CN105809266A - 一种地震伤亡人数初步评估预测方法 - Google Patents

Abstract

本发明公开了一种地震伤亡人数初步评估预测方法，其具体包括下列步骤：1）分析影响地震伤亡情况的主要因素；2）确定影响因素与伤亡人数之间的关系；3）按照确定的函数关系进行建模。本发明模型相比于其他模型误差率较小，表明本文模型具有较高的准确性和实用参考性。

Description

一种地震伤亡人数初步评估预测方法

技术领域

本发明涉及到一种地震伤亡人数初步评估预测方法。

背景技术

破坏性地震往往给人类带来巨大的生命和财产损失，与经济损失相比，地震所造成的人员伤亡对整个社会的影响更加深远和沉重。人员伤亡的现场调查和评估结果是政府实施抗震救灾和制定重建方案的重要依据。然而，强震发生后1-3天内，由于交通、电力、通信的中断或瘫痪，研究人员难以快速地进行详细的灾情调查和科学的评估工作，不能满足抗震救灾指挥部做出紧急救援决策的需要。因此，有必要研究一种地震伤亡人员快速评估方法，以便抗震救灾指挥机构更准确、更迅速地确定应急救灾的级别或规模，发挥社会服务职能的作用。这方面专利较少，下面介绍五种典型方案。

方案1：论文《基于汶川地震的地震人员伤亡预测模型研究》(中国安全科学学报,2011:59-64)以2008年汶川地震人员伤亡数据及房屋破坏面积数据为基础，运用线性回归分析方法模拟出地震人员伤亡预测模型。该函数模型以建筑物的易损性为自变量，以死亡人数、受伤人数为因变量。对回归模型进行误差分析，利用房屋内人口密度和地震发生时间两个因素对回归系数进行调整。

该方法只考虑了房屋的易损性一个主要因素，虽然通过误差分析找出其他可能影响人员伤亡的因素，但这些因素的影响只是通过对回归系数的调整来体现，并不能改变已经建立的模型的本质。

方案2：论文《基于主成分分析及BP神经网络分析的地震人员伤亡预测模型研究》(西北地震学报,2013:365-368)选取地震发生时刻、人口密度、地震预报与否、建筑物破坏率、设防水准、震级、烈度等因素作为评价指标，首先运用主成分分析算出其主成分，然后运用神经网络分析方法建立预测模型。

采用该方法确定房屋各种破坏状态下对应的死亡率和受伤率时，都是基于唐山地震的人员伤亡数据或以20世纪90年代以前的建筑物为背景结合经验给出的，由于年代久远而且2001年颁布了新的抗震设计规范，对新规范下的新建筑采用该模型已不适用，预测出的结果与实际结果相差也较大。

方案3：论文《基于震中烈度的地震人员伤亡评估方法研究》(自然灾害学报,2012:113-119)提出了基于震中烈度的地震人员伤亡评估方法，该方法以我国1990—2006年造成人员伤亡的破坏性地震为数据样本，结合国内几次大地震的震害资料，找出了影响人员伤亡的主要因素，经过函数拟合与回归分析，提出了一个震中烈度为主要参数，以震级和人口密度作为辅助参数进行修正的人员伤亡预测模型。

该方法评估模型的准确性较低。

方案4：专利号ZL200820123926.X一种地震灾情监控仪，包括智能控制单元、数据采集模块、视频监控模块、GPS模块、智能电源模块和IPV4/IPV6网络模块。数据采集模块以单片机和A/D转换器为核心，通过多种灾情传感器采集地震现场灾情数据；视频监控模块由红外视频摄像机和图像采集卡构成，用以提供昼夜全天候地震现场的视频监控；GPS模块用于获取地震灾情监控仪的地理位置和时间；智能电源模块实现地震灾情监控仪状态切换，它产生感震启动、定时启动或人工启动三种启动请求；智能控制单元实现地震现场灾情数据的采集、存储、显示及上传功能；IPV4/IPV6网络模块,实现地震灾情监控仪的有线/无线网络接入，实现了对地震要素(地震发生时间、地理位置和震级)、现场视频以及次生灾害(火灾、高危有毒物质泄漏等)等信息的获取，解决地震灾情信息的快速获取问题。

