CN114091756A - 一种基于泰森多边形的乡镇级海啸风险评估方法 - Google Patents
一种基于泰森多边形的乡镇级海啸风险评估方法 Download PDFInfo
- Publication number
- CN114091756A CN114091756A CN202111396894.7A CN202111396894A CN114091756A CN 114091756 A CN114091756 A CN 114091756A CN 202111396894 A CN202111396894 A CN 202111396894A CN 114091756 A CN114091756 A CN 114091756A
- Authority
- CN
- China
- Prior art keywords
- data
- tsunami
- elevation
- thiessen
- factors
- 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
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000012502 risk assessment Methods 0.000 title claims abstract description 26
- 238000004458 analytical method Methods 0.000 claims abstract description 30
- 238000004364 calculation method Methods 0.000 claims abstract description 30
- 241000132092 Aster Species 0.000 claims abstract description 22
- 239000011159 matrix material Substances 0.000 claims description 29
- 238000012545 processing Methods 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 19
- 238000005259 measurement Methods 0.000 claims description 17
- 238000012937 correction Methods 0.000 claims description 15
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 15
- 230000005855 radiation Effects 0.000 claims description 14
- 238000013507 mapping Methods 0.000 claims description 13
- 230000005540 biological transmission Effects 0.000 claims description 11
- 230000003287 optical effect Effects 0.000 claims description 11
- 238000011156 evaluation Methods 0.000 claims description 8
- FOXFZRUHNHCZPX-UHFFFAOYSA-N metribuzin Chemical compound CSC1=NN=C(C(C)(C)C)C(=O)N1N FOXFZRUHNHCZPX-UHFFFAOYSA-N 0.000 claims description 8
- 238000002310 reflectometry Methods 0.000 claims description 