CN111008734A - 洪水危险性的区划和时空演变规律的研究方法 - Google Patents
洪水危险性的区划和时空演变规律的研究方法 Download PDFInfo
- Publication number
- CN111008734A CN111008734A CN201911170254.7A CN201911170254A CN111008734A CN 111008734 A CN111008734 A CN 111008734A CN 201911170254 A CN201911170254 A CN 201911170254A CN 111008734 A CN111008734 A CN 111008734A
- Authority
- CN
- China
- Prior art keywords
- risk
- flood
- evaluation index
- membership
- space
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 80
- 238000011160 research Methods 0.000 title claims abstract description 51
- 238000011156 evaluation Methods 0.000 claims abstract description 157
- 238000009826 distribution Methods 0.000 claims abstract description 87
- 230000008859 change Effects 0.000 claims abstract description 74
- 238000013316 zoning Methods 0.000 claims abstract description 35
- 230000008569 process Effects 0.000 claims abstract description 27
- 238000012502 risk assessment Methods 0.000 claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims description 42
- 239000002689 soil Substances 0.000 claims description 27
- 239000013598 vector Substances 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 6
- 230000008595 infiltration Effects 0.000 claims description 5
- 238000001764 infiltration Methods 0.000 claims description 5
- 238000007619 statistical method Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 238000004956 CI calculation Methods 0.000 claims description 3
- 230000014509 gene expression Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000035699 permeability Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims 2
- 238000013439 planning Methods 0.000 abstract description 4
- 230000009467 reduction Effects 0.000 abstract description 4
- 239000004927 clay Substances 0.000 description 7
- 238000011161 development Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000004576 sand Substances 0.000 description 3
- 238000000638 solvent extraction Methods 0.000 description 3
- 239000011324 bead Substances 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000012797 qualification Methods 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 241001148728 Calamagrostis epigeios Species 0.000 description 1
- 238000005054 agglomeration Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000001970 hydrokinetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000010802 sludge Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种洪水危险性的区划和时空演变规律的研究方法,包括先从致灾因子和孕灾环境两个方面选取出研究区域的多个评估指标;采用层次分析法求解各个评估指标的权重;将洪水危险性进行等级划分,利用云模型确定出各个评估指标在不同危险性等级下的隶属度;将各个评估指标位于相同危险性等级下的权重和隶属度进行加权求和,得到对应的综合隶属度分布图层;采用秩特征值对各个综合隶属度分布图层进行洪水危险性的级别区划;针对于不同时期的研究区域,从气候变化和土地利用类型变化两个方面的风险区划图进行比对,得出洪水灾害的时空演变规律。本发明可以得到洪水危险性评估结果和时空演变规律,提供防洪减灾规划的可行性建议。
Description
技术领域
本发明涉及洪水危险性评估技术领域,特别涉及一种洪水危险性的区划和时空演变规律的研究方法。
背景技术
洪水灾害是一种日益频发、破坏性强且影响范围广的自然灾害,在世界各地造成大范围的人员伤亡和经济损失。洪水灾害主要是由气候和土地利用类型变化所造成的,在全球气候变化的影响下极端降雨事件频发,当降雨强度大于土壤下渗率时,降雨事件极易演变为洪水灾害事件;此外,随着中国经济的蓬勃发展,城市扩张速度增快,森林、农田和湖泊等绿化用地被挤占,下垫面硬化导致不透水率增加,增大了洪水灾害的发生概率。因此,亟需建立有效的洪水危险性评估模型,探究在气候和土地利用类型变化驱动下洪水危险性的时空演变规律,以采取有效举措减轻洪水灾害对社会经济健康的影响。
