CN111291941A - 一种同震滑坡道路可通行性预测方法及其应用 - Google Patents

一种同震滑坡道路可通行性预测方法及其应用 Download PDF

Info

Publication number
CN111291941A
CN111291941A CN202010139363.9A CN202010139363A CN111291941A CN 111291941 A CN111291941 A CN 111291941A CN 202010139363 A CN202010139363 A CN 202010139363A CN 111291941 A CN111291941 A CN 111291941A
Authority
CN
China
Prior art keywords
landslide
road
road section
trafficability
attribute
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
Application number
CN202010139363.9A
Other languages
English (en)
Other versions
CN111291941B (zh
Inventor
戴雨芡
白仙富
聂高众
叶燎原
皇甫岗
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yunnan University YNU
Yunnan Normal University
Original Assignee
Yunnan Normal University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Yunnan Normal University filed Critical Yunnan Normal University
Priority to CN202010139363.9A priority Critical patent/CN111291941B/zh
Publication of CN111291941A publication Critical patent/CN111291941A/zh
Application granted granted Critical
Publication of CN111291941B publication Critical patent/CN111291941B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种同震滑坡造成道路中断与否的预测方法及其应用，该预测方法将公路网络上的道路划分为路段，然后考虑各路段可通行性和对应路段滑坡易滑性属性之间的关系，具体预测步骤包括：A.研究区公路路段矢量化空间线状数据生成；B.研究区路段两侧180米矢量化空间面状数据生成；C.研究区90米同震滑坡易滑性等级栅格空间数据生成；D.路段两侧180米范围内同震滑坡易滑性栅格数据象元统计；E.研究区路段同震滑坡易滑性属性赋值；F.路段可通行性分类预测建模。本发明对同震滑坡道路可通行性的评估从原来的风险等级的高低提升到具体的是否中断的定量评估，评估结果更加清晰、更实用、更好用。

