CN109858647B - 一种耦合gis和gbdt算法的区域洪涝灾害风险评价与预估方法 - Google Patents
一种耦合gis和gbdt算法的区域洪涝灾害风险评价与预估方法 Download PDFInfo
- Publication number
- CN109858647B CN109858647B CN201811572196.6A CN201811572196A CN109858647B CN 109858647 B CN109858647 B CN 109858647B CN 201811572196 A CN201811572196 A CN 201811572196A CN 109858647 B CN109858647 B CN 109858647B
- Authority
- CN
- China
- Prior art keywords
- disaster
- risk
- regional
- evaluation index
- flood
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 143
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000013316 zoning Methods 0.000 claims abstract description 39
- 230000002265 prevention Effects 0.000 claims abstract description 26
- 230000009467 reduction Effects 0.000 claims abstract description 26
- 238000013210 evaluation model Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims abstract description 6
- 238000010606 normalization Methods 0.000 claims abstract description 5
- 230000009466 transformation Effects 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 33
- 238000003066 decision tree Methods 0.000 claims description 24
- 238000009331 sowing Methods 0.000 claims description 18
- 238000012795 verification Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 230000008878 coupling Effects 0.000 claims description 8
- 238000010168 coupling process Methods 0.000 claims description 8
- 238000005859 coupling reaction Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 8
- 238000012935 Averaging Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 4
- 239000002245 particle Substances 0.000 claims description 4
- 239000006185 dispersion Substances 0.000 claims description 3
- 238000011158 quantitative evaluation Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000010899 nucleation Methods 0.000 claims description 2
- 238000012360 testing method Methods 0.000 claims description 2
- 238000012502 risk assessment Methods 0.000 abstract description 2
- 238000005457 optimization Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000001939 inductive effect Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000013077 scoring method Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 239000013585 weight reducing agent Substances 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 230000035935 pregnancy Effects 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种耦合GIS和GBDT算法的区域洪涝灾害风险评价与预估方法，包括以下步骤：构建基于致灾因子、孕灾环境、承灾体和防灾减灾能力四种类型的区域洪涝灾害风险评价指标体系，并对其归一化处理，生成各评价指标图层；得出各评价指标的最优组合权重，生成四种类型的区域洪涝灾害风险分布图层；基于专家意见确定最终历史区域洪涝灾害风险区划图；构建区域洪涝灾害风险评价模型，预测未来区域洪涝灾害风险，并利用ArcGIS生成未来区域洪涝灾害风险区划图。本发明方法对多变量大数据的处理具有优越性，适用于流域或区域洪灾风险评估与预测，能显著提高计算精度与评价、决策的可靠性。
