CN111737651B - 基于多源数据的空间网格化干旱灾情风险评估方法及系统 - Google Patents
基于多源数据的空间网格化干旱灾情风险评估方法及系统 Download PDFInfo
- Publication number
- CN111737651B CN111737651B CN202010574502.0A CN202010574502A CN111737651B CN 111737651 B CN111737651 B CN 111737651B CN 202010574502 A CN202010574502 A CN 202010574502A CN 111737651 B CN111737651 B CN 111737651B
- Authority
- CN
- China
- Prior art keywords
- grid
- index
- drought
- disaster
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012502 risk assessment Methods 0.000 title claims abstract description 24
- 238000011160 research Methods 0.000 claims abstract description 82
- 238000012549 training Methods 0.000 claims abstract description 36
- 238000013058 risk prediction model Methods 0.000 claims abstract description 16
- 238000003062 neural network model Methods 0.000 claims abstract description 13
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 47
- 238000004364 calculation method Methods 0.000 claims description 45
- 230000002265 prevention Effects 0.000 claims description 43
- 230000009467 reduction Effects 0.000 claims description 42
- 238000005553 drilling Methods 0.000 claims description 20
- 238000003973 irrigation Methods 0.000 claims description 19
- 230000002262 irrigation Effects 0.000 claims description 19
- 230000005484 gravity Effects 0.000 claims description 16
- 238000001556 precipitation Methods 0.000 claims description 14
- 238000011835 investigation Methods 0.000 claims description 12
- 230000036541 health Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 8
- 230000001939 inductive effect Effects 0.000 claims description 7
- 230000007613 environmental effect Effects 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 abstract description 19
- 210000004027 cell Anatomy 0.000 description 30
- 239000002689 soil Substances 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000012935 Averaging Methods 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008020 evaporation Effects 0.000 description 2
- 238000001704 evaporation Methods 0.000 description 2
- 238000003306 harvesting Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001863 plant nutrition Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000013077 scoring method Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Analysis (AREA)
- General Business, Economics & Management (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Operations Research (AREA)
- Pure & Applied Mathematics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Game Theory and Decision Science (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Computational Biology (AREA)
Abstract
本发明提出了一种基于多源数据的空间网格化干旱灾情风险评估方法及系统。所述方法首先对研究区域进行网格划分;获取研究区域多个历史年份的多源数据;将历史年份的多源数据分配至每个网格;根据单元网格数据计算干旱风险值,建立训练样本集;分别利用每个网格的训练样本集训练神经网络模型,获得每个网格的风险预测模型;获取预测年份的多源数据,并分配至每个网格,获取每个网格在预测年份的单元网格数据;将单元网格数据输入风险预测模型,获得每个网格在预测年份的干旱风险值。本发明首先本发明将历史数据及短期观测数据的结合,通过历史数据确定干旱灾情的宏观规律性,并通过网格划分的方式,提高评估结果的针对性、全面性和精度。
Description
技术领域
本发明涉及干旱灾情风险评估技术领域,特别是涉及一种基于多源数据的空间网格化干旱灾情风险评估方法及系统。
背景技术
干旱灾害是普遍发生在全球的自然灾害,受干旱灾害面积约占陆地总面积的35%,全球约有120多个国家和地区每年遭受不同程度的干旱。干旱灾害风险评估是区域减灾防灾的重要基础工作之一,区划的结果和风险等级可为旱灾管理中防旱抗旱措施的制定提供重要的科学依据。