Description

一种同震滑坡道路可通行性预测方法及其应用
技术领域
本发明属于同震滑坡危害领域，涉及一种基于路段为对象的地震滑坡道路可通行性预测方法，及其在震后应急指挥决策对区域同震滑坡道路可通行性的预测预报和震前地震滑坡灾害风险评估，具体是一种同震滑坡造成道路中断与否的预测方法及其应用。
背景技术
长期的理论研究与工作实践证明，震前有效的灾害风险评估和震后及时有效地开展应急救援是减少地震伤亡及减轻财产损失的有效途径。区域道路可通行性信息对震后应急救援决策和震前开展风险减轻进而最大限度地减少地震灾害损失有重要影响。道路可通行，救灾物资、救灾人员可以及时有效地到达灾区；相反，道路遭到破坏，延缓甚至阻断救援力量进入灾区，可能使本可通过及时救助生还的伤员失去救助的机会。地震时，影响道路可通行性的因素主要有两个方面，一是地震直接造成的桥梁、隧道垮塌对道路的影响，二是同震滑坡等次生灾害对道路的破坏和掩埋。对地震动直接造成桥梁破坏的快速评估研究起步早，相关研究成果可以或已经有效服务于当前同震道路可通行性评估。但是关于同震滑坡造成道路中断风险评估方面现在更多的还停留在遥感应急解译、现场报送、经验估计等初步阶段，尚无成熟的方法可用，远不能满足风险减轻和应急处置的时效要求。从实际看，在汶川地震中，由于通往汶川的主要公路被崩滑体堵塞的信息不能及时有效评估，导致救援的部队中途受阻。这种状况在2013年芦山Ms7.0级地震和2014年鲁甸Ms6.5级地震中再次上演，救援车辆进入重灾区时主要道路被滑坡体掩埋而无法通行，较为严重的是因应急评估无法准确提供同震滑坡道路可通行性信息而没有启动恰当的交通管制策略，导致救援车辆进入灾区的备选的道路又被急于逃生的各类车辆挤占。因此，无论是震前的灾害风险减轻还是震后的地震应急辅助决策对同震滑坡道路可通行性预测方法都有着迫切的现实需求。
同震滑坡造成道路中断与否，不仅与地震是否引发同震滑坡有关，更与道路在空间上是否穿过同震滑坡影响区域关系密切，是两者在空间上相互作用的结果呈现。当前的同滑坡易滑性评估方法可以给出灾区90米栅格的同滑坡易滑性等级分布情况，但还难以做出是否发生滑坡的高精度判断，因此不可能根据道路空间分布结合同震滑坡分布来进行道路可通行性的准确判断。也无法通过同震滑坡易滑性等级分布和道路分布的简单相加对同震滑坡道路可通行性进行有效预测预报。限于当前技术，无论是震前的风险预测还是震后的应急救援对道路可通行性的判断还停留在专家经验进行大致的定性估计，所以，满足不了当前防灾减灾救灾事业发展对高精度同震滑坡道路可通行性预测预报信息的服务需求。
发明内容
本发明的目的是针对现有技术的不足和防灾减灾救灾的迫切现实需求，提供一种针对地震风险减轻和震后应急救援辅助决策的同震滑坡道路可通行性预测方法及其应用。
为实现上述目的，本发明采取的技术方案为：一种同震滑坡道路可通行性预测方法其特征在于：该预测方法将公路网络上的道路划分为路段，然后考虑各路段可通行性和对应路段滑坡易滑性属性之间的关系，具体预测步骤如下：
A.研究区公路路段矢量化空间线状数据生成；对整个研究区地震发生之前的公路网络进行路段化处理，生成研究区矢量化空间线状路段数据，对生成的路段数据进行唯一性编码，即每个路段均有一个编码，路段不同，编码不同。处理后的道路网络由一个个路段组成，每个路段是一个相对独立的个体，是预测道路可通行性的基本单元。生成的路段为交通网络上相邻两个节点之间的交通线路，是公路网络上的基本要素之一。路段上两个节点之间的部分不与其他公路相交，因此车辆在路段上只能定向行驶且不能从路段上除两个端点之外的任何位置进入到其他公路或进入到道路网络上的其他节点，车辆也只能在节点处掉头行驶。路段两端的节点包括连接道路网络的城市、乡镇、村庄、匝道进出口、公路交叉口(含十字路口)、环岛、车站、其他公路起始点等。
B.研究区路段两侧180米矢量化面状数据生成；对步骤A中得到的每一个路段分别做其两侧180米范围的矢量化空间面状数据。矢量化面状数据生成后，将路段的编码赋值给对应的矢量化面状数据作为面状数据的唯一编码，这样，使得每一组面矢量数据和对应的路段的编码完全一致。
C.研究区90米同震滑坡易滑性等级栅格空间数据生成；利用现有技术完成研究区同震滑坡易滑性等级空间分布评估，生成整个研究区90米同震滑坡易滑性等级空间分布栅格数据。同震滑坡易滑性等级栅格数据的属性值对应着同震滑坡易滑性等级，属性值分别为1、2、3、4、5。属性值为1预示着滑坡易滑性极低，属性值为2预示着滑坡易滑性较低，属性值为3预示着滑坡易滑性中等，属性值为4预示着滑坡易滑性较高，属性值为5预示着滑坡易滑性极高。属性值越高，易滑性越高，发生滑坡的可能性越大，反之，属性值越低，易滑性越低，不发生滑坡的可能性越大。栅格数据的每个象元表示长＝宽＝90米的空间范围，象元值等于对应栅格的属性值，代表的就是该空间位置的同震滑坡易滑性等级。
D.路段两侧180米范围内同震滑坡易滑性栅格数据象元统计；针对步骤B得到的研究区路段两侧180米矢量化数据，统计各面状数据上的通过步骤C得到的同震滑坡易滑性栅格象元数。统计方式为计算落在各个路段两侧180米矢量化面状数据上和与矢量化面状数据边界相交的所有同震滑坡易滑性栅格数据各属性值的象元数量。统计结果为一组二维数据，其形式如下：
attribute I1 I2 I3 I4 I5
count A1 A2 A3 A4 A5
表中，attribute为同震滑坡易滑性栅格数据象元的属性值，I1表示同震滑坡易滑性栅格数据象元的属性值为1、I2表示同震滑坡易滑性栅格数据象元的属性值为2、I3表示同震滑坡易滑性栅格数据象元的属性值为3、I4表示同震滑坡易滑性栅格数据象元的属性值为4、I5表示同震滑坡易滑性栅格数据象元的属性值为5；count表示对应属性值的同震滑坡易滑性栅格数据象元数量，A1代表属性值为1的同震滑坡易滑性栅格数据象元数量、A2代表属性值为2的同震滑坡易滑性栅格数据象元数量、A3代表属性值为3的同震滑坡易滑性栅格数据象元数量、A4代表属性值为4的同震滑坡易滑性栅格数据象元数量、A5代表属性值为5的同震滑坡易滑性栅格数据象元数量。在实际的属性表中，A1、A2、A3、A4、A5均为一些非负的整数型数值。
E.研究区路段同震滑坡易滑性属性赋值；根据编码的唯一性属性，将步骤D得到的各路段两侧180米矢量化面状数据的同震滑坡易滑性栅格数据象元统计结果赋值给对应的具有相同编码的路段作为该路段的同震滑坡易滑性属性，通过该步骤，使得研究区所有路段具有同震滑坡易滑性属性。赋值后任意一条路段的属性信息都包含有同震滑坡易滑性属性信息，赋值后的路段属性表示意如下：
FID ID name I_1 I_2 I_3 I_4 I_5
0
……
i-1
i 530621000000 zhaoqiao A<sub>i1</sub>_I<sub>i1</sub> A<sub>i2</sub>_I<sub>i2</sub> A<sub>i3</sub>_I<sub>i3</sub> A<sub>i4</sub>_I<sub>i4</sub> A<sub>i5</sub>_I<sub>i5</sub>
I+1
……
表中，FID表示字段的机器自动编码，一般从0开始，比如，i表示第i条路段的机器自动编码为i；ID表示路段的唯一编码，比如表中“530621000000”表示第i条路段的唯一编码为“530621000000”；name为路段的名称，比如，表中“zhaoqiao”表示第i条路段的名称为“zhaoqiao”道路；I_1表示同震滑坡易滑性属性为1字段名，该字段对应的值为通过ID关联后路段两侧180米矢量化面状数据赋值的属性为1的象元数，比如表中第i条路段两侧180米矢量化面状数据上同震滑坡易滑性属性值为1的象元数是“Ai1_Ii1”；I_2表示同震滑坡易滑性属性为2的字段名，该字段对应的值为该路段两侧180米矢量化面状数据赋值的同震滑坡易滑性属性为2的象元数，比如表中第i条路段两侧180米矢量化面状数据上同震滑坡易滑性属性值为2的象元数是“Ai2_Ii2”；I_3表示同震滑坡易滑性属性为3字段名，该字段对应的值为该路段两侧180米矢量化面状数据赋值的同震滑坡易滑性属性为3的象元数，比如表中第i条路段两侧180米矢量化面状数据上同震滑坡易滑性属性值为3的象元数是“Ai3_Ii3”；I_4表示同震滑坡易滑性属性为4的字段名，该字段对应的值为该路段两侧180米矢量化面状数据赋值的同震滑坡易滑性属性为4的象元数，比如表中第i条路段两侧180米矢量化面状数据上同震滑坡易滑性属性值为4的象元数是“Ai4_Ii4”；I_5表示同震滑坡易滑性属性为5的字段名，该字段对应的值为该路段两侧180米矢量化面状数据赋值的同震滑坡易滑性属性为5的象元数，比如表中第i条路段两侧180米矢量化面状数据上同震滑坡易滑性属性值为5的象元数是“Ai5_Ii5”。在实际的属性表中，Ai1_Ii1、Ai2_Ii2、Ai3_Ii3、Ai4_Ii4、Ai5_Ii5均为一些非负的整数型数值。
