CN109284343A - 面向巨灾保险的房屋地图构建方法及平台 - Google Patents
面向巨灾保险的房屋地图构建方法及平台 Download PDFInfo
- Publication number
- CN109284343A CN109284343A CN201810826703.8A CN201810826703A CN109284343A CN 109284343 A CN109284343 A CN 109284343A CN 201810826703 A CN201810826703 A CN 201810826703A CN 109284343 A CN109284343 A CN 109284343A
- Authority
- CN
- China
- Prior art keywords
- information
- area
- building
- studied
- map
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 33
- 238000009435 building construction Methods 0.000 claims abstract description 78
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000013461 design Methods 0.000 claims abstract description 14
- 238000013439 planning Methods 0.000 claims description 26
- 238000011161 development Methods 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 239000000463 material Substances 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 7
- 238000000547 structure data Methods 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims 2
- 238000005516 engineering process Methods 0.000 abstract description 16
- 238000004458 analytical method Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 25
- 230000006378 damage Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 239000004744 fabric Substances 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 241001264730 Callistemon salignus Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000011449 brick Substances 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Marketing (AREA)
- Accounting & Taxation (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- Human Resources & Organizations (AREA)
- Development Economics (AREA)
- Technology Law (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种面向巨灾保险的房屋地图构建方法,充分考虑了地震巨灾保险的需求,从结构和功能角度,对我国房屋建筑进行了全面、详细的系统分类;利用地理信息系统(GIS)技术、网络爬虫技术和大数据挖掘技术,结合目标城市(或区域)的具体房屋分布和属性数据,耦合出具有地区特点的房屋建筑分类体系,并形成了我国重要城市典型城区的房屋建筑信息查询分析平台,完成了能反映特定地区的房屋建筑分类和分布情况的区域地图。本方法对局部地区的房屋建筑进行分类统计并构建地图,通过多源数据获得城市或者区域实际房屋属性信息并进行呈现,从而可以为后续的灾害研究、建筑设计以及保险规则制定等工作提供有效的参考。
Description
技术领域
本发明属于建筑信息处理技术领域,特别涉及一种面向巨灾保险的房屋地图构建方法及平台。
背景技术
我国疆域辽阔、地形多样,因而自然灾害多发。特别是由于我国位于世界两大地震带——环太平洋地震带与欧亚地震带之间,使得我国地震具有频度高、强度大、震源浅、分布广等特点。频发的自然灾害(特别是地震)对建筑物造成了十分严重的破坏,不仅产生了巨额的经济损失,还造成了很多极为严重的社会问题。以往我国地震灾害的补偿资金多由政府提供,覆盖面小且效率不高,而且给国家财政造成了极大困扰,因此我国应该积极借鉴国际上采用聚在保险分担灾害损失的做法来对灾害风险进行有效的分担和转移。而为了制定针对具体区域定制的合理的灾害保险理赔制度,就需要对特定区域的不同房屋建筑进行分类并制作反映相关信息的地图,以便提供有效的参考。