Description
技术领域
本发明属于水资源规划与管理领域，确切地说涉及洪涝灾害风险评价与管理，特别是涉及一种耦合GIS和GBDT算法的区域洪涝灾害风险评价与预估方法。
背景技术
洪涝灾害是突发性强、发生频率高、破坏性强的自然灾害，受气候变化和人类活动的双重影响，其发生强度和频次均有不同程度的增加。洪涝灾害风险评价作为对区域洪涝灾害自然和社会属性的综合评价，其目的是更精确掌握洪涝灾害风险的空间分布及内在机理。由于洪涝灾害风险评价受自然、社会经济和工程技术等诸多因素影响，评价过程涉及多个评价指标，现有方法通常考虑单一权重，会带来如受主观影响大或者过于依赖数据自身，而导致结果与实际状况相差较大等问题。耦合主客观权重并依据结果反馈多次调整，能够有效克服上述问题，并且随着近年来人工智能技术的高速发展，智能算法为洪涝灾害风险评价开辟了一条新思路。由于变化环境下洪涝灾害的形成条件具有时空不均匀非线性的特点，在洪涝灾害风险评价指标体系和洪涝灾害风险评估与预测模型中存在的不确定性给准确评估区域洪涝灾害风险带来了极大挑战。因此，耦合智能算法与GIS并构建区域洪涝灾害风险评价模型对洪涝灾害风险进行评估与预测具有很大应用前景。
发明内容
发明目的：针对现有技术的不足，本发明基于自然灾害风险评价理论，提出了一种耦合GIS和GBDT算法的区域洪涝灾害风险评价与预估方法。
技术方案：为实现上述发明目的，本发明采用以下技术方案：
一种耦合GIS和GBDT算法的区域洪涝灾害风险评价与预估方法，包括以下步骤：
(1)依据自然灾害风险评价理论，辨识区域洪涝灾害关键影响因子，构建基于致灾因子、孕灾环境、承灾体和防灾减灾能力四种类型的区域洪涝灾害风险评价指标体系，并对区域洪涝灾害风险评价指标体系中的各评价指标归一化处理，然后利用ArcGIS分别生成各评价指标图层；
(2)综合考虑主客观因素，基于博弈论耦合层次分析法和CRITIC法，得出各评价指标的最优组合权重，生成致灾因子、孕灾环境、承灾体和防灾减灾能力四种类型的区域洪涝灾害风险分布图层；
(3)设定各类型区域洪涝灾害风险分布图层的初始权重系数，并设置初始权重系数变幅，生成历史区域洪涝灾害风险分布图层集，利用自然分级法评估风险等级，得到历史区域洪涝灾害风险区划图集，基于专家意见确定最终历史区域洪涝灾害风险区划图；
(4)利用梯度提升决策树法构建区域洪涝灾害风险评价模型，学习各评价指标与历史区域洪涝灾害风险等级之间的非线性关系，输入未来区域洪涝灾害风险影响因子，预测未来区域洪涝灾害风险，并利用ArcGIS生成未来区域洪涝灾害风险区划图。
进一步的，步骤(1)中致灾因子、孕灾环境、承灾体和防灾减灾能力四种类型的区域洪涝灾害风险评价指标体系包括致灾因子层面的年最大日降雨和年最大洪峰流量，孕灾环境层面的高程、坡度、河流缓冲区及河网密度，承灾体层面的人口密度、GDP密度与农作物综合播种面积，防灾减灾能力层面的库容密度和蓄滞洪区密度；其中农作物综合播种面积是根据所在地区的种植结构，选择汛期农田所在种植的农作物，根据不同农作物耐淹时间的长短进行加权计算获得，具体公式如下：
将所在地区汛期农田内种植的农作物根据耐淹时间由长到短排序为：a1,a2,…,ai,…,an；分别取倒数得，
令
则依据耐淹时间的不同分别求得对应农作物播种面积的权重为
查阅地区年鉴可得对应农作物的播种面积为：s1,s2,…,si,…,sn；则农作物综合播种面积为：
将各评价指标归一化后利用ArcGIS分别生成各评价指标图层。
进一步的，步骤(2)中首先利用层次分析法确定各类型评价指标集初始主观权重，具体包括：
(a)构造比较判断矩阵，对有n个评价指标的评价指标集X，利用1～9比较尺度法进行两两评价指标重要性评判，得到判断矩阵Y＝(yij)n×n，其中yij，(i＝1,2,…,n；j＝1,2,…,n)表示第i个评价指标相对第j个评价指标的重要性；
(b)计算判断矩阵Y＝(yij)n×n的最大特征值λmax，根据特征方程|Y-λE|＝0，求得特征值λ1,λ2,…,λn，选择最大的特征值λmax；
(c)一致性检验，计算CR值，若CR<0.1，则认为判断矩阵Y＝(yij)n×n的一致性可接受，否则适当调整判断矩阵Y＝(yij)n×n，其中，
CI为一致性指标，CR为随机一致性比率，RI为随机一致性指标；
(d)计算各评价指标权重，通过一致性检验后，利用公式(Y-λmaxE)e＝0求得判断矩阵Y＝(yij)n×n最大特征值λmax对应的特征向量e＝(e1,e2,…,en)，经归一化处理即为相应各评价指标相对重要性的权重
表示为：
其次，采用CRITIC法对各评价指标进行客观赋权，计算第j个评价指标与其他评价指标之间的冲突性量化评价指标为：
其中rij表示第i个评价指标和第j个评价指标之间的相关系数，n为评价指标总数；第j个评价指标所包含的信息量Gj用下式表示：
其中δj表示第j个评价指标的类别间标准差，CRITIC权重表示为：
基于博弈论确定各评价指标的综合权重，即在上述两种权重之间寻求平衡或妥协，极小化可能权重与各个基本权重之间的偏差，筛选最优组合权重，即寻找最优权重系数αk *使得wk *与各wk的离差极小，即
由此计算求出αk，经归一化处理得
最优组合权重表示为
依据如下公式得到致灾因子、孕灾环境、承灾体和防灾减灾能力四种类型的区域洪涝灾害风险分布图层；
致灾因子风险：
孕灾环境风险：
承灾体风险：
防灾减灾能力风险：
式中，fi、ei、ui、vi为各栅格单元经标准化处理后致灾因子评价指标、孕灾环境评价指标、承灾体评价指标和防灾减灾能力评价指标的取值；ωi为各评价指标最优组合权重。
进一步的，步骤(3)中首先设定各类型洪涝灾害风险分布图层的初始权重系数，利用ArcGIS中的栅格计算器通过如下公式叠加四类风险分布图层得到区域洪涝灾害风险分布图：Risk＝f(F,E,U,V)＝ωF·F+ωE·E+ωU·U+ωV·V，其中，F,E,U,V分别为致灾因子风险、孕灾环境风险、承灾体风险和防灾减灾能力风险，ω为权重系数，其次设置权重系数变幅△，生成历史区域洪涝灾害风险分布图层集；
