決策樹模型輔助下災害性天氣的服務過程及決策分析*
——以北京“7·21”特大暴雨為個例

扈海波 梁旭東 王 瑛 張西雅

1 北京城市氣象研究院，北京 100089

2 中國氣象科學研究院，北京 100081

3 北京師范大學地表過程與資源生態國家重點實驗室，北京 100086

提 要： 從預報員的審視角度分析及回顧2012年北京“7·21”極端暴雨天氣過程中的氣象服務，探討這種天氣形勢下，是否應該以及如何應用最優決策模型輔助決策服務，以更好地做出決策判斷、降低災害風險。通過情景模擬的方式，對此次典型暴雨災害過程中的氣象服務決策進行診斷性分析，揭示在現有技術條件下，面對不確定性決策問題時，能否借助決策模型方法，在依據現有數據資料(中尺度數值預報結果、觀測資料等)，得出最優決策判斷。模擬用“7·21”前一天的數值預報結果，進行事前暴雨洪澇災害及暴雨泥石流災害風險評估，結果顯示“7·21”當天此兩種災害的風險均較大。結合歷史災情及“7·21”的預報雨量，也可判定“7·21”存在較大的暴雨災害風險。選用貝葉斯方程算出的“7·21”當天有災的后驗概率僅為23.1%。但進一步分析有災或無災可導致的期望損失，發現無災預報可導致的期望損失較大。分析判定“7·21”當天確實應該做出有災的決策判斷，并采取對應的“保守型氣象服務方案”，可達到最優決策效果。決策模型分析得到的啟示是，為減少重大氣象服務過程中受不確定性天氣預報的影響，在天氣服務過程中，除了需要有一定的誤報容忍度及應急準備外，還應提供天氣預報及預警的不確定性信息，以供公眾及行業用戶做各自的決策判斷選擇，變確定性預報及預警模式為不確定性模式。

引 言

近年來極端暴雨災害帶來越來越嚴重的影響及危害。尤其是城市突發極端暴雨積澇及洪澇，造成了巨大的人員傷亡及財產損失，引起了世人的廣泛關注(Zhou et al，2013;孫繼松等，2012;扈海波和張艷莉，2014)。分析此類災害性天氣事件的氣象服務過程，對今后遭遇類似事件的風險評估及預判、極端天氣氣象服務質量提升、應對及降低極端天氣災害風險等，均有借鑒及參考價值。

2012年北京的“7·21”特大暴雨天氣過程及其氣象服務就是一場典型及值得事后總結分析的服務案例，特別是針對天氣預報及預警服務的決策判斷的總結分析。因此，本文嘗試剖析氣象部門在應對極端天氣氣象服務及決策過程中，探討在當前預報技術手段及探測條件下，借助決策分析模型，是否可改進氣象服務，輔助得出更為貼近實際的預警信號，從而降低災害風險及損失。

準確的天氣預報是災害性天氣預警的重要依據，也是致災因子強度判斷及風險分析的基礎(Li et al,2012;Meyer et al,2009;Hirschberg et al,2011;Zhou et al,2011)。從決策分析的角度來剖析如何應對類似極端暴雨事件的氣象服務過程，必須清楚地認識到在現有氣象觀測及預報技術水準下，很難完全撇除預報不確定性，得到近似完美的天氣預報。那么如何依靠這種不確定性天氣預報做好災害性天氣氣象服務過程中的決策判斷及分析，是需要解決的首要難題。本文嘗試利用貝葉斯方法，模擬預報員在決策判斷前，依據未來天氣及氣候背景資料，大致估計未來災害性天氣的發生概率，據此判斷三類服務方案下(保守、冒險及不確定)可導致的損失期望大小，并按最小期望損失來選擇服務方案或者做出決策判斷。

