CN107463901B - 多尺度区域洪涝灾害危险性遥感评估方法和系统 - Google Patents
多尺度区域洪涝灾害危险性遥感评估方法和系统 Download PDFInfo
- Publication number
- CN107463901B CN107463901B CN201710666262.5A CN201710666262A CN107463901B CN 107463901 B CN107463901 B CN 107463901B CN 201710666262 A CN201710666262 A CN 201710666262A CN 107463901 B CN107463901 B CN 107463901B
- Authority
- CN
- China
- Prior art keywords
- disaster
- flood
- data
- water body
- flood disaster
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/182—Network patterns, e.g. roads or rivers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
Abstract
本发明涉及一种多尺度区域洪涝灾害危险性遥感评估方法和系统,该方法利用多源多平台遥感数据协同提取洪涝灾害水体特征信息,形成水体空间分布数据;通过洪涝灾害水体临界特征分析,结合历史洪涝灾害发生发展过程中的环境因子,建立基于水体临界特征的洪涝灾害长时间序列数据集;然后按照推理算法从灾害淹没范围和灾害损失程度进行多尺度区域洪涝灾害危险性等级评估,生成洪涝灾害危险评估空间分布结果。该方法对于加强灾害预警、规避风险等具有十分重要的作用,可以最大化地降低洪涝灾害造成的损失,是进行灾害危险管理及决策的重要科学依据。
Description
技术领域
本发明涉及自然灾害遥感技术领域,特别是多尺度区域洪涝灾害危险性遥感评估方法和系统。
背景技术
洪涝灾害对整个社会经济发展的影响很大,严重威胁着国民经济的发展和人民生命财产的安全。尤其是在我国,洪涝灾害发生频次频繁,对我国社会经济发展造成了极大危害。据统计,2016年全国14省(区、市)遭遇暴雨,共573县遭受洪涝灾害,受灾人口近900万人,农作物受灾面积超800多万亩,直接经济损失超138亿元。面对严峻的洪涝灾害形势,开展科学的洪涝灾害危险评估,对于加强灾害预警、规避风险等具有十分重要的作用,可以最大化地降低洪涝灾害造成的损失,是进行灾害危险管理及决策的重要科学依据。
目前,洪涝灾害危险性评估方法主要分为历史灾情法、综合指标法、情景模拟法。总体而言,以上方法从各个不同角度对洪涝灾害危险性进行评估,但都存在一些缺点:情景模拟法对数据和参数要求比较高;历史灾情法又需要大的灾情样本,而且历史灾情与未来灾情也不可能完全一致;综合指数法相对比较全面、实用与合理,但对于评价指标的选择目前也还远未成熟。另外,这些方法主要注重评估的技术过程,且研究主要集中在针对中长期危险性评估,对短期洪涝灾害危险性研究也很少。危险性评估方法一般将洪涝灾害形成因素当成确定状态,而比较少考虑致灾因子、孕灾环境和承灾体在洪涝灾害形成过程中的多样不确定性、动态变化性和系统复杂性,难以科学地对洪涝灾害孕育发生发展全过程进行危险进行动态评估。
发明内容
本发明针对目前洪涝灾害危险评估技术存在的问题,提出一种多尺度区域洪涝灾害危险性遥感评估方法,利用遥感数据的空间技术优势,通过洪涝灾害发生发展过程中水体临界特征分析,建立基于水体临界特征的洪涝灾害长时间序列数据集,在此基础之上,以案例推理算法为核心,从灾害淹没范围和灾害损失程度进行洪涝灾害危险等级评估,生成洪涝灾害危险性空间分布结果,可服务于洪涝灾害危险管理、资源调配以及基础设施建设。该方法对于加强灾害预警、规避风险等具有十分重要的作用,可以最大化地降低洪涝灾害造成的损失,是进行灾害危险管理及决策的重要科学依据。本发明还涉及一种多尺度区域洪涝灾害危险性遥感评估系统。
本发明的技术方案如下:
一种多尺度区域洪涝灾害危险性遥感评估方法,其特征在于,该方法利用多源多平台遥感数据协同提取洪涝灾害水体特征信息,形成水体空间分布数据;再基于水体空间分布数据进行洪涝灾害水体临界特征分析,结合历史洪涝灾害发生发展过程中的环境因子,建立基于水体临界特征的洪涝灾害长时间序列数据集;然后按照推理算法从灾害淹没范围和灾害损失程度进行多尺度区域洪涝灾害危险性等级评估,生成洪涝灾害危险评估空间分布结果。
该方法先根据多源多平台遥感影像的数据类型和处理级别进行判定完成遥感影像的预处理,再利用水体波谱特征差异构建波谱指数实现洪涝灾害水体特征信息提取,然后在精度分析处理后得到高精度的水体空间分布数据。
所述历史洪涝灾害发生发展过程中的环境因子包括致灾因子、孕灾环境和/或承灾体;建立的洪涝灾害长时间序列数据集包括水体临界特征数据,还包括日降水量数据、地形坡度数据、土地覆被数据、人口密度数据、经济密度数据和/或灾害损失统计数据。
所述推理算法包括根据当前与数据集中的历史案例进行相似性计算并根据设定的相似性阈值抽取相似案例,然后根据抽取的相似案例求解当前案例;按照所述推理算法从灾害淹没范围和灾害损失程度两方面建立多尺度区域洪涝灾害危险性评估模型,再利用多尺度区域洪涝灾害危险性评估模型进行洪涝灾害危险等级评估。
所述多尺度区域洪涝灾害危险性评估模型包括灾害淹没范围评估模型和灾害损失程度评估模型,按照推理算法从日降水量、水体空间分布和地形坡度三方面的数据建立灾害淹没范围评估模型;按照推理算法从灾害淹没范围评估结果、土地覆被、人口密度、经济密度和灾害损失五方面的数据建立灾害损失程度评估模型。
所述方法在进行多尺度区域洪涝灾害危险性等级评估时,将收集的待评估时间的灾害环境因子数据利用灾害淹没范围评估模型进行灾害淹没范围评估,生成灾害淹没范围危险性空间分布结果;同时将收集的待评估时间的灾害环境因子数据利用灾害损失程度评估模型并结合所述灾害淹没范围危险性空间分布结果,进行灾害损失程度评估并生成灾害损失程度危险性空间分布结果;再结合灾害淹没范围危险性空间分布结果和灾害损失程度危险性空间分布结果,进行洪涝灾害危险性等级划分,生成洪涝灾害危险评估空间分布结果。