接着利用自然分级法评估风险等级，得到历史区域洪涝灾害风险区划图集，交于多位专家分别对上述风险区划图集进行打分，并确定最终历史区域洪涝灾害风险区划图的具体步骤如下：
(a)设有m个专家参加评分，图集中共有k张风险区划图，评分范围为0～10分，计算最终得分采用均值法；
(b)设专家i对j张图评分rij，则专家组评分矩阵I＝(rij)m×k；
(c)利用均值法得到每张图所有专家的平均打分矩阵L＝(l1j)1×k，其中，
(d)让专家把每张图的平均值与自己的打分比较，如果有专家想改变评分，则回到步骤(b)重复评分过程；如无异议，则确定每张图的最终得分；
(e)经过多轮征询、反馈与调整，将平均得分最高的风险区划图作为最终结果。
进一步的，步骤(4)中利用梯度提升决策树(GBDT)构建区域洪涝灾害风险评价模型包括以下步骤：
(41)将区域洪涝灾害风险影响因子作为输入，将步骤(3)得到的最终历史区域洪涝灾害风险区划图按照风险等级由低到高分成1至5共5级作为输出，利用交叉验证法随机选取训练样本和验证样本；
(42)将所有数据归一化处理，将其控制在[-1,1]的区间内；
(43)选择GBDT算法构建区域洪涝灾害风险评价模型，其中，该评价模型的基学习器fk(x)选择CART决策树，选取粒子群算法优选梯度提升框架参数和决策树框架参数；
(44)训练(43)中构建的区域洪涝灾害风险评价模型，寻找在解空间内使得验证样本的均方误差和最小的参数，将其作为最优参数；
(45)将未来洪涝灾害风险影响因子预测数据输入到训练好的洪涝灾害风险评价模型中对未来区域洪涝灾害风险进行预测，利用ArcGIS输出未来区域洪涝灾害风险区划预测图。
有益效果：与现有技术相比，本发明具有以下优点和有益效果：
首先选取洪涝灾害风险评价指标，对评价指标进行归一化处理后利用ArcGIS分别生成各评价指标图层；采用层次分析法确定各评价指标的初始主观权重；采用CRITIC法再次确定各评价指标的客观权重；耦合博弈论进行组合赋权确定最优组合权重，生成各类型的区域洪涝灾害风险分布图层；设置初始权重系数与权重系数变幅，生成历史区域洪涝灾害风险分布图层集；利用自然分级法评估风险等级，得到历史区域洪涝灾害风险区划图集，采用专家打分法选取最终历史区域洪涝灾害风险区划图；采用梯度提升决策树学习各评价指标与洪涝灾害风险等级之间的非线性关系，预测未来区域洪涝灾害风险区划图。
本发明提出了一种农作物综合播种面积的计算方法，能够综合考虑种植结构以及农作物特性对洪涝灾害风险的承受程度，弥补了以往将不同农作物单一化处理的缺陷。本发明不仅能够考虑初始权重确定时主客观条件的影响，还能够基于专家意见对结果进行再次控制反馈，使得权重确定更加科学、合理，本发明能够有效提高变化环境下区域或流域洪涝灾害风险的评价速率，精确挖掘评价指标与洪涝灾害风险等级之间的内在联系，显著提高评价结果的可靠性与精确性，为防洪决策提供依据。
本发明方法对多变量大数据的处理具有优越性，适用于流域或区域洪灾风险评估与预测，能显著提高计算精度与评价、决策的可靠性。
附图说明
图1是本发明方法的流程图。
具体实施方式
下面通过实施例，并结合附图，对本发明的技术方案做进一步具体说明。
如图1所示，一种耦合GIS(地理信息系统)和GBDT(梯度提升决策树)算法的区域洪涝灾害风险评价与预估方法，包括以下步骤：
步骤1，依据自然灾害风险评价理论，辨识区域洪涝灾害关键影响因子，构建基于致灾因子、孕灾环境、承灾体和防灾减灾能力四种类型的区域洪涝灾害风险评价指标矩阵，并对区域洪涝灾害风险评价指标体系中的各评价指标归一化处理，然后利用ArcGIS(集成式GIS开发工具)分别生成各评价指标图层。
其中，所有关键影响因子(评价指标)中，降雨是洪涝灾害的直接主导因素，年最大洪峰流量是洪涝灾害在某流域或地区的直接反映，地形地貌、河流水系等下垫面条件为洪涝灾害的发生提供了孕灾环境，人口和农作物为保护对象，GDP反映资产暴露状况，防洪断面以上防洪库容反映对洪水的调节能力，蓄滞洪区反映非常规应急防洪工程能力。因此，选取年最大日降雨(部分地区可选取年最大三日降雨)、年最大洪峰流量、高程、坡度、河流缓冲区、河网密度、人口密度、GDP密度、农作物综合播种面积、库容密度和蓄滞洪区密度作为关键影响因子。
构建基于致灾因子、孕灾环境、承灾体和防灾减灾能力四种类型的区域洪涝灾害风险评价指标体系包括致灾因子层面的年最大日降雨和年最大洪峰流量，孕灾环境层面的高程、坡度、河流缓冲区及河网密度，承灾体层面的人口密度、GDP密度与农作物综合播种面积，防灾减灾能力层面的库容密度和蓄滞洪区密度；其中农作物综合播种面积是根据所在地区的种植结构，选择汛期农田所在种植的农作物，根据不同农作物耐淹时间的长短进行加权计算获得，具体公式如下：
将所在地区汛期农田内种植的农作物根据耐淹时间由长到短排序为：a1,a2,…,ai,…,an；分别取倒数得，
令
则依据耐淹时间的不同分别求得对应农作物播种面积的权重为
查阅地区年鉴可得对应农作物的播种面积为：s1,s2,…,si,…,sn；则农作物综合播种面积为：
上述区域洪涝灾害风险评价指标体系可以采用评价指标矩阵表示，本实施例基于自然灾害风险评价理论，选取年最大日降雨量、年最大洪峰流量、高程、坡度、河流缓冲区、河网密度、人口密度、GDP密度、农作物综合播种面积、库容密度、蓄滞洪区密度11个洪涝灾害风险影响因子构建评价指标矩阵B如下：
其中，评价指标矩阵B中每一行包括年最大日降雨量、年最大洪峰流量、高程、坡度、河流缓冲区、河网密度、人口密度、GDP密度、农作物综合播种面积、库容密度和蓄滞洪区密度的值；
对评价指标矩阵B进行归一化处理得到标准评价指标矩阵C＝(cij)n*11，其中，
其中，bij为评价指标矩阵B中的元素。将标准评价指标矩阵输入ArcGIS(集成式GIS开发工具)，生成各评价指标图层。
步骤2，综合考虑主客观因素，基于博弈论耦合层次分析法和CRITIC(CriteriaImportance Though Intercrieria Correlation)法，得出各评价指标的最优组合权重，生成致灾因子、孕灾环境、承灾体和防灾减灾能力四种类型的区域洪涝灾害风险分布图层。
