CN113408917B - 自然灾害风险评估方法、装置、计算机设备及存储介质 - Google Patents
自然灾害风险评估方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN113408917B CN113408917B CN202110720539.4A CN202110720539A CN113408917B CN 113408917 B CN113408917 B CN 113408917B CN 202110720539 A CN202110720539 A CN 202110720539A CN 113408917 B CN113408917 B CN 113408917B
- Authority
- CN
- China
- Prior art keywords
- disaster
- evaluation
- risk
- disasters
- vulnerability
- 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
- 238000012502 risk assessment Methods 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000011156 evaluation Methods 0.000 claims abstract description 103
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 48
- 238000012549 training Methods 0.000 claims abstract description 38
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 36
- 238000013210 evaluation model Methods 0.000 claims abstract description 31
- 238000010801 machine learning Methods 0.000 claims abstract description 14
- 230000002265 prevention Effects 0.000 claims description 41
- 238000011160 research Methods 0.000 claims description 41
- 238000004590 computer program Methods 0.000 claims description 20
- 238000000605 extraction Methods 0.000 claims description 18
- 238000005065 mining Methods 0.000 claims description 15
- 230000001364 causal effect Effects 0.000 claims description 14
- 230000004927 fusion Effects 0.000 claims description 9
- 230000003042 antagnostic effect Effects 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 125000004122 cyclic group Chemical group 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000001556 precipitation Methods 0.000 claims description 5
- 238000006424 Flood reaction Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000012790 confirmation Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 11
- 238000004458 analytical method Methods 0.000 description 6
- 238000010276 construction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
- 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
- G06Q50/265—Personal security, identity or safety
-
- 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)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- Computer Security & Cryptography (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了自然灾害综合风险评估方法、装置、计算机设备及存储介质。所述方法包括：基于人工智能算法对各评价指标提取特征，以得到评价特征；根据所述评价特征通过机器学习算法进行模型训练，以得到评估模型；根据评估模型综合考虑单灾种之间的联系性以及承灾体的易损性，以得到综合风险评估结果；根据所述综合风险评估结果进行风险区划。通过实施本发明实施例的方法增强风险评估的可解释性，考虑承灾体的脆弱性和暴露性，模型的输入信息包括单灾种危险性、承灾体易损性和承灾能力、多灾种之间的关系，模型的输入信息充分，考虑致灾因子之间的关系和相互作用较为全面。
Description
技术领域
本发明涉及自然灾害风险评估方法，更具体地说是指自然灾害风险评估方法、装置、计算机设备及存储介质。
背景技术
自然灾害风险评估是指采用一定的理论和方法，对区域内多种致灾因子影响下的总风险进行综合评估。自然灾害风险评估的主要目的是为利益相关者或决策者掌握区域的总体风险状况、制定区域地利用规划和安排防灾减灾资金等服务，以达到有效减轻灾害风险的目的。自然灾害风险评估以单灾种风险研究为基础，但由于涉及到多致灾因子和多脆弱性的问题，评估方式更为复杂。
目前关于自然灾害风险评估的方法较多，其中比较有影响力的如下： DRI（自然灾害风险指数，Disaster Risk Index)多灾种风险评估、Hotspots多灾种风险评估法、ESPON综合风险评估、JRC综合风险评估法、等级加权模型即层次分析等评估以及超越概率综合评估模型评估等，以上模型在应用区域、评估单元，评价灾种、风险指标、方法特点等方面各不相同，从区域上看有全球、国家、城市等不同尺度；从评估单元上看有城市、郡、最小行政单位以及不同尺度的网格单元；从风险指标上看有人口、农业、建筑、直接经济以及综合指标；从灾种上看有地质灾害、气象灾害等多种致灾因子。
但这些模型大多存在可解释性不强，没有考虑承灾体的脆弱性和暴露性，模型的输入信息不充分，以及没有考虑致灾因子之间的关系和相互作用。
因此，有必要设计一种新的方法，实现风险评估的可解释性强，考虑承灾体的脆弱性和暴露性，模型的输入信息充分，考虑致灾因子之间的关系和相互作用。
发明内容
本发明的目的在于克服现有技术的缺陷，提供自然灾害风险评估方法、装置、计算机设备及存储介质。
为实现上述目的，本发明采用以下技术方案：自然灾害风险评估方法，包括：
基于人工智能算法对各评价指标提取特征，以得到评价特征；
根据所述评价特征通过机器学习算法进行模型训练，以得到评估模型；
根据评估模型综合考虑单灾种之间的联系性以及承灾体的易损性，以得到综合风险评估结果；
根据所述综合风险评估结果进行风险区划。
其进一步技术方案为：所述根据所述评价特征通过机器学习算法进行模型训练，以得到评估模型，包括：
利用所述评价特征训练卷积神经网络、循环神经网络、树模型、集成学习模型，以得到训练后的多种模型；
对训练后的多种模型进行评价指标计算，以得到评价结果；
利用所述评价结果在决策层面进行训练后的多种模型的融合，以得到评估模型。
其进一步技术方案为：所述基于人工智能算法对各评价指标提取特征，以得到评价特征，包括：
基于人工智能算法获取单灾种危险性、承灾体易损性和防灾减灾能力信息，以得到提取的信息；
根据提取的信息明确多灾种的关系，并将所明确的多灾种关系作为属性；
结合提取的信息以及属性，以形成评价特征。
其进一步技术方案为：所述基于人工智能算法获取单灾种危险性、承灾体易损性和防灾减灾能力信息，以得到提取的信息，包括：
基于人工智能算法根据单灾种危险性内的气象灾害、地质灾害、水旱灾害和森林火灾的评估结果对研究区域内的所有地理单元进行风险定级；
对承灾体从易损性和防灾减灾能力进行综合分析，并根据数据格式的不同进行分类整理，对整理好的不同格式的数据进行特征提取和挖掘；
其中，提取的信息包括所有地理单元的风险等级以及承灾体特征；所述承灾体特征包括承灾体暴露性特征、脆弱性特征以及防灾减灾能力特征。
其进一步技术方案为：所述对承灾体从易损性和防灾减灾能力进行综合分析，并根据数据格式的不同进行分类整理，对整理好的不同格式的数据进行特征提取和挖掘，包括：
根据研究单元内的人口密度、基础设施密度和耕地面积占比分别得到承灾体暴露性特征；
根据研究单元内人口属性分布情况、基础设施牢固程度、耕地区域坡度分别得到脆弱性特征；
根据研究单元内医疗水平、人均收入和交通设施基于专家打分法确定防灾减灾能力特征。
其进一步技术方案为：所述承灾体包括人口、基础设施以及耕地。
其进一步技术方案为：所述多灾种关系包括因果关系以及对抗关系中至少一种。
本发明还提供了自然灾害风险评估装置，包括：
特征提取单元，用于基于人工智能算法对各评价指标提取特征，以得到评价特征；
模型训练单元，用于根据所述评价特征通过机器学习算法进行模型训练，以得到评估模型；
评估单元，用于根据评估模型综合考虑单灾种之间的联系性以及承灾体的易损性，以得到综合风险评估结果；
风险区划单元，用于根据所述综合风险评估结果进行风险区划。
本发明还提供了一种计算机设备，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现上述的方法。
本发明还提供了一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时可实现上述的方法。
本发明与现有技术相比的有益效果是：本发明通过基于人工智能算法对单灾种危险性、承灾体易损性和承灾能力进行特征提取，且对多灾种的关系进行确定，并利用提取的信息训练模型，可利用训练后的模型综合考虑单灾种之间的联系性以及承灾体的易损性的风险评估，并进行风险区划，实现风险评估的可解释性强，考虑承灾体的脆弱性和暴露性，模型的输入信息包括单灾种危险性、承灾体易损性和承灾能力、多灾种之间的关系，模型的输入信息充分，考虑致灾因子之间的关系和相互作用较为全面。
下面结合附图和具体实施例对本发明作进一步描述。
附图说明
为了更清楚地说明本发明实施例技术方案，下面将对实施例描述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为本发明实施例提供的自然灾害风险评估方法的应用场景示意图；
图2为本发明实施例提供的自然灾害风险评估方法的流程示意图；
图3为本发明实施例提供的自然灾害风险评估方法的子流程示意图；
图4为本发明实施例提供的自然灾害风险评估方法的子流程示意图；
图5为本发明实施例提供的自然灾害风险评估方法的子流程示意图；
图6为本发明实施例提供的自然灾害风险评估方法的子流程示意图；
图7为本发明实施例提供的多灾种关系的示意图；
图8为本发明实施例提供的自然灾害风险评估装置的示意性框图；
图9为本发明实施例提供的自然灾害风险评估装置的特征提取单元的示意性框图；