一种多尺度区域洪涝灾害危险性遥感评估系统,其特征在于,包括依次连接的水体空间分布提取模块、洪涝灾害长时间序列数据集构建模块和洪涝灾害危险性评估处理模块,
所述水体空间分布提取模块利用多源多平台遥感数据协同提取洪涝灾害水体特征信息,形成水体空间分布数据;
所述洪涝灾害长时间序列数据集构建模块将水体空间分布数据结合时间形成水体时空提取,并基于水体时空提取结果进行洪涝灾害水体临界特征分析,结合历史洪涝灾害发生发展过程中的环境因子建立基于水体临界特征的洪涝灾害长时间序列数据集;
所述洪涝灾害危险性评估处理模块按照推理算法从灾害淹没范围和灾害损失程度进行多尺度区域洪涝灾害危险性等级评估,生成洪涝灾害危险评估空间分布结果。
所述水体空间分布提取模块先根据多源多平台遥感影像的数据类型和处理级别进行判定完成遥感数据的预处理,再利用水体波谱特征差异构建波谱指数实现洪涝灾害水体特征信息提取,然后在精度分析处理后得到高精度的水体空间分布数据。
所述洪涝灾害长时间序列数据集构建模块中的历史洪涝灾害发生发展过程中的环境因子包括致灾因子、孕灾环境和/或承灾体;建立的洪涝灾害长时间序列数据集包括水体临界特征数据,还包括日降水量数据、地形坡度数据、土地覆被数据、人口密度数据、经济密度数据和/或灾害损失统计数据。
所述洪涝灾害危险性评估处理模块包括相互连接的多尺度区域洪涝灾害危险性评估模型建立模块和洪涝灾害危险性等级评估模块,所述多尺度区域洪涝灾害危险性评估模型建立模块与洪涝灾害长时间序列数据集构建模块相连;
所述多尺度区域洪涝灾害危险性评估模型建立模块按照推理算法从日降水量、水体空间分布和地形波度三方面的数据建立灾害淹没范围评估模型,同时按照推理算法从灾害淹没范围评估结果、土地覆被、人口密度、经济密度和灾害损失五方面的数据建立灾害损失程度评估模型;
所述洪涝灾害危险性等级评估模块将收集的待评估时间的灾害环境因子数据利用灾害淹没范围评估模型进行灾害淹没范围评估,生成灾害淹没范围危险性空间分布结果;同时将收集的待评估时间的灾害环境因子数据利用灾害损失程度评估模型并结合所述灾害淹没范围危险性空间分布结果,进行灾害损失程度评估并生成灾害损失程度危险性空间分布结果;再结合灾害淹没范围危险性空间分布结果和灾害损失程度危险性空间分布结果,进行洪涝灾害危险性等级划分,生成洪涝灾害危险评估空间分布结果。
本发明的技术效果如下:
本发明涉及一种多尺度区域洪涝灾害危险性遥感评估方法,利用遥感数据的空间技术优势,利用多源多平台遥感数据协同提取洪涝灾害水体临界特征,形成水体空间分布数据,通过洪涝灾害发生发展过程中水体临界特征分析,建立长时间序列的洪涝灾害事件数据集,在此基础之上,以推理算法(或者说是案例推理分析方法或人工智能方法)为核心,可建立危险评估模型,进行洪涝灾害危险等级评估,生成洪涝灾害危险性空间分布数据,服务于洪涝灾害危险管理、资源调配以及基础设施建设。该方法对于加强灾害预警、规避风险等具有十分重要的作用,可以最大化地降低洪涝灾害造成的损失,是进行灾害危险管理及决策的重要科学依据。该方法优选通过提取洪涝灾害水体临界特征,根据洪涝灾害发生发展过程中的主要致灾体、孕灾环境和承灾体的特征相似性分析,从而进行洪涝灾害的危险评估,通过人工智能方法建立危险评估模型,开展区域尺度上的洪涝灾害危险空间评估。本发明评估方法相对于已有洪涝灾害危险评估技术方法,具有如下技术特点:
1、多源、多平台遥感数据协同提取临界水体。临界水体是洪涝灾害淹没判定的本底要素,具有一定的警戒指示作用。利用遥感技术具有范围广、可持续观测、不受天气影响等空间观测优势,建立长时间序列洪涝灾害警戒水域遥感数据集,对提高洪涝灾害遥感危险评估的准确性和实用性,增强我国防灾救灾能力,具有重要的科学意义和应用价值。
2、以临界水体遥感提取结果为核心的洪涝灾害事件数据集,可以更加精确地反映洪涝灾害发生发展过程中致灾因子、孕灾环境、承灾体的特征,数据集基于水体临界特征数据,同时还包含了灾害损失统计数据,为洪涝灾害危险评估提供了更加全面的数据支撑。
3、基于案例推理思想的洪涝灾害危险评估,利用历史案例所蕴含的知识来解决遇到的新问题,具有简化知识获取、提高求解效率、改善求解质量、便于知识积累等优点,可以有效解决洪涝灾害危险评估中的动态性、复杂性问题,提高洪涝灾害危险评估的可行性。特别是在事物发生发展内部机理复杂、无法明确表述的过程中,该方法能以接近人类认识和解决问题的原始思维方式,通过计算当前案例与历史案例相似性的方法从大量的历史案例中寻找相似案例,通过修改历史案例的解决方案来解决新问题,达到对新问题进行定量分析和预测的目的。
本发明还涉及一种多尺度区域洪涝灾害危险性遥感评估系统,包括依次连接的水体空间分布提取模块、洪涝灾害长时间序列数据集构建模块和洪涝灾害危险性评估处理模块,依次进行水体空间分布提取,通过洪涝灾害发生发展过程中水体临界特征分析建立洪涝灾害长时间序列数据集,从灾害淹没范围和灾害损失程度进行洪涝灾害危险性遥感评估,实现多尺度区域洪涝灾害危险性等级评估,生成洪涝灾害危险评估空间分布结果,各模块协同工作,提高了洪涝灾害危险性遥感评估的工作效率,具有比较高的遥感评估准确性和可靠性。
附图说明
图1是本发明多尺度区域洪涝灾害危险性遥感评估方法的流程图。
图2是多源多平台遥感数据协同提取水体空间分布数据的优选流程图。
图3是洪涝灾害危险性等级评估的优选流程图。
图4是本发明多尺度区域洪涝灾害危险性遥感评估系统的优选结构示意图。
具体实施方式
下面结合附图对本发明进行说明。
本发明涉及多尺度区域洪涝灾害遥感危险评估方法,利用多源多平台遥感数据协同提取洪涝灾害水体特征信息,形成水体空间分布数据;再基于水体空间分布数据进行洪涝灾害发生发展过程中主要致灾体——洪涝灾害水体的临界特征分析,结合历史洪涝灾害发生发展过程中的环境因子建立基于水体临界特征的洪涝灾害长时间序列数据集(或者说是建立长时间序列的水体临界特征数据库),在此基础之上,以案例推理分析方法为核心,按照推理算法从灾害淹没范围和灾害损失程度进行多尺度区域洪涝灾害危险性等级评估,生成洪涝灾害危险评估空间分布结果。