本实施例将标准评价指标矩阵按致灾因子、孕灾环境、承灾体和防灾减灾能力四种类型分为四个标准评价指标子矩阵M、N、O、Q，如下式所示：
每个子矩阵即为各类型的评价指标集。采用层次分析法(AHP)法确定各类型评价指标集的初始主观权重，分为以下4个步骤：
(1)构造比较判断矩阵。对有n个评价指标的评价指标集X，利用1～9比较尺度法进行两两因子重要性评判，得到判断矩阵Y＝(yij)n×n，其中yij，(i＝1,2,…,n；j＝1,2,…,n)表示第i个评价指标相对于第j个评价指标的重要性，若yij＝d d∈(1,2,…,9)，则yji＝1/d；
(2)计算判断矩阵Y＝(yij)n×n的最大特征值λmax。根据特征方程|Y-λE|＝0，求得特征值λ1,λ2,…,λn，选择最大的特征值λmax；
(3)一致性检验。计算CR值，若CR<0.1，则认为判断矩阵Y＝(yij)n×n的一致性可接受，否则对判断矩阵Y＝(yij)n×n进行适当调整。其中，
CI为一致性指标，CR为随机一致性比率，RI为随机一致性指标；不同n值对应的RI值见下表；
表1平均随机一致性指标RI
(4)计算各评价指标权重。通过一致性检验后，利用公式(Y-λmaxE)e＝0求得判断矩阵Y＝(yij)n×n最大特征值λmax对应的特征向量e＝(e1,e2,…,en)，经归一化后即为相应各评价指标相对重要性的权重
其中，
其次，采用CRITIC法对评价指标客观二次赋权，以对比强度(用标准差表现)和冲突性综合衡量各指标的CRITIC权重。
第j个评价指标与其他评价指标之间的冲突性量化评价指标为：
其中rij表示第i个评价指标和第j个评价指标之间的相关系数，n为评价指标总数；第j个指标所包含的信息量Gj表示为：
其中δj表示第j个评价指标的类别间标准差。将CRITIC权重表示为：
采用博弈论组合赋权法确定各评价指标的综合权重，即在上述两种权重之间寻求平衡或妥协，极小化可能权重与各个基本权重之间的偏差，筛选最优组合权重，即寻找最优权重系数αk *使得wk *与各wk的离差极小，即
由此计算求出αk，经归一化处理得
将最优组合权重表示为
依据以上步骤得到各类评价指标集中每个评价指标的最优组合权重，依据如下公式得到致灾因子、孕灾环境、承灾体和防灾减灾能力四种类型的区域洪涝灾害风险分布图层：
致灾因子风险：
孕灾环境风险：
承灾体风险：
防灾减灾能力风险：
其中，fi、ei、ui、vi为各栅格单元经标准化处理后致灾因子评价指标、孕灾环境评价指标、承灾体评价指标和防灾减灾能力评价指标的取值；ωi为各评价指标最优组合权重。
步骤3，设定各类型区域洪涝灾害风险分布图层的初始权重系数，并设置初始权重系数变幅，生成历史区域洪涝灾害风险分布图层集，利用自然分级法评估风险等级，得到历史区域洪涝灾害风险区划图集，基于专家意见确定最终历史区域洪涝灾害风险区划图。
洪涝灾害风险由致灾因子风险、孕灾环境风险、承灾体风险和防灾减灾能力风险构成，即：Risk＝f(F,E,U,V)＝ωF·F+ωE·E+ωU·U+ωV·V。首先设定各类型洪涝灾害风险分布图层的初始权重系数，利用ArcGIS中的栅格计算器工具叠加四类风险分布图层，得到区域洪涝灾害风险分布图；其次，设置权重系数变幅△，生成历史区域洪涝灾害风险分布图层集；根据自然分级法，即可判断不同地域所属的洪涝灾害风险等级，划分洪涝灾害风险等级为低、较低、中等、较高和高，得到历史区域洪涝灾害风险区划图集，其中图斑互不重叠且无空白区域，简明扼要反映区域洪涝灾害发生风险的相似性和差异性。
请多位专家分别对上述风险区划图集打分，确定最终历史区域洪涝灾害风险区划图的具体步骤如下：
(1)设有m个专家参加评分，图集中共有k张风险区划图，评分范围为0～10分，计算最终得分采用均值法；
(2)设专家i对j张图评分rij，则专家组评分矩阵I＝(rij)m×k；
(3)利用均值法得到每张图所有专家的平均打分矩阵L＝(l1j)1×k，其中，
(4)让专家把每张图的平均值与自己的打分比较，假使有专家想改变评分，则回到步骤(2)重复评分过程。如无异议，则确定每张图的最终得分；
(5)经多轮征询、反馈与调整，将平均得分最高的风险区划图作为最终结果。
步骤4，利用梯度提升决策树(GBDT)法构建区域洪涝灾害风险评价模型，学习各评价指标与历史区域洪涝灾害风险等级之间的非线性关系，输入未来区域洪涝灾害风险影响因子，预测未来区域洪涝灾害风险，并利用ArcGIS生成未来区域洪涝灾害风险区划图。包括以下步骤：
(41)将区域洪涝灾害风险影响因子作为输入，将步骤(3)得到的最终历史区域洪涝灾害风险区划图按照风险等级由低到高分成1至5共5级作为输出，利用交叉验证法随机选取训练样本和验证样本；
(42)将所有数据归一化处理，将其控制在[-1,1]的区间内；
(43)选择GBDT算法构建区域洪涝灾害风险评价模型，其中，该评价模型的基学习器fk(x)选择CART决策树(Classification And Regression Tree)，选取粒子群算法优选梯度提升框架参数和决策树框架参数；
(44)训练(43)中构建的区域洪涝灾害风险评价模型，寻找在解空间内使得验证样本的均方误差和最小的参数，将其作为最优参数；
(45)将未来洪涝灾害风险影响因子预测数据输入到训练好的洪涝灾害风险评价模型中对未来区域洪涝灾害风险进行预测，利用ArcGIS输出未来区域洪涝灾害风险区划预测图。
具体为：
GBDT算法由梯度提升算法(Gradient Boosting)和决策树算法(Decision Tree)两部分组成，是一种基于决策树的迭代回归算法，算法的核心是在负梯度方向上新生成一棵决策树以减少上一次的残差。
对于NT个数据对的样本来说，每一次迭代的损失函数为
式中：yi为实际风险值，
为预测风险值。
梯度提升算法通过建立一个新的基学习器fk(x)在负梯度方向上来拟合fk-1(x)未完全拟合的真实风险的残差，它采用前向优化算法，顺序建立新的基学习器来优化逼近残差，对于第n个样本(xn,yn)，残差拟合过程如下：
式中：α为权重缩减系数，K为迭代次数，表示模型个数。