以“7·21”事件為個例，模擬在貝葉斯及決策樹模型下的決策支持服務及判別過程，揭示在此決策判斷情景下，是否可得到最佳決策，這種決策判斷能否達到理想的服務效果。當然，災害性天氣服務過程中所遭遇的具體情況可能比事后的模擬過程要復雜得多，數據資料的不確定性會更突出，數據解讀會摻雜更多的誤導。本文力圖真實還原“7·21”的氣象服務過程，按照各時間節點上所能得到的資料和情景，并在這類資料上進行基于決策判斷的模擬分析。目的是為今后遭遇類似極端天氣事件時，提供可借鑒的處理及判斷模式。也盡量從預報人員的角度，結合預警信息發布、應急聯動及災害救助過程，分析類似事件中的氣象服務決策人員是否有條件得出最佳決策方案，改善氣象服務效果。如果能，該怎么做；不能，又怎么去改進決策判斷結果。并從這一模式中探索極端天氣及氣候事件發生時，預報人員怎樣才能借助類似貝葉斯方法及決策樹模型，給出合理的判斷及決策分析，達到最優化決策目的。

1 數據與資料

本項研究運用的主要數據資料有：

(1)北京地區20個氣象站點近60年到30年不等的降水日雨量資料，用于氣候背景分析，推算極端降水的累積或超越概率。

(2)“7·21”暴雨當天提前24 h的ECMWF模式(以下簡稱EC)、JAPAN模式(以下簡稱JP)和北京Beijing Rapid Update Cycle模式(以下簡稱BJ_RUC)的數值預報雨量資料。EC(HRES及ENS)資料的起報時間為00 UTC及12 UTC，1 h或3 h更新一次，預報提前量可達+144 h及以上，空間分辨率為9 km。BJ_RUC為3 h快速更新循環同化預報系統，空間分辨率為3 km(D2區域)。JP的預報為有限區域及半球資料，兩次初始場時間為00 UTC 及12 UTC，空間分辨率為1.25°及2.5°格距。JP資料用作定性分析，不參與模型的計算。而EC及BJ_RUC資料則參與模型的計算分析，其中，研究用距離權重插值將EC的9 km預報雨量降尺度到3 km的風險評估模型網格。

(3)“7·21”當天北京市氣象局的短時臨近預報系統(BJ_ANC)的定量降水估計(QPE)(6 min、30 min、60 min、3 h、6 h)雨量，以及BJ_ANC的定量降水預報(QPF)(30 min、60 min)雨量。

(4)北京市氣象臺提供的“7·21”當天的預報及預警信息發布結果及發布時次，包括預報時刻、預報時間范圍、預報雨量結果及實況雨量統計結果、預警時刻、預警提前時間及預警等級等內容。

(5)在制作洪澇災害快速風險評估及風險預警結果圖件時，使用北京市測繪局2006年提供的1∶5 萬比例尺的北京市基礎地理信息數據。地形因子的計算選用空間分辨率為92 m×92 m的數字高程模型(DEM)。河網密度及不透水地表參數均從北京市基礎地理信息數據及衛星資料中提取生成。重點防汛路段及防汛點信息由北京市防汛辦提供。評估所用的北京地區人口密度及地均GDP數據來源于北京市2007年統計年鑒并按照空間網格數據計算的要求進行數值離散化處理及應用(扈海波和王迎春，2007)。

(6)在制作泥石流災害風險評估圖件時，使用北京市地質規劃研究所提供的泥石流發育區分布圖。該類圖件給出了北京地區泥石流的重度、中度、輕度等3～4類的發育區分布結果，該圖件的矢量圖可與格點雨量資料疊置，用于泥石流風險分析(陳悅麗等，2019)。需要說明的是洪澇和泥石流災害的風險評估均提供兩類災害對人員的脅迫人數分布結果。

上述資料為從決策支持的角度模擬及分析“7·21”暴雨當天的氣象服務過程，以及決策判斷提供實況信息和可供分析與判斷的計算結果。

2 方法與計算

在氣象決策服務及高影響天氣災害防御過程中需要解決兩個關鍵的問題：一是要充分了解高影響天氣的致災能力和危險性狀況可能對承災體帶來的沖擊和影響，而現實的情況卻是對未來天氣及其變化情況無法把握或者是存有不確定性因素，這時如何決策；二是必須確認現有的氣象服務信息是可信的，如何用這類被認定的，但含有不確定性的信息來實施災害預警，并用于災害防御以獲取最大防災效果(期望效益)。前者需要解決的是隨機決策下的不確定性判定，后者的決策判斷其實是可在最優決策分析基礎上，以估算的期望損失來做選擇。由于隨機決策問題中的自然狀態概率體現為未來災害性天氣的出現概率，隨機決策方法可用于類似“7·21”特大暴雨那種災害性天氣的預報、災害防御及應急服務。