目前已有的各类国标规范,如《GB/T 19428-2013地震灾害预测及其信息管理系统技术规范》、《GB/T 18208地震现场工作》(第2/3/4部分)、《GB 50011-2010建筑抗震设计规范》、《GB 50352-2005民用建筑设计通则》等均涉及到建筑类型分类,但一方面各个标准规范应用的领域不同,对房屋建筑分类时关注的侧重点不同,其分类类型差异较大;另一方面,地震巨灾保险行业具有一定的特殊性,既要考虑建筑自身结构特性,还要考虑建筑的社会经济属性,这些标准规范的房屋建筑分类适用性难以满足需求。而现有的国际知名组织机构和风险公司的技术资料,如美国联邦应急部FEMA的HUZUS、RMS和AIR的巨灾分析模型,以及美国联邦紧急事务管理局委托应用技术委员会(ATC)对加州地震损失进行研究形成的ATC-13报告等。该类技术报告主要体现的是美国灾害损失特点,与中国的实际建筑房屋特点有较大差异。其房屋建筑分类体系很难直接运用到具有明显本土化的国内建筑房屋。
发明内容
为了解决上述技术问题,本发明提供了一种面向巨灾保险的房屋地图构建方法及平台。
本发明具体技术方案如下:
本发明提供了一种面向巨灾保险的房屋地图构建平台,面向巨灾保险的房屋地图构建方法,包括如下步骤:
S1:获取待研究区域内所有房屋建筑的属性信息,所述属性信息包括所述房屋建筑的建筑结构和功能用途,并根据所述属性信息对所述房屋建筑进行分类;
S2:获取所述待研究区域的规划信息,所述规划信息包括边界信息以及底层功能指标空间分布信息,从中提取每一类所述房屋建筑的商业特性分布信息,并将每一类所述房屋建筑的商业特性分布信息与所述边界信息进行叠加,得到叠加信息;
S3:对所述叠加信息中的空余面积进行统计,当所述空余面积超过预先设置的阈值时,对所述空余面积进行指标修正和填充;当所述空余面积不超过所述阈值时,即根据所述叠加信息生成地图。
进一步地,步骤S1的具体方法如下:
S1.1:获取房屋建筑领域的现有统计资料,所述现有统计资料包括已有的建筑类设计资料、规划资料以及规范资料;
S1.2:根据所述现有统计资料,提取出所述建筑结构以及所述功能用途的类型;
S1.3:根据所述待研究区域的自然特征与人文特征,选择符合所述待研究区域特点的建筑结构类型和功能用途类型。
进一步地,步骤S2的具体方法如下:
S2.1:从网络中抓取所述待研究区域的地图信息并进行API开发,从中获取所述待研究区域的边界信息以及底层功能指标空间分布信息,所述底层功能指标为所述待研究区域中不同位置的具体功能;
S2.2:通过GIS处理,根据所述边界信息构建边界图层,同时从所述底层功能指标分布信息中分别提取每类房屋建筑的次顶层指标的面域分布特征,并分别构建一个独立的次顶层指标图层,所述次顶层指标为所述待研究区域内每一类房屋建筑的商业特性;
S2.3:对多个所述次顶层指标图层构建并集,并叠加至所述边界图层上,得到所述叠加信息。
进一步地,步骤S3的具体方法如下:
S3.1:对所述叠加信息中的空余面积进行统计,并与所述待研究区域的边界总面积进行对比,计算空余面积比;
S3.2:当所述空余面积比<10%时,直接根据所述叠加信息生成专题地图;
S3.3:当所述空余面积比≥10%时,对所述底层功能指标空间分布信息进行二次采集,根据所述二次采集的信息对所述房屋建筑的商业特性分布信息进行指标修正、以对所述空余面积进行填充,从而生成新的叠加信息;直至所述空余面积比降至10%以下,再根据所述新的叠加信息生成专题地图。
进一步地,步骤S3还包括如下步骤:
S3.4:对所述叠加信息进行处理,为所述待研究区域创建变化趋势模型;根据所述变化趋势模型,生成发展期望地图。
进一步地,步骤S3.4的具体方法如下:
S3.4.1:从所述规划信息中提取同一类建筑在包括当前时间在内的多个连续时间点的面积信息和功能信息,根据所述面积信息和所述功能信息,分别为每类建筑构建变化趋势曲线;
S3.4.2:将所有所述变化趋势曲线进行拟合,创建初级变化模型;
S3.4.3:对所述初级变化模型进行体系自迭代,并以所述区域内非土地面积填充比作为迭代终止条件,得到所述待研究区域未来若干年的变化趋势模型;
S3.4.4:对所述变化趋势模型进行信息提取和GIS处理,生成所述待研究区域未来若干年的发展期望地图。
进一步地,所述方法还包括如下步骤:
S4:统计每类房屋建筑的历史灾害损失情况,并计算每类所述房屋建筑的潜在损失;将所述潜在损失对应添加至所述专题地图中,生成灾害损失预测地图。
进一步地,步骤S4的具体方法如下:
S4.1:获取历史灾评报告以及结构易损性资料,并对各类房屋建筑的历史灾害损失情况进行统计;
S4.2:根据各类房屋建筑的历史灾害损失情况,计算各类房屋建筑遭遇灾害时可能造成的潜在损失;
S4.3:将所述潜在损失对应填入所述叠加信息中,生成所述待研究区域的灾害损失预测地图。
本发明另一方面提供了一种面向巨灾保险的房屋地图构建平台,包括如下部分:
信息收集模块,用于对房屋建筑领域的现有统计资料以及待研究区域的规划信息进行收集,所述现有统计资料包括已有的建筑类设计资料、规划资料以及规范资料,所述规划信息包括边界信息以及底层功能指标空间分布信息;
信息提取模块,用于根据所述现有统计资料,提取出所述房屋建筑的属性信息,所述属性信息包括建筑结构以及功能用途;根据所述待研究区域的自然特征与人文特征,选择符合所述待研究区域特点的建筑结构类型和功能用途类型,并进一步对每一类所述房屋建筑的商业特性分布信息进行分别提取;
信息处理模块,用于将每一类所述房屋建筑的商业特性分布信息与所述边界信息进行叠加,得到叠加信息;
判断模块,用于对所述叠加信息中的空余面积进行统计并进行判断,当所述空余面积超过所述阈值时,通知所述信息处理模块对所述空余面积进行指标修正和填充;当所述空余面积不超过预先设置的阈值时,将所述叠加信息发送给所述地图生成模块;
地图生成模块,用于根据所述叠加信息,生成针对所述待研究区域的专题地图。
进一步地,所述信息收集模块还用于:收集历史灾评报告以及结构易损性资料;
所述信息提取模块还用于:根据所述历史灾评报告,提取出各类房屋建筑的历史灾害损失情况;从所述规划信息中提取同一类建筑在包括当前时间在内的多个连续时间点的面积信息和功能信息;
所述信息处理模块还用于:为所述待研究区域构建未来若干年的变化趋势模型;计算各类房屋建筑遭遇灾害时可能造成的潜在损失;
所述地图生成模块还用于:根据所述变化趋势模型生成所述待研究区域未来若干年的发展期望地图;将所述潜在损失对应填入所述叠加信息中,生成所述待研究区域的灾害损失预测地图。
本发明的有益效果如下:本发明提供了一种面向巨灾保险的房屋地图构建方法,充分考虑了地震巨灾保险的需求,从结构和功能角度,对我国房屋建筑进行了全面、详细的系统分类;利用地理信息系统(GIS)技术、网络爬虫技术和大数据挖掘技术,结合目标城市(或区域)的具体房屋分布和属性数据,耦合出具有地区特点的房屋建筑分类体系,并形成了我国重要城市典型城区的房屋建筑信息查询分析平台,完成了能反映特定地区的房屋建筑分类和分布情况的区域地图。本方法对局部地区的房屋建筑进行分类统计并构建地图,通过多源数据获得城市或者区域实际房屋属性信息并进行呈现,从而可以为后续的灾害研究、建筑设计以及保险规则制定等工作提供有效的参考。
附图说明
图1为实施例1所述的一种面向巨灾保险的房屋地图构建方法的流程图;
图2为实施例2所述的一种面向巨灾保险的房屋地图构建方法中步骤S1的流程图;
图3为实施例2所述的一种面向巨灾保险的房屋地图构建方法中叠加信息的生成方法流程图;
图4为实施例2所述的一种面向巨灾保险的房屋地图构建方法中叠加信息的生成方式示意图;
图5为实施例3所述的一种面向巨灾保险的房屋地图构建方法中专题地图的生成方法流程图;
图6为实施例3所述的一种面向巨灾保险的房屋地图构建方法中发展期望地图的生成方法流程图;
图7为实施例5所述的一种面向巨灾保险的房屋地图构建平台的结构示意图。
具体实施方式
下面结合附图和以下实施例对本发明作进一步详细说明。
实施例1
如图1所示,本发明实施例1提供了一种面向巨灾保险的房屋地图构建方法,包括如下步骤:
S1:获取待研究区域内所有房屋建筑的属性信息,所述属性信息包括所述房屋建筑的建筑结构和功能用途,并根据所述属性信息对所述房屋建筑进行分类;
建筑结构包括框架结构、砖混结构、石木结构、土木结构等,功能用途包括商业、教育业、工业、住宅、医疗等,所有出现在研究区域内的建筑的结构类型和用途均可以统计在内;上述信息可以通过网络爬虫技术(例如从网络地图中获取)、大数据挖掘技术等手段进行获取,以便全面、系统地根据属性信息对房屋建筑进行准确分类;
S2:获取所述待研究区域的规划信息,所述规划信息包括边界信息以及底层功能指标空间分布信息,从中提取每一类所述房屋建筑的商业特性分布信息,并将每一类所述房屋建筑的商业特性分布信息与所述边界信息进行叠加,得到叠加信息;
S3:对所述叠加信息中的空余面积进行统计,当所述空余面积超过预先设置的阈值时,对所述空余面积进行指标修正和填充;当所述空余面积不超过所述阈值时,即根据所述叠加信息生成地图。
步骤S2和S3均通过GIS软件进行操作,获得的叠加信息中包含研究区域的边界信息,以及边界范围内的各类房屋建筑的商业特性分布信息,可以清晰、直观地对区域内的建筑类型和建筑功能进行展现。由于上述分布信息主要是通过网络抓取信息,难免存在小面积或小规模的建筑的商业特性被遗漏(例如地图上未被标记的小型店铺),如果空余面积过大、使功能建筑分布的面积显著小于研究区域应有的规模,将会影响统计信息的准确性,此时需要进一步对叠加信息进行分析,以便对空余面积的信息进行修正或补充,生成的地图才能准确反映出研究区域内的建筑分布情况。
本实施例提供的面向巨灾保险的房屋建筑地图构建方法,充分考虑了地震巨灾保险的需求,从结构和功能角度,对我国房屋建筑进行了全面、详细的系统分类;利用地理信息系统(GIS)技术、网络爬虫技术和大数据挖掘技术,结合目标城市(或区域)的具体房屋分布和属性数据,耦合出具有地区特点的房屋建筑分类体系,并形成了我国重要城市典型城区的房屋建筑信息查询分析平台,完成了能反映特定地区的房屋建筑分类和分布情况的区域地图。本方法对局部地区的房屋建筑进行分类统计并构建地图,通过多源数据获得城市或者区域实际房屋属性信息并进行呈现,从而可以为后续的灾害研究、建筑设计以及保险规则制定等工作提供有效的参考。