在第k次迭代中：fk(xn)＝-gk(xn)ρk，
其中，-gk(x)是负梯度方向，ρk是在负梯度方向上线性搜索得到的最优步长。
最后通过迭代K个决策树模型fk(x)(k＝1,2,…,K)组成一个加法模型来拟合风险值：
GBDT的基学习器fk(x)为CART决策树，该方法可根据评价指标将当前样本分割为两个子样本并继续进行二分，分割条件是子样本的损失函数和最小。对于任一棵决策树fk(x)，每个样本将映射到决策树的一个叶子结点并返回一个预测值。一颗叶子结点数为T的决策树，是由这T个叶子结点对应的值组成的集合ω，以及把评价指标映射到叶子结点的函数q(x)组成，因此决策树可定义为fk(x)＝ωq(x)，在GBDT算法中，决策树算法可认为是用ωq(x)拟合-gk(x)。
本实施例将区域洪涝灾害风险影响因子(评价指标)作为输入，将步骤3得到的最终历史区域洪涝灾害风险区划图按照风险等级由低到高分成1至5共5级作为输出，采用十折交叉验证法将区域洪涝灾害风险影响因子与风险等级构成的数据集随机分成容量相等的10份子集，然后取其中的9份作为训练数据集，剩下的1份作为验证数据集，从而构成第i组训练验证集；将所有数据归一化处理，将其控制在[-1,1]的区间内；利用GBDT构建区域洪涝灾害风险评价模型，选用真实值和预测值的均方误差MSE作为参数优选指标：
利用粒子群(PSO)算法优选梯度提升框架参数(主要为迭代次数K和权重缩减系数α)和决策树框架参数(主要为max_depth)；参数寻优完成后，将验证数据集输入到训练好的区域洪涝灾害风险评价模型中，得到区域洪涝灾害风险评价结果，应用上述训练好的模型，将气候模式预估的未来区域洪涝灾害风险影响因子作为输入项，模拟未来区域洪涝灾害风险分布，利用自然分级法划分等级，最终通过ArcGIS输出未来区域洪涝灾害风险区划图。
本实施例所采用的区域洪涝灾害风险评价与预估方法全面考虑了洪涝灾害风险影响因子，可以对不同区域或流域的洪涝灾害风险进行综合评估与预测，并提出了农作物综合播种面积的计算方法，完善了洪涝灾害风险评价指标体系，并且采用耦合博弈论的组合赋权法与专家打分法确定最终区域洪涝灾害风险区划图，使风险评价结果更加合理。
Claims (1)
1.一种耦合GIS和GBDT算法的区域洪涝灾害风险评价与预估方法，其特征在于，包括以下步骤：
(1)依据自然灾害风险评价理论，辨识区域洪涝灾害关键影响因子，构建基于致灾因子、孕灾环境、承灾体和防灾减灾能力四种类型的区域洪涝灾害风险评价指标体系，并对区域洪涝灾害风险评价指标体系中的各评价指标归一化处理，然后利用ArcGIS分别生成各评价指标图层；
致灾因子、孕灾环境、承灾体和防灾减灾能力四种类型的区域洪涝灾害风险评价指标体系包括致灾因子层面的年最大日降雨和年最大洪峰流量，孕灾环境层面的高程、坡度、河流缓冲区及河网密度，承灾体层面的人口密度、GDP密度与农作物综合播种面积，防灾减灾能力层面的库容密度和蓄滞洪区密度；其中农作物综合播种面积是根据所在地区的种植结构，选择汛期农田所在种植的农作物，根据不同农作物耐淹时间的长短进行加权计算获得，具体公式如下：
将所在地区汛期农田内种植的农作物根据耐淹时间由长到短排序为：a1,a2,…,ai,…,an；分别取倒数得，
令
则依据耐淹时间的不同分别求得对应农作物播种面积的权重为：
查阅地区年鉴得对应农作物的播种面积为：s1,s2,…,si,…,sn；则农作物综合播种面积为：
将各评价指标归一化后利用ArcGIS分别生成各评价指标图层；
(2)综合考虑主客观因素，基于博弈论耦合层次分析法和CRITIC法，得出各评价指标的最优组合权重，生成致灾因子、孕灾环境、承灾体和防灾减灾能力四种类型的区域洪涝灾害风险分布图层；
首先利用层次分析法确定各类型评价指标集初始主观权重，具体包括：
(a)构造比较判断矩阵，对有n个评价指标的评价指标集X，利用1～9比较尺度法进行两两评价指标重要性评判，得到判断矩阵Y＝(yij)n×n，其中yij，(i＝1,2,…,n；j＝1,2,…,n)表示第i个评价指标相对第j个评价指标的重要性；
(b)计算判断矩阵Y＝(yij)n×n的最大特征值λmax，根据特征方程|Y-λE|＝0，求得特征值λ1,λ2,…,λn，选择最大的特征值λmax；
(c)一致性检验，计算CR值，若CR<0.1，则认为判断矩阵Y＝(yij)n×n的一致性可接受，否则适当调整判断矩阵Y＝(yij)n×n，其中，
CI为一致性指标，CR为随机一致性比率，RI为随机一致性指标；
(d)计算各评价指标权重，通过一致性检验后，利用公式(Y-λmaxE)e＝0求得判断矩阵Y＝(yij)n×n最大特征值λmax对应的特征向量e＝(e1,e2,…,en)，经归一化处理即为相应各评价指标相对重要性的权重
表示为：
其次，采用CRITIC法对各评价指标进行客观赋权，计算第j个评价指标与其他评价指标之间的冲突性量化评价指标为：
其中rij表示第i个评价指标和第j个评价指标之间的相关系数，n为评价指标总数；第j个评价指标所包含的信息量Gj用下式表示：
其中δj表示第j个评价指标的类别间标准差，CRITIC权重表示为：
基于博弈论确定各评价指标的综合权重，即在上述两种权重之间寻求平衡或妥协，极小化可能权重与各个基本权重之间的偏差，筛选最优组合权重，即寻找最优权重系数αk *使得wk *与各wk的离差极小，即
由此计算求出αk，经归一化处理得
最优组合权重表示为
依据如下公式得到致灾因子、孕灾环境、承灾体和防灾减灾能力四种类型的区域洪涝灾害风险分布图层；
致灾因子风险：
孕灾环境风险：
承灾体风险：
防灾减灾能力风险：
式中，fi、ei、ui、vi为各栅格单元经标准化处理后致灾因子评价指标、孕灾环境评价指标、承灾体评价指标和防灾减灾能力评价指标的取值；ωi为各评价指标最优组合权重；
(3)设定各类型区域洪涝灾害风险分布图层的初始权重系数，并设置初始权重系数变幅，生成历史区域洪涝灾害风险分布图层集，利用自然分级法评估风险等级，得到历史区域洪涝灾害风险区划图集，基于专家意见确定最终历史区域洪涝灾害风险区划图；