F.路段可通行性分类预测建模；根据步骤E得到的路段同震滑坡易滑性属性数据，通过模型Si对道路可通行性进行分类预测。同震滑坡道路可通行性预测为不可通行类的路段表示道路被同震滑坡阻塞或冲毁而造成车辆无法通行，可通行性赋值为“0”，同震滑坡道路可通行性预测为可通行类的路段表示道路未被同震滑坡阻塞或冲毁而中断，车辆可以继续通行，可通行性赋值为“1”。Si的取值则由Yi决定，Yi则由步骤E得到的路段的同震滑坡易滑性属性决定，预测模型如下：
Figure BDA0002398506710000041
式中，step(n,n∈(1,2,3,4,5,6))表示预测步骤，意为对目标区域范围内所有路段的同震滑坡可通行性的预测是分步骤进行的，共分为六个步骤，分别是第一个步骤、第二个步骤、第三个步骤、第四个步骤、第五个步骤、第六个步骤，且步骤是不可逆和不可跳转的，只能严格顺次进行。
式中，Si表示第i条路段的同震滑坡可通行性分类，Si根据路段可通行性属性值分为两类，即可通行类和不可通行类。当路段可通行性属性值为“0”时Si的取值为Yi(0)，意味着路段i被同震崩滑体掩埋或冲毁，因路段中断车辆无法通行，路段i属于不可通行类道路；当路段可通行性属性值为“1”时Si的取值为Yi(1)，这意味着路段i未被同震崩滑体掩埋或冲毁，因路段畅通车辆可以通行，路段i属于可通行类道路。
式中，Yi表示路段可通行性属性值，其取值通过路段i的滑坡属性进行计算。Ai1_Ii1表示通过步骤E得到的路段i的滑坡易滑性属性为“1”对应的数值；Ai2_Ii2表示通过步骤E得到的路段i的滑坡易滑性属性为“2”对应的数值；Ai3_Ii3表示通过步骤E得到的路段i的滑坡易滑性属性为“3”对应的数值；Ai4_Ii4表示通过步骤E得到的路段i的滑坡易滑性属性为“4”对应的数值；Ai5_Ii5表示通过步骤E得到的路段i的滑坡易滑性属性为“5”对应的数值。
进一步的，根据步骤E得到的路段同震滑坡易滑性属性数据和步骤F的模型，则有：
Figure BDA0002398506710000051
式中，step(1)表示预测步骤，意为对目标区域范围内所有路段的同震滑坡可通行性的预测是分步骤进行的，此为预测的第一个步骤。
式中，si＝{Yi(1)}表示si的取值为Yi(1)，意为第i条路段的同震滑坡可通行性分类为可通行类道路，道路畅通车辆可以通行。
式中，Yi＝(Ai1_Ii1,Ai2_Ii2,Ai3_Ii3≤1,Ai4_Ii4＝0,Ai5_Ii5＝0)＝Yi(1)表示路段i可通行性属性值为“1”的条件，即通过步骤E获得的路段i的同震滑坡易滑性属性为Ai5_Ii5＝0且Ai4_Ii4＝0且Ai3_Ii3≤1时，路段i的可通行性属性值为“1”，路段i为可通行道路。
其余路段的可通行性预测进入第二个步骤。
进一步的，针对第一个步骤条件之外的路段，根据步骤E得到的路段同震滑坡易滑性属性数据和步骤F的模型，则有：
Figure BDA0002398506710000052
式中，step(2)表示预测步骤，意为对目标区域范围内所有路段的同震滑坡可通行性的预测是分步骤进行的，此为预测的第二个步骤。
si＝{Yi(0)}表示si的取值为Yi(0)，意为第i条路段的同震滑坡可通行性分类为不可通行类道路，道路被滑坡阻塞或冲毁而中断，车辆不可以通行。
式中，Yi＝(Yi1_Ii1,Yi2_Ii2,Yi3_Ii3,Yi4_Ii4,Yi5_Ii5≥1)＝Yi(0)表示路段i可通行性属性值为“0”的条件，即针对2之外的路段，通过步骤E获得的路段i的同震滑坡属性为Ai5_Ii5≥1时，路段i的可通行性属性值为“0”，路段i为不可通行道路。
其余路段的可通行性预测进入第三个步骤。
进一步的，针对第一、二个步骤条件之外的路段，根据步骤E得到的路段同震滑坡易滑性属性数据和步骤F的模型，则有：
Figure BDA0002398506710000061
式中，step(3)表示预测步骤，意为对目标区域范围内所有路段的同震滑坡可通行性的预测是分步骤进行的，此为预测的第三个步骤。
式中，si＝{Yi(0)}表示si的取值为Yi(0)，意为第i条路段的同震滑坡可通行性分类为不可通行类道路，道路被滑坡阻塞或冲毁而中断，车辆不可以通行。
式中，Yi＝(Yi1_Ii1,Yi2_Ii2,Yi3_Ii3＞4,Yi4_Ii4≥7,Yi5_Ii5＝0)＝Yi(0)表示路段i可通行性属性值为“0”的条件，即针对2～3之外的路段，通过步骤E获得的路段i的同震滑坡属性为Yi5_Ii5＝0且Yi4_Ii4≥7且Yi3_Ii3＞4时，路段i的可通行性属性值为“0”，路段i为不可通行道路。
其余路段的可通行性预测进入第四个步骤。
进一步的，针对第一、二、三个步骤条件之外的路段，根据步骤E得到的路段同震滑坡易滑性属性数据和步骤F的模型，则有：
Figure BDA0002398506710000062
式中，step(4)表示预测步骤，意为对目标区域范围内所有路段的同震滑坡可通行性的预测是分步骤进行的，此为预测的第四个步骤。
式中，si＝{Yi(0)}表示si的取值为Yi(0)，意为第i条路段的同震滑坡可通行性分类为不可通行类道路，道路被滑坡阻塞或冲毁而中断，车辆不可以通行。
式中，Yi＝(Yi1_Ii1,Yi2_Ii2,Yi3_Ii3≥14,3≤Yi4_Ii4≤6,Yi5_Ii5＝0)＝Yi(0)表示路段i可通行性属性值为“0”的条件，即针对2～4之外的路段，通过步骤E获得的路段i的同震滑坡属性为Yi5_Ii5＝0且3≤Yi4_Ii4≤6且Yi3_Ii3≥14时，路段i的可通行性属性值为“0”，路段i为不可通行道路。
其余路段的可通行性预测进入第五个步骤。
进一步的，针对第一、二、三、四个步骤条件之外的路段，根据步骤E得到的路段同震滑坡易滑性属性数据和步骤F的模型，则有：
Figure BDA0002398506710000063
式中，step(5)表示预测步骤，意为对目标区域范围内所有路段的同震滑坡可通行性的预测是分步骤进行的，此为预测的第五个步骤。
式中，si＝{Yi(0)}表示si的取值为Yi(0)，意为第i条路段的同震滑坡可通行性分类为不可通行类道路，道路被滑坡阻塞或冲毁而中断，车辆不可以通行。
式中，Yi＝(Yi1_Ii1,Yi2_Ii2≥103,Yi3_Ii3＜14,3≤Yi4_Ii4≤6,Yi5_Ii5＝0)＝Yi(0)表示路段i可通行性属性值为“0”的条件，即针对2～5之外的路段，通过步骤E获得的路段i的同震滑坡属性为Yi5_Ii5＝0且3≤Yi4_Ii4≤6且Yi3_Ii3＜14且Yi2_Ii2≥103时，路段i的可通行性属性值为“0”，路段i为不可通行道路。
其余路段的可通行性预测进入第六个步骤。
进一步的，针对第一、二、三、四、五个步骤条件之外的路段，根据步骤E得到的路段同震滑坡易滑性属性数据和步骤F的模型，则有：
Figure BDA0002398506710000071
式中，step(6)表示预测步骤，意为对目标区域范围内所有路段的同震滑坡可通行性的预测是分步骤进行的，此为预测的第六个步骤。
式中，si＝{Yi(1)}表示si的取值为Yi(1)，意为第i条路段的同震滑坡可通行性分类为可通行类道路，道路畅通车辆可以通行。
式中，Yi＝(Yi1_Ii1,Yi2_Ii2≥103,Yi3_Ii3＜14,3≤Yi4_Ii4≤6,Yi5_Ii5＝0)＝Yi(0)表示路段i可通行性属性值为“1”的条件，即针对2～6之外的路段，路段i的可通行性属性值均为“1”，路段i为可通行道路。
至此，完成所有路段的道路可通行性预测。
针对上述同震滑坡道路可通行性预测方法的应用，该预测方法适用于为减轻灾害风险而开展的震前地震灾害损失风险评估(含但不限于损失预评估)和为震后应急救援拟定合理的交通管制、救援路线选择而进行的地震应急救援辅助决策各类评估(含但不限于快速评估)对同震滑坡道路可通行性预测预报的需要。
与现有技术相比，本发明的有益效果是：将传统的地震滑坡危险性的评估提升到滑坡影响对象——道路的危害性评估，扩展了同震滑坡道路风险评估的范畴；对同震道路可通行性评估的对象从原来的路网或整体道路的评估提升到更为具体的路段的评估，评估的对象更加合理；对同震滑坡道路可通行性的评估从原来的风险等级的高低提升到具体的是否中断的定量评估，评估结果更加清晰、更实用、更好用。
附图说明
图1是路段示意图。
图2是匝道出入口路段划分示意图。
图3是公路交叉口和环岛路段划分示意图；其中：(A)为交叉口划分，(B)为环岛划分。
图4是其他类型公路起始点路段划分示意图。
图5是路段两侧180米矢量化面状空间数据示意图。
图6是地震滑坡滑动距离分布排列图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
如图1至6所示，本实施例提供了一种同震滑坡道路可通行性预测方法，其中同震滑坡道路可通行性是指由地震当时引发的崩滑体造成道路中断与否的特征，同震滑坡未造成道路中断，道路可通行性表征为可通行；同震滑坡造成道路中断，道路可通行性表征为不可通行。具体如下：