该发明进行震时初步信息的获取，只能用于获取信息，而不能对获取到的信息进行处理分析，进而要得到全面的灾情信息需要耗费大量的宝贵时间。

方案5：专利号ZL201010299943.0一种地震现场灾害评估虚拟仿真培训系统，其包括数据层、接口层、功能层和应用层；所述数据层用于底层数据的存储管理功能；所述接口层，用于对底层数据的读写访问接口以及设备访问接口功能；所述功能层，用于为系统提供各种功能模块；所述应用层，用于想定生成、想定编辑、数据管理和虚拟灾场显示。该发明的有益效果为:三维虚拟仿真地震灾害场景。可视化方法是运用虚拟现实技术，通过对三维图形的建模及对单体房屋震害模块调用机制管理来完成虚拟灾害现场的构建，主要模拟真实地震灾害现场中房屋破坏状况及灾区影响。

该发明主要是模拟真实地震灾害现场中房屋破坏状况及灾区影响，没有对人员伤亡情况进行评估。

发明内容

为解决上述问题，本发明的目的在于提供一种基于地理相似性的地震伤亡初步评估预测方法，可以在震发后第一时间内准确预测出人员伤亡情况，为政府抗震救灾提供有力依据。

为实现上述目的，本发明公开的地震伤亡人数初步评估预测方法包括下列步骤：

步骤1：根据区域之间的地形、震深等因素的相似度，对不同区域进行建模评估，利用地震灾害的历史数据分析影响地震伤亡情况的主要因素；

所述主要因素包括：震级、烈度、发震时间、人口密度等在震发后可快速、精确获取的参数；分析所述主要因素与伤亡人数之间的关联性；

其中，可通过设定的系数对烈度、发震时间、人口密度等参数进行修正；

步骤2：确定所述主要因素与伤亡人数之间的关系；具体方法为：

1)建立伤亡人数与震级之间的粗略关系图；

2)确立函数关系；分析上述粗略关系图，设定伤亡人数与震级之间基本符合指数关系Injury_P＝P(magnitude)，设定伤亡人数为y，震级为x，两者的函数关系为：

y＝a*e^bx公式(1)；

其中a、b为待定参数，需要根据历史数据拟合结果确定；

步骤3：根据不同的震级档次对伤亡人数进行分级建模分析；

由于不同震级伤亡人数差别较大，统一建模会显著增大低震级伤亡人数的预测误差。

对公式(1)两边取对数可得lny＝lna+bx，采用最小距离平方和法进行数据拟合；具体拟合方法为：

设经过m个待拟合点(xi,yi)的线性拟合函数为y＝f(x)＝ax+b，任一散点(xi,yi)到直线y＝f(x)的垂线(最短)距离为

$d_i=\frac{|{\mathrm{ax}}_i-y_i+b|}{\sqrt{a^2+1}}$ 公式(2)

令 $g(a,b)=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{d_i}^2,$ 即

$g(a,b)=\frac{1}{a^2+1}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{[y_i-({\mathrm{ax}}_i+b)]}^2$ 公式(3)

使g(a,b)取到最小值，进而获得最佳线性拟合函数，其中(i＝1,2,3,……,m)。

步骤4：对模型进行修正。

进一步，步骤3中，利用所述最小距离平方和法对不同区域的数据分别进行指数拟合，并对各区域进行分级建模分析。

进一步，所述步骤4包括下列步骤：

a)利用震区烈度进行模型修正；

b)利用地震发生时间对模型进行修正；

c)利用人口密度对模型进行修正；

具体伤亡人数预测模型具体修正方法为：

Injury_P＝ρ_intensity*ρ_time*ρ_density*P(magnitude)式(4)

