CN105761155A - 一种基于历史案例的农业旱灾灾情快速评估方法 - Google Patents

Abstract

本发明公开了一种基于历史案例的农业旱灾灾情快速评估方法，包括如下步骤：(1)干旱灾害历史案例库的构建；(2)灾情指标和灾害指标的选取；(3)相似案例判别方法的选择及历史案例与当前灾害的相似度计算；(4)参与灾情评估案例的确定并计算权重；(5)确定抗灾能力修正系数和承灾体暴露数量修正系数；(6)基于案例相似度评估模型计算当前灾害的受灾情况。本发明方法简单、操作容易，即使仅有少量案例也可以完成基于历史相似案例的预评估，适用于尚没有条件建立模型的预评估，且实时性较强，能够在灾害发生的任何时段提供灾情的损失评估数据，为抗灾救灾决策提供参考。

Description

一种基于历史案例的农业旱灾灾情快速评估方法

技术领域

本发明涉及一种以历史灾害案例数据为基础，通过相似度评估模型实现自然灾害灾情快速评估的方法，具体为一种基于历史案例的农业旱灾灾情快速评估方法。

背景技术

旱灾是全球最为常见的农业自然灾害之一，具有影响范围大，持续时间长，发生频率高的特点。农业干旱灾害评估工作按照灾害演进过程可以分为三个阶段：灾前预评估、灾中跟踪评估(监测评估)和灾后损失评估，其主要内容包括旱灾风险、强度、规模、发展趋势和损失评估。损失评估即灾情评估，主要是对农作物受灾面积、成灾面积和绝收面积的定量评估。目前相关评估方法有传统的统计上报方法，基于各类干旱指数的灾情评估，基于承灾体易损性的评估和基于历史案例的灾情评估。基于干旱指数的评估又可以细分为遥感干旱指数(如ATI，CWSI，AVI，VTCI)的评估和非遥感类的干旱指数(如SPI、Palmer)的评估，其基本思路都是建立各类干旱指数，在此基础上确定干旱阈值，进而将作物种植区域划分为不同受灾等级，最终统计出受灾作物面积。

传统的统计上报和查勘定损的方法，受各行业统计标准的差异、统计调查人员的专业知识和技能差异、查勘环境等的影响，工作量大、成本高、效率低、实时性差、报损情况的准确性难以核实。

近年来，地理信息与遥感技术迅猛发展，产业不断壮大，利用空间信息技术进行干旱灾害指数的反演评估灾情已经逐渐纳入卫星技术业务应用的领域。利用地理信息与遥感技术科学客观地对在灾害灾情损失进行估计，不仅可以为地方政府抗灾减灾投入和种植效益分析提供数据支持、也可以为保险公司节约理赔成本，提高查勘定损精度，提升灾害保险的业务。但是对于空间化表现不是特别强烈的承灾体要素的评估还是难以做到遥感指数的反演，比如饮水困难人口等，而且实效性仍然受自然条件的限制较多，比如灾害发生时段的大气条件不理想，则很难获得理想的遥感影像进行灾情评估。

基于承灾体易损性的旱灾灾情评估方法基本思路是用某一致灾因子强度下的损失率乘以其影响范围内暴露的承灾体的数量，其核心和难点是承灾体易损性曲线的构建。但是因为灾害发生的诱因复杂而且多样，很难做到基于少量的灾害因子构建准确的承灾体易损性曲线，而且易损性曲线的适用条件限制较多，很难符合某一灾害发生时的环境条件。

基于历史案例的灾情评估是根据获取的少量灾害信息，以及历史案例特征，进行特征相似度评估，获取相似案例集，并对相似案例进行加权综合评价来判断当前灾害的损失情况。相对于其他评估方法来说，基于历史案例的灾情评估方法有如下两个优点：1)即使仅有少量案例也可以完成基于历史相似案例的预评估，适用于尚没有条件建立模型的预评估；2)基于历史相似案例的预评估推理方法简单，实现起来简单明了，且实时性较强，能够在灾害发生的任何时段提供灾情的损失评估数据，为抗灾救灾决策提供参考。

发明内容

本发明同时考虑历史案例灾害的灾害、灾情指标和当前灾害可获取的灾害指标数据，以最小距离法原理为建立相似度判断模型，设计相似度评估模型实现自然灾害灾情的快速评估方法，以期提高自然灾害灾情的时效性。

为实现上述目的本发明采用如下技术方案：一种基于历史案例的农业旱灾灾情快速评估方法，包括如下步骤：

(1)干旱灾害历史案例库的构建：

整理普查收集到的灾区历史资料，建立灾害数据库(基础数据库和专题数据库等)。作为基础数据库而言，其中有灾区气象数据、水文数据和统计降水变化、行政区划等构成的基础地理数据；灾区空间变化和分布位置等构成的对地观测数据；统计部门所提供的社会经济数据。而专题数据库包括了降雨量、灾害强度及持续时间等致灾因子数据；灾区的坡度、坡向、高程构成的孕灾环境数据；历史人口、农作物播种面积、大牲口数量等为代表的承灾体数据；历史灾害饮水困难人口、受灾农作物面积、绝收农作物面积等灾情数据。

