CN113191644B - 一种基于自发-引发风险评价模型城市内涝风险评价方法 - Google Patents
一种基于自发-引发风险评价模型城市内涝风险评价方法 Download PDFInfo
- Publication number
- CN113191644B CN113191644B CN202110491058.0A CN202110491058A CN113191644B CN 113191644 B CN113191644 B CN 113191644B CN 202110491058 A CN202110491058 A CN 202110491058A CN 113191644 B CN113191644 B CN 113191644B
- Authority
- CN
- China
- Prior art keywords
- risk
- evaluation
- road
- spontaneous
- index
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 64
- 230000002269 spontaneous effect Effects 0.000 title claims abstract description 47
- 238000013210 evaluation model Methods 0.000 title claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 69
- 230000000977 initiatory effect Effects 0.000 claims abstract description 20
- 238000011158 quantitative evaluation Methods 0.000 claims abstract description 12
- 238000011160 research Methods 0.000 claims abstract description 9
- 230000008878 coupling Effects 0.000 claims abstract description 8
- 238000010168 coupling process Methods 0.000 claims abstract description 8
- 238000005859 coupling reaction Methods 0.000 claims abstract description 8
- 230000008569 process Effects 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000004088 simulation Methods 0.000 claims description 10
- 230000002411 adverse Effects 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000007547 defect Effects 0.000 claims description 4
- 238000013459 approach Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 230000006698 induction Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 4
- 206010033799 Paralysis Diseases 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000004308 accommodation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000007 visual effect Effects 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
- G06Q10/06—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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Operations Research (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
本发明涉及一种基于自发‑引发风险评价模型城市内涝风险评价方法,属于洪灾风险评价技术领域,包括以下步骤:获取研究区域基础资料;划分研究区域内涝风险为自发风险和引发风险,构建城市内涝风险评价指标体系;建立自发风险和引发风险量化评价方法和耦合评价模型;采用组合赋权法计算各评价指标权重;采用灰色模糊综合评价法计算各子区域风险值;利用自然断点法划分风险等级;该发明所提供的方法,综合考虑了由区域自身致灾因子、孕灾环境等带来的自发风险和由区域道路被淹对其他各区域产生的影响所带来的引发风险,结构简单、评估内容全面、可操作性强,能直观反映区域内涝风险的两个主要来源,为城市内涝防治提供科学可靠的决策支持。
Description
技术领域
本发明涉及洪灾风险评价技术领域,特别是涉及一种基于自发-引发风险评价模型城市内涝风险评价方法。
背景技术
受强降雨、快速城市化、排水系统承载能力不足三重因素影响,城市内涝灾害发生频率增加,灾害损失加大。内涝风险评价作为城市内涝管理和风险减轻的重要工具,对于城市内涝灾害管理、预警及规划整治具有重要意义。
城市道路网络作为城市重要的基础设施,是城市经济发展的关键要素,但极易受到洪水影响。道路淹没将阻碍与之相连的其他区域的交通出行,导致灾防人力和设施无法按时到达、正常通行和就医等事情受阻等。严重情况下,将打断正常的社会经济生活,造成人员伤亡,极大地增加了淹没道路所在区域的潜在内涝风险。目前城市内涝风险评价方法的相关研究主要聚焦于各区域由致灾因子、孕灾环境等导致的自身内涝风险,未考虑由区域道路淹没造成的交通拥堵等引发的区域潜在系统灾害风险。
发明内容
针对上述问题,本发明旨在提供一种基于自发-引发风险评价模型城市内涝风险评价方法,综合考虑由区域致灾因子、社会经济暴露性带来的自发风险和由区域道路淹没对其他区域的不利影响产生的引发风险。
本发明的目的采用以下技术方案来实现:
提供了一种基于自发-引发风险评价模型城市内涝风险评价方法,包括以下步骤:
步骤一,获取待研究区域内涝风险评价所需的基础资料,包括构建城市内涝模拟模型所需基础数据(数字高程数据、河流数据、排水数据和降雨数据)、历史洪水事件资料、内涝风险评估指标所需数据;
步骤二,划分研究区域内涝风险为自发风险和引发风险,构建城市内涝风险评价指标体系;
步骤三,分别建立自发风险和引发风险量化评价方法,并提出区域内涝风险耦合评价模型;
步骤四,采用主客观权重相结合的组合赋权法计算各评价指标权重;
步骤五,采用灰色模糊综合评价法计算各子区域风险值;
步骤六,利用自然断点法划分各子区域风险等级。
进一步,自发风险和引发风险分别为:
所述自发风险SR是指区域致灾因子和自身社会经济暴露性相互作用导致的内涝风险,所述自发风险的指标体系包括平均最大淹没深度MD、最大淹没面积占比RA、平均最大淹没流速MV、人口密度DPP、POI密度DPOI、建筑物密度DB;
所述引发风险TR是指被评价区域道路被淹后对其他区域造成的不利影响所引发的潜在风险,所述引发风险的指标体系包括道路平均最大淹没深度RMD和道路中心性RBC,
其中,RMD是指道路内所有淹没网格最大淹没深度的平均值,计算如下:
式中,MDg为道路淹没网格g的最大淹没深度;n为被评价道路所包含的淹没网格总数,其中,道路淹没网格的最大淹没深度通过将道路网络图层与内涝模型模拟结果叠加后提取得到,RMD直接影响居民出行和交通运行状况,其值越高,道路淹没情况越严重,更易导致道路中断;
RBC基于通过一条道路的最短路径数量计算得到,是道路结构重要性参数,由下式定义:
式中,σod为从子区域o到子区域d的最短路径数;σod(r)为从子区域o到子区域d所有最短路径中经过道路r的数量;N为子区域总数;各子区域间的最短路径通过路径分析功能得到;RBC体现了路段在网络中的连通性,具有较高RBC值的道路使用率较高,具有更高的交通流量,若高RBC路段因淹没中断,则更易将路网分割成簇,导致交通瘫痪,对其他区域产生不利影响,即评价区域具有更高的引发风险。
进一步,自发风险和引发风险量化评价方法与区域内涝风险耦合评价模型具体如下:
所述自发风险量化评价方法如下:
式中,RSR为SR风险值;ωs为SR指标s所分配的权重;Ps为SR指标s的得分;m为指标总数;
所述引发风险量化评价方法如下:
RRoad-r=ω1·RMD+ω2·RBC
式中,RRoad-r为道路r的内涝风险值;ω1、ω2分别为TR指标RMD、RBC所分配的权重;
所述区域内涝风险耦合评价模型如下:
耦合自发风险值RSR和引发风险值RTR,得到各子区域内涝总风险FR值:
RFR=α·RSR+β·RTR
式中,RFR、RSR、RTR分别为FR、SR、TR的风险值;α、β分别为各项对应的权重。
进一步,采用主客观权重相结合的组合赋权法计算各评价指标权重:
主观权重确定采用层次分析法,包括层次结构模型建立、判断矩阵构造、各层权重计算与一致性检验四个步骤;
客观权重确定采用改进熵权法,以克服传统熵权法当各指标熵值趋近于1时,熵值间的微小差距会引起熵权成倍变化的缺陷,计算公式如下:
基于层次分析法和改进熵权法计算得到的各评价指标权重,线性加权得到组合权重:
为减小主观因素的影响,依据变异系数法计算α,计算公式如下:
式中,ω'1、ω'2、……、ω'q为层次分析法权重值由小到大的排列;q为指标个数。
进一步,采用灰色模糊综合评价法计算各子区域风险值,包括下列步骤:
(1)对于m个被评价对象,n个评价指标,构造初始数据矩阵F:
式中:fij为第i个评价对象的第j个评价指标值;
(2)指标无量纲处理,并确定最优指标集:
(3)灰色关联系数计算:
式中:ρ∈[0,1],一般取0.5,称为分辨系数;
(4)内涝风险值计算
将权重向量W=(ω1,ω2,···,ωn)与隶属度矩阵RT进行合成运算,本发明采用相乘算子,得到各评价对象的内涝风险值:
有益效果
与现有方法相比,本发明的优点和有益效果为:
本发明提供了一种基于自发-引发风险评价模型城市内涝风险评价方法,综合考虑由区域致灾因子、社会经济暴露性带来的自发风险和由区域道路淹没对其他区域的不利影响产生的引发风险。该方法能直观地反映城市内涝风险的两个主要来源,结构简单,评估内容全面,可操作性强,可为城市内涝防治提供科学可靠的决策支持。
2.本发明采取了主客观相结合的权重确定方法,在充分利用专家知识经验的同时,发掘数据内在规律,降低随机性,极大地提高了权重确定结果的合理性和可靠度。
3.以往常用的模糊综合评价法存在隶属度函数不明确、阈值人为确定的缺陷,本发明提出灰色模糊综合评价法,引入灰色评价思想,通过求解指标值与最优值的距离代替隶属度,避免了模糊评价主观性强的缺点。
4.为避免人为设定各风险等级阈值,本发明采用自然断点法进行内涝风险等级划分,在保证每一组内部相似性最大,外部组与组之间相异性最大的同时,兼顾每一组之间要素的范围和个数尽量相近。
附图说明
图1为本发明提供的一种基于自发-引发风险评价模型城市内涝风险评价方法整体流程示意图;
图2为基于自发-引发风险评价模型的城市内涝风险评价指标体系图;
图3为以海南省海口市海甸岛区域为例绘制的自发风险指标分布图;
图4为以海南省海口市海甸岛区域为例绘制的引发风险指标分布图;
图5为以海南省海口市海甸岛区域为例绘制的内涝风险区划图。
具体实施方式
下面结合附图对本发明作出详细说明:
以下将结合实施例附图对本发明的具体实施方式进行详细说明。显然,所描述的实施例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。
本实施例结合海口市海甸岛区域,根据海甸岛区域内涝的特点,从自发风险和引发风险的角度出发,建立了一种基于自发-引发风险评价模型城市内涝风险评价方法,其整体流程示意图如图1所示,具体包括以下步骤:
步骤一,获取待研究区域内涝风险评价所需的基础资料,包括构建城市内涝模拟模型所需基础数据(数字高程数据、河流数据、排水数据和降雨数据)、历史洪水事件资料、内涝风险评估指标所需数据,具体如下:
(1)数字高程模型(DEM,m):DEM反映研究区域的地形条件,是城市内涝模拟模型的基本数据;
(2)河道数据和排水系统数据:这些是城市内涝模拟模型的基本数据。河道数据主要包括河道横截面形状以及它们之间的距离,排水数据包括管道和检查井的位置、检查井深度和管道尺寸;
(3)降雨数据:指每小时的降雨数据,是城市内涝模拟模型的输入数据;
(4)历史洪水事件数据:用于校准城市内涝模拟模型,包括淹没深度和降雨量;
(5)POI密度(DPOI,个/万m2):各子区域内POI总数与子区域面积之比。本实施例POI包括餐饮、住宿、购物、商务、教育和医疗;
(6)建筑物密度(DB,m2/万m2):各子区域建筑物面积与子区域面积之比。建筑物面积通过可视化图像环境(ENVI)软件从卫星遥感图像中提取;
(7)人口密度(DPP,/万m2):各子区域内总人口数与子区域面积之比。其中各子区域人口数量估算方法如下:
Fb=Hb÷HF
(8)平均最大淹没深度(MD,m)、最大淹没面积占比(RA,%)、平均最大淹没流速(MV,m/s):平均最大淹没深度是指子区域内最大淹没水量与淹没面积之比;最大淹没面积占比是指子区域内最大淹没面积与子区域面积之比;平均最大淹没流速是指子区域内所有淹没网格最大流速的平均值。由内涝模拟模型得出;
(9)道路网络图层:是量化与道路相关指标的基础数据。
步骤二,划分研究区域内涝风险为自发风险和引发风险,构建城市内涝风险评价指标体系,如图2所示。
所述自发风险SR是指区域致灾因子和自身社会经济暴露性相互作用导致的内涝风险,所述自发风险的指标体系包括平均最大淹没深度MD、最大淹没面积占比RA、平均最大淹没流速MV、人口密度DPP、POI密度DPOI、建筑物密度DB,自发风险各指标分布如图3所示;
所述引发风险TR是指被评价区域道路被淹后对其他区域造成的不利影响所引发的潜在风险,所述引发风险的指标体系包括道路平均最大淹没深度RMD和道路中心性RBC,
其中,RMD是指道路内所有淹没网格最大淹没深度的平均值,计算如下:
式中,MDg为道路淹没网格g的最大淹没深度;n为被评价道路所包含的淹没网格总数,其中,道路淹没网格的最大淹没深度通过将道路网络图层与内涝模型模拟结果叠加后提取得到,RMD直接影响居民出行和交通运行状况,其值越高,道路淹没情况越严重,更易导致道路中断;
RBC基于通过一条道路的最短路径数量计算得到,是道路结构重要性参数,由下式定义:
式中,σod为从子区域o到子区域d的最短路径数;σod(r)为从子区域o到子区域d所有最短路径中经过道路r的数量;N为子区域总数;各子区域间的最短路径通过路径分析功能得到;RBC体现了路段在网络中的连通性,具有较高RBC值的道路使用率较高,具有更高的交通流量,若高RBC路段因淹没中断,则更易将路网分割成簇,导致交通瘫痪,对其他区域产生不利影响,即评价区域具有更高的引发风险,引发风险各指标分布如图4所示。
步骤三,提出自发风险和引发风险量化评价方法,并构建区域内涝风险耦合评价模型:
所述自发风险量化评价方法如下:
式中,RSR为SR风险值;ωs为SR指标s所分配的权重;Ps为SR指标s的得分;m为指标总数;
所述引发风险量化评价方法如下:
RRoad-r=ω1·RMD+ω2·RBC
式中,RRoad-r为道路r的内涝风险值;ω1、ω2分别为TR指标RMD、RBC所分配的权重;
所述区域内涝风险耦合评价模型如下:
耦合自发风险值RSR和引发风险值RTR,得到各子区域内涝总风险FR值:
RFR=α·RSR+β·RTR
式中,RFR、RSR、RTR分别为FR、SR、TR的风险值;α、β分别为各项对应的权重。
步骤四,采用主客观权重相结合的组合赋权法计算各评价指标权重:
主观权重确定采用层次分析法,包括层次结构模型建立、判断矩阵构造、各层权重计算与一致性检验四个步骤。本发明中自发风险指标和引发风险指标判断矩阵分别见表1和表2。
表1自发风险指标判断矩阵
表2引发风险指标判断矩阵
客观权重确定采用改进熵权法,以克服传统熵权法当各指标熵值趋近于1时,熵值间的微小差距会引起熵权成倍变化的缺陷,计算公式如下:
基于层次分析法和改进熵权法计算得到的各评价指标权重,线性加权得到组合权重:
为减小主观因素的影响,依据变异系数法计算α,计算公式如下:
式中,ω'1、ω'2、……、ω'q为层次分析法权重值由小到大的排列;q为指标个数。
自发风险、引发风险各指标权重如表3和表4所示
表3自发风险指标权重
表4引发风险指标权重
步骤五,采用灰色模糊综合评价法计算各子区域风险值,包括下列步骤:
(1)对于m个被评价对象,n个评价指标,构造初始数据矩阵F:
式中:fij为第i个评价对象的第j个评价指标值;
(2)指标无量纲处理,并确定最优指标集:
(3)灰色关联系数计算:
式中:ρ∈[0,1],一般取0.5,称为分辨系数;
(4)内涝风险值计算
将权重向量W=(ω1,ω2,···,ωn)与隶属度矩阵RT进行合成运算,本发明采用相乘算子,得到各评价对象的内涝风险值:
步骤六,利用自然断点法划分各子区域风险等级。区域内涝FR、SR以及TR风险等级空间分布图,如图5所示。
从上述计算结果可知,FR极高风险区主要分布于海甸岛主干道周边的商业人口密集、地势平坦的区域。这些区域社会经济暴露性高,且积水形成后不易排出,淹没情况严重,同时其周边主干道一旦被淹将严重阻碍其他区域的正常交通。整体来看,高风险区集中于研究区域中心,东南部地区的内涝风险高于西北部地区。
与单一考虑SR相比,考虑TR后,部分距离研究区域主干道较远的区域FR风险等级降低,而主干道尤其是主干道交叉口周边区域FR风险等级提高。经统计,有48个区域FR等级低于SR等级,大多位于研究区域较外环的远离主干道的区域。而有19个区域FR等级高于SR等级,大多数位于海甸五路与人民大道两个主干道交叉口周边。
本发明并不限于上文描述的实施方式。以上对具体实施方式的描述旨在描述和说明本发明的技术方案,上述的具体实施方式仅仅是示意性的,并不是限制性的。在不脱离本发明宗旨和权利要求所保护的范围情况下,本领域的普通技术人员在本发明的启示下还可做出很多形式的具体变换,这些均属于本发明的保护范围之内。
Claims (3)
1.一种基于自发-引发风险评价模型城市内涝风险评价方法,其特征在于,包括以下步骤:
步骤一,获取待研究区域内涝风险评价所需的基础资料,包括构建城市内涝模拟模型所需基础数据、历史洪水事件资料、内涝风险评估指标所需数据;
