CN104346538A - 基于三种灾情因子控制的地震灾害评估方法 - Google Patents
基于三种灾情因子控制的地震灾害评估方法 Download PDFInfo
- Publication number
- CN104346538A CN104346538A CN201410697045.9A CN201410697045A CN104346538A CN 104346538 A CN104346538 A CN 104346538A CN 201410697045 A CN201410697045 A CN 201410697045A CN 104346538 A CN104346538 A CN 104346538A
- Authority
- CN
- China
- Prior art keywords
- disaster
- earthquake
- data
- assessment
- lambda
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于三种灾情因子控制的地震灾害评估方法,包括如下步骤:步骤1、前期数据采集与处理;步骤2、结合受灾人口密度与地震强度建立受灾人口评估模型;步骤3、结合历史地震数据建立房屋倒塌受损灾情评估模型;步骤4、结合地震强度的道路损毁评价模型;步骤5、构建基于智能计算的地震灾情等级综合评估模型,利用此模型对地震灾害进行评估。本发明在充分考虑了地震对人口、经济、社会等带来的总体影响之外,充分考虑了地震对道路、以及房屋等具体受灾物体的损坏程度,并最终利用智能方法进行了灾害等级的评估。
Description
技术领域
本发明属自然灾害与防治领域,涉及一种基于三种灾情因子控制的地震灾害评估方法。
背景技术
灾害评估又称灾情评估、灾情评价,是对灾害对社会、人文、经济等造成的损失与影响进行的评判估计。它是在灾害预测或灾情调查的基础上,采用一定的方法对将要发生或已经发生的灾害情况进行综合性或专门性评价。灾情评估有多种类型,根据灾害过程可分为三种:①灾前评估,对将要发生或可能发生的灾害的强度及破坏方式、危害程度进行评估,为防灾提供依据;②灾中评估或灾期评估,灾害发展过程中,对灾害强度、破坏损失情况以及发展变化态势进行评估,为抗灾、救灾提供依据;③灾后评估,灾害事件结束后,对灾情进行综合评估或专项评估,为救灾和灾后重建提供依据。根据灾种分为多灾种的综合评估和单灾种的专门评估。灾情评估的目的是更加全面系统地掌握灾情,为部署和实施减灾工作提供依据。
针对以上灾害类型的不同,本专利针对地震灾害类型,主要针对地震灾害发生初期进行灾害评估。地震灾害评估涉及到了了多种学科,是结合了地质、气象、人文、自然等多方面的综合分析过程。对于地震灾害评估,国外发达国家在20世纪早期已经进行了有关地震灾害调查,分析统计以及损坏评估的研究。但多数侧重于将灾害与社会因素例如GDP或社会经济动荡相结合进行影响分析与评估。之后,相继出现了不同种类的自然灾害评估系统,如美国联邦紧急事务所与其他部门联合研制的面向地震、洪水以及飓风的评估系统——HAZUS系统,中国的TELES、HAZ-Taiwan系统,澳大利亚的经济算是评估工具EMA,意大利的地震应急系统,拉丁美洲的自然灾害社会影响评估方法,日本的中央防灾委员哦股价的灾害教训技术调查组等。此后又有不同的学者将智能计算、人工智能等技术引进了地震灾害评估领域。
在已有的研究或地震灾害评估系统中,多侧重于灾情人员伤亡、受灾面积统计以及经济损失几个方面进行灾害评估。而这几方面往往着眼于灾害的总体损伤,而忽略灾害损伤中的具体部分,例如除了人员之外对房屋的损伤、对交通道路的损伤等。
发明内容
有鉴于此,本发明为了解决上述问题采用以下技术方案,本发明提供一种基于三种灾情因子控制的地震灾害评估方法,包括如下步骤:
步骤1,在网络数据库中采集基础地理信息数据、地震专题数据和其他专题数据,所述基础地理信息数据包括行政区划数据、影像数据、矢量数据、房屋属性数据和地形数据,所述地震专题数据包括地震强度分布数据和历史地震数据,所述其他专题数据包括地震区人口数据、地震区社会经济数据和地震区道路交通数据;
将所述基础地理信息数据入库组织与管理;将所述地震专题数据与所述基础地理信息数据进行空间化匹配处理;将其他专题数据与行政区划数据通过行政区划编码进行匹配处理;
步骤2,利用受灾人口密度数据结合步骤1中得到的地震强度分布数据建立受灾人口评估模型,利用所述受灾人口评估模型得到受灾人口数量评估结果;
步骤3、结合步骤1中得到的历史地震数据建立房屋倒塌受损灾情评估模型,利用所述房屋倒塌受损灾情评估模型得到房屋倒塌损毁面积评估结果;
步骤4、结合步骤1中得到的地震强度分布数据建立道路损毁评估模型,利用所述道路损毁评估模型得到道路损毁长度评估结果;
步骤5、结合步骤2-4中得到的受灾人口数量评估结果、房屋倒塌损毁面积评估结果和道路损毁长度评估结果数据三种灾情因子构建基于计算的地震灾情等级综合评估模型,利用所述基于计算的地震灾情等级综合评估模型进行地震灾害评估。
在步骤1中,所述空间化匹配处理是将地震专题数据进行空间插值处理,将生成的地震强度数据分布于行政区划内形成地震强度分布数据。
针对地震灾害发生初期进行灾害评估,在步骤2中,结合受灾人口密度数据与地震强度数据建立受灾人口评估模型包括如下步骤:
步骤2.1、根据地震区人口数据建立地震区人口密度,
其中,ρ为当前行政区划内居民地的人口密度,单位:人/m2;P是当前行政区划内自然人口数,单位:人;S为当前行政区划居民地的总面积,单位:m2;
步骤2.2、将所述地震强度分布数据与行政区划内居民地的面积进行叠加,分析当前行政区划内的地震强度等级,同时统计不同地震强度等级下受灾人口数量,受灾人口数量评估模型如下:
其中,p为当前行政区划内的受灾人口数量,单位:人;ρi为第i等级地震强度影响的单位面积人口数量,单位:人/m2;si为当前行政区划内第i等级地震强度所占据的面积,单位:m2。
在步骤3中,所述房屋倒塌受损灾情评估模型包括:第一种为在地震初期未获取地震灾害后的影像数据时建立的房屋倒塌受损灾情评估模型,第二种为在地震初期已获取地震灾害后的影像数据时建立的房屋倒塌受损灾情评估;
3.1、第一种房屋倒塌受损灾情评估模型为采用易损矩阵的房屋倒塌损毁评估模型,对地震强度分布数据、房屋属性数据以及地震区的行政区划数据进行综合的空间叠加处理,计算出在不同地震强度下、具有不同房屋属性的房屋倒塌受损率,建立易损矩阵参数,统计各行政区划的房屋倒塌的灾情,
其中,L为房屋倒塌损毁面积,单位:m2;Cij(K)为第i个行政区划内地震强度为K的区域内具备第j类属性的房屋倒塌损毁面积,单位:m2;ρij(K)为第i个行政区划内地震强度为K的区域内具备第j类属性的房屋发生倒塌的概率;
3.2、第二种房屋倒塌受损灾情评估模型根据历史灾害数据建立房屋易损矩阵,同时针对具有不同属性结构的房屋属性数据,建立房屋属性结构数据与地震强度分布数据的相关关系,建立不同地震强度下,不同房屋属性的回归模型,通过地震强度预测具有不同房屋属性的房屋损坏度L