(2)灾情指标和灾害指标的选取：

针对某一灾情指标，包括致灾因子相似度评价指标体系、孕灾环境脆弱性评价指标体系和承灾体相似度评价指标体系。

(3)相似案例判别方法的选择及历史案例与当前灾害的相似度计算：

包括相似度评估模型的选择，灾害指标数据的处理，历史案例与当前灾害的相似度计算。

(4)参与灾情评估案例的确定并计算权重：

根据(3)得到的相似度按照大小排列规则或阈值规则确定参与最终灾情计算的历史案例，并给予相似度归一化得到各个选定案例的权重。

(5)确定抗灾能力修正系数和承灾暴露体数量修正系数：

依据选定案例当年的社会经济发展水平及承灾体数量和当前灾害发生时段的社会经济发展水平和承灾体数量比较确定抗灾能力修正系数和承灾体数量修正系数。

(6)基于灾情评估模型计算当前灾害的受灾情况及精度分析：

采用案例相似度评估模型对选定的承灾体受灾情况进行计算，并于统计上报结果进行比较分析精度。

作为本发明进一步的方案，所述步骤(1)的干旱灾害历史案例库的构建工作包括基础地理数据库、历史干旱灾害案例数据库，其中历史干旱灾害案例数据库又包括灾害数据库和灾情数据库。

作为本发明进一步的方案，所述步骤(2)灾情指标和灾害指标的选取，包括利用相关性分析选择与灾情指标相关性较高的灾害指标，以此作为判定历史案例和当前灾害相似性的指标。

作为本发明进一步的方案，所述步骤(3)相似案例判别方法的选择及历史案例与当前灾害的相似度计算，包括基于最小距离案例相似度评估方法的选择，具体的方法选择及数据处理流程和相似度计算方法如下：

1)基于欧氏距离(EuclideanDistance)的案例相似度计算

计算历史案例指标与当前灾害指标的绝对差，公式如下：

D_ij＝|x_ij-x_i0|

其中，D_ij表示j历史案例的i指标与当前灾害的i指标的绝对差，x_ij表示j历史案例的i指标，x_i0表示当前灾害的i指标，i表示指标编号，j表示历史案例灾害编号，0表示当前灾害。

为消去多源数据单位量纲的影响，对绝对差数据进行的标准化处理，同时对绝对差进行逆向处理，公式如下：

$S_{\mathrm{ij}}=\frac{\max \left(D_{\mathrm{ij}}\right)-D_{\mathrm{ij}}}{\max \left(D_{\mathrm{ij}}\right)-\min \left(D_{\mathrm{ij}}\right)}$

其中，S_ij表示所有历史案例的i指标与当前灾害的i指标绝对差归一化后的值，该值越大表示该指标与当前灾害越相似，D_ij表示j历史案例的i指标与当前灾害的i指标的绝对差，i表示指标编号，j表示历史案例灾害编号。

最后，将同一历史案例所有指标的S_ij按照欧式距离原理求得与当前灾害的总体相似度，公式如下：

${\mathrm{CS}}_j=\sqrt{\underset{i=1}{\overset{n}{\∑}}{S_{\mathrm{ij}}}^2}$

其中，CS_j表示编号为j的历史案例与当前灾害的综合相似度。

2)基于标准化欧氏距离(StandardizedEuclideandistance)的案例相似度计算

计算历史案例指标与当前灾害指标的绝对差，公式如下：

D_ij＝|x_ij-x_i0|

其中，D_ij表示j历史案例的i指标与当前灾害的i指标的绝对差，x_ij表示j历史案例的i指标，x_i0表示当前灾害的i指标，i表示指标编号，j表示历史案例灾害编号，0表示当前灾害。

为消去多源数据单位量纲的影响，对绝对差数据进行的标准化处理，同时对绝对差进行逆向处理，公式如下：

$S_{\mathrm{ij}}=\frac{\max \left(D_{\mathrm{ij}}\right)-D_{\mathrm{ij}}}{\max \left(D_{\mathrm{ij}}\right)-\min \left(D_{\mathrm{ij}}\right)}$

其中，S_ij表示所有历史案例的i指标与当前灾害的i指标绝对差归一化后的值，该值越大表示该指标与当前灾害越相似，D_ij表示j历史案例的i指标与当前灾害的i指标的绝对差，i表示指标编号，j表示历史案例灾害编号。

最后，将同一历史案例所有指标的S_ij按标准化欧氏距离原理求得与当前灾害的总体相似度，公式如下：

${\mathrm{CS}}_j=\sqrt{\underset{i=1}{\overset{n}{\∑}}{\left(\frac{S_{\mathrm{ij}}}{{\mathrm{SD}}_j}\right)}^2}$