2.1 不確定型決策方法

當自然狀態的概率無法得知時，常用不確定型決策方法。對于未來高影響天氣出現的概率把握不大時，可根據服務對象的基本狀況或者對待風險的偏好，采用不確定型決策方法進行服務決策。

氣象預報服務在高影響天氣過程中首先要確定兩種可能出現的基本自然狀態，或判定未來天氣的風險狀況，即未來天氣的發展會導致災害性后果和未來不出現災害性后果。兩種自然狀態下預期的益損值見表1，并定義了三種服務及應急方案。

表1 三個備選服務方案的預期益損值

2.2 確定型決策方法

確定型氣象決策服務則是通過天氣預報，給出未來天氣的變化情況，發布氣象服務信息。這其實可采取最大期望值決策法(陳珽，1987；馮俊文，1991)，以損失期望值最小的方案，作為最佳服務方案。

2.3 最優決策分析

需要特別指出的是通常情況下，事件的發生概率P是不確定的。災害性天氣事件的發生概率同樣如此，在氣象決策服務中可以輔以氣候及天氣預報結果進行災害性天氣的決策判斷。下面通過最優決策判斷理論對這個問題進行更深一步的探討。

假定預測對象Y有兩種狀態y0(有災)和y1(無災)，這兩類狀態的先驗概率為P(y0)和P(y1)，而且P(y0)+P(y1)=1；行動空間中有兩種策略行動：a0預報y0，a1預報y1。假設沒有天氣預報，這個先驗概率只能依據氣候預測來獲取，或者本身即為氣候概率。

假定在y0出現時，因子x的概率為P(x|y0)；在y1出現時，因子x的概率為P(x|y1)。在因子x出現時做出決策S0(x)=a0的概率為δ(S0|x)；做出決策S1(x)=a1的概率為δ(S1|x)，且由于預報決策只有兩種可能，因此，δ(S0|x)+δ(S1|x)=1，造成的損失如表2所示。

表2 兩類狀態兩種決策的損失表

根據已知條件，由貝葉斯理論，后驗概率為：

(1)

(2)

如果

(3)

預測有災的后驗期望損失為：

(4)

無災的后驗期望損失為：

(5)

因此，如果后驗期望損失中，滿足：

L[S(x)，y0]P(y0)P(x|y0)≥

L[S(x)，y1]P(y1)P(x|y1)

則應該做出有災的決策，也就是：

反之則預測無災。

3 “7·21”特大暴雨服務過程的決策分析判斷及檢驗

圖1展示“7·21”氣象服務決策分析的工作流程及設想示意。高影響天氣的氣象服務決策分析有必要用快速風險評估結果做決策依據(扈海波等，2013)。再輔以貝葉斯方法可得出有災條件概率(如“7·21”當天的推斷為0.231)或無災概率。這個計算結果節點其實是氣象服務模式選擇的一個分界點。如果完全由預報及決策人員根據這個概率值來做判斷，并據此發布預報及預警信息，這顯然是通常的確定性預報及預警模式。而在高影響天氣氣象服務過程中，這個概率值如直接傳遞給公眾，可認為是一種不確定性預報及預警模式(Demuth et al,2009)。圖1的分析認為這種不確定性預警模式既可將災害損失降到最低，又可避免確定性模式下的“狼來了”效應。反之確定性模式很難做到最優決策效果，因為在不確定性天氣情況下，必須做出確定性預報，必須做有災或無災的判定。此時傾向于保守型服務方案就在所難免。而不確定性模式下，就不會出現這種難局。將決策的優先權真正交還最終用戶后，行業人員可以根據本行業對高影響天氣的敏感性做出決策判斷及災害防御對策，將災害損失減少到最理想狀態，同時又減少不必要的恐慌和投入。以下將結合“7·21”個例給出具體的決策過程分析。