一种同震滑坡道路可通行性预测方法，通过研究区(待预测区域)道路交通网络上每个路段两侧180米范围内的90米同震滑坡易滑性栅格数据的各属性值栅格象元数量统计结果，用预测模型对区域内相应路段的可通行性进行计算，评估出道路可通行或不可通行。首先对研究区的道路交通网上的道路进行路段划分，生成路段矢量化空间数据，并对路段进行唯一编码，将路段作为预测对象的基本单元。在此基础上制作路段两侧180米的面状空间矢量数据，每个面状空间矢量数据的编码与对应路段的编码一致。再利用现有技术建立整个研究区90米同震滑坡易滑性栅格空间数据，统计每个路段两侧180米的面状空间上90米同震滑坡易滑性栅格空间数据各属性值的象元数量，将统计结果赋值给对应路段作为路段的同震滑坡易滑性属性。将同震滑坡路段可通行性分为可通行和不可通行两类，从研究路段同震滑坡易滑性属性和可通行性属性的关系入手，建立路段同震滑坡可通行性分类预测预报模型，通过分步骤预测方法，完成对研究区所有路段同震滑坡可通行性的预测预报。
同震滑坡造成道路中断可能性的大小，不仅与道路两侧滑坡易发性有关，而且与道路本身长度也有关系。总体而言，越是经过同震滑坡易发性较高区域的道路，因同震滑坡中断的可能性越大，道路可通行性越有可能为不可通行；越是经过同震滑坡易发性较低区域的道路，因同震滑坡中断的可能性越小，道路可通行性越有可能是可通行。所述同震滑坡道路可通行性是指由地震当时引发的崩滑体造成道路中断与否的特征，同震滑坡未造成道路中断，道路可通行性表征为可通行；同震滑坡造成道路中断，道路可通行性表征为不可通行。其可通行性是道路和区域同震滑坡易滑性空间分布及其二者的耦合关系。具体而言，所述同震滑坡道路可通行性预测方法步骤如下：
1.研究区公路路段矢量化空间线状数据生成；对整个研究区地震发生之前的公路网络进行路段化处理，生成研究区矢量化空间线状路段数据，对生成的路段数据进行唯一性编码，即每个路段均有一个编码，路段不同，编码不同。处理后的道路网络由一个个路段组成，每个路段是一个相对独立的个体，是预测道路可通行性的基本单元。生成的路段为交通网络上相邻两个节点之间的交通线路，是公路网络上的基本要素之一。路段上两个节点之间的部分不与其他公路相交，因此车辆在路段上只能定向行驶且不能从路段上除两个端点之外的任何位置进入到其他公路或进入到道路网络上的其他节点，车辆也只能在节点处掉头行驶。路段两端的节点包括连接道路网络的城市、乡镇、村庄、匝道进出口、公路交叉口(含十字路口)、环岛、车站、其他公路起始点等。表示公路各组成部分示意图如1至4所示。
2.研究区路段两侧180米矢量化面状空间数据生成；对步骤1中得到的每一个路段分别做其两侧180米范围的矢量化面状空间数据。矢量化面状数据生成后，将路段的编码赋值给对应的矢量化面状数据作为面状数据的唯一编码，这样，使得每一组面矢量数据和面矢量数据对应的路段的编码完全一致。生成的路段两侧180米矢量化面状空间数据示意图如图5所示。
选择180米为路段两侧矢量化面状空间数据生成的距离是根据实际案例的研究确定的。对5928个同震滑坡滑动的投影距离进行量算(图6)，最小值值为0米，最大值为1201米，平均值为70.6，5242个同震滑坡滑动的投影距离小于180米，占样本总数的88.43％。将同震滑坡样本数据的投影距离按去除重复项后进行平均值计算，平均值为108.8，考虑所使用的滑坡易滑性栅格象元分辨率为90米，180米的范围能从总体上框柱滑坡体的影响范围，遂选择180米为路段两侧矢量化面状空间数据生成的距离。
3.研究区90米同震滑坡易滑性等级栅格空间数据生成；利用现有技术完成研究区同震滑坡易滑性等级空间分布评估，生成整个研究区90米同震滑坡易滑性等级空间分布栅格数据。同震滑坡易滑性等级栅格数据的属性值对应着同震滑坡易滑性等级，属性值分别为1、2、3、4、5。属性值为1预示着滑坡易滑性极低，属性值为2预示着滑坡易滑性较低，属性值为3预示着滑坡易滑性中等，属性值为4预示着滑坡易滑性较高，属性值为5预示着滑坡易滑性极高。属性值越高，易滑性越高，发生滑坡的可能性越大，反之，属性值越低，易滑性越低，不发生滑坡的可能性越大。栅格数据的每个象元表示长＝宽＝90米的空间范围，象元值等于对应栅格的属性值，代表的就是该空间位置的同震滑坡易滑性等级。
4.路段两侧180米范围内同震滑坡易滑性栅格数据象元统计；针对步骤2得到的研究区路段两侧180米矢量化数据，统计各面状数据上的通过步骤3得到的同震滑坡易滑性栅格象元数。统计方式为计算落在各个路段两侧180米矢量化面状数据上和与矢量化面状数据边界相交的所有同震滑坡易滑性栅格数据各属性值的象元数量。统计结果为一组二维数据，其形式如下：
attribute I1 I2 I3 I4 I5
count A1 A2 A3 A4 A5
表中，attribute为同震滑坡易滑性栅格数据象元的属性值，I1表示同震滑坡易滑性栅格数据象元的属性值为1、I2表示同震滑坡易滑性栅格数据象元的属性值为2、I3表示同震滑坡易滑性栅格数据象元的属性值为3、I4表示同震滑坡易滑性栅格数据象元的属性值为4、I5表示同震滑坡易滑性栅格数据象元的属性值为5；count表示对应属性值的同震滑坡易滑性栅格数据象元数量，A1代表属性值为1的同震滑坡易滑性栅格数据象元数量、A2代表属性值为2的同震滑坡易滑性栅格数据象元数量、A3代表属性值为3的同震滑坡易滑性栅格数据象元数量、A4代表属性值为4的同震滑坡易滑性栅格数据象元数量、A5代表属性值为5的同震滑坡易滑性栅格数据象元数量。在实际的属性表中，A1、A2、A3、A4、A5均为一些非负的整数型数值。
5.研究区路段同震滑坡易滑性属性赋值；根据编码的唯一性属性，将步骤4得到的各路段两侧180米矢量化面状数据的同震滑坡易滑性栅格数据象元统计结果赋值给对应的具有相同编码的路段作为该路段的同震滑坡易滑性属性，通过该步骤，使得研究区所有路段具有同震滑坡易滑性属性。赋值后任意一条路段的属性信息都包含有同震滑坡易滑性属性信息，赋值后的路段属性表示意如下：
FID ID name I_1 I_2 I_3 I_4 I_5
0
……
i-1
i 530621000000 zhaoqiao A<sub>i1</sub>_I<sub>i1</sub> A<sub>i2</sub>_I<sub>i2</sub> A<sub>i3</sub>_I<sub>i3</sub> A<sub>i4</sub>_I<sub>i4</sub> A<sub>i5</sub>_I<sub>i5</sub>
I+1
……
表中，FID表示字段的机器自动编码，通常从0开始，比如，i表示第i条路段的机器自动编码为i；ID表示路段的唯一编码，比如表中“530621000000”表示第i条路段的唯一编码为“530621000000”；name为路段的名称，比如，表中“zhaoqiao”表示第i条路段的名称为“zhaoqiao”道路；I_1表示同震滑坡易滑性属性为1字段名，该字段对应的值为通过ID关联后路段两侧180米矢量化面状数据赋值的属性为1的象元数，比如表中第i条路段两侧180米矢量化面状数据上同震滑坡易滑性属性值为1的象元数是“Ai1_Ii1”；I_2表示同震滑坡易滑性属性为2的字段名，该字段对应的值为该路段两侧180米矢量化面状数据赋值的同震滑坡易滑性属性为2的象元数，比如表中第i条路段两侧180米矢量化面状数据上同震滑坡易滑性属性值为2的象元数是“Ai2_Ii2”；I_3表示同震滑坡易滑性属性为3字段名，该字段对应的值为该路段两侧180米矢量化面状数据赋值的同震滑坡易滑性属性为3的象元数，比如表中第i条路段两侧180米矢量化面状数据上同震滑坡易滑性属性值为3的象元数是“Ai3_Ii3”；I_4表示同震滑坡易滑性属性为4的字段名，该字段对应的值为该路段两侧180米矢量化面状数据赋值的同震滑坡易滑性属性为4的象元数，比如表中第i条路段两侧180米矢量化面状数据上同震滑坡易滑性属性值为4的象元数是“Ai4_Ii4”；I_5表示同震滑坡易滑性属性为5的字段名，该字段对应的值为该路段两侧180米矢量化面状数据赋值的同震滑坡易滑性属性为5的象元数，比如表中第i条路段两侧180米矢量化面状数据上同震滑坡易滑性属性值为5的象元数是“Ai5_Ii5”。在实际的属性表中，Ai1_Ii1、Ai2_Ii2、Ai3_Ii3、Ai4_Ii4、Ai5_Ii5均为一些非负的整数型数值。
本发明随机选取我国四川和云南两个省区2008年以来遭遇过地震区域的1137条路段，通过实地调查得到这1137条路段同震滑坡造成的道路可通行性；再以地震系统现场调查公布的烈度作为参数通过步骤1～5的方法得到1137条路段遭遇地震时的同震滑坡易滑性属性赋值。各路段的同震滑坡易滑性属性赋值和实际同震滑坡可通行性如下表：
案例路段的同震滑坡易滑性属性赋值和实际可通行性表
Figure BDA0002398506710000111