首先设定各类型洪涝灾害风险分布图层的初始权重系数，利用ArcGIS中的栅格计算器通过如下公式叠加四类风险分布图层得到区域洪涝灾害风险分布图：Risk＝f(F,E,U,V)＝ωF·F+ωE·E+ωU·U+ωV·V，其中，F,E,U,V分别为致灾因子风险、孕灾环境风险、承灾体风险和防灾减灾能力风险，ω为权重系数，其次设置权重系数变幅△，生成历史区域洪涝灾害风险分布图层集；
接着利用自然分级法评估风险等级，得到历史区域洪涝灾害风险区划图集，交于多位专家分别对上述风险区划图集进行打分，并确定最终历史区域洪涝灾害风险区划图的具体步骤如下：
(a)设有m个专家参加评分，图集中共有k张风险区划图，评分范围为0～10分，计算最终得分采用均值法；
(b)设专家i对j张图评分rij，则专家组评分矩阵I＝(rij)m×k；
(c)利用均值法得到每张图所有专家的平均打分矩阵L＝(l1j)1×k，其中，
(d)让专家把每张图的平均值与自己的打分比较，如果有专家想改变评分，则回到步骤(b)重复评分过程；如无异议，则确定每张图的最终得分；
(e)经过多轮征询、反馈与调整，将平均得分最高的风险区划图作为最终结果；
(4)利用梯度提升决策树法构建区域洪涝灾害风险评价模型，学习各评价指标与历史区域洪涝灾害风险等级之间的非线性关系，输入未来区域洪涝灾害风险影响因子，预测未来区域洪涝灾害风险，并利用ArcGIS生成未来区域洪涝灾害风险区划图；
利用梯度提升决策树(GBDT)构建区域洪涝灾害风险评价模型包括以下步骤：
(41)将区域洪涝灾害风险影响因子作为输入，将步骤(3)得到的最终历史区域洪涝灾害风险区划图按照风险等级由低到高分成1至5共5级作为输出，利用交叉验证法随机选取训练样本和验证样本；
(42)将所有数据归一化处理，将其控制在[-1,1]的区间内；
(43)选择GBDT算法构建区域洪涝灾害风险评价模型，其中，该评价模型的基学习器fk(x)选择CART决策树，选取粒子群算法优选梯度提升框架参数和决策树框架参数；
(44)训练(43)中构建的区域洪涝灾害风险评价模型，寻找在解空间内使得验证样本的均方误差和最小的参数，将其作为最优参数；
(45)将未来洪涝灾害风险影响因子预测数据输入到训练好的洪涝灾害风险评价模型中对未来区域洪涝灾害风险进行预测，利用ArcGIS输出未来区域洪涝灾害风险区划预测图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811572196.6A CN109858647B (zh) | 2018-12-21 | 2018-12-21 | 一种耦合gis和gbdt算法的区域洪涝灾害风险评价与预估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811572196.6A CN109858647B (zh) | 2018-12-21 | 2018-12-21 | 一种耦合gis和gbdt算法的区域洪涝灾害风险评价与预估方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109858647A CN109858647A (zh) | 2019-06-07 |
| CN109858647B true CN109858647B (zh) | 2021-07-27 |
Family
ID=66891820
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811572196.6A Active CN109858647B (zh) | 2018-12-21 | 2018-12-21 | 一种耦合gis和gbdt算法的区域洪涝灾害风险评价与预估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109858647B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
Families Citing this family (30)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110490366A (zh) * | 2019-07-15 | 2019-11-22 | 西安理工大学 | 基于变分模态分解和迭代决策树的径流量预测方法 |
| 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 |
| CN110929946A (zh) * | 2019-11-29 | 2020-03-27 | 中国农业科学院农业资源与农业区划研究所 | 基于地表水文过程的农业洪涝灾害监测预报系统及方法 |
| CN111126701A (zh) * | 2019-12-25 | 2020-05-08 | 兰州交通大学 | 一种基于gis和气象监测网络的森林火险预警方法 |
| CN111144792A (zh) * | 2019-12-31 | 2020-05-12 | 天津大学 | 一种研究流域水资源风险传递规律的方法及系统 |
| CN111582386A (zh) * | 2020-05-11 | 2020-08-25 | 四川师范大学 | 一种基于随机森林的地质灾害多灾种综合风险评价方法 |
| CN111858803B (zh) * | 2020-07-06 | 2021-09-21 | 东华理工大学 | 一种滑坡地灾风险区划图生成方法 |
| CN112308292B (zh) * | 2020-10-10 | 2023-01-20 | 广东工业大学 | 一种火灾风险等级分布图的绘制方法 |
| CN112288151B (zh) * | 2020-10-22 | 2022-05-13 | 武汉大学 | 一种面向灾害应急的灾害链构建与灾害分析方法 |
| CN112382091A (zh) * | 2020-11-11 | 2021-02-19 | 北京世纪高通科技有限公司 | 一种道路积水预警方法及装置 |
