CN106777852A

CN106777852A - 利用遥感数据和专家知识库进行洪水引发腹泻爆发风险遥感诊断的算法

Info

Publication number: CN106777852A
Application number: CN201510800990.1A
Authority: CN
Inventors: 曹春香; 韩伟旗; 倪希亮; 刘迪; 帕特里夏
Original assignee: Institute of Remote Sensing and Digital Earth of CAS
Current assignee: Institute of Remote Sensing and Digital Earth of CAS
Priority date: 2015-11-20
Filing date: 2015-11-20
Publication date: 2017-05-31

Abstract

本发明公开一种利用遥感数据和专家知识库进行洪水引发腹泻爆发风险遥感诊断的算法，包括步骤：(1)利用多时相、不同分辨率遥感数据划分洪水淹没区；(2)基于长时间序列的合成孔径雷达遥感数据以及GIS叠加分析技术获取洪水持续分布特征；(3)利用反距离权重差值算法分析并解算得到溶存氧、感染人群以及死亡人数等空间分布特征；(4)利用专家系统诊断算法建立洪水引发腹泻爆发风险拟合模型，并分析各变量之间的关系，解算得到模型参数，获得最终的洪水引发腹泻爆发风险遥感诊断模型。本发明形成了一个可以快速为洪灾易发区居民提供腹泻爆发风险预测的模型方法。该方法能够高精度的预测腹泻爆发风险，降低灾区患者的发病率和死亡率。

Description

利用遥感数据和专家知识库进行洪水引发腹泻爆发风险遥感诊断的算法

技术领域

本发明涉及一种洪水引发腹泻爆发风险遥感诊断的方法，尤其涉及一种利用遥感数据和专家知识库进行洪水引发腹泻爆发风险遥感诊断的算法。

背景技术

腹泻病是一组由不同病原体引起的肠道传染病，是当前全球性公共卫生问题，其爆发风险预测和控制水平是社会制度和经济文明程度的重要体现。洪水引发的腹泻，由于汛期时因时间紧、任务重、交通不便、流行因素复杂，综合预测和防治效果往往不理想。

传统的洪水引发的腹泻病爆发风险预测方法主要是基于历史发病数据的时序分析方法，该方法主要是借助数学的手段利用历史发病数据，通过建立数学模型来预测传染病的发病数和发病率，常用的数学方法有灰色动态模型、自回归移动平均混合模型以及小波模型等(易东等，2000)。这一类时序分析预测方法的优点是能够对洪水引发的腹泻病爆发风险能够较为定量地进行分析和预测。

但是在全球经济一体化的影响下，预计洪水发生的频次还将会增加。洪水可导致生命财产的损失及对建筑物包括桥梁、排水系统、道路和运河的基础设施的破坏会引发电力传输系统、发电设备等故障发生，甚至使电力中断而导致一系列连锁反应，比如污水处理和饮用供水系统受损就会导致饮用水短缺或水源污染，这就使得在洪水泛滥期间引发的腹泻病爆发风险随之增加。随着洪水灾害时间的不断延伸，水源中病原体的浓度也会相应增加，进而大大增加了洪水引发的腹泻病爆发风险。

利用传统的基于历史发病数据的时序分析方法来预测洪水引发的腹泻病爆发风险由于历史原因不仅无法获取最新的洪水引发的一系列相关数据，并且还需要要求饮用水管理人员去识别和量化水中病原体浓度波动对腹泻疾病的影响。这就使得传统方法不仅成本较高且耗费时间，并且很难扩展到大尺度区域。

遥感技术由于其可以具有全天时、全天候以及大尺度观测等优势，并且随着基于遥感技术提取环境参数的研究也不断在深入，完全可以实现针对洪水及水中毒的评估。因此，通过遥感卫星数据反演得到洪水灾害相关环境参数，结合洪水引发的腹泻疾病爆发历史发病数据可以建立洪水引发腹泻爆发风险遥感诊断模型。

发明内容

本发明提供一种利用遥感数据和专家知识库进行洪水引发腹泻爆发风险遥感诊断的算法，包括以下步骤：

(1)利用多时相、不同分辨率多源遥感数据区别洪水淹没区和非淹没区；

(2)基于长时间序列的合成孔径雷达遥感数据(SAR)以及GIS叠加分析技术获取洪水持续时间分布特征；

(3)利用反距离权重差值算法(IDW)分析并解算得到溶存氧(DO)、感染人群以及死亡人数等空间分布特征；

(4)利用专家系统诊断(ESD)算法建立洪水引发腹泻爆发风险拟合模型，并分析各变量之间的关系，解算得到模型参数，获取得到最终的洪水引发腹泻爆发风险遥感诊断模型。

基于多时相、不同分辨率多源遥感数据提取得到的洪水灾害信息以及环境要素，利用专家系统进行综合分析，形成了一个可以快速为洪灾易发区居民提供腹泻爆发风险的预测模型方法。该方法能够高精度的预测腹泻感染风险，可减少医务工作者的工作量，降低灾区患者的发病率和死亡率，从而减少医疗保障费用。

