳定性。 　　关键词：地震灾害；灾害评估；直接经济损失；LM-BP神经网络 　　中图分类号：P315-39文献标识码：A文章编号：1000-0666（2016）03-0500-07 　　0引言 　　随着我国经济的快速增长、城市规模的不断扩大，地震灾害对社会造成的影响也在不断加大，防震减灾工作显得尤为重要（赵士达等，2014a）。作为防震减灾工作一部分的震后应急救援和抗震救灾可以有效地减少地震造成的经济损失和人员伤亡（赵士达等，2014b；王东明等，2015），快速、准确地对地震灾区人员伤亡和经济损失做出评估是震后应急救援和抗震救灾工作能否收到实效的前提条件（刘如山等，2014）。 　　近年来，诸多学者使用不同的方法对震后经济损失快速评估进行了深入的研究，这些评估方法可分为5大类：分类清单法（陈洪富等，2013）、经济法（陈棋福等，1997）、遥感法（陈鑫连，谢广林，1996）、信息法（刘洋等，2009；刘佳友，徐琳瑜，2007）和神经网络法（范传鑫，2014）。其中分类清单法的应用最为广泛，该方法通过地震烈度衰减关系计算出地震影响场烈度空间分布，再综合分析各个烈度等级建筑物的类型、数量、空间分布以及建筑物的易损特性等，计算出各类建筑物的损失情况。但使用该方法进行地震灾害快速评估时对灾区的基础数据库要求比较高，基础数据库数据不完整、数据更新过慢、数据细化程度不够等都会使评估结果出现严重的偏差。随着神经网络技术的不断成熟，其在模式识别、函数逼近等方面得到了广泛的应用，一些学者也将这一技术应用到地震灾害损失评估中。 　　BP（Back Propagation，反向误差传播算法）神经网络算法是应用最广泛的一种神经网络算法，具有较强的非线性映射能力、自适应能力、容错能力和泛化能力（孙艳萍等，2010），但也存在收敛速度慢和容易陷入局部极小值等问题。为了克服这些问题，本文提出一种改进型LM-BP神经网络，并基于此建立了地震直接经济损失评估模型。 　　1影响地震直接经济损失的因素 　　11地震直接经济损失的界定 　　从灾害学的角度分析，灾害损失评估是对灾害造成的人员伤亡、直接经济损失和间接经济损失的评估，因此地震灾害损失可划分为人员伤亡、经济损失和救灾投入3部分，其中经济损失包括直接经济损失和间接经济损失。地震直接经济损失又包括地震灾害和地震次生灾害造成的建筑物、工程设施、设备、物品破坏导致的经济损失（王伟哲，2012）。 　　12地震灾害影响因子的分类研究 　　121地震致灾因子 　　震级是表征地震强弱的量度，是划分震源释放能量大小的等级。震级越大，地震释放的能量就越大，破坏能力就越强，相同条件下造成的直接经济损失也就越大。通常讲震级每相差10级，能量相差30倍，由此可见，震级是地震造成经济损失的重要因素之一。震源深度对地震破坏程度的影响也很大，相同震级的地震，震源深度越浅，造成的破坏就越严重。有统计表明，相同震级的地震震源深度从10 km减小到5 km，或是从20 km减小到10 km时，震中区域烈度平均会提高1度，故震源深度也是地震造成经济损失的重要因素之一。地震烈度是指地震发生时，在波及范围内一定地点地面振动的激烈程度（或解释为地震影响和破坏的程度）。一般来讲，距离震源越近，破坏就越大，烈度也就越高。在一次地震的受灾区域内会存在多个烈度区，而且这些烈度区的面积和分布并不规则。地震灾区的烈度评定在现场工作人员完成灾情调查后才能给出，在时间上不能满足地震经济损失快速评估的要求，且如果逐一计算各个烈度区的损失情况也会大幅度地增加计算的复杂程度。所以本文以总受灾面积为灾害承载体，选取地震震级和震源深度为主要致灾因素，对灾区进行经济损失评估。灾区面积的大小与地震直接经济损失成正相关关系，其他条件相同的情况下，灾区面积越大，经济损失也就越大。 　　122抗震设防因子 　　一个地区在遭受地震破?氖保?其自身的抗震设防能力会对其产生重要的保护作用，抗震设防能力越强其抗御地震破坏的能力也就越强。抗震设防烈度是各类建筑物建设时采用设防标准的重要依据。各地区的建筑物都要按照该地区的抗震设防烈度要求进行建设。虽然地区建筑物实际设防烈度和