圖1 “7·21”氣象服務決策分析過程的主向工作流及設想圖

3.1 基于貝葉斯方程的“7·21”最優決策判斷模型應用實例

回顧“7·21”的過程預報是：北京地區暴雨，西南部(房山、門頭溝、海淀、石景山)、東北部(平谷、密云、懷柔東部、順義北部)等地降水量將超過100 mm(大暴雨總面積超過北京行政區域面積一半以上)，城區降水時間午后開始(圖2a)。實況是：大暴雨區域(超過100 mm)面積約占北京行政區域面積的2/3，出現西南、東北兩個特大暴雨中心(圖2b)。另外，幾乎所有數值預報模式(EC，JA，T639，WRF等)的降水預報都一般偏晚6～8 h。主要的原因是：模式預報為鋒面降水，其主要過程發生在暖區的低空急流中，而“7·21”當天在地形強迫和低層風輻合的作用下，導致中尺度對流系統(MCS)長時間的“列車效應”的維持和MCS的發展(陳明軒等， 2013)，加上中高層水汽垂直輸送作用(王婧羽等，2014)，因此產生了連續大強度降水(孫繼松等，2012;俞小鼎，2012;諶蕓等，2012;孫軍等，2012)。 “7·21”特大暴雨正常體現了極端天氣過程發生及發展的不確定性(Morss et al,2008)。

圖2 “7·21”暴雨過程(a)氣象臺預報結果和(b)實況雨量

從預報的角度給出圖2a那樣的有一定準確度的預報結果是無可厚非的。那么怎么根據這種具有較大不確定性且與實際需求有差距的預報結果進行決策分析，也就是說按照最優決策理論是否首先可以做出有災或無災的判定，從而選取最佳服務方案。圖3是根據EC在7月20日提供的未來24 h數值預報結果，按照風險評估模型方法(扈海波等，2013；扈海波和張艷莉，2014；Hu,2015;Hu et al,2014;Meyer et al,2009)，所得到的“7·21”暴雨綜合風險及地質災害風險指數分析結果。從風險評估圖上可以看到，“7·21”當天可能的高風險區域集中在北京西南、北部及東北部地區，地質災害風險區域主要分布在西南、西及北部山區(圖3b)，而實際的受災殉難人員也主要分布在這些地區(圖3c)。需要指出的是天氣預報有很大的不確定性，而風險評估結果同樣帶有很大的不確定性(Hsu et al,2012;Merz and Thieken,2009)。在現有風險管理機制尚未確立之前，預報員也不可能完全靠風險分析及評估結果做決策判定。

圖3 “7·21”暴雨(a)事前災害風險評估，(b)地質災害風險評估結果和(c)殉難人員分布

除了依據雨量預報進行快速災害風險評估外(Hu,2014)。還可參照歷史災情資料，對應這種高影響天氣狀態，輔助進行有災或無災的定性判定。查閱《中國氣象災害大典.北京卷》(謝璞，2005)及相關年份的減災年鑒，發現北京地區1950—2008年日雨量在100～200 mm的暴雨導致的暴雨洪澇及泥石流災害事件共有61次之多。也就是說如果北京地區出現如圖2a所示的過程雨量，或出現大面積地區超過100 mm的降水，其發生災害的可能性會很大，這里暫定為80%的概率值。然后用貝葉斯的最優決策模型來分析，其完整的模型參數計算、取值結果及計算依據參見表3。此情況下，P(x|y0)=0.8，P(x|y1)=0.2。然而，這種預報結果本身具有不確定性，需要進一步推斷它的可信度或者說是先驗概率是多少，這個先驗概率需要根據大量的預報樣本(實例)來做出推斷。由于這類樣本資料不容易收集及整理，這里暫且用“氣候概率”來做先驗概率。當然實際的先驗概率值肯定大于氣候概率值。