下面对本发明多尺度区域洪涝灾害遥感危险评估方法进行详细说明,该评估方法实质为是通过提取洪涝灾害水体临界特征,根据洪涝灾害发生发展过程中的主要致灾体、孕灾环境等的特征相似性分析,从而进行洪涝灾害的危险评估。优选可以分四个步骤进行,如图1所示的优选流程图,该评估方法包括下述步骤:
第一步骤,利用多源、多平台遥感影像,建立协同判定的技术方法,提取洪涝灾害发生过程中的水体特征信息,形成水体空间分布范围;
第二步骤,水体空间分布范围结合时间形成水体时空提取,基于水体时空提取结果,进行洪涝灾害临界特征分析,结合历史洪涝灾害发生发展过程中的环境因子,建立长时间序列的洪涝灾害事件数据集;
第三步骤,利用案例推理算法的方法,从灾害淹没范围和损失程度两方面,建立多尺度区域洪涝灾害危险性评估模型;
第四步骤,基于多尺度区域洪涝灾害危险性评估模型,进行洪涝灾害危险等级评估,生成洪涝灾害危险评估空间分布结果。
以下对各步骤分别详细说明。
一、利用多源多平台遥感数据协同提取洪涝灾害水体临界特征,形成水体空间分布数据
换句话说,利用多源、多平台遥感影像,建立协同判定的技术方法,提取洪涝灾害发生过程中的水体空间分布范围。其中,多源是指遥感影像可来自多个数据源,如光学遥感影像、雷达遥感影像等等;多平台是指遥感影像可对接多个平台,如卫星、航空、无人机、地面等搭载平台,在利用多源遥感数据进行水体提取过程中,其优选流程如图2所示,先根据多源多平台遥感影像的数据类型和处理级别的不同进行一些必要的预处理,判定实现光学图像预处理或雷达图像预处理,再利用水体和其它地物的波谱特征差异构建波谱指数结合适当的阈值提取洪涝灾害水体特征信息,然后在精度分析处理后得到高精度的水体空间分布数据(可利用人工目视判读的方法对提取结果进行精度分析处理,增加漏提的部分同时删去误提的部分,从而得到较准确的水体区域分布图)。
1.数据预处理。
将获取的多源、多平台的原始影像,进行必要的预处理,使其转换为具有地理信息和光谱信息的标准数据。先判断是否阴雨天气,在阴雨天气时进行雷达图像预处理,否则进行光学图像预处理。如多光谱数据需要进行辐射校正、地理定位等:辐射校正,将DN值转换为地物反射率;选取地面控制点对只有地理编码的图像进行几何精校正,以校正成像过程中出现的几何位置偏差;如果有DEM数据,还可以对其进行正射校正,以消除地形起伏对几何位置的影响。包括雷达后向散射系数计算、几何校正、正射校正、以及噪声抑制和消除等操作以尽可能的凸现出水体信息。由于水体在雷达图像上色调较暗、纹理均一,也较容易的与其它地物区分出来。通过反复比较试验,设置适当的阈值,得到水体区域的大致分布图,然后再在此基础上结合人工目视解译的方法进一步勾绘水体边界区域。
2.光学影像识别水体。
光学图像预处理后判断是否多光谱,当是多光谱时进行水体指数提取,在单波段时进行单波段分割提取水体。根据实际获取影像情况,当灾后影像为可见光/近红外波谱数据,且经过辐射校正为波段反射率信息时,可采用水体指数模型,在大范围影像中快速获取水体信息。
水的光谱特征主要是由水本身的物质组成决定,同时又受到各种水状态的影响。在0.6μm之前,水的吸收少,反射率较低,大量透射。地表较纯洁的自然水体对0.4~2.5μm波段的电磁波吸收明显高于绝大多数其它地物。水体可见光反射包含水表面反射,水体底部物质反射及水中悬浮物质(如浮游生物或叶绿素、泥沙及其他物质)的反射三个方面。对于清水在近红外、短波红外部分几乎吸收全部的入射能量,因此水体在这两个波段的反射能量很小。这一特性与植被和土壤光谱形成明显的差异,因而在红外波段识别水体是较容易的。由于水体在近红外和短波红外的高吸收特性,通过水体波谱数据间的综合运算,构建水体指数,实现水体与其它地物的区分。
基于水体的波谱特征分析,可建立基于遥感数据的水体指数,实现水体面积的提取。目前,常用几种水体指数
(1)指数1:(绿波段+红波段)-(近红外波段+短波红外波段)>0.05;
(2)指数2:(绿波段+红波段)-(近红外波段+短波红外波段)>0.05and(近红外波段/绿波段<0.9);
(3)指数3:归一化水体指数(NDWI)=(绿波段-近红外波段)/(绿波段+近红外波段)>0.00;
(4)指数4:修正的归一化水体指数(MNDWI)=(绿波段–短波红外波段)/(绿波段+短波红外波段)>0.2。
通过比较分析,指数1,指数2,指数3和指数4均可以较好的提取出水体。但是指数3会漏提一些含沙量比较高的水体,把城镇建筑用地当作水体提取出来。当改为短波红外之后,指数4提取的结果比指数3的精度有了一些提高。可根据成像特征和波谱信息,选择适当水体指数进行水体识别。
3.SAR影像识别水体。
根据实际获取影像情况,当灾后影像为SAR(合成孔径雷达)影像数据,可利用水体协同提取方法,在数据预处理辅助下,在SAR影像去除阴影的干扰,快速获取水体范围信息。
在复杂气象条件下,可见光/近红外遥感技术由于不能穿透云雾,难以发挥作用。这时需要结合星载或机载的微波数据和可见光数据进行协同处理。利用SAR数据对水体的高敏感性,对河流水体进行监测。但是在多山环境下,由于微波遥感的侧视成像方式,山体在微波影像上会形成阴影,而阴影和水体在微波影像上的后向散射系数很相似,因此造成SAR图像上阴影和水体容易混淆,难以区分。通过与原有多光谱数据的融合,可增加水体与阴影的是一种快速有效的去除阴影的方法。
常用融合方法包括:HSV融合、Brovey融合、主成份变化、Gram-Schmidt融合等方法。经试验对比分析,四种融合方法效果如下:无论是那个波段,HSV方法都是信息量和清晰度都是保持得最好的,但是光谱偏差指数也较高,说明HSV方法虽然保持了较好的信息量和清晰量,但光谱保真度损失很大;相对于同是基于颜色变换的Brovey方法,Brovey融合方法信息量损失和光谱保真度损失均比HSV要大些;对于基于统计变换的Gram-Schimt方法和PC方法,无论是信息量、清晰度还是偏差指数,两者相差都不大,效果基本上一样。另外基于统计变换的Gram-Schimt方法和PC方法,结果变换后各波段整体上的信息量要比基于颜色的融合方法(HSV和Brovey)的小。从清晰度来看,HSV和Brovey的清晰度要比Gram-Schimt方法和PC方法要好些,这点从融合后图像上可以显著看出来,Gram-Schimt方法和PC方法融合后图像的表面像有一层雾蒙在上面一样,相比较而言Gram-Schimdt的清晰度更好些。
