基于貝葉斯網(wǎng)絡(luò)的暴雨-地質(zhì)、暴雨-洪澇災(zāi)害鏈推理模型

帥 敏，郭海湘，劉 曉，王德運，陳衛(wèi)明

（1.中國地質(zhì)大學(xué)（武漢）經(jīng)濟與管理學(xué)院；2.中國地質(zhì)大學(xué)（武漢）工程學(xué)院，湖北武漢 430074）

1 研究背景

近年來，國內(nèi)多發(fā)極端強降雨天氣，引發(fā)山區(qū)、市區(qū)地質(zhì)洪澇災(zāi)害，對電力、通信、公路等基礎(chǔ)設(shè)施損毀嚴(yán)重，甚至直接威脅群眾生命財產(chǎn)安全。僅2020年6月以來，南方持續(xù)強降雨已引發(fā)13 個省份的洪澇災(zāi)害，受災(zāi)人口高達1 216 萬人，直接經(jīng)濟損失257 億元。2020年6月23日，國家防汛抗旱總指揮部辦公室針對重慶市、貴州省的強降雨情況，重點強調(diào)防范局地強降雨引發(fā)的山洪地質(zhì)災(zāi)害，切實加強雨區(qū)中小河流洪水和城市內(nèi)澇防范，提前發(fā)布預(yù)警避險信息；6月28日，國家主席習(xí)近平對防汛救災(zāi)作出重要指示，要求全力做好地質(zhì)洪澇災(zāi)害防御。從凝練現(xiàn)實問題的角度出發(fā)，考慮暴雨-地質(zhì)、暴雨-洪澇兩類災(zāi)害鏈的鏈?zhǔn)椒磻?yīng)，預(yù)測次生災(zāi)害的風(fēng)險等級及基礎(chǔ)設(shè)施的損毀程度，已成為災(zāi)害應(yīng)急管理中亟待解決的關(guān)鍵問題。

“災(zāi)害鏈”的概念最早由郭增建等［1］在1987年提出，其后文傳甲［2］、史培軍［3］從鏈?zhǔn)教卣鳌?zāi)害鏈環(huán)等角度闡述了對災(zāi)害鏈的新的理解。2018年Aghakouchak 等［4］提出全球極端災(zāi)害的爆發(fā)是自然災(zāi)害級聯(lián)效應(yīng)所致，即多米諾式的鏈?zhǔn)椒磻?yīng)。這其中，暴雨-地質(zhì)災(zāi)害鏈、暴雨-洪澇災(zāi)害鏈作為影響范圍廣、破環(huán)力大的兩類災(zāi)害鏈引發(fā)了學(xué)者的廣泛關(guān)注，尤其山區(qū)地形地勢條件復(fù)雜，市區(qū)設(shè)施有人為修護影響，使暴雨對次生災(zāi)害的引發(fā)形式不確定，次生災(zāi)害整體演化過程的預(yù)測預(yù)警更加復(fù)雜。因此，基于災(zāi)害鏈的演化機理對災(zāi)害進行模擬預(yù)測，已成為了災(zāi)害預(yù)測預(yù)警模型的研究重心。