其中，CS_j表示编号为j的历史案例与当前灾害的综合相似度，SD_j表示编号为j的历史案例所有指标S_ij的标准差。

3)基于曼哈顿距离(ManhattanDistance)的案例相似度计算

计算历史案例指标与当前灾害指标的绝对差，公式如下：

D_ij＝|x_ij-x_i0|

其中，D_ij表示j历史案例的i指标与当前灾害的i指标的绝对差，x_ij表示j历史案例的i指标，x_i0表示当前灾害的i指标，i表示指标编号，j表示历史案例灾害编号，0表示当前灾害。

为消去多源数据单位量纲的影响，对绝对差数据进行的标准化处理，同时对绝对差进行逆向处理，公式如下：

$S_{\mathrm{ij}}=\frac{\max \left(D_{\mathrm{ij}}\right)-D_{\mathrm{ij}}}{\max \left(D_{\mathrm{ij}}\right)-\min \left(D_{\mathrm{ij}}\right)}$

其中，S_ij表示所有历史案例的i指标与当前灾害的i指标绝对差归一化后的值，该值越大表示该指标与当前灾害越相似，D_ij表示j历史案例的i指标与当前灾害的i指标的绝对差，i表示指标编号，j表示历史案例灾害编号。

最后，将同一历史案例所有指标的S_ij按曼哈顿距离原理求得与当前灾害的总体相似度，公式如下：

${\mathrm{CS}}_j=\underset{i=1}{\overset{n}{\∑}}{S}_{\mathrm{ij}}$

其中，CS_j表示编号为j的历史案例与当前灾害的综合相似度。

4)基于夹角余弦(Cosine)的案例相似度计算

基于夹角余弦的案例相似度计算公式如下：

${\mathrm{CS}}_j=\cos {\left(\mathrm{\θ}\right)}_j=\frac{\underset{i=1}{\overset{n}{\∑}}{x}_{\mathrm{ij}}{x}_{i0}}{\sqrt{\underset{i=1}{\overset{n}{\∑}}{x_{\mathrm{ij}}}^2}\sqrt{\underset{i=1}{\overset{n}{\∑}}{x_{i0}}^2}}$

其中，cos(θ)_j表示历史案例j与当前灾害的相似度，夹角余弦取值范围为[-1，1]。夹角余弦越大表示两个案例的相似度越大，夹角余弦越小表示两个案例的相似度越小。当两个案例完全一样时夹角余弦取最大值1，当两个向完全不相关时夹角余弦取最小值-1，本方法中夹角余弦的基础阈值规定为0，即只有与当前灾害的夹角余弦大于0的历史案例才有资格参与下一步的灾情评估计算。

作为本发明进一步的方案，所述步骤(4)参与灾情评估案例的确定并计算权重，包括确定规则或阈值选择参与灾情评估的相似案例，其中确定规则包括基于步骤(3)得到的相似度排序，按相似度大小取得一定数量相似案例参与灾情评估，取得的数量则有历史案例数据的实验验证确定；确定阈值包括规定一个相似度基数，凡是步骤(3)得到的案例相似度大于或大于等于该基数的案例均参与灾情评估计算。

作为本发明进一步的方案，所述步骤(4)参与灾情评估案例的确定并计算权重，包括选定的参与灾情评估的历史案例的权重计算，公式如下：

$W_j=\frac{{{\mathrm{CS}}_j}^{*}}{\underset{j=1}{\overset{n}{\∑}}{{\mathrm{CS}}_j}^{*}}$

其中，W_j表示选定的历史案例的权重，CS_j ^*表示选定的历史案例的相似度。

作为本发明进一步的方案，所述步骤(5)确定抗灾能力修正系数和承灾体数量修正系数，包括抗灾能力修正系数的确定，抗灾能力修正系数基数的计算公式如下所示：

$a_{j0}=\frac{{\mathrm{GDP}}_j}{{\mathrm{GDP}}_0}$

其中，a_j0为历史案例j与当前灾害的抗灾能力修正系数基数，GDP_j为历史案例j对应年份受灾地域的GDP总量，GDP₀为当前灾害受灾区域前一年的GDP总量。本方法的抗灾能力修正系数规定取a_j0≤a_j≤1，a_j为参与灾情评估实际计算的抗灾能力修正系数。采用GDP比例系数作为抗灾能力修正系数的基数是由于GDP数据的公布常常滞后一年，因此在实际应用中评估当此灾害事件灾情时，使用的是前一年的GPD数据来确定此基数，此外，因为旱灾的承灾体不仅包括农作物，还有人和家禽家畜，在实际应用中存在抗灾能力的分配问题，因此该基数只能作为当前灾害年份相对于历史案例年份增长的抗灾能力系数，所以在实际应用中还要根据抗灾能力的分配基于此系数作必要的调整。这就是规定抗灾能力修正系数取a_j0≤a_j≤1的原因。

