CN113869354A - 一种凌汛期堤防危险性综合评价方法 - Google Patents
一种凌汛期堤防危险性综合评价方法 Download PDFInfo
- Publication number
- CN113869354A CN113869354A CN202110938280.0A CN202110938280A CN113869354A CN 113869354 A CN113869354 A CN 113869354A CN 202110938280 A CN202110938280 A CN 202110938280A CN 113869354 A CN113869354 A CN 113869354A
- Authority
- CN
- China
- Prior art keywords
- risk
- evaluation
- ice
- levee
- flood season
- 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
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 126
- 238000004364 calculation method Methods 0.000 claims abstract description 35
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000010276 construction Methods 0.000 claims abstract description 5
- 238000013480 data collection Methods 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 98
- 230000008569 process Effects 0.000 claims description 28
- 238000009826 distribution Methods 0.000 claims description 24
- 239000011159 matrix material Substances 0.000 claims description 17
- 238000013210 evaluation model Methods 0.000 claims description 15
- 238000003064 k means clustering Methods 0.000 claims description 11
- 238000011144 upstream manufacturing Methods 0.000 claims description 11
- 230000009172 bursting Effects 0.000 claims description 10
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 10
- 238000013461 design Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 238000007689 inspection Methods 0.000 claims description 6
- 238000011160 research Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 5
- 230000035945 sensitivity Effects 0.000 claims description 5
- 230000009897 systematic effect Effects 0.000 claims description 3
- 238000009827 uniform distribution Methods 0.000 claims description 3
- 230000008521 reorganization Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 11
- 238000009825 accumulation Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 230000002265 prevention Effects 0.000 description 4
- 230000002776 aggregation Effects 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 208000035126 Facies Diseases 0.000 description 2
- 238000005452 bending Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 230000035935 pregnancy Effects 0.000 description 2
- 238000007789 sealing Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000265 homogenisation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer 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