其中，ρ_intensity定义为烈度修正系数，ρ_time定义为发震时间修正系数，ρ_density定义为人口密度修正系数；

A.对于ρ_intensity，记震区烈度V1,V2…Vi，对应面积为S1,S2…Si

震区平均烈度为lnt＝(V1*S1+V2*S2+…)/(S1+S2+…)由《基于震中烈度的地震人员伤亡评估方法研究》(自然灾害学报，2012:113-119)可知，烈度与伤亡人数之间的函数关系是：

P＝12.2e^{-(ln(lnt)-2.445)2/0.09}式(5)

其中烈度修正系数＝发震区烈度造成的人员伤亡数/平均烈度造成的人员伤亡数，计算方法如式(6)；

ρ_intensity_i＝e^{-(ln(Vi)-2.445)2/0.09}/e^{-(ln(lnt)-2.445)2/0.09}式(6)

其中t代表发震时间；

B.对于发震时间修正系数ρ_time，因人的室内活动与时间有关，地震发生在不同的时间段所致死亡人数差别较大，即夜晚发震死亡人数比白天发震死亡人数多；但随着地震烈度增大，夜间地震的人员死亡率与白天地震的差别将缩小。《地震人员伤亡估算方法研究》(地震工程与工程震动，2000：140-147)提出将白天的时间修正系数取1，对应出不同烈度区夜间的死亡人数时间修正系数，如表1，对伤亡人数进行修正。

表1时间系数

烈度	VI	VII	VIII	IX	X
						夜晚	17	8	4	2	1.5

C.对于人口密度修正系数ρ_density的计算，在其他条件相同的情况下，人口密度越大则死亡人数越多，得出了受灾区域人口密度修正系数。记受灾区域人口密度是P_President，发震地区人口密度计算为P_district。人口密度修正系数是ρ_density＝P_district/P_President。

进一步，根据预测的所述伤亡人数测算地震救灾所需的人员、药品及器械的数量。

本发明的技术关键点在于：

1、本发明基于地理相似性针对不同区域或省市建立地震伤亡人数预测模型，避免了因地理位置不同造成的预测误差。

2、本发明考虑了震级、烈度、发震时间、人口密度等多个因素对预测模型的影响。

3、在数据拟合方面，将非线性问题转化为线性问题进行处理，使用最小距离平方和法进行拟合，避免了最小二乘法进行数据拟合带来的误差。

4、预测模型中的影响因素均可在震发后快速方便获取，具有较高操作性。通过预测数据与实际数据的比对，可以看出本发明提出的预测模型误差较小，具有较高的实用价值。

利用本发明提供的方法对地震伤亡情况进行预测时，快速简便并且误差率小。

误差＝|预测伤亡人数-实际伤亡人数|

误差百分率＝|预测伤亡人数-实际伤亡人数|/实际伤亡人数

由于地震灾害损失的统计资料比较缺乏，地震的各项影响因素值不易获取，玉树地震人员伤亡数据相对较完整，故本发明用玉树地震数据进行不同预测模型的比较。

表2-1玉树地震数据

论文《基于汶川地震的地震人员伤亡预测模型研究》(中国安全科学学报,2011:59-64)中模型为P＝0.00561*A1+0.0016*A2+0.000623*A3，其中A1表示房屋倒塌的面积(m2)，A2表示房屋严重破坏的面积(m2)，A3表示房屋一般破坏的面积(m2)。论文《基于主成分分析及BP神经网络分析的地震人员伤亡预测模型研究》(西北地震学报,2013:365-368)在综合考虑各种因素后选取地震发生时刻、人口密度、地震预报与否、建筑物破坏率、设防水准、震级、烈度等因素作为评价指标，首先运用主成分分析算出其主成分，然后运用神经网络分析方法建立预测模型。