作为本发明进一步的方案，所述步骤(5)确定抗灾能力修正系数和承灾体暴露数量修正系数，包括承灾体暴露数量修正系数的确定，计算公式如下所示：

$b_{0j}=\frac{{\mathrm{Db}}_0}{{\mathrm{Db}}_j}$

其中，b_0j为当前灾害与历史案例j的承灾体暴露数量修正系数，Db₀为当前灾害受灾区域承灾体暴露数量，Db_j为历史案例j对应受灾地域的承灾体暴露数量。

作为本发明进一步的方案，所述步骤(6)基于灾情评估模型计算当前灾害的受灾情况及精度分析，包括基于案例相似度评估模型对选定的承灾体受灾情况计算，公式如下：

$L_0=\underset{j=1}{\overset{n}{\∑}}{a}_j{b}_{0j}{W}_j{L}_j$

其中，L₀为评估出的受灾情况；L_j为参与评估的相似历史案例j对应的实际受灾情况。

与现有技术相比，本发明的优点：该发明一种基于历史案例的农业旱灾灾情快速评估方法，对于灾情损失评估的成本低、效率高、时效性强且方法简单、约束条件较少、容易实现，可以为不同地区、不同时段的灾情程度比较提供依据，也可为抗灾救灾的决策提供依据。

附图说明

图1是根据本发明实施例的一种基于历史案例的农业旱灾灾情快速评估方法的流程图；

具体实施方式

下面结合附图和具体实施例对本发明作进一步阐述。

本案例收集了2001年到2013年的河南省农业旱灾相关数据，以2001-2005年的数据作为历史案例基数，从2006-2013年的中随机选取了2007年和2013年两个年份进行基于历史相似案例的灾情评估方法的研究，所用数据信息具体见表1。河南位于中国中东部，黄河中下游，地势西高东低，以平原和盆地为主，横跨海河、黄河、淮河、长江四大水系，是我国的人口大省和粮食大省，也是一个旱灾频发的省份。1971-2013年期间，平均年受灾作物面积、成灾作物面积和绝收作物面积分别为3017.43万亩，1234.23万亩和251.3547万亩(http：//zzys.agri.go-v.cn/nongqing.aspx)。旱灾发生频率高，季节性明显，容易出现连旱。选择河南省进行旱灾灾情评估不仅可以对于本省灾情评估工作具有指导意义，对其他省的旱灾灾情评估同样具有参考价值。

表1数据及用途

本案例主要流程包括：自然灾害历史案例库的构建，灾情指标和灾害指标的选取，相似案例判别方法的选择及历史案例与当前灾害的相似度计算，参与灾情评估案例的确定并计算权重，确定抗灾能力修正系数和承灾体暴露数量修正系数，基于灾情评估模型计算当前灾害的受灾情况及精度分析。流程如图1所示。

本案例历史灾害案例库建立中自然灾害案例库是由多个灾害案例组成的灾害信息的集成。其中每一个灾害案例都是对一次具体灾害过程的系统性描述。自然灾害案例数据库的基本单元是一个具体的灾害案例，多个灾害案例集成在一起，对自然灾害系统形成既有空间相关和时间相关，又有要素相关和过程相关的数字化自然灾害区域信息系统，从而实现对自然灾害时空分异规律、成因机制过程、区域规律和转移规律的辅助研究，为国家减灾服务。

对于一次自然灾害事件的描述至少包括对灾害自身的属性信息描述(即灾害指标)和对灾害损失的描述(即灾情指标)。灾害指标用于反应灾害强弱程度和特点，主要包括灾害时间、灾害位置、灾害种类、灾害强度、致灾因子、孕灾环境和承灾体。灾情指标体系用于评价灾害造成的损失，反应了灾害造成的经济财产损失情况。基于《自然灾害统计指标国家标准》，旱灾灾情的指标主要包括农作物受灾面积，农作物成灾面积，农作物绝收面积，因旱需生活救助人口和饮水困难大牲畜。

本案例案例相似度评估指标体系构建的目的是用来断定和当下发生的灾害事件相似的历史灾害案例事件，因此案例相似度评估指标体系主要包含了历史灾害案例指标体系中的灾害指标部分，是历史灾害案例指标体系的子集。本研究中所选的案例相似度评估指标体系包括：灾害开始时间，灾害历时，灾害发生时段内的Palmer干旱指数(PalmerDroughtIndex)均值、标准化降水指数(SPI)均值和耕地归一化植被指数(NDVI)平均值。Palmer干旱指数也被称为Palmer干旱严重程度指数，是一个基于降水量和温度的干燥程度的量规，其具体计算公式见WellsNathan(2004)等人的研究结果。SPI，使得用同一干旱指标反映不同时间尺度和区域的干旱状况成为可能，SPI通过计算给定时间尺度内降雨量的累积概率，可以在多个时间尺度上进行计算比较，能够较好地反映干旱强度和持续时间，一般认为2～3月的SPI可反映农业干旱情况。NDVI是遥感图像上近红外波段的反射值与红光波段的反射值之差比上两者之和，常常用于反映农作物长势。本研亢中灾害发生时段内的palmer指数均值和SPI均值用于反应致灾因子的强度，灾害发生时段内的耕地NDVI平均值用于指示灾情严重程度。