实施例2
如图2所示,本实施例2在实施例1的基础上提供了一种面向巨灾保险的房屋地图构建方法,该实施例2进一步限定了步骤S1的具体方法如下:
S1.1:获取房屋建筑领域的现有统计资料,所述现有统计资料包括已有的建筑类设计资料(美国、日本等国家或地区的建筑结构特性资料)、规划资料(各地的规划设计图纸、文字资料等)以及规范资料(建筑行业相关的各种法律法规,设计标准、操作规范等);
S1.2:根据所述现有统计资料,提取出所述建筑结构以及所述功能用途的类型;
从现有资料中获取建筑结构和功能用途,可以直接使用现有资料中的命名方式和分类规则,避免在海量信息中重新进行人为分类造成的分类标准不一致、分类结果不准确等问题;
S1.3:根据所述待研究区域的自然特征与人文特征,选择符合所述待研究区域特点的建筑结构类型和功能用途类型。
如图3~4所示,步骤S2的具体方法如下:
S2.1:从网络中抓取所述待研究区域的地图信息并进行API开发,从中获取所述待研究区域的边界信息以及底层功能指标空间分布信息,所述底层功能指标为所述待研究区域中不同位置的具体功能(主要为细部功能,如停车场、KTV、教学楼等具体功能);
S2.2:通过GIS处理,根据所述边界信息构建边界图层,同时从所述底层功能指标分布信息中分别提取每类房屋建筑的次顶层指标(商业特性)的面域分布特征,并分别构建一个独立的次顶层指标图层,所述次顶层指标为所述待研究区域内每一类房屋建筑的商业特性(停车、娱乐、教学、医疗等);
S2.3:对多个所述次顶层指标图层构建并集,并叠加至所述边界图层上,得到所述叠加信息。
通过上述步骤,可以初步获得该反映出研究区域内建筑功能分布情况的地图信息。
实施例3
如图5所示,本实施例3在实施例1的基础上提供了一种面向巨灾保险的房屋地图构建方法,该实施例3进一步限定了步骤S3的具体方法如下:
S3.1:对所述叠加信息中的空余面积进行统计,并与所述待研究区域的边界总面积进行对比,计算空余面积比;
S3.2:当所述空余面积比<10%时,直接根据所述叠加信息生成专题地图;
S3.3:当所述空余面积比≥10%时,对所述底层功能指标空间分布信息进行二次采集,根据所述二次采集的信息对所述房屋建筑的商业特性分布信息进行指标修正、以对所述空余面积进行填充,从而生成新的叠加信息;直至所述空余面积比降至10%以下,再根据所述新的叠加信息生成专题地图。
如经过填充,空余面积比仍然超过10%,则可以重复二次采集的操作,直至空域面积比降至10%以下为止。
步骤S3还包括如下步骤:
S3.4:对所述叠加信息进行处理,为所述待研究区域创建变化趋势模型;根据所述变化趋势模型,生成发展期望地图。
如图6所示,步骤S3.4的具体方法如下:
S3.4.1:从所述规划信息中提取同一类建筑在包括当前时间在内的多个连续时间点的面积信息和功能信息,根据所述面积信息和所述功能信息,分别为每类建筑构建变化趋势曲线;
S3.4.2:将所有所述变化趋势曲线进行拟合,创建初级变化模型;
S3.4.3:对所述初级变化模型进行体系自迭代,并以所述区域内非土地面积填充比作为迭代终止条件,得到所述待研究区域未来若干年的变化趋势模型;
S3.4.4:对所述变化趋势模型进行信息提取和GIS处理,生成所述待研究区域未来若干年的发展期望地图。
根据未来一定时间内的规划信息,当前区域内不同功能的建筑可能会发生位置或面积的变化,也可能经过维修、重建、扩建等发生建筑结构类型的变换,因此需要创建变化趋势曲线,才能反映出研究区域的动态发展趋势;随时时间变化,仅需要改变迭代的数据,随着样本数据的不断增加,可以通过机器学习对指标体系进行增强学习并形成更为合理、快速、科学地获取面向地震保险业务区域房屋分类;最终形成可反映出根据目标区域经济发展、人口变化、时代变迁等可变因素的房屋建筑分布信息的专题地图。
实施例4
本实施例4在实施例1的基础上提供了一种面向巨灾保险的房屋地图构建方法,该实施例4进一步限定了所述方法还包括如下步骤:
S4:统计每类房屋建筑的历史灾害损失情况,并计算每类所述房屋建筑的潜在损失;将所述潜在损失对应添加至所述专题地图中,生成灾害损失预测地图。
步骤S4的具体方法如下:
S4.1:获取历史灾评报告以及结构易损性资料,并对各类房屋建筑的历史灾害损失情况进行统计;
S4.2:根据各类房屋建筑的历史灾害损失情况,计算各类房屋建筑遭遇灾害时可能造成的潜在损失;
S4.3:将所述潜在损失对应填入所述叠加信息中,生成所述待研究区域的灾害损失预测地图。
通过历史灾害损失情况,可以计算出不同类型的房屋在遭受不同强度灾害时理论上可能出现的损失情况,即对潜在损失进行预估并量化;将量化的损失信息添加到叠加信息中,即可以以直观的形式在地图中进行呈现,使地图包含的信息更加丰富、功能性更强,从而为后续的灾害研究、建筑设计以及保险规则制定等工作提供有效的参考。
实施例5
如图7所示,本发明实施例5提供了一种面向巨灾保险的房屋地图构建平台,包括如下部分:
信息收集模块1,用于对房屋建筑领域的现有统计资料以及待研究区域的规划信息进行收集,所述现有统计资料包括已有的建筑类设计资料、规划资料以及规范资料,所述规划信息包括边界信息以及底层功能指标空间分布信息;