表2-2模型比较

表2-2说明本发明模型相比于其他模型误差率较小，表明本文模型具有较高的准确性和实用参考性。

附图说明

图1为实施例中伤亡人员与震级之间的关系图。

具体实施方式

下面结合附图对本发明的具体实施方式进行说明。

一种基于地理相似性的地震伤亡初步评估预测方法，可以在震发后第一时间内准确预测出人员伤亡情况，为政府抗震救灾提供有力依据。

为实现上述目的，本发明公开的地震伤亡人数初步评估预测方法包括下列步骤：

步骤1：根据各省区域之间的地形、震深等因素的相似度，对不同省份进行建模评估，利用地震灾害的历史数据分析影响地震伤亡情况的主要因素。

所述主要因素包括：震级、烈度、发震时间、人口密度等在震发后可快速、精确获取的参数；分析所述主要因素与伤亡人数之间的关联性；

其中，可通过设定的系数对烈度、发震时间、人口密度等参数进行修正。

通过分析可知，地震影响因素众多，例如震级、震深、时间、建筑物抗震能力、居民防震抗震意识等，但是建筑物抗震能力、居民防震抗震意识等因素在震后第一时间无法精确获取，本发明通过获取中国地震信息网公布的灾害历史数据，分析震级、烈度、发震时间、人口密度与伤亡人数等在震发后可快速、精确获取的参数，研究上述参数之间的关联性。

地形对地震灾害的产生影响重大，但是由于地形因素不易进行量化，故本发明在建模过程中根据省市之间的地形相似度，区分不同的省市来进行，由于震深等参数也呈现一定的地域性，分省进行建模也同时解决了震深因素的影响。烈度、发震时间、人口密度等参数均可通过适当的系数修正使得预测结果更为精准。

步骤2：确定所述主要因素与伤亡人数之间的关系；具体方法为：

1)建立伤亡人数与震级之间的粗略关系图；

以四川省为例，根据四川省2008年之前的地震数据(如表3)，作出伤亡人员与震级之间的关系图，如图1所示。

表3四川地震数据

从图1伤亡人数曲线的走势可以直观地看出伤亡人数与震级之间基本符合指数关系Injury_P＝P(magnitude)。此外，四川省地震震级不同，伤亡人数的差别较大，因此本发明将根据不同的震级档次对伤亡人数进行指数拟合建模分析。

C.对于指数拟合的问题，常用的解决方法是把其转化为线性关系进行处理，设y＝a*e^bx，两边取对数可得lny＝lna+bx，可见lny与x呈现出线性关系，可以用线性关系拟合的方法进行处理。目前，最常用的线性拟合方法是最小二乘法。

其中，数值分析中的线性拟合是根据给定一组观测数据(或称待拟合点、散点等)(xi,yi)(i＝1,2,3,……,m)，在某一类曲线中寻找一条最佳曲线y＝f(x)，使该曲线拟合这些数据。曲线类的选取要靠经验和对数据的直观分析，因此又被称为经验公式，最佳的标准为使总体误差最小。如果采用绝对误差，数学上采用微积分知识求最小值，处理较困难，因此通常采用最小二乘法来处理。但是最小二乘法是一种简化处理办法，它采用纵向(y向)离差代替综合离差(x向和y向)，降低了运算复杂度，但同时带来了一定的误差。为了避免最小二乘法带来的拟合误差，本发明采用最小距离平方和法进行拟合数据。

本发明所提预测模型的思路是：设经过m个待拟合点

(xi,yi)(i＝1,2,3,……,m)的线性拟合函数为y＝f(x)＝ax+b，任一散点(xi,yi)到直线y＝f(x)的垂线(最短)距离为

$d_i=\frac{|{\mathrm{ax}}_i-y_i+b|}{\sqrt{a^2+1}}$ 公式(1)

令 $g(a,b)=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{d_i}^2,$ 即

$g(a,b)=\frac{1}{a^2+1}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{[y_i-({\mathrm{ax}}_i+b)]}^2$ 公式(2)

为求最佳线性拟合函数，只需使g(a,b)取到最小值。

利用前述最小距离平方和法对各省数据进行指数拟合。以四川省数据为例，建模结果为：

8级以上：P＝5.656*10-22*r29.8

7—8级：P＝0.111*r6.006

6—7级：P＝0.1019*r4.576

5—6级：P＝4.25*10-15*r21.82

其他各省的分析方法同四川省，其中一些省份例如广东、广西、贵州、宁夏、吉林、辽宁等，历史数据较少，按照地形、人口等相似度归入其他省份，最终建模结果如表4所示。由于某些省内(除四川、云南、广东、广西、贵州以外)不存在震级分化现象，故没有进行分级建模。