由于评估指标的多样性以及现有数据的局限性,洪水危险性评估和验证至今仍旧是个巨大的挑战。近年来,大量的数值方法被应用于洪水危险性评估,可被划分为三大类:水文水动力学模型、多准则决策分析和机器学习方法,但是它们有各自的局限性。较常用的水文水动力模型有SWMM、Info Works、Mike和LisFlood-FP等,上述模型可以通过建模获取溢流量等水文模拟结果,但是建模所需的部分数据具有保密性,不能轻易获取;此外,受限于冗长的计算量和高分辨率的数据,水文水动力模型更适合用于小区域。多标准决策分析(MCDA)包括层次分析法、集对分析和模糊综合评价等,这些分析方法计算简单,易于理解,但并未考虑到指标的随机性和不确定性。近年来,机器学习已广泛应用于洪水灾害评估,例如支持向量级、决策树、神经网络、随机森林和蚁群优化等,这些方法通过评估指标与历史洪涝事件之间的相关性来确定采样点的危险程度,从而避免主观权重的确定;但是它们的计算原理复杂,容易陷入过度学习和局部最小困境,选样的数量、方式、位置、危险等级和指标类型对洪涝灾害危险性评估的准确性有很大影响。
因此,研究洪水危险性的新方法就显得尤为必要。
发明内容
本发明的第一目的在于克服现有技术的缺点与不足,提供一种洪水危险性的区划和时空演变规律的研究方法,该方法可以得到洪水危险性评估结果和时空演变规律,提供防洪减灾规划的可行性建议。
本发明的第二目的在于提供一种存储介质。
本发明的第三目的在于提供一种计算设备。
本发明的第一目的通过下述技术方案实现:一种洪水危险性的区划和时空演变规律的研究方法,其特征在于,包括如下步骤:
S1、构建研究区域的大尺度区域洪水危险性评估指标体系:针对于研究区域,从致灾因子和孕灾环境两个方面选取出多个评估指标,并获取各个评估指标的评估指标空间分布图;
S2、采用层次分析法求解各个评估指标的权重;
将洪水危险性划分为K个危险性等级,利用云模型确定出各个评估指标在K个危险性等级下的隶属度;
S3、将各个评估指标位于相同危险性等级下的权重和隶属度进行加权求和,得到K个危险性等级分别对应的综合隶属度分布图层;
S4、采用秩特征值对各个综合隶属度分布图层进行洪水危险性的级别区划,得到对应的风险区划图;
S5、针对于不同时期的研究区域,从气候变化和土地利用类型变化两个方面分别选取出相关的评估指标空间分布图,通过如上步骤S2~S4得到对应的风险区划图;
将不同时期下的风险区划图进行比对,得出洪水灾害的时空演变规律。
优选的,从致灾因子方面选取出的评估指标包括:最大一天降雨量M1DP、年平均暴雨天数AvSD,暴雨具体是指降雨量大于50mm,最大一天降雨量M1DP和年平均暴雨天数AvSD用于反映降雨量的强度和持续时间;
从孕灾环境方面选取出评估指标包括:数字高程模型DEM、坡度Slope、到河流的距离DTR、土壤类型ST和径流系数RC,
其中,当数字高程模型的高程越低,研究区域的洪水危险性越高;当坡度越缓,研究区域的洪水危险性越高;当到河流的距离越短,研究区域的洪水危险性越高;土壤类型用于反映研究区域的不同土地利用类型下土壤的渗透能力;当径流系数的数值越大,对应土地利用类型的土壤的下渗能力越弱。
更进一步的,在步骤S2中,采用层次分析法求解各个评估指标的权重,过程如下:
步骤1、根据T个评估指标,将洪水危险性问题分解为多个层次和因素,构建得到层次结构,其中,因素为评估指标,中间层的因素从属于上一层因素或者对上一层因素有影响,同时又支配下一层的因素或者受到下一层因素的作用;
步骤2、将不同评估指标的重要程度进行两两比较,按两两比较的结果构造出判断矩阵,其中,采用1~9标度表示评估指标的相对重要性,具体如下:
apq=1表示当前中间层的因素p与因素q对上一层因素的重要性相同,apq为因素p相对于因素q的重要性;
apq=3表示元素p比元素q略重要;
apq=5表示元素p比元素q重要;
apq=7表示元素p比元素q重要得多;
apq=9表示元素p比元素q的极其重要;
apq=2n,n=1,2,3,4,表示元素p与q的重要性介于apq=2n-1与apq=2n+1之间;
apq=1/n,n=1,2,...,8,9,当且仅当aqp=n;其中,apq与aqp互成倒数,apq=1/n,表示元素p比元素q没那么重要;aqp=n,表示元素q比元素p重要;若apq=1/n,则相当于aqp=n,二者表达的含义是一致的;
步骤3、对判断矩阵进行一致性检验:
计算衡量判断矩阵的不一致程度指标CI和平均随机一致性指标RI;
其中,RI通过查表得到;CI计算公式为:
在公式中,λmax(A)为成对对比矩阵A的绝对值特征值,成对对比矩阵A=(apq)n×n;n为成对对比矩阵A的阶数;
计算不一致程度指标CI和平均随机一致性指标RI的比值,得到判断矩阵的随机一致性比率CR;
当CR<0.1时,则判定判断矩阵具有满意的一致性,或其不一致程度是可以接受的;
当CR≥0.1时,则调整判断矩阵,直到判断矩阵达到满意的一致性;
步骤4、当判断矩阵满足CR<0.1之后,求解出T个评估指标的权重W=[w1,w2,...,wT];
其中,权重W的每个列向量采用规范列平均法计算得到,具体为:
针对于成对对比矩阵A的各个列向量,分别进行归一化;
将归一化后的列向量与对应的行向量进行求和以及归一化处理,最终得到的列向量的值即为相对权重。
更进一步的,在步骤S2中,将洪水危险性划分为K个危险性等级,利用云模型确定出各个评估指标在K个危险性等级下的隶属度,具体如下:
步骤S21、针对于各个评估指标,采用自然断裂法确定危险性等级分类标准,得到各个评估指标对应K个危险性等级的划分范围;
步骤S22、针对于每个评估指标,在ArcGIS中利用Zonal空间分析工具进行统计分析,获取对应的期望Ex;
根据期望Ex查询云模型数字特征值的计算原则表,获取熵En和超熵He;
步骤S23、生成以En为期望值,He为均方差的一个正态分布随机数En'=NORM(En,He2),生成以Ex为期望值,En'为均方差的一个正态分布随机数x=NORM[Ex,(En')2],计算隶属度μ=exp[(x-Ex)/2(En')2];
步骤S24、重复步骤S23,得出K个危险性等级下的隶属度和K个云滴(x,μ),K个云滴构成云模型。
更进一步的,在步骤S3中,将各个评估指标位于相同危险性等级下的权重和隶属度进行加权求和,得到K个危险性等级分别对应的综合隶属度分布图层,过程如下:
根据云模型构造T个评估指标在K个危险性等级下的隶属度矩阵R,具体为:
其中,rTK为第T个评估指标在第K个危险性等级下的隶属度分布图层;
将隶属度矩阵R和权重W进行加权求和,计算得到综合隶属度B,具体如下:
其中,bK为T个评估指标在第K个危险性等级下的综合隶属度分布图层;
综合隶属度分布图层的样本点i在危险性等级k具有对应的综合隶属度uik,(k=1,...,K)。
更进一步的,在步骤S4中,采用秩特征值对各个隶属度分布图层进行洪水危险性的级别区划,得到对应的风险区划图,过程如下:
针对于各个综合隶属度分布图层的样本点i,进行综合隶属度uik的归一化处理,得到样本点i在危险性等级k的相对隶属度u'ik,归一化计算公式如下:
根据相对隶属度获取样本点i的秩特征值Hi,计算公式如下:
采用自然断裂法确定最终危险性等级分类标准,得到各个最终危险性等级所对应的秩特征值范围;
根据隶属度分布图层的多个样本点的秩特征值确定出对应的最终危险性等级,以此构建得到研究区域的风险区划图。
更进一步的,在步骤S5中,针对于不同时期的研究区域,从气候变化和土地利用类型变化两个方面获取风险区划图的过程具体如下:
针对于不同时期下的研究区域,通过步骤S1得到不同时期下的各个评估指标空间分布图;
针对于不同时期下的各个评估指标的评估指标空间分布图,将与气候变化有关的评估指标空间分布图进行更换,其他评估指标空间分布图保持不变,重复步骤S2~S4,以此得到不同时期分别对应的风险区划图,将不同时期下的风险区划图进行比对,得出气候变化影响下的洪水灾害的时空演变规律;
针对于不同时期下的各个评估指标的评估指标空间分布图,将与土地利用类型变化有关的评估指标空间分布图进行更换,其他评估指标空间分布图保持不变,重复步骤S2~S4,以此得到不同时期分别对应的风险区划图,将不同时期下的风险区划图进行比对,得出土地利用类型变化影响下的洪水灾害的时空演变规律;