其中,为不同行政区划内不同结构类型的房屋倒塌损毁面积比;Ds为所在行政区划的地震强度为I时第s类房屋的损毁面积,单位:m2;Ts为该行政区划内第s类房屋的总面积,单位:m2。
在步骤4中,所述道路损毁评估模型包括:第一种为在地震初期未获取当前地震灾区的遥感影像的基础上建立的评估模型,第二种为在地震初期已获取灾区遥感影像的基础上建立的评估模型;
4.1、对于第一种评估模型,利用地震强度数据、地震区道路交通数据、行政区划数据并对其进行空间叠加分析运算,统计不同受灾行政、不同地震强度下的道路损毁率,建立道路易损矩阵,划分出不同的受损程度,道路损毁的计算公式为:
其中,L为道路损毁的长度,单位:m;Ci(K)为第i个行政区划内地震强度为K的区域内的道路长度,单位:m;ρi(K)为第i个行政区划内地震强度为K的区域内的道路损毁概率;
4.2、对于第二种评估模型,在进行道路损毁因子的统计工作中,把道路损毁率作为判定道路损毁因子影响程度的唯一标准,该方法确定损毁道路,将地震强度数据和地震区道路交通数据进行空间叠加分析,获取不同地震强度下的道路损毁长度,计算道路损毁率,计算公式如下:
其中,L损毁为行政区划内损毁的道路长度,单位:m;i为道路所处空间叠加分析所得当前局部区域的地震强度值;n为行政区划内分成的若干局部区域的最大地震强度值;Li为地震强度为i时损毁的道路长度,单位:m;Ii为地震强度为i的地震的发生概率。
在步骤5中,所述构建基于计算的地震灾情等级综合评估模型包括灰色聚类分析地震灾情等级评估模型和神经网络两种地震灾情等级评估模型,
5.1、对于地震样本数量在环境处理的范围内,获取聚类结果的情况下采用灰色聚类法进行地震灾情等级评估模型,灰色聚类法将具体灾害事件的不同灾害因子受损情况进行灾害等级划分,属于不同灾害因子不同灾害等级划分的数值范围中的具体数值称之为此受灾因子等级下的白化值;
灰色聚类法中,设i=Ⅰ,Ⅱ,…,N为聚类对象;j=1*,2*,…,n*为聚类指标;k=1,2,…,m为聚类等级;灰类指不同的灾害因子;dij表示第i个聚类对象第j种聚类指标的白化值;λjk表示第j类聚类指标第k级灾害的不同灰类的等级划分阈值;
灰色聚类分析地震灾情等级评估模型建立的步骤为:
5.1.1、数据无量纲化处理,灰色聚类分析法的数据是由受灾人口数量、道路损毁长度、以及房屋倒塌损毁面积和根据上述三种灾害因子的分级标准数据组成的,无量纲化处理的计算方法为:
对于受灾人口数量、道路损毁长度、房屋倒塌损毁面积三种不同的聚类指标,确定其不同灰类等级的阈值,对于不同的灰类,无量纲化处理使用如下公式:
上式中,dij *表示第i行政区划内对第j聚类指标的无量纲化处理后的数据;maxk(λjk)表示第k灾害等级第j聚类指标内灰度阈值中的最大阈值,maxi(dij)表示第i个行政区划内第j聚类指标的所有统计白化值中的最大值,如果maxidi1<maxkλ1k,则无量纲化数值默认为1;
5.1.2、确定白化函数fjk(dij *)根据无量纲化处理后的数据确定规律函数,根据不同的等级k,确定白化函数类型,
第一类:当灾害等级n=1时,对于聚类指标,白化函数为fj1(dij *)
其中,λj1(1),λj1(2)分别表示dij取值中的最小值和拐点值;
第二类:当灾害等级n∈N,集合N={2,3,4…k-1}时,对于聚类指标j,白化函数fjn(dij *)为,
当n=2时,对于聚类指标j,白化函数fjn(dij *)为:
其中,λj2(n-1),λj2(n),λj2(n+1)分别表示dij取值中的最小值、拐点值、和最大值;
第三类:当灾害等级n=k时,对于聚类指标j,白化函数为fjk(dij *)
其中,λjk(k-1),λjk(k)分别表示dij取值中的拐点值和最大值;
5.1.3、确定标准权rjk,具体公式如下:
5.1.4、确定实际权系数σik,并构造聚类向量具体公式如下:
5.1.5、归属灾害等级,在聚类向量中取最大元素σik′
σik′=maxk{σik}
根据选出的σik′,聚类对象i应归属于第k′个等级;
5.2、在样本数量大的情况下,采用人工神经网络地震灾害等级评估模型进行地震灾害的综合评估,人工神经网络的建立分为如下步骤:
5.2.1、数据准备
人工神经网络中输入变量的取值范围要求在0~1之间,否则输入变量的不同数量级将影响权值的确定,采用极差法对数据进行标准化处理,神经网络只能处理数值型输入变量,对于分类型输入变量,将具有k个类别的分类型变量转换为k个取值为0或1的数值型变量后再进行处理,k个数值型变量的组合将代表原来的分类值;
将上述得到的数值型变量输入到matlab软件内,通过机器学习建立神经网络模型,分别以受灾人口数量、房屋倒塌损毁面积、道路损毁长度数据,以及历史地震数据进行输入,最终输出地震灾情等级的评估结果。其中matlab软件是一种用于算法开发、数据可视化、数据分析以及数值计算的高级技术计算语言和交互式环境,是一种高级编程软件。
在步骤5.1的所述灰色聚类灾害损坏等级模型中,
聚类对象i=Ⅰ,Ⅱ,…,N,代表不同灾害所涉及的行政区划市;
聚类指标,j=1*,2*,…,n*,n*最大值为3,其中j=1,代表受灾人口数量,j=2,代表房屋倒塌损毁面积,j=3,代表道路损毁长度;
dij表示第i个聚类对象第j种聚类指标的白化值,所述dij分别利用受灾人口评估模型、道路损毁评估模型以及房屋倒塌受损灾情评估模型中统计的数据,表示不同行政区划内所述三种损坏类型的受损数量或受损面积。
在步骤5.2中,所述分类型输入变量为二分类型变量。
本发明的有益效果为:
1、本发明对受灾人口、房屋倒塌损毁面积和道路损毁长度三种灾情因子控制的地震灾害进行评估,主要针对地震灾害发生初期进行灾害评估。此种评估方法克服了已有研究或地震灾害评估系统往往着眼于灾害的总体损伤而忽略灾害损伤中的具体部分的缺陷,考虑了三种因子的受灾情况,对灾害评估分析更加全面细致。
2、构建基于计算的地震灾情等级综合评估模型包括灰色聚类分析地震灾情等级评估模型和神经网络两种地震灾情等级评估模型,根据地震初期不同地震情况选择性采用不同的评估模型,使得最终评估结果更加准确。
附图说明
图1为基于多类型灾情因子的地震灾害评估方法流程示意图;
图2为灰色聚类等级灾害模型构建流程图;
图3为人工神经网络地震灾害等级评估模型建立流程图;
图4为第一类白化函数图;
图5为第二类白化函数图;
图6为第三类白化函数图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,下面结合附图1-6和实施例对本发明作进一步详细说明。但所举实例不作为对本发明的限定。
本发明提供一种基于三种灾情因子控制的地震灾害评估方法,包括如下步骤:
步骤1,在网络数据库中采集基础地理信息数据、地震专题数据和其他专题数据,所述基础地理信息数据包括行政区划数据、影像数据、矢量数据、房屋属性数据和地形数据,所述地震专题数据包括地震强度分布数据和历史地震数据,所述其他专题数据包括地震区人口数据、地震区社会经济数据和地震区道路交通数据;
将所述基础地理信息数据入库组织与管理;将所述地震专题数据与所述基础地理信息数据进行空间化匹配处理;将其他专题数据与行政区划数据通过行政区划编码进行匹配处理;