暴雨-地質(zhì)災(zāi)害鏈預(yù)測預(yù)警模型主要分為兩類。第一類應(yīng)用預(yù)測預(yù)報技術(shù)，已朝著人工智能預(yù)測預(yù)報模型、非線性預(yù)測預(yù)報模型和基于地理信息系統(tǒng)（geographic information system，GIS）技術(shù)的信息模型快速發(fā)展［5］，如王佳佳等［6］基于網(wǎng)絡(luò)地理信息系統(tǒng)（WebGIS）和“四庫”（模型庫、方法庫、數(shù)據(jù)倉庫、知識庫）一體技術(shù)開發(fā)滑坡災(zāi)害預(yù)測預(yù)報系統(tǒng)，通過靜態(tài)的地質(zhì)災(zāi)害易發(fā)性評價和動態(tài)的降雨預(yù)測耦合，劃分危險性等級，進而確立預(yù)警閾值；馬潔華等［7］、王治華等［8］則在選取指標(biāo)及預(yù)警閾值獲取方式上進行了細(xì)化。第二類利用監(jiān)測預(yù)警技術(shù)實現(xiàn)目標(biāo)區(qū)域位移、環(huán)境變化的監(jiān)測，如在技術(shù)上雷達干涉測量在20 世紀(jì)90年代就被應(yīng)用于監(jiān)測地質(zhì)災(zāi)［9］；Jaboyedoff 等［10］分析了激光雷達在滑坡、巖崩和泥石流中的不同應(yīng)用，并提出從高分辨率的數(shù)字高程模型(HRDEM))中獲取更多數(shù)據(jù)，用于滑坡的早期預(yù)警；Fan 等［11］研究證實采用多時間衛(wèi)星或無人機圖像融合監(jiān)測系統(tǒng)測算位移的科學(xué)性。現(xiàn)有預(yù)報系統(tǒng)應(yīng)用的危險性評價方法，評價指標(biāo)受專家人為主觀影響，且地質(zhì)災(zāi)害復(fù)雜，此法考慮影響因素單一。總體來說，以上兩類方法設(shè)定的最終預(yù)警閾值都未實現(xiàn)對災(zāi)害全過程的動態(tài)概率推理，無法基于實時動態(tài)數(shù)據(jù)實現(xiàn)災(zāi)害風(fēng)險等級評估、從而采取相應(yīng)防災(zāi)措施。

暴雨-洪澇災(zāi)害鏈預(yù)測預(yù)警模型主要分為兩類。第一類為應(yīng)用經(jīng)典預(yù)測模型如人工神經(jīng)網(wǎng)絡(luò)ANNs、自回歸移動平均法ARMA、灰色預(yù)測模型GM(1，1)、整合移動平均自回歸模型ARIMA 等。第二類為改進水文模型，主要分析洪澇災(zāi)害的影響因素，得出有關(guān)評價指標(biāo)在模型中的合理權(quán)重，如杜志強等［12］將歷時降雨和實時降雨數(shù)據(jù)代入ARMA 模型識別異常降雨；劉雄［13］將易漬水點地形及單位面積降雨量作為城市洪澇的影響因素，應(yīng)用回歸分析得到降雨積水的關(guān)系模型。以上洪澇災(zāi)害預(yù)測模型一般針對雨澇、內(nèi)澇等單類洪澇災(zāi)害節(jié)點進行預(yù)測，對于其他洪澇災(zāi)害節(jié)點間引發(fā)的關(guān)系有待拓展。

預(yù)測暴雨災(zāi)害對電力、水和通信等基礎(chǔ)設(shè)施系統(tǒng)的損毀程度，必須注重它們之間的級聯(lián)關(guān)系和級聯(lián)效應(yīng)，因為它們相互依賴，一個系統(tǒng)的損壞可能會在依賴于它的所有系統(tǒng)甚至整個系統(tǒng)中產(chǎn)生級聯(lián)效應(yīng)［14］。目前，基礎(chǔ)設(shè)施間的級聯(lián)關(guān)系及其在地質(zhì)洪澇災(zāi)害背景下的應(yīng)用已有一定的理論基礎(chǔ)，如He 等［15］度量颶風(fēng)災(zāi)害下電力、水和電信系統(tǒng)之間的依賴性，推測系統(tǒng)受損后的恢復(fù)時間對此依賴性的敏感程度；Cheng［16］提出一種非對稱關(guān)系矩陣的數(shù)學(xué)框架，在涉及洪水地質(zhì)災(zāi)害時可用以分析基礎(chǔ)設(shè)施之間的依賴性，從而對其重要性做優(yōu)先級排序。但如何進一步量化級聯(lián)關(guān)系對基礎(chǔ)設(shè)施的損毀程度還需要考慮。