针对于不同时期下的各个评估指标的评估指标空间分布图,将与气候变化和土地利用类型变化有关的评估指标空间分布图进行更换,其他评估指标空间分布图保持不变,重复步骤S2~S4,以此得到不同时期分别对应的风险区划图,将不同时期下的风险区划图进行比对,得出气候变化和土地利用类型变化影响下的洪水灾害的时空演变规律。
更进一步的,与气候变化有关的评估指标包括最大一天降雨量M1DP和年平均暴雨天数AvSD;
与土地利用类型变化有关的评估指标包括径流系数RC;
数字高程模型DEM、坡度Slope、到河流的距离DTR和土壤类型ST在不同时期恒定不变。
本发明的第二目的通过下述技术方案实现:一种存储介质,存储有程序,所述程序被处理器执行时,实现本发明第一目的所述的洪水危险性的区划和时空演变规律的研究方法。
本发明的第三目的通过下述技术方案实现:一种计算设备,包括处理器以及用于存储处理器可执行程序的存储器,所述处理器执行存储器存储的程序时,实现本发明第一目的所述的洪水危险性的区划和时空演变规律的研究方法。
本发明相对于现有技术具有如下的优点及效果:
(1)本发明洪水危险性的区划和时空演变规律的研究方法,首先构建研究区域的大尺度区域洪水危险性评估指标体系;采用层次分析法求解各个评估指标的权重和利用云模型确定各个评估指标在K个危险性等级下的隶属度,并将相同危险性等级下的权重和隶属度进行加权求和,得到综合隶属度分布图层;采用秩特征值对综合隶属度分布图层进行区划,得到对应的风险区划图;针对于不同时期的研究区域,从气候变化和土地利用类型变化两个方面分别选取出相关的评估指标空间分布图,以此得到对应的风险区划图;最后将不同时期下的风险区划图进行比对,得出洪水灾害的时空演变规律。本发明方法综合考虑了洪水危险性评估过程中存在的不确定性与随机性特点,结合了层次分析法和云模型,构成定性与定量之间的映射,并利用最能反映危险性的秩特征值构建风险区划图,因此,洪水危险性评估结果直观可靠。并且,根据风险区划图所得出的洪水危险性时空演变规律可以为大尺度区域城市规划、水利工程建设和洪水灾害管理等提供参考意见,有利于制定有效的防洪减灾规划。
(2)本发明洪水危险性的区划和时空演变规律的研究方法中,根据灾害系统理论,遵循代表性、客观准确性、系统性、易获取与操作方便等原则,结合了研究区域的经济发展和自然环境特点,从致灾因子和孕灾环境两个方面选取出多个评价指标,以此建立起研究区域的大尺度区域洪水危险性评估指标体系,有利于提高洪水危险性区划的实践性和准确度,得到的洪水危险性时空演变规律更加真实和更能符合实际情况。
附图说明
图1是本发明洪水危险性的区划和时空演变规律的研究方法的流程图。
图2(a)~图2(j)是广东省在不同评估指标下的评估指标空间分布图。
图3(a)~图3(g)是广东省在不同评估指标和不同危险性等级下的正态云分布图。
图4(a)~图4(d)是广东省在2015年和1985年的洪水危险性区划图。
图5(a)~图5(c)是广东省在1985~2015年期间气候变化、土地利用类型变化及二者共同影响下的洪水危险性转化图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
实施例1
本实施例公开了一种洪水危险性的区划和时空演变规律的研究方法,如图1所示,包括如下步骤:
S1、构建研究区域的大尺度区域洪水危险性评估指标体系:针对于研究区域,从致灾因子和孕灾环境两个方面选取出多个评估指标,并获取各个评估指标的评估指标空间分布图。评估指标空间分布图为GIS图层。
在本实施例中,从致灾因子和孕灾环境两个方面选取出多个评估指标是基于灾害系统理论,遵循代表性、客观准确性、系统性、易获取与操作方便等原则,结合研究区的经济发展和自然环境特点。其中,从致灾因子方面选取出的评估指标包括:最大一天降雨量M1DP、年平均暴雨天数AvSD,暴雨具体是指降雨量大于50mm,最大一天降雨量M1DP和年平均暴雨天数AvSD用于反映降雨量的强度和持续时间,高强度长历时降雨会给城市排涝能力带来严峻挑战,增大洪水风险。
从孕灾环境方面选取出评估指标包括:数字高程模型DEM、坡度Slope、到河流的距离DTR、土壤类型ST和径流系数RC。
其中,当数字高程模型的高程越低,研究区域的洪水危险性越高;当坡度越缓,研究区域的洪水危险性越高;当到河流的距离越短,研究区域的洪水危险性越高。
土壤类型描述不同粒度的矿物颗粒在土壤中的相对比例,用于反映研究区域的不同土地利用类型下土壤的渗透能力,不同的相对比例被赋予对应的代码,如下表1所示。
表1
土壤类型 | 重粘土 | 粉质粘土 | 粘土 | 粉质粘壤土 | 粘壤土 | 淤泥 | 淤泥壤土 |
代码 | 1 | 2 | 3 | 4 | 5 | 6 | 7 |
土壤类型 | 沙壤土 | 壤土 | 砂粘壤土 | 砂壤土 | 壤砂 | 砂土 | |
代码 | 8 | 9 | 10 | 11 | 12 | 13 |
径流系数基于土地利用类型得出,具体如下表2所示。不同土地利用类型的下渗能力不同,当径流系数的数值越大,对应土地利用类型的土壤的下渗能力越弱。
表2
土地利用类型 | 森林 | 灌木丛 | 草地 | 农村居民点 | 稀疏植被 | 耕地 |
径流系数 | 0.15 | 0.18 | 0.3 | 0.45 | 0.45 | 0.6 |
土地利用类型 | 湿地 | 裸土地 | 建设用地 | 城镇用地 | 水体 | |
径流系数 | 0.5 | 0.7 | 0.55 | 0.85 | 1 |
S2、采用层次分析法求解各个评估指标的权重;
将洪水危险性划分为K个危险性等级,利用云模型确定出各个评估指标在K个危险性等级下的隶属度。
其中,采用层次分析法求解权重的过程如下:
步骤1、根据T个评估指标,将洪水危险性问题分解为多个层次和因素,构建得到层次结构,其中,因素为评估指标,中间层的因素从属于上一层因素或者对上一层因素有影响,同时又支配下一层的因素或者受到下一层因素的作用;
步骤2、将不同评估指标的重要程度进行两两比较,按两两比较的结果构造出判断矩阵,其中,采用1~9标度表示评估指标的相对重要性,具体如下:
apq=1表示当前中间层的因素p与因素q对上一层因素的重要性相同,apq为因素p相对于因素q的重要性;
apq=3表示元素p比元素q略重要;
apq=5表示元素p比元素q重要;
apq=7表示元素p比元素q重要得多;
apq=9表示元素p比元素q的极其重要;
apq=2n,n=1,2,3,4,表示元素p与q的重要性介于apq=2n-1与apq=2n+1之间;
apq=1/n,n=1,2,...,8,9,当且仅当aqp=n;其中,apq与aqp互成倒数,apq=1/n,表示元素p比元素q没那么重要;aqp=n,表示元素q比元素p重要;若apq=1/n,则相当于aqp=n,二者表达的含义是一致的。
如上过程将定量和定性进行结合,定性即是不同因素之间的相对重要性进行比较,定量即是采用了标度表示相对重要性,可以使评估指标清晰,具有良好的确定性。
步骤3、对判断矩阵进行一致性检验:
计算衡量判断矩阵的不一致程度指标CI和平均随机一致性指标RI,其中,CI计算公式为:
其中,λmax(A)为成对对比矩阵A的绝对值特征值,成对对比矩阵A=(apq)n×n;n为成对对比矩阵A的阶数。
RI可以通过查询表3得到,表3如下:
表3
n | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 |
RI | 0 | 0 | 0.58 | 0.90 | 1.12 | 1.24 | 1.32 | 1.41 | 1.45 |