步骤2,利用受灾人口密度数据结合步骤1中得到的地震强度分布数据建立受灾人口评估模型,利用所述受灾人口评估模型得到受灾人口数量评估结果;
步骤3、结合步骤1中得到的历史地震数据建立房屋倒塌受损灾情评估模型,利用所述房屋倒塌受损灾情评估模型得到房屋倒塌损毁面积评估结果;
步骤4、结合步骤1中得到的地震强度分布数据建立道路损毁评估模型,利用所述道路损毁评估模型得到道路损毁长度评估结果;
步骤5、结合步骤2-4中得到的受灾人口数量评估结果、房屋倒塌损毁面积评估结果和道路损毁长度评估结果数据三种灾情因子构建基于计算的地震灾情等级综合评估模型,利用所述基于计算的地震灾情等级综合评估模型进行地震灾害评估。
在步骤1中,所述空间化匹配处理是将地震专题数据和基础地理信息数据进行空间插值处理,将生成的地震强度数据分布于行政区划内形成地震强度分布数据。
针对地震灾害发生初期进行灾害评估,在步骤2中,结合受灾人口密度数据与地震强度数据建立受灾人口评估模型包括如下步骤:
步骤2.1、根据地震区人口数据建立地震区人口密度,
其中,ρ为当前行政区划内居民地的人口密度,单位:人/m2;P是当前行政区划内自然人口数,单位:人;S为当前行政区划居民地的总面积,单位:m2;
步骤2.2、将所述地震强度分布数据与行政区划内居民地的面积进行叠加,分析当前行政区划内的地震强度等级,同时统计不同地震强度等级下受灾人口数量,受灾人口数量评估模型如下:
其中,p为当前行政区划内的受灾人口数量,单位:人;ρi为第i等级地震强度影响的单位面积人口数量,单位:人/m2;si为当前行政区划内第i等级地震强度所占据的面积,单位:m2。
在步骤3中,所述房屋倒塌受损灾情评估模型包括:第一种为在地震初期未获取地震灾害后的影像数据时建立的房屋倒塌受损灾情评估模型,第二种为在地震初期已获取地震灾害后的影像数据时建立的房屋倒塌受损灾情评估;
3.1、第一种房屋倒塌受损灾情评估模型为采用易损矩阵的房屋倒塌损毁评估模型,对地震强度分布数据、房屋属性数据以及地震区的行政区划数据进行综合的空间叠加处理,计算出在不同地震强度下、具有不同房屋属性的房屋倒塌受损率,建立易损矩阵参数,统计各行政区划的房屋倒塌的灾情,
其中,L为房屋倒塌损毁面积,单位:m2;Cij(K)为第i个行政区划内地震强度为K的区域内具备第j类属性的房屋倒塌损毁面积,单位:m2;ρij(K)为第i个行政区划内地震强度为K的区域内具备第j类属性的房屋发生倒塌的概率;
3.2、第二种房屋倒塌受损灾情评估模型根据历史灾害数据建立房屋易损矩阵,同时针对具有不同属性结构的房屋属性数据,建立房屋属性结构数据与地震强度分布数据的相关关系,建立不同地震强度下,不同房屋属性的回归模型,通过地震强度预测具有不同房屋属性的房屋损坏度,
其中,为不同行政区划内不同结构类型的房屋倒塌损毁面积比;Ds为所在行政区划的地震强度为I时第s类房屋的损毁面积,单位:m2;Ts为该行政区划内第s类房屋的总面积,单位:m2。
在步骤4中,所述道路损毁评估模型包括:第一种为在地震初期未获取当前地震灾区的遥感影像的基础上建立的评估模型,第二种为在地震初期已获取灾区遥感影像的基础上建立的评估模型;
4.1、对于第一种评估模型,利用地震强度数据、地震区道路交通数据、行政区划数据并对其进行空间叠加分析运算,统计不同受灾行政、不同地震强度下的道路损毁率,建立道路易损矩阵,划分出不同的受损程度,道路损毁的计算公式为:
其中,L为道路损毁的长度,单位:m;Ci(K)为第i个行政区划内地震强度为K的区域内的道路长度,单位:m;ρi(K)为第i个行政区划内地震强度为K的区域内的道路损毁概率;
4.2、对于第二种评估模型,在进行道路损毁因子的统计工作中,把道路损毁率作为判定道路损毁因子影响程度的唯一标准,该方法确定损毁道路,将地震强度数据和地震区道路交通数据进行空间叠加分析,获取不同地震强度下的道路损毁长度,计算道路损毁率,计算公式如下:
其中,L损毁为行政区划内损毁的道路长度,单位:m;i为道路所处空间叠加分析所得当前局部区域的地震强度值;n为行政区划内分成的若干局部区域的最大地震强度值;Li为地震强度为i时损毁的道路长度,单位:m;Ii为地震强度为i的地震的发生概率。
在步骤5中,所述构建基于计算的地震灾情等级综合评估模型包括灰色聚类分析地震灾情等级评估模型和神经网络两种地震灾情等级评估模型,
5.1、对于地震样本数量在环境处理的范围内,获取聚类结果的情况下采用灰色聚类法进行地震灾情等级评估模型,灰色聚类法将具体灾害事件的不同灾害因子受损情况进行灾害等级划分,属于不同灾害因子不同灾害等级划分的数值范围中的具体数值称之为此受灾因子等级下的白化值;
灰色聚类法中,设i=Ⅰ,Ⅱ,…,N为聚类对象;j=1*,2*,…,n*为聚类指标;k=1,2,…,m为聚类等级;灰类指不同的灾害因子;dij表示第i个聚类对象第j种聚类指标的白化值;λjk表示第j类聚类指标第k级灾害的不同灰类的等级划分阈值;
灰色聚类分析地震灾情等级评估模型建立的步骤为:
5.1.1、数据无量纲化处理,灰色聚类分析法的数据是由受灾人口数量、道路损毁长度、以及房屋倒塌损毁面积和根据上述三种灾害因子的分级标准数据组成的,无量纲化处理的计算方法为:
对于受灾人口数量、道路损毁长度、房屋倒塌损毁面积三种不同的聚类指标,确定其不同灰类等级的阈值,对于不同的灰类,无量纲化处理使用如下公式:
上式中,dij *表示第i行政区划内对第j聚类指标的无量纲化处理后的数据;maxk(λjk)表示第k灾害等级第j聚类指标内灰度阈值中的最大阈值,maxi(dij)表示第i个行政区划内第j聚类指标的所有统计白化值中的最大值,如果maxidi1<maxkλ1k,则无量纲化数值默认为1;
5.1.2、确定白化函数fjk(dij *)根据无量纲化处理后的数据确定规律函数,根据不同的等级k,确定白化函数类型,
第一类:当灾害等级n=1时,对于聚类指标,白化函数为fj1(dij *)
其中,λj1(1),λj1(2)分别表示dij取值中的最小值和拐点值;
第二类:当灾害等级n∈N,集合N={2,3,4…k-1}时,对于聚类指标j,白化函数为fjn(dij *),
当n=2时,对于聚类指标j,白化函数fjn(dij *)为:
其中,λj2(n-1),λj2(n),λj2(n+1)分别表示dij取值中的最小值、拐点值、和最大值;
第三类:当灾害等级n=k时,对于聚类指标j,白化函数为fjk(dij *)
其中,λjk(k-1),λjk(k)分别表示dij取值中的拐点值和最大值;
5.1.3、确定标准权rjk,具体公式如下:
5.1.4、确定实际权系数σik,并构造聚类向量具体公式如下:
5.1.5、归属灾害等级,在聚类向量中取最大元素σik′
σik′=maxk{σik}
根据选出的σik′,聚类对象i应归属于第k′个等级;
5.2、在样本数量大的情况下,采用人工神经网络地震灾害等级评估模型进行地震灾害的综合评估,人工神经网络的建立分为如下步骤:
5.2.1、数据准备