Figure BDA0002398506710000121
Figure BDA0002398506710000131
Figure BDA0002398506710000141
Figure BDA0002398506710000151
上表中，限于篇幅，删除了ID编码和name字段。表中NO表示路段的顺序，相当于FID，I_1表示同震滑坡易滑性属性为1字段名，该字段对应的值为通过ID关联后路段两侧180米矢量化面状数据赋值的属性为1的象元数，比如表中第NO为212的路段I_1对应的值为“35”表示该路段两侧180米矢量化面状数据上同震滑坡易滑性属性值为1的象元数是“35”；I_2表示同震滑坡易滑性属性为2字段名，该字段对应的值为通过ID关联后路段两侧180米矢量化面状数据赋值的属性为2的象元数，比如表中第NO为212的路段I_2对应的值为“58”表示该路段两侧180米矢量化面状数据上同震滑坡易滑性属性值为1的象元数是“58”；I_3表示同震滑坡易滑性属性为3字段名，该字段对应的值为通过ID关联后路段两侧180米矢量化面状数据赋值的属性为3的象元数，比如表中第NO为212的路段I_3对应的值为“25”表示该路段两侧180米矢量化面状数据上同震滑坡易滑性属性值为1的象元数是“25”；I_4表示同震滑坡易滑性属性为4字段名，该字段对应的值为通过ID关联后路段两侧180米矢量化面状数据赋值的属性为4的象元数，比如表中第NO为212的路段I_4对应的值为“57”表示该路段两侧180米矢量化面状数据上同震滑坡易滑性属性值为1的象元数是“57”；I_5表示同震滑坡易滑性属性为5字段名，该字段对应的值为通过ID关联后路段两侧180米矢量化面状数据赋值的属性为5的象元数，比如表中第NO为212的路段I_5对应的值为“70”表示该路段两侧180米矢量化面状数据上同震滑坡易滑性属性值为1的象元数是“70”。TR为路段实际可通行性字段，对应表格中“0”表示该路段被同震滑坡阻塞或冲毁而中断，车辆不可以通行，路段可通行性分类为不可通行类路段；对应表格中“1”表示该路段没有被同震滑坡阻塞或冲毁，车辆可以通行，路段可通行性分类为可通行类路段。比如，表中第NO为212的路段TR对应的值为“0”，表示该条路段在地震时被同震滑坡阻塞或冲毁而中断，车辆不可以通行，路段可通行性分类为不可通行类路段。
6.路段可通行性分类预测建模；根据步骤5得到的路段同震滑坡易滑性属性数据，通过模型Si对道路可通行性进行分类预测，同震滑坡道路可通行性预测为不可通行类的路段表示道路被同震滑坡阻塞或冲毁而造成车辆无法通行，可通行性赋值为“0”，同震滑坡道路可通行性预测为可通行类的路段表示道路未被同震滑坡阻塞或冲毁而中断，车辆可以继续通行，可通行性赋值为“1”。Si的取值则由Yi决定，Yi则由步骤5得到的路段的同震滑坡易滑性属性决定，预测模型如下：
Figure BDA0002398506710000161
式中，step(n,n∈(1,2,3,4,5,6))表示预测步骤，意为对目标区域范围内所有路段的同震滑坡可通行性的预测是分步骤进行的，共分为六个步骤，分别是第一个步骤、第二个步骤、第三个步骤、第四个步骤、第五个步骤、第六个步骤，且步骤是不可逆和不可跳转的，只能严格顺次进行。
式中，Si表示第i条路段的同震滑坡可通行性分类，Si根据路段可通行性属性值分为两类，即可通行类和不可通行类。当路段可通行性属性值为“0”时Si的取值为Yi(0)，意味着路段i被同震崩滑体掩埋或冲毁，因路段中断车辆无法通行，路段i属于不可通行类道路；当路段可通行性属性值为“1”时Si的取值为Yi(1)，这意味着路段i未被同震崩滑体掩埋或冲毁，因路段畅通车辆可以通行，路段i属于可通行类道路。
式中，Yi表示路段可通行性属性值，其取值通过路段i的滑坡属性进行计算。Ai1_Ii1表示通过步骤E得到的路段i的滑坡易滑性属性为“1”对应的数值；Ai2_Ii2表示通过步骤E得到的路段i的滑坡易滑性属性为“2”对应的数值；Ai3_Ii3表示通过步骤5得到的路段i的滑坡易滑性属性为“3”对应的数值；Ai4_Ii4表示通过步骤E得到的路段i的滑坡易滑性属性为“4”对应的数值；Ai5_Ii5表示通过步骤5得到的路段i的滑坡易滑性属性为“5”对应的数值。
其中，对步骤6的进一步细分如下：
6(1).根据步骤5得到的路段同震滑坡易滑性属性数据，则有：
Figure BDA0002398506710000171
式中，step(1)表示预测步骤，意为对目标区域范围内所有路段的同震滑坡可通行性的预测是分步骤进行的，此为预测的第一个步骤。
式中，si＝{Yi(1)}表示si的取值为Yi(1)，意为第i条路段的同震滑坡可通行性分类为可通行类道路，道路畅通车辆可以通行。
式中，Yi＝(Ai1_Ii1,Ai2_Ii2,Ai3_Ii3≤1,Ai4_Ii4＝0,Ai5_Ii5＝0)＝Yi(1)表示路段i可通行性属性值为“1”的条件，即通过步骤5获得的路段i的同震滑坡易滑性属性为Ai5_Ii5＝0且Ai4_Ii4＝0且Ai3_Ii3≤1时，路段i的可通行性属性值为“1”，路段i为可通行类道路。
按照预测规则，对“案例路段的同震滑坡易滑性属性赋值和实际可通行性表”内符合第一步预测规则的路段进行可通行判断，结果的交互检测和总体精度计算如下：
Figure BDA0002398506710000172
表示对“案例路段的同震滑坡易滑性属性赋值和实际可通行性表”内符合本发明第一个步骤进行判断的路段共有1021个样本，按照预测方法，这1021条路段的同震滑坡道路可通行性分类均应预测为可通行类，实际情况为有5条路段的同震滑坡道路可通行性为不可通行，即预测错误；有1016条路段的同震滑坡道路可通行性为可通行，即预测正确，正确率为99.51％
其余的路段可通行性预测进入第二个步骤。
6(2).针对6(1)之外的路段，根据步骤5得到的路段同震滑坡易滑性属性数据，则有：
Figure BDA0002398506710000173
式中，step(2)表示预测步骤，意为对目标区域范围内所有路段的同震滑坡可通行性的预测是分步骤进行的，此为预测的第二个步骤。
式中，si＝{Yi(0)}表示si的取值为Yi(0)，意为第i条路段的同震滑坡可通行性分类为不可通行类道路，道路被滑坡阻塞或冲毁而中断，车辆不可以通行。
式中，Yi＝(Yi1_Ii1,Yi2_Ii2,Yi3_Ii3,Yi4_Ii4,Yi5_Ii5≥1)＝Yi(0)表示路段i可通行性属性值为“0”的条件，即针对6(1)之外的路段，通过步骤5获得的路段i的同震滑坡属性为Ai5_Ii5≥1时，路段i的可通行性属性值为“0”，路段i为不可通行类道路。
按照预测规则，对“案例路段的同震滑坡易滑性属性赋值和实际可通行性表”内符合第二步预测规则的路段进行可通行性判断，结果的交互检测和总体精度计算如下：
Figure BDA0002398506710000181
表示对“案例路段的同震滑坡易滑性属性赋值和实际可通行性表”内第一步之外的路段符合本发明第二个步骤进行判断的路段共有48个样本，按照预测方法，这48条路段的同震滑坡道路可通行性分类均应预测为不可通行类，实际情况为有1条路段的同震滑坡道路可通行性为可通行，即预测错误；有47条路段的同震滑坡道路可通行性为不可通行，即预测正确，正确率为97.92％。
其余的路段可通行性预测进入第三个步骤。
6(3).针对6(1)～6(2)之外的路段，根据步骤5得到的路段同震滑坡易滑性属性数据，则有：
Figure BDA0002398506710000182
式中，step(3)表示预测步骤，意为对目标区域范围内所有路段的同震滑坡可通行性的预测是分步骤进行的，此为预测的第三个步骤。
式中，si＝{Yi(0)}表示si的取值为Yi(0)，意为第i条路段的同震滑坡可通行性分类为不可通行类道路，道路被滑坡阻塞或冲毁而中断，车辆不可以通行。
式中，Yi＝(Yi1_Ii1,Yi2_Ii2,Yi3_Ii3＞4,Yi4_Ii4≥7,Yi5_Ii5＝0)＝Yi(0)表示路段i可通行性属性值为“0”的条件，即针对6(1)～6(2)之外的路段，通过步骤5获得的路段i的同震滑坡属性为Yi5_Ii5＝0且Yi4_Ii4≥7且Yi3_Ii3＞4时，路段i的可通行性属性值为“0”，路段i为不可通行道路。
按照预测规则，对“案例路段的同震滑坡易滑性属性赋值和实际可通行性表”内符合第三步预测规则的路段进行可通行性判断，结果的交互检测和总体精度计算如下：
Figure BDA0002398506710000183
表示对“案例路段的同震滑坡易滑性属性赋值和实际可通行性表”内第一步、第二步之外的路段符合本发明第三个步骤进行判断的路段共有31个样本，按照预测方法，这31条路段的同震滑坡道路可通行性分类均应预测为不可通行类，实际情况为有4条路段的同震滑坡道路可通行性为可通行，即预测错误；有27条路段的同震滑坡道路可通行性为不可通行，即预测正确，正确率为87.10％。
其余的路段可通行性预测进入第四个步骤。