表2案例相似度评估指标及历史受灾面积灾数据

本案例采用曼哈顿距离(ManhattanDistance)进行历史案例相似度计算，具体步骤如下：

采用式1历史案例指标与当前灾害指标的绝对差。

式1：D_ij＝|x_ij-x_i0|

其中，D_ij表示j历史案例的i指标与当前灾害的i指标的绝对差，x_ij表示j历史案例的i指标，x_i0表示当前灾害的i指标，i表示指标编号，j表示历史案例灾害编号，0表示当前灾害。

为消去多源数据单位量纲的影响，采用式2对绝对差数据进行的标准化处理，同时对绝对差进行逆向处理2。

式2： $S_{\mathrm{ij}}=\frac{\max \left(D_{\mathrm{ij}}\right)-D_{\mathrm{ij}}}{\max \left(D_{\mathrm{ij}}\right)-\min \left(D_{\mathrm{ij}}\right)}$

其中，S_ij表示所有历史案例的i指标与当前灾害的i指标绝对差归一化后的值，该值越大表示该指标与当前灾害越相似，D_ij表示j历史案例的i指标与当前灾害的i指标的绝对差，i表示指标编号，j表示历史案例灾害编号。

采用式3求得历史案例与当前灾害的总体相似度。

式3： ${\mathrm{CS}}_j=\underset{i=1}{\overset{n}{\∑}}{S}_{\mathrm{ij}}$

其中，CS_j表示编号为j的历史案例与当前灾害的综合相似度。

本案例采用相似案例排序的方式分别选取参与灾情评估的相似案例，河南历史旱灾案例与2007、2013年旱灾相似度排序分别见表3、表4。

表3历史旱灾案例与2007年旱灾相似度排序

年份	2001	2002	2003	2004	2005	2006
							相似度	3.732782	2.35891494	4.45770202	2.03875276	2.44219331	1.85226
排序	2	4	1	5	3	6

表4历史旱灾案例与2013年旱灾相似度排序

本案例采用式4计算参与灾情评估的历史案例的权重。

式4： $W_j=\frac{{{\mathrm{CS}}_j}^{*}}{\underset{j=1}{\overset{n}{\∑}}{{\mathrm{CS}}_j}^{*}}$

其中，W_j表示选定的历史案例的权重，CS_j ^*表示选定的历史案例的相似度。

本案例为了确定基于相似度排序选取参与灾情评估计算的最佳案例个数，对所有的案例均依排序进行了权重计算，从而在后续步骤验证精度确定最佳案例个数。河南2007、2013历史旱灾案例排序权重计算结果见表5、表6。

表52007年历史旱灾案例排序权重

年份	2001	2002	2003	2004	2005	2006
							权重	-	-	1.0000	-	-	-
权重	0.4557	-	0.5443	-	-	-
							权重	0.3511	-	0.4192	-	0.2297	-
权重	0.2873	0.1816	0.3431	-	0.1880	-
							权重	0.2483	0.1569	0.2966	0.1356	0.1625	-
权重	0.2211	0.1397	0.2640	0.1208	0.1447	0.1097

表62013年历史旱灾案例排序权重

年份	2001	2002	2003	2004	2005	2006	2007	2008	2009	2010	2011	2012
													权重	-	1.0000	-	-	-	-	-	-	-	-	-	-
权重	-	0.5182	-	-	-	-	-	-	-	0.4818	-	-
													权重	-	0.3534	0.3182	-	-	-	-	-	-	0.3285	-	-
权重	-	0.2766	0.2491	-	-	-	0.2171	-	-	0.2572	-	-
													权重	-	0.2314	0.2083	-	-	0.1637	0.1816	-	-	0.2151	-	-
权重	0.1374	0.1996	0.1797	-	-	0.1412	0.1566	-	-	0.1855	-	-
													权重	0.1233	0.1790	0.1612	-	-	0.1267	0.1405	-	-	0.1664	-	0.1029
权重	0.1118	0.1623	0.1462	-	-	0.1149	0.1274	-	-	0.1509	0.0932	0.0933
													权重	0.1026	0.1490	0.1341	-	-	0.1054	0.1169	0.0824	-	0.1385	0.0855	0.0856
权重	0.0956	0.1389	0.1251	-	0.0675	0.0983	0.1090	0.0769	-	0.1291	0.0797	0.0798
													权重	0.0906	0.1316	0.1185	0.0527	0.0640	0.0931	0.1033	0.0728	-	0.1223	0.0755	0.0756
权重	0.0877	0.1275	0.1148	0.0510	0.0619	0.0902	0.1000	0.0705	0.0314	0.1185	0.0732	0.0733

本案例采用式5计算参与灾情评估的历史案例与当前灾害的抗灾能力系数。

式5： $a_{j0}=\frac{{\mathrm{GDP}}_j}{{\mathrm{GDP}}_0}$

其中，a_j0为历史案例j与当前灾害的抗灾能力修正系数基数，GDP_j为历史案例j对应年份受灾地域的GDP总量，GDP₀为当前灾害受灾区域前一年的GDP总量。本方法的抗灾能力修正系数规定取a_j0≤a_j≤1，a_j为参与灾情评估实际计算的抗灾能力修正系数。