结合目视效果以及上述指标综合来看,利用SAR数据和可见光数据融合,以突出水体和其它地物之间的差异,选用Gram-Schimdt融合方法较好。
4.精度评估。
对上述方法提取的水体空间分布数据,进行精度评估。对于水体误判区域,进行人工干预的修正,形成高精度的水体空间分布数据。
二、基于水体临界特征的长时间序列洪涝灾害事件数据集建立
基于水体时空提取结果,通过洪涝灾害临界特征分析,结合历史洪涝灾害发生发展过程中的环境因子,建立长时间序列的洪涝灾害事件数据集。长时间序列的洪涝灾害事件数据集,以洪涝灾害事件为案例,历史洪涝灾害发生发展过程中的环境因子包括致灾因子、孕灾环境和/或承灾体,建立的洪涝灾害长时间序列数据集包括水体临界特征数据,还包括日降水量数据、地形坡度数据、土地覆被数据、人口密度数据、经济密度数据和/或灾害损失统计数据。该实施例从洪涝灾害发生发展过程中所涉及的致灾因子、孕灾环境和承灾体三个方面,系统地选择以下7个指标建立基于水体临界特征的洪涝灾害长时间序列数据集。
1)日降水量数据
降水是产生洪涝灾害的最直接驱动力,降水量大的区域发生洪涝灾害的危险性也越大。结合洪涝灾害事件,获取气象台站监测的日降水数据,通过克里金空间插值方法,生成基于格网的日降水量数据。
2)水体临界特征数据
通过分析河流、湖泊等水域水位、滩涂、水体工程设施,结合数字地形数据(DEM数据),分析洪涝灾害事件发生发展过程中的水体时空变化序列数据,建立水体临界特征数据。
3)地形坡度数据
坡度较大的区域由于重力作用,降雨产生的径流可以沿着地形走势排出区域,而地势平坦的区域,则相对更难排出积水,因此其面临的洪水危险性也越高。地形坡度指标可以利用DEM数据,通过表面分析计算得到。
4)土地覆被数据
土地覆被数据是覆盖地表的自然营造物和人工营造物的综合体,反映了承载体的空间特征,是分析灾害发生发展过程中的损失及危害性的基础数据。
5)人口密度数据
人口密度是指单位面积内的人口总数。当洪灾发生时,人口越密集的区域越容易造成人员伤亡。人口密度数据采用人口统计数据空间化后的人口公里格网数据,更加精细化地反映人口空间分布的差异。
6)经济密度数据
经济密度是指单位面积内的地区生产总值,也是表征承灾体脆弱性的重要指标。经济密度越高的区域,洪灾造成的经济损失也越大。经济密度数据采用地区生产总值统计数据空间化后的经济密度公里格网数据,更加精细化地反映不同区域内的地区生产总值的差异性。
7)灾害损失统计数据
灾害损失统计数据是指针对洪涝灾害事件、由民政部门统计的损失数据,是灾害发生造成危害性评估的重要评价数据,包括了人员伤亡、经济损失等。
三、基于案例推理算法的洪涝灾害危险评估模型构建
利用案例推理算法的方法,从灾害淹没范围和损失程度两方面,建立多尺度区域洪涝灾害危险性评估模型。优选地,推理算法包括根据当前与数据集中的历史案例进行相似性计算并根据设定的相似性阈值抽取相似案例,然后根据抽取的相似案例求解当前案例;按照所述推理算法从灾害淹没范围和灾害损失程度两方面建立多尺度区域洪涝灾害危险性评估模型,再利用多尺度区域洪涝灾害危险性评估模型进行洪涝灾害危险等级评估。
案例推理方法的使用基于两个基本的假设:其一是客观世界是有规律的,相似的问题具有相似的求解;其二是相似的问题有可能会重复发生。现实世界中很多问题都满足这两个假设条件,而且在当前科学技术水平条件下,很多问题发生发展的机理都不能给予合理的解释,因此CBR方法(Case-Based Reasoning,案例推理方法)非常适合这类问题的解决。
具备大量的历史案例是使用案例推理方法解决问题的前提条件。这些历史案例最好能代表问题发生的各种典型情况,这样在进行案例推理时所检索到的案例才具有代表性,从而能获得最佳的解决方案。如果典型历史案例难以确定,则需要根据具体情况采取特殊方法计算案例间的相似性。
首先根据当前案例(待求解的案例)与案例库中的历史案例进行相似性计算并根据设定的相似性阈值抽取相似案例,然后根据抽取的相似案例求解当前案例。在相似案例抽取过程中,当前案例与历史案例的相似性计算方法根据具体的应用问题和使用的案例表达模型的不同而不同,需要根据特定问题具体讨论。在发明专利申请中,使用传统的案例表达模型表达案例,各环境变量特征值以数字形式表达。这种基于传统案例表达模型且特征值为数字形式的案例相似性计算一般采用各种距离函数(欧式距离、GOWER距离、曼哈顿距离等)进行计算。对于具有多个特征值的案例,首先根据变量类型选择合适的方法计算当前案例与历史案例各变量的相似性,然后综合各变量的相似性得到两案例间的相似性。
在本发明中,案例各变量(也即是中洪涝灾害环境因子中的指标值)的相似性函数以采用GOWER距离计算,通过该距离计算方法也将这些静态环境变量的相似性进行了标准化。
其中,Gower_Dis(t,s)表示待推测点即目标点t与案例点即源点s之间的Gower距离,Et表示待推测点的环境变量值,Es表示案例点的环境变量值,Emax和Emin分别表示环境变量的最大值和最小值。
在综合各变量的相似性时,根据具体情况选择综合方法,如加权平均法、最小值法等。在本发明中,使用的综合函数是最邻近距离函数,该函数实际是各个环境变量相似性的加权平均值,函数形式如下:
其中,T是目标案例(待求解案例),S是源案例(历史案例),n是案例中特征值的个数,f是目标案例和源案例的变量i的相似性函数,W是变量i的权重。
根据选择的相似案例的解决方案即可求解当前案例。当前案例的求解方法仍然根据具体情况具体讨论,求解公式的最简单形式为:
其中,ResultT为目标案例(待求解案例)的解,n是抽取的相似案例的个数,Similarityi是目标案例与历史案例i的相似性,Resulti是历史案例i的解。