人工神经网络中输入变量的取值范围要求在0~1之间,否则输入变量的不同数量级将影响权值的确定,采用极差法对数据进行标准化处理,神经网络只能处理数值型输入变量,对于分类型输入变量,将具有k个类别的分类型变量转换为k个取值为0或1的数值型变量后再进行处理,k个数值型变量的组合将代表原来的分类值;
将上述得到的数值型变量输入到matlab软件内,通过机器学习建立神经网络模型,分别以受灾人口数量、房屋倒塌损毁面积、道路损毁长度数据,以及历史地震数据进行输入,最终输出地震灾情等级的评估结果。
在步骤5.1的所述灰色聚类灾害损坏等级模型中,
聚类对象i=Ⅰ,Ⅱ,…,N,代表不同灾害所涉及的行政区划市;
聚类指标,j=1*,2*,…,n*,n*最大值为3,其中j=1,代表受灾人口数量,j=2,代表房屋倒塌损毁面积,j=3,代表道路损毁长度;
dij表示第i个聚类对象第j种聚类指标的白化值,所述dij分别利用受灾人口评估模型、道路损毁评估模型以及房屋倒塌受损灾情评估模型中统计的数据,表示不同行政区划内所述三种损坏类型的受损数量或受损面积。
在步骤5.2中,所述分类型输入变量为二分类型变量。
利用本发明一种基于多类型灾情因子控制的地震灾害评估方法对雅安地震数据进行地震灾情评估,评估结果如下表1-4所示,表1为人口受灾评估结果,表2为房屋倒塌损毁程度评估结果,表3为道路损毁长度评估结果,而表4则是最终利用灰色聚类分析方法统计的不同乡镇的地震等级灾害评估结果。
根据步骤2,结合受灾人口密度与地震强度建立受灾人口评估模型,利用所述受灾人口评估模型和参数得到受灾人口数量评估结果,结果如表1所示,
表1
地区 | 受灾人口数量(人) |
多营镇 | 6289 |
凤鸣乡 | 3428 |
对岩镇 | 9201 |
北郊镇 | 19177 |
大兴镇 | 9603 |
西城街道 | 17680 |
青江街道 | 13695 |
宝盛乡 | 4698 |
思延乡 | 7564 |
飞仙关镇 | 7704 |
芦阳镇 | 22575 |
清仁乡 | 10369 |
龙门乡 | 17742 |
太平镇 | 8255 |
多功乡 | 3172 |
大坪乡 | 3360 |
始阳镇 | 14439 |
根据步骤3,结合历史地震数据建立房屋倒塌受损灾情评估模型和参数得到房屋倒塌损毁面积评估结果,结果如下表2所示,
表2
根据步骤4,结合地震强度的道路损毁评价模型和参数得到道路损毁长度评估结果,结果如下表3所示,
表3
对灾情综合评定指标因子包括受灾人口比、房屋损毁率和道路损毁长度(m),灾情分为大灾、中灾、小灾和轻灾四个等级,当k=1时为轻灾,当k=2时为小灾,当k=3时为中灾,当k=4时为大灾。当k=1时采用第一类白化函数类型,当k=2,k=3时采用第二类白化函数类型,当k=3时采用第三类白化函数类型。雅安地震灾害灾情指标因子与分级标准结果如下表4所示,且得出的白化函数图如附图4-6所示,
表4
灾情综合评定指标因子 | 大灾 | 中灾 | 小灾 | 轻灾 |
受灾人口比 | >0.75 | 0.65~0.75 | 0.3~0.65 | 0~0.3 |
房屋损毁率 | >0.7 | 0.6~0.7 | 0.5~0.6 | 0~0.5 |
道路损毁长度(m) | >7000 | 3000~7000 | 1000~3000 | 0~1000 |
由白化函数图可知,对于k=1时第一类白化函数图,λj1(1),λj1(2)分别表示白化值dij取值中的最小值和拐点值;对于k=2时第二类白化函数类型,λj2(1),λj2(2),λj2(3)分别表示dij取值中的最小值、拐点值、和最大值,对于k=3时第二类白化函数类型,λj3(2),λj3(3),λj3(4)分别表示dij取值中的最小值、拐点值、和最大值;对于k=3时第三类白化函数类型,λj4(3),λj4(4)分别表示dij取值中的拐点值和最大值。
基于上述受灾人口数量、房屋倒塌损毁面积和道路损毁长度的评估结果,根据步骤5,构建基于智能计算的地震灾情等级综合评估模型,雅安地震聚类实际权系数及灾情等级划分结果如下表5所示,
表5
综上所述,本专利在充分考虑了地震对人口、经济、社会等带来的总体影响之外,充分考虑了地震对道路、以及房屋等具体受灾物体的损坏程度,并最终利用基于多类型灾情因子控制的地震灾害评估方法进行了灾害等级的评估。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围。
Claims (8)
1.基于三种灾情因子控制的地震灾害评估方法,其特征在于,针对地震灾害发生初期进行灾害评估,包括如下步骤:
步骤1,在网络数据库中采集基础地理信息数据、地震专题数据和其他专题数据,所述基础地理信息数据包括行政区划数据、影像数据、矢量数据、房屋属性数据和地形数据,所述地震专题数据包括地震强度分布数据和历史地震数据,所述其他专题数据包括地震区人口数据、地震区社会经济数据和地震区道路交通数据;
将所述基础地理信息数据入库组织与管理;将所述地震专题数据进行空间化匹配处理;将其他专题数据与行政区划数据通过行政区划编码进行匹配处理;
步骤2,利用受灾人口密度数据结合步骤1中得到的地震强度分布数据建立受灾人口评估模型,利用所述受灾人口评估模型得到受灾人口数量评估结果;
步骤3、结合步骤1中得到的历史地震数据建立房屋倒塌受损灾情评估模型,利用所述房屋倒塌受损灾情评估模型得到房屋倒塌损毁面积评估结果;
步骤4、结合步骤1中得到的地震强度分布数据建立道路损毁评估模型,利用所述道路损毁评估模型得到道路损毁长度评估结果;
步骤5、结合步骤2-4中得到的受灾人口数量评估结果、房屋倒塌损毁面积评估结果和道路损毁长度评估结果数据三种灾情因子构建基于计算的地震灾情等级综合评估模型,利用所述基于计算的地震灾情等级综合评估模型进行地震灾害评估。
2.根据权利要求1所述基于三种灾情因子控制的地震灾害评估方法,其特征在于,在步骤1中,所述空间化匹配处理是将所述地震专题数据进行空间插值处理,将生成的地震强度数据分布于行政区划内形成地震强度分布数据。
3.根据权利要求1所述基于三种灾情因子控制的地震灾害评估方法,其特征在于,针对地震灾害发生初期进行灾害评估,在步骤2中,结合受灾人口密度数据与地震强度数据建立受灾人口评估模型包括如下步骤:
步骤2.1、根据地震区人口数据建立地震区人口密度,
其中,ρ为当前行政区划内居民地的人口密度,单位:人/m2;P是当前行政区划内自然人口数,单位:人;S为当前行政区划居民地的总面积,单位:m2;
步骤2.2、将所述地震强度分布数据与行政区划内居民地的面积进行叠加,分析当前行政区划内的地震强度等级,同时统计不同地震强度等级下受灾人口数量,受灾人口数量评估模型如下:
其中,p为当前行政区划内的受灾人口数量,单位:人;ρi为第i等级地震强度影响的单位面积人口数量,单位:人/m2;si为当前行政区划内第i等级地震强度所占据的面积,单位:m2。
4.根据权利要求1所述基于三种灾情因子控制的地震灾害评估方法,其特征在于,在步骤3中,所述房屋倒塌受损灾情评估模型包括:第一种为在地震初期未获取地震灾害后的影像数据时建立的房屋倒塌受损灾情评估模型,第二种为在地震初期已获取地震灾害后的影像数据时建立的房屋倒塌受损灾情评估;