表3 基于貝葉斯模型的決策分析計算及判斷過程一覽表

研究暫用觀象臺的歷史雨量資料，采用對數正態概率分布模型推算出1984年以來其200 mm的超越概率為0.07(0.93的累積概率)(Hu,2015)。以此從氣候背景來定義極端暴雨的先驗概率，那么貝葉斯方程的先驗概率P(y0)=0.07;P(y1)=0.93。根據預報評分標準(Hirschberg et al,2011；Reynolds et al,2012)，如果預報的有效性不如氣候預測，那么這種預報得分等于零。實際上先驗概率多數情況下會比選用的極端降水的氣候概率值要高，因為天氣預報多數情況下會強于氣候預測，而且極端暴雨在氣候上畢竟是小概率事件，氣候概率值很低。這樣，用貝葉斯方程，即式(1)～(5)，可得到“7·21”雨量狀況及情景下，可能出現災害性后果的概率為：

P(y0|x)=0.231

P(y1|x)=0.769

也就是說用貝葉斯方程做判斷，得出的概率并不高。主要是因為極端災害性天氣事件的先驗概率較低的原因，也就是出現極端暴雨畢竟屬于小概率事件。當然實際上要選用的先驗概率會比用氣候分析的先驗概率要高。

決策分析到了這個節點即為圖1所指出的氣象服務決策模式選擇的關鍵節點，在此之前的分析及判斷屬于幾乎所有的氣象部門都必須有的工作流程，而且分析結果一般無較大差別，其服務效果更多依靠預報準確度。此后，設想如果繼續沿用確定性預報模式，就應該做最優決策分析。以下是面對公眾氣象服務的最優決策分析過程，而行業敏感用戶的決策分析與此類似。

在災害性天氣條件下，即便有災的后驗概率遠低于無災的概率，仍應依據期望損失的情況做決策判斷。假設有災和無災的后驗損失比例為:

L[S(x),y0]∶L[S(x),y1]=10∶1

這里暫時這么假定，實際損失情況肯定會復雜很多，而且行業不同，其期望損失是不一樣的。因此實際做決策時能否根據這樣的損失期望比例做出決策判斷就具有很大的不確定性。

依據假定，按照式(4)和式(5)，預測有災的后驗期望損失為EL(y0)=2.31，而無災的后驗期望損失EL(y1)=0.769。

顯然EL(y0)>EL(y1)，根據貝葉斯判定方程式，則應做出有災的判定，也就是應采取“保守型服務方案”。

3.2 決策樹模型判斷及敏感性分析

通過以上的貝葉斯方程計算，在“7·21”情景下，根據已有的資料，可得出發生暴雨的概率大致為0.231；但有災的后驗期望損失為2.31，遠大于無災的期望損失。這里用決策樹模型，進一步分析服務方案的選取及敏感性。

首先將有災和無災的后驗期望損失比暫定為10∶1。依據表1中的預期益損值定義為：

L21=1

這是保守服務方案中必須投入的益損值，也就是做出有災判定后，可能后續投入到災害防御中的人力及物力資源。L21=1，說明即便未來無災，前期投入的益損值也不會為零。

L11=1+9k

式中：L11為未來有災的情況下的益損值。k(取值范圍為0～1)為在采取防護措施的情況下的損失系數，這個值應該屬于風險管理的控制范疇，它體現災害風險的可控及可規避能力。如果風險的可控制及可規避能力較強，那么這個值則小，反之則大。

k=1，說明未采取任何防護措施或防護措施無效。這樣L13=10，同時這也是采取冒險型服務方案的后果，即在未來情景為有災時可能遭受的最大期望益損值。

而L23=0，則是采取冒險型服務方案，但是在沒災的情況下可能的期望益損值，因為沒有投入前期災害防御的人力及物力資源，因此結果顯然為零。

那么，在這種情景假設下，“7·21”的保守型氣象服務方案(d1)的期望益損值為

EL(d1)=9k×0.231+1

而對應的冒險型氣象服務方案(d3)的期望易損值為

EL(d3)=10×0.231+0=2.31

要使EL(d1)