基于上述案例推理思想,从灾害淹没范围和损失程度两方面,建立多尺度区域洪涝灾害危险性评估模型。该多尺度区域洪涝灾害危险性评估模型包括灾害淹没范围评估模型和灾害损失程度评估模型,按照推理算法从日降水量、水体空间分布和地形坡度这三个方面的数据建立灾害淹没范围评估模型;按照推理算法从灾害淹没范围评估结果(或者说是灾害淹没范围危险性)、土地覆被、人口密度、经济密度和灾害损失这五个方面的数据建立灾害损失程度评估模型。
四、洪涝灾害危险性等级评估
利用多尺度区域洪涝灾害危险性评估模型,进行洪涝灾害危险等级评估,生成洪涝灾害危险评估空间分布结果,其主要过程包括数据收集、淹没范围危险性评估、灾害损失危险性评估、洪涝灾害危险性等级评估。其主要流程如图3所示。
1.收据收集
收集待评估时期的灾害环境因子数据,包括日降水量数据、基于多源多尺度遥感数据提取的水体空间分布实时数据,以及更新的人口密度数据、经济密度数据。有些数据在一段时间内相对固定,如地形坡度数据、土地覆被数据和灾害损失数据,可直接从数据集提取,而不必在待评估日期实时采集。
2.淹没范围危险性评估
利用步骤三所述灾害淹没范围评估模型,进行淹没范围危险性评估,生成灾害淹没范围危险性空间分布结果。
3.灾害损失程度评估
利用步骤三所述灾害损失程度评估模型,并结合上述淹没范围危险性评估空间结果,生成灾害损失危险性空间分布结果。
4.洪涝灾害危险性等级评估
综合灾害淹没范围危险性空间分布结果和灾害损失危险性空间分布结果,将相应评价结果划分为高、较高、中等、较低、低五个等级,生成洪涝灾害危险性等级评估空间分布结果,服务于洪涝灾害危险管理、资源调配以及基础设施建设。
本发明还涉及一种多尺度区域洪涝灾害危险性遥感评估系统,该遥感评估系统与上述多尺度区域洪涝灾害危险性遥感评估方法相对应,可理解为是实现上述遥感评估方法的系统。该遥感评估系统的优选结构如图4所示,包括依次连接的水体空间分布提取模块、洪涝灾害长时间序列数据集构建模块和洪涝灾害危险性评估处理模块,洪涝灾害危险性评估处理模块包括相互连接的多尺度区域洪涝灾害危险性评估模型建立模块和洪涝灾害危险性等级评估模块,多尺度区域洪涝灾害危险性评估模型建立模块与洪涝灾害长时间序列数据集构建模块相连。
其中,水体空间分布提取模块利用多源多平台遥感数据协同提取洪涝灾害水体特征信息,形成水体空间分布数据;优选地,水体空间分布提取模块先根据多源多平台遥感影像的数据类型和处理级别进行判定完成遥感影像的预处理,再利用水体波谱特征差异构建波谱指数提取洪涝灾害水体特征信息,然后在精度分析处理后得到高精度的水体空间分布数据,其优选工作原理可参考图2。
洪涝灾害长时间序列数据集构建模块将水体空间分布数据结合时间形成水体时空提取,并基于水体时空提取结果,通过洪涝灾害水体临界特征分析,结合历史洪涝灾害发生发展过程中的环境因子建立基于水体临界特征的洪涝灾害长时间序列数据集;优选地,洪涝灾害长时间序列数据集构建模块中的历史洪涝灾害发生发展过程中的环境因子包括致灾因子、孕灾环境和/或承灾体;建立的洪涝灾害长时间序列数据集包括水体临界特征数据,还包括日降水量数据、地形坡度数据、土地覆被数据、人口密度数据、经济密度数据和/或灾害损失统计数据。
洪涝灾害危险性评估处理模块按照推理算法从灾害淹没范围和灾害损失程度进行多尺度区域洪涝灾害危险性等级评估,生成洪涝灾害危险评估空间分布结果。优选地,多尺度区域洪涝灾害危险性评估模型建立模块按照推理算法从日降水量、水体空间分布和地形波度三方面的数据建立灾害淹没范围评估模型,同时按照推理算法从灾害淹没范围评估结果、土地覆被、人口密度、经济密度和灾害损失五方面的数据建立灾害损失程度评估模型;洪涝灾害危险性等级评估模块将收集的待评估时间的灾害环境因子数据利用灾害淹没范围评估模型进行灾害淹没范围评估,生成灾害淹没范围危险性空间分布结果;同时将收集的待评估时间的灾害环境因子数据利用灾害损失程度评估模型并结合所述灾害淹没范围危险性空间分布结果,进行灾害损失程度评估并生成灾害损失程度危险性空间分布结果;再结合灾害淹没范围危险性空间分布结果和灾害损失程度危险性空间分布结果,进行洪涝灾害危险性等级划分,生成洪涝灾害危险评估空间分布结果。
应当指出,以上所述具体实施方式可以使本领域的技术人员更全面地理解本发明创造,但不以任何方式限制本发明创造。因此,尽管本说明书参照附图和实施例对本发明创造已进行了详细的说明,但是,本领域技术人员应当理解,仍然可以对本发明创造进行修改或者等同替换,总之,一切不脱离本发明创造的精神和范围的技术方案及其改进,其均应涵盖在本发明创造专利的保护范围当中。
Claims (10)
1.一种多尺度区域洪涝灾害危险性遥感评估方法,其特征在于,该方法利用多源多平台遥感数据协同提取洪涝灾害水体特征信息,形成水体空间分布数据;再基于水体空间分布数据进行洪涝灾害发生发展过程中的洪涝灾害水体临界特征分析,结合历史洪涝灾害发生发展过程中的环境因子,建立基于洪涝灾害发生发展过程中水体临界特征的洪涝灾害长时间序列数据集,建立的洪涝灾害长时间序列数据集包括分析洪涝灾害事件发生发展过程中的水体时空变化序列数据所建立的水体临界特征数据、反映人口空间分布的差异的人口密度数据、反映不同区域内的地区生产总值的差异性的经济密度数据以及针对洪涝灾害事件的灾害损失统计数据;然后在建立的基于水体临界特征的洪涝灾害长时间序列数据集的基础之上,根据洪涝灾害发生发展过程中的主要致灾体、孕灾环境和承灾体的特征相似性分析,按照推理算法从灾害淹没范围和灾害损失程度进行多尺度区域洪涝灾害危险性等级评估,生成洪涝灾害危险评估空间分布结果。
2.根据权利要求1所述的方法,其特征在于,该方法先根据多源多平台遥感影像的数据类型和处理级别进行判定完成遥感影像的预处理,再利用水体波谱特征差异构建波谱指数实现洪涝灾害水体特征信息提取,然后在精度分析处理后得到高精度的水体空间分布数据。
3.根据权利要求1所述的方法,其特征在于,所述历史洪涝灾害发生发展过程中的环境因子包括致灾因子、孕灾环境和/或承灾体;建立的洪涝灾害长时间序列数据集还包括日降水量数据、地形坡度数据和土地覆被数据。