貝葉斯網(wǎng)絡(luò)作為對復(fù)雜系統(tǒng)建模和推理的工具，其構(gòu)建的拓?fù)浣Y(jié)構(gòu)可用于解決洪澇災(zāi)害模型中未定性災(zāi)害節(jié)點間引發(fā)關(guān)系的問題，參數(shù)學(xué)習(xí)得到的條件概率表可用于定量預(yù)測地質(zhì)災(zāi)害節(jié)點間的引發(fā)概率，進而通過因果推理實現(xiàn)對災(zāi)害過程的動態(tài)概率預(yù)測以及對基礎(chǔ)設(shè)施的損毀等級推理，以彌補上述研究內(nèi)容的缺陷。目前，貝葉斯網(wǎng)絡(luò)已應(yīng)用于災(zāi)害鏈、突發(fā)事件鏈建模、網(wǎng)絡(luò)輿情危機等級預(yù)測等領(lǐng)域的研究中，如哈斯等［17］以貝葉斯網(wǎng)絡(luò)為工具構(gòu)建因果型草原干旱雪災(zāi)災(zāi)害鏈模型，預(yù)測干旱引發(fā)來年雪災(zāi)的影響程度；羅軍華等［18］構(gòu)建山區(qū)公路暴雨-洪水災(zāi)害鏈貝葉斯網(wǎng)絡(luò)推理模型，研究不同情形下公路構(gòu)筑物受暴雨-洪水災(zāi)害影響的破損情況。

但目前貝葉斯網(wǎng)絡(luò)在災(zāi)害鏈中的應(yīng)用以單災(zāi)害鏈為主體，僅設(shè)定發(fā)生與不發(fā)生兩種節(jié)點狀態(tài)，結(jié)合專家經(jīng)驗獲取先驗概率和條件概率表，本研究旨在已有研究基礎(chǔ)上進行節(jié)點狀態(tài)細(xì)分以及提升風(fēng)險概率預(yù)測精度，克服無法評估風(fēng)險級別的缺點和突破以往應(yīng)用模型中受人為因素影響的局限，構(gòu)建可普遍應(yīng)用的綜合災(zāi)害鏈模型，并以常見的地質(zhì)、洪澇災(zāi)害的山區(qū)、市區(qū)為背景，探究暴雨過程中不同孕災(zāi)環(huán)境下引發(fā)各次生地質(zhì)、洪澇災(zāi)害的概率，以及預(yù)測由此造成的公共基礎(chǔ)設(shè)施損毀的程度，為有關(guān)管理部門提供有效的風(fēng)險評估與決策支持。

2 研究方法

2.1 貝葉斯網(wǎng)絡(luò)、因果推理及檢驗

構(gòu)建災(zāi)害鏈貝葉斯網(wǎng)絡(luò)模型需先建立貝葉斯網(wǎng)絡(luò)圖，據(jù)此運用因果推理實現(xiàn)概率預(yù)測，最后在實例檢驗中通過計算實際值與預(yù)測值的均方概率誤差，即Brier 評分來檢驗?zāi)Ｐ途取?/p>

因果推理是利用貝葉斯網(wǎng)絡(luò)的正向因果推理技術(shù)，在已知一定的父節(jié)點狀態(tài)（證據(jù)）的情況下計算子節(jié)點發(fā)生的條件概率，即進行預(yù)測［24］，基于已構(gòu)建的貝葉斯網(wǎng)絡(luò)圖，在已知原生災(zāi)害父節(jié)點的狀態(tài)下計算次生災(zāi)害子節(jié)點不同狀態(tài)下的條件概率，得出最終風(fēng)險等級。如在災(zāi)害鏈?zhǔn)椒磻?yīng)過程中，所有影響災(zāi)害節(jié)點發(fā)生的父節(jié)點Si組成的集合為證據(jù)Sa，這種情況下次生災(zāi)害子節(jié)點Sb處于狀態(tài)的概率為，計算如式（1）所示。

式（1）中：n為災(zāi)害節(jié)點個數(shù)，每個災(zāi)害節(jié)點都有i種狀態(tài)；表示給定所有原生災(zāi)害父節(jié)點的狀態(tài)為時，次生災(zāi)害子節(jié)點Sb處于狀態(tài)的概率；表示所有災(zāi)害父節(jié)點狀態(tài)為和次生災(zāi)害子節(jié)點Sb狀態(tài)為同時發(fā)生的概率；表示已發(fā)生的事件即所有父節(jié)點狀態(tài)為的聯(lián)合概率。