信息提取模块2,用于根据所述现有统计资料,提取出所述房屋建筑的属性信息,所述属性信息包括建筑结构以及功能用途;根据所述待研究区域的自然特征与人文特征,选择符合所述待研究区域特点的建筑结构类型和功能用途类型,并进一步对每一类所述房屋建筑的商业特性分布信息进行分别提取;
信息处理模块3,用于将每一类所述房屋建筑的商业特性分布信息与所述边界信息进行叠加,得到叠加信息;
判断模块4,用于对所述叠加信息中的空余面积进行统计并进行判断,当所述空余面积超过所述阈值时,通知所述信息处理模块对所述空余面积进行指标修正和填充;当所述空余面积不超过预先设置的阈值时,将所述叠加信息发送给所述地图生成模块;
地图生成模块5,用于根据所述叠加信息,生成针对所述待研究区域的专题地图。
本实施例提供的面向巨灾保险的房屋地图构建平台,首先由信息收集模块1通过网络爬虫技术获取海量数据,再由信息提取模块2通过大数据挖掘技术从海量数据中提取出所需的信息;通过信息处理模块3将房屋的商业特性分布信息与便捷信息进行叠加、得到叠加信息,并由判断模块4对叠加信息中的空余面积进行计算、修正和填充,最终由地图生成模块5借助GIS技术、根据修正和填充过的叠加信息生成针对特定区域的专题地图。该平台充分考虑了地震巨灾保险的需求,从结构和功能角度,对地区房屋建筑进行了全面、详细的系统分类,并为后续的灾害研究、建筑设计以及保险规则制定等工作提供有效的参考。
实施例6
本实施例6在实施例5的基础上提供了一种面向巨灾保险的房屋地图构建平台,该实施例6进一步限定了所述信息收集模块1还用于:收集历史灾评报告以及结构易损性资料;
所述信息提取模块2还用于:根据所述历史灾评报告,提取出各类房屋建筑的历史灾害损失情况;从所述规划信息中提取同一类建筑在包括当前时间在内的多个连续时间点的面积信息和功能信息;
所述信息处理模块3还用于:为所述待研究区域构建未来若干年的变化趋势模型;计算各类房屋建筑遭遇灾害时可能造成的潜在损失;
所述地图生成模块5还用于:根据所述变化趋势模型生成所述待研究区域未来若干年的发展期望地图;将所述潜在损失对应填入所述叠加信息中,生成所述待研究区域的灾害损失预测地图。
通过历史灾害损失情况计算出不同类型的房屋在遭受不同强度灾害时理论上可能出现的损失情况,即对潜在损失进行预估并量化;通过规划信息分析具体房屋建筑在未来一定时间内的面积变化情况和功能变化情况,并据此构建该区域未来若干年的变化趋势模型,即对规划发展情况也进行预估和量化。将量化的损失信息和规划发展情况添加到叠加信息中,即可以以直观的形式在地图中进行呈现,使地图包含的信息更加丰富、功能性更强。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种面向巨灾保险的房屋地图构建方法,其特征在于,包括如下步骤:
S1:获取待研究区域内所有房屋建筑的属性信息,所述属性信息包括所述房屋建筑的建筑结构和功能用途,并根据所述属性信息对所述房屋建筑进行分类;
S2:获取所述待研究区域的规划信息,所述规划信息包括边界信息以及底层功能指标空间分布信息,从中提取每一类所述房屋建筑的商业特性分布信息,并将每一类所述房屋建筑的商业特性分布信息与所述边界信息进行叠加,得到叠加信息;
S3:对所述叠加信息中的空余面积进行统计,当所述空余面积超过所述阈值时,对所述空余面积进行指标修正和填充;当所述空余面积不超过预先设置的阈值时,即根据所述叠加信息生成地图。
2.如权利要求1所述的面向巨灾保险的房屋地图构建方法,其特征在于,步骤S1的具体方法如下:
S1.1:获取房屋建筑领域的现有统计资料,所述现有统计资料包括已有的建筑类设计资料、规划资料以及规范资料;
S1.2:根据所述现有统计资料,提取出所述建筑结构以及所述功能用途的类型;
S1.3:根据所述待研究区域的自然特征与人文特征,选择符合所述待研究区域特点的建筑结构类型和功能用途类型。
3.如权利要求1所述的面向巨灾保险的房屋地图构建方法,其特征在于,步骤S2的具体方法如下:
S2.1:从网络中抓取所述待研究区域的地图信息并进行API开发,从中获取所述待研究区域的边界信息以及底层功能指标空间分布信息,所述底层功能指标为所述待研究区域中不同位置的具体功能;
S2.2:通过GIS处理,根据所述边界信息构建边界图层,同时从所述底层功能指标分布信息中分别提取每类房屋建筑的次顶层指标的面域分布特征,并分别构建一个独立的次顶层指标图层,所述次顶层指标为所述待研究区域内每一类房屋建筑的商业特性;
S2.3:对多个所述次顶层指标图层构建并集,并叠加至所述边界图层上,得到所述叠加信息。
4.如权利要求1所述的面向巨灾保险的房屋地图构建方法,其特征在于,步骤S3的具体方法如下:
S3.1:对所述叠加信息中的空余面积进行统计,并与所述待研究区域的边界总面积进行对比,计算空余面积比;
S3.2:当所述空余面积比<10%时,直接根据所述叠加信息生成专题地图;
S3.3:当所述空余面积比≥10%时,对所述底层功能指标空间分布信息进行二次采集,根据所述二次采集的信息对所述房屋建筑的商业特性分布信息进行指标修正、以对所述空余面积进行填充,从而生成新的叠加信息;直至所述空余面积比降至10%以下,再根据所述新的叠加信息生成专题地图。
5.如权利要求4所述的面向巨灾保险的房屋地图构建方法,其特征在于,步骤S3还包括如下步骤:
S3.4:对所述叠加信息进行处理,为所述待研究区域创建变化趋势模型;根据所述变化趋势模型,生成发展期望地图。
