西南地区泥石流灾害分析

（1）云南省泥石流损失的灰色关联度研究

根据《云南减灾年鉴》（2016）以及中国气象数据网的相关资料，考虑泥石流灾害造成的经济损失可能受气候因素、当地经济水平以及受灾人数的影响，故选择泥石流灾害发生前5日的气温、水汽压、相对湿度、最大风速这4个指标的5日平均值，灾害前10日的降水量累计值，当地经CPI指数调整过的GDP（精确到县级）以及每次泥石流灾害的死亡/失踪人数共8个指标进行研究。

在利用上文所述均值法将各涉灾因素做无量纲化处理后，通过MATLAB 8.0运行以下邓氏关联度代码可得关联度矩阵：

maxDiffxl=max（diff）；

minDiffxl=min（diff）；

for i=1：zbNum

for j=1：zxlNum

%correlation（i，j）=（minDiffxl（j）+rou*maxDiffxl（j））/（diff（i，j）+rou*maxDiffxl（j））；

end

end(www.xing528.com)

将关联度矩阵数据代入式（4-31）后，得到各涉灾因素与直接经济损失的关联度如表 4-6所示：

表4-6　1991—2015年涉灾因素关联度

由邓氏关联度计算得出灾前10日累计的降水量，泥石流受灾地死亡/失踪人数以及泥石流灾区所在县经调整的当年GDP分别占据了关联度前三的位置。由邓氏关联度性质可知，这三个泥石流涉灾因素与相关的各次泥石流灾害直接经济损失在发展趋势上吻合度较高，且研究结论与相关文献中泥石流成因也高度契合，当地经济发展情况与云南省泥石流经济损失也有高度的相关性，故均可以视作云南省泥石流灾害经济损失的关键涉灾因素。

（2）基于GABP神经网络的云南省泥石流损失的测度研究

在对泥石流涉灾因素进行灰色关联度分析后，选取降水量，死亡/失踪人数以及调整的GDP（县级）这三个关联度最大的涉灾因素作为测度泥石流经济损失的输入层，以供神经网络模型建模使用。利用MATLAB进行建模后，将BP神经网络和GABP神经网络的结果进行比较，得到表 4-7。

表4-7　1991—2015年涉灾因素关联度

表4-7结果表明，未经改进的BP神经网络误差整体显著高于改进后的GABP神经网络，但就准确度而言，二者均在2014年芒市泥石流和2015年保山泥石流灾害中适用程度表现欠佳，其原因初步预计为有特殊致灾因素，因为需要统一25年的统计口径而未能纳入因素模型进行分析。因此，如果需要进一步提升精确度和普适性，还需要更多数据支撑。