本研究采用貝葉斯網(wǎng)絡(luò)模型評價常用標(biāo)準(zhǔn)Brier評分對模型預(yù)測效果進行評價。Brier 評分假設(shè)貝葉斯網(wǎng)絡(luò)模型中第i個評價目標(biāo)為，m為待評價變量個數(shù)，每個Mi有種可能的狀態(tài)，變量Mi的第j種狀態(tài)取值Mij所對應(yīng)的推理概率為；變量Mi的實際取值記為，若Mij恰好為該變量的實際取值，則；否則。記：，其中B代表貝葉斯網(wǎng)絡(luò)中m個目標(biāo)變量的預(yù)測偏差平均值，，B越小則代表網(wǎng)絡(luò)預(yù)測偏差越小，即預(yù)測效果越好。一般認(rèn)定：則表示該網(wǎng)絡(luò)預(yù)測結(jié)果的正確性符合要求；反之，不符合要求。

2.2 貝葉斯網(wǎng)絡(luò)建模

2.2.1 貝葉斯網(wǎng)絡(luò)節(jié)點選取

首先，將暴雨在山區(qū)、市區(qū)不同情景下易發(fā)生的地質(zhì)、洪澇災(zāi)害鏈進行節(jié)點劃分；其次，根據(jù)國家減災(zāi)網(wǎng)、各地方政府網(wǎng)站、新華網(wǎng)、新浪網(wǎng)、搜狐網(wǎng)、百度百科等權(quán)威網(wǎng)站的災(zāi)害報道數(shù)據(jù)，并結(jié)合專家意見，選取常見的24 個節(jié)點變量，如表1 所示 。

表1 山區(qū)、市區(qū)暴雨災(zāi)害鏈節(jié)點變量

2.2.2 貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)建立

本研究以美國Web of Sciences、中國知網(wǎng)數(shù)據(jù)庫為文獻收集庫，搜索降雨、滑坡、泥石流、山洪等災(zāi)害節(jié)點關(guān)鍵詞，得到相關(guān)的災(zāi)害文獻，分析災(zāi)害節(jié)點影響因素，據(jù)此構(gòu)建出貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)中各節(jié)點的引發(fā)關(guān)系，得出山區(qū)暴雨-地質(zhì)災(zāi)害鏈、市區(qū)暴雨-洪澇災(zāi)害鏈的貝葉斯網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，如圖1 所示。其中，地質(zhì)類災(zāi)害文獻主要研究對象為滑坡、泥石流、堰塞湖，此類災(zāi)害形成的必要條件為松散物質(zhì)來源，如地質(zhì)結(jié)構(gòu)不穩(wěn)定、巖性風(fēng)化、人為活動等，本研究選取地質(zhì)和巖性結(jié)構(gòu)兩個最為普遍的因素。泥石流以土壤松散、攜帶大量泥沙為主，易在陡峭地形上迅速形成、流通、堆積，最重要的誘發(fā)因素為水源條件，可以帶來搬運物質(zhì)的動力且軟化土壤；堰塞湖是由上游的泥石流堆積的松散物質(zhì)沖入原有水系，導(dǎo)致河床堵塞，儲水而形成。洪澇類災(zāi)害文獻內(nèi)容主要涵蓋農(nóng)業(yè)的雨澇災(zāi)害風(fēng)險評估、市區(qū)內(nèi)澇災(zāi)害應(yīng)急管理、洪水災(zāi)害預(yù)測預(yù)警。雨澇主要危害農(nóng)作物，造成減產(chǎn)絕收；內(nèi)澇常見于地勢低洼、排水系統(tǒng)老化的老城區(qū)；洪水危害程度則遠(yuǎn)超其他洪澇災(zāi)害，直接引發(fā)河流湖泊的水位上漲，沖毀房屋基礎(chǔ)設(shè)施，造成人員傷亡。承災(zāi)體選擇易受山區(qū)、市區(qū)地質(zhì)洪澇災(zāi)害損害的主體，即公共交通、電力系統(tǒng)、通信系統(tǒng)、人員傷亡、房屋倒塌等節(jié)點。電力系統(tǒng)由于依靠電線桿輸電，洪水沖斷電線桿就易引發(fā)多個地區(qū)如鄉(xiāng)、縣的大面積停電；通信光纜被山洪、泥石流災(zāi)害沖斷，基電站存電量耗完則通信因此中斷；滑坡、泥石流在山區(qū)發(fā)生后，由于山區(qū)房屋分布零落、人口密度小，故房屋倒塌數(shù)量少、人員傷亡基數(shù)小，但人員傷亡情況重；市區(qū)易發(fā)生洪澇，雖受災(zāi)人口廣布，但是災(zāi)害應(yīng)急措施成熟，人員傷亡少，然房屋倒塌受損數(shù)量多；洪水導(dǎo)致水廠被淹、供水管道被毀，則嚴(yán)重影響了城區(qū)市民用水。