3.1、第一种房屋倒塌受损灾情评估模型为采用易损矩阵的房屋倒塌损毁评估模型,对地震强度分布数据、房屋属性数据以及地震区的行政区划数据进行综合的空间叠加处理,计算出在不同地震强度下、具有不同房屋属性的房屋倒塌受损率,建立易损矩阵参数,统计各行政区划的房屋倒塌的灾情,
其中,L为房屋倒塌损毁面积,单位:m2;Cij(K)为第i个行政区划内地震强度为K的区域内具备第j类属性的房屋倒塌损毁面积,单位:m2;ρij(K)为第i个行政区划内地震强度为K的区域内具备第j类属性的房屋发生倒塌的概率;
3.2、第二种房屋倒塌受损灾情评估模型根据历史灾害数据建立房屋易损矩阵,同时针对具有不同属性结构的房屋属性数据,建立房屋属性结构数据与地震强度分布数据的相关关系,建立不同地震强度下,不同房屋属性的回归模型,通过地震强度预测具有不同房屋属性的房屋损坏度,
其中,Vs(I)为不同行政区划内不同结构类型的房屋倒塌损毁面积比;Ds为所在行政区划的地震强度为I时第s类房屋的损毁面积,单位:m2;Ts为该行政区划内第s类房屋的总面积,单位:m2。
5.根据权利要求1所述基于三种灾情因子控制的地震灾害评估方法,其特征在于,在步骤4中,所述道路损毁评估模型包括:第一种为在地震初期未获取当前地震灾区的遥感影像的基础上建立的评估模型,第二种为在地震初期已获取灾区遥感影像的基础上建立的评估模型;
4.1、对于第一种评估模型,利用地震强度数据、地震区道路交通数据、行政区划数据并对其进行空间叠加分析运算,统计不同受灾行政、不同地震强度下的道路损毁率,建立道路易损矩阵,划分出不同的受损程度,道路损毁的计算公式为:
其中,L为道路损毁长度,单位:m;Ci(K)为第i个行政区划内地震强度为K的区域内的道路长度,单位:m;ρi(K)为第i个行政区划内地震强度为K的区域内的道路损毁概率;
4.2、对于第二种评估模型,在进行道路损毁因子的统计工作中,把道路损毁率作为判定道路损毁因子影响程度的唯一标准,该方法确定损毁道路,将地震强度数据和地震区道路交通数据进行空间叠加分析,获取不同地震强度下的道路损毁长度,计算道路损毁率,计算公式如下:
其中,L损毁为行政区划内损毁的道路长度,单位:m;i为道路所处空间叠加分析所得当前局部区域的地震强度值;n为行政区划内分成的若干局部区域的最大地震强度值;Li为地震强度为i时损毁的道路长度,单位:m;Ii为地震强度为i的地震的发生概率。
6.根据权利要求1所述基于三种灾情因子控制的地震灾害评估方法,其特征在于,在步骤5中,所述构建基于计算的地震灾情等级综合评估模型包括灰色聚类分析地震灾情等级评估模型和神经网络两种地震灾情等级评估模型,
5.1、对于地震样本数量在环境处理的范围内,获取聚类结果的情况下采用灰色聚类法进行地震灾情等级评估模型,灰色聚类法将具体灾害事件的不同灾害因子受损情况进行灾害等级划分,属于不同灾害因子不同灾害等级划分的数值范围中的具体数值称之为此受灾因子等级下的白化值;
灰色聚类法中,设i=Ⅰ,Ⅱ,…,N为聚类对象;j=1*,2*,…,n*为聚类指标;k=1,2,…,m为聚类等级;灰类指不同的灾害因子;dij表示第i个聚类对象第j种聚类指标的白化值;λjk表示第j类聚类指标第k级灾害的不同灰类的等级划分阈值;
灰色聚类分析地震灾情等级评估模型建立的步骤为:
5.1.1、数据无量纲化处理,灰色聚类分析法的数据是由受灾人口数量、道路损毁长度、以及房屋倒塌损毁面积和根据上述三种灾害因子的分级标准数据组成的,无量纲化处理的计算方法为:
对于受灾人口数量、道路损毁长度、房屋倒塌损毁面积三种不同的聚类指标,确定其不同灰类等级的阈值,对于不同的灰类,无量纲化处理使用如下公式:
上式中,dij *表示第i行政区划内对第j聚类指标的无量纲化处理后的数据;maxk(λjk)表示第k灾害等级第j聚类指标内灰度阈值中的最大阈值,maxi(dij)表示第i个行政区划内第j聚类指标的所有统计白化值中的最大值,如果maxidi1<maxkλ1k,则无量纲化数值默认为1;
5.1.2、确定白化函数fjk(dij *),根据无量纲化处理后的数据确定规律函数,根据不同的等级k,确定白化函数类型,
第一类:当灾害等级n=1时,对于聚类指标,白化函数为fj1(dij *)
其中,λj1(1),λj1(2)分别表示dij取值中的最小值和拐点值;
第二类:当灾害等级n∈N,集合N={2,3,4…k-1}时,对于聚类指标j,白化函数为fjn(dij *),
当n=2时,对于聚类指标j,白化函数fjn(dij *)为:
其中,λj2(n-1),λj2(n),λj2(n+1)分别表示dij取值中的最小值、拐点值、和最大值;
第三类:当灾害等级n=k时,对于聚类指标j,白化函数为fjk(dij *):
其中,λjk(k-1),λjk(k)分别表示dij取值中的拐点值和最大值;
5.1.3、确定标准权rjk,具体公式如下:
5.1.4、确定实际权系数σik,并构造聚类向量具体公式如下:
5.1.5、归属灾害等级,在聚类向量中取最大元素σik′
σik′=maxk{σik}
根据选出的σik′,聚类对象i应归属于第k′个等级;
5.2、在样本数量大的情况下,采用人工神经网络地震灾害等级评估模型进行地震灾害的综合评估,人工神经网络的建立分为如下步骤:
5.2.1、数据准备
人工神经网络中输入变量的取值范围要求在0~1之间,否则输入变量的不同数量级将影响权值的确定,采用极差法对数据进行标准化处理,神经网络只能处理数值型输入变量,对于分类型输入变量,将具有k个类别的分类型变量转换为k个取值为0或1的数值型变量后再进行处理,k个数值型变量的组合将代表原来的分类值;
将上述得到的数值型变量输入到matlab软件内,通过机器学习建立神经网络模型,分别以受灾人口数量、房屋倒塌损毁面积、道路损毁长度,以及历史地震数据进行输入,最终输出地震灾情等级的评估结果。
7.根据权利要求6所述基于三种灾情因子控制的地震灾害评估方法,其特征在于,在步骤5.1的所述灰色聚类灾害损坏等级模型中,
聚类对象i=Ⅰ,Ⅱ,…,N,代表不同灾害所涉及的行政区划市;
聚类指标,j=1*,2*,…,n*,n*最大值为3,其中j=1,代表受灾人口数量,j=2,代表房屋倒塌损毁面积,j=3,代表道路损毁长度;
dij表示第i个聚类对象第j种聚类指标的白化值,所述dij分别利用受灾人口评估模型、道路损毁评估模型以及房屋倒塌受损灾情评估模型中统计的数据,表示不同行政区划内所述三种损坏类型的受损数量或受损面积。
8.根据权利要求6所述基于三种灾情因子控制的地震灾害评估方法,其特征在于,在步骤5.2中,所述分类型输入变量为二分类型变量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410697045.9A CN104346538B (zh) | 2014-11-26 | 2014-11-26 | 基于三种灾情因子控制的地震灾害评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410697045.9A CN104346538B (zh) | 2014-11-26 | 2014-11-26 | 基于三种灾情因子控制的地震灾害评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104346538A true CN104346538A (zh) | 2015-02-11 |