表4建模结果

步骤4：对模型进行修正，具体包括下列步骤：

a)利用震区烈度进行模型修正；

b)利用地震发生时间对模型进行修正；

c)利用人口密度对模型进行修正。

伤亡人数预测模型修正为：

Injury_P＝ρ_intensity*ρ_time*ρ_density*P(magnitude)式(4)

其中，ρ_intensity定义为烈度修正系数，ρ_time定义为发震时间修正系数，ρ_density定义为人口密度修正系数。

A.对于ρ_intensity，记震区烈度V1,V2…Vi，对应面积为S1,S2…Si

震区平均烈度为lnt＝(V1*S1+V2*S2+…)/(S1+S2+…)由《基于震中烈度的地震人员伤亡评估方法研究》(自然灾害学报，2012:113-119)可知，烈度与伤亡人数之间的函数关系是：

P＝12.2e^{-(ln(lnt)-2.445)2/0.09}式(4)

其中烈度修正系数＝发震区烈度造成的人员伤亡数/平均烈度造成的人员伤亡数，计算方法如式(5)。

ρ_intensity_i＝e^{-(ln(Vi)-2.445)2/0.09}/e^{-(ln(lnt)-2.445)2/0.09}式(5)

其中t代表发震时间。

B.对于发震时间修正系数ρ_time，因人的室内活动与时间有关，地震发生在不同的时间段所致死亡人数差别较大，即夜晚发震死亡人数比白天发震死亡人数多；但随着地震烈度增大，夜间地震的人员死亡率与白天地震的差别将缩小。《地震人员伤亡估算方法研究》(地震工程与工程震动，2000：140-147)提出将白天的时间修正系数取1，对应出不同烈度区夜间的死亡人数时间修正系数，如表5，对伤亡人数进行修正。

表5时间系数

烈度	VI	VII	VIII	IX	X
						夜晚	17	8	4	2	1.5

C.对于人口密度修正系数ρ_density的计算，在其他条件相同的情况下，人口密度越大则死亡人数越多，得出了受灾区域人口密度修正系数。记受灾区域人口密度是P_President，发震地区人口密度计算为P_district。人口密度修正系数是ρ_density＝P_district/P_President。

利用2008年至今的主要地震数据检验预测模型的准确性，具体预测结果如表6。

表62008年至今地震伤亡人数预测数据

时间	地点	实际伤亡	预测伤亡	误差率
					2008-1-9	西藏改则	0	0	0
2008-5-12	四川汶川	461788	461945	0
					2008-8-30	四川攀枝花	627	400	0.36
2009-7-9	云南楚雄	373	381	0.02
					2009-8-8	重庆	3	2	0.33
2010-1-31	四川遂宁	17	14	0.18
					2010-4-14	青海玉树	14295	14243	0.004
2010-10-24	河南太康	12	34	1.8
					2011-3-10	云南盈江	339	198	0.416
2012-6-24	云南丽江	109	212	0.945
					2012-6-30	新疆新源	52	53	0.019
2012-7-20	江苏高邮	4	5	0.25
					2013-4-17	云南洱源	14	11	0.214
2013-4-20	四川雅安	13215	13212	0
					2013-7-22	甘肃岷县	2509	2501	0.003

2013-11-23	吉林前郭	25	45	0.8
					2013-12-16	湖北巴东	4	0	1
2014-8-3	云南鲁甸	3758	2105	0.440

根据上面预测的伤亡人数，可以科学地测算地震救灾所需的人员、药品及器械的数量，从而保证救灾工作的及时、科学、合理和有序。

以上结合附图仅描述了本申请的几个优选实施例，但本申请不限于此，凡是本领域普通技术人员在不脱离本申请的精神下，做出的任何改进和/或变形，均属于本申请的保护范围。

Claims (5)