圖1 山區(qū)、市區(qū)暴雨災(zāi)害鏈貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)

2.2.3 貝葉斯網(wǎng)絡(luò)各節(jié)點的狀態(tài)取值及條件概率表分布

哈斯等［20］、羅軍華等［23］在進行貝葉斯網(wǎng)絡(luò)節(jié)點狀態(tài)劃分的時候，為降低網(wǎng)絡(luò)節(jié)點參數(shù)估計的復(fù)雜性，多采用二值化離散處理，結(jié)合專家經(jīng)驗，劃分為災(zāi)害事件發(fā)生和不發(fā)生兩種狀態(tài)。本研究為了使預(yù)測結(jié)果更加精確，明確事件發(fā)生時的嚴(yán)重程度，參考了我國國家氣象局、地質(zhì)災(zāi)害防治工程行業(yè)標(biāo)準(zhǔn)及相關(guān)文獻，在部分節(jié)點上劃分了多種狀態(tài)，具體如表2 所示。

表2 暴雨災(zāi)害鏈貝葉斯節(jié)點的狀態(tài)取值及先驗概率

表2 （續(xù)）

從國家減災(zāi)網(wǎng)、政府門戶網(wǎng)站、新華網(wǎng)等官方網(wǎng)站獲得災(zāi)害事件數(shù)據(jù)，再應(yīng)用期望最大化(expectation maximization，EM)算法進行參數(shù)學(xué)習(xí)，得出表明父節(jié)點、子節(jié)點間概率關(guān)系的條件概率表。以山區(qū)發(fā)生的暴雨災(zāi)害子節(jié)點堰塞湖為例，山區(qū)發(fā)生泥石流，且附近有原有水系，則發(fā)生堰塞湖的概率較大，但是如果不存在原有水系，即使發(fā)生泥石流，觸發(fā)堰塞湖的概率也很低（見表3），這說明原有水系是除泥石流以外影響堰塞湖成災(zāi)的一大因素。

表3 堰塞湖節(jié)點的條件概率

以市區(qū)發(fā)生的暴雨災(zāi)害子節(jié)點農(nóng)作物受災(zāi)為例，隨著雨澇從無到有到演化程度的加深，農(nóng)作物受災(zāi)面積的預(yù)測結(jié)果從0.857 大概率農(nóng)作物無損毀到90%以上的概率有0.01 km2～500 km2的農(nóng)作物受災(zāi)，到最后雨澇程度為重度雨澇時甚至有小概率導(dǎo)致500 km2～1 000 km2甚至以上的農(nóng)作物受災(zāi)（見表4），這說明雨澇是直接影響農(nóng)作物受災(zāi)面積的最重要因素。