6(4).针对6(1)～6(3)之外的路段，根据步骤5得到的路段同震滑坡易滑性属性数据，则有：
Figure BDA0002398506710000191
式中，step(4)表示预测步骤，意为对目标区域范围内所有路段的同震滑坡可通行性的预测是分步骤进行的，此为预测的第四个步骤。
式中，si＝{Yi(0)}表示si的取值为Yi(0)，意为第i条路段的同震滑坡可通行性分类为不可通行类道路，道路被滑坡阻塞或冲毁而中断，车辆不可以通行。
式中，Yi＝(Yi1_Ii1,Yi2_Ii2,Yi3_Ii3≥14,3≤Yi4_Ii4≤6,Yi5_Ii5＝0)＝Yi(0)表示路段i可通行性属性值为“0”的条件，即针对2～4之外的路段，通过步骤5获得的路段i的同震滑坡属性为Yi5_Ii5＝0且3≤Yi4_Ii4≤6且Yi3_Ii3≥14时，路段i的可通行性属性值为“0”，路段i为不可通行道路。
按照预测规则，对“案例路段的同震滑坡易滑性属性赋值和实际可通行性表”内符合第四步预测规则的路段进行可通行性判断，结果的交互检测和总体精度计算如下：
Figure BDA0002398506710000192
表示对“案例路段的同震滑坡易滑性属性赋值和实际可通行性表”内第一步、第二步、第三步之外的路段符合本发明第四个步骤进行判断的路段共有7个样本，按照预测方法，这7条路段的同震滑坡道路可通行性分类均应预测为不可通行类，实际情况为有1条路段的同震滑坡道路可通行性为可通行，即预测错误；有6条路段的同震滑坡道路可通行性为不可通行，即预测正确，正确率为85.71％。
其余的路段可通行性预测进入第五个步骤。
6(5).针对6(1)～6(4)之外的路段，根据步骤5得到的路段同震滑坡易滑性属性数据，则有：
Figure BDA0002398506710000201
式中，step(5)表示预测步骤，意为对目标区域范围内所有路段的同震滑坡可通行性的预测是分步骤进行的，此为预测的第五个步骤。
式中，si＝{Yi(0)}表示si的取值为Yi(0)，意为第i条路段的同震滑坡可通行性分类为不可通行类道路，道路被滑坡阻塞或冲毁而中断，车辆不可以通行。
式中，Yi＝(Yi1_Ii1,Yi2_Ii2≥103,Yi3_Ii3＜14,3≤Yi4_Ii4≤6,Yi5_Ii5＝0)＝Yi(0)表示路段i可通行性属性值为“0”的条件，即针对2～5之外的路段，通过步骤5获得获得的路段i的同震滑坡属性为Yi5_Ii5＝0且3≤Yi4_Ii4≤6且Yi3_Ii3＜14且Yi2_Ii2≥103时，路段i的可通行性属性值为“0”，路段i为不可通行道路。
按照预测规则，对“案例路段的同震滑坡易滑性属性赋值和实际可通行性表”内符合第五步预测规则的路段进行可通行性判断，结果的交互检测和总体精度计算如下：
Figure BDA0002398506710000202
表示对“案例路段的同震滑坡易滑性属性赋值和实际可通行性表”内第一步、第二步、第三步、第四步之外的路段符合本发明第五个步骤进行判断的路段共有7个样本，按照预测方法，这7条路段的同震滑坡道路可通行性分类均应预测为不可通行类，实际情况为有1条路段的同震滑坡道路可通行性为可通行，即预测错误；有6条路段的同震滑坡道路可通行性为不可通行，即预测正确，正确率为85.71％。
其余的路段可通行性预测进入第六个步骤步。
6(6).针对6(1)～6(5)之外的路段，根据步骤5得到的路段同震滑坡易滑性属性数据，则有：
Figure BDA0002398506710000203
式中，step(6)表示预测步骤，意为对目标区域范围内所有路段的同震滑坡可通行性的预测是分步骤进行的，此为预测的第六个步骤，也是最后一个步骤。
式中，si＝{Yi(1)}表示si的取值为Yi(1)，意为第i条路段的同震滑坡可通行性分类为可通行类道路，道路畅通车辆可以通行。
式中，Yi＝(Yi1_Ii1,Yi2_Ii2≥103,Yi3_Ii3＜14,3≤Yi4_Ii4≤6,Yi5_Ii5＝0)＝Yi(0)表示路段i可通行性属性值为“1”的条件，即针对2～6之外的路段，路段i的可通行性属性值均为“1”，路段i为可通行道路。
按照预测规则，对“案例路段的同震滑坡易滑性属性赋值和实际可通行性表”内符合第六步预测规则的路段进行可通行性判断，结果的交互检测和总体精度计算如下：
Figure BDA0002398506710000211
表示对“案例路段的同震滑坡易滑性属性赋值和实际可通行性表”内第一步、第二步、第三步、第四步第五步之外的路段符合本发明第六个步骤进行判断的路段共有23个样本，按照预测方法，这23条路段的同震滑坡道路可通行性分类均应预测为可通行类，实际情况为有5条路段的同震滑坡道路可通行性为不可通行，即预测错误；有18条路段的同震滑坡道路可通行性为可通行，即预测正确，正确率为78.26％。
至此，完成所有路段的道路可通行性分类预测。
由于样本数量的限制，各步骤的样本数不可能一样，正确率也不一样。各步骤的预测结果不完全代表本发明的效益，因此需还要从总体预测结果来评价本发明的有效性。对“案例路段的同震滑坡易滑性属性赋值和实际可通行性表”按照本发明进行路段的道路可通行性预测结果进行交互检测，并计算总体正确率和kappa系数，kappa系数反映的是模拟结果与实际情况的一致性程度，通常kappa系数的计算结果为-1～1，但通常kappa是落在0～1间，通行的做法是将kappa值分为五组来表示不同级别的一致性:0.0～0.20极低的一致性(slight)、0.21～0.40一般的一致性(fair)、0.41～0.60中等的一致性(moderate)、0.61～0.80高度的一致性(substantial)和0.81～1几乎完全一致(almost perfect)。结果如下：
Figure BDA0002398506710000212
表示对“案例路段的同震滑坡易滑性属性赋值和实际可通行性表”内路段可通行性按照本发明预测，按照预测规则，共有93个样本的道路可通行性分类预测为不可通行，这93个样本中有7个样本的实际可通行性为可通行，即预测错误；这93个样本中有86个样本的实际可通行性为不可通行，即预测正确，对道路不可通行性的单项预测正确率为92.47％。对“案例路段的同震滑坡易滑性属性赋值和实际可通行性表”内路段可通行性按照本发明预测，按照预测规则，共有1044个样本的道路可通行性分类预测为可通行，这1044个样本中有10个样本的实际可通行性为不可通行，即预测错误；这1044个样本中有1034个样本的实际可通行性为可通行，即预测正确，对道路可通行性的单项预测正确率为99.04％。从总体上看，共有1137个样本，其中预测正确的由1120个，总的预测正确率为98.5％。但在检验上，单纯的正确率还不能完全表达本发明的有效性(比如，假设预测的结果全部可通行，预测的正确率为91.56％，这种情况实际上就把不可通行的全部预测错误了，所以说，单纯的正确率还不能完全评价方法的效益)，因此，进一步引入kappa系数来评价本发明的有效性，本发明对“案例路段的同震滑坡易滑性属性赋值和实际可通行性表”样本预测结果的kappa系数为0.91，位于0.81～1之间，属于几乎完全一致(almost perfect)的分级，表明本预测结果与实际情况几乎完全一致，更加说明本发明的效益。
所述同震滑坡道路可通行性预测方法适用于当前风险减轻目标的重点危险区震前地震灾害损失预评估和减少灾害损失目的的震后地震应急救援辅助决策快速评估。通过路段两侧180米范围内90米同震滑坡易滑性栅格象元属性和数量，按照模型预测步骤对路段同震滑坡可通行性进行分批次预测，同震滑坡道路可通行性预测为不可通行类的路段表示道路被同震滑坡阻塞或冲毁而造成车辆无法通行，同震滑坡道路可通行性预测为可通行类的路段表示道路未被同震滑坡阻塞或冲毁而中断，车辆可以继续通行。针对重点危险区，防震减灾规划和国土整治可以对预测为中断的路段前进行精准整改，实现风险减轻的目标；对震后地震灾区，应急救援辅助决策可以对预测为中断的路段迅速进行交通标识，同时迅速做出最优救援路线方案选择和交通管制策略，达到灾害损失减少的目的。
综上，本预测方法基于这样一种逻辑顺序：将交通网络上的公路划分为路段，每一个路段都是相对独立和封闭的，路段作为预测对象的基本单元，便利用现有技术建立研究区90米栅格的同震滑坡危险性等级分布图，统计各路段两侧180范围内同震滑坡易滑性栅格数据象元的属性和数量作为路段的同震滑坡易滑性属性，根据路段的滑坡易滑性属性分步骤地对研究区路段同震滑坡可通行性进行预测，最终将研究区内的路段预测为同震滑坡可通行类道路和同震滑坡不可通行类道路两类，实现对道路可通行性的精确定量评估。
以上显示和描述了本发明的基本原理、主要特征和优点。本领域的普通技术人员应该了解，上述实施例不以任何形式限制本发明的保护范围，凡采用等同替换等方式所获得的技术方案，均落于本发明的保护范围内。
本发明未涉及部分均与现有技术相同或可采用现有技术加以实现。