6.如权利要求5所述的面向巨灾保险的房屋地图构建方法,其特征在于,步骤S3.4的具体方法如下:
S3.4.1:从所述规划信息中提取同一类建筑在包括当前时间在内的多个连续时间点的面积信息和功能信息,根据所述面积信息和所述功能信息,分别为每类建筑构建变化趋势曲线;
S3.4.2:将所有所述变化趋势曲线进行拟合,创建初级变化模型;
S3.4.3:对所述初级变化模型进行体系自迭代,并以所述区域内非土地面积填充比作为迭代终止条件,得到所述待研究区域未来若干年的变化趋势模型;
S3.4.4:对所述变化趋势模型进行信息提取和GIS处理,生成所述待研究区域未来若干年的发展期望地图。
7.如权利要求1所述的面向巨灾保险的房屋地图构建方法,其特征在于,所述方法还包括如下步骤:
S4:统计每类房屋建筑的历史灾害损失情况,并计算每类所述房屋建筑的潜在损失;将所述潜在损失对应添加至所述专题地图中,生成灾害损失预测地图。
8.如权利要求7所述的面向巨灾保险的房屋地图构建方法,其特征在于,步骤S4的具体方法如下:
S4.1:获取历史灾评报告以及结构易损性资料,并对各类房屋建筑的历史灾害损失情况进行统计;
S4.2:根据各类房屋建筑的历史灾害损失情况,计算各类房屋建筑遭遇灾害时可能造成的潜在损失;
S4.3:将所述潜在损失对应填入所述叠加信息中,生成所述待研究区域的灾害损失预测地图。
9.一种面向巨灾保险的房屋地图构建平台,其特征在于,包括如下部分:
信息收集模块(1),用于对房屋建筑领域的现有统计资料以及待研究区域的规划信息进行收集,所述现有统计资料包括已有的建筑类设计资料、规划资料以及规范资料,所述规划信息包括边界信息以及底层功能指标空间分布信息;
信息提取模块(2),用于根据所述现有统计资料,提取出所述房屋建筑的属性信息,所述属性信息包括建筑结构以及功能用途;根据所述待研究区域的自然特征与人文特征,选择符合所述待研究区域特点的建筑结构类型和功能用途类型,并进一步对每一类所述房屋建筑的商业特性分布信息进行分别提取;
信息处理模块(3),用于将每一类所述房屋建筑的商业特性分布信息与所述边界信息进行叠加,得到叠加信息;
判断模块(4),用于对所述叠加信息中的空余面积进行统计并进行判断,当所述空余面积超过所述阈值时,通知所述信息处理模块对所述空余面积进行指标修正和填充;当所述空余面积不超过预先设置的阈值时,将所述叠加信息发送给所述地图生成模块;
地图生成模块(5),用于根据所述叠加信息,生成针对所述待研究区域的专题地图。
10.如权利要求9所述的面向巨灾保险的房屋地图构建平台,其特征在于,所述信息收集模块(1)还用于:收集历史灾评报告以及结构易损性资料;
所述信息提取模块(2)还用于:根据所述历史灾评报告,提取出各类房屋建筑的历史灾害损失情况;从所述规划信息中提取同一类建筑在包括当前时间在内的多个连续时间点的面积信息和功能信息;
所述信息处理模块(3)还用于:为所述待研究区域构建未来若干年的变化趋势模型;计算各类房屋建筑遭遇灾害时可能造成的潜在损失;
所述地图生成模块(5)还用于:根据所述变化趋势模型生成所述待研究区域未来若干年的发展期望地图;将所述潜在损失对应填入所述叠加信息中,生成所述待研究区域的灾害损失预测地图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810826703.8A CN109284343B (zh) | 2018-07-25 | 2018-07-25 | 面向巨灾保险的房屋地图构建方法及平台 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810826703.8A CN109284343B (zh) | 2018-07-25 | 2018-07-25 | 面向巨灾保险的房屋地图构建方法及平台 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109284343A true CN109284343A (zh) | 2019-01-29 |
CN109284343B CN109284343B (zh) | 2021-06-29 |
Family
ID=65183272
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810826703.8A Active CN109284343B (zh) | 2018-07-25 | 2018-07-25 | 面向巨灾保险的房屋地图构建方法及平台 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109284343B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111401726A (zh) * | 2020-03-12 | 2020-07-10 | 深圳小库科技有限公司 | 一种建筑设计方法、装置、系统及存储介质 |
CN113434538A (zh) * | 2021-06-24 | 2021-09-24 | 北京市地震局 | 一种基于人口位置数据的地震强度评估方法及系统 |