表4 農(nóng)作物受災(zāi)節(jié)點的條件概率

2.3 基于因果推理的內(nèi)澇嚴(yán)重程度預(yù)測

利用上述構(gòu)建的貝葉斯網(wǎng)絡(luò)模型進行推理，如果在災(zāi)害鏈鏈?zhǔn)椒磻?yīng)過程中已經(jīng)觀測到a10降雨量為即200 mm 以上，a11降雨歷時為即48 h 以上，b22 地勢為即低平，b21排水系統(tǒng)為即差，則在模型中輸入證據(jù)和等，經(jīng)過因果推理，得到此時內(nèi)澇不發(fā)生的概率為16.66%，處于一般規(guī)模的概率為16.66%，嚴(yán)重的概率為66.68%（詳見表5）。

表5 內(nèi)澇節(jié)點的條件概率

3 貝葉斯網(wǎng)絡(luò)模型的實例推理分析及Brier 檢驗

3.1 實例概況

寧鄉(xiāng)縣位于湖南省長沙市，其地形地貌復(fù)雜，西部山區(qū)屬于風(fēng)化花崗巖地區(qū)，遇到強降雨很容易發(fā)生山體滑坡、泥石流等山洪地質(zhì)災(zāi)害，東部地區(qū)屬于洞庭湖尾閭地區(qū)，地勢低洼，河流匯集。2017年6月22日至7月1日寧鄉(xiāng)縣發(fā)生了強降雨，導(dǎo)致中西部9 個鄉(xiāng)鎮(zhèn)出現(xiàn)山體滑坡，東部區(qū)域出現(xiàn)洪水漫堤，受災(zāi)人口達81.5 萬人，占全縣人口的56%，因災(zāi)死亡44 人，農(nóng)作物受災(zāi)212 km2，損毀倒塌房屋14 000余間，毀損堤壩900多處，70多條道路受損，13 個鄉(xiāng)鎮(zhèn)停電，7 個鄉(xiāng)鎮(zhèn)通信一度中斷，造成直接和間接經(jīng)濟損失約90 億元。

3.2 實例分析及Brier 檢驗

利用本研究建立的貝葉斯推理模型對2017年寧遠(yuǎn)縣遭受的洪澇及其地質(zhì)災(zāi)害進行推理預(yù)測，設(shè)定災(zāi)害發(fā)生時已存在的證據(jù)變量概率為1，利用因果推理求出此時目標(biāo)變量所有狀態(tài)的概率取值，并選取其所有狀態(tài)中推理概率最大的值作為預(yù)測值。將降雨強度200 mm/d、降雨歷時超48 h、山區(qū)土壤松散、地形地貌陡峭、市區(qū)地勢低等作為已知證據(jù)變量輸入貝葉斯推理模型，根據(jù)本研究構(gòu)建的災(zāi)害鏈?zhǔn)椒磻?yīng)拓?fù)浣Y(jié)構(gòu)及條件概率表，應(yīng)用因果推理實現(xiàn)對滑坡、泥石流、堰塞湖、洪水、雨澇、內(nèi)澇、電力、供水等地質(zhì)、洪澇、基礎(chǔ)設(shè)施災(zāi)害節(jié)點的不同狀態(tài)概率預(yù)測，選取概率最大的狀態(tài)值對應(yīng)識別節(jié)點的風(fēng)險等級，Brier 評分B 值為0.3，小于0.6。從實際應(yīng)用效果來看，區(qū)別于其他模型只有發(fā)生與不發(fā)生的狀態(tài)，本研究建立的模型狀態(tài)細(xì)分，直接識別相應(yīng)風(fēng)險等級范圍，且預(yù)測值與2017年寧遠(yuǎn)縣災(zāi)害鏈的實際數(shù)據(jù)作對比后發(fā)現(xiàn)較為相符（見表6），表明基于貝葉斯網(wǎng)絡(luò)構(gòu)建的暴雨-洪澇、暴雨-地質(zhì)災(zāi)害鏈推理模型預(yù)測的準(zhǔn)確性較好。