计算不一致程度指标CI和平均随机一致性指标RI的比值,得到判断矩阵的随机一致性比率CR;
当CR<0.1时,则判定判断矩阵具有满意的一致性,或其不一致程度是可以接受的;
当CR≥0.1时,则调整判断矩阵,直到判断矩阵达到满意的一致性。
步骤4、当判断矩阵满足CR<0.1之后,求解出T个评估指标的权重W=[w1,w2,...,wT]。
其中,权重W向量采用规范列平均法计算得到,规范列平均法也可以称为和法,具体为:
针对于成对对比矩阵A的各个列向量,分别进行归一化;
将归一化后的列向量与对应的行向量进行求和以及归一化处理,最终得到的列向量的值即为相对权重。
在步骤S2中,将洪水危险性划分为K个危险性等级,利用云模型确定出各个评估指标在K个危险性等级下的隶属度。
云是用自然语言值表示的某个定性概念与其定量表示之间的不确定性转换模型。设U是一个用精确数值表示的论域,U对应定性概念A,对于论域中的任意一个元素x,都存在一个有稳定倾向的随机数y=μA(x),叫作x对A概念的确定程度,确定程度y在论域上的分布称为云模型,简称为云。云由许许多多云滴组成,每一个云滴就是这个定性概念映射到数域空间的一个点,即一次具体实现。这种实现带有不确定性,云模型同时给出这个点能够代表该定性概念的确定程度。云的数字特征用期望Ex、熵En和超熵He来表征,它们反映了定性概念的定量特性。Ex是数域空间中最能够代表这个定性概念的点,反映了云的重心位置。En一方面反映了在数域空间可被语言值接受的范围,即模糊度,是定性概念亦此亦彼性的度量;另一方面还反映了在数域空间的点能够代表这个语言值的概率,表示定性概念的云滴出现的随机性;熵揭示了模糊性和随机性的关联性。He是熵的不确定度量,即熵的熵,反映了在数域空间代表该语言值的所有点的不确定度的凝聚性,即云滴的凝聚度。因此,本实施例方法基于云模型,能够综合考虑到定量表述、评价结果等级判定间存在的不确定性,即模糊性和随机性两方面。
隶属度的确认过程具体如下:
步骤S21、针对于各个评估指标,采用自然断裂法确定危险性等级分类标准,得到各个评估指标对应K个危险性等级的划分范围;
步骤S22、针对于每个评估指标,在ArcGIS中利用Zonal空间分析工具进行统计分析,获取对应的期望Ex;
根据期望Ex查询云模型数字特征值的计算原则表,获取熵En和超熵He;计算原则表如下表4所示。
表4
Ex | En(正指标) | En(负指标) | He |
E<sub>X1</sub> | (E<sub>X2</sub>-E<sub>X1</sub>)/3 | (E<sub>X1</sub>-E<sub>X2</sub>)/3 | 0.1*En |
E<sub>X2</sub> | (E<sub>X3</sub>-E<sub>X2</sub>)/3 | (E<sub>X1</sub>-E<sub>X2</sub>)/3 | 0.1*En |
E<sub>X3</sub> | (E<sub>X4</sub>-E<sub>X3</sub>)/3 | (E<sub>X2</sub>-E<sub>X3</sub>)/3 | 0.1*En |
E<sub>X4</sub> | (E<sub>X5</sub>-E<sub>X4</sub>)/3 | (E<sub>X3</sub>-E<sub>X4</sub>)/3 | 0.1*En |
E<sub>X5</sub> | (E<sub>X5</sub>-E<sub>X4</sub>)/3 | (E<sub>X4</sub>-E<sub>X5</sub>)/3 | 0.1*En |
步骤S23、生成以En为期望值,He为均方差的一个正态分布随机数En'=NORM(En,He2),生成以Ex为期望值,En'为均方差的一个正态分布随机数x=NORM[Ex,(En')2],计算隶属度μ=exp[(x-Ex)/2(En')2];
步骤S24、重复步骤S23,得出K个危险性等级下的隶属度和K个云滴(x,μ),K个云滴构成云模型。
在本实施例中,由于云的生成算法称为云发生器,包括正向云发生器和逆向云发生器,因此可以采用正向云发生器,先向正向云发生器输入各个评估指标的数值,正向云发生器实现上述步骤S22~S24,就可以直接输出各个评估指标在不同危险性等级下的隶属度。
S3、将各个评估指标位于相同危险性等级下的权重和隶属度进行加权求和,得到K个危险性等级分别对应的综合隶属度分布图层,过程如下:
根据云模型构造T个评估指标在K个危险性等级下的隶属度矩阵R,具体为:
其中,r11为第1个评估指标在第1个危险性等级下的隶属度分布图层,以此类推,rTK为第T个评估指标在第K个危险性等级下的隶属度分布图层;隶属度分布图层是由若干个栅格构成,每个栅格都具有一个对应的隶属度μ。本实施例可以通过ArcGIS栅格计算器进行评估指标空间分布图的叠加计算,得到隶属度分布图层。
将隶属度矩阵R和权重W进行加权求和,计算得到综合隶属度B,具体如下:
其中,b1为T个评估指标在第1个危险性等级下的综合隶属度分布图层,以此类推,bK为T个评估指标在第K个危险性等级下的综合隶属度分布图层;
综合隶属度分布图层的样本点i在危险性等级k具有对应的综合隶属度uik,(k=1,...,K)。
S4、采用秩特征值对各个综合隶属度分布图层进行洪水危险性的级别区划,得到对应的风险区划图。由于直接选取隶属度最大的值作为最终的危险性等级容易导致失真,因此为提高评价精度,本实施例选取了秩特征值作为样本的最终危险性等级。级别区划的过程如下:
针对于各个综合隶属度分布图层的样本点i,进行综合隶属度uik的归一化处理,得到样本点i在危险性等级k的相对隶属度u'ik。样本点即是综合隶属度分布图层的栅格。
归一化计算公式如下:
根据相对隶属度获取样本点i的秩特征值Hi,计算公式如下:
采用自然断裂法确定最终危险性等级分类标准,得到各个最终危险性等级所对应的秩特征值范围;
根据隶属度分布图层的多个样本点的秩特征值确定出对应的最终危险性等级,以此构建得到研究区域的风险区划图。
S5、针对于不同时期的研究区域,从气候变化和土地利用类型变化两个方面分别选取出相关的评估指标空间分布图,通过如上步骤S2~S4得到对应的风险区划图。
与气候变化有关的评估指标包括最大一天降雨量M1DP和年平均暴雨天数AvSD。
与土地利用类型变化有关的评估指标包括径流系数RC。
数字高程模型DEM、坡度Slope、到河流的距离DTR和土壤类型ST在不同时期恒定不变。
针对于不同时期的研究区域,从气候变化和土地利用类型变化两个方面获取风险区划图的过程具体如下:
针对于不同时期下的研究区域,通过步骤S1得到不同时期下的各个评估指标空间分布图;
针对于不同时期下的各个评估指标的评估指标空间分布图,将与气候变化有关的评估指标空间分布图进行更换,其他评估指标空间分布图保持不变,重复步骤S2~S4,以此得到不同时期分别对应的风险区划图,将不同时期下的风险区划图进行比对,得出气候变化影响下的洪水灾害的时空演变规律;
针对于不同时期下的各个评估指标的评估指标空间分布图,将与土地利用类型变化有关的评估指标空间分布图进行更换,其他评估指标空间分布图保持不变,重复步骤S2~S4,以此得到不同时期分别对应的风险区划图,将不同时期下的风险区划图进行比对,得出土地利用类型变化影响下的洪水灾害的时空演变规律;
针对于不同时期下的各个评估指标的评估指标空间分布图,将与气候变化和土地利用类型变化有关的评估指标空间分布图进行更换,其他评估指标空间分布图保持不变,重复步骤S2~S4,以此得到不同时期分别对应的风险区划图,将不同时期下的风险区划图进行比对,得出气候变化和土地利用类型变化影响下的洪水灾害的时空演变规律。
