本节使用GeNIe 2.3 Academic软件，以朴素贝叶斯网络结构为基础与增强型贝叶斯网络结构、树增强型贝叶斯网络结构进行比较，发现树增强型朴素贝叶斯网络结构算法得出的网络结构比朴素贝叶斯网络结构和增强型朴素贝叶斯网络结构更优。再将树增强型朴素贝叶斯网络与支持向量机、人工神经网络进行比较，发现树增强型贝叶斯网络模型相比其他机器学习模型而言在泥石流灾害风险分析建模中具有较好的表现。由此本节选择该模型进行泥石流灾害风险分析，通过转换网络结构的表现形式，得到最终的贝叶斯网络结构如下图 4-3所示：
图4-3 树增强型贝叶斯网络模型结构图
根据图4-3的网络结构，可得出云南三江并流区泥石流灾害风险所具有的特征。
首先，建模结果显示本节选取的指标18～XX均与当地泥石流灾害损失风险是否发生（Y）存在直接关联，没有出现节点之间轴连接中断的情况；其次，云南三江并流区泥石流灾害的发生可归纳为与4类因素相关，分别为地理因素、气候因素、人口因素和经济因素，与传统泥石流灾害风险分析所包含的影响因素一致；最后，4类因素内部存在影响关系：地理因素中的荒山荒地和草地密度（X3）是影响泥石流灾害是否发生的单一关键性因素；气温因素中的年均气温（X1）对当地降水程度（X2）存在影响，进而影响到泥石流灾害风险是否发生；人口因素中的人口密度（X5）影响当地的道路密度（X7），进而影响泥石流灾害风险是否发生；经济因素中的农业密度（X6）与固定资产投资（X8）共同影响经济密度（X4），进而影响到泥石流灾害风险是否发生。
本部分以2017年各县区数据X1～X8为已知信息（即先验概率）带入贝叶斯网络模型，通过概率推理得出后验概率（即Y =True 的概率）用于衡量某县区未来发生泥石流灾害损失的可能性，该过程可以通过GeNIe 2.3 Academic软件实现。如图4-4所示，以2017年大理市变量18～XX所属的状态作为先验知识输入模型，点击概率更新（Upgrade）即可得出当地发生泥石流灾害损失的概率约为5%（即True≈5%），而不发生泥石流灾害损失的概率约为95%（即False≈95%），按照相同的做法即可得出剩余县区泥石流灾害损失发生的可能性。由于泥石流灾害风险分析重点在于泥石流灾害损失是否发生，本章重点关注泥石流灾害发生（即Y=True）的后验概率，按照概率高低进行排序，并按照概率值的高低进行风险分级，分级标准为：0%～20%归为低，20%～40%归为较低，40%～60%归为中，60%～80%归为较高，80%～90%归为高，90%以上归为非常高。(www.xing528.com)
图4-4 后验概率计算示意图
根据表 4-15所示贝叶斯网络模型计算的后验概率与对应的风险等级，云南三江并流区内的大部分县区面临的泥石流灾害损失风险较大，其中：风险等级为高以上的县区占比约30%，风险等级为较高及以上的县区占比约42%，风险等级为中及以上的县区占比约50%，风险等级为较低及以下的县区占比约50%。因此，云南三江并流区近一半的县区面临过高的泥石流灾害风险。其中：怒江州和迪庆州辖区内的所有县区均为中等以上的风险等级，风险等级呈现为“全高”的分布特征，表明当地面临的泥石流灾害风险过于集中，是泥石流灾害风险管理的重点地区；大理州的巍山县、云龙县、弥渡县和剑川县是该州面临泥石流灾害风险较高的县区，占所有大理州县区数量的33%，风险等级呈现出明显的“高—低”分布；丽江市的华坪县是该市面临泥石流灾害风险最高的县区，风险等级呈现为 “一高多低”的分布特征。
表4-15 各县区后验概率值及风险等级
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
