典型文献
基于机器学习算法的县域台风灾害经济损失风险评估
文献摘要：
基于2008-2019年我国台风县(区)灾情的直接经济损失数据,根据经济损失率将台风灾害经济损失风险分为五类,考虑台风灾害的致灾因子和孕灾环境因子共选取10个解释变量,采用五种经典的机器学习算法,包括支持向量机(Support Vector Machine,SVM)、随机森林(Random Forest,RF)、AdaBoost、XGBoost(Extreme Gradient Boosting Machine)和LightGBM(Light Gradient Boosting Machine),分别构建台风灾害经济损失风险评估模型,选出准确率最高的模型,应用于经典台风过程并进行检验评估.结果表明:基于RF算法的台风灾害经济损失风险模型的准确率最高;利用RF、XGBoost、LightGBM、AdaBoost和SVM算法构建模型的准确率依次为0.69、0.63、0.62、0.45和0.41.选择RF算法构建的台风灾害经济损失风险模型的解释变量表明,致灾因子是最主要的解释变量,其中,降雨导致损失的重要性超过风速.该模型在训练集和测试集上对风险分类的TS评分为0.55和0.51,但对每种风险类别的辨别能力存在差异,对于最低风险和最高风险的分类效果较好,对于较高风险和中等风险的分类能力不足.利用该模型对2017年第13号台风"天鸽"的经济损失进行检验评估,评估结果与实际台风灾害经济损失的风险等级较一致,各风险等级的准确率均达到0.7以上,TS评分在0.58以上,空报率和漏报率分别在0.31和0.25以下.
文献关键词：
台风灾害;经济损失;风险评估;机器学习;随机森林
中图分类号：
作者姓名：
杨绚;张立生;王铸
作者机构：
国家气象中心,北京100081
文献出处：
引用格式：
[1]杨绚;张立生;王铸-.基于机器学习算法的县域台风灾害经济损失风险评估)[J].热带气象学报,2022(05):651-661
A类：
B类：
基于机器学习,机器学习算法,台风灾害,损失风险,灾情,直接经济损失,损失率,五类,致灾因子,孕灾环境因子,共选,Support,Vector,Machine,Random,Forest,RF,AdaBoost,XGBoost,Extreme,Gradient,Boosting,LightGBM,建台,风险评估模型,检验评估,风险模型,构建模型,训练集,测试集,风险分类,TS,风险类别,辨别,低风险,分类效果,风险等级,空报率,漏报率
AB值：
0.284127
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