在本实施例中,将广东省作为研究区域,选取1985年和2015年这两个年份作为研究的时期,选取了7个参数作为评估指标,分别为:1985、2015年两个年份的最大一天降雨量(M1DP)和年平均暴雨天数(>50mm,AvSD),数字高程模型(DEM),坡度(Slope),到河流的距离(DTR),土壤类型(ST)和1985、2015两个年份的径流系数(RC)。对最大一天降雨量(M1DP)和年平均暴雨天数(>50mm,AvSD)的研究,对1960年至1995年的降雨数据进行统计分析,代表1985年的降雨数据;对1986年至2017年的降雨数据进行统计分析,代表2015年的降雨数据,为保证研究的降雨数据达到30年,若某些年份的降雨数据缺失,则进行延展补充。
评估指标空间分布图具体可以参见图2(a)~图2(j),分别为1985年的年平均暴雨天数(AvSD1985)、2015年的年平均暴雨天数(AvSD2015)、1985的最大一天降雨量(M1DP1985)、2015年的最大一天降雨量(M1DP2015)、1985年的径流系数(RC1985)、2015年的径流系数(RC2015)、数字高程模型(DEM)、坡度(SLOPE)、到河流的距离(DTR)和土壤类型(ST)。其中,1985年和2015年的数字高程模型(DEM)、坡度(Slope)、到河流的距离(DTR)和土壤类型(ST)的评估指标空间分布图是相同的。
通过层次分析法求解出的各个评估指标的权重如下表5所示:
表5
指标 | M1DP | AvSD | DEM | Slope | DTR | Soiltype | RC |
权重 | 0.345 | 0.218 | 0.086 | 0.079 | 0.071 | 0.048 | 0.154 |
应用自然断裂法所确定的洪水危险性等级分为:最低、较低、中等、较高和最高,广东省洪水危险性等级分类标准具体可参见下表表6。
表6
评价指标 | 最低 | 较低 | 中等 | 较高 | 最高 |
M1DP(mm) | ≤107 | 107-131 | 131-158 | 158-195 | >195 |
AvSD(days) | ≤4.95 | 4.95-6.65 | 6.65-8.46 | 8.46-10.84 | >10.84 |
DEM(m) | ≤116 | 116-286 | 286-496 | 496-789 | >789 |
SLOPE(%) | ≤4.57 | 4.57-10.57 | 10.57-17.15 | 17.15-24.87 | >24.87 |
DTR(km) | ≤5.44 | 5.44-12.1 | 12.1-20.3 | 20.3-33.3 | >33.3 |
SOILTYPE | ≤2 | 2-3 | 3-4 | 4-7 | >7 |
RC | ≤0.18 | 0.18-0.3 | 0.3-0.5 | 0.5-0.7 | >0.7 |
在5个危险性等级下7个评估指标的云模型参数分别为期望Ex、熵En和超熵He,计算得到的具体数值可参见表7。广东省在不同评估指标和不同危险性等级下的正态云分布图具体可参见图3(a)~图3(g),分别为年平均暴雨天数(AvSD)、最大一天降雨量(M1DP)、数字高程模型(DEM)、坡度(SLOPE)、到河流的距离(DTR)、土壤类型(ST)和径流系数(RC)。其中,不同颜色深度(按照从浅到深的顺序)的散点分别代表最低、较低、中等、较高和最高洪水危险性等级。
表7
应用自然断裂法所确定的最终危险性等级的分级标准具体如下表表8所示。
表8
图4(a)为2015年的广东省洪水危险性区划图,图4(b)、图4(c)和图4(d)分别为气候变化、土地利用类型变化和二者共同影响下的广东省洪水危险性区划图,图4(d)即1985年的广东省洪水危险性区划图。
为了验证云模型的适用性和准确性,根据历史洪水事件对2015年的洪水危险性区划进行评估,在图4(a)中标示出珠三角区域的易涝点,其中,珠江流域的易涝点基本分布在最高危险性区和较高危险性区,可见,易涝点分布与危险性区划相一致。由其他参考文献可知,东江流域的高危险性区大多集中在龙岗、惠阳、惠东、博罗、龙门和东莞等地,广州和佛山市中心、深圳、清远南部、英德中心城区和粤东沿海区域基本都是“逢暴雨必涝”,与研究结果图4(a)基本相符,这表明应用层次分析法和云模型进行洪水危险性评估是可行的,结果准确可靠,能够运用该云模型研究气候和土地利用类型变化驱动下洪水危险性的时空演变规律。
为了研究洪水危险性时空演变规律,本实施例考虑了在气候变化、土地利用类型变化及二者的共同影响。其中,针对于气候变化的影响,将2015年的降雨数据(最大一天降雨量M1DP和年平均暴雨天数AvSD)替换成1985年的降雨数据,以便研究气候变化的影响,危险性区划见图4(b),演变规律见图5(a)。针对于土地利用类型变化的影响,将2015年的径流系数指标(RC)替换成1985年的径流系数指标,以便研究土地利用类型变化的影响,危险性区划见图4(c),演变规律见图5(b)。针对于气候变化和土地利用类型变化的影响,将2015年降雨数据和径流系数均替换成1985年的降雨数据和径流系数,以便研究二者的综合影响,危险性区划见图4(d),演变规律见图5(c)。
在图5(a)~图5(c)中,采用数字a和数字b组合而成的“ab”形式表示洪水危险性由a等级转化为b等级,其中1、2、3、4和5分别代表最低、较低、中等、较高和最高危险性级别,例如“12”代表该处由最低转化为较低危险性级别。由图5(a)~图5(c)可得,1985~2015年期间广东省洪水危险性的时空演变规律具体如下:
1、在气候变化影响下,各个地区洪水危险性的演变规律并不一致,但是整体上是增加的,尤其是对于城市化程度较高的地区,例如广州和深圳。
2、在土地利用类型变化影响下,洪水危险性受影响的区域较小,变化较明显的区域是深圳和河源东源地区。
3、深圳的高危险性区域比例明显增大,而河源东源地区则明显降低,这是因为深圳在改革开放后城市化进程加快,而东源部分地区在实行退耕还林,发展旅游业。与1985年相比,珠三角流域在2015年的城市化面积增大,但是洪水危险性增加的幅度较小,这是因为珠三角本身所处的地理位置就是洪水危险性高发区。
4、在气候和土地利用类型变化的叠加影响下,各地区的危险性演变规律愈发不一致,但各地区对二者响应的侧重程度不同,例如,湛江主要受气候变化影响,而东源主要受土地利用类型的影响。
因此,根据本实施例方法可以得到广东省洪水危险性的评估结果和时空演变规律,从而能够为相关部门对防洪资金的投入、分配和管理以及城市建设提供参考意见,有利于制定有效的防洪减灾规划。
实施例2
本实施例公开了一种存储介质,存储有程序,所述程序被处理器执行时,实现实施例1中所述的洪水危险性的区划和时空演变规律的研究方法,具体如下:
S1、构建研究区域的大尺度区域洪水危险性评估指标体系:针对于研究区域,从致灾因子和孕灾环境两个方面选取出多个评估指标,并获取各个评估指标的评估指标空间分布图;
S2、采用层次分析法求解各个评估指标的权重;
将洪水危险性划分为K个危险性等级,利用云模型确定出各个评估指标在K个危险性等级下的隶属度;
S3、将各个评估指标位于相同危险性等级下的权重和隶属度进行加权求和,得到K个危险性等级分别对应的综合隶属度分布图层;
S4、采用秩特征值对各个综合隶属度分布图层进行洪水危险性的级别区划,得到对应的风险区划图;
S5、针对于不同时期的研究区域,从气候变化和土地利用类型变化两个方面分别选取出相关的评估指标空间分布图,通过如上步骤S2~S4得到对应的风险区划图;
将不同时期下的风险区划图进行比对,得出洪水灾害的时空演变规律。