表6 案例暴雨災(zāi)害風(fēng)險預(yù)測值與實際值對比

4 結(jié)論

現(xiàn)有的地質(zhì)、洪澇災(zāi)害鏈預(yù)測預(yù)警模型集中在具體區(qū)域的單災(zāi)害鏈風(fēng)險預(yù)警，導(dǎo)致模型的普遍應(yīng)用性不強，且缺乏對其他災(zāi)害類型級聯(lián)效應(yīng)關(guān)系的挖掘及鏈?zhǔn)椒磻?yīng)全過程中風(fēng)險等級的概率推理，而貝葉斯網(wǎng)絡(luò)作為建模和推理的工具，運用其構(gòu)建的拓?fù)浣Y(jié)構(gòu)可用于定性分析災(zāi)害節(jié)點間的引發(fā)關(guān)系，通過參數(shù)學(xué)習(xí)得到的條件概率表可用于定量預(yù)測災(zāi)害節(jié)點的引發(fā)概率，且在災(zāi)害鏈領(lǐng)域已有所應(yīng)用，故本研究采用貝葉斯網(wǎng)絡(luò)構(gòu)建暴雨-地質(zhì)、暴雨-洪澇災(zāi)害鏈推理模型，對災(zāi)害鏈中所有涉及的節(jié)點進行狀態(tài)細(xì)分，構(gòu)建災(zāi)害鏈拓?fù)浣Y(jié)構(gòu)，應(yīng)用EM 算法獲取各節(jié)點的條件概率表，以此進行因果推理，預(yù)測暴雨造成次生災(zāi)害的風(fēng)險等級及其對基礎(chǔ)設(shè)施的損壞程度，并以湖南省寧遠(yuǎn)縣2017年6月22日至7月1日間發(fā)生的地質(zhì)洪澇災(zāi)害為例，預(yù)測結(jié)果經(jīng)Brier 檢驗后B 值小于0.6，證明本研究構(gòu)建的模型效果良好。

相較于以往在單災(zāi)害鏈的應(yīng)用，本研究構(gòu)建的模型更具有普遍綜合災(zāi)害鏈的應(yīng)用功能，且在理論上，對豐富鏈?zhǔn)椒磻?yīng)推理及改進精度上可能存在如下貢獻：（1）選取暴雨引發(fā)的次生地質(zhì)、洪澇災(zāi)害節(jié)點及損毀的基礎(chǔ)設(shè)施節(jié)點，并在節(jié)點狀態(tài)分布上由單一離散型變?yōu)槎喾秶?xì)分型，改善以往應(yīng)用模型只能預(yù)判災(zāi)害發(fā)生與否的情況，實現(xiàn)風(fēng)險等級判別，為應(yīng)急管理預(yù)案的匹配提供決策支持；（2）應(yīng)用EM 算法實現(xiàn)了從依賴專家群決策修正條件概率表到對樣本進行參數(shù)學(xué)習(xí)獲取條件概率表的跨越，避免了主觀因素的影響，提升了次生災(zāi)害概率預(yù)測的精度。在實踐上，本研究構(gòu)建的模型服務(wù)于國家重點戰(zhàn)略，響應(yīng)國家關(guān)于加強洪澇、地質(zhì)災(zāi)害預(yù)警的指示，對暴雨引發(fā)的次生災(zāi)害以及由此損毀的基礎(chǔ)設(shè)施的風(fēng)險等級進行概率預(yù)測，為相關(guān)部門及時開展識別滑坡、泥石流等地質(zhì)災(zāi)害隱患點、根據(jù)洪水風(fēng)險等級及時安排人員轉(zhuǎn)移安置、結(jié)合基礎(chǔ)設(shè)施級聯(lián)效應(yīng)所預(yù)測的損毀程度進行搶修等工作提供科學(xué)依據(jù)。

本研究設(shè)定的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)對基礎(chǔ)設(shè)施節(jié)點之間的相關(guān)關(guān)系未進行深入分析，未來的研究可深入探討當(dāng)某項基礎(chǔ)設(shè)施受暴雨災(zāi)害影響出現(xiàn)故障時，引發(fā)其他基礎(chǔ)設(shè)施出現(xiàn)級聯(lián)故障的概率，進一步為及時防災(zāi)減災(zāi)提供決策參考。