4.根据权利要求1所述的方法,其特征在于,所述推理算法包括根据当前与数据集中的历史案例进行相似性计算并根据设定的相似性阈值抽取相似案例,然后根据抽取的相似案例求解当前案例;按照所述推理算法从灾害淹没范围和灾害损失程度两方面建立多尺度区域洪涝灾害危险性评估模型,再利用多尺度区域洪涝灾害危险性评估模型进行洪涝灾害危险等级评估。
5.根据权利要求4所述的方法,其特征在于,所述多尺度区域洪涝灾害危险性评估模型包括灾害淹没范围评估模型和灾害损失程度评估模型,按照推理算法从日降水量、水体空间分布和地形坡度三方面的数据建立灾害淹没范围评估模型;按照推理算法从灾害淹没范围评估结果、土地覆被、人口密度、经济密度和灾害损失五方面的数据建立灾害损失程度评估模型。
6.根据权利要求5所述的方法,其特征在于,所述方法在进行多尺度区域洪涝灾害危险性等级评估时,将收集的待评估时间的灾害环境因子数据利用灾害淹没范围评估模型进行灾害淹没范围评估,生成灾害淹没范围危险性空间分布结果;同时将收集的待评估时间的灾害环境因子数据利用灾害损失程度评估模型并结合所述灾害淹没范围危险性空间分布结果,进行灾害损失程度评估并生成灾害损失程度危险性空间分布结果;再结合灾害淹没范围危险性空间分布结果和灾害损失程度危险性空间分布结果,进行洪涝灾害危险性等级划分,生成洪涝灾害危险评估空间分布结果。
7.一种多尺度区域洪涝灾害危险性遥感评估系统,其特征在于,包括依次连接的水体空间分布提取模块、洪涝灾害长时间序列数据集构建模块和洪涝灾害危险性评估处理模块,
所述水体空间分布提取模块利用多源多平台遥感数据协同提取洪涝灾害水体特征信息,形成水体空间分布数据;
所述洪涝灾害长时间序列数据集构建模块将水体空间分布数据结合时间形成水体时空提取,并基于水体时空提取结果进行洪涝灾害发生发展过程中的洪涝灾害水体临界特征分析,结合历史洪涝灾害发生发展过程中的环境因子建立基于洪涝灾害发生发展过程中水体临界特征的洪涝灾害长时间序列数据集,建立的洪涝灾害长时间序列数据集包括分析洪涝灾害事件发生发展过程中的水体时空变化序列数据所建立的水体临界特征数据、反映人口空间分布的差异的人口密度数据、反映不同区域内的地区生产总值的差异性的经济密度数据以及针对洪涝灾害事件的灾害损失统计数据;
所述洪涝灾害危险性评估处理模块在建立的基于水体临界特征的洪涝灾害长时间序列数据集的基础之上,根据洪涝灾害发生发展过程中的主要致灾体、孕灾环境和承灾体的特征相似性分析,按照推理算法从灾害淹没范围和灾害损失程度进行多尺度区域洪涝灾害危险性等级评估,生成洪涝灾害危险评估空间分布结果。
8.根据权利要求7所述的系统,其特征在于,所述水体空间分布提取模块先根据多源多平台遥感影像的数据类型和处理级别进行判定完成遥感数据的预处理,再利用水体波谱特征差异构建波谱指数实现洪涝灾害水体特征信息提取,然后在精度分析处理后得到高精度的水体空间分布数据。
9.根据权利要求7或8所述的系统,其特征在于,所述洪涝灾害长时间序列数据集构建模块中的历史洪涝灾害发生发展过程中的环境因子包括致灾因子、孕灾环境和/或承灾体;建立的洪涝灾害长时间序列数据集还包括日降水量数据、地形坡度数据和土地覆被数据。
10.根据权利要求7所述的系统,其特征在于,所述洪涝灾害危险性评估处理模块包括相互连接的多尺度区域洪涝灾害危险性评估模型建立模块和洪涝灾害危险性等级评估模块,所述多尺度区域洪涝灾害危险性评估模型建立模块与洪涝灾害长时间序列数据集构建模块相连;
所述多尺度区域洪涝灾害危险性评估模型建立模块按照推理算法从日降水量、水体空间分布和地形波度三方面的数据建立灾害淹没范围评估模型,同时按照推理算法从灾害淹没范围评估结果、土地覆被、人口密度、经济密度和灾害损失五方面的数据建立灾害损失程度评估模型;
所述洪涝灾害危险性等级评估模块将收集的待评估时间的灾害环境因子数据利用灾害淹没范围评估模型进行灾害淹没范围评估,生成灾害淹没范围危险性空间分布结果;同时将收集的待评估时间的灾害环境因子数据利用灾害损失程度评估模型并结合所述灾害淹没范围危险性空间分布结果,进行灾害损失程度评估并生成灾害损失程度危险性空间分布结果;再结合灾害淹没范围危险性空间分布结果和灾害损失程度危险性空间分布结果,进行洪涝灾害危险性等级划分,生成洪涝灾害危险评估空间分布结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710666262.5A CN107463901B (zh) | 2017-08-07 | 2017-08-07 | 多尺度区域洪涝灾害危险性遥感评估方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710666262.5A CN107463901B (zh) | 2017-08-07 | 2017-08-07 | 多尺度区域洪涝灾害危险性遥感评估方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107463901A CN107463901A (zh) | 2017-12-12 |
CN107463901B true CN107463901B (zh) | 2021-05-14 |
Family
ID=60548354
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710666262.5A Active CN107463901B (zh) | 2017-08-07 | 2017-08-07 | 多尺度区域洪涝灾害危险性遥感评估方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107463901B (zh) |
Families Citing this family (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108446824A (zh) * | 2018-02-08 | 2018-08-24 | 深圳市赛格导航科技股份有限公司 | 一种驾驶行为的风险评估方法、装置、设备及存储介质 |