CN114365137A (zh) * | 2019-08-07 | 2022-04-15 | F·巴瓦斯特罗 | 用于设计的增强现实方法和系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1795478B (zh) * | 2003-12-18 | 2011-07-06 | 1626628安大略有限公司 | 绘制地图的系统、设备及方法 |
CN105203094A (zh) * | 2015-09-10 | 2015-12-30 | 联想(北京)有限公司 | 构建地图的方法和设备 |
US20160027020A1 (en) * | 2014-07-23 | 2016-01-28 | Underbuilt, Llc | Method and apparatus for determining parcel build size |
CN105677890A (zh) * | 2016-01-29 | 2016-06-15 | 东南大学 | 一种城市绿量数字地图制作及显示方法 |
CN105701241A (zh) * | 2015-11-27 | 2016-06-22 | 中华电信股份有限公司 | 一种地理围栏自动修正方法 |
CN106897417A (zh) * | 2017-02-22 | 2017-06-27 | 东南大学 | 一种基于多源大数据融合的城市空间全息地图的构建方法 |
-
2018
- 2018-07-25 CN CN201810826703.8A patent/CN109284343B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1795478B (zh) * | 2003-12-18 | 2011-07-06 | 1626628安大略有限公司 | 绘制地图的系统、设备及方法 |
US20160027020A1 (en) * | 2014-07-23 | 2016-01-28 | Underbuilt, Llc | Method and apparatus for determining parcel build size |
CN105203094A (zh) * | 2015-09-10 | 2015-12-30 | 联想(北京)有限公司 | 构建地图的方法和设备 |
CN105701241A (zh) * | 2015-11-27 | 2016-06-22 | 中华电信股份有限公司 | 一种地理围栏自动修正方法 |
CN105677890A (zh) * | 2016-01-29 | 2016-06-15 | 东南大学 | 一种城市绿量数字地图制作及显示方法 |
CN106897417A (zh) * | 2017-02-22 | 2017-06-27 | 东南大学 | 一种基于多源大数据融合的城市空间全息地图的构建方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114365137A (zh) * | 2019-08-07 | 2022-04-15 | F·巴瓦斯特罗 | 用于设计的增强现实方法和系统 |
CN111401726A (zh) * | 2020-03-12 | 2020-07-10 | 深圳小库科技有限公司 | 一种建筑设计方法、装置、系统及存储介质 |
CN113434538A (zh) * | 2021-06-24 | 2021-09-24 | 北京市地震局 | 一种基于人口位置数据的地震强度评估方法及系统 |
CN113434538B (zh) * | 2021-06-24 | 2024-03-08 | 北京市地震局 | 一种基于人口位置数据的地震强度评估方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109284343B (zh) | 2021-06-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kamdar et al. | Municipal solid waste landfill siting using an integrated GIS-AHP approach: A case study from Songkhla, Thailand | |
Verdonck et al. | Influence of neighbourhood information on ‘Local Climate Zone’mapping in heterogeneous cities | |
Mehrabi | Landslide susceptibility zonation using statistical and machine learning approaches in Northern Lecco, Italy | |
Jochem et al. | Identifying residential neighbourhood types from settlement points in a machine learning approach | |
CN113487123B (zh) | 高光谱监测与gis耦合山洪灾害动态风险评估方法 | |