Claims (10)

1.一种同震滑坡造成道路中断与否的预测方法，其特征在于：该预测方法将公路网络上的道路划分为路段，然后考虑各路段可通行性和对应路段滑坡易滑性属性之间的关系，对道路的可通行性定量地分为可通行和不可通行两类；具体预测步骤如下：
A.研究区公路路段矢量化空间线状数据生成；对整个研究区地震发生之前的公路网络进行路段化处理，生成研究区矢量化空间线状路段数据，对生成的路段数据进行唯一性编码，即每个路段均有一个编码，路段不同，编码不同；
B.研究区路段两侧M米矢量化空间面状数据生成；对步骤A中得到的每一个路段分别做其两侧M米范围的矢量化空间面状数据，矢量化面状数据生成后，将路段的编码赋值给对应的矢量化面状数据作为面状数据的唯一编码，这样，使得每一组面矢量数据和对应的路段的编码完全一致；
C.研究区N米同震滑坡易滑性等级栅格空间数据生成；完成研究区同震滑坡易滑性等级空间分布评估，生成整个研究区N米同震滑坡易滑性等级空间分布栅格数据；同震滑坡易滑性等级栅格数据的属性值对应着同震滑坡易滑性等级，属性值分别为1、2、3、4、5，属性值为1预示着滑坡易滑性极低，属性值为2预示着滑坡易滑性较低，属性值为3预示着滑坡易滑性中等，属性值为4预示着滑坡易滑性较高，属性值为5预示着滑坡易滑性极高，属性值越高，易滑性越高，发生滑坡的可能性越大，反之，属性值越低，易滑性越低，不发生滑坡的可能性越大，栅格数据的每个象元表示长＝宽＝N米的空间范围，象元值等于对应栅格的属性值，代表的就是该空间位置的同震滑坡易滑性等级；
D.路段两侧M米范围内同震滑坡易滑性栅格数据象元统计；针对步骤B得到的研究区路段两侧M米矢量化面状空间数据，统计各面状数据上的通过步骤C得到的同震滑坡易滑性栅格象元数，统计方式为计算落在各个路段两侧M米矢量化面状空间数据上和与矢量化面状数据边界相交的所有同震滑坡易滑性栅格数据各属性值的象元数量；
E.研究区路段同震滑坡易滑性属性赋值；根据编码的唯一性属性，将步骤D得到的各路段两侧M米矢量化面状数据的同震滑坡易滑性栅格数据象元统计结果赋值给对应的具有相同编码的路段作为该路段的同震滑坡易滑性属性，通过该步骤，使得研究区所有路段具有同震滑坡易滑性属性，赋值后任意一条路段的属性信息都包含有同震滑坡易滑性属性信息；
F.路段可通行性分类预测建模；根据步骤E得到的路段同震滑坡易滑性属性数据，通过模型Si对道路可通行性进行分类预测，同震滑坡道路可通行性预测为不可通行类的路段表示道路被同震滑坡阻塞或冲毁而造成车辆无法通行，可通行性赋值为“0”，同震滑坡道路可通行性预测为可通行类的路段表示道路未被同震滑坡阻塞或冲毁而中断，车辆可以继续通行，可通行性赋值为“1”；其中Si的取值则由Yi决定，Yi则由步骤E得到的路段的同震滑坡易滑性属性决定，预测模型如下：
Figure FDA0002398506700000021
式中，step(n,n∈(1,2,3,4,5,6))表示预测步骤，意为对目标区域范围内所有路段的同震滑坡可通行性的预测是分步骤进行的，共分为六个步骤，分别是第一个步骤、第二个步骤、第三个步骤、第四个步骤、第五个步骤、第六个步骤，且步骤是不可逆和不可跳转的，只能严格顺次进行；
式中，Si表示第i条路段的同震滑坡可通行性分类，Si根据路段可通行性属性值分为两类，即可通行类和不可通行类，当路段可通行性属性值为“0”时Si的取值为Yi(0)，意味着路段i被同震崩滑体掩埋或冲毁，因路段中断车辆无法通行，路段i属于不可通行类道路；当路段可通行性属性值为“1”时Si的取值为Yi(1)，这意味着路段i未被同震崩滑体掩埋或冲毁，因路段畅通车辆可以通行，路段i属于可通行类道路；
式中，Yi表示路段可通行性属性值，其取值通过路段i的滑坡属性进行计算，Ai1_Ii1表示通过步骤E得到的路段i的滑坡易滑性属性为“1”对应的数值；Ai2_Ii2表示通过步骤E得到的路段i的滑坡易滑性属性为“2”对应的数值；Ai3_Ii3表示通过步骤E得到的路段i的滑坡易滑性属性为“3”对应的数值；Ai4_Ii4表示通过步骤E得到的路段i的滑坡易滑性属性为“4”对应的数值；Ai5_Ii5表示通过步骤E得到的路段i的滑坡易滑性属性为“5”对应的数值。
2.根据权利要求1所述的一种同震滑坡道路可通行性预测方法，其特征在于：所述步骤A中，处理后的道路网络由一个个路段组成，每个路段是一个相对独立的个体，是预测道路可通行性的基本单元；生成的路段为交通网络上相邻两个节点之间的交通线路，是公路网络上的基本要素之一，路段上两个节点之间的部分不与其他公路相交，车辆在路段上只能定向行驶且不能从路段上除两个端点之外的任何位置进入到其他公路或进入到道路网络上的其他节点，车辆也只能在节点处掉头行驶。
3.根据权利要求1所述的一种同震滑坡道路可通行性预测方法，其特征在于：所述步骤B和D中，M取值为180，即研究区路段两侧180米的矢量化面状数据生成以及同震滑坡易滑性栅格数据象元统计；所述步骤C中，N取值为90，即研究区90米同震滑坡易滑性等级栅格空间数据生成。
4.根据权利要求1或3所述的一种同震滑坡道路可通行性预测方法，其特征在于：所述步骤F中，对于预测的第一个步骤，根据步骤E得到路段同震滑坡易滑性属性数据和步骤F的模型，则有：
Figure FDA0002398506700000031
式中，step(1)表示预测步骤，意为对目标区域范围内所有路段的同震滑坡可通行性的预测是分步骤进行的，此为预测的第一个步骤；
式中，si＝{Yi(1)}表示si的取值为Yi(1)，意为第i条路段的同震滑坡可通行性分类为可通行类道路，道路畅通车辆可以通行；
式中，Yi＝(Ai1_Ii1,Ai2_Ii2,Ai3_Ii3≤1,Ai4_Ii4＝0,Ai5_Ii5＝0)＝Yi(1)表示路段i可通行性属性值为“1”的条件，即通过步骤E获得的路段i的同震滑坡易滑性属性为Ai5_Ii5＝0且Ai4_Ii4＝0且Ai3_Ii3≤1时，路段i的可通行性属性值为“1”，路段i为可通行道路；
其余路段的可通行性预测进入第二个步骤。
5.根据权利要求4所述的一种同震滑坡道路可通行性预测方法，其特征在于：若不符合第一个步骤的条件或执行完第一个步骤，则进入预测的第二个步骤，根据步骤E得到的路段同震滑坡易滑性属性数据和步骤F的模型，则有：
Figure FDA0002398506700000032
式中，step(2)表示预测步骤，意为对目标区域范围内所有路段的同震滑坡可通行性的预测是分步骤进行的，此为预测的第二个步骤；
si＝{Yi(0)}表示si的取值为Yi(0)，意为第i条路段的同震滑坡可通行性分类为不可通行类道路，道路被滑坡阻塞或冲毁而中断，车辆不可以通行；
式中，Yi＝(Yi1_Ii1,Yi2_Ii2,Yi3_Ii3,Yi4_Ii4,Yi5_Ii5≥1)＝Yi(0)表示路段i可通行性属性值为“0”的条件，即针对第一个步骤条件之外的路段，通过步骤E获得的路段i的同震滑坡属性为Ai5_Ii5≥1时，路段i的可通行性属性值为“0”，路段i为不可通行道路。
6.根据权利要求5所述的一种同震滑坡道路可通行性预测方法，其特征在于：若不符合第二个步骤的条件或执行完第二个步骤，则进入预测的第三个步骤，根据步骤E得到的路段同震滑坡易滑性属性数据和步骤F的模型，则有：
Figure FDA0002398506700000033
式中，step(3)表示预测步骤，意为对目标区域范围内所有路段的同震滑坡可通行性的预测是分步骤进行的，此为预测的第三个步骤；
式中，si＝{Yi(0)}表示si的取值为Yi(0)，意为第i条路段的同震滑坡可通行性分类为不可通行类道路，道路被滑坡阻塞或冲毁而中断，车辆不可以通行；
式中，Yi＝(Yi1_Ii1,Yi2_Ii2,Yi3_Ii3＞4,Yi4_Ii4≥7,Yi5_Ii5＝0)＝Yi(0)表示路段i可通行性属性值为“0”的条件，即针对第一、二步骤条件之外的路段，通过步骤E获得的路段i的同震滑坡属性为Yi5_Ii5＝0且Yi4_Ii4≥7且Yi3_Ii3＞4时，路段i的可通行性属性值为“0”，路段i为不可通行道路。
7.根据权利要求6所述的一种同震滑坡道路可通行性预测方法，其特征在于：若不符合第三个步骤的条件或执行完第三个步骤，则进入预测的第四个步骤，根据步骤E得到的路段同震滑坡易滑性属性数据和步骤F的模型，则有：
Figure FDA0002398506700000041
式中，step(4)表示预测步骤，意为对目标区域范围内所有路段的同震滑坡可通行性的预测是分步骤进行的，此为预测的第四个步骤；
式中，si＝{Yi(0)}表示si的取值为Yi(0)，意为第i条路段的同震滑坡可通行性分类为不可通行类道路，道路被滑坡阻塞或冲毁而中断，车辆不可以通行；
式中，Yi＝(Yi1_Ii1,Yi2_Ii2,Yi3_Ii3≥14,3≤Yi4_Ii4≤6,Yi5_Ii5＝0)＝Yi(0)表示路段i可通行性属性值为“0”的条件，即针对第一、二、三步骤条件之外的路段，通过步骤E获得的路段i的同震滑坡属性为Yi5_Ii5＝0且3≤Yi4_Ii4≤6且Yi3_Ii3≥14时，路段i的可通行性属性值为“0”，路段i为不可通行道路。
8.根据权利要求7所述的一种同震滑坡道路可通行性预测方法，其特征在于：若不符合第四个步骤的条件或执行完第四个步骤，则进入预测的第五个步骤，根据步骤E得到的路段同震滑坡易滑性属性数据和步骤F的模型，则有：
Figure FDA0002398506700000042
式中，step(5)表示预测步骤，意为对目标区域范围内所有路段的同震滑坡可通行性的预测是分步骤进行的，此为预测的第五个步骤；
式中，si＝{Yi(0)}表示si的取值为Yi(0)，意为第i条路段的同震滑坡可通行性分类为不可通行类道路，道路被滑坡阻塞或冲毁而中断，车辆不可以通行；
式中，Yi＝(Yi1_Ii1,Yi2_Ii2≥103,Yi3_Ii3＜14,3≤Yi4_Ii4≤6,Yi5_Ii5＝0)＝Yi(0)表示路段i可通行性属性值为“0”的条件，即针对第一、二、三、四步骤条件之外的路段，通过步骤E获得的路段i的同震滑坡属性为Yi5_Ii5＝0且3≤Yi4_Ii4≤6且Yi3_Ii3＜14且Yi2_Ii2≥103时，路段i的可通行性属性值为“0”，路段i为不可通行道路。
9.根据权利要求8所述的一种同震滑坡道路可通行性预测方法，其特征在于：若不符合第五个步骤的条件或执行完第五个步骤，则进入预测的第六个步骤，根据步骤E得到的路段同震滑坡易滑性属性数据和步骤F的模型，则有：
Figure FDA0002398506700000051
式中，step(6)表示预测步骤，意为对目标区域范围内所有路段的同震滑坡可通行性的预测是分步骤进行的，此为预测的第六个步骤；
式中，si＝{Yi(1)}表示si的取值为Yi(1)，意为第i条路段的同震滑坡可通行性分类为可通行类道路，道路畅通车辆可以通行；
式中，Yi＝(Yi1_Ii1,Yi2_Ii2≥103,Yi3_Ii3＜14,3≤Yi4_Ii4≤6,Yi5_Ii5＝0)＝Yi(0)表示路段i可通行性属性值为“1”的条件，即针对第一、二、三、四、五步骤条件之外的路段，路段i的可通行性属性值均为“1”，路段i为可通行道路；
至此，完成所有路段的道路可通行性预测。
10.如权利要求1所述同震滑坡道路可通行性预测方法的应用，其特征在于：该预测方法适用于为减轻灾害风险而开展的震前地震灾害损失风险评估和为震后应急救援拟定合理的交通管制、救援路线选择而进行的地震应急救援辅助决策各类评估对同震滑坡道路可通行性预测预报的需要。
CN202010139363.9A 2020-03-03 2020-03-03 一种同震滑坡道路可通行性预测方法及其应用 Active CN111291941B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010139363.9A CN111291941B (zh) 2020-03-03 2020-03-03 一种同震滑坡道路可通行性预测方法及其应用