甚至對于面向公眾的氣象服務或者是公共安全的考量來說，如果選擇恰當的服務方案，只要能達到減少人員傷亡的目的，比如采取人口轉移措施，將相關人員從危險區域轉移到安全區域，從而避免了人員傷亡，那么這種服務效果比數字更有說服力。

4 “7·21”特大暴雨服務過程淺析

本節從時間節點上繼續復盤“7·21”特大暴雨氣象服務過程，解析最優決策分析的作用及其在氣象服務中的切入點，探討是否有必要及有可能轉變現有的確定性預報及預警模式為不確定性模式。

一般災前2～3 d只能認定“7·21”出現暴雨的大致概率，尚無技術條件確認是一般暴雨還是極端暴雨過程，更難預測該過程的雨量強度是否到達致災臨界條件。受預報技術條件及其服務產品不確定性的限制，這個時段不可能確定暴雨開始時刻、持續時間、雨量強度及分布等信息，也無法做到提前1～3 d的暴雨強度及落區的精準預報。根據決策過程分析，選擇“不確定型氣象服務方案d2”是明智的。

而災前一天，用現有的預報資料及數據可初步給出“7·21”暴雨有可能發生災害性后果的決策判斷。預報人員可在決策樹模型的支持下，對未來不確定性天氣的預報及預警做出決策分析及判斷。其中貝葉斯模型等決策方法有助于給出最優決策。而實際應用中，貝葉斯模型的分析結果還可得到進一步的改進，尤其是先驗概率取值的完善。先驗概率作為對提前24 h的預報結果(主要是指數值預報結果)不確定性的顧慮，而被引入貝葉斯方程計算中。本文只是暫且用氣候背景分析的極端暴雨的超越概率為先驗概率。其實預報員完全可運用自己的預報技能及對天氣形勢的掌握,技巧性地設置更加合理的先驗概率值。另外，還可定量化地對數值預報的不確定性做一定的判斷，比如依據模式預報在此類天氣形式下的誤報、虛報、漏報的情況做統計。通過統計分析，篩選出對應的預報及預警的不確定性信息，獲取更合適的先驗概率值，用于貝葉斯方程的推算。而且這類不確定性信息可作為天氣預報信息提供給公眾，而且還應該改變其固有的確定性預報模式為不確定性天氣預報及預警模式 (Feldman and Ingram,2009;Zhou et al,2011)。Hirschberg et al(2011)和Reynolds et al(2012)等NOAA的科學家相繼在美國氣象學會快報(BulletinofAmericanMeteorologicalSociety)上撰文指出將確定性天氣預報及預警模式轉變為不確定性模式，扭轉確定性天氣預報有可能帶來的誤導。

“7·21”特大暴雨當日的氣象服務重點是災害性天氣的監測和預警，其預報服務過程見圖4。鑒于預報難度及極端天氣發生及發展的不確定性特征，這些服務上的偏差基本在可容納的誤差范圍內。但是極端天氣事件的氣象服務方案不能傾向于“冒險型氣象服務方案”。根據貝葉斯模型的分析，這種服務方案在實際有災前提下所導致的期望損失EL(d1)是最大的。而決策偏向又受限于天氣預報的不確定性，以及預報難度的制約。從圖4可見，在14時發布暴雨黃色預警信號之前，已有11～13個測站相繼在2 h內連續出現40 mm·h-1以上的雨強，在18:30橙色預警發出時，40 mm·h-1以上雨強的站點已經達到64個。這種雨強對于城市地區來說，幾乎肯定會出現城市瀝澇。而此時，貝葉斯方程的先驗概率值及條件概率值實質上在逼近1.0。如果加以決策模型的判斷及模擬，是不難得出有災的決策判斷結果的。

圖4 “7·21”暴雨氣象服務雨情統計和預警服務情況時間分布

5 結論與討論

本文將隨機決策方法及概念引入到氣象服務中，做如下規約：災害性天氣條件下，隨機決策所面對的是決策判斷服務；決策判斷面對未來有災或無災兩種自然狀態；面對決策問題可采取“保守型”d1、“不確定型(隨機)”d2及“冒險型”d3等三種行動方案(氣象服務方案)。在決策樹模型方法基礎上給出了不同自然狀態下，選取不同服務方案可能產生的期望損益值計算方法及步驟。