附图说明

图1是构建洪水引发腹泻爆发风险遥感诊断算法模型的流程图；

图2是模型预测发病数与实际发病数之间的对比图。

具体实施方式

图1是构建洪水引发腹泻爆发风险遥感诊断算法模型的流程图。由图可见，构建霍乱预测模型包括以下三个步骤：

1)利用卫星遥感数据(SAR和机载高分辨率光学遥感数据)来获取洪水爆发区域以及洪水爆发持续时间数据信息；基于人口密度数据、溶解氧数据以及其他水质调查数据利用反距离权重差值算法(IDW)分析并解算得到这些数据的空间分布特征；

2)基于上述遥感数据获取的洪灾信息和环境要素与腹泻发病数据之间的关系来构建模型公式；

3)利用专家系统基于洪水引发的腹泻疾病爆发风险历史数据拟合模型并求解模型参数，得到最终的洪水引发的腹泻疾病爆发风险遥感诊断模型。

构建洪水引发的腹泻疾病爆发风险遥感诊断模型流程具体描述如下：

1)数据准备和洪灾信息以及洪水爆发环境要素空间分析：利用卫星遥感数据(SAR和机载高分辨率光学遥感数据)来获取洪水爆发区域以及洪水爆发持续时间数据信息；基于人口密度数据、溶解氧数据以及其他水质调查数据利用反距离权重差值算法(IDW)分析并解算得到这些数据的空间分布特征。

首先我们收集历史数据，包括历史上洪水爆发时期的卫星遥感数据(合成空间雷达数据和机载高分辨率光学遥感数据)以及相应时期的人口密度数据、溶解氧数据以及其他水质数据(水体颗粒物、叶绿素浓度)。我们可以利用长时间序列的合成空间雷达数据和机载高分辨率光学遥感数据获取洪水爆发区域以及洪水持续时间；可以利用反距离权重差值算法(IDW)插值得到洪水爆发环境要素空间分布并分析并其空间特征。

洪灾信息提取算法如下：

采用Enhanced Frost Filter的滤波方法对SAR图像进行处理，所使用的滤波窗口为7乘7个像元大小。经滤波后，不仅减少了图像上的噪声，而且还增强了水陆边界；均匀分布地在SAR图像、机载高分辨率光学遥感影像以及地形图上，选取都容易准确定位的明显同名地物点作控制点，并利用三次卷积算法实现将雷达图像与地形数据配准；用直方图阈值和目视判读的方法，在SAR图像上结合机载高分辨率影像以及DEM地形数据确定划分水体与陆地的阈值，从而得到洪水爆发区域以及洪水持续时间的数据信息。其提取模型为

IF DN＜K THEN该像元为水体；

IF DN＞＝K THEN该像元不为水体；

其中，DN为SAR图像的亮度值，K为阈值。

洪水爆发环境要素空间分析算法如下：

利用反距离权重差值算法(IDW)对洪水爆发环境要素(人口密度数据、溶解氧数据、水体颗粒物、叶绿素浓度)进行插值，生成环境要素在研究区栅格空间分布图；由此计算洪水爆发区域环境要素的空间统计分布信息，包括最大值、熵、方差等，

2)模型构建公式：基于上述洪灾信息以及洪水爆发环境要素空间分析数据与腹泻发病数据之间的关系来构建模型公式。构建腹泻发病预测模型不仅要考虑已有感染人群的数量，还要综合考虑洪水信息以及水体环境要素的影响。因此我们构建如下模型公式：

其中，Cho_t表示t周腹泻发病例数，Cho_t-i表示t周前i周腹泻发病例数，Env_t-i表示t周的前i周的洪水爆发数据以及相应环境参数，a₀、b_i和c_i是待求解的模型系数，其中a₀是常量，b_i和c_i表示权重。

3)模型参数求解，确定最终的洪水引发的腹泻疾病爆发风险遥感诊断模型。

根据构建的洪水引发的腹泻疾病爆发风险遥感诊断模型公式，利用遥感数据获取的洪水爆发区域和时间信息、空间分析解算得到的洪水爆发环境要素空间分布特征以及研究区腹泻病爆发历史数据作为模型输入参数，通过专家诊断系统确定各个模型输入参数的权重，选取相应的优化算法方法来解算拟合模型参数(如powell优化算法、最小二乘算法等)。

分析解算得到的模型参数，将显著性值小于设定阈值的参数作为预测自变量放入模型并得到最终的洪水引发的腹泻疾病爆发风险遥感诊断模型。

下面以一具体示例来说明本发明：

以泰国洪水引发的腹泻疾病爆发风险遥感诊断模型的建立为例。我们收集了2011年间泰国RADARSAT-2的时序数据、多时相的机载光学遥感数据、人口密度数据、溶解氧数据、水体颗粒物数据以及腹泻疾病发病数据。首先将获取的多时相遥感图像利用地形图进行正射校正，而最近邻点法被用来在重采样过程中保留原始值。每幅图像在正射校正过程中至少使用了8个人工选取的控制点，使用的底图是正射校正后的50厘米空间分辨率的航空遥感影像。其次，结合SAR数据直方图阈值和目视判读来划定灾区，每幅图像通过人工选取阈值的方法来区别洪水淹没区和非淹没区；然后，利用反距离权重差值算法(IDW)对洪水爆发区人口密度数据、溶解氧数据、水体颗粒物、进行插值，生成这些环境要素在研究区栅格空间分布图，并统计空间分布信息；最后，将腹泻发病数据以及环境要素信息带入模型构建公式，利用powell算法对模型参数进行优化，最终实现泰国洪水引发的腹泻疾病爆发风险遥感诊断模型的构建。