本实施例中的存储介质可以是磁盘、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、U盘、移动硬盘等介质。
实施例3
本实施例公开了一种计算设备,包括处理器以及用于存储处理器可执行程序的存储器,所述处理器执行存储器存储的程序时,实现实施例1中所述的洪水危险性的区划和时空演变规律的研究方法,具体如下:
S1、构建研究区域的大尺度区域洪水危险性评估指标体系:针对于研究区域,从致灾因子和孕灾环境两个方面选取出多个评估指标,并获取各个评估指标的评估指标空间分布图;
S2、采用层次分析法求解各个评估指标的权重;
将洪水危险性划分为K个危险性等级,利用云模型确定出各个评估指标在K个危险性等级下的隶属度;
S3、将各个评估指标位于相同危险性等级下的权重和隶属度进行加权求和,得到K个危险性等级分别对应的综合隶属度分布图层;
S4、采用秩特征值对各个综合隶属度分布图层进行洪水危险性的级别区划,得到对应的风险区划图;
S5、针对于不同时期的研究区域,从气候变化和土地利用类型变化两个方面分别选取出相关的评估指标空间分布图,通过如上步骤S2~S4得到对应的风险区划图;
将不同时期下的风险区划图进行比对,得出洪水灾害的时空演变规律。
本实施例中所述的计算设备可以是台式电脑、笔记本电脑、智能手机、PDA手持终端、平板电脑或其他具有处理器功能的终端设备。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (10)
1.一种洪水危险性的区划和时空演变规律的研究方法,其特征在于,包括如下步骤:
S1、构建研究区域的大尺度区域洪水危险性评估指标体系:针对于研究区域,从致灾因子和孕灾环境两个方面选取出多个评估指标,并获取各个评估指标的评估指标空间分布图;
S2、采用层次分析法求解各个评估指标的权重;
将洪水危险性划分为K个危险性等级,利用云模型确定出各个评估指标在K个危险性等级下的隶属度;
S3、将各个评估指标位于相同危险性等级下的权重和隶属度进行加权求和,得到K个危险性等级分别对应的综合隶属度分布图层;
S4、采用秩特征值对各个综合隶属度分布图层进行洪水危险性的级别区划,得到对应的风险区划图;
S5、针对于不同时期的研究区域,从气候变化和土地利用类型变化两个方面分别选取出相关的评估指标空间分布图,通过如上步骤S2~S4得到对应的风险区划图;
将不同时期下的风险区划图进行比对,得出洪水灾害的时空演变规律。
2.根据权利要求1所述的洪水危险性的区划和时空演变规律的研究方法,其特征在于,从致灾因子方面选取出的评估指标包括:最大一天降雨量M1DP、年平均暴雨天数AvSD,暴雨具体是指降雨量大于50mm,最大一天降雨量M1DP和年平均暴雨天数AvSD用于反映降雨量的强度和持续时间;
从孕灾环境方面选取出评估指标包括:数字高程模型DEM、坡度Slope、到河流的距离DTR、土壤类型ST和径流系数RC,
其中,当数字高程模型的高程越低,研究区域的洪水危险性越高;当坡度越缓,研究区域的洪水危险性越高;当到河流的距离越短,研究区域的洪水危险性越高;土壤类型用于反映研究区域的不同土地利用类型下土壤的渗透能力;当径流系数的数值越大,对应土地利用类型的土壤的下渗能力越弱。
3.根据权利要求2所述的洪水危险性的区划和时空演变规律的研究方法,其特征在于,在步骤S2中,采用层次分析法求解各个评估指标的权重,过程如下:
步骤1、根据T个评估指标,将洪水危险性问题分解为多个层次和因素,构建得到层次结构,其中,因素为评估指标,中间层的因素从属于上一层因素或者对上一层因素有影响,同时又支配下一层的因素或者受到下一层因素的作用;
步骤2、将不同评估指标的重要程度进行两两比较,按两两比较的结果构造出判断矩阵,其中,采用1~9标度表示评估指标的相对重要性,具体如下:
apq=1表示当前中间层的因素p与因素q对上一层因素的重要性相同,apq为因素p相对于因素q的重要性;
apq=3表示元素p比元素q略重要;
apq=5表示元素p比元素q重要;
apq=7表示元素p比元素q重要得多;
apq=9表示元素p比元素q的极其重要;
apq=2n,n=1,2,3,4,表示元素p与q的重要性介于apq=2n-1与apq=2n+1之间;
apq=1/n,n=1,2,...,8,9,当且仅当aqp=n;其中,apq与aqp互成倒数,apq=1/n,表示元素p比元素q没那么重要;aqp=n,表示元素q比元素p重要;若apq=1/n,则相当于aqp=n,二者表达的含义是一致的;
步骤3、对判断矩阵进行一致性检验:
计算衡量判断矩阵的不一致程度指标CI和平均随机一致性指标RI;
其中,RI通过查表得到;CI计算公式为:
在公式中,λmax(A)为成对对比矩阵A的绝对值特征值,成对对比矩阵A=(apq)n×n;n为成对对比矩阵A的阶数;
计算不一致程度指标CI和平均随机一致性指标RI的比值,得到判断矩阵的随机一致性比率CR;
当CR<0.1时,则判定判断矩阵具有满意的一致性,或其不一致程度是可以接受的;
当CR≥0.1时,则调整判断矩阵,直到判断矩阵达到满意的一致性;
步骤4、当判断矩阵满足CR<0.1之后,求解出T个评估指标的权重W=[w1,w2,...,wT];
其中,权重W的每个列向量采用规范列平均法计算得到,具体为:
针对于成对对比矩阵A的各个列向量,分别进行归一化;
将归一化后的列向量与对应的行向量进行求和以及归一化处理,最终得到的列向量的值即为相对权重。
4.根据权利要求3所述的洪水危险性的区划和时空演变规律的研究方法,其特征在于,在步骤S2中,将洪水危险性划分为K个危险性等级,利用云模型确定出各个评估指标在K个危险性等级下的隶属度,具体如下:
步骤S21、针对于各个评估指标,采用自然断裂法确定危险性等级分类标准,得到各个评估指标对应K个危险性等级的划分范围;
步骤S22、针对于每个评估指标,在ArcGIS中利用Zonal空间分析工具进行统计分析,获取对应的期望Ex;
根据期望Ex查询云模型数字特征值的计算原则表,获取熵En和超熵He;
步骤S23、生成以En为期望值,He为均方差的一个正态分布随机数En'=NORM(En,He2),生成以Ex为期望值,En'为均方差的一个正态分布随机数x=NORM[Ex,(En')2],计算隶属度μ=exp[(x-Ex)/2(En')2];
步骤S24、重复步骤S23,得出K个危险性等级下的隶属度和K个云滴(x,μ),K个云滴构成云模型。
7.根据权利要求6所述的洪水危险性的区划和时空演变规律的研究方法,其特征在于,在步骤S5中,针对于不同时期的研究区域,从气候变化和土地利用类型变化两个方面获取风险区划图的过程具体如下:
针对于不同时期下的研究区域,通过步骤S1得到不同时期下的各个评估指标空间分布图;
针对于不同时期下的各个评估指标的评估指标空间分布图,将与气候变化有关的评估指标空间分布图进行更换,其他评估指标空间分布图保持不变,重复步骤S2~S4,以此得到不同时期分别对应的风险区划图,将不同时期下的风险区划图进行比对,得出气候变化影响下的洪水灾害的时空演变规律;
针对于不同时期下的各个评估指标的评估指标空间分布图,将与土地利用类型变化有关的评估指标空间分布图进行更换,其他评估指标空间分布图保持不变,重复步骤S2~S4,以此得到不同时期分别对应的风险区划图,将不同时期下的风险区划图进行比对,得出土地利用类型变化影响下的洪水灾害的时空演变规律;
针对于不同时期下的各个评估指标的评估指标空间分布图,将与气候变化和土地利用类型变化有关的评估指标空间分布图进行更换,其他评估指标空间分布图保持不变,重复步骤S2~S4,以此得到不同时期分别对应的风险区划图,将不同时期下的风险区划图进行比对,得出气候变化和土地利用类型变化影响下的洪水灾害的时空演变规律。