现有的干旱灾害风险评估方法有利用降水数据、农作物产量和社会经济数据对研究区域的农业干旱灾害进行评估。结合模糊数学方法、层次分析法、加权综合评价法、灰色系统、领域类比法、专家评分法和物理模型等方法。利用地理信息系统与自然灾害风险模型对研究区进行干旱灾害风险程度区分,实现色块图的绘制与统计、综合查询功能。
传统的风险评估是在干旱发生后通过一系列措施进行统计或利短期观测数据评估,缺乏针对性和宏观规律评估。
而且由于不同区域发生的旱情以及当地的受旱灾情不同,为了使评估结果合理,需选择符合当地实际的评价指标,建立符合当地的评价指标体系和模型。不同的学者在不同的研究区域采用不同的干旱指标与灾害风险模型得出各研究区域的旱灾风险评估结果。而目前的研究多以行政区为单位进行研究,具有一定的局限性,无法在县、乡镇、村庄或群落等尺度下进行风险评估。导致风险评价结果具有不全面性,评估精度不高等缺点。
发明内容
本发明的目的是提供一种基于多源数据的空间网格化干旱灾情风险评估方法及系统,本发明将历史数据及短期观测数据的结合,通过历史数据确定干旱灾情的宏观规律性,并通过网格划分的方式,提高评估结果的针对性、全面性和精度。
为实现上述目的,本发明提供了如下方案:
一种基于多源数据的空间网格化干旱灾情风险评估方法,所述评估方法包括如下步骤:
对研究区域进行网格划分;
获取研究区域多个历史年份的多源数据;
将每个历史年份的多源数据分配至每个所述网格,确定每个历史年份的每个网格的单元网格数据;
根据每个历史年份的每个网格的单元网格数据,确定每个历史年份的每个网格的干旱风险值,作为所述单元网格数据的标签,建立每个网格的训练样本集;
分别利用每个网格的训练样本集训练神经网络模型,获得每个网格的风险预测模型;
获取预测年份的多源数据,并将预测年份的多源数据分配至每个所述网格,获取每个网格在预测年份的单元网格数据;
将每个网格在预测年份的单元网格数据分别输入每个网格的风险预测模型,获得每个网格在预测年份的干旱风险值。
可选的,所述根据每个历史年份的每个网格的单元网格数据,确定每个历史年份的每个网格的干旱风险值,具体包括:
根据每个所述网格的单元网格数据计算每个网格的致灾因子危险性指数、孕灾环境脆弱性指数、承载体易损性指数、防灾减灾能力指数;
采用层次分析法确定致灾因子危险性指数、孕灾环境脆弱性指数、承载体易损性指数和防灾减灾能力指数的权重;
根据致灾因子危险性指数、孕灾环境脆弱性指数、承载体易损性指数和防灾减灾能力指数与致灾因子危险性指数、孕灾环境脆弱性指数、承载体易损性指数和防灾减灾能力指数的权重,计算每个网格的干旱风险值。
可选的,所述根据每个所述网格的单元网格数据计算每个网格的致灾因子危险性指数、孕灾环境脆弱性指数、承载体易损性指数、防灾减灾能力指数,具体包括:
根据网格的单元网格数据利用公式D=p×CI×d死亡人数占比×d经济损失占比,计算网格的致灾因子危险性指数D,其中,p为网格的干旱发生的概率,p=w1p轻度干旱+w2p中度干旱+w3p重度干旱,p轻度干旱、p中度干旱、p重度干旱分别为发生轻度干旱、中度干旱和重度干旱的频率,w1、w2和w3分别表示轻度干旱、中度干旱和重度干旱的权重;CI为干旱发生程度的综合气象干旱指数,CI=aZ30+bZ90+cM30,Z30、Z90分别表示近30天和近90天的标准化降水指数SPI值,M30表示近30天的相对湿润度指数、a和b分别表示近30天和近90天的标准化降水指数SPI值的系数,c表示近30天的相对湿润度指数的系数;d死亡人数占比为死亡人数占比,d经济损失占比为经济损失占比;
根据网格的单元网格数据利用公式B=Ltype×R河网密度×VHI×NPP×FVC×w人均水资源,计算网格的孕灾环境脆弱性指数B;其中,Ltype为脆弱性指标权重、Ltype={耕地:0.4,居民用地:0.2,牧草:0.3,林业:0.1},R河网密度为河网密度、VHI为植被健康指数、NPP为植被净初级生产力、FVC植被覆盖度、w人均水资源人均水资源量;
根据网格的单元网格数据利用公式F=p×e×a×w×g,计算网格的承载体易损性指数F;其中,p为研究区域内的人口密度;e为研究区域内的经济密度;a为研究区域的耕地率;w为研究区域内的粮食单产;g为研究区域内农业产值密度;
根据网格的单元网格数据利用公式计算网格的防灾减灾能力指数P;其中,w有效灌溉、w乡村公路通车率、w水库总容量、w钻井机数量、w农民人均收入、w财政收入、w城乡人口比重、w水利设施财政投入和w医疗人员比重分别表示研究区域内的有效灌溉率、乡村公路通车率、水库总容量、钻井机数量、农民人均收入、财政收入、城乡人口比重、水利设施财政投入与医疗人员比重;p1、p2、p3、p4、p5、p6、p7、p8和p9分别表示研究区域内的有效灌溉率、乡村公路通车率、水库总容量、钻井机数量、农民人均收入、财政收入、城乡人口比重、水利设施财政投入与医疗人员权重系数;M研究区域网格数表示研究区域网格数量。
可选的,所述根据网格的单元网格数据利用公式B=Ltype×R河网密度×VHI×NPP×FVC×w人均水资源,计算网格的孕灾环境脆弱性指数B,之前还包括:
将网格划分后的研究区域与研究区域的土地类型图做空间交计算,确定每个网格的土地类型;
将网格划分后的研究区域与研究区域的河网分布图做空间交计算,确定每个网格的河网密度;
将网格划分后的研究区域与研究区域的植被覆盖图做空间交计算,确定每个网格的植被覆盖度。
一种基于多源数据的空间网格化干旱灾情风险评估系统,所述评估系统包括:
网格划分模块,用于对研究区域进行网格划分;
历史年份的多源数据获取模块,用于获取研究区域多个历史年份的多源数据;
多源数据分配模块,用于将每个历史年份的多源数据分配至每个所述网格,确定每个历史年份的每个网格的单元网格数据;
训练样本集建立模块,用于根据每个历史年份的每个网格的单元网格数据,确定每个历史年份的每个网格的干旱风险值,作为所述单元网格数据的标签,建立每个网格的训练样本集;
神经网络模型训练模块,用于分别利用每个网格的训练样本集训练神经网络模型,获得每个网格的风险预测模型;
预测数据获取模块,用于获取预测年份的多源数据,并将预测年份的多源数据分配至每个所述网格,获取每个网格在预测年份的单元网格数据;
预测模块,用于将每个网格在预测年份的单元网格数据分别输入每个网格的风险预测模型,获得每个网格在预测年份的干旱风险值。
可选的,所述训练样本集建立模块,具体包括:
指数计算子模块,用于根据每个所述网格的单元网格数据计算每个网格的致灾因子危险性指数、孕灾环境脆弱性指数、承载体易损性指数、防灾减灾能力指数;
权重确定子模块,用于采用层次分析法确定致灾因子危险性指数、孕灾环境脆弱性指数、承载体易损性指数和防灾减灾能力指数的权重;
干旱风险值计算子模块,用于根据致灾因子危险性指数、孕灾环境脆弱性指数、承载体易损性指数和防灾减灾能力指数与致灾因子危险性指数、孕灾环境脆弱性指数、承载体易损性指数和防灾减灾能力指数的权重,计算每个网格的干旱风险值。
可选的,所述指数计算子模块,具体包括:
致灾因子危险性指数计算单元,用于根据网格的单元网格数据利用公式D=p×CI×d死亡人数占比×d经济损失占比,计算网格的致灾因子危险性指数D,其中,p为网格的干旱发生的概率,p=w1p轻度干旱+w2p中度干旱+w3p重度干旱,p轻度干旱、p中度干旱、p重度干旱分别为发生轻度干旱、中度干旱和重度干旱的频率,w1、w2和w3分别表示轻度干旱、中度干旱和重度干旱的权重;CI为干旱发生程度的综合气象干旱指数,CI=aZ30+bZ90+cM30,Z30、Z90分别表示近30天和近90天的标准化降水指数SPI值,M30表示近30天的相对湿润度指数、a和b分别表示近30天和近90天的标准化降水指数SPI值的系数,c表示近30天的相对湿润度指数的系数;d死亡人数占比为死亡人数占比,d经济损失占比为经济损失占比;
孕灾环境脆弱性指数计算单元,用于根据网格的单元网格数据利用公式B=Ltype×R河网密度×VHI×NPP×FVC×w人均水资源,计算网格的孕灾环境脆弱性指数B;其中,Ltype为脆弱性指标权重、Ltype={耕地:0.4,居民用地:0.2,牧草:0.3,林业:0.1},R河网密度为河网密度、VHI为植被健康指数、NPP为植被净初级生产力、FVC植被覆盖度、w人均水资源人均水资源量;
承载体易损性指数计算单元,用于根据网格的单元网格数据利用公式F=p×e×a×w×g,计算网格的承载体易损性指数F;其中,p为研究区域内的人口密度;e为研究区域内的经济密度;a为研究区域的耕地率;w为研究区域内的粮食单产;g为研究区域内农业产值密度;
防灾减灾能力指数计算单元,用于根据网格的单元网格数据利用公式计算网格的防灾减灾能力指数P;其中,w有效灌溉、w乡村公路通车率、w水库总容量、w钻井机数量、w农民人均收入、w财政收入、w城乡人口比重、w水利设施财政投入和w医疗人员比重分别表示研究区域内的有效灌溉率、乡村公路通车率、水库总容量、钻井机数量、农民人均收入、财政收入、城乡人口比重、水利设施财政投入与医疗人员比重;p1、p2、p3、p4、p5、p6、p7、p8和p9分别表示研究区域内的有效灌溉率、乡村公路通车率、水库总容量、钻井机数量、农民人均收入、财政收入、城乡人口比重、水利设施财政投入与医疗人员权重系数;M研究区域网格数表示研究区域网格数量。
可选的,所述指数计算子模块,还包括:
土地类型确定单元,用于将网格划分后的研究区域与研究区域的土地类型图做空间交计算,确定每个网格的土地类型;
河网密度确定单元,用于将网格划分后的研究区域与研究区域的河网分布图做空间交计算,确定每个网格的河网密度;
植被覆盖度确定单元,用于将网格划分后的研究区域与研究区域的植被覆盖图做空间交计算,确定每个网格的植被覆盖度。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提出了一种基于多源数据的空间网格化干旱灾情风险评估方法及系统。所述评估方法,首先对研究区域进行网格划分;获取研究区域多个历史年份的多源数据;将每个历史年份的多源数据分配至每个所述网格;根据单元网格数据,确定每个历史年份的每个网格的干旱风险值,建立每个网格的训练样本集;分别利用每个网格的训练样本集训练神经网络模型,获得每个网格的风险预测模型;获取预测年份的多源数据,并将预测年份的多源数据分配至每个所述网格,获取每个网格在预测年份的单元网格数据;将每个网格在预测年份的单元网格数据分别输入每个网格的风险预测模型,获得每个网格在预测年份的干旱风险值。本发明首先本发明将历史数据及短期观测数据的结合,通过历史数据确定干旱灾情的宏观规律性,并通过网格划分的方式,提高评估结果的针对性、全面性和精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的一种基于多源数据的空间网格化干旱灾情风险评估方法的流程图;
图2为本发明提供的一种基于多源数据的空间网格化干旱灾情风险评估方法的原理图;
图3为本发明提供的一种基于多源数据的空间网格化干旱灾情风险评估方法的建立训练样本集的流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种基于多源数据的空间网格化干旱灾情风险评估方法及系统,本发明将历史数据及短期观测数据的结合,通过历史数据确定干旱灾情的宏观规律性,并通过网格划分的方式,提高评估结果的针对性、全面性和精度。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1和2所示,本发明提供一种基于多源数据的空间网格化干旱灾情风险评估方法,所述评估方法包括如下步骤:
步骤101,对研究区域进行网格划分。将研究区域的行政区划图按照精度要求划分为大小一定的网格。将研究区域按照1km×1km或5km×5km划分大小一定的正方形网格单元,具体情况可根据研究区域的栅格数据资料和应用要求来改变设定。
步骤102,获取研究区域多个历史年份的多源数据。
搜集研究区域内的多源数据。具体方法为:借助地面站点、测雨雷达、卫星遥感、无人机图像、网络等平台获取多源数据。搜集研究区域遥感降雨、土壤水分、植被指数以及地表温度长时间序列数据集,重点考虑利用风云系列卫星能够提供的产品,并通过重采样和重投影处理成时空分辨率一致的数据集。收集整理中国农业气象灾情数据集、国际灾害数据库以及其它相关数据库中的干旱灾害记录,同时搜集整理地面墒情监测等可用于直接反应地面旱情信息的数据。综上数据类型包括:站点数据,栅格数据,影像数据,统计数据等。时间追溯到能收集到最远范围,历史灾害数据库样本数量至少500个以上长时间序列数据集。具体数据源如下:
站点数据主要包括:逐月降水数据、蒸散发数据,径流数据、温度变化数据、土壤含水量。
栅格数据主要包括:PDI(正交干旱指数)、PDSI(Palmer干旱强度指数)、VCI(条件植被指数),TCI(温度状态指数)、PCI(降水条件指数)、SMCI(土壤湿度条件指数)。
影像数据主要包括:遥感影像数据、无人机影响数据,网上报道照片数据。
统计数据主要包括:干旱发生的频率、极端干旱次数、人口密度、经济密度、耕地率、道路密度、粮食产量、财政收入、水库数量与水库容量、有效灌溉率、水利基础设施财政投入数目、发生干旱灾害导致的死亡人数、相对其他灾害因受旱灾人口死亡率、人均经济损失;土地类型,河网密度、人均水资源、地形、乡村公路通车率、农民人均收入、医疗人员比重、钻井机数量、城乡人口比重等。
将当年最新数据划分为当年观测数据,其余年份按照研究区域发生灾害时间年份寻找相应数据,划分历史旱情数据,建立历史旱情多源数据库。
步骤103,将每个历史年份的多源数据分配至每个所述网格,确定每个历史年份的每个网格的单元网格数据;将多源数据除以网格数,得到单位网格数据。
步骤104,根据每个历史年份的每个网格的单元网格数据,确定每个历史年份的每个网格的干旱风险值,作为所述单元网格数据的标签,建立每个网格的训练样本集。
如图3所示,步骤104所述根据每个历史年份的每个网格的单元网格数据,确定每个历史年份的每个网格的干旱风险值,具体包括:根据每个所述网格的单元网格数据计算每个网格的致灾因子危险性指数、孕灾环境脆弱性指数、承载体易损性指数、防灾减灾能力指数;采用层次分析法确定致灾因子危险性指数、孕灾环境脆弱性指数、承载体易损性指数和防灾减灾能力指数的权重;根据致灾因子危险性指数、孕灾环境脆弱性指数、承载体易损性指数和防灾减灾能力指数与致灾因子危险性指数、孕灾环境脆弱性指数、承载体易损性指数和防灾减灾能力指数的权重,计算每个网格的干旱风险值。