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010139363.9A CN111291941B (zh) 2020-03-03 2020-03-03 一种同震滑坡道路可通行性预测方法及其应用

Publications (2)

Publication Number Publication Date
CN111291941A true CN111291941A (zh) 2020-06-16
CN111291941B CN111291941B (zh) 2020-10-30

Family

ID=71020360

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010139363.9A Active CN111291941B (zh) 2020-03-03 2020-03-03 一种同震滑坡道路可通行性预测方法及其应用

Country Status (1)

Country Link
CN (1) CN111291941B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112883907A (zh) * 2021-03-16 2021-06-01 云南师范大学 小体积模型的滑坡检测方法及装置
CN115516538A (zh) * 2020-06-25 2022-12-23 株式会社日立制作所 信息管理系统、信息管理装置以及信息管理方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101832779A (zh) * 2010-03-03 2010-09-15 北京大学 一种复杂环境下的导航方法
US20110153368A1 (en) * 2009-12-17 2011-06-23 XtremeGIS, Inc. User Interactive Reinsurance Risk Analysis Application
CN102306233A (zh) * 2011-06-15 2012-01-04 浙江大学 降雨作用下流域滑坡时空预测方法
US20120190295A1 (en) * 2011-01-20 2012-07-26 Samsung Electronics Co., Ltd. Method and apparatus for providing and receiving disaster information
CN102819023A (zh) * 2012-07-27 2012-12-12 中国地质大学（武汉） 基于LiDAR的复杂地质背景区滑坡识别的方法及系统
CN104133996A (zh) * 2014-07-25 2014-11-05 首都师范大学 一种基于云模型和数据场的地面沉降风险等级评估方法
CN104899437A (zh) * 2015-05-29 2015-09-09 杭州辰青和业科技有限公司 强降雨型滑坡灾害预警方法
WO2015192086A1 (en) * 2014-06-13 2015-12-17 IndustryStar, LLC Supply chain management system
CN110390169A (zh) * 2019-07-25 2019-10-29 西南交通大学 一种基于力学模型的地震滑坡危险性定量评价方法
CN110795832A (zh) * 2019-10-14 2020-02-14 武汉大学 一种滑坡灾害多源数据一体化综合实时监测方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110153368A1 (en) * 2009-12-17 2011-06-23 XtremeGIS, Inc. User Interactive Reinsurance Risk Analysis Application
CN101832779A (zh) * 2010-03-03 2010-09-15 北京大学 一种复杂环境下的导航方法
US20120190295A1 (en) * 2011-01-20 2012-07-26 Samsung Electronics Co., Ltd. Method and apparatus for providing and receiving disaster information
CN102306233A (zh) * 2011-06-15 2012-01-04 浙江大学 降雨作用下流域滑坡时空预测方法
CN102819023A (zh) * 2012-07-27 2012-12-12 中国地质大学（武汉） 基于LiDAR的复杂地质背景区滑坡识别的方法及系统
WO2015192086A1 (en) * 2014-06-13 2015-12-17 IndustryStar, LLC Supply chain management system
CN104133996A (zh) * 2014-07-25 2014-11-05 首都师范大学 一种基于云模型和数据场的地面沉降风险等级评估方法
CN104899437A (zh) * 2015-05-29 2015-09-09 杭州辰青和业科技有限公司 强降雨型滑坡灾害预警方法
CN110390169A (zh) * 2019-07-25 2019-10-29 西南交通大学 一种基于力学模型的地震滑坡危险性定量评价方法
CN110795832A (zh) * 2019-10-14 2020-02-14 武汉大学 一种滑坡灾害多源数据一体化综合实时监测方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
叶燎原 等: "GIS环境下开发城镇地震灾害快速评估系统", 《云南师范大学学报（哲学社会科学版）》 *
白仙富 等: "基于高精度房屋_人口数据的地震压埋人员和紧急搜救区评估模型研究", 《防灾减灾学报》 *
白仙富 等: "滇缅活动地块构造应力场研究", 《震灾防御技术》 *
聂高众 等: "利用模糊数学方法建立汶川地震滑坡灾害评判标准", 《岩土力学》 *
聂高众 等: "地震滑坡灾害评估中地震影响因素的联合应用", 《地震学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115516538A (zh) * 2020-06-25 2022-12-23 株式会社日立制作所 信息管理系统、信息管理装置以及信息管理方法
CN112883907A (zh) * 2021-03-16 2021-06-01 云南师范大学 小体积模型的滑坡检测方法及装置

Also Published As

Publication number Publication date
CN111291941B (zh) 2020-10-30

Similar Documents

Publication Publication Date Title
Bivina et al. Modelling perceived pedestrian level of service of sidewalks: A structural equation approach
Steenberghen et al. Spatial clustering of events on a network
CN111291941B (zh) 一种同震滑坡道路可通行性预测方法及其应用
CN109493119B (zh) 一种基于poi数据的城市商业中心识别方法及系统
CN115688404B (zh) 基于svm-rf模型的降雨型滑坡预警方法
Yu et al. Predicting road blockage due to building damage following earthquakes
Weber Interaction model application for urban planning
CN108922168B (zh) 一种中观层面事故多发道路判别的方法
CN107067781B (zh) 一种用于先进驾驶辅助系统应用的gis道路黑点地图生成方法
CN114997534B (zh) 基于视觉特征的相似降雨预报方法和设备
CN107766636A (zh) 一种基于极值理论与微观仿真的城市交叉口安全评价方法
Ranjbar et al. A GIS-based approach for earthquake loss estimation based on the immediate extraction of damaged buildings
KR101588232B1 (ko) 지리정보시스템 및 뉴로퍼지 기법에 기반한 산사태 예측 시스템 및 이를 이용한 산사태 예측 방법
KR102377044B1 (ko) 보행 안전 위험 평가 장치 및 방법, 그리고 이를 구현하기 위한 프로그램이 기록된 기록매체
Shen et al. Identification of accident blackspots on rural roads using grid clustering and principal component clustering
Khamespanah et al. A GIS-based multi-criteria evaluation framework for uncertainty reduction in earthquake disaster management using granular computing
Chen et al. Building vulnerability assessment in seismic areas using ensemble learning: A Nepal case study
Pollard et al. Comparing the quality of OD matrices in time and between data sources
Mathew et al. Comparative assessment of geospatial and statistical methods to estimate local road annual average daily traffic
Ku et al. Assessment of the resilience of pedestrian roads based on image deep learning models
Lian et al. Advances in estimating pedestrian measures through artificial intelligence: From data sources, computer vision, video analytics to the prediction of crash frequency
CN116384627A (zh) 一种基于机器学习的地质灾害评价方法
CN116341957A (zh) 一种公路基础设施数字化率测度方法
CN116434566A (zh) 交通流量的确定方法及设备
Wiseman et al. Testing block subdivision algorithms on block designs

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