8.根据权利要求7所述的洪水危险性的区划和时空演变规律的研究方法,其特征在于,与气候变化有关的评估指标包括最大一天降雨量M1DP和年平均暴雨天数AvSD;
与土地利用类型变化有关的评估指标包括径流系数RC;
数字高程模型DEM、坡度Slope、到河流的距离DTR和土壤类型ST在不同时期恒定不变。
9.一种存储介质,存储有程序,其特征在于,所述程序被处理器执行时,实现权利要求1至8中任一项所述的洪水危险性的区划和时空演变规律的研究方法。
10.一种计算设备,包括处理器以及用于存储处理器可执行程序的存储器,其特征在于,所述处理器执行存储器存储的程序时,实现权利要求1至8中任一项所述的洪水危险性的区划和时空演变规律的研究方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911170254.7A CN111008734A (zh) | 2019-11-26 | 2019-11-26 | 洪水危险性的区划和时空演变规律的研究方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911170254.7A CN111008734A (zh) | 2019-11-26 | 2019-11-26 | 洪水危险性的区划和时空演变规律的研究方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111008734A true CN111008734A (zh) | 2020-04-14 |
Family
ID=70112766
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911170254.7A Pending CN111008734A (zh) | 2019-11-26 | 2019-11-26 | 洪水危险性的区划和时空演变规律的研究方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111008734A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112288151A (zh) * | 2020-10-22 | 2021-01-29 | 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 |
CN112668830A (zh) * | 2020-11-20 | 2021-04-16 | 国网湖南省电力有限公司 | 一种变电站作业风险多层模糊评估方法 |
CN113656870A (zh) * | 2021-08-11 | 2021-11-16 | 上海河口海岸科学研究中心 | 一种确定河口人工疏浚航道考核水深最佳测量时段的方法 |
CN114091756A (zh) * | 2021-11-23 | 2022-02-25 | 国家海洋环境预报中心 | 一种基于泰森多边形的乡镇级海啸风险评估方法 |
CN117436708A (zh) * | 2023-12-20 | 2024-01-23 | 临沂市规划建筑设计研究院集团有限公司 | 国土空间规划风险评估方法 |
CN117709603A (zh) * | 2024-02-06 | 2024-03-15 | 珠江水利委员会珠江水利科学研究院 | 一种河口咸潮预警等级划分方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102722634A (zh) * | 2012-04-20 | 2012-10-10 | 湖南省防雷中心 | 一种区域雷电灾害风险评估方法 |
US20160145994A1 (en) * | 2014-11-20 | 2016-05-26 | Petrochina Company Limited | Evaluation Method and Evaluation Device for Water Breakthrough Risk of Production Wells in Aquifer Drive Gas Reservoirs |
CN108280553A (zh) * | 2018-02-24 | 2018-07-13 | 中山大学 | 基于gis-神经网络集成的山洪灾害风险区划及预测方法 |
-
2019
- 2019-11-26 CN CN201911170254.7A patent/CN111008734A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102722634A (zh) * | 2012-04-20 | 2012-10-10 | 湖南省防雷中心 | 一种区域雷电灾害风险评估方法 |
US20160145994A1 (en) * | 2014-11-20 | 2016-05-26 | Petrochina Company Limited | Evaluation Method and Evaluation Device for Water Breakthrough Risk of Production Wells in Aquifer Drive Gas Reservoirs |
CN108280553A (zh) * | 2018-02-24 | 2018-07-13 | 中山大学 | 基于gis-神经网络集成的山洪灾害风险区划及预测方法 |
Non-Patent Citations (4)
Title |
---|
敬双怡 等: "基于模糊综合评价法的大同市山洪灾害风险评价", 《水利水电技术(中英文)》 * |
田文凯: "正态云模型在洪水灾害风险评估中的应用", 《水利规划与设计》 * |
石晓静等: "基于云模型的安康市洪水灾害风险评价", 《江西农业学报》 * |
郭永芳: "安徽省洪涝灾害风险区划及成灾面积变化趋势分析", 《 中国农业气象》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112288151A (zh) * | 2020-10-22 | 2021-01-29 | 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 |
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 |
CN112668830A (zh) * | 2020-11-20 | 2021-04-16 | 国网湖南省电力有限公司 | 一种变电站作业风险多层模糊评估方法 |
CN113656870A (zh) * | 2021-08-11 | 2021-11-16 | 上海河口海岸科学研究中心 | 一种确定河口人工疏浚航道考核水深最佳测量时段的方法 |
CN114091756A (zh) * | 2021-11-23 | 2022-02-25 | 国家海洋环境预报中心 | 一种基于泰森多边形的乡镇级海啸风险评估方法 |
CN114091756B (zh) * | 2021-11-23 | 2022-07-05 | 国家海洋环境预报中心 | 一种基于泰森多边形的乡镇级海啸风险评估方法 |
CN117436708A (zh) * | 2023-12-20 | 2024-01-23 | 临沂市规划建筑设计研究院集团有限公司 | 国土空间规划风险评估方法 |