隨即給出了基于貝葉斯模型的最優決策分析方法，該方法首先根據貝葉斯方程，計算出“有災”或“無災”兩種自然狀態的后驗概率，據此估算不同決策方案可導致的期望損失，用于決策判斷及選擇。最后，基于決策樹模型和貝葉斯方法對“7·21”特大暴雨過程的氣象決策服務進行了模擬分析。這種事后模擬或“復盤”對改進極端天氣條件下的氣象服務有一定的參考及指引價值。

研究通過決策模型的模擬及對比“7·21”當天的服務過程，發現盡管在現有天氣預報技術條件下，無法完整地對極端天氣事件的發生、發展過程進行準確的預報及預警。但如輔以決策判斷模型，則有助于給出合理的決策判斷，并采取恰當的氣象服務方案，可將期望損失降低到合理狀態。根據此次的事后模擬分析，這里給出一點經驗總結，期望對今后類似事件的發生有所借鑒。

(1)首先需要注重高影響天氣的風險識別及評估工作。在現有數據資料的基礎上，用風險評估的結果并結合決策判斷模型進行決策及服務取向。當然，災害風險評估同樣會因為預報及評估資料的不確定性，以及不恰當方法運用等因素，造成本身評估結果的不確定性。但是，基于風險評估的風險管理模式本身就是降低災害風險的唯一及可行的途徑，其不確定性可通過天氣預報技術及資料準確性的提高加以改進，而風險結果的不確定性同樣可作為預警信息的不確定性附加進行發布并加以利用。在決策支持服務中引進災害風險評估的風險管理模式，并輔以決策分析判斷是能達到一定的防災及減災效果的。

(2)從公眾需求角度上，“明確、精準、有效”的氣象服務信息更樂于被公眾接受及認可。但天氣預報技術的限制及預報的難度導致天氣預報結果與現實情況之間存有一定的偏離，而漏報、虛報、錯報現象的時有發生給公眾的生產和生活帶來相當的困惑，因此提高預報準確率一直是氣象部門努力的目標。一方面不能因為虛報可招致公眾的不滿，而傾向于“冒險型”服務方案。但在高影響天氣服務過程中刻意將預警等級人為拔高，也是不可取的。在確定性預報模式下，同樣無法兼顧到“保守型”服務效果。這就像一面“雙刃劍”，那就是容易招致公眾對天氣預報及預警的不信任，給未來真正的災害性天氣預警及災害防御帶來極大隱患，也就是“老喊狼來了，而狼又沒來”效應。因此建議應急部門主動提升應急等級，將防災的關口前移，既達到“保守型”服務方案的效果，又消除濫用預警信號給公眾帶來的混亂。其次則是需要改變現有的確定性天氣預報及預警模式為不確定性模式。也就是在高影響天氣服務過程中，除了提供預警及預報信息，還應適當提供災害性天氣后果的估測概率，甚至是快速風險評估結果，向公眾傳遞天氣預報及預警的不確定性信息。這可明顯消弱用確定性預報方式來對付不確定性天氣狀況可能帶來的隱患。而把這些不確定性信息傳遞給不同的行業用戶，此類用戶則可根據各自領域或行業應用要求，自行分析各自行業在對應有災或無災情況下的損失期望，做出決策判斷及選擇。而且在天氣預報中提供天氣不確定性信息的預報，也是國際眾多氣象學家和資深預報員一直倡導的(AMS,2008;Morss et al,2008;Lazo et al,2009;Demuth et al,2009;Spiegelhalter et al,2011;Ash et al,2014;Carr et al,2016)。為避免給普通公眾造成迷惑，不確定性預報模式可限定在高影響天氣氣象服務時采用。這樣，最終將“確定性氣象服務”模式轉變為“不確定性氣象服務”模式，在災害性天氣的服務過程中達到“保守型服務方案”的減災效果。