| CN112258093B (zh) * | 2020-11-25 | 2024-06-21 | 京东城市(北京)数字科技有限公司 | 风险等级的数据处理方法及装置、存储介质、电子设备 |
| CN112686581B (zh) * | 2021-02-09 | 2024-06-28 | 大连理工大学 | 一种自然灾害次生危险化学品事故风险评估方法及评估系统 |
| CN112836890A (zh) * | 2021-02-20 | 2021-05-25 | 中国城市规划设计研究院 | 一种预测火灾风险的方法、装置、设备及存储介质 |
| CN112966926B (zh) * | 2021-03-02 | 2022-04-22 | 河海大学 | 一种基于集成学习的洪水敏感性风险评估方法 |
| CN113191644B (zh) * | 2021-05-06 | 2022-12-06 | 天津大学 | 一种基于自发-引发风险评价模型城市内涝风险评价方法 |
| CN113313384B (zh) * | 2021-05-28 | 2022-10-25 | 华南理工大学 | 一种融合弹性的城市洪涝灾害风险评估方法 |
| CN113408917B (zh) * | 2021-06-28 | 2023-06-16 | 杭州鲁尔物联科技有限公司 | 自然灾害风险评估方法、装置、计算机设备及存储介质 |
| CN113408928A (zh) * | 2021-06-30 | 2021-09-17 | 广东电网有限责任公司 | 一种配电自动化终端评价方法及系统 |
| CN113627817B (zh) * | 2021-08-19 | 2024-05-28 | 东莞理工学院 | 一种基于城市内涝条件下道路连通性分析方法 |
| CN113627826A (zh) * | 2021-08-27 | 2021-11-09 | 中国农业科学院农业环境与可持续发展研究所 | 苹果种植区洪涝灾害风险评估方法 |
| CN114429053B (zh) * | 2022-04-06 | 2022-06-17 | 水利部交通运输部国家能源局南京水利科学研究院 | 流域尺度wefe系统适配性模拟优化方法 |
| CN115147024B (zh) * | 2022-09-05 | 2022-12-13 | 杭州元声象素科技有限公司 | 一种地理加权回归的网格化险情处理方法和系统 |
| CN115994686B (zh) * | 2022-11-21 | 2023-07-28 | 中国科学院地理科学与资源研究所 | 一种基于博弈论组合赋权的多维度洪水风险评估方法 |
| CN115829061B (zh) * | 2023-02-21 | 2023-04-28 | 中国电子科技集团公司第二十八研究所 | 一种基于历史案例和经验知识学习的应急事故处置方法 |
| CN116823014B (zh) * | 2023-04-06 | 2024-02-13 | 南京邮电大学 | 一种企业员工绩效自动评分服务实现方法 |
| 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 |
| CN116522261B (zh) * | 2023-05-06 | 2023-12-22 | 北京瀚海蓝山智能科技有限公司 | 一种基于大数据的风险信息监控方法及系统 |
| CN116362551B (zh) * | 2023-05-31 | 2023-08-08 | 江西省水利科学院(江西省大坝安全管理中心、江西省水资源管理中心) | 一种评估洪涝灾害风险等级的方法 |
| CN116703004B (zh) * | 2023-07-19 | 2023-09-29 | 共享数据(福建)科技有限公司 | 一种基于预训练模型的水系流域智慧巡护方法和装置 |
| CN117236700B (zh) * | 2023-11-13 | 2024-02-09 | 珠江水利委员会珠江水利科学研究院 | 一种洪涝灾害风险防控方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101673369A (zh) * | 2009-09-28 | 2010-03-17 | 北京工业大学 | 基于投影寻踪的排水管网洪涝风险评价方法 |
| JP2011086007A (ja) * | 2009-10-13 | 2011-04-28 | Nomura Research Institute Ltd | 災害に基づく保険事故の発生予測装置及び方法 |
| CN103218522A (zh) * | 2013-04-01 | 2013-07-24 | 民政部国家减灾中心 | 一种划分洪灾风险等级的方法及装置 |
| CN106651211A (zh) * | 2016-12-30 | 2017-05-10 | 吉林师范大学 | 一种不同尺度区域洪水灾害风险评估的方法 |
| CN109003422A (zh) * | 2018-08-02 | 2018-12-14 | 北京大学深圳研究生院 | 用于山体滑坡的监测数据处理方法和山体滑坡预报方法 |
-
2018
- 2018-12-21 CN CN201811572196.6A patent/CN109858647B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101673369A (zh) * | 2009-09-28 | 2010-03-17 | 北京工业大学 | 基于投影寻踪的排水管网洪涝风险评价方法 |
| JP2011086007A (ja) * | 2009-10-13 | 2011-04-28 | Nomura Research Institute Ltd | 災害に基づく保険事故の発生予測装置及び方法 |
| CN103218522A (zh) * | 2013-04-01 | 2013-07-24 | 民政部国家减灾中心 | 一种划分洪灾风险等级的方法及装置 |