CN117709603A (zh) * | 2024-02-06 | 2024-03-15 | 珠江水利委员会珠江水利科学研究院 | 一种河口咸潮预警等级划分方法 |
CN117709603B (zh) * | 2024-02-06 | 2024-05-17 | 珠江水利委员会珠江水利科学研究院 | 一种河口咸潮预警等级划分方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111008734A (zh) | 洪水危险性的区划和时空演变规律的研究方法 | |
Darabi et al. | Urban flood risk mapping using the GARP and QUEST models: A comparative study of machine learning techniques | |
Xu et al. | Urban flooding risk assessment based on an integrated k-means cluster algorithm and improved entropy weight method in the region of Haikou, China | |
Nasrollahi et al. | Assessment of drought risk index using drought hazard and vulnerability indices | |
Song et al. | Differences in extremes and uncertainties in future runoff simulations using SWAT and LSTM for SSP scenarios | |
Theobald | Landscape patterns of exurban growth in the USA from 1980 to 2020 | |
Liao et al. | Urban sprawl scenario simulations based on cellular automata and ordered weighted averaging ecological constraints | |
Nourqolipour et al. | A GIS-based model to analyze the spatial and temporal development of oil palm land use in Kuala Langat district, Malaysia | |
Zhao et al. | Dynamic risk assessment model for flood disaster on a projection pursuit cluster and its application | |
CN114399204A (zh) | 一种城市内涝灾害风险评估方法 | |
CN113869689A (zh) | 一种基于遥感和地理信息系统的生态环境动态监测方法 | |
De Mello et al. | Interpolation methods for improving the RUSLE R-factor mapping in Brazil | |
CN109933901B (zh) | 一种生态系统服务价值最优化的mcr城市扩张模拟方法 | |
Emamgholizadeh et al. | Comparison of artificial neural networks, geographically weighted regression and Cokriging methods for predicting the spatial distribution of soil macronutrients (N, P, and K) | |
CN114723283A (zh) | 一种面向城市群的生态承载力遥感评估方法及装置 | |
Xiang et al. | Mapping potential wetlands by a new framework method using random forest algorithm and big Earth data: A case study in China's Yangtze River Basin | |
CN117807917B (zh) | 基于场次洪涝灾害的损失函数构建方法和系统 | |
Ebtehaj et al. | A comprehensive comparison of the fifth and sixth phases of the coupled model intercomparison project based on the Canadian earth system models in spatio-temporal variability of long-term flood susceptibility using remote sensing and flood frequency analysis | |
Xu et al. | A spatial simulation model for karst rocky desertification combining top‐down and bottom‐up approaches | |
Mokarram et al. | Comparison analytic network and analytical hierarchical process approaches with feature selection algorithm to predict groundwater quality | |
Wang et al. | Research on regional water environmental carrying capacity based on GIS and TOPSIS comprehensive evaluation model | |
Wang et al. | A fuzzy intelligent system for land consolidation–a case study in Shunde, China | |
Sangpradid | APPLICATION OF A MULTI-LAYER PERCEPTRON NEURAL NETWORK TO SIMULATE SPATIAL-TEMPORAL LAND USE AND LAND COVER CHANGE ANALYSIS BASED ON CELLULAR AUTOMATA IN BURIRAM PROVINCE, THAILAND. | |
Vafaei et al. | Simulating the expansion of built-up areas using the models of logistic regression, artificial neural network, and geo-mod in Marivan City, Iran | |
Maithani et al. | An artificial neural network based approach for modelling urban spatial growth |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200414 |