步骤二,划分研究区域内涝风险为自发风险和引发风险,构建城市内涝风险评价指标体系;所述自发风险和引发风险分别为:
所述自发风险SR是指区域致灾因子和自身社会经济暴露性相互作用导致的内涝风险,所述自发风险的指标体系包括平均最大淹没深度MD、最大淹没面积占比RA、平均最大淹没流速MV、人口密度DPP、POI密度DPOI、建筑物密度DB;
所述引发风险TR是指被评价区域道路被淹后对其他区域造成的不利影响所引发的潜在风险,所述引发风险的指标体系包括道路平均最大淹没深度RMD和道路中心性RBC,
其中,RMD是指道路内所有淹没网格最大淹没深度的平均值,计算如下:
式中,MDg为道路淹没网格g的最大淹没深度;n为被评价道路所包含的淹没网格总数,
RBC基于通过一条道路的最短路径数量计算得到,是道路结构重要性参数,由下式定义:
式中,σod为从子区域o到子区域d的最短路径数;σod(r)为从子区域o到子区域d所有最短路径中经过道路r的数量;N为子区域总数;各子区域间的最短路径通过路径分析功能得到;
步骤三,分别建立自发风险和引发风险量化评价方法,并提出区域内涝风险耦合评价模型;其中:所述自发风险和引发风险量化评价方法与区域内涝风险耦合评价模型如下:
3.1所述自发风险量化评价方法如下:
式中,RSR为SR风险值;ωs为SR指标s所分配的权重;Ps为SR指标s的得分;m为指标总数;
3.2所述引发风险量化评价方法如下:
RRoad-r=ω1·RMD+ω2·RBC
式中,RRoad-r为道路r的内涝风险值;ω1、ω2分别为TR指标RMD、RBC所分配的权重;
3.3所述区域内涝风险耦合评价模型如下:
耦合自发风险值RSR和引发风险值RTR,得到各子区域内涝总风险FR值:
RFR=α·RSR+β·RTR
式中,RFR、RSR、RTR分别为FR、SR、TR的风险值;α、β分别为各项对应的权重;
步骤四,采用主客观权重相结合的组合赋权法计算各评价指标权重;
步骤五,采用灰色模糊综合评价法计算各子区域风险值;
步骤六,利用自然断点法划分各子区域风险等级。
2.根据权利要求1所述的基于自发-引发风险评价模型城市内涝风险评价方法,其特征在于,步骤四中,采用主客观权重相结合的组合赋权法计算各评价指标权重:
4.1主观权重确定采用层次分析法,包括层次结构模型建立、判断矩阵构造、各层权重计算与一致性检验四个步骤;
4.2客观权重确定采用改进熵权法,以克服传统熵权法当各指标熵值趋近于1时,熵值间的微小差距会引起熵权成倍变化的缺陷,计算公式如下:
4.3基于层次分析法和改进熵权法计算得到的各评价指标权重,线性加权得到组合权重:
为减小主观因素的影响,依据变异系数法计算α,计算公式如下:
式中,ω'1、ω'2、……、ω'q为层次分析法权重值由小到大的排列;q为指标个数。
3.根据权利要求1所述的基于自发-引发风险评价模型城市内涝风险评价方法,其特征在于,步骤五中,采用灰色模糊综合评价法计算各子区域风险值,包括下列步骤:
5.1对于m个被评价对象,n个评价指标,构造初始数据矩阵F:
式中:fij为第i个评价对象的第j个评价指标值;
5.2指标无量纲处理,并确定最优指标集:
假定第i个指标的最大值与最小值分别为fj max、fj min,对fij无量纲处理得到Dij:
5.3灰色关联系数计算:
式中:ρ∈[0,1],0.5称为分辨系数;
5.4内涝风险值计算
将权重向量W=(ω1,ω2,···,ωn)与隶属度矩阵RT进行合成运算,本发明采用相乘算子,得到各评价对象的内涝风险值:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110491058.0A CN113191644B (zh) | 2021-05-06 | 2021-05-06 | 一种基于自发-引发风险评价模型城市内涝风险评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110491058.0A CN113191644B (zh) | 2021-05-06 | 2021-05-06 | 一种基于自发-引发风险评价模型城市内涝风险评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113191644A CN113191644A (zh) | 2021-07-30 |
CN113191644B true CN113191644B (zh) | 2022-12-06 |
Family
ID=76983912
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110491058.0A Active CN113191644B (zh) | 2021-05-06 | 2021-05-06 | 一种基于自发-引发风险评价模型城市内涝风险评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113191644B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113869354B (zh) * | 2021-08-16 | 2024-05-07 | 天津大学 | 一种凌汛期堤防危险性综合评价方法 |
CN114943488B (zh) * | 2022-07-21 | 2022-11-22 | 中国气象局公共气象服务中心(国家预警信息发布中心) | 一种气象灾害预警信号效能评估方法 |
CN115147024B (zh) * | 2022-09-05 | 2022-12-13 | 杭州元声象素科技有限公司 | 一种地理加权回归的网格化险情处理方法和系统 |
CN115953281A (zh) * | 2022-12-19 | 2023-04-11 | 贵州大学 | 一种城市地下空间的内涝灾害动态评估方法及系统 |
CN116128322B (zh) * | 2023-02-23 | 2023-07-25 | 河海大学 | 城市复杂地理场景下洪涝灾害智能体交互式应急决策方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102629296A (zh) * | 2012-02-29 | 2012-08-08 | 浙江工商大学 | 一种基于灰色模糊的企业信用评价方法 |
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 |
CN106940840A (zh) * | 2017-03-14 | 2017-07-11 | 东南大学 | 一种城市内涝灾害风险评估方法 |
CN109272189A (zh) * | 2018-08-03 | 2019-01-25 | 华南理工大学 | 一种基于链式结构的城市尺度洪涝灾害风险评估方法 |
CN109858647A (zh) * | 2018-12-21 | 2019-06-07 | 河海大学 | 一种耦合gis和gbdt算法的区域洪涝灾害风险评价与预估方法 |
CN111507375A (zh) * | 2020-03-09 | 2020-08-07 | 中山大学 | 一种城市内涝风险快速评估方法及系统 |
CN112132371A (zh) * | 2019-06-25 | 2020-12-25 | 天津大学 | 一种耦合熵权-模糊聚类算法的城市洪涝风险评估方法 |
CN112433264A (zh) * | 2020-12-08 | 2021-03-02 | 温州大学瓯江学院 | 复杂台风气象环境下洪涝灾害风险综合评估方法及预警信息平台 |
-
2021
- 2021-05-06 CN CN202110491058.0A patent/CN113191644B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102629296A (zh) * | 2012-02-29 | 2012-08-08 | 浙江工商大学 | 一种基于灰色模糊的企业信用评价方法 |
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 |
CN106940840A (zh) * | 2017-03-14 | 2017-07-11 | 东南大学 | 一种城市内涝灾害风险评估方法 |
CN109272189A (zh) * | 2018-08-03 | 2019-01-25 | 华南理工大学 | 一种基于链式结构的城市尺度洪涝灾害风险评估方法 |
CN109858647A (zh) * | 2018-12-21 | 2019-06-07 | 河海大学 | 一种耦合gis和gbdt算法的区域洪涝灾害风险评价与预估方法 |
CN112132371A (zh) * | 2019-06-25 | 2020-12-25 | 天津大学 | 一种耦合熵权-模糊聚类算法的城市洪涝风险评估方法 |
CN111507375A (zh) * | 2020-03-09 | 2020-08-07 | 中山大学 | 一种城市内涝风险快速评估方法及系统 |
CN112433264A (zh) * | 2020-12-08 | 2021-03-02 | 温州大学瓯江学院 | 复杂台风气象环境下洪涝灾害风险综合评估方法及预警信息平台 |
Non-Patent Citations (2)
Title |
---|
Urban flooding risk assessment based on an integrated k-means cluster algorithm and improved entropy weight method in the region of Haikou, China;Hongshi Xua等;《Journal of Hydrology》;20180831;第975-986页 * |
基于FloodArea模型的城市内涝灾害风险评估与预警;谢五三等;《长江流域资源与环境》;20181231;第2848-2855页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113191644A (zh) | 2021-07-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113191644B (zh) | 一种基于自发-引发风险评价模型城市内涝风险评价方法 | |
CN110852577B (zh) | 基于城市韧性与城市流域水文模型的城市洪涝评估方法 | |
CN104408900B (zh) | 基于动态优化的神经网络洪水预警装置及其方法 | |
CN110472882A (zh) | 基于主成分分析的城市开发用地适宜性评价方法 | |
CN111080136B (zh) | 一种强震后地质灾害链的风险定量评估方法及装置 | |
KR20180116820A (ko) | 다중 가중치 산정 및 topsis를 이용한 단위유역별 수자원 취약성 평가 방법 | |
CN107145672B (zh) | 平原河网区域地下水脆弱性及污染风险评估方法及系统 | |
CN113033997A (zh) | 基于改进集对分析的城市水质等级确定方法、装置及介质 | |
Qi et al. | A comprehensive analysis method of spatial prioritization for urban flood management based on source tracking | |
CN115423272B (zh) | 一种融合历史淹没强度的洪涝风险评估方法和系统 | |
CN108269016A (zh) | 一种基于信息扩散的小流域山洪灾害风险分析方法 | |
CN113409550A (zh) | 基于径流汇流模拟的泥石流灾害预警方法及系统 | |
CN109784720B (zh) | 一种台风灾害下基于时空网格关联的配电网风险评估方法 | |
CN114897378A (zh) | 地质灾害精细化气象风险预警区评价方法及装置 | |
CN105590034A (zh) | 防汛减灾能力评价模型 | |
CN112330150A (zh) | 大区域泥石流灾害可发性的早期判识方法 | |
Wang et al. | Early warning of debris flow using optimized self-organizing feature mapping network | |
CN113689151B (zh) | 跨流域调水工程对交叉河流下游区域的防洪风险评估方法 | |
CN115393148A (zh) | 自然资源用数据监测系统、监测方法、设备、介质及终端 | |
Islam et al. | Risk assessment of river bank failure due to floods in Jamuna, Ganges and Padma Rivers in Bangladesh | |
Jose et al. | Assessing the vulnerability of agricultural crops to riverine floods in kalibo, philippines using composite index method | |
CN113393144A (zh) | 地质滑坡静态要素风险分级的评估方法及评估装置 | |
Ghimire | Evaluation of one-dimensional and two-dimensional HEC-RAS models for flood travel time prediction and damage assessment using HAZUS-MH a case study of Grand River, Ohio | |
CN113887774A (zh) | 基于神经网络的水库水位预测方法 | |
CN110674471A (zh) | 基于GIS与Logistic回归模型的泥石流易发性预测方法 |
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 |