| CN106651211A (zh) * | 2016-12-30 | 2017-05-10 | 吉林师范大学 | 一种不同尺度区域洪水灾害风险评估的方法 |
| CN109003422A (zh) * | 2018-08-02 | 2018-12-14 | 北京大学深圳研究生院 | 用于山体滑坡的监测数据处理方法和山体滑坡预报方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109858647A (zh) | 2019-06-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109858647B (zh) | 一种耦合gis和gbdt算法的区域洪涝灾害风险评价与预估方法 | |
| Zhang et al. | Short-term rainfall forecasting using multi-layer perceptron | |
| Sakizadeh | Artificial intelligence for the prediction of water quality index in groundwater systems | |
| Coulibaly et al. | Downscaling precipitation and temperature with temporal neural networks | |
| CN108280553A (zh) | 基于gis-神经网络集成的山洪灾害风险区划及预测方法 | |
| CN111665575B (zh) | 一种基于统计动力的中长期降雨分级耦合预报方法及系统 | |
| CN106815782A (zh) | 一种基于神经网络统计学模型的房地产估值方法及系统 | |
| CN111767517B (zh) | 一种应用于洪水预测的BiGRU多步预测方法、系统及存储介质 | |
| Dehghani et al. | Application of novel hybrid artificial intelligence algorithms to groundwater simulation | |
| CN113393057A (zh) | 一种基于深度融合机器学习模型的小麦产量集成预测方法 | |
| CN111914487B (zh) | 一种基于对抗神经网络的无资料地区水文参数率定方法 | |
| Prakash et al. | Improved higher lead time river flow forecasts using sequential neural network with error updating | |
| Ma et al. | An estimating combination method for interval forecasting of electrical load time series | |
| Mazandaranizadeh et al. | Development of a PSO-ANN model for rainfall-runoff response in basins, Case Study: Karaj Basin | |
| Bagherzadeh et al. | Parametric-based neural networks and TOPSIS modeling in land suitability evaluation for alfalfa production using GIS | |
| CN117993305B (zh) | 一种流域土地利用与土壤侵蚀关系动态评估方法 | |
| Robati et al. | Inflation rate modeling: adaptive neuro-fuzzy inference system approach and particle swarm optimization algorithm (ANFIS-PSO) | |
| Li et al. | A stepwise clustered hydrological model for addressing the temporal autocorrelation of daily streamflows in irrigated watersheds | |
| Safavi et al. | New optimization methods for designing rain stations network using new neural network, election, and whale optimization algorithms by combining the Kriging method | |
| WO2022032874A1 (zh) | 一种基于对抗神经网络的有资料地区水文参数率定方法 | |
| CN111914465B (zh) | 基于聚类及粒子群优化的无资料地区水文参数率定方法 | |
| CN116934125A (zh) | 一种面向能源开发片区的生态承载力评价方法 | |
| Donyaii et al. | Using composite ranking to select the most appropriate Multi-Criteria Decision Making (MCDM) method in the optimal operation of the Dam reservoir | |
| CN116681157A (zh) | 基于预报区间神经网络的电力负荷多步区间预测方法 | |
| Das et al. | A multi-model ensemble approach for stream flow simulation |
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 |