CN110009158B (zh) * | 2019-04-11 | 2022-04-15 | 中国水利水电科学研究院 | 台风暴雨洪水灾害全生命周期监测方法及系统 |
CN111242404B (zh) * | 2019-11-12 | 2022-08-12 | 中国水利水电科学研究院 | 一种强降雨诱发洪灾事件的极端性评估方法及系统 |
CN111368716B (zh) * | 2020-02-28 | 2023-04-28 | 重庆市规划和自然资源调查监测院 | 一种基于多源时空数据的地质灾害灾毁耕地提取方法 |
CN111680912B (zh) * | 2020-06-08 | 2023-02-03 | 中山大学 | 一种旱涝急转风险评估方法 |
CN111932591B (zh) * | 2020-08-18 | 2022-10-21 | 中国科学院空天信息创新研究院 | 典型地质灾害遥感智能提取的方法与系统 |
CN112381285A (zh) * | 2020-11-12 | 2021-02-19 | 中国科学院空天信息创新研究院 | 一种基于遥感的洪涝淹没预测方法 |
CN112465356B (zh) * | 2020-11-30 | 2023-05-23 | 国网四川省电力公司电力科学研究院 | 一种改进的崩滑地质灾害物质易损性定量评价方法及系统 |
CN112836590B (zh) * | 2021-01-13 | 2022-07-08 | 四川轻化工大学 | 洪涝灾害监测方法、装置、电子设备及存储介质 |
CN112819340B (zh) * | 2021-02-04 | 2022-09-16 | 中国水利水电科学研究院 | 一种基于多源数据的城市洪涝灾害动态评估方法 |
CN112925784B (zh) * | 2021-03-29 | 2023-10-10 | 广州市规划和自然资源自动化中心(广州市基础地理信息中心) | 一种实有人口数据多尺度空间化方法 |
CN113240093A (zh) * | 2021-06-01 | 2021-08-10 | 安徽建筑大学 | 一种基于物联网的洪涝灾害监测方法 |
CN113723849A (zh) * | 2021-09-07 | 2021-11-30 | 北京师范大学 | 一种基于时空特征的洪涝事件及风险识别方法与系统 |
CN114510583B (zh) * | 2022-04-20 | 2022-07-12 | 长江勘测规划设计研究有限责任公司 | 一种防洪调度知识图谱构建方法 |
CN115146469B (zh) * | 2022-07-07 | 2023-06-20 | 应急管理部国家自然灾害防治研究院 | 一种基于数字孪生仿真平台的洪涝灾害推演方法及系统 |
CN115423272B (zh) * | 2022-08-15 | 2023-07-28 | 华中科技大学 | 一种融合历史淹没强度的洪涝风险评估方法和系统 |
CN116258959B (zh) * | 2022-12-30 | 2023-09-26 | 北京师范大学 | 基于云计算快速评估洪水对作物长势影响的方法及系统 |
CN116050647B (zh) * | 2023-02-03 | 2023-08-22 | 中国水利水电科学研究院 | 一种基于遥感的流域洪涝受灾强度重现期推求方法 |
CN116187769B (zh) * | 2023-05-04 | 2023-07-04 | 四川省安全科学技术研究院 | 基于情景模拟的城镇洪涝灾害风险研判方法 |
CN116629459B (zh) * | 2023-07-24 | 2024-01-19 | 长江三峡集团实业发展(北京)有限公司 | 一种基于遥感和降水对水域淹没范围进行预测的方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103116701A (zh) * | 2013-01-30 | 2013-05-22 | 南京理工大学连云港研究院 | 一种用于水利信息系统的水利信息调度方法 |
CN104099893A (zh) * | 2013-04-11 | 2014-10-15 | 王嘉纪 | 疏导和治理河流洪水的方法 |
WO2014188274A2 (en) * | 2013-05-20 | 2014-11-27 | King Abdullah University Of Science And Technology | Systems and method for lagrangian monitoring of flooding conditions |
CN106777852A (zh) * | 2015-11-20 | 2017-05-31 | 中国科学院遥感与数字地球研究所 | 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 |
US10359514B2 (en) * | 2015-12-10 | 2019-07-23 | The Climate Corporation | Generating estimates of uncertainty for radar based precipitation estimates |
CN106971013A (zh) * | 2016-01-13 | 2017-07-21 | 辽宁省水文局 | 山洪灾害小流域设计暴雨洪水计算方法 |
-
2017
- 2017-08-07 CN CN201710666262.5A patent/CN107463901B/zh active Active
Non-Patent Citations (4)
Title |
---|
"基于网络的洪涝灾情遥感速报系统研制";王世新 等;《自然灾害学报》;20000228(第1期);第23-25页 * |