CN104346538B CN104346538B (zh) | 2017-09-05 |
Family
ID=52502123
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410697045.9A Active CN104346538B (zh) | 2014-11-26 | 2014-11-26 | 基于三种灾情因子控制的地震灾害评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104346538B (zh) |
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104915891A (zh) * | 2015-05-25 | 2015-09-16 | 苏州热工研究院有限公司 | 一种核电厂地震叠加外部水淹风险评估方法 |
CN106651105A (zh) * | 2016-10-21 | 2017-05-10 | 天津海量信息技术股份有限公司 | 地震灾害风险预估方法 |
CN107451198A (zh) * | 2017-07-05 | 2017-12-08 | 北京辰安信息科技有限公司 | 灾情评估方法和灾情评估装置 |
CN107480853A (zh) * | 2017-07-05 | 2017-12-15 | 北京辰安信息科技有限公司 | 物资分配方法和物资分配装置 |
CN107545353A (zh) * | 2016-11-10 | 2018-01-05 | 西南民族大学 | 一种地质灾害对公路交通影响程度的定量评估方法 |
CN107679774A (zh) * | 2017-10-30 | 2018-02-09 | 国信优易数据有限公司 | 一种抗震预防和救灾能力的评估方法以及装置 |
CN108304809A (zh) * | 2018-02-06 | 2018-07-20 | 清华大学 | 基于震后航拍影像的近实时震损评估方法 |
CN109376996A (zh) * | 2018-09-18 | 2019-02-22 | 中国水利水电科学研究院 | 基于统计年鉴及地理信息的洪水损失评估方法和系统 |
CN109447460A (zh) * | 2018-10-26 | 2019-03-08 | 重庆大学 | 一种基于数据挖掘的地震影响房屋建筑易损性评价方法 |
JP2019158656A (ja) * | 2018-03-14 | 2019-09-19 | 朝日航洋株式会社 | 地盤の水分状態を検出するための方法および検出システム |
CN110276379A (zh) * | 2019-05-21 | 2019-09-24 | 方佳欣 | 一种基于视频图像分析的灾情信息快速提取方法 |
CN111651726A (zh) * | 2020-05-20 | 2020-09-11 | 重庆大学 | 一种用于矿山安全评价和风险预测的数学模型建立方法 |
CN111985355A (zh) * | 2020-08-01 | 2020-11-24 | 桂林理工大学 | 基于深度学习和云计算的遥感建筑物震害评估方法和系统 |
CN112001565A (zh) * | 2020-09-08 | 2020-11-27 | 清华大学合肥公共安全研究院 | 基于Softmax回归模型的地震灾害损失预测与评估的方法及系统 |
CN112200399A (zh) * | 2020-07-20 | 2021-01-08 | 杭州叙简科技股份有限公司 | 一种地震成灾风险评估和经济损失预测方法 |
CN112434951A (zh) * | 2020-11-25 | 2021-03-02 | 中国海洋大学 | 一种地震灾害等级评估方法及系统 |
CN112767219A (zh) * | 2021-02-03 | 2021-05-07 | 上海交通大学 | 基于机器学习的震后受灾人口快速空间评估方法及系统 |
CN113282877A (zh) * | 2021-07-22 | 2021-08-20 | 中国科学院地理科学与资源研究所 | 自然灾害重点隐患风险评估方法及装置 |
CN113379326A (zh) * | 2020-07-08 | 2021-09-10 | 贵州电网有限责任公司 | 一种基于深度神经网络的电网灾情应急演练管理系统 |
JP2021140654A (ja) * | 2020-03-09 | 2021-09-16 | 株式会社Nttドコモ | 災害規模推定装置 |
CN113408816A (zh) * | 2020-07-08 | 2021-09-17 | 贵州电网有限责任公司 | 一种基于深度神经网络的电网灾情评估方法 |
CN113554345A (zh) * | 2021-08-10 | 2021-10-26 | 山西省地震局 | 地震滑坡灾害区域及灾害链风险评估方法 |
CN113792793A (zh) * | 2021-09-15 | 2021-12-14 | 河北雄安京德高速公路有限公司 | 一种不良气象环境下道路视频监测提升方法 |
CN114048944A (zh) * | 2021-10-09 | 2022-02-15 | 浙江大学 | 一种暴雨诱发地质灾害下应撤离人口及损毁房屋的预估方法 |
CN114066288A (zh) * | 2021-11-24 | 2022-02-18 | 广州交投工程检测有限公司 | 一种基于智慧数据中心的营运道路应急检测方法及系统 |
CN115169771A (zh) * | 2022-01-18 | 2022-10-11 | 长安大学 | 一种洪涝灾害影响下的交通网效率受损快速评估方法 |
CN116703197A (zh) * | 2023-04-20 | 2023-09-05 | 四川省地震应急服务中心 | 一种适用于黑箱期的地震灾害快速协同评估的方法和系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1828336A (zh) * | 2006-04-04 | 2006-09-06 | 张路平 | 一种基于gis技术的地震灾害损失快速评估方法 |
CN102750456A (zh) * | 2012-07-16 | 2012-10-24 | 郑静晨 | 地震伤害评估系统 |
-
2014
- 2014-11-26 CN CN201410697045.9A patent/CN104346538B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1828336A (zh) * | 2006-04-04 | 2006-09-06 | 张路平 | 一种基于gis技术的地震灾害损失快速评估方法 |
