基于机器学习算法的热带气旋灾害县级直接经济损失等级评估:以福建省为例

摘要

为了探索机器学习模型在热带气旋灾害损失评估中的作用,基于2009—2020年福建省县级热带气旋灾害损失数据,分别采用LightGBM(Light Gradient Boosting Machine,LightGBM)、随机森林(Random Forest,RF)、极限梯度提升(eXtreme Gradient Boosting,XGBoost)、支持向量机(Support Vector Machine,SVM)、BP神经网络(Back-Propagation Neural Network,BP)等5种算法,优化了直接经济损失等级评估模型参数,并用不同的热带气旋事件进行验证。结果表明:基于LightGBM算法性能最佳,其准确率、精确率、召回率和F1分数(精确率和召回率的调和平均值)均在79%以上,具有较好的泛化能力;最大小时降雨量、3 s极值风速是最重要的2个致灾指标,固定资本存量是比GDP更重要的指标;通过4种登陆点/路径和2种风雨强度的热带气旋事件的对比,发现评估结果与实际结果较为一致,模型具有较好的适用性。