基于多元感知机的国家脆弱性与气候影响因素分析

1　模型的建立

1.1　直接影响因素分析

气候变化的影响存在区域差异。这些变化导致了干旱、冰川萎缩、海平面上升等。气候变化主要反映在降水和气温的变化上。本文根据相关数据拟合了气候变化与直接影响因素之间的关系。

洪水概率随着降水量的增加而增大，它们之间的关系服从傅立叶函数，即：

同时，结合相关资料，一方面，随着时间的增长，全球气温和海平面总体上呈上升趋势；另一方面，海平面曲线与温度相似，随着温度曲线的变化而变化。

1.2　主成分分析提炼间接影响因素

1.2.1　间接影响因素介绍

根据有关资料，国家脆弱性有以下12条原则：安全装置、派系精英、团体的不平、经济、经济失衡、人类飞行和人才流失、政权的合法性、公共服务、人权、人口压力、难民和国内流离失所者、外部干预。

1.2.2　模型的建立

由于间接影响因素的复杂性，本文采用主成分分析从12个因素中提取主成分，以便确定适用于任何一个国家、任何情况下的标准。

本文计算主成分的方差作为总方差的比例。当贡献率达到85%以上时，可以确保最重要的信息内容。

最后，根据贡献值的大小依次选取最重要的指标。

1.3　多元感知机非线性模型构建

多元感知机模型是一种监督学习算法。一方面，它有强大的非线性模型学习能力；另一方面，它可以对模型进行实时学习。本文用一定量的样本数据去训练系统得到学习函数，表示为：

式中，m代表输入数据的维数，o代表输出数据的维数。

在Anaconda的Jupyter环境中，本文使用Scikitt-learn工具包。设定的初始权值、迭代次数、学习率和正则化参数如表1所示，并选择对拟牛顿法的‘lbfgs’优化器为求解器。

表1　多元感知机参数设置表

本文设置了4个隐藏层和每一个有16个节点，即（16，16，16，16）。根据数据的实际特征，确定Rectified Linear Unit为激活函数，表示为：

其中，一部分输入样本是气候变化造成国家脆弱性的直接因素；另一部分则是根据主成分分析计算出的间接因素。输出信息是国家脆弱性等级。

根据标准，选择10年内300个训练数据，系统调整输出权重以减少计算误差。链式偏微分方程表达为：

通过连续的迭代，模型逐步减小了输出误差，提高了计算结果的精确性。输入50个样本验证系统精度。结果表明多元感知机的精度达到了93.5%。

2　模型的求解

本文利用MATLAB软件进行主成分分析，结果见表2。

表2　主成分分析结果表

       根据现有国家脆弱性得分，本文将脆弱性分为脆弱、较弱、稳定3个级别。本文选择巴基斯坦举例说明，并将178个国家作为样本进行模拟实验。

以0.05为步长逐渐提高全国年平均温度和降水量，并将变化的值代入方程。指标随着梯度递增，得出趋势如图1所示。

a）                 b）

图1　气候梯度直接指标图

当降水量恒定时，温度变化a）；温度保持不变，降水量变化b），对气候指标的直接影响程度如图1所示。通过5个指标可以得出，气候间接决定了国家的脆弱性。

表3　没有气候指标的变化

注：1-脆弱；2-较弱；3-稳定

当只考虑4个主要指标而没有气候指标的影响时，将相应的结果放入多元感知机模型中，输出如表3所示。国家脆弱等级从1级提高到2级，从2级提高到3级。这表明，没有气候变化，国家更加稳定。

参考文献

[1]Theisen O M.，Gleditsch N P，Buhaug H．Is climate change a driver of armed conflict?[J]．Climate Change，2013，117（3）.

[2]The World Bank．Climate Change [DB/OL]．http://www.worldbank.org/en/topic/climatechange．

[3]Willis Eschenbach．Sea Level Rise Accelerating? Not [DB/OL]．https://wattsupwith that.com/2017/07/20/sea-level-rise-accelerating-not/.

[4]The Fund for Peace. FRAGILE STATES INDEX 2017 [DB/OL]．http://fundforpeac-e.org/fsi/data/.

（作者张惠聪系重庆交通大学学生）