其中,所述根据每个所述网格的单元网格数据计算每个网格的致灾因子危险性指数、孕灾环境脆弱性指数、承载体易损性指数、防灾减灾能力指数,具体包括:
根据网格的单元网格数据利用公式D=p×CI×d死亡人数占比×d经济损失占比,计算网格的致灾因子危险性指数D,其中,p为网格的干旱发生的概率,p=w1p轻度干旱+w2p中度干旱+w3p重度干旱,p轻度干旱、p中度干旱、p重度干旱分别为发生轻度干旱、中度干旱和重度干旱的频率,w1、w2和w3分别表示轻度干旱、中度干旱和重度干旱的权重,w1平均取0.18;w2平均取0.12;w3平均取0.7;CI为干旱发生程度的综合气象干旱指数,CI=aZ30+bZ90+cM30,Z30、Z90分别表示近30天和近90天的标准化降水指数SPI值,M30表示近30天的相对湿润度指数、a和b分别表示近30天和近90天的标准化降水指数SPI值的系数,c表示近30天的相对湿润度指数的系数,a平均取0.4,b平均取0.4,c平均取0.8;d死亡人数占比为死亡人数占比,死亡人数占比为因旱导致死亡人数与受旱影响人数之比;d经济损失占比为经济损失占比,经济损失占比为因旱损失的经济总数与所有因受灾导致的财政损失之比。
根据网格的单元网格数据利用公式B=Ltype×R河网密度×VHI×NPP×FVC×w人均水资源,计算网格的孕灾环境脆弱性指数B;其中,Ltype为脆弱性指标权重、Ltype={耕地:0.4,居民用地:0.2,牧草:0.3,林业:0.1},R河网密度为河网密度、VHI为植被健康指数、NPP为植被净初级生产力、FVC植被覆盖度、w人均水资源人均水资源量;脆弱性指标是表示承灾体本身受灾抗灾能力的大小。研究区域的土地类型能表示受干旱影响的对象,河网水系的多少能反映自然抗灾能力,植被健康指数能反映干旱对植被和农作的影响,植被覆盖度反映干旱对农作物范围的影响,植被净初级生产力指数可反映生态系统质量状况及碳源/汇的平衡情况。将研究区域网格化后形成的网格单元面分别与土地类型图、河网分布图、植被覆盖图作“空间交”计算。土地类型有耕地、居民居住地、牧草、林业,同等强度的干旱灾害对不同的土地类型造成的影响不一样,所以对不同土地类型赋予不同的权重。土地类型图也可用山势地貌图替代。河网密度通过每个网格内河流长度与河流数量确定。植被健康指数利用VCI与TCI计算,植被覆盖度可利用NDVI计算。用植被净初级生产力(NPP)表征陆地生态系统的质量状况。具体包括:将网格划分后的研究区域与研究区域的土地类型图做空间交计算,确定每个网格的土地类型;将网格划分后的研究区域与研究区域的河网分布图做空间交计算,确定每个网格的河网密度;将网格划分后的研究区域与研究区域的植被覆盖图做空间交计算,确定每个网格的植被覆盖度。
耕地和牧草容易受干旱影响巨大,所以权重较高,不同的土地类型取不同的权重。Ltype={耕地:0.4,居民用地:0.2,牧草:0.3,林业:0.1}。
同等强度的干旱对不同的水系河流造成的影响不一样,在空间交计算接收后,需要按不同河流的类型及河流的长度核算“网格正方形”内包含的河网信息。计算方式为:式中,li为网格内河流类型i的长度,河流类型即为大江大河第i级直流,(i=1,2,3,4),wi为河流类型i的权重参数。最后将单网格河网密度进行归一化,得到每个网格单元的河网密度系数。
人均水资源w人均水资源为水资源数量与人口数量之比。
植被覆盖度FVC可反映干旱对植被影响的范围,计算公式如下:
植被状态指数VCI反映水分对植被影响的程度
VCI=(NVDI-NVDImin)/(NVDImax-NVDI)×100
通过红外波段数据,计算温度状态指数TCI,
TCI=(BTmax-BT)/(BTmax-BTmin)×100
植被健康指数VHI反映温度和水文条件联合作用下对植被影响的程度,计算公式为:
VHI=a(VCI)+(1-a)(TCI)
其中:a为控制VCI和TCI对VHI影响程度的调节系数。
NPP根据不同作物收获部分的含水量和收获指数(经济产量与作物地上部分干重的比值)将农业统计数据的产量转换为植被碳储量。从县级农业统计数据到县级行政单元平均NPP的转换方法为:
式中,NPP为自然植被净第一生产力;RDI为辐射干燥度,r为年降雨量,PER的回归方程为:
RDI=(0.629+0.237PER-0.00313PER2)2
其中,PER为可能蒸散率;PET为年可能蒸散率;PER的计算公式为:PER=PET/r=BT×58.93/r
其中,BT是指年平均生物温度,是指出现植物营养生长范围内的平均温度,BT的计算公式为:
式中,t为小于30摄氏度与大于0摄氏度的日均值。
易损性指标是用来衡量干旱灾害对人类社会和经济生产造成的影响,与承载体暴露在干旱灾害中的面积、密度等密切相关。具体的,根据网格的单元网格数据利用公式F=p×e×a×w×g,计算网格的承载体易损性指数F;其中,p为研究区域内的人口密度;e为研究区域内的经济密度;a为研究区域的耕地率;w为研究区域内的粮食单产;g为研究区域内农业产值密度。其中,人口密度p为区域人口总数与区域面积所占的格子数目之比,即单位网格内人口数;经济密度e为区域生产总值与区域面积所占的格子数目的比值;耕地率a为研究区域内的耕地面积与区域面积所占的格子数目的比值;粮食单产w即为单位网格内粮食产量,研究区域粮食产量与区域面积所占的格子数目之比;农业产值密度g为区域农业总产值与区域面积所占的格子数目之比。
防灾减灾能力指标是反映研究区域对干旱灾害的抵御和恢复能力,具体表现在应对干旱灾害所造成的损失和破坏而采取的工程性和非工程性措施。工程型防灾减灾能力指标主要包括有效灌溉率、乡村公路通车率、水库容量和数量、单位网格内配备钻井机数量等;非工程型防灾减灾能力指标主要包括农民人均收入、财政收入、城乡人口比重、水利基础设施财政投入与医疗人员比重。具体的,根据网格的单元网格数据利用公式计算网格的防灾减灾能力指数P;其中,w有效灌溉、w乡村公路通车率、w水库总容量、w钻井机数量、w农民人均收入、w财政收入、w城乡人口比重、w水利设施财政投入和w医疗人员比重分别表示研究区域内的有效灌溉率、乡村公路通车率、水库总容量、钻井机数量、农民人均收入、财政收入、城乡人口比重、水利设施财政投入与医疗人员比重;p1、p2、p3、p4、p5、p6、p7、p8和p9分别表示研究区域内的有效灌溉率、乡村公路通车率、水库总容量、钻井机数量、农民人均收入、财政收入、城乡人口比重、水利设施财政投入与医疗人员权重系数;M研究区域网格数表示研究区域网格数量。pi(i=1,…,9)为每个指标的权重系数,由文献统计的经验估值方法和专家咨询及打分所得。指标P越大,表示抗风险能力越强。
其中,采用层次分析法确定致灾因子危险性指数、孕灾环境脆弱性指数、承载体易损性指数和防灾减灾能力指数的权重,具体包括:(1)建立层次结构模型,目标层为观测灾害风险指数,准则层为上述四个评价指标体系;(2)构造判断矩阵;(3)计算单排序权向量并做一致性检验,将判断矩阵成对比较,对每个成对比较矩阵计算最大特征值及其对应的特征向量,利用一致性指标、随机一致性指标和一致性比率做一致性检验。若检验通过,特征向量即为权向量;若不通过,需要重新构造成对比较矩阵。(4)计算总排序权向量并做一致性检验。(5)确定出各层指标的权重wd,wb,wf,wp。