本案例中，根据2007年的旱灾情况，2007年因未出现人畜饮水困难，2007年相对于历史案例年份增长的抗灾能力则全部投入农作物抗灾就在上，因此抗灾能力系数就取GDP比例系数，各年份对应的抗灾能力修正系数见表7。

表72007年历史旱灾案对应的抗灾能力系数

	2001	2002	2003	2004	2005	2006
							抗灾系数	0.447553505	0.488197244	0.555513763	0.691898026	0.856394066	1

2013年河南旱灾出现较为严重的人畜饮水苦难，相对历史年份增长的抗灾能力则基本都投入在解决人畜饮水问题上，农作物则被看做是未分配抗灾救灾能力，因此本研究中2013年的抗灾能力系数就直接取1。

本案例采用式6计算当前灾害与参与灾情评估的历史案例的承灾体数量修正系数。

式6： $b_{0j}=\frac{{\mathrm{Db}}_0}{{\mathrm{Db}}_j}$

其中，b_0j为当前灾害与历史案例j的承灾体暴露数量修正系数，Db₀为当前灾害受灾区域承灾体暴露数量，Db_j为历史案例j对应受灾地域的承灾体暴露数量。2007年和2013年对应历史案例的承灾体数量修正系数分别见表8、表9。

表82007年对应历史旱灾案的承灾体数量修正系数

年份	2001	2002	2003	2004	2005	2006
							承灾体系数	1.0690	1.0564	1.04383	1.0335	1.0033	1.0000

表92013年对应历史旱灾案的承灾体数量修正系数

本案例采用式7计算当前灾害当前灾害的受灾情况。

式7： $L_0=\underset{j=1}{\overset{n}{\∑}}{a}_j{b}_{0j}{W}_j{L}_j$

其中，L₀为评估出的受灾情况；L_j为参与评估的相似历史案例j对应的实际受灾情况。2007年、2013年灾情评估结果分别见表10、表11。

表102007年灾情评估结果

表112013年河南省旱灾灾情评估结果

2007年、2013年河南旱灾的实际受灾面积分别为1131.90万亩、1272.15万亩，评估结果精度分别见表10、表11。基于一个相似历史案例评估的结果2007年受灾面积为429.70万亩，相对误差达到了62.04％；2013年受灾面积评估结果为2475.66万亩，相对误差达到了94.60％，该结果说明了只利用一次灾害历史事件进行灾情评估的结果不可靠，无法满足业务需求。基于两个以上(包括两个)历史相似案例的河南省旱灾灾情评估精度在77.72％和96.28％之间，且选取两个相似历史案例时评估精度最佳，2007年和2013年的灾情评估精度分别为90.59％和96.28％。

本案例详细介绍了基于历史相似案例的旱灾灾情评估技术流程，并以河南省为例，收集了2001年到2013年的该省农业旱灾相关数据，对2007年和2013年的农业旱灾受灾面积进行了进行基于历史相似案例的灾情评估。结果显示只利用一次灾害历史事件进行灾情评估的结果不可靠，无法满足业务需求，基于两个以上(包括两个)历史相似案例的河南省旱灾灾情评估精度在77.72％和96.28％之间，且选取两个相似历史案例时评估精度最佳(评估精度在90％以上)，精度能够满足自然灾害灾情的评估要求。基于历史相似案例的旱灾灾情评估方法简单，操作容易，具有一定应用前景。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (9)

1.一种基于历史案例的农业旱灾灾情快速评估方法，其特征在于，包括如下步骤：

(1)干旱灾害历史案例库的构建：

整理普查收集到的灾区历史资料，建立灾害数据库(基础数据库和专题数据库等)。作为基础数据库而言，其中有灾区气象数据、水文数据和统计降水变化、行政区划等构成的基础地理数据；灾区空间变化和分布位置等构成的对地观测数据；统计部门所提供的社会经济数据。而专题数据库包括了降雨量、灾害强度及持续时间等致灾因子数据；灾区的坡度、坡向、高程构成的孕灾环境数据；历史人口、农作物播种面积、大牲口数量等为代表的承灾体数据；历史灾害饮水困难人口、受灾农作物面积、绝收农作物面积等灾情数据。