图2是模型预测发病数与泰国洪水面积之间的对比图。由图2可见，我们利用上述泰国洪水引发的腹泻疾病爆发风险遥感诊断模型可以实现腹泻疾病爆发的人数的预测。

Claims

1.利用遥感数据和专家知识库进行洪水引发腹泻爆发风险遥感诊断的算法，其特征在于，包括步骤：

2.根据权利要求1所述的利用遥感数据和专家知识库进行洪水引发腹泻爆发风险遥感诊断的算法，其特征在于，所述步骤1)包括：

利用多时相、不同分辨率多源遥感数据区别洪水淹没区和非淹没区，其中多时相、不同分辨率多源遥感数据包括合成孔径雷达技术从RADARSAT-2的时序数据和50厘米空间分辨率的航空遥感影像；在区别洪水淹没区和非淹没区之前，利用地形图对RADARSAT-2的时序数据和50厘米空间分辨率的航空遥感影像进行正射校正，而最近邻点法被用来在重采样过程中保留原始值，每幅图像在正射校正过程中至少使用了8个人工选取的控制点；结合RADARSAT-2以及50厘米空间分辨率的航空遥感影像数据直方图阈值和目视判读来划定灾区，每幅图像通过人工选取阈值的方法来区别洪水淹没区和非淹没区。

3.根据权利要求1所述的利用遥感数据和专家知识库进行洪水引发腹泻爆发风险遥感诊断的算法，其特征在于，所述步骤2)包括基于长时间序列的合成孔径雷达遥感数据(SAR)以及GIS叠加分析技术获取洪水持续时间分布特征：

由于合成孔径雷达遥感数据对道路或湖泊和河流的后向散射与洪灾区具有非常相似的特点，将专利要求2所述的洪水淹没区和非淹没区与GIS数据中的道路和水系图叠加来区分长时间序列的洪水和不变区域，获取洪水持续时间分布特征。

4.根据权利要求1所述的利用遥感数据和专家知识库进行洪水引发腹泻爆发风险遥感诊断的算法，其特征在于，所述步骤3)包括利用反距离权重差值算法(IDW)分析并解算得到溶存氧(DO)、感染人群以及死亡人数等空间分布特征：

其中，加权函数为

w_{i} = \frac{h_{i}^{- p}}{Σ_{j = 1}^{n} h_{i}^{- p}}

P是任意的正整数，取值范围为2～5；h_i为离散点到插值点的距离。

5.根据权利要求1所述的利用遥感数据和专家知识库进行洪水引发腹泻爆发风险遥感诊断的算法，其特征在于，所述步骤4)包括利用专家系统诊断(ESD)算法建立洪水引发腹泻爆发风险拟合模型，并分析各变量之间的关系，解算得到模型参数，获取得到最终的洪水引发腹泻爆发风险遥感诊断模型，模型公式为：

\log_{10} ({Cho}_{t}) = a_{0} + Σ_{i = 1}^{n} b_{i} * \log_{10} ({Cho}_{t - i} + 1) + Σ_{i = 1}^{n} c_{i} * {Env}_{t - i}

6.根据权利要求5所述的利用遥感数据和专家知识库进行洪水引发腹泻爆发风险遥感诊断的算法，其特征在于，利用专家系统诊断(ESD)算法建立洪水引发腹泻爆发风险拟合模型。

其中专家系统诊断(ESD)算法的核心是知识库，将教科书、流行病管理局、疾病控制司及卫生部获取的医疗诊断数据库作为专家知识，使得所述的利用遥感数据和专家知识库进行洪水引发腹泻爆发风险遥感诊断的算法能模拟专家的思维，判断洪水引发腹泻爆发风险。

7.根据权利要求5所述的利用遥感数据和专家知识库进行洪水引发腹泻爆发风险遥感诊断的算法，其特征在于，选取最优化算法方法来解算拟合模型参数(如powell优化算法、最小二乘算法等)，判断该参数显著性值是否小于设定阈值，是，则选用该参数；判断模型是否达到最优值(即与目标函数差值百分比设定是否小于某一阈值)，是，则优化完成。

8.根据权利要求7所述的利用遥感数据和专家知识库进行洪水引发腹泻爆发风险遥感诊断的算法，其特征在于，所述的模型参数显著性阈值为0.05。

9.根据权利要求7所述的利用遥感数据和专家知识库进行洪水引发腹泻爆发风险遥感诊断的算法，其特征在于，所述的模型优化完成所选取的与目标函数差值百分比阈值设定为5％。