Lightning-caused forest fire risk rating assessment based on case-based reasoning: a case study in DaXingAn Mountains of China;Wenliang Liu etc;《Nat Hards》;20150921;第348-349,353-354,358-361 * |
洪涝灾害遥感监测与灾情评价方法研究;张淑杰;《中国优秀博硕士学位论文全文数据库(硕士)基础科学辑》;20051015(第06期);A009-22,第17,33页 * |
洪涝灾害遥感监测评估研究综述;李加林等;《水力学报》;20140213(第3期);第254,256页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107463901A (zh) | 2017-12-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107463901B (zh) | 多尺度区域洪涝灾害危险性遥感评估方法和系统 | |
CN110427857B (zh) | 一种基于遥感数据融合的输电线路地质灾害分析方法 | |
Kaplan et al. | Mapping and monitoring wetlands using Sentinel-2 satellite imagery | |
Muñoz et al. | From local to regional compound flood mapping with deep learning and data fusion techniques | |
KR102540762B1 (ko) | 위성영상을 이용한 저수지 모니터링 방법 | |
Islam et al. | An exploratory study of Sentinel-1 SAR for rapid urban flood mapping on Google Earth Engine | |
CN111951392A (zh) | 一种基于时间序列遥感影像和水位监测数据的洲滩枯水位以上地形重建方法 | |
CN109407177B (zh) | 基于机器学习与常规气象观测的大雾识别系统和应用方法 | |
KR102496740B1 (ko) | 위성영상 기반 저수지 수표면적 분석 시스템 및 방법 | |
CN115437036A (zh) | 一种基于葵花卫星的对流初生预报方法 | |
Guo et al. | Mozambique flood (2019) caused by tropical cyclone idai monitored from sentinel-1 and sentinel-2 images | |
Wong et al. | Optical remote sensing | |
Tsyganskaya et al. | A fuzzy logic-based approach for the detection of flooded vegetation by means of synthetic aperture radar data | |
Farasin et al. | Supervised Burned Areas Delineation by Means of Sentinel-2 Imagery and Convolutional Neural Networks. | |
CN112669201A (zh) | 一种基于红外光的可见光云图转换方法、系统及其终端 | |
CN116682026A (zh) | 一种智能深度学习环境遥感系统 | |
Wang et al. | Remote Sensing Satellite Image-Based Monitoring of Agricultural Ecosystem | |
CN112733746B (zh) | 融合InSAR相干性与多光谱遥感的协同分类方法 | |
Yang et al. | Convective cloud detection and tracking using the new-generation geostationary satellite over South China | |
CN115294183A (zh) | 一种基于多源遥感数据的碟型子湖水体时序提取方法 | |
CN114898138A (zh) | 一种基于地形地貌及遥感数据进行森林火灾预测的方法 | |
Manavalan et al. | DEM and SAR image based flood feature extraction techniques to map the deep and shallow flood inundated regions of known as well as remote disaster regions | |
Wang et al. | Canopy extraction and height estimation of trees in a shelter forest based on fusion of an airborne multispectral image and photogrammetric point cloud | |
Han et al. | Water distribution based on SAR and optical data to improve hazard mapping | |
Wei et al. | Long-term observation of global nuclear power plants thermal plumes using Landsat images and deep learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |