建模框架
传统的基于概率风险或分区的风险分析方法尺度较粗，考虑的影响因素有限，基于概率的定量分析可能会因未融入定性化的因素导致重要信息的缺失，使得预测精度较低；分区的聚类的方法虽然融入了定性因子，但因为缺乏历史经验的训练数据，也使结果可能是有偏的，达不到预定的精度。传统的方法输出也未充分考虑到数据及模型的不确定性，可能导致模型在不同情境下应用的不稳定性。
考虑到自然灾害系统影响因素的复杂性及不确定性，中科院地理科学与资源研究所李连发、王劲峰等研究人员提出了一套基于贝叶斯网络模型的自然灾害的易损性评估方法，该法结合空间分析及贝叶斯网络模型预测人类对自然灾害的易损性。
研究人员考虑了影响易损性的多个方面，包括灾害强度、自然环境、交通、土地利用及社会经济因素等，采用空间分析对定性因子量化，再结合定量因子，采用贝叶斯网络模型对易损性进行高精度预测。不确定性建模进一步提高了该模型预测的精度及稳定性，最优模型输出的每一种风险的ROC（receiver operating characteristic curve）面积可达到0.9以上，而预测结果与受汶川地震影响的部分研究区域实际调查结果对比，评估精度可达到0.85。
检测结果表明，本方法具有较高的风险探测率与识别精度，在应用中可显著提高高风险区域识别，为防灾减灾提供重要的参考信息。该方法亦可用在涉及多变量的其他自然灾害评估，以及空气污染健康风险分析等多方面。
相关研究结果发表在Risk Analysis上（Li LF, Wang JF, Leung H, Zhao SS. 2012. A Bayesian method to mine spatial datasets to evaluate the vulnerability of human beings to catastrophic risk. Risk Analysis. DOI: 10.1111/j.1539-6924.2012.01790.x）。（来源：中科院地理科学与资源研究所）
特别声明：本文转载仅仅是出于传播信息的需要，并不意味着代表本网站观点或证实其内容的真实性；如其他媒体、网站或个人从本网站转载使用，须保留本网站注明的“来源”，并自负版权等法律责任；作者如果不希望被转载或者联系转载稿费等事宜，请与我们接洽。