步骤105,分别利用每个网格的训练样本集训练神经网络模型,获得每个网格的风险预测模型。
具体包括:构建神经网络模型。输入为多源数据,输出为风险评估值,训练得到计算干旱风险值的神经网络模型。再输入预测年份的多源数据,预测当年研究区的干旱风险值。
训练过程:f是通过神经网络训练得到的模型。将历史多源数据的80%作为xtrain,ytrain是通过风险评估模型得到的标签数据。
步骤106,获取预测年份的多源数据,并将预测年份的多源数据分配至每个所述网格,获取每个网格在预测年份的单元网格数据;
步骤107,将每个网格在预测年份的单元网格数据分别输入每个网格的风险预测模型,获得每个网格在预测年份的干旱风险值。
将历史多源数据的20%与预测年份的多源数据作为xtest。计算干旱风险值的评估值ypredict越高,代表当年所在区域可能受干旱灾害影响的风险越大。
本发明还提供一种基于多源数据的空间网格化干旱灾情风险评估系统,所述评估系统包括:
网格划分模块,用于对研究区域进行网格划分。
历史年份的多源数据获取模块,用于获取研究区域多个历史年份的多源数据。
多源数据分配模块,用于将每个历史年份的多源数据分配至每个所述网格,确定每个历史年份的每个网格的单元网格数据;
训练样本集建立模块,用于根据每个历史年份的每个网格的单元网格数据,确定每个历史年份的每个网格的干旱风险值,作为所述单元网格数据的标签,建立每个网格的训练样本集。
所述训练样本集建立模块,具体包括:指数计算子模块,用于根据每个所述网格的单元网格数据计算每个网格的致灾因子危险性指数、孕灾环境脆弱性指数、承载体易损性指数、防灾减灾能力指数;权重确定子模块,用于采用层次分析法确定致灾因子危险性指数、孕灾环境脆弱性指数、承载体易损性指数和防灾减灾能力指数的权重;干旱风险值计算子模块,用于根据致灾因子危险性指数、孕灾环境脆弱性指数、承载体易损性指数和防灾减灾能力指数与致灾因子危险性指数、孕灾环境脆弱性指数、承载体易损性指数和防灾减灾能力指数的权重,计算每个网格的干旱风险值。
其中,所述指数计算子模块,具体包括:致灾因子危险性指数计算单元,用于根据网格的单元网格数据利用公式D=p×CI×d死亡人数占比×d经济损失占比,计算网格的致灾因子危险性指数D,其中,p为网格的干旱发生的概率,p=w1p轻度干旱+w2p中度干旱+w3p重度干旱,p轻度干旱、p中度干旱、p重度干旱分别为发生轻度干旱、中度干旱和重度干旱的频率,w1、w2和w3分别表示轻度干旱、中度干旱和重度干旱的权重;CI为干旱发生程度的综合气象干旱指数,CI=aZ30+bZ90+cM30,Z30、Z90分别表示近30天和近90天的标准化降水指数SPI值,M30表示近30天的相对湿润度指数、a和b分别表示近30天和近90天的标准化降水指数SPI值的系数,c表示近30天的相对湿润度指数的系数;d死亡人数占比为死亡人数占比,d经济损失占比为经济损失占比;孕灾环境脆弱性指数计算单元,用于根据网格的单元网格数据利用公式B=Ltype×R河网密度×VHI×NPP×FVC×w人均水资源,计算网格的孕灾环境脆弱性指数B;其中,Ltype为脆弱性指标权重、Ltype={耕地:0.4,居民用地:0.2,牧草:0.3,林业:0.1},R河网密度为河网密度、VHI为植被健康指数、NPP为植被净初级生产力、FVC植被覆盖度、w人均水资源人均水资源量;承载体易损性指数计算单元,用于根据网格的单元网格数据利用公式F=p×e×a×w×g,计算网格的承载体易损性指数F;其中,p为研究区域内的人口密度;e为研究区域内的经济密度;a为研究区域的耕地率;w为研究区域内的粮食单产;g为研究区域内农业产值密度;防灾减灾能力指数计算单元,用于根据网格的单元网格数据利用公式计算网格的防灾减灾能力指数P;其中,w有效灌溉、w乡村公路通车率、w水库总容量、w钻井机数量、w农民人均收入、w财政收入、w城乡人口比重、w水利设施财政投入和w医疗人员比重分别表示研究区域内的有效灌溉率、乡村公路通车率、水库总容量、钻井机数量、农民人均收入、财政收入、城乡人口比重、水利设施财政投入与医疗人员比重;p1、p2、p3、p4、p5、p6、p7、p8和p9分别表示研究区域内的有效灌溉率、乡村公路通车率、水库总容量、钻井机数量、农民人均收入、财政收入、城乡人口比重、水利设施财政投入与医疗人员权重系数;M研究区域网格数表示研究区域网格数量。
所述指数计算子模块,还包括:土地类型确定单元,用于将网格划分后的研究区域与研究区域的土地类型图做空间交计算,确定每个网格的土地类型;河网密度确定单元,用于将网格划分后的研究区域与研究区域的河网分布图做空间交计算,确定每个网格的河网密度;植被覆盖度确定单元,用于将网格划分后的研究区域与研究区域的植被覆盖图做空间交计算,确定每个网格的植被覆盖度。
神经网络模型训练模块,用于分别利用每个网格的训练样本集训练神经网络模型,获得每个网格的风险预测模型。
预测数据获取模块,用于获取预测年份的多源数据,并将预测年份的多源数据分配至每个所述网格,获取每个网格在预测年份的单元网格数据;
预测模块,用于将每个网格在预测年份的单元网格数据分别输入每个网格的风险预测模型,获得每个网格在预测年份的干旱风险值。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提出了一种基于多源数据的空间网格化干旱灾情风险评估方法及系统。本发明提出多源数据与空间网格化互相协同的方法可得到对任意一研究区域的干旱灾害风险评估。
采用多源数据使评估考虑的因素和条件更全面,并划分当前近期数据和历史数据结合观测加可计算建模的思想,采用观测数据计算当前风险评估指数与历史数据形成的历史风险评估指数结合,构建的风险评估指数不但具有短期因素信息,而且还具有长期的模式信息。
在利用当前近期数据评估时,利用空间网格化技术实现空间上的精准评估进一步提高评估结果的精确度。
本说明书中等效实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,等效实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例,基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
Claims (6)
1.一种基于多源数据的空间网格化干旱灾情风险评估方法,其特征在于,所述评估方法包括如下步骤:
对研究区域进行网格划分;
获取研究区域多个历史年份的多源数据;
将每个历史年份的多源数据分配至每个所述网格,确定每个历史年份的每个网格的单元网格数据;
根据每个历史年份的每个网格的单元网格数据,确定每个历史年份的每个网格的干旱风险值,作为所述单元网格数据的标签,建立每个网格的训练样本集;
分别利用每个网格的训练样本集训练神经网络模型,获得每个网格的风险预测模型;
获取预测年份的多源数据,并将预测年份的多源数据分配至每个所述网格,获取每个网格在预测年份的单元网格数据;
将每个网格在预测年份的单元网格数据分别输入每个网格的风险预测模型,获得每个网格在预测年份的干旱风险值;
所述根据每个历史年份的每个网格的单元网格数据,确定每个历史年份的每个网格的干旱风险值,具体包括:
根据每个所述网格的单元网格数据计算每个网格的致灾因子危险性指数、孕灾环境脆弱性指数、承载体易损性指数、防灾减灾能力指数;
采用层次分析法确定致灾因子危险性指数、孕灾环境脆弱性指数、承载体易损性指数和防灾减灾能力指数的权重;
根据致灾因子危险性指数、孕灾环境脆弱性指数、承载体易损性指数和防灾减灾能力指数与致灾因子危险性指数、孕灾环境脆弱性指数、承载体易损性指数和防灾减灾能力指数的权重,计算每个网格的干旱风险值。
2.根据权利要求1所述的基于多源数据的空间网格化干旱灾情风险评估方法,其特征在于,所述根据每个所述网格的单元网格数据计算每个网格的致灾因子危险性指数、孕灾环境脆弱性指数、承载体易损性指数、防灾减灾能力指数,具体包括:
根据网格的单元网格数据利用公式D=p×CI×d死亡人数占比×d经济损失占比,计算网格的致灾因子危险性指数D;其中,p为网格的干旱发生的概率,p=w1p轻度干旱+w2p中度干旱+w3p重度干旱,p轻度干旱、p中度干旱、p重度干旱分别为发生轻度干旱、中度干旱和重度干旱的频率,w1、w2和w3分别表示轻度干旱、中度干旱和重度干旱的权重;CI为干旱发生程度的综合气象干旱指数,CI=aZ30+bZ90+cM30,Z30、Z90分别表示近30天和近90天的标准化降水指数SPI值,M30表示近30天的相对湿润度指数、a和b分别表示近30天和近90天的标准化降水指数SPI值的系数,c表示近30天的相对湿润度指数的系数;d死亡人数占比为死亡人数占比,d经济损失占比为经济损失占比;
根据网格的单元网格数据利用公式B=Ltype×R河网密度×VHI×NPP×FVC×w人均水资源,计算网格的孕灾环境脆弱性指数B;其中,Ltype为脆弱性指标权重、Ltype={耕地:0.4,居民用地:0.2,牧草:0.3,林业:0.1},R河网密度为河网密度、VHI为植被健康指数、NPP为植被净初级生产力、FVC植被覆盖度、w人均水资源人均水资源量;
根据网格的单元网格数据利用公式F=p×e×a×w×g,计算网格的承载体易损性指数F;其中,p为研究区域内的人口密度;e为研究区域内的经济密度;a为研究区域的耕地率;w为研究区域内的粮食单产;g为研究区域内农业产值密度;
根据网格的单元网格数据利用公式计算网格的防灾减灾能力指数P;其中,w有效灌溉、w乡村公路通车率、w水库总容量、w钻井机数量、w农民人均收入、w财政收入、w城乡人口比重、w水利设施财政投入和w医疗人员比重分别表示研究区域内的有效灌溉率、乡村公路通车率、水库总容量、钻井机数量、农民人均收入、财政收入、城乡人口比重、水利设施财政投入与医疗人员比重;p1、p2、p3、p4、p5、p6、p7、p8和p9分别表示研究区域内的有效灌溉率、乡村公路通车率、水库总容量、钻井机数量、农民人均收入、财政收入、城乡人口比重、水利设施财政投入与医疗人员权重系数;M研究区域网格数表示研究区域网格数量。
3.根据权利要求2所述的基于多源数据的空间网格化干旱灾情风险评估方法,其特征在于,所述根据网格的单元网格数据利用公式B=Ltype×R河网密度×VHI×NPP×FVC×w人均水资源,计算网格的孕灾环境脆弱性指数B,之前还包括:
将网格划分后的研究区域与研究区域的土地类型图做空间交计算,确定每个网格的土地类型;
将网格划分后的研究区域与研究区域的河网分布图做空间交计算,确定每个网格的河网密度;
将网格划分后的研究区域与研究区域的植被覆盖图做空间交计算,确定每个网格的植被覆盖度。
4.一种基于多源数据的空间网格化干旱灾情风险评估系统,其特征在于,所述评估系统包括:
网格划分模块,用于对研究区域进行网格划分;
历史年份的多源数据获取模块,用于获取研究区域多个历史年份的多源数据;
多源数据分配模块,用于将每个历史年份的多源数据分配至每个所述网格,确定每个历史年份的每个网格的单元网格数据;
训练样本集建立模块,用于根据每个历史年份的每个网格的单元网格数据,确定每个历史年份的每个网格的干旱风险值,作为所述单元网格数据的标签,建立每个网格的训练样本集;
神经网络模型训练模块,用于分别利用每个网格的训练样本集训练神经网络模型,获得每个网格的风险预测模型;
预测数据获取模块,用于获取预测年份的多源数据,并将预测年份的多源数据分配至每个所述网格,获取每个网格在预测年份的单元网格数据;
预测模块,用于将每个网格在预测年份的单元网格数据分别输入每个网格的风险预测模型,获得每个网格在预测年份的干旱风险值;
所述训练样本集建立模块,具体包括:
指数计算子模块,用于根据每个所述网格的单元网格数据计算每个网格的致灾因子危险性指数、孕灾环境脆弱性指数、承载体易损性指数、防灾减灾能力指数;
权重确定子模块,用于采用层次分析法确定致灾因子危险性指数、孕灾环境脆弱性指数、承载体易损性指数和防灾减灾能力指数的权重;
干旱风险值计算子模块,用于根据致灾因子危险性指数、孕灾环境脆弱性指数、承载体易损性指数和防灾减灾能力指数与致灾因子危险性指数、孕灾环境脆弱性指数、承载体易损性指数和防灾减灾能力指数的权重,计算每个网格的干旱风险值。
5.根据权利要求4所述的基于多源数据的空间网格化干旱灾情风险评估系统,其特征在于,所述指数计算子模块,具体包括:
致灾因子危险性指数计算单元,用于根据网格的单元网格数据利用公式D=p×CI×d死亡人数占比×d经济损失占比,计算网格的致灾因子危险性指数D,其中,p为网格的干旱发生的概率,p=w1p轻度干旱+w2p中度干旱+w3p重度干旱,p轻度干旱、p中度干旱、p重度干旱分别为发生轻度干旱、中度干旱和重度干旱的频率,w1、w2和w3分别表示轻度干旱、中度干旱和重度干旱的权重;CI为干旱发生程度的综合气象干旱指数,CI=aZ30+bZ90+cM30,Z30、Z90分别表示近30天和近90天的标准化降水指数SPI值,M30表示近30天的相对湿润度指数、a和b分别表示近30天和近90天的标准化降水指数SPI值的系数,c表示近30天的相对湿润度指数的系数;d死亡人数占比为死亡人数占比,d经济损失占比为经济损失占比;
孕灾环境脆弱性指数计算单元,用于根据网格的单元网格数据利用公式B=Ltype×R河网密度×VHI×NPP×FVC×w人均水资源,计算网格的孕灾环境脆弱性指数B;其中,Ltype为脆弱性指标权重、Ltype={耕地:0.4,居民用地:0.2,牧草:0.3,林业:0.1},R河网密度为河网密度、VHI为植被健康指数、NPP为植被净初级生产力、FVC植被覆盖度、w人均水资源人均水资源量;
承载体易损性指数计算单元,用于根据网格的单元网格数据利用公式F=p×e×a×w×g,计算网格的承载体易损性指数F;其中,p为研究区域内的人口密度;e为研究区域内的经济密度;a为研究区域的耕地率;w为研究区域内的粮食单产;g为研究区域内农业产值密度;
防灾减灾能力指数计算单元,用于根据网格的单元网格数据利用公式计算网格的防灾减灾能力指数P;其中,w有效灌溉、w乡村公路通车率、w水库总容量、w钻井机数量、w农民人均收入、w财政收入、w城乡人口比重、w水利设施财政投入和w医疗人员比重分别表示研究区域内的有效灌溉率、乡村公路通车率、水库总容量、钻井机数量、农民人均收入、财政收入、城乡人口比重、水利设施财政投入与医疗人员比重;p1、p2、p3、p4、p5、p6、p7、p8和p9分别表示研究区域内的有效灌溉率、乡村公路通车率、水库总容量、钻井机数量、农民人均收入、财政收入、城乡人口比重、水利设施财政投入与医疗人员权重系数;M研究区域网格数表示研究区域网格数量。
6.根据权利要求5所述的基于多源数据的空间网格化干旱灾情风险评估系统,其特征在于,所述指数计算子模块,还包括:
土地类型确定单元,用于将网格划分后的研究区域与研究区域的土地类型图做空间交计算,确定每个网格的土地类型;
河网密度确定单元,用于将网格划分后的研究区域与研究区域的河网分布图做空间交计算,确定每个网格的河网密度;
植被覆盖度确定单元,用于将网格划分后的研究区域与研究区域的植被覆盖图做空间交计算,确定每个网格的植被覆盖度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010574502.0A CN111737651B (zh) | 2020-06-22 | 2020-06-22 | 基于多源数据的空间网格化干旱灾情风险评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010574502.0A CN111737651B (zh) | 2020-06-22 | 2020-06-22 | 基于多源数据的空间网格化干旱灾情风险评估方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111737651A CN111737651A (zh) | 2020-10-02 |
CN111737651B true CN111737651B (zh) | 2024-02-20 |
Family
ID=72650474
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010574502.0A Active CN111737651B (zh) | 2020-06-22 | 2020-06-22 | 基于多源数据的空间网格化干旱灾情风险评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111737651B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN112331342A (zh) * | 2020-10-27 | 2021-02-05 | 昆明理工大学 | 一种基于网格化协变量因素的患病风险等级评估方法 |
CN112434971A (zh) * | 2020-12-10 | 2021-03-02 | 天津大学 | 基于神经网络的区域消防风险计算方法 |
CN112330079B (zh) * | 2021-01-07 | 2021-03-26 | 四川大汇大数据服务有限公司 | 地表信息预测方法及装置 |
CN112966960A (zh) * | 2021-03-23 | 2021-06-15 | 西安理工大学 | 一种基于土壤湿度的多阈值干旱综合风险评价方法 |
CN113380422B (zh) * | 2021-05-24 | 2024-06-18 | 首都医科大学 | 一种疫情规模预测方法、装置、电子设备及存储介质 |
CN113298438A (zh) * | 2021-06-22 | 2021-08-24 | 中国平安财产保险股份有限公司 | 区域风险等级的评估方法、装置、计算机设备及存储介质 |
CN114781932B (zh) * | 2022-06-16 | 2022-11-01 | 长江水利委员会长江科学院 | 区域干旱防治的区划方法、计算机设备及计算机存储介质 |
CN116415110B (zh) * | 2023-06-05 | 2023-08-15 | 武汉大学 | 基于多源遥感密度数据进行碳排放量分区网格化的方法 |
CN116776238B (zh) * | 2023-08-25 | 2023-11-03 | 汇杰设计集团股份有限公司 | 一种基于多源信息水旱灾害动态风险评估方法和系统 |
CN117787542A (zh) * | 2023-12-22 | 2024-03-29 | 暗物质(北京)智能科技有限公司 | 一种干旱风险评估方法、装置、计算机设备及存储介质 |
CN117894158B (zh) * | 2024-03-15 | 2024-06-18 | 江苏省气象台 | 一种基于智能网格气温预报的寒潮灾害危险性预评估方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103577720A (zh) * | 2013-11-29 | 2014-02-12 | 民政部国家减灾中心 | 一种区域旱灾风险估计方法 |
KR20170005553A (ko) * | 2015-07-06 | 2017-01-16 | 주식회사 유일기연 | 지능형 정보제공을 위한 홍수, 가뭄정보의 평가 및 예측 기법 개발 |
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 |
CN107451522A (zh) * | 2017-04-28 | 2017-12-08 | 山东省农业可持续发展研究所 | 一种农业干旱监测与预警预报方法 |
KR20200048898A (ko) * | 2018-10-31 | 2020-05-08 | 강원대학교산학협력단 | 머신러닝을 이용한 홍수 또는 가뭄 위험 분석 장치 및 방법 |
-
2020
- 2020-06-22 CN CN202010574502.0A patent/CN111737651B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103577720A (zh) * | 2013-11-29 | 2014-02-12 | 民政部国家减灾中心 | 一种区域旱灾风险估计方法 |
KR20170005553A (ko) * | 2015-07-06 | 2017-01-16 | 주식회사 유일기연 | 지능형 정보제공을 위한 홍수, 가뭄정보의 평가 및 예측 기법 개발 |
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 |
CN107451522A (zh) * | 2017-04-28 | 2017-12-08 | 山东省农业可持续发展研究所 | 一种农业干旱监测与预警预报方法 |
KR20200048898A (ko) * | 2018-10-31 | 2020-05-08 | 강원대학교산학협력단 | 머신러닝을 이용한 홍수 또는 가뭄 위험 분석 장치 및 방법 |
Non-Patent Citations (2)
Title |
---|
云南省干旱灾害风险评估;何娇楠;李运刚;李雪;黄江成;;自然灾害学报(第05期);全文 * |
基于信息融合与深度学习的区域干旱致灾预警方法研究;杜栋;刘梦雨;;海河水利(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111737651A (zh) | 2020-10-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111737651B (zh) | 基于多源数据的空间网格化干旱灾情风险评估方法及系统 | |
Zhu et al. | Flood disaster risk assessment based on random forest algorithm | |
Atoma et al. | Soil erosion assessment using RUSLE model and GIS in Huluka watershed, Central Ethiopia | |
Chopra | Drought risk assessment using remote sensing and GIS: a case study of Gujarat | |
CN106651211A (zh) | 一种不同尺度区域洪水灾害风险评估的方法 | |
Purnamasari et al. | Land suitability assessment for cassava production in Indonesia using GIS, remote sensing and multi-criteria analysis | |
Liu et al. | Dynamic risk assessment of drought disaster for maize based on integrating multi-sources data in the region of the northwest of Liaoning Province, China | |
Kundu et al. | Evaluation of socio-economic drought risk over bundelkhand region of India using analytic hierarchy process (AHP) and geo-spatial techniques | |
Kidane et al. | Evaluating the impacts of climate and land use/land cover (LU/LC) dynamics on the Hydrological Responses of the Upper Blue Nile in the Central Highlands of Ethiopia | |
Zarei et al. | Sensitivity assessment to the occurrence of different types of droughts using GIS and AHP techniques | |
Singh et al. | Drought risk assessment and prediction using artificial intelligence over the southern Maharashtra state of India | |
Purnamasari et al. | Land suitability assessment for cassava production in Indonesia using GIS, remote sensing, and multi-criteria analysis | |
Tatishvili et al. | The Use of Structured Data for Drought Evaluation in Georgia | |
CN113570273B (zh) | 一种灌溉耕地统计数据的空间化方法及系统 | |
Saini et al. | Geoinformatics and analytic hierarchy process based drought vulnerability assessment over a dryland ecosystem of north-western India | |
Talebi Khiavi et al. | Temporal land use change and its economic values under competing driving forces in a diverse land use configuration | |
Rahmoun et al. | Ruralization vs. urbanization sprawl as guiding regional planning: development scenario for rivers watershed in the southern syrian coastal region | |
CN117611993A (zh) | 一种基于遥感实际蒸散发估算植被分类的方法 | |
Zhang et al. | Assessing and mapping human well-being for sustainable development amid drought and flood hazards: Dadu River Basin of China | |
Irumva et al. | The need of incorporating indigenous knowledge systems into modern weather forecasting methods | |
Latuf et al. | Assessment of suspended sediment discharge in the Purus River basin, Brazil | |
Dolui et al. | Landslide susceptibility mapping using AHP model in Nilgiri District | |
Guillory et al. | A drought monitor for Australia | |
Artunov | Remote sensing study of the impact of social-economic development on the scale of land use in The Shaki District | |
Shah et al. | Spatial–temporal variations of vegetation and drought severity across Tharparkar, Pakistan, using remote sensing-derived indices |
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 |