CN102750456A (zh) * | 2012-07-16 | 2012-10-24 | 郑静晨 | 地震伤害评估系统 |
Non-Patent Citations (5)
Title |
---|
叶锦动: "台湾地震损失评估系统-TELES", 《TELES.NCREE.ORG.TW》 * |
杨仕升: "应用灰色系统理论进行地震灾害等级划分和灾情分析比较", 《西北地震学报》 * |
胡少卿等: "基于建筑物易损性分类的群体震害预测方法研究", 《地震工程与工程振动》 * |
门可佩等: "中国地震灾害损失评估模型与实证分析研究", 《万方学术会议数据库》 * |
马玉宏等: "地震人员伤亡估算方法研究", 《地震工程与工程振动》 * |
Cited By (38)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104915891A (zh) * | 2015-05-25 | 2015-09-16 | 苏州热工研究院有限公司 | 一种核电厂地震叠加外部水淹风险评估方法 |
CN104915891B (zh) * | 2015-05-25 | 2018-04-20 | 苏州热工研究院有限公司 | 一种核电厂地震叠加外部水淹风险评估方法 |
CN106651105A (zh) * | 2016-10-21 | 2017-05-10 | 天津海量信息技术股份有限公司 | 地震灾害风险预估方法 |
CN107545353B (zh) * | 2016-11-10 | 2020-09-29 | 西南民族大学 | 一种地质灾害对公路交通影响程度的定量评估方法 |
CN107545353A (zh) * | 2016-11-10 | 2018-01-05 | 西南民族大学 | 一种地质灾害对公路交通影响程度的定量评估方法 |
CN107451198A (zh) * | 2017-07-05 | 2017-12-08 | 北京辰安信息科技有限公司 | 灾情评估方法和灾情评估装置 |
CN107480853A (zh) * | 2017-07-05 | 2017-12-15 | 北京辰安信息科技有限公司 | 物资分配方法和物资分配装置 |
CN107679774A (zh) * | 2017-10-30 | 2018-02-09 | 国信优易数据有限公司 | 一种抗震预防和救灾能力的评估方法以及装置 |
CN108304809B (zh) * | 2018-02-06 | 2020-03-27 | 清华大学 | 基于震后航拍影像的近实时震损评估方法 |
CN108304809A (zh) * | 2018-02-06 | 2018-07-20 | 清华大学 | 基于震后航拍影像的近实时震损评估方法 |
JP2019158656A (ja) * | 2018-03-14 | 2019-09-19 | 朝日航洋株式会社 | 地盤の水分状態を検出するための方法および検出システム |
CN109376996A (zh) * | 2018-09-18 | 2019-02-22 | 中国水利水电科学研究院 | 基于统计年鉴及地理信息的洪水损失评估方法和系统 |
CN109447460A (zh) * | 2018-10-26 | 2019-03-08 | 重庆大学 | 一种基于数据挖掘的地震影响房屋建筑易损性评价方法 |
CN110276379A (zh) * | 2019-05-21 | 2019-09-24 | 方佳欣 | 一种基于视频图像分析的灾情信息快速提取方法 |
CN110276379B (zh) * | 2019-05-21 | 2020-06-23 | 方佳欣 | 一种基于视频图像分析的灾情信息快速提取方法 |
JP2021140654A (ja) * | 2020-03-09 | 2021-09-16 | 株式会社Nttドコモ | 災害規模推定装置 |
JP7382859B2 (ja) | 2020-03-09 | 2023-11-17 | 株式会社Nttドコモ | 災害規模推定装置 |
CN111651726A (zh) * | 2020-05-20 | 2020-09-11 | 重庆大学 | 一种用于矿山安全评价和风险预测的数学模型建立方法 |
CN111651726B (zh) * | 2020-05-20 | 2023-04-18 | 重庆大学 | 一种用于矿山安全评价和风险预测的数学模型建立方法 |
CN113379326A (zh) * | 2020-07-08 | 2021-09-10 | 贵州电网有限责任公司 | 一种基于深度神经网络的电网灾情应急演练管理系统 |
CN113379326B (zh) * | 2020-07-08 | 2022-12-20 | 贵州电网有限责任公司 | 一种基于深度神经网络的电网灾情应急演练管理系统 |
CN113408816A (zh) * | 2020-07-08 | 2021-09-17 | 贵州电网有限责任公司 | 一种基于深度神经网络的电网灾情评估方法 |
CN112200399A (zh) * | 2020-07-20 | 2021-01-08 | 杭州叙简科技股份有限公司 | 一种地震成灾风险评估和经济损失预测方法 |
CN111985355A (zh) * | 2020-08-01 | 2020-11-24 | 桂林理工大学 | 基于深度学习和云计算的遥感建筑物震害评估方法和系统 |
CN111985355B (zh) * | 2020-08-01 | 2022-09-27 | 桂林理工大学 | 基于深度学习和云计算的遥感建筑物震害评估方法和系统 |
CN112001565A (zh) * | 2020-09-08 | 2020-11-27 | 清华大学合肥公共安全研究院 | 基于Softmax回归模型的地震灾害损失预测与评估的方法及系统 |
CN112434951A (zh) * | 2020-11-25 | 2021-03-02 | 中国海洋大学 | 一种地震灾害等级评估方法及系统 |
CN112767219A (zh) * | 2021-02-03 | 2021-05-07 | 上海交通大学 | 基于机器学习的震后受灾人口快速空间评估方法及系统 |
CN113282877A (zh) * | 2021-07-22 | 2021-08-20 | 中国科学院地理科学与资源研究所 | 自然灾害重点隐患风险评估方法及装置 |
CN113554345A (zh) * | 2021-08-10 | 2021-10-26 | 山西省地震局 | 地震滑坡灾害区域及灾害链风险评估方法 |
CN113554345B (zh) * | 2021-08-10 | 2023-04-18 | 山西省地震局 | 地震滑坡灾害区域及灾害链风险评估方法 |
CN113792793A (zh) * | 2021-09-15 | 2021-12-14 | 河北雄安京德高速公路有限公司 | 一种不良气象环境下道路视频监测提升方法 |