本发明公开了一种凌汛期堤防危险性综合评价方法，步骤依次包括数据资料收集整编、小尺度评价堤段划分、凌汛期堤防危险性综合评价指标体系构建、凌汛期堤防危险性综合评价指标赋值及其标准化处理、凌汛期堤防危险性综合评价指标权重计算、凌汛期堤防综合危险度计算与凌汛期堤防危险度聚类区划，凌汛期堤防危险度聚类区划包括凌汛期堤防危险度分级聚类与凌汛期堤防危险区划，本发明一种凌汛期堤防危险性综合评价方法具有凌汛期堤防危险性评价指标可靠合理、集成与对比方法多且危险等级直观的特点。
Description
技术领域
本发明涉及一种凌汛期堤防危险性综合评价方法。
背景技术
由于凌汛高水位洪水偎堤时间长以及开河期水位与流速变化梯度大等因素影响，凌汛期寒区河道经常发生堤防管涌、渗透或滑塌险情，甚至造成重大凌汛漫溃堤灾害，严重威胁两岸人民的生命财产安全，因此开展凌汛期堤防危险性综合评价方法研究，对堤防险情早期识别与灾害防御至关重要。目前国内外学者多集中研究伏汛期江河堤防破坏机理及危险性评价方法，仅有少数学者通过建立凌汛期堤防渗流数值模型，分析了凌汛洪水作用下堤防渗流路径、渗透坡降及最小安全系数的变化情况，但尚未建立凌汛期堤防危险性综合评价方法。
发明内容
本发明所要解决的技术问题是提供一种凌汛期堤防危险性综合评价方法。
本发明一种凌汛期堤防危险性综合评价方法的技术方案是这样实现的：一种凌汛期堤防危险性综合评价方法，依次包括如下步骤：
1、数据资料收集整编
收集研究区域历年凌汛期水情、凌情、气温和灾情数据，河道断面测量资料以及堤防工程、桥梁工程、水库工程、险工险段工程等工程设计资料，并根据凌汛期堤防危险性综合评价模型构建对数据的要求，对其进行系统化整编处理；
2、小尺度评价堤段划分
根据研究河段现状堤防分布情况与河势走向，按河道中心线基本等距将其平均划分为小尺度评价堤段，每个堤段的河槽中心线长度约为河宽的3倍；
3、凌汛期堤防危险性综合评价指标体系构建
根据寒区河道凌汛期堤防危险性影响因素，构建由目标层D凌汛期堤防危险度、准则层D1、D2与D3分别为致灾因子危险性、孕灾环境敏感性与承灾体易损性以及准则层D1、D2与D3各自对应指标层凌汛期堤防危险性评价指标分别为8个、6个与3个共计17个构成的凌汛期堤防危险性综合评价指标体系；
(1)、致灾因子危险性指标：主要指凌汛冰塞冰坝壅水导致堤防险情的危险性因素，包括凌汛期平均气温绝对值D11、凌汛期累积负气温绝对值D12、凌汛封冻周期时长D13(反映堤防偎水时间)、凌汛期最大冰厚D14、开河期凌峰流量D15(凌洪动力条件)、单位河长槽蓄水增量D16、历史冰塞冰坝位置数D17、历史漫溃堤灾害频次D18(标准化堤防修建后，此指标主要反映凌汛对堤防的危险性)；
(2)、孕灾环境敏感性指标：主要指影响凌汛冰塞冰坝以及凌汛期堤防险情的河道环境要素，包括平滩流量D21(反映河槽泄流能力)、单位河长泥沙淤积量D22(河床淤积抬高)、河相系数均值D23(宽深比)、河底坡降D24、河槽弯曲系数D25、跨河桥梁工程数量D26；
(3)、承灾体易损性指标：主要指堤防本身在凌汛过程中容易成灾的影响因素，包括堤段与主槽最小间距D31、险工险段长度D32、堤防设计标准及材质结构D33；
4、凌汛期堤防危险性综合评价指标赋值及其标准化处理
根据研究河段凌汛期堤防危险性评价指标对应的历史实测数据，结合评价指标值上下游空间变化的关联关系，采用历史不同时段实测数据的平均值进行线性内插或均匀分布，赋予不同评价堤段对应的评价指标数值属性，能够合理反映同一指标值上下游不同堤段的空间分布差异性特征，由此构造评价样本矩阵，并对其进行数据标准化处理；
5、凌汛期堤防危险性综合评价指标权重计算
通过与变异系数法、层次分析法、模糊层次分析法即FAHP和熵权法的计算结果进行对比分析，结合历史凌汛灾害发生情况，验证改进FAHP-熵权法的可靠性，并采用K-means聚类算法对堤防危险度进行聚类区划，在此基础上研究凌汛期堤防险工段空间分布特征；根据凌汛期堤防危险性评价指标间的相对重要程度标度原则，构建多指标递阶层次判断矩阵，利用和积法计算评价指标权重，并对判断矩阵进行一致性检验，保障满足一致性检验要求；按是否考虑“历史漫溃堤灾害频次”分别构建对应的凌汛期堤防危险性评价模型，对比论证不考虑“历史漫溃堤灾害频次”评价模型的可靠性与评价结果的合理性；
假定FAHP法与熵权法计算第j项堤防危险性评价指标的综合权重分别为
和
本发明采用主客观赋权的乘积归一化思路，耦合改进FAHP与熵权法，从而得到改进FAHP-熵权法的第j项评价指标综合权重wj，计算公式(公式1)如下：
根据凌汛期堤防危险性评价指标间的相对重要程度标度原则，构建多指标递阶层次判断矩阵，利用和积法计算评价指标权重，并对判断矩阵进行一致性检验，保障满足一致性检验要求。
本发明按是否考虑“历史漫溃堤灾害频次”分别构建对应的凌汛期堤防危险性评价模型，对比论证不考虑“历史漫溃堤灾害频次”评价模型的可靠性与评价结果的合理性；
6、凌汛期堤防综合危险度计算
根据是否考虑“历史漫溃堤灾害频次”工况下，不同主客观评价方法计算的凌汛期堤防危险性评价指标综合权重，以及评价样本矩阵数据标准化结果，通过加权求和计算不同评价堤段的综合危险度；
7、凌汛期堤防危险度聚类区划
(1)、凌汛期堤防危险度分级聚类
根据不考虑“历史漫溃堤灾害频次”工况下改进FAHP-熵权法的凌汛期堤防危险度计算结果，采用K-means聚类算法对堤防危险度进行等级划分，通过计算不同聚类中心数目k(k＝2,3……,8)对应的样本与簇聚类中心距离误差平方和SSE，绘制SSE-k关系曲线，根据SSE-k关系曲线的斜率变化情况和手肘法判断原则，确定最佳聚类数目，即凌汛期堤防危险性划分等级；
凌汛期堤防危险度聚类算法如下：
以凌汛期堤防危险度作为不同堤段相似性度量函数，采用K-means聚类算法，通过迭代分析寻求最优聚类，划分凌汛期堤防危险等级，步骤如下：
①、构建不同评价堤段凌汛期堤防危险度数据集S＝{S1,S2,......,SN}，初始化k个聚类中心，不同聚类中心各对应一个簇，表示为P＝{P1,P2,......,Pk}，1<k≤N；
②、将数据集中每一数据划分至欧氏距离最近的聚类中心所在类簇中，数据分配完成，重新计算k个类簇数据平均值，对应得到新的聚类中心；
③、重复迭代7(1)②操作，数据再分配，不断更新聚类中心，直至聚类中心不变为止，从而得到最优聚类结果。
K-means聚类算法中第i个评价单元样本数据Si与第j个聚类中心Uj间欧氏距离计算公式(公式2)如下：
d(Si,Uj)＝||Si-Uj||2,1≤i≤N,1≤j≤k (2)
由公式2可知，对于每个聚类中心，类簇中所有样本数据欧氏距离之和越小，说明聚类效果越好，样本与聚类中心相似度越高。
采用手肘法分析确定聚类中心个数k值，衡量指标是误差平方和SSE，计算公式(公式3)如下：
手肘法判定k值的主要思路是：随着聚类中心数量的增加，各类簇中样本聚合程度不断提高，样本与聚类中心距离平方和减小；当k小于真实聚类数目时，各类簇中样本聚合程度会随k的增大而迅速提高，而SSE表现为迅速大幅下降；当k大于真实聚类数目时，簇中样本聚合程度便会迅速降低，SSE下降幅度会大幅减小至趋于平缓，SSE与k值关系曲线为手肘形状，肘部对应k值即为最佳聚类数目。
(2)、凌汛期堤防危险区划
根据研究河段凌汛期堤防危险度分级聚类结果，基于GIS平台赋予不同评价堤段对应的危险等级属性，划分堤防险工段，并进行色彩分级，绘制不同危险等级凌汛期堤防险工段分布图。
本发明一种凌汛期堤防危险性综合评价方法具有凌汛期堤防危险性评价指标可靠合理、集成与对比方法多且危险等级直观的特点。
附图说明
下面结合附图和实施例对本发明做进一步的说明。
图1是本发明一种凌汛期堤防危险性综合评价方法流程图；
图2是小尺度评价堤段分布图；
图3是凌汛期堤防危险性综合评价指标体系图；
图4是凌汛期堤防危险性综合评价指标赋值分布图；
图5是凌汛期堤防危险性综合评价递阶层次判断矩阵图；
图6-1是考虑D18评价指标的凌汛期堤防危险性评价指标综合权重计算结果图；
图6-2是未考虑D18评价指标的凌汛期堤防危险性评价指标综合权重计算结果图；
图7-1是变异系数法凌汛期堤防综合危险度计算结果图；
图7-2是熵权法凌汛期堤防综合危险度计算结果图；
图7-3是层次分析法凌汛期堤防综合危险度计算结果图；
图7-4是模糊层次分析法凌汛期堤防综合危险度计算结果图；
图7-5是改进FAHP-熵权法凌汛期堤防综合危险度计算结果图；
图7-6是不同方法凌汛期堤防综合危险度差值对比图；
图8-1是凌汛期堤防综合危险度K-means聚类SSE-k关系曲线图；
图8-2是凌汛期不同评价堤段对应综合危险度分布图；
图9是凌汛期堤防综合危险度聚类区划分布图。
图中：*表示该指标将用于评价模型验证
具体实施方式
实施例1
1、软件来源
(1)、变异系数法、层次分析法、模糊层次分析法、改进FAHP-熵权法，MicrosoftOffice 2013，excel编译程序
(2)、K-means聚类算法：OriginLab 9.0
(3)、堤防区划图制作软件：ArcMap 10.2
2、本发明一种凌汛期堤防危险性综合评价方法
如图1所示，本发明一种凌汛期堤防危险性综合评价方法，依次包括如下步骤：
(1)、数据资料收集整编
收集黄河巴彦高勒至头道拐(简称巴-头)河段1950～2018年历年凌汛期水情、凌情、气温和灾情数据，河道断面测量资料以及堤防工程、桥梁工程、水库工程、险工险段工程等工程设计资料，并根据凌汛期堤防危险性综合评价模型构建对数据的要求，对其进行系统化整编处理；
(2)、小尺度评价堤段划分
根据黄河巴-头河段现状堤防分布情况与河势走向，按河道中心线基本等距将其平均划分为50个小尺度评价堤段，每个堤段的河槽中心线长度约为河宽的3倍，评价堤段划分结果如图2所示；
(3)、凌汛期堤防危险性综合评价指标体系构建
如图3所示，根据寒区河道凌汛期堤防危险性影响因素，构建由目标层D凌汛期堤防危险度、准则层D1、D2与D3分别为致灾因子危险性、孕灾环境敏感性与承灾体易损性以及准则层D1、D2与D3各自对应指标层凌汛期堤防危险性评价指标分别为8个、6个与3个共计17个构成的凌汛期堤防危险性综合评价指标体系；
①、致灾因子危险性指标：主要指凌汛冰塞冰坝壅水导致堤防险情的危险性因素，包括凌汛期平均气温绝对值D11、凌汛期累积负气温绝对值D12、凌汛封冻周期时长D13(反映堤防偎水时间)、凌汛期最大冰厚D14、开河期凌峰流量D15(凌洪动力条件)、单位河长槽蓄水增量D16、历史冰塞冰坝位置数D17、历史漫溃堤灾害频次D18(标准化堤防修建后，此指标主要反映凌汛对堤防的危险性)；
②、孕灾环境敏感性指标：主要指影响凌汛冰塞冰坝以及凌汛期堤防险情的河道环境要素，包括平滩流量D21(反映河槽泄流能力)、单位河长泥沙淤积量D22(河床淤积抬高)、河相系数均值D23(宽深比)、河底坡降D24、河槽弯曲系数D25、跨河桥梁工程数量D26；
③、承灾体易损性指标：主要指堤防本身在凌汛过程中容易成灾的影响因素，研究河段堤基多为砂土，上下游堤防材质与结构基本相同，三盛公至头道拐河段左岸堤防设计标准为50年一遇、堤防级别为2级，右岸除达旗电厂附近堤段以外，其余堤段均为30年一遇、堤防级别为3级，同岸别上下游评价堤段的设计标准差别很小，故可不考虑堤防设计标准及材质结构D33等指标，其余指标主要包括堤段与主槽最小间距D31、险工险段长度D32等；
(4)、凌汛期堤防危险性综合评价指标赋值及其标准化处理
根据1950～2018年黄河巴-头河段凌汛期堤防危险性评价指标对应的历史实测数据，结合评价指标值上下游空间变化的关联关系，采用历史不同时段实测数据的平均值进行线性内插或均匀分布，赋予不同评价堤段对应的评价指标数值属性，凌汛期堤防危险性综合评价指标赋值见表1，如图4所示，上述指标能够合理反映同一指标值上下游不同堤段的空间分布差异性特征，由此构造评价样本矩阵，并对其进行数据标准化处理；
表1凌汛期堤防危险性综合评价指标赋值
(5)、凌汛期堤防危险性综合评价指标权重计算
本发明按是否考虑“历史漫溃堤灾害频次”分别构建对应的凌汛期堤防危险性评价模型，对比论证不考虑“历史漫溃堤灾害频次”评价模型的可靠性与评价结果的合理性，不同评价模型构建过程与指标赋权结果，如下陈述。
根据凌汛期堤防危险性评价指标间的相对重要程度标度原则，构建多指标递阶层次判断矩阵，如图5所示，利用和积法计算评价指标权重，并对判断矩阵进行一致性检验，CR均小于0.1，满足一致性检验要求。
采用变异系数法、层次分析法、模糊层次分析法、熵权法、改进FAHP-熵权法，分别计算考虑“历史漫溃堤灾害频次”与不考虑“历史漫溃堤灾害频次”两种工况下凌汛期堤防危险性评价指标的综合权重，数据见表2-1与2-2，如图6-1与6-2所示。分析可知：不考虑“历史漫溃堤灾害频次”时，对堤防险情影响权重较大的评价指标前5位依次包括险工险段长度(D32)、跨河桥梁工程数量(D26)、历史冰塞冰坝(D17)、堤段与主槽最小间距(D31)和泥沙淤积量(D22)。
表2-1考虑D18评价指标的凌汛期堤防危险性评价指标综合权重计算结果
表2-2不考虑D18评价指标的凌汛期堤防危险性评价指标综合权重计算结果
(6)、凌汛期堤防综合危险度计算
根据是否考虑“历史漫溃堤灾害频次”工况下，不同主客观评价方法计算的凌汛期堤防危险性评价指标综合权重，以及评价样本矩阵数据标准化结果，通过加权求和计算不同评价堤段的综合危险度，其中考虑与不考虑“历史漫溃堤灾害频次”情况下，变异系数法、熵权法、层次分析法、模糊层次分析法、改进FAHP-熵权法凌汛期堤防综合危险度计算结果分别见表3-1、3-2、3-3、3-4与3-5，改进组合赋权方法与单一方法的堤防综合危险度差值数据见表3-6
表3-1考虑与不考虑“历史漫溃堤灾害频次”情况下变异系数法凌汛期堤防综合危险度计算结果
| 评价堤段编号 | 1 | 2 | 11 | 12 | 21 | 22 | 31 | 32 | 41 | 42 | 48 | 49 | 50 |
| 综合危险度(考虑) | 0.61 | 0.14 | 0.07 | 0.05 | 0.14 | 0.76 | 0.17 | 0.26 | 0.36 | 0.25 | 0.18 | 0.22 | 0.26 |
| 综合危险度(不考虑) | 0.66 | 0.21 | 0.10 | 0.08 | 0.21 | 0.63 | 0.26 | 0.40 | 0.54 | 0.38 | 0.28 | 0.32 | 0.39 |
表3-2考虑与不考虑“历史漫溃堤灾害频次”情况下熵权法凌汛期堤防综合危险度计算结果
| 评价堤段编号 | 1 | 2 | 11 | 12 | 21 | 22 | 31 | 32 | 41 | 42 | 48 | 49 | 50 |
| 综合危险度(考虑) | 0.67 | 0.08 | 0.02 | 0.01 | 0.06 | 0.77 | 0.07 | 0.15 | 0.29 | 0.14 | 0.07 | 0.10 | 0.13 |
| 综合危险度(不考虑) | 0.79 | 0.14 | 0.03 | 0.02 | 0.10 | 0.60 | 0.13 | 0.26 | 0.49 | 0.24 | 0.12 | 0.17 | 0.22 |
表3-3考虑与不考虑“历史漫溃堤灾害频次”情况下层次分析法凌汛期堤防综合危险度计算结果
| 评价堤段编号 | 1 | 2 | 11 | 12 | 21 | 22 | 31 | 32 | 41 | 42 | 48 | 49 | 50 |
| 综合危险度(考虑) | 0.50 | 0.26 | 0.13 | 0.11 | 0.21 | 0.71 | 0.27 | 0.41 | 0.40 | 0.39 | 0.27 | 0.42 | 0.51 |
| 综合危险度(不考虑) | 0.46 | 0.30 | 0.16 | 0.14 | 0.26 | 0.63 | 0.32 | 0.50 | 0.48 | 0.51 | 0.34 | 0.48 | 0.59 |
表3-4考虑与不考虑“历史漫溃堤灾害频次”情况下模糊层次分析法凌汛期堤防综合危险度计算结果
| 评价堤段编号 | 1 | 2 | 11 | 12 | 21 | 22 | 31 | 32 | 41 | 42 | 48 | 49 | 50 |
| 综合危险度(考虑) | 0.53 | 0.34 | 0.22 | 0.19 | 0.31 | 0.69 | 0.37 | 0.49 | 0.48 | 0.44 | 0.38 | 0.51 | 0.54 |
| 综合危险度(不考虑) | 0.51 | 0.35 | 0.24 | 0.21 | 0.33 | 0.66 | 0.39 | 0.52 | 0.52 | 0.47 | 0.41 | 0.54 | 0.58 |
表3-5考虑与不考虑“历史漫溃堤灾害频次”情况下改进FAHP-熵权法凌汛期堤防综合危险度计算结果
| 评价堤段编号 | 1 | 2 | 11 | 12 | 21 | 22 | 31 | 32 | 41 | 42 | 48 | 49 | 50 |
| 综合危险度(考虑) | 0.71 | 0.15 | 0.02 | 0.01 | 0.06 | 0.82 | 0.10 | 0.21 | 0.29 | 0.10 | 0.06 | 0.21 | 0.17 |
| 综合危险度(不考虑) | 0.69 | 0.16 | 0.02 | 0.01 | 0.07 | 0.58 | 0.11 | 0.25 | 0.39 | 0.17 | 0.09 | 0.20 | 0.21 |
表3-6改进FAHP-熵权法与熵权凌汛期堤防综合危险度差值(简称差值Ⅰ)、改进FAHP-熵权法与FAHP凌汛期堤防综合危险度差值(简称差值Ⅱ)
| 评价堤段编号 | 1 | 2 | 11 | 12 | 21 | 22 | 31 | 32 | 41 | 42 | 48 | 49 | 50 |
| 差值Ⅰ | -0.11 | 0.02 | -0.01 | 0.01 | -0.02 | -0.03 | -0.01 | -0.02 | -0.10 | -0.07 | -0.04 | 0.04 | -0.01 |
| 差值Ⅱ | 0.17 | -0.20 | -0.21 | -0.20 | -0.25 | -0.08 | -0.28 | -0.27 | -0.12 | -0.30 | -0.33 | -0.34 | -0.37 |
如图7-1、7-2、7-3、7-4、7-5与7-6所示，分析可知：
①、与考虑“历史漫溃堤灾害频次”并对其赋予较高权重相比，在凌汛期堤防险情影响因素复杂变化情况下，不考虑“历史漫溃堤灾害频次”的凌汛期堤防危险度计算结果，依然能够较好地反映历史漫溃堤险工段，充分表明构建的凌汛期堤防危险性综合评价指标体系及其递阶层次判断矩阵具有较高的可靠性与合理性；
②、客观赋权方面，变异系数法与熵权法计算结果均基本体现了上下游凌汛期堤防危险性的相对严重程度，两种方法危险度变幅区间分别为(0.1,0.8)和(0.0,0.9)，考虑主客观组合赋权的合理均匀化，客观赋权选择离散性较高的熵权法；
③、主观赋权方面，层次分析法与模糊层次分析法均能较好反映上游至下游凌汛期堤防危险性的递增变化趋势，两种方法危险度变幅区间分别为(0.1,0.7)和(0.2,0.7)，模糊层次分析法计算得到的堤防危险度集中程度更高，更能体现堤防危险性空间分布的主观模糊一致性，与客观熵权法较大的离散性相比，主观赋权选择与熵权法互补的模糊层次分析法；
④、改进FAHP-熵权法充分体现了模糊层次分析法与熵权法的优越性，对应的凌汛期堤防综合危险度变幅区间为(0.00,0.75)，改进组合赋权方法与单一方法的堤防危险度差值分布，如图7-6所示，可见改进FAHP-熵权法的堤防危险度计算结果更加均匀化，而且危险度较大的堤段与历史漫溃堤位置以及堤防险工险段的分布情况基本一致，计算结果体现了凌汛期堤防危险度空间分布的差异性以及危险堤段分布的集中程度；
(7)、凌汛期堤防危险度聚类区划
①、凌汛期堤防危险度分级聚类
根据不考虑“历史漫溃堤灾害频次”工况下改进FAHP-熵权法的凌汛期堤防危险度计算结果，采用K-means聚类算法对堤防危险度进行等级划分，通过计算不同聚类中心数目k(k＝2,3……,8)对应的样本与簇聚类中心距离误差平方和SSE，绘制SSE-k关系曲线，根据SSE-k关系曲线的斜率变化情况和手肘法判断原则，确定最佳聚类数目，即凌汛期堤防危险性划分等级；根据不考虑“历史漫溃堤灾害频次”工况下改进FAHP-熵权法的凌汛期堤防危险度计算结果，采用K-means聚类算法对堤防危险度进行等级划分，通过计算不同聚类中心数目k(k＝2,3……,8)对应的样本与簇聚类中心距离误差平方和SSE，绘制SSE-k关系曲线，如图8-1所示。根据SSE-k关系曲线的斜率变化情况和手肘法判断原则，确定最佳聚类数目为4，即凌汛期堤防危险性划分为四个等级：低危险、中危险、高危险和极高危险。不同评价堤段危险度及其危险等级分布，如图8-2所示，因为相同评价堤段左岸防洪标准高于右岸，所以同一堤段右岸危险性整体高于左岸，K-means聚类结果反映了同岸别上下游堤段危险度空间分布的差异特征，不同危险等级对应聚类中心及分类区间阈值统计数据，见表4
表4凌汛期堤防危险等级聚类中心及分类区间阈值统计表
②、凌汛期堤防危险区划
根据黄河巴-头河段凌汛期堤防危险度分级聚类结果，基于GIS平台赋予不同评价堤段对应的危险等级属性，划分堤防险工段，并进行色彩分级，绘制不同危险等级凌汛期堤防险工段分布图，如图9所示。根据黄河巴-头河段凌汛期堤防危险度聚类及等级划分结果，研究河段低危险至极高危险四个等级的堤段占比分别为50％、28％、14％和8％，不同危险等级凌汛期堤防险工险段离散分布于黄河巴-头河段。
实施例说明，以1950～2018年黄河巴-头河段划分为50个小尺度评价堤段为例，通过评价堤段凌汛期历史实测数据对应的评价指标数值属性对本发明一种凌汛期堤防危险性综合评价方法由层次分析法构建的凌汛期堤防危险性评价指标体系的17个凌汛期堤防危险性评价指标赋值后，按是否考虑“历史漫溃堤灾害频次”分别构建对应的凌汛期堤防危险性评价模型，对比论证不考虑“历史漫溃堤灾害频次”评价模型的可靠性与评价结果的合理性，采用变异系数法、熵权法、层次分析法、模糊层次分析法、改进FAHP-熵权法分别计算凌汛期堤防危险性评价指标的综合权重找到不考虑“历史漫溃堤灾害频次”时对堤防险情影响权重较大的评价指标；通过变异系数法、熵权法、层次分析法、模糊层次分析法、改进FAHP-熵权法分别计算的各个评价堤段考虑与不考虑“历史漫溃堤灾害频次”情况下的综合性危险度为评价凌汛期堤防危险性评价指标体系及其递阶层次判断矩阵的可靠性与合理性以及主客观赋权所要选择的计算方法提供了依据；改进FAHP-熵权法的堤防危险度计算结果更加均匀化，而且危险度较大的堤段与历史漫溃堤位置以及堤防险工险段的分布情况基本一致，计算结果体现了凌汛期堤防危险度空间分布的差异性以及危险堤段分布的集中程度；根据黄河巴-头河段凌汛期堤防危险度分级聚类结果，基于GIS平台赋予不同评价堤段对应的危险等级属性，划分堤防险工段，并进行色彩分级，绘制不同危险等级凌汛期堤防险工段分布图具有直观的属性。因而，本发明一种凌汛期堤防危险性综合评价方法具有凌汛期堤防危险性评价指标可靠合理、集成与对比方法多且危险等级直观的特点。
Claims (1)
1.一种凌汛期堤防危险性综合评价方法，依次包括如下步骤：
(1)、数据资料收集整编
收集研究区域历年凌汛期水情、凌情、气温和灾情数据，河道断面测量资料以及堤防工程、桥梁工程、水库工程、险工险段工程等工程设计资料，并根据凌汛期堤防危险性综合评价模型构建对数据的要求，对其进行系统化整编处理；
(2)、小尺度评价堤段划分
根据研究河段现状堤防分布情况与河势走向，按河道中心线基本等距将其平均划分为小尺度评价堤段，每个堤段的河槽中心线长度约为河宽的3倍；
(3)、凌汛期堤防危险性综合评价指标体系构建
根据寒区河道凌汛期堤防危险性影响因素，构建由目标层D凌汛期堤防危险度、准则层D1、D2与D3分别为致灾因子危险性、孕灾环境敏感性与承灾体易损性以及准则层D1、D2与D3各自对应指标层凌汛期堤防危险性评价指标分别为8个、6个与3个共计17个构成的凌汛期堤防危险性综合评价指标体系；
(4)、凌汛期堤防危险性综合评价指标赋值及其标准化处理
根据研究河段凌汛期堤防危险性评价指标对应的历史实测数据，结合评价指标值上下游空间变化的关联关系，采用历史不同时段实测数据的平均值进行线性内插或均匀分布，赋予不同评价堤段对应的评价指标数值属性，能够合理反映同一指标值上下游不同堤段的空间分布差异性特征，由此构造评价样本矩阵，并对其进行数据标准化处理；
(5)、凌汛期堤防危险性综合评价指标权重计算
通过与变异系数法、层次分析法、模糊层次分析法即FAHP和熵权法的计算结果进行对比分析，结合历史凌汛灾害发生情况，验证改进FAHP-熵权法的可靠性，并采用K-means聚类算法对堤防危险度进行聚类区划，在此基础上研究凌汛期堤防险工段空间分布特征；根据凌汛期堤防危险性评价指标间的相对重要程度标度原则，构建多指标递阶层次判断矩阵，利用和积法计算评价指标权重，并对判断矩阵进行一致性检验，保障满足一致性检验要求；按是否考虑“历史漫溃堤灾害频次”分别构建对应的凌汛期堤防危险性评价模型，对比论证不考虑“历史漫溃堤灾害频次”评价模型的可靠性与评价结果的合理性；
(6)、凌汛期堤防综合危险度计算
根据是否考虑“历史漫溃堤灾害频次”工况下，不同主客观评价方法计算的凌汛期堤防危险性评价指标综合权重，以及评价样本矩阵数据标准化结果，通过加权求和计算不同评价堤段的综合危险度；
(7)、凌汛期堤防危险度聚类区划
①、凌汛期堤防危险度分级聚类
根据不考虑“历史漫溃堤灾害频次”工况下改进FAHP-熵权法的凌汛期堤防危险度计算结果，采用K-means聚类算法对堤防危险度进行等级划分，通过计算不同聚类中心数目k(k＝2,3……,8)对应的样本与簇聚类中心距离误差平方和SSE，绘制SSE-k关系曲线，根据SSE-k关系曲线的斜率变化情况和手肘法判断原则，确定最佳聚类数目，即凌汛期堤防危险性划分等级；
②、凌汛期堤防危险区划
根据研究河段凌汛期堤防危险度分级聚类结果，基于GIS平台赋予不同评价堤段对应的危险等级属性，划分堤防险工段，并进行色彩分级，绘制不同危险等级凌汛期堤防险工段分布图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110938280.0A CN113869354B (zh) | 2021-08-16 | 2021-08-16 | 一种凌汛期堤防危险性综合评价方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110938280.0A CN113869354B (zh) | 2021-08-16 | 2021-08-16 | 一种凌汛期堤防危险性综合评价方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113869354A true CN113869354A (zh) | 2021-12-31 |
| CN113869354B CN113869354B (zh) | 2024-05-07 |
Family
ID=78990337
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110938280.0A Active CN113869354B (zh) | 2021-08-16 | 2021-08-16 | 一种凌汛期堤防危险性综合评价方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113869354B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114611780A (zh) * | 2022-03-05 | 2022-06-10 | 郑州大学 | 一种计算溃堤紧急避难选址优化方案及路径规划的方法 |
| CN116110210A (zh) * | 2023-04-04 | 2023-05-12 | 中南大学 | 复杂环境下数据驱动的滑坡灾害辅助决策方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101341437B1 (ko) * | 2012-12-27 | 2013-12-13 | 성균관대학교산학협력단 | 다기준 홍수위험도 평가방법 |
| 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 |
| CN108681844A (zh) * | 2018-08-01 | 2018-10-19 | 河海大学 | 一种调水工程洪水资源利用风险评价方法 |
| CN110458391A (zh) * | 2019-07-04 | 2019-11-15 | 天津大学 | 一种用于城市群区域洪水风险区划的精细化诊断方法 |
| CN111080060A (zh) * | 2019-11-11 | 2020-04-28 | 天津大学 | 一种堤防洪水风险评价指标体系构建方法 |
| CN111861133A (zh) * | 2020-06-23 | 2020-10-30 | 天津大学 | 一种山洪灾害防治能力评价方法 |
| WO2021120788A1 (zh) * | 2019-12-19 | 2021-06-24 | 华中科技大学 | 一种基于机器学习的水文预报精度评价方法及系统 |
| CN113191644A (zh) * | 2021-05-06 | 2021-07-30 | 天津大学 | 一种基于自发-引发风险评价模型城市内涝风险评价方法 |
-
2021
- 2021-08-16 CN CN202110938280.0A patent/CN113869354B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101341437B1 (ko) * | 2012-12-27 | 2013-12-13 | 성균관대학교산학협력단 | 다기준 홍수위험도 평가방법 |
| 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 |
| CN108681844A (zh) * | 2018-08-01 | 2018-10-19 | 河海大学 | 一种调水工程洪水资源利用风险评价方法 |
| CN110458391A (zh) * | 2019-07-04 | 2019-11-15 | 天津大学 | 一种用于城市群区域洪水风险区划的精细化诊断方法 |
| CN111080060A (zh) * | 2019-11-11 | 2020-04-28 | 天津大学 | 一种堤防洪水风险评价指标体系构建方法 |
| WO2021120788A1 (zh) * | 2019-12-19 | 2021-06-24 | 华中科技大学 | 一种基于机器学习的水文预报精度评价方法及系统 |
| CN111861133A (zh) * | 2020-06-23 | 2020-10-30 | 天津大学 | 一种山洪灾害防治能力评价方法 |
| CN113191644A (zh) * | 2021-05-06 | 2021-07-30 | 天津大学 | 一种基于自发-引发风险评价模型城市内涝风险评价方法 |
Non-Patent Citations (2)
| Title |
|---|
| 戴长雷;李洋;陈末;王远明;于淼;李爽: "凌汛背景下寒区堤防渗流模拟分析", 黑龙江省水利学会2018年学术年会, 30 August 2018 (2018-08-30) * |
| 戴长雷;李洋;陈末;王远明;于淼;李爽: "凌汛背景下寒区某堤防渗流模拟分析", 水电能源科学, no. 012, 31 December 2018 (2018-12-31) * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114611780A (zh) * | 2022-03-05 | 2022-06-10 | 郑州大学 | 一种计算溃堤紧急避难选址优化方案及路径规划的方法 |
| CN116110210A (zh) * | 2023-04-04 | 2023-05-12 | 中南大学 | 复杂环境下数据驱动的滑坡灾害辅助决策方法 |
| CN116110210B (zh) * | 2023-04-04 | 2023-08-01 | 中南大学 | 复杂环境下数据驱动的滑坡灾害辅助决策方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113869354B (zh) | 2024-05-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113869354A (zh) | 一种凌汛期堤防危险性综合评价方法 | |
| Shouyu et al. | Variable fuzzy sets and its application in comprehensive risk evaluation for flood-control engineering system | |
| CN111582755B (zh) | 一种基于多维度集合信息山洪灾害综合风险动态评估方法 | |
| Limerinos | Determination of the Manning coefficient from measured bed roughness in natural channels | |
| Gyasi‐Agyei et al. | Effects of vertical resolution and map scale of digital elevation models on geomorphological parameters used in hydrology | |
| Zhou et al. | One-dimensional mathematical model for suspended sediment by lateral integration | |
| CN106021854A (zh) | 一种天然河道断面水位流量关系的确定方法 | |
| CN112132371A (zh) | 一种耦合熵权-模糊聚类算法的城市洪涝风险评估方法 | |
| CN110866367B (zh) | 复杂河网水流条件下常规突发水污染团的实时追踪方法 | |
| Gholami et al. | New radial basis function network method based on decision trees to predict flow variables in a curved channel | |
| CN115809800A (zh) | 洪涝灾害风险评估方法 | |
| Morisawa | Topologic properties of delta distributary networks | |
| Safarzadeh et al. | Comparative assessment of the hybrid genetic algorithm–artificial neural network and genetic programming methods for the prediction of longitudinal velocity field around a single straight groyne | |
| Noori et al. | Effective prediction of scour downstream of ski-jump buckets using artificial neural networks | |
| Anilan et al. | Application of Artificial Neural Networks and regression analysis to L-moments based regional frequency analysis in the Eastern Black Sea Basin, Turkey | |
| CN116701970B (zh) | 基于双层相似度聚类的排水管网监测点优化布置方法 | |
| Zaji et al. | Velocity field simulation of open-channel junction using artificial intelligence approaches | |
| CN116362552A (zh) | 一种评估小型水库安全风险等级的方法 | |
| CN116611611A (zh) | 一种城市污水管道实际健康度多指标评价方法 | |
| Daneshfaraz et al. | Numerical modeling of hydraulic properties of sloped broad crested weir | |
| Wu et al. | Flash flood peak estimation in small mountainous catchments based on distributed geomorphological unit hydrographs using fuzzy C-means clustering | |
| Saleh et al. | Analysis of the Euphrates River’s movement within Al-Hindiya, Karbala, relative to steady flow conditions using the HEC-RAS model | |
| Tunas et al. | Integration of digital elevation model (DEM) and HEC-RAS hydrodynamic model for flood routing | |
| Shiyamalagowri et al. | Model-based clustering approach for regional flood frequency analysis | |
| Yılmaz et al. | Suspended sediment load prediction in rivers by using heuristic regression and hybrid artificial intelligence models |
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 |