1.一种地震伤亡人数初步评估预测方法，其特征在于，其包括下列步骤：

步骤1：根据区域之间的地形、震深等因素的相似度，对不同区域进行建模评估，利用地震灾害的历史数据分析影响地震伤亡情况的主要因素；

所述主要因素包括：震级、烈度、发震时间、人口密度等在震发后可快速、精确获取的参数；分析所述主要因素与伤亡人数之间的关联性；

其中，可通过设定的系数对烈度、发震时间、人口密度等参数进行修正；

步骤2：确定所述主要因素与伤亡人数之间的关系；具体方法为：

1)建立伤亡人数与震级之间的粗略关系图；

2)确立函数关系；分析上述粗略关系图，设定伤亡人数与震级之间基本符合指数关系Injury_P＝P(magnitude)，设定伤亡人数为y，震级为x，两者的函数关系为：

y＝a*e^bx公式(1)；

其中a、b为待定参数；

步骤3：根据不同的震级档次对伤亡人数进行分级建模分析；

对公式(1)两边取对数可得lny＝lna+bx，采用最小距离平方和法进行数据拟合；具体拟合方法为：

设经过m个待拟合点(xi,yi)的线性拟合函数为y＝f(x)＝ax+b，任一散点(xi,yi)到直线y＝f(x)的垂线(最短)距离为

$d_i=\frac{|{\mathrm{ax}}_i-y_i+b|}{\sqrt{a^2+1}}$ 公式(2)

令 $g(a,b)=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{d_i}^2,$ 即

$g(a,b)=\frac{1}{a^2+1}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{[y_i-({\mathrm{ax}}_i+b)]}^2$ 公式(3)

使g(a,b)取到最小值，进而获得最佳线性拟合函数，其中(i＝1,2,3,……,m)；

步骤4：对模型进行修正。

2.如权利要求1所述评估预测方法，其特征在于，步骤3中，利用所述最小距离平方和法对不同区域的数据进行指数拟合，并对各区域进行分级建模分析。

3.如权利要求1所述评估预测方法，其特征在于，所述步骤4包括下列步骤：

a)利用震区烈度进行模型修正；

b)利用地震发生时间对模型进行修正；

c)利用人口密度对模型进行修正。

4.如权利要求3所述评估预测方法，其特征在于，伤亡人数预测模型具体修正方法为：

Injury_P＝ρ_intensity*ρ_time*ρ_density*P(magnitude)式(4)

其中，ρ_intensity定义为烈度修正系数，ρ_time定义为发震时间修正系数，ρ_density定义为人口密度修正系数；

A.对于ρ_intensity，记震区烈度V1,V2…Vi，对应面积为S1,S2…Si

震区平均烈度为lnt＝(V1*S1+V2*S2+…)/(S1+S2+…)由《基于震中烈度的地震人员伤亡评估方法研究》(自然灾害学报，2012:113-119)可知，烈度与伤亡人数之间的函数关系是：

P＝12.2e^{-(ln(lnt)-2.445)2/0.09}式(5)

其中烈度修正系数＝发震区烈度造成的人员伤亡数/平均烈度造成的人员伤亡数，计算方法如式(6)；

ρ_intensity_i＝e^{-(ln(Vi)-2.445)2/0.09}/e^{-(ln(lnt)-2.445)2/0.09}式(6)

其中t代表发震时间；

B.发震时间修正系数ρ_time，白天的时间修正系数取1，对应出不同烈度区夜间的死亡人数时间修正系数如表1：

表1时间系数

烈度 VI VII VIII IX X 夜晚 17 8 4 2 1.5

C.对于人口密度修正系数ρ_density的计算，在其他条件相同的情况下，人口密度越大则死亡人数越多，得出了受灾区域人口密度修正系数；记受灾区域人口密度是P_President，发震地区人口密度计算为P_district；人口密度修正系数是ρ_density＝P_district/P_President。

5.如权利要求1所述评估预测方法，其特征在于，根据预测的所述伤亡人数测算地震救灾所需的人员、药品及器械的数量。