CN109284343A (zh) | 面向巨灾保险的房屋地图构建方法及平台 | |
Wei et al. | Quantifying the indirect effects of urbanization on urban vegetation carbon uptake in the megacity of Shanghai, China | |
Weldu et al. | Identification of potential sites for housing development using GIS based multi-criteria evaluation in Dire Dawa City, Ethiopia | |
Fiorini et al. | Indicator engineering for land take control and settlement sustainability | |
Cheng et al. | Updating conventional soil maps by mining soil–environment relationships from individual soil polygons | |
Xu et al. | Building function classification in Nanjing, China, using deep learning | |
Krishna et al. | Geospatial multicriteria approach for solid waste disposal site selection in Dehradun city, India | |
CN103886521A (zh) | 一种基于gis 的智能巡检测试终端及测试方法 | |
Liu et al. | Evaluation method of highway plant slope based on rough set theory and analytic hierarchy process: a case study in Taihang Mountain, Hebei, China | |
Güler et al. | Earthquake risk prioritization via two-step cluster analysis and SWARA-ELECTRE methods | |
Yan et al. | Urban waterlogging susceptibility assessment based on hybrid ensemble machine learning models: A case study in the metropolitan area in Beijing, China | |
Huck et al. | Delineating parameters for object-based urban structure mapping in Santiago de Chile using QuickBird data | |
Qin et al. | Driving mechanism of cultivated land transition in Yantai Proper, Shandong Province, China | |
Yao | Application of GIS remote sensing information integration in eco-environmental quality monitoring | |
Eguchi et al. | Loss estimation models and metrics | |
Wang et al. | Resource and environmental carrying capacity study of Kubai Coalfield in Xinjiang based on RS and GIS | |
Judex et al. | Modelling of land-use changes in a West African catchment | |
Yusof et al. | Assessing the impact of RCP4. 5 and RCP8. 5 scenarios on landslide susceptibility mapping using support vector machine: A case study of Penang Island, Malaysia | |
Li et al. | Modelling Past and Future Urban Ecosystem Health Assessment—A Case Study of Kunming | |
England | A GIS approach to landslide hazard management for the West Coast region, New Zealand. |
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 |