图10为本发明实施例提供的自然灾害风险评估装置的信息提取子单元的示意性框图；
图11为本发明实施例提供的自然灾害风险评估装置的挖掘模块的示意性框图；
图12为本发明实施例提供的自然灾害风险评估装置的模型训练单元的示意性框图；
图13为本发明实施例提供的计算机设备的示意性框图。
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。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和 “包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/ 或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
请参阅图1和图2，图1为本发明实施例提供的自然灾害风险评估方法的应用场景示意图。图2为本发明实施例提供的自然灾害风险评估方法的示意性流程图。该自然灾害风险评估方法应用于服务器中。该服务器与传感器进行数据交互，传感器可用于采集各个评价指标，以由服务器进行提取特征、模型训练和评估，最后可将风险区划的结果发送至终端。
图2是本发明实施例提供的自然灾害风险评估方法的流程示意图。
如图2所示，该方法包括以下步骤S110至S140。
S110、基于人工智能算法对各评价指标提取特征，以得到评价特征。
在本实施例中，评价特征是包括危险性、承灾体易损性和防灾减灾能力信息以及多灾种关系。其中，危险性信息包括气象灾害、地质灾害、水旱灾害、地震灾害、森林火灾；承灾体易损性信息包括暴露性特征以及脆弱性特征，暴露性特征包括人口密度、路网密度、建筑密度以及土地垦殖率，脆弱性特征包括性别比例、年龄结构以及老旧危房；防灾减灾能力信息包括人均收入、交通设施以及医疗水平。
在一实施例中，请参阅图3，上述的步骤S110可包括步骤S111~S113。
S111、基于人工智能算法获取单灾种危险性、承灾体易损性和防灾减灾能力信息，以得到提取的信息。
在本实施例中，提取的信息是指危险性、承灾体易损性和防灾减灾能力信息。
在一实施例中，请参阅图4，上述的步骤S111可包括步骤S1111~S1112。
S1111、基于人工智能算法根据单灾种危险性内的气象灾害、地质灾害、水旱灾害和森林火灾的评估结果对研究区域内的所有地理单元进行风险定级。
整理和分析单灾种风险评估结果，包括对结果的整理、核对和分析，初步掌握研究区各单灾种的危险分布情况，并对单灾种分布的空间规律进行分析研究，为后续模型的搭建和特征提取提供支持。
单灾种指单一的某种自然灾害，单灾种包括气象灾害、地质灾害、水旱灾害和森林火灾。基于以上四种单灾害风险评估结果对研究区域内的所有地理单元进行风险定级。并分为绝对风险和相对风险，其中绝对风险是指具体研究单元内的风险数值介于0-1，相对风险为研究单元内的风险等级，拟分为4个等级：低、中、较高和高。绝对风险用于后期机器学习输入，相对风险仅用于宏观综合评价。
其中气象灾害风险记为Fqx，地质灾害风险记为Fdz，水旱灾害记为Fsh，森林火灾记为Fhz。
S1112、对承灾体从易损性和防灾减灾能力进行综合分析，并根据数据格式的不同进行分类整理，对整理好的不同格式的数据进行特征提取和挖掘；
其中，提取的信息包括所有地理单元的风险等级以及承灾体特征；所述承灾体特征包括承灾体暴露性特征、脆弱性特征以及防灾减灾能力特征。
具体地，对承灾体从暴露性、脆弱性和防灾减灾能力进行综合分析，并根据数据格式的不同比如点、线、面等进行分类整理。将整理好的不同格式的数据进行特征提取和挖掘，充分考虑不同灾种对同一地区的不同影响程度，以及不同承灾体对不同灾种的承受能力的区别。
在一实施例中，请参阅图5，上述的步骤S1112可包括步骤S11121~ S11123。
S11121、根据研究单元内的人口密度、基础设施密度和耕地面积占比分别得到承灾体暴露性特征；
S11122、根据研究单元内人口属性分布情况、基础设施牢固程度、耕地区域坡度分别得到脆弱性特征；
S11123、根据研究单元内医疗水平、人均收入和交通设施基于专家打分法确定防灾减灾能力特征。
考虑的承灾体包括人口、基础设施比如道路和建筑、耕地三大类。根据研究单元内的人口密度、基础设施密度和耕地面积占比分别得到承载体暴露性特征，其中人口暴露性记为Ep，基础设施暴露性记为Eb，耕地暴露性记为Ec；根据研究单元内人口属性分布情况、基础设施牢固程度、耕地区域坡度分别得到承载体的脆弱性，其中人口脆弱性记为Vp，基础设施脆弱性记为Vb，耕地脆弱性性记为Vc；根据研究单元内医疗水平、人均收入和交通设施基于专家打分法确定防灾减灾能力，记为A。
S112、根据提取的信息明确多灾种的关系，并将所明确的多灾种关系作为属性。
在本实施例中，属性是指两个单灾种之间的关系。
如何厘清各灾种之间的相互作用关系，并在多灾种风险评估方法中得以反映，对于多灾种综合研究极为关键。如图7所示，粗线条表示灾害事件在时间上几乎同时发生；细线条表示灾害事件的发生存在一定的时间间隔。将多灾种之间的关系分为因果关系和对抗关系。
即多灾种关系包括因果关系以及对抗关系中至少一种。
其中，气象灾害中的极端降水可能会诱发地质灾害和内涝，而地质灾害的发生可能会进一步加剧内涝和小流域山洪的严重性；气象灾害中的极端高温会增加干旱风险以及森林火险等级；气象灾害中的雷电可能会诱发森林火灾；以上情况属于多灾种之间存在的因果关系。另一面，气象灾害中的极端降水可缓解干旱、降低森林火险等级，这种情况属于多灾种之间的对抗关系。
将两两灾种之间的相关关系明确标注为因果关系和对抗关系，并作为属性输入到模型中进行训练。
S113、结合提取的信息以及属性，以形成评价特征。
评价特征包括提取的信息以及属性。对单灾种危险性结果进行整理和分析，确定研究区单灾种自然灾害时空分布情况；对承灾体数据进行筛选、清洗和处理，并进行特征提取，由此形成评价特征。
S120、根据所述评价特征通过机器学习算法进行模型训练，以得到评估模型。
在本实施例中，评估模型是指可进行综合考虑单灾种之间的联系性以及承灾体的易损性的风险评估的模型。
在一实施例中，请参阅图6，上述的步骤S120可包括步骤S121~S123。
S121、利用所述评价特征训练卷积神经网络、循环神经网络、树模型、集成学习模型，以得到训练后的多种模型。
利用评价特征训练多种模型的具体过程属于现有技术，此处不再赘述。
训练后的模型输出的结果为自然灾害风险评估结果，以一个研究单元为例，单一的某种自然灾害会在该研究单元上有一个风险值。
而自然灾害综合风险结果就是考虑多个单自然灾害共同影响、叠加影响、灾害链条影响的情况下的风险值介于0-1之间。
S122、对训练后的多种模型进行评价指标计算，以得到评价结果。
在本实施例中，采用受试者工作特征曲线、马修斯相关系数与总体精度等多种评价指标，利用评价结果在决策层面进行模型融合。
S123、利用所述评价结果在决策层面进行训练后的多种模型的融合，以得到评估模型。
利用多个模型进行训练，并对得到的结果进行比较，然后选取最优的一种结果，以得到评估模型。
通过建立模型准确度的评价指标，自动调整模型参数，择优选择最适合的模型参数进行应用。
基于人工智能的评估模型全面考虑各类致灾因子危险性、承灾体的脆弱性和暴露性等要素，自动分析各要素权重，形成综合风险分析结果，在一定程度上提升了风险评估结果的精度，且可对综合灾害风险及其构成因素的空间分异原因做出合理解释；在本实施例中，调整模型参数是通过使用贝叶斯调参实现的。
S130、根据评估模型综合考虑单灾种之间的联系性以及承灾体的易损性，以得到综合风险评估结果。
在本实施例中，综合风险评估结果指的是自然灾害风险评估结果，以一个研究单元为例，单一的某种自然灾害会在该研究单元上有一个风险值。而自然灾害综合风险结果就是考虑多个单自然灾害共同影响、叠加影响、灾害链条影响的情况下的风险值介于0-1之间。
S140、根据所述综合风险评估结果进行风险区划。
在本实施例中，风险区划包括单承灾体综合风险区划和多承灾体综合风险区划，单承灾体综合风险区划是指单灾种的综合风险区划，多承灾体综合风险区划是指至少两个单灾种结合形成的综合风险区划。
基于人工智能的自然灾害风险评估技术，通过对单灾种危险性、承灾体易损性和承灾能力等信息的获取，开展数据特征工程分析，利用人工智能算法构建综合风险评估模型，训练模型，对区域性自然灾害综合风险进行评估和区划，并输出风险区划等级制图以及风险防治区划制图。
上述的自然灾害风险评估方法，通过基于人工智能算法对单灾种危险性、承灾体易损性和承灾能力进行特征提取，且对多灾种的关系进行确定，并利用提取的信息训练模型，可利用训练后的模型综合考虑单灾种之间的联系性以及承灾体的易损性的风险评估，并进行风险区划，实现风险评估的可解释性强，考虑承灾体的脆弱性和暴露性，模型的输入信息包括单灾种危险性、承灾体易损性和承灾能力、多灾种之间的关系，模型的输入信息充分，考虑致灾因子之间的关系和相互作用较为全面。
图8是本发明实施例提供的一种自然灾害风险评估装置300的示意性框图。如图8所示，对应于以上自然灾害风险评估方法，本发明还提供一种自然灾害风险评估装置300。该自然灾害风险评估装置300包括用于执行上述自然灾害风险评估方法的单元，该装置可以被配置于服务器中。
具体地，请参阅图8，该自然灾害风险评估装置300包括特征提取单元301、模型训练单元302、评估单元303以及风险区划单元304。
特征提取单元301，用于基于人工智能算法对各评价指标提取特征，以得到评价特征；模型训练单元302，用于根据所述评价特征通过机器学习算法进行模型训练，以得到评估模型；评估单元303，用于根据评估模型综合考虑单灾种之间的联系性以及承灾体的易损性，以得到综合风险评估结果；风险区划单元304，用于根据所述综合风险评估结果进行风险区划。
在一实施例中，如图9所示，所述特征提取单元301包括信息提取子单元3011、关系确认子单元3012以及结合子单元3013。
信息提取子单元3011，用于基于人工智能算法获取单灾种危险性、承灾体易损性和防灾减灾能力信息，以得到提取的信息；关系确认子单元3012，用于根据提取的信息明确多灾种的关系，并将所明确的多灾种关系作为属性；结合子单元3013，用于结合提取的信息以及属性，以形成评价特征。
在一实施例中，如图10所示，所述信息提取子单元3011包括定级模块30111以及挖掘模块30112。
定级模块30111，用于基于人工智能算法根据单灾种危险性内的气象灾害、地质灾害、水旱灾害和森林火灾的评估结果对研究区域内的所有地理单元进行风险定级；挖掘模块30112，用于对承灾体从易损性和防灾减灾能力进行综合分析，并根据数据格式的不同进行分类整理，对整理好的不同格式的数据进行特征提取和挖掘；其中，提取的信息包括所有地理单元的风险等级以及承灾体特征；所述承灾体特征包括承灾体暴露性特征、脆弱性特征以及防灾减灾能力特征。
在一实施例中，如图11所示，所述挖掘模块30112包括第一确定子模块301121、第二确定子模块301122以及第三确定子模块301123。
第一确定子模块301121，用于根据研究单元内的人口密度、基础设施密度和耕地面积占比分别得到承灾体暴露性特征；第二确定子模块301122，用于根据研究单元内人口属性分布情况、基础设施牢固程度、耕地区域坡度分别得到脆弱性特征；第三确定子模块301123，用于根据研究单元内医疗水平、人均收入和交通设施基于专家打分法确定防灾减灾能力特征。
在一实施例中，如图12所示，所述模型训练单元302包括训练子单元3021、计算子单元3022以及融合子单元3023。
训练子单元3021，用于利用所述评价特征训练卷积神经网络、循环神经网络、树模型、集成学习模型，以得到训练后的多种模型；计算子单元3022，用于对训练后的多种模型进行评价指标计算，以得到评价结果；融合子单元3023，用于利用所述评价结果在决策层面进行训练后的多种模型的融合，以得到评估模型。
需要说明的是，所属领域的技术人员可以清楚地了解到，上述自然灾害风险评估装置300和各单元的具体实现过程，可以参考前述方法实施例中的相应描述，为了描述的方便和简洁，在此不再赘述。
上述自然灾害风险评估装置300可以实现为一种计算机程序的形式，该计算机程序可以在如图13所示的计算机设备上运行。
请参阅图13，图13是本申请实施例提供的一种计算机设备的示意性框图。该计算机设备500可以是服务器，其中，服务器可以是独立的服务器，也可以是多个服务器组成的服务器集群。
参阅图13，该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括非易失性存储介质503和内存储器504。
该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032包括程序指令，该程序指令被执行时，可使得处理器502执行一种自然灾害风险评估方法。
该处理器502用于提供计算和控制能力，以支撑整个计算机设备500的运行。
该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行一种自然灾害风险评估方法。
该网络接口505用于与其它设备进行网络通信。本领域技术人员可以理解，图13中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备500的限定，具体的计算机设备500可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
其中，所述处理器502用于运行存储在存储器中的计算机程序5032，以实现如下步骤：
基于人工智能算法对各评价指标提取特征，以得到评价特征；根据所述评价特征通过机器学习算法进行模型训练，以得到评估模型；根据评估模型综合考虑单灾种之间的联系性以及承灾体的易损性，以得到综合风险评估结果；根据所述综合风险评估结果进行风险区划。
在一实施例中，处理器502在实现所述根据所述评价特征通过机器学习算法进行模型训练，以得到评估模型步骤时，具体实现如下步骤：
利用所述评价特征训练卷积神经网络、循环神经网络、树模型、集成学习模型，以得到训练后的多种模型；对训练后的多种模型进行评价指标计算，以得到评价结果；利用所述评价结果在决策层面进行训练后的多种模型的融合，以得到评估模型。
在一实施例中，处理器502在实现所述基于人工智能算法对各评价指标提取特征，以得到评价特征步骤时，具体实现如下步骤：
基于人工智能算法获取单灾种危险性、承灾体易损性和防灾减灾能力信息，以得到提取的信息；根据提取的信息明确多灾种的关系，并将所明确的多灾种关系作为属性；结合提取的信息以及属性，以形成评价特征。
其中，所述多灾种关系包括因果关系以及对抗关系中至少一种。
在一实施例中，处理器502在实现所述基于人工智能算法获取单灾种危险性、承灾体易损性和防灾减灾能力信息，以得到提取的信息步骤时，具体实现如下步骤：
基于人工智能算法根据单灾种危险性内的气象灾害、地质灾害、水旱灾害和森林火灾的评估结果对研究区域内的所有地理单元进行风险定级；对承灾体从易损性和防灾减灾能力进行综合分析，并根据数据格式的不同进行分类整理，对整理好的不同格式的数据进行特征提取和挖掘；其中，提取的信息包括所有地理单元的风险等级以及承灾体特征；所述承灾体特征包括承灾体暴露性特征、脆弱性特征以及防灾减灾能力特征。
其中，所述承灾体包括人口、基础设施以及耕地。
在一实施例中，处理器502在实现所述对承灾体从易损性和防灾减灾能力进行综合分析，并根据数据格式的不同进行分类整理，对整理好的不同格式的数据进行特征提取和挖掘步骤时，具体实现如下步骤：
根据研究单元内的人口密度、基础设施密度和耕地面积占比分别得到承灾体暴露性特征；根据研究单元内人口属性分布情况、基础设施牢固程度、耕地区域坡度分别得到脆弱性特征；根据研究单元内医疗水平、人均收入和交通设施基于专家打分法确定防灾减灾能力特征。
应当理解，在本申请实施例中，处理器502可以是中央处理单元 (CentralProcessing Unit，CPU)，该处理器502还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路 (Application Specific Integrated Circuit，ASIC)、现成可编程门阵列 (Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本领域普通技术人员可以理解的是实现上述实施例的方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成。该计算机程序包括程序指令，计算机程序可存储于一存储介质中，该存储介质为计算机可读存储介质。该程序指令被该计算机系统中的至少一个处理器执行，以实现上述方法的实施例的流程步骤。
因此，本发明还提供一种存储介质。该存储介质可以为计算机可读存储介质。该存储介质存储有计算机程序，其中该计算机程序被处理器执行时使处理器执行如下步骤：
基于人工智能算法对各评价指标提取特征，以得到评价特征；根据所述评价特征通过机器学习算法进行模型训练，以得到评估模型；根据评估模型综合考虑单灾种之间的联系性以及承灾体的易损性，以得到综合风险评估结果；根据所述综合风险评估结果进行风险区划。
在一实施例中，所述处理器在执行所述计算机程序而实现所述根据所述评价特征通过机器学习算法进行模型训练，以得到评估模型步骤时，具体实现如下步骤：
利用所述评价特征训练卷积神经网络、循环神经网络、树模型、集成学习模型，以得到训练后的多种模型；对训练后的多种模型进行评价指标计算，以得到评价结果；利用所述评价结果在决策层面进行训练后的多种模型的融合，以得到评估模型。
在一实施例中，所述处理器在执行所述计算机程序而实现所述基于人工智能算法对各评价指标提取特征，以得到评价特征步骤时，具体实现如下步骤：
基于人工智能算法获取单灾种危险性、承灾体易损性和防灾减灾能力信息，以得到提取的信息；根据提取的信息明确多灾种的关系，并将所明确的多灾种关系作为属性；结合提取的信息以及属性，以形成评价特征。
其中，所述承灾体包括人口、基础设施以及耕地。
所述多灾种关系包括因果关系以及对抗关系中至少一种。
在一实施例中，所述处理器在执行所述计算机程序而实现所述基于人工智能算法获取单灾种危险性、承灾体易损性和防灾减灾能力信息，以得到提取的信息步骤时，具体实现如下步骤：
基于人工智能算法根据单灾种危险性内的气象灾害、地质灾害、水旱灾害和森林火灾的评估结果对研究区域内的所有地理单元进行风险定级；对承灾体从易损性和防灾减灾能力进行综合分析，并根据数据格式的不同进行分类整理，对整理好的不同格式的数据进行特征提取和挖掘；其中，提取的信息包括所有地理单元的风险等级以及承灾体特征；所述承灾体特征包括承灾体暴露性特征、脆弱性特征以及防灾减灾能力特征。
在一实施例中，所述处理器在执行所述计算机程序而实现所述对承灾体从易损性和防灾减灾能力进行综合分析，并根据数据格式的不同进行分类整理，对整理好的不同格式的数据进行特征提取和挖掘步骤时，具体实现如下步骤：
根据研究单元内的人口密度、基础设施密度和耕地面积占比分别得到承灾体暴露性特征；根据研究单元内人口属性分布情况、基础设施牢固程度、耕地区域坡度分别得到脆弱性特征；根据研究单元内医疗水平、人均收入和交通设施基于专家打分法确定防灾减灾能力特征。
所述存储介质可以是U盘、移动硬盘、只读存储器（Read-Only Memory，ROM）、磁碟或者光盘等各种可以存储程序代码的计算机可读存储介质。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的。例如，各个单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。
本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。
该集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，终端，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (6)
1.自然灾害风险评估方法，其特征在于，包括：
基于人工智能算法对各评价指标提取特征，以得到评价特征；
根据所述评价特征通过机器学习算法进行模型训练，以得到评估模型；
根据评估模型综合考虑单灾种之间的联系性以及承灾体的易损性，以得到综合风险评估结果；
根据所述综合风险评估结果进行风险区划；
所述根据所述评价特征通过机器学习算法进行模型训练，以得到评估模型，包括：
利用所述评价特征训练卷积神经网络、循环神经网络、树模型、集成学习模型，以得到训练后的多种模型；
对训练后的多种模型进行评价指标计算，以得到评价结果；
利用所述评价结果在决策层面进行训练后的多种模型的融合，以得到评估模型；
所述基于人工智能算法对各评价指标提取特征，以得到评价特征，包括：
基于人工智能算法获取单灾种危险性、承灾体易损性和防灾减灾能力信息，以得到提取的信息；
根据提取的信息明确多灾种的关系，并将所明确的多灾种关系作为属性；将两两灾种之间的相关关系明确标注为因果关系和对抗关系，并作为属性输入到模型中进行训练；
结合提取的信息以及属性，以形成评价特征；对单灾种危险性结果进行整理和分析，确定研究区单灾种自然灾害时空分布情况；对承灾体数据进行筛选、清洗和处理，并进行特征提取，由此形成评价特征；
多灾种关系包括因果关系以及对抗关系中至少一种；
其中，气象灾害中的极端降水可能会诱发地质灾害和内涝，而地质灾害的发生可能会进一步加剧内涝和小流域山洪的严重性；气象灾害中的极端高温会增加干旱风险以及森林火险等级；气象灾害中的雷电可能会诱发森林火灾；以上情况属于多灾种之间存在的因果关系；另一面，气象灾害中的极端降水可缓解干旱、降低森林火险等级，这种情况属于多灾种之间的对抗关系自然灾害风险评估；
所述基于人工智能算法获取单灾种危险性、承灾体易损性和防灾减灾能力信息，以得到提取的信息，包括：
基于人工智能算法根据单灾种危险性内的气象灾害、地质灾害、水旱灾害和森林火灾的评估结果对研究区域内的所有地理单元进行风险定级；
对承灾体从易损性和防灾减灾能力进行综合分析，并根据数据格式的不同进行分类整理，对整理好的不同格式的数据进行特征提取和挖掘；
其中，提取的信息包括所有地理单元的风险等级以及承灾体特征；所述承灾体特征包括承灾体暴露性特征、脆弱性特征以及防灾减灾能力特征。
2.根据权利要求1所述的自然灾害风险评估方法，其特征在于，所述对承灾体从易损性和防灾减灾能力进行综合分析，并根据数据格式的不同进行分类整理，对整理好的不同格式的数据进行特征提取和挖掘，包括：
根据研究单元内的人口密度、基础设施密度和耕地面积占比分别得到承灾体暴露性特征；
根据研究单元内人口属性分布情况、基础设施牢固程度、耕地区域坡度分别得到脆弱性特征；
根据研究单元内医疗水平、人均收入和交通设施基于专家打分法确定防灾减灾能力特征。
3.根据权利要求1所述的自然灾害风险评估方法，其特征在于，所述承灾体包括人口、基础设施以及耕地。
4.自然灾害风险评估装置，其特征在于，包括：
特征提取单元，用于基于人工智能算法对各评价指标提取特征，以得到评价特征；
模型训练单元，用于根据所述评价特征通过机器学习算法进行模型训练，以得到评估模型；
评估单元，用于根据评估模型综合考虑单灾种之间的联系性以及承灾体的易损性，以得到综合风险评估结果；
风险区划单元，用于根据所述综合风险评估结果进行风险区划；
所述特征提取单元包括信息提取子单元、关系确认子单元以及结合子单元；
信息提取子单元，用于基于人工智能算法获取单灾种危险性、承灾体易损性和防灾减灾能力信息，以得到提取的信息；关系确认子单元，用于根据提取的信息明确多灾种的关系，并将所明确的多灾种关系作为属性；将两两灾种之间的相关关系明确标注为因果关系和对抗关系，并作为属性输入到模型中进行训练；结合子单元，用于结合提取的信息以及属性，以形成评价特征；对单灾种危险性结果进行整理和分析，确定研究区单灾种自然灾害时空分布情况；对承灾体数据进行筛选、清洗和处理，并进行特征提取，由此形成评价特征；
多灾种关系包括因果关系以及对抗关系中至少一种；
其中，气象灾害中的极端降水可能会诱发地质灾害和内涝，而地质灾害的发生可能会进一步加剧内涝和小流域山洪的严重性；气象灾害中的极端高温会增加干旱风险以及森林火险等级；气象灾害中的雷电可能会诱发森林火灾；以上情况属于多灾种之间存在的因果关系；另一面，气象灾害中的极端降水可缓解干旱、降低森林火险等级，这种情况属于多灾种之间的对抗关系；
所述信息提取子单元包括定级模块以及挖掘模块；
定级模块，用于基于人工智能算法根据单灾种危险性内的气象灾害、地质灾害、水旱灾害和森林火灾的评估结果对研究区域内的所有地理单元进行风险定级；挖掘模块，用于对承灾体从易损性和防灾减灾能力进行综合分析，并根据数据格式的不同进行分类整理，对整理好的不同格式的数据进行特征提取和挖掘；其中，提取的信息包括所有地理单元的风险等级以及承灾体特征；所述承灾体特征包括承灾体暴露性特征、脆弱性特征以及防灾减灾能力特征。
5.一种计算机设备，其特征在于，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至3中任一项所述的方法。
6.一种存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时可实现如权利要求1至3中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110720539.4A CN113408917B (zh) | 2021-06-28 | 2021-06-28 | 自然灾害风险评估方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110720539.4A CN113408917B (zh) | 2021-06-28 | 2021-06-28 | 自然灾害风险评估方法、装置、计算机设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113408917A CN113408917A (zh) | 2021-09-17 |
| CN113408917B true CN113408917B (zh) | 2023-06-16 |
Family
ID=77679828
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110720539.4A Active CN113408917B (zh) | 2021-06-28 | 2021-06-28 | 自然灾害风险评估方法、装置、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113408917B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114186772A (zh) * | 2021-10-22 | 2022-03-15 | 中山大学 | 一种多灾种耦合作用下的燃气泄露风险预测方法 |
| CN114240251A (zh) * | 2022-01-07 | 2022-03-25 | 中铁第一勘察设计院集团有限公司 | 考虑多类型灾害耦合的铁路工程线元风险评估方法及系统 |
| 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 |
| CN116562621B (zh) * | 2023-05-04 | 2023-12-08 | 北京师范大学 | 一种海冰灾害航运风险评估方法、装置及计算设备 |
| CN116596303A (zh) * | 2023-05-08 | 2023-08-15 | 广东省水利水电科学研究院 | 一种干旱风险评估与区划方法、系统、介质、设备及终端 |
| CN117610945B (zh) * | 2024-01-24 | 2024-04-05 | 四川省华地建设工程有限责任公司 | 基于人工智能的复杂山区地质灾害风险评价方法及系统 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109858647B (zh) * | 2018-12-21 | 2021-07-27 | 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 |
| KR102197496B1 (ko) * | 2019-09-27 | 2020-12-31 | 한국원자력연구원 | 복합재해 취약률 계산 장치 및 방법 |
| CN111582386A (zh) * | 2020-05-11 | 2020-08-25 | 四川师范大学 | 一种基于随机森林的地质灾害多灾种综合风险评价方法 |
| CN112365078A (zh) * | 2020-11-23 | 2021-02-12 | 南京莱斯信息技术股份有限公司 | 一种基于灾害链的多灾种耦合与次生衍生演化预测系统 |
-
2021
- 2021-06-28 CN CN202110720539.4A patent/CN113408917B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN113408917A (zh) | 2021-09-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113408917B (zh) | 自然灾害风险评估方法、装置、计算机设备及存储介质 | |
| CN108280553B (zh) | 基于gis-神经网络集成的山洪灾害风险区划及预测方法 | |
| Shahabi et al. | Remote sensing and GIS-based landslide susceptibility mapping using frequency ratio, logistic regression, and fuzzy logic methods at the central Zab basin, Iran | |
| Oliveira et al. | Reassessing wildfire susceptibility and hazard for mainland Portugal | |
| Dagdelenler et al. | Modification of seed cell sampling strategy for landslide susceptibility mapping: an application from the Eastern part of the Gallipoli Peninsula (Canakkale, Turkey) | |
| Khoshnood Motlagh et al. | Analysis and prediction of land cover changes using the land change modeler (LCM) in a semiarid river basin, Iran | |
| CN112200358B (zh) | 一种滑坡等级预测方法、装置、设备和存储介质 | |
| Li et al. | Application and verification of fractal approach to landslide susceptibility mapping | |
| CN115688404B (zh) | 基于svm-rf模型的降雨型滑坡预警方法 | |
| Strzepek et al. | Climate variability and change: a basin scale indicator approach to understanding the risk to water resources development and management | |
| Liu et al. | A comprehensive risk analysis of transportation networks affected by rainfall‐induced multihazards | |
| Akhbari et al. | Water management trade-offs between agriculture and the environment: A multiobjective approach and application | |
| Horton et al. | Examining the operational use of avalanche problems with decision trees and model-generated weather and snowpack variables | |
| Fagnant et al. | Characterizing spatiotemporal trends in extreme precipitation in Southeast Texas | |
| KR20200052398A (ko) | 머신 러닝 기법을 이용한 산사태 취약성 지도 작성 방법 및 장치 | |
| Risser et al. | Detected changes in precipitation extremes at their native scales derived from in situ measurements | |
| Dietrich et al. | A validation study of the shallow slope stability model, SHALSTAB, in forested lands of Northern California | |
| Wan et al. | The knowledge rules of debris flow event: A case study for investigation Chen Yu Lan River, Taiwan | |
| Arora et al. | Probabilistic and machine learning methods for uncertainty quantification in power outage prediction due to extreme events | |
| Posner et al. | Normalized landslide index method for susceptibility map development in El Salvador | |
| Sardo et al. | A geographic information system‐based land use impact model to map areas with risk for land degradation: Wind erosion as an example | |
| CN112232689A (zh) | 一种茶叶连片种植区的生态地质脆弱性评价方法 | |
| Bannayan et al. | Predicting realizations of daily weather data for climate forecasts using the non‐parametric nearest‐neighbour re‐sampling technique | |
| JP2005301840A (ja) | 防災事業支援システム | |
| Arora et al. | Probabilistic and Machine Learning Methods for Uncertainty Quantification in Power Outage Prediction due to Extreme Events |
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 |