CN113792793B (zh) * | 2021-09-15 | 2024-01-23 | 河北雄安京德高速公路有限公司 | 一种不良气象环境下道路视频监测提升方法 |
CN114048944A (zh) * | 2021-10-09 | 2022-02-15 | 浙江大学 | 一种暴雨诱发地质灾害下应撤离人口及损毁房屋的预估方法 |
CN114066288B (zh) * | 2021-11-24 | 2022-07-29 | 广州交投工程检测有限公司 | 一种基于智慧数据中心的营运道路应急检测方法及系统 |
CN114066288A (zh) * | 2021-11-24 | 2022-02-18 | 广州交投工程检测有限公司 | 一种基于智慧数据中心的营运道路应急检测方法及系统 |
CN115169771A (zh) * | 2022-01-18 | 2022-10-11 | 长安大学 | 一种洪涝灾害影响下的交通网效率受损快速评估方法 |
CN116703197A (zh) * | 2023-04-20 | 2023-09-05 | 四川省地震应急服务中心 | 一种适用于黑箱期的地震灾害快速协同评估的方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN104346538B (zh) | 2017-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104346538A (zh) | 基于三种灾情因子控制的地震灾害评估方法 | |
Zou et al. | Comprehensive flood risk assessment based on set pair analysis-variable fuzzy sets model and fuzzy AHP | |
Lantada et al. | Vulnerability index and capacity spectrum based methods for urban seismic risk evaluation. A comparison | |
CN106296475B (zh) | 隧道及地下工程突涌水灾害多类型证据合成评估方法 | |
CN106651211A (zh) | 一种不同尺度区域洪水灾害风险评估的方法 | |
CN102194056B (zh) | 煤层顶底板突水危险评价预测的bn-gis方法 | |
CN105303020A (zh) | 一种基于ahp的电网自然灾害风险评估方法 | |
Li et al. | Vulnerability evaluation of rainstorm disaster based on ESA conceptual framework: A case study of Liaoning province, China | |
CN111859779B (zh) | 一种燃气管网防第三方施工破坏风险预警的方法及装置 | |
CN104217257A (zh) | 一种灾害链综合风险计算方法 | |
CN113554345B (zh) | 地震滑坡灾害区域及灾害链风险评估方法 | |
Wang et al. | Regional flood risk assessment via coupled fuzzy c-means clustering methods: an empirical analysis from China’s Huaihe River Basin | |
Sterlacchini et al. | Methods for the characterization of the vulnerability of elements at risk | |
Lee et al. | MCDM approach for identifying urban flood vulnerability under social environment and climate change | |
Delavar et al. | Earthquake vulnerability assessment for hospital buildings using a GIS-based group multi criteria decision making approach: a case study of Tehran, Iran | |
Jiao et al. | Resilience assessment of metro stations against rainstorm disaster based on cloud model: a case study in Chongqing, China | |
Ching et al. | Predicting rainfall-induced landslide potential along a mountain road in Taiwan | |
Zhang et al. | Quantitative risk assessment of typhoon storm surge for multi-risk sources | |
Li et al. | Urban flood risk assessment based on DBSCAN and K-means clustering algorithm | |
Randil et al. | A statistical method for pre-estimating impacts from a disaster: A case study of floods in Kaduwela, Sri Lanka | |
Edirisinghe et al. | GIS based approach for planning the evacuation process during flash floods: case study for gampaha divisional secretariat division, Sri Lanka | |
Niño et al. | A risk index due to natural hazards based on the expected annual loss | |
Li et al. | Study on road damage assessment based on RS and GIS | |
Kaoje | Application of Geographical Information System Techniques in Urban Flood Risk Assessment and Vulnerability Mapping. A Case Study of Cardiff, Wales | |
CN113807724B (zh) | 一种基于综合风险评价的弃碴场选址方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |