CN113450027B - 城市内涝灾害的动态暴露性量化方法、装置 - Google Patents

Abstract

本发明公开了一种城市内涝灾害的动态暴露性量化方法、装置，所述方法包括：初始设定步骤：将城市划分为多个功能区块；设定框架模型内的个体的行为规则和生活模式；量化计算步骤：观察个体依据行为规则做出的动态响应，由此确定个体的安全状态；以非安全状态的个体数量、建筑物面积和道路长度作为暴露性指标，通过随机森林模型计算得到的权重，根据权重综合暴露性指标得到暴露性量化结果。采用上述方案，具体的、可以将暴露性进行量化计算，且从活动的人群出发，构建随时间推移动态变化演变的框架模型，并且区分城市功能区块进行暴露性量化计算。

Description

城市内涝灾害的动态暴露性量化方法、装置

技术领域

本发明涉及灾害评估技术领域，尤其涉及一种城市内涝灾害的动态暴露性量化方法、装置。

背景技术

在全球气候变化的影响下，由极端天气事件引发的暴雨内涝灾害发生越来越频繁，给城市生产生活与社会经济活动带来了严重威胁。城市内涝灾害脆弱性是评价城市复杂系统内的承灾体面对内涝灾害时，城市生态、环境、资源、社会和经济等方面的暴露性、敏感性与适应能力的综合表征，是评估、预警城市内涝灾害风险的重要方法。

其中，暴露性指承灾体陷入危险的自然条件，是脆弱性研究的重点内容，强调灾害的损害程度由致灾因子的强度决定，侧重于研究灾害的发生概率、致灾强度及空间分布。城市内涝灾害暴露性研究可为风险预警提供基础性资料，丰富现有城市脆弱性的研究内涵，为城市精细化的内涝灾害管理以及城市可持续发展提供有效指导，具有重要的理论价值与现实意义。

就现有技术中研究暴露性的方案而言，首先，没有提供一种具体的、精细化的暴露性量化计算方案，主要是根据相关指标和因素，大体评估暴露性程度；其次，现有技术中的暴露性评估模型主要围绕特定城市功能系统或者建筑物等建立，没有从活动的人群出发建立，没有主要考量暴露性与人之间的关系和相关因素，同时，由于出发点的受限，现有技术中的暴露性评估模型主要基于固定的数值推算，缺乏动态变化性，不能根据时间进行推演，评估各个时刻的暴露性；而且，现有技术中的暴露性评估模型没有针对不同的城市区域进行区分评估计算，而是将相同标准应用至整个城区，没有考虑到不同城市区域由于客观构造的不同，而对暴露性的适应程度不同，也就导致最终的暴露性评估结果缺乏准确度和参考价值。

发明内容

发明目的：本发明提供一种城市内涝灾害的动态暴露性量化方法，旨在提供一种具体的、精细化的暴露性量化计算方案，从活动的人群出发，构建随时间推移动态变化演变的框架模型，并且区分城市功能区块进行暴露性量化计算。

技术方案：本发明提供一种城市内涝灾害的动态暴露性量化方法，包括：

初始设定步骤：建立量化框架模型，对框架模型进行初始化，结合用地属性将城市划分为多个功能区块，将社区人口分布于居住类区块内；设定框架模型内的个体的行为规则和生活模式，将内涝模型应用于量化框架模型；个体依据生活模型于框架模型中的各个功能区块中活动；

量化计算步骤：观察个体依据行为规则做出的动态响应，计算个体在当前时刻的灾害风险值，由此确定个体的安全状态；以非安全状态的个体数量、建筑物面积和道路长度作为暴露性指标，通过随机森林模型计算得到的权重，根据权重综合暴露性指标得到暴露性量化结果；其中，计算权重的步骤包括：以当前时刻的框架模型内暴露性指标作为随机森林模型的训练集，随机森林模型中的回归树输出相应的随机变量；从训练集中有放回地抽取样本集，以及得到相应的袋外数据集；计算袋外数据集和对应回归树的输出之间的误差，以及在扰动下袋外数据集和对应回归树的输出之间的误差；合误差和随机变量，计算暴露性指标的权重；

按照设定的时间频率，执行量化计算步骤，记录在多个时刻下的暴露性量化结果。

具体的结合城市区域功能、水系和道路分布走向，对城市进行功能区块划分；将人口调查数据的人口分布区域和城市功能区块进行结合，根据结合后重叠区域的面积向相应的城市功能区块分配人口；按照如下公式计算居住类区块的质心坐标（C_x，C_y）：

C_x=∑C_zx A_z/∑A_z，C_y=∑C_zy A_z/∑A_z，

其中，A_z表示区块被划分为多个多边形中的第z个多边形的面积，C_zx和C_zy分别为第z个多边形的横纵坐标；

按照各居住类区块的质心坐标建立泰森多边形，依据地理相似定律将非居住类区块内的人口按照泰森多边形的面积分配至最邻近的居住类区块；采用蒙特卡洛算法将人口划分至居住类区块的建筑物中。

具体的基于DEM数据、排水设施数据、建筑数据、道路数据、水系数据和社会经济数据构量化框架模型环境；其中建筑物和道路作为承灾体；使用概率有限状态机来指定个体的行为规则和生活模式，以及在内涝灾害中的响应动作；将内涝模型应用于量化框架模型后，执行设定的预热时间。

具体的由地表径流流速和积水水深计算当前时刻个体的灾害风险值，具体公式如下：

H=（V+B）×D+DF，

其中，H表示灾害风险值，D表示所在区块的积水水深，V表示所在区块的径流流速，B表示流速因子，DF表示地表因子。

具体的对于不在建筑物内的个体，暴露性状态E_p采用如下公式计算：

，

其中，0表示安全，1表示轻度暴露，2表示中度暴露，3表示重度暴露；

对于在建筑物内的个体，暴露性状态E_B采用如下公式计算：

，

其中，0表示安全，1表示轻度暴露，2表示中度暴露，3表示重度暴露；

处于道路上的个体，暴露性状态E_R采用如下公式计算：

，

其中，0表示安全，1表示危险。

具体的对暴露性指标进行标准化计算，采用如下公式进行：

X_ij=（X_ij ^’-X_min）/（X_max-X_min），

其中，i表示区块标号，j表示暴露性指标标号，X_min表示第j项指标的最小值，X_max表示第j项指标的最大值，X_ij表示第i个区块的第j项指标的标准值，X_ij ^’表示第i个区块的第j项指标的实际值。

具体的从训练集中有放回地抽取K组样本集，并相应产生K组袋外数据；

由回归树预测对应的袋外数据组数据，并且计算袋外数据集和对应回归树的输出之间的误差e_k，采用如下公式计算：

e_k=1/2∑_i=1 ^N（y_i-h（X_i , θ_k）），

其中，N表示区块的数量，y_i表示第i个区块的积水水深，X_i表示对应暴露性指标的M维特征向量{X_i1 , X_i2,…,X_iM}，（X_i，y_i）属于相应的袋外数据组，θ_k表示回归树预测结果，h表示回归树模型；

对第j个暴露性指标进行扰动，由回归树预测对应的袋外数据组数据，计算袋外数据集和对应回归树的输出之间的误差e_jk。

具体的完成K组袋外数据的误差计算后，采用如下公式计算各暴露性指标的权重w_j：

w_j=∑_k=1 ^K（|e_k-e_jk|/ K）。

具体的由暴露性指标的权重和相应的权重，计算暴露性量化结果S_i，采用如下公式计算：

S_i=∑_j=1 ^M（w_jX_i）。

本发明还提一种城市内涝灾害的动态暴露性量化装置，包括：初始设定单元、量化计算单元和循环单元，其中：

所述初始设定单元，用于建立量化框架模型，对框架模型进行初始化，结合用地属性将城市划分为多个功能区块，将社区人口分布于居住类区块内；设定框架模型内的个体的身体素质、行为规则和生活模式，将内涝模型应用于量化框架模型；个体依据生活模型于框架模型中的各个功能区块中活动；

所述量化计算单元，用于观察个体依据行为规则和身体素质做出的动态响应，计算个体在当前时刻的灾害风险值，由此确定个体的安全状态；以非安全状态的个体数量、建筑物面积和道路长度作为暴露性指标，通过随机森林模型计算得到的权重，根据权重综合暴露性指标得到暴露性量化结果；其中，计算权重的步骤包括：以当前时刻的框架模型内暴露性指标作为随机森林模型的训练集，随机森林模型中的决策树输出相应的随机变量；从训练集中有放回地抽取样本集，以及得到相应的袋外数据集；计算袋外数据集和对应回归树的输出之间的误差，以及在扰动下袋外数据集和对应回归树的输出之间的误差；结合误差和随机变量，计算暴露性指标的权重；

所述循环单元，用于按照设定的时间频率，执行量化计算单元，记录在多个时刻下的暴露性量化结果。

有益效果：与现有技术相比，本发明具有如下显著优点：（1）提供暴露性量化程度的数值化计算方案，具体的反映暴露性程度；（2）以人群和相关因素出发构建框架模型，充分反映内涝灾害对城市居民的影响；（3）以人群活动作为出发点构建的动态框架模型，可以随时间进行推演，基于随机森林特征工程算法，可以计算在不同时刻的暴露性量化结果；（4）区分不同城市区块，并考虑个体所在的位置进行暴露性量化计算，结果更加准确且具有现实意义。

附图说明

图1为本发明提供的城市内涝灾害的动态暴露性量化方法的流程示意图；

图2为本发明提供的城市区块分布示意图；

图3为本发明提供的暴露性量化结果的流程示意图。

具体实施方式

下面结合附图对本发明的技术方案作进一步说明。

参阅图1，其为本发明提供的城市内涝灾害的动态暴露性量化方法的流程示意图，包括具体步骤。

初始设定步骤1：建立量化框架模型，对框架模型进行初始化，结合用地属性将城市划分为多个功能区块，将社区人口分布于居住类区块内。

本发明实施例中，结合城市区域功能、水系和道路分布走向，对城市进行功能区块划分；

将人口调查数据的人口分布区域和城市功能区块进行结合，根据结合后重叠区域的面积向相应的城市功能区块分配人口；

按照如下公式计算居住类区块的质心坐标（C_x，C_y）：

C_x=∑C_zx A_z/∑A_z，C_y=∑C_zy A_z/∑A_z，

其中，A_z表示区块被划分为多个多边形中的第z个多边形的面积（可以根据实际情况对区块进行多边形的划分），C_zx和C_zy分别为第z个多边形的横纵坐标；

按照各居住类区块的质心坐标建立泰森多边形，依据地理相似定律将非居住类区块内的人口按照泰森多边形的面积分配至最邻近的居住类区块；

采用蒙特卡洛算法将人口划分至居住类区块的建筑物中。

在具体实施中，可以根据城市区域功能、水系和道路分布走向，对城市进行功能区块划分，可以划分得到多种城市功能区块。可以用于框架模型初始化时人群的分配，适应个体的生活模式。参阅图2的区块划分结果，共237个区块，包括居住小区、 学校、工作单位、休闲娱乐场所与其他共五类，其中居住小区根据建筑类型细分为一类、二类、三类与四类。

在具体实施中，人口调查数据中包括人口分布区域，该人口分布区域和上一步骤中划分得到的城市功能区块会存在差异，因此在两数据图层进行相交结合时，会产生多个重叠区域，按照各个重叠区域的面积的比例，相应的进行人口数量的分配。然后通过以所有居住类区块的质心作为点，进行边连接，建立泰森多边形，将非居住类区块内的人口，按照各个多边形的面积的比例，分配至最邻近的居住类区块。而后将人口均划分至居住类区块的建筑物中，模拟实际生活中人群还未活动时的场景。

在具体实施中，根据以上的人口分配方案，在城市功能区块划分的基础上，考虑到人口分布区域、区块面积等因素，以人作为出发点，合理有效地进行人口的分配，有助于后续的框架模型的推演以及暴露性量化结果的计算。

初始设定步骤2：设定框架模型内的个体的行为规则和生活模式，将内涝模型应用于量化框架模型；个体依据生活模型于框架模型中的各个功能区块中活动。

本发明实施例中，基于DEM数据、排水设施数据、建筑数据、道路数据、水系数据和社会经济数据构量化框架模型环境；其中建筑物和道路作为承灾体；

使用概率有限状态机来指定个体的行为规则和生活模式，以及在内涝灾害中的响应动作；

将内涝模型应用于量化框架模型后，执行设定的预热时间。

在具体实施中，在完成人口分配和划分后，可以进一步构建城市功能系统和建筑物等环境，利用基础地理信息数据构建地形、地表水系、建筑物和道路等城市基本形态作为建模环境，其中建筑物和道路作为承灾体，将内涝模型应用后，在进行灾害风险值和暴露性量化的计算时，会产生区分。

在具体实施中，由于人的个体之间存在诸多差异性，难以将一个或几个标准适用于所有个体，但相同类别的人群的生活模式和行为规则又是相似的。因此，可以通过概率有限状态机来指定个体的行为规则和生活模式，就生活模式而言，学生可以是设定去往学习区块上课，工作人群可以是设定去工作单元工作，老年人可以是设定去相关的老年人娱乐场所活动；就行为规则而言，是个体在生活模式中的补充，例如某些工作人群在中午期间选择出门就餐，某些工作人群选择在建筑物内就餐，例如某些学生群体在正常的课时完成后还会进行补习或者晚自习；就在内涝灾害中的响应动作而言，可以设定个人在内涝灾害的情况时的反应，比如是去往建筑物或者道路进行躲避，或者拨打求救热线请求救援等。

在具体实施中，在完成框架模型的构建后，执行设定的预热时间，一般设定为6个小时，令框架模型进行动态推演。

在具体实施中，通过设定人群的行为规则和生活模式及在内涝灾害中的响应动作，以人作为出发点进行框架模型的构建和推演的主要参考因素，可以围绕人计算暴露性量化结果，并且随着人的活动，可以计算不同时刻的暴露性量化结果，具有更高的实用性和现实意义。

量化计算步骤1：观察个体依据行为规则做出的动态响应，计算个体在当前时刻的灾害风险值，由此确定个体的安全状态。

本发明实施例中，由地表径流流速和积水水深计算当前时刻个体的灾害风险值，具体公式如下：

H=（V+B）×D+DF，

其中，H表示灾害风险值，D表示所在区块的积水水深，V表示所在区块的径流流速，B表示流速因子，DF表示地表因子。

在具体实施中，就不同城市区块的不同积水水深和径流流速，可以计算得到在该区域的个人的灾害风险值。

本发明实施例中，对于不在建筑物内的个体，暴露性状态E_p采用如下公式计算：

，

其中，0表示安全，1表示轻度暴露，2表示中度暴露，3表示重度暴露；

对于在建筑物内的个体，暴露性状态E_B采用如下公式计算：

，

其中，0表示安全，1表示轻度暴露，2表示中度暴露，3表示重度暴露；

处于道路上的个体，暴露性状态E_R采用如下公式计算：

，

其中，0表示安全，1表示危险。

在具体实施中，根据个体所在的区块的情况进行相应的灾害风险值计算，再结合个体所在位置，判断个体的安全状态，由此可以在区分城市功能区块以及考虑客观因素的基础上，围绕个体进行安全性的判断和暴露性量化计算，充分反映内涝灾害对城市居民、城市环境的影响程度，特别是具体的暴露性量化数值为内涝灾害动态脆弱性的计算提供了方法支撑。

量化计算步骤2：以非安全状态的个体数量、建筑物面积和道路长度作为暴露性指标，通过随机森林模型计算得到的权重，根据权重综合暴露性指标得到暴露性量化结果。

本发明实施例中，对暴露性指标进行标准化计算，采用如下公式进行：

X_ij=（X_ij ^’-X_min）/（X_max-X_min），

其中，i表示区块标号，j表示暴露性指标标号，X_min表示第j项指标的最小值，X_max表示第j项指标的最大值，X_ij表示第i个区块的第j项指标的标准值，X_ij ^’表示第i个区块的第j项指标的实际值。

在具体实施中，对指标进行标准化计算，有利于数据的统一化计算，避免不同类型的数据因为数值上的差异而导致后续分配权重的不准确。

本发明实施例中，计算权重的步骤包括：

以当前时刻的框架模型内暴露性指标作为随机森林模型的训练集，随机森林模型中的回归树输出相应的随机变量；

从训练集中有放回地抽取样本集，以及得到相应的袋外数据集；

计算袋外数据集和对应回归树的输出之间的误差，以及在扰动下袋外数据集和对应回归树的输出之间的误差；

结合误差和随机变量，计算暴露性指标的权重。

本发明实施例中，从训练集中有放回地抽取K组样本集，并相应产生K组袋外数据；

由回归树预测对应的袋外数据组数据，并且计算袋外数据集和对应回归树的输出之间的误差e_k，采用如下公式计算：

e_k=1/2∑_i=1 ^N（y_i-h（X_i , θ_k）），

其中，N表示区块的数量，y_i表示第i个区块的积水水深，X_i表示对应暴露性指标的M维特征向量{X_i1 , X_i2,…,X_iM}，θ_k表示回归树预测结果，h表示回归树模型；

对第j个暴露性指标进行扰动，由回归树预测对应的袋外数据组数据，计算袋外数据集和对应回归树的输出之间的误差e_jk。

在具体实施中，从原始训练集中有放回地随机抽取样本容量和组数与训练集相同的K组样本集，即{D₁,D₂,…,D_K}，利用样本集中的每组数据分别构造训练回归树，也即{T₁,T₂,…,T_K}。同时，由于随机森林构造原理，因为有放回地抽取数据，也即存在没有被抽取到的数据，也即K组袋外数据{B₁,B₂,…,B_K}。

在具体实施中，由第k组样本集数据D_k训练得到的回归树T_k，预测袋外数据组B_k，并计算B_k的袋外误差e_k。X_i表示M维特征向量，每一维对应了暴露性指标，对M个特征依次进行扰动，第j个暴露性指标进行扰动时，回归树预测结果和对应袋外数据组之间的误差e_jk，仍然采用上述计算e_k的公式，将其中的X_i替换为扰动后的特征向量。

参阅图3，本发明实施例中，完成K组袋外数据的误差计算后，采用如下公式计算各暴露性指标的权重w_j：

w_j=∑_k=1 ^K（|e_k-e_jk|/ K）。

本发明实施例中，由暴露性指标的权重和相应的权重，计算暴露性量化结果S_i，采用如下公式计算：

S_i=∑_j=1 ^M（w_jX_i）。

在具体实施中，通过误差之间的计算，可以确定相应暴露性指标的重要程度，根据重要程度可以计算得到相应的权重，由此可以最终计算特定城市区块的暴露性量化结果。在可以实现具体的、精细化的暴露性量化计算的基础上，从活动的人群出发，构建随时间推移动态变化演变的框架模型，并且区分城市功能区块进行暴露性量化计算。

在具体实施中，基于随机森林特征工程算法的动态计算暴露性指标权重，充分考虑内涝灾害对以居民个体为主体的承灾体的动态暴露性影响，实现时间尺度与空间尺度的暴露性精细化计算，能够反映出内涝灾害中承灾体的暴露性程度及其动态变化特征。

循环步骤：按照设定的时间频率，执行量化计算步骤，记录在多个时刻下的暴露性量化结果。

在具体实施中，可以每隔例如30min，读取洪涝模型模拟得到的每个城市功能区块的地表径流流速和积水水深结果，由此进一步计算灾害风险值和暴露性量化结果，并且保存。

本发明还提供一种城市内涝灾害的动态暴露性量化装置，包括：初始设定单元、量化计算单元和循环单元，其中：

所述初始设定单元，用于建立量化框架模型，对框架模型进行初始化，结合用地属性将城市划分为多个功能区块，将社区人口分布于居住类区块内；设定框架模型内的个体的身体素质、行为规则和生活模式，将内涝模型应用于量化框架模型；个体依据生活模型于框架模型中的各个功能区块中活动；

所述量化计算单元，用于观察个体依据行为规则和身体素质做出的动态响应，计算个体在当前时刻的灾害风险值，由此确定个体的安全状态；以非安全状态的个体数量、建筑物面积和道路长度作为暴露性指标，通过随机森林模型计算得到的权重，根据权重综合暴露性指标得到暴露性量化结果；其中，计算权重的步骤包括：以当前时刻的框架模型内暴露性指标作为随机森林模型的训练集，随机森林模型中的决策树输出相应的随机变量；从训练集中有放回地抽取样本集，以及得到相应的袋外数据集；计算袋外数据集和对应回归树的输出之间的误差，以及在扰动下袋外数据集和对应回归树的输出之间的误差；结合误差和随机变量，计算暴露性指标的权重；

所述循环单元，用于按照设定的时间频率，执行量化计算单元，记录在多个时刻下的暴露性量化结果。

本发明实施例中，所述初始设定单元，用于结合城市区域功能、水系和道路分布走向，对城市进行功能区块划分；

将人口调查数据的人口分布区域和城市功能区块进行结合，根据结合后重叠区域的面积向相应的城市功能区块分配人口；

按照如下公式计算居住类区块的质心坐标（C_x，C_y）：

C_x=∑C_zx A_z/∑A_z，C_y=∑C_zy A_z/∑A_z，

其中，A_z表示区块被划分为多个多边形中的第z个多边形的面积，C_zx和C_zy分别为第z个多边形的横纵坐标；

按照各居住类区块的质心坐标建立泰森多边形，依据地理相似定律将非居住类区块内的人口按照泰森多边形的面积分配至最邻近的居住类区块；

采用蒙特卡洛算法将人口划分至居住类区块的建筑物中。

本发明实施例中，所述初始设定单元，用于基于DEM数据、排水设施数据、建筑数据、道路数据、水系数据和社会经济数据构量化框架模型环境；其中建筑物和道路作为承灾体；

使用概率有限状态机来指定个体的行为规则和生活模式，以及在内涝灾害中的响应动作；

将内涝模型应用于量化框架模型后，执行设定的预热时间。

本发明实施例中，所述量化计算单元，用于由地表径流流速和积水水深计算当前时刻个体的灾害风险值，具体公式如下：

H=（V+B）×D+DF，

其中，H表示灾害风险值，D表示所在区块的积水水深，V表示所在区块的径流流速，B表示流速因子，DF表示地表因子。

本发明实施例中，所述量化计算单元，用于对于不在建筑物内的个体，暴露性状态E_p采用如下公式计算：

，

其中，0表示安全，1表示轻度暴露，2表示中度暴露，3表示重度暴露；

对于在建筑物内的个体，暴露性状态E_B采用如下公式计算：

，

其中，0表示安全，1表示轻度暴露，2表示中度暴露，3表示重度暴露；

处于道路上的个体，暴露性状态E_R采用如下公式计算：

，

其中，0表示安全，1表示危险。

本发明实施例中，所述量化计算单元，用于对暴露性指标进行标准化计算，采用如下公式进行：

X_ij=（X_ij ^’-X_min）/（X_max-X_min），

其中，i表示区块标号，j表示暴露性指标标号，X_min表示第j项指标的最小值，X_max表示第j项指标的最大值，X_ij表示第i个区块的第j项指标的标准值，X_ij ^’表示第i个区块的第j项指标的实际值。

本发明实施例中，所述量化计算单元，用于从训练集中有放回地抽取K组样本集，并相应产生K组袋外数据；

由回归树预测对应的袋外数据组数据，并且计算袋外数据集和对应回归树的输出之间的误差e_k，采用如下公式计算：

e_k=1/2∑_i=1 ^N（y_i-h（X_i , θ_k）），

其中，N表示区块的数量，y_i表示第i个区块的积水水深，X_i表示对应暴露性指标的M维特征向量{X_i1 , X_i2,…,X_iM}，（X_i，y_i）属于相应的袋外数据组，θ_k表示回归树预测结果，h表示回归树模型；

对第j个暴露性指标进行扰动，由回归树预测对应的袋外数据组数据，计算袋外数据集和对应回归树的输出之间的误差e_jk。

本发明实施例中，所述量化计算单元，用于完成K组袋外数据的误差计算后，采用如下公式计算各暴露性指标的权重w_j：

w_j=∑_k=1 ^K（|e_k-e_jk|/ K）。

本发明实施例中，所述量化计算单元，用于由暴露性指标的权重和相应的权重，计算暴露性量化结果S_i，采用如下公式计算：

S_i=∑_j=1 ^M（w_jX_i）。

Claims (10)

1.一种城市内涝灾害的动态暴露性量化方法，其特征在于，包括：

初始设定步骤：建立量化框架模型，对框架模型进行初始化，结合用地属性将城市划分为多个功能区块，将社区人口分布于居住类区块内；

设定框架模型内的个体的行为规则和生活模式，将内涝模型应用于量化框架模型；个体依据生活模型于框架模型中的各个功能区块中活动；

量化计算步骤：观察个体依据行为规则做出的动态响应，计算个体在当前时刻的灾害风险值，由此确定个体的安全状态；

以非安全状态的个体数量、建筑物面积和道路长度作为暴露性指标，通过随机森林模型计算得到的权重，根据权重综合暴露性指标得到暴露性量化结果；

其中，计算权重的步骤包括：

以当前时刻的框架模型内暴露性指标作为随机森林模型的训练集，随机森林模型中的回归树输出相应的随机变量；

从训练集中有放回地抽取样本集，以及得到相应的袋外数据集；

计算袋外数据集和对应回归树的输出之间的误差，以及在扰动下袋外数据集和对应回归树的输出之间的误差；

结合误差和随机变量，计算暴露性指标的权重；

按照设定的时间频率，执行量化计算步骤，记录在多个时刻下的暴露性量化结果。

2.根据权利要求1所述的城市内涝灾害的动态暴露性量化方法，其特征在于，所述初始设定步骤，包括：

结合城市区域功能、水系和道路分布走向，对城市进行功能区块划分；

将人口调查数据的人口分布区域和城市功能区块进行结合，根据结合后重叠区域的面积向相应的城市功能区块分配人口；

按照如下公式计算居住类区块的质心坐标（C_x，C_y）：

C_x=∑C_zx A_z/∑A_z，C_y=∑C_zy A_z/∑A_z，

其中，A_z表示区块被划分为多个多边形中的第z个多边形的面积，C_zx和C_zy分别为第z个多边形的横纵坐标；

按照各居住类区块的质心坐标建立泰森多边形，依据地理相似定律将非居住类区块内的人口按照泰森多边形的面积分配至最邻近的居住类区块；

采用蒙特卡洛算法将人口划分至居住类区块的建筑物中。

3.根据权利要求2所述的城市内涝灾害的动态暴露性量化方法，其特征在于，所述初始设定步骤，包括：

基于DEM数据、排水设施数据、建筑数据、道路数据、水系数据和社会经济数据构量化框架模型环境；其中建筑物和道路作为承灾体；

使用概率有限状态机来指定个体的行为规则和生活模式，以及在内涝灾害中的响应动作；

将内涝模型应用于量化框架模型后，执行设定的预热时间。

4.根据权利要求3所述的城市内涝灾害的动态暴露性量化方法，其特征在于，所述量化计算步骤，包括：

由地表径流流速和积水水深计算当前时刻个体的灾害风险值，具体公式如下：

H=（V+B）×D+DF，

其中，H表示灾害风险值，D表示所在区块的积水水深，V表示所在区块的径流流速，B表示流速因子，DF表示地表因子。

5.根据权利要求4所述的城市内涝灾害的动态暴露性量化方法，其特征在于，包括：

对于不在建筑物内的个体，暴露性状态E_p采用如下公式计算：

，

其中，0表示安全，1表示轻度暴露，2表示中度暴露，3表示重度暴露；

对于在建筑物内的个体，暴露性状态E_B采用如下公式计算：

，

其中，0表示安全，1表示轻度暴露，2表示中度暴露，3表示重度暴露；

处于道路上的个体，暴露性状态E_R采用如下公式计算：

，

其中，0表示安全，1表示危险。

6.根据权利要求5所述的城市内涝灾害的动态暴露性量化方法，其特征在于，所述量化计算步骤，包括：

对暴露性指标进行标准化计算，采用如下公式进行：

X_ij=（X_ij ^’-X_min）/（X_max-X_min），

其中，i表示区块标号，j表示暴露性指标标号，X_min表示第j项指标的最小值，X_max表示第j项指标的最大值，X_ij表示第i个区块的第j项指标的标准值，X_ij ^’表示第i个区块的第j项指标的实际值。

7.根据权利要求6所述的城市内涝灾害的动态暴露性量化方法，其特征在于，所述量化计算步骤，包括：

从训练集中有放回地抽取K组样本集，并相应产生K组袋外数据；

由回归树预测对应的袋外数据组数据，并且计算袋外数据集和对应回归树的输出之间的误差e_k，采用如下公式计算：

e_k=1/2∑_i=1 ^N（y_i-h（X_i , θ_k）），

其中，N表示区块的数量，y_i表示第i个区块的积水水深，X_i表示对应暴露性指标的M维特征向量{X_i1 , X_i2,…,X_iM}，（X_i，y_i）属于相应的袋外数据组，θ_k表示回归树预测结果，h表示回归树模型；

对第j个暴露性指标进行扰动，由回归树预测对应的袋外数据组数据，计算袋外数据集和对应回归树的输出之间的误差e_jk。

8.根据权利要求7所述的城市内涝灾害的动态暴露性量化方法，其特征在于，所述量化计算步骤，包括：

完成K组袋外数据的误差计算后，采用如下公式计算各暴露性指标的权重w_j：

w_j=∑_k=1 ^K（|e_k-e_jk|/ K）。

9.根据权利要求8所述的城市内涝灾害的动态暴露性量化方法，其特征在于，所述量化计算步骤，包括：

由暴露性指标的权重和相应的权重，计算暴露性量化结果S_i，采用如下公式计算：

S_i=∑_j=1 ^M（w_jX_i）。

10.一种城市内涝灾害的动态暴露性量化装置，其特征在于，包括：初始设定单元、量化计算单元和循环单元，其中：

所述初始设定单元，用于建立量化框架模型，对框架模型进行初始化，结合用地属性将城市划分为多个功能区块，将社区人口分布于居住类区块内；设定框架模型内的个体的身体素质、行为规则和生活模式，将内涝模型应用于量化框架模型；个体依据生活模型于框架模型中的各个功能区块中活动；

所述量化计算单元，用于观察个体依据行为规则和身体素质做出的动态响应，计算个体在当前时刻的灾害风险值，由此确定个体的安全状态；以非安全状态的个体数量、建筑物面积和道路长度作为暴露性指标，通过随机森林模型计算得到的权重，根据权重综合暴露性指标得到暴露性量化结果；其中，计算权重的步骤包括：以当前时刻的框架模型内暴露性指标作为随机森林模型的训练集，随机森林模型中的决策树输出相应的随机变量；从训练集中有放回地抽取样本集，以及得到相应的袋外数据集；计算袋外数据集和对应回归树的输出之间的误差，以及在扰动下袋外数据集和对应回归树的输出之间的误差；结合误差和随机变量，计算暴露性指标的权重；

所述循环单元，用于按照设定的时间频率，执行量化计算单元，记录在多个时刻下的暴露性量化结果。

Images