(2)灾情指标和灾害指标的选取：

针对某一灾情指标，包括致灾因子相似度评价指标体系、孕灾环境脆弱性评价指标体系和承灾体相似度评价指标体系。

(3)相似案例判别方法的选择及历史案例与当前灾害的相似度计算：

包括相似度评估模型的选择，灾害指标数据的处理，历史案例与当前灾害的相似度计算。

(4)参与灾情评估案例的确定并计算权重：

根据(3)得到的相似度按照大小排列规则或阈值规则确定参与最终灾情计算的历史案例，并给予相似度归一化得到各个选定案例的权重。

(5)确定抗灾能力修正系数和承灾暴露体数量修正系数：

依据选定案例当年的社会经济发展水平及承灾体数量和当前灾害发生时段的社会经济发展水平和承灾体数量比较确定抗灾能力修正系数和承灾体数量修正系数。

(6)基于灾情评估模型计算当前灾害的受灾情况及精度分析：

采用案例相似度评估模型对选定的承灾体受灾情况进行计算，并于统计上报结果进行比较分析精度。

2.根据权利要求1所述的一种基于历史案例的农业旱灾灾情快速评估方法，其特征在于，所述步骤(1)的干旱灾害历史案例库的构建工作包括基础地理数据库、历史灾害案例数据库，其中历史灾害案例数据库包括灾害数据库和灾情数据库。

3.根据权利要求1所述的一种基于历史案例的农业旱灾灾情快速评估方法，其特征在于，所述步骤(2)灾情指标和灾害指标的选取，包括利用相关性分析选择与灾情指标相关性较高的灾害指标，以此作为判定历史案例和当前灾害相似性的指标。

4.根据权利要求1所述的一种基于历史案例的农业旱灾灾情快速评估方法，其特征在于，所述步骤(3)相似案例判别方法的选择及历史案例与当前灾害的相似度计算，包括基于最小距离案例相似度评估方法的选择，具体的方法选择及数据处理流程和相似度计算方法如下：

1)基于欧氏距离(EuclideanDistance)的案例相似度计算

计算历史案例指标与当前灾害指标的绝对差，公式如下：

D_ij＝|x_iJ-x_i0|

其中，D_iJ表示j历史案例的i指标与当前灾害的i指标的绝对差，x_iJ表示j历史案例的i指标，x_i0表示当前灾害的i指标，i表示指标编号，j表示历史案例灾害编号，0表示当前灾害。

为消去多源数据单位量纲的影响，对绝对差数据进行的标准化处理，同时对绝对差进行逆向处理，公式如下：

$S_{\mathrm{ij}}=\frac{\max \left(D_{\mathrm{ij}}\right)-D_{\mathrm{iJ}}}{\max \left(D_{\mathrm{iJ}}\right)-\min \left(D_{\mathrm{iJ}}\right)}$

其中，S_ij表示所有历史案例的i指标与当前灾害的i指标绝对差归一化后的值，该值越大表示该指标与当前灾害越相似，D_iJ表示j历史案例的i指标与当前灾害的i指标的绝对差，i表示指标编号，j表示历史案例灾害编号。

最后，将同一历史案例所有指标的s_ij按照欧式距离原理求得与当前灾害的总体相似度，公式如下：

${\mathrm{CS}}_j=\sqrt{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{S_{\mathrm{ij}}}^2}$

其中，CS_J表示编号为j的历史案例与当前灾害的综合相似度。

2)基于标准化欧氏距离(StandardizedEuclideandistance)的案例相似度计算

计算历史案例指标与当前灾害指标的绝对差，公式如下：

D_iJ＝|x_iJ-x_i0|

其中，D_iJ表示j历史案例的i指标与当前灾害的i指标的绝对差，x_iJ表示j历史案例的i指标，x_i0表示当前灾害的i指标，i表示指标编号，j表示历史案例灾害编号，0表示当前灾害。

为消去多源数据单位量纲的影响，对绝对差数据进行的标准化处理，同时对绝对差进行逆向处理，公式如下：

$S_{\mathrm{ij}}=\frac{\max \left(D_{\mathrm{iJ}}\right)-D_{\mathrm{iJ}}}{\max \left(D_{\mathrm{iJ}}\right)-\min \left(D_{\mathrm{ij}}\right)}$

其中，S_ij表示所有历史案例的i指标与当前灾害的i指标绝对差归一化后的值，该值越大表示该指标与当前灾害越相似，D_iJ表示j历史案例的i指标与当前灾害的i指标的绝对差，i表示指标编号，j表示历史案例灾害编号。

最后，将同一历史案例所有指标的S_ij按标准化欧氏距离原理求得与当前灾害的总体相似度，公式如下：

${\mathrm{CS}}_J=\sqrt{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\left(\frac{S_{\mathrm{ij}}}{{\mathrm{SD}}_j}\right)}^2}$

其中，CS_J表示编号为j的历史案例与当前灾害的综合相似度，SD_j表示编号为j的历史案例所有指标S_ij的标准差。

3)基于曼哈顿距离(ManhattanDistance)的案例相似度计算

计算历史案例指标与当前灾害指标的绝对差，公式如下：

D_iJ＝|x_ij-x_i0|

其中，D_iJ表示j历史案例的i指标与当前灾害的i指标的绝对差，x_iJ表示j历史案例的i指标，x_i0表示当前灾害的i指标，i表示指标编号，j表示历史案例灾害编号，0表示当前灾害。

为消去多源数据单位量纲的影响，对绝对差数据进行的标准化处理，同时对绝对差进行逆向处理，公式如下：

$S_{\mathrm{ij}}=\frac{\max \left(D_{\mathrm{ij}}\right)-D_{\mathrm{ij}}}{\max \left(D_{\mathrm{ij}}\right)-\min \left(D_{\mathrm{ij}}\right)}$

其中，S_ij表示所有历史案例的i指标与当前灾害的i指标绝对差归一化后的值，该值越大表示该指标与当前灾害越相似，D_ij表示j历史案例的i指标与当前灾害的i指标的绝对差，i表示指标编号，j表示历史案例灾害编号。

最后，将同一历史案例所有指标的S_ij按曼哈顿距离原理求得与当前灾害的总体相似度，公式如下：

${\mathrm{CS}}_J=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{S}_{\mathrm{iJ}}$

其中，CS_J表示编号为j的历史案例与当前灾害的综合相似度。

4)基于夹角余弦(Cosine)的案例相似度计算

基于夹角余弦的案例相似度计算公式如下：

${\mathrm{CS}}_J=\cos {\left(\mathrm{\θ}\right)}_J=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{x}_{\mathrm{iJ}}{x}_{i0}}{\sqrt{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{x_{\mathrm{iJ}}}^2}\sqrt{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{x_{i0}}^2}}$

cos(θ)_J表示历史案例j与当前灾害的相似度，夹角余弦取值范围为[-1，1]。夹角余弦越大表示两个案例的相似度越大，夹角余弦越小表示两个案例的相似度越小。当两个案例完全一样时夹角余弦取最大值1，当两个向完全不相关时夹角余弦取最小值-1，本方法中夹角余弦的基础阈值规定为0，即只有与当前灾害的夹角余弦大于0的历史案例才有资格参与下一步的灾情评估计算。

5.根据权利要求1所述的一种基于历史案例的农业旱灾灾情快速评估方法，其特征在于，所述步骤(4)参与灾情评估案例的确定并计算权重，包括确定规则或阈值选择参与灾情评估的相似案例，其中确定规则包括基于步骤(3)得到的相似度排序，按相似度大小取得一定数量相似案例参与灾情评估，取得的数量则有历史案例数据的实验验证确定；确定阈值包括规定一个相似度基数，凡是步骤(3)得到的案例相似度大于等于该基数的案例均参与后续灾情评估计算。

6.根据权利要求1所述的一种基于历史案例的农业旱灾灾情快速评估方法，其特征在于，所述步骤(4)参与灾情评估案例的确定并计算权重，包括选定的参与灾情评估的历史案例的权重计算，公式如下：

$W_J=\frac{{{\mathrm{CS}}_J}^{*}}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{{\mathrm{CS}}_J}^{*}}$

其中W_J表示选定的历史案例的权重，表示选定的历史案例的相似度。

7.根据权利要求1所述的一种基于历史案例的农业旱灾灾情快速评估方法，其特征在于，所述步骤(5)确定抗灾能力修正系数和承灾体数量修正系数，包括抗灾能力修正系数的确定，抗灾能力修正系数基数的计算公式如下所示：

$a_{j0}=\frac{{\mathrm{GDP}}_j}{{\mathrm{GDP}}_0}$

其中，α_j0为历史案例j与当前灾害的抗灾能力修正系数基数，GDP_J为历史案例j对应年份受灾地域的GDP总量，GDP₀为当前灾害受灾区域前一年的GDP总量。本方法的抗灾能力修正系数规定取α_J0≤α_J≤1，α_J为参与灾情评估实际计算的抗灾能力修正系数。采用GDP比例系数作为抗灾能力修正系数的基数是由于GDP数据的公布常常滞后一年，因此在实际应用中评估当前灾害事件灾情时，使用的是前一年的GPD数据来确定此基数，此外，因为旱灾的承灾体不仅包括农作物，还有人和家禽家畜，在实际应用中存在抗灾能力的分配问题，因此该基数只能作为当前灾害年份相对于历史案例年份增长的抗灾能力系数，所以在实际应用中还要根据抗灾能力的分配基于此系数作必要的调整。

8.根据权利要求1所述的一种基于历史案例的农业旱灾灾情快速评估方法，其特征在于，所述步骤(5)确定抗灾能力修正系数和承灾体暴露数量修正系数，包括承灾体暴露数量修正系数的确定，计算公式如下所示：

$b_{0j}=\frac{{\mathrm{Db}}_0}{{\mathrm{DB}}_J}$

其中，b_0J为当前灾害与历史案例j的承灾体暴露数量修正系数，Db₀为当前灾害受灾区域承灾体暴露数量，Db_J为历史案例j对应受灾地域的承灾体暴露数量。

9.根据权利要求1所述的一种基于历史案例的农业旱灾灾情快速评估方法，其特征在于，所述步骤(6)基于灾情评估模型计算当前灾害的受灾情况及精度分析，包括基于案例相似度评估模型对选定的承灾体受灾情况计算，公式如下：

$L_0=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{a}_J{b}_{0j}{W}_J{L}_j$

其中，L_O为评估出的受灾情况；L_J为参与评估的相似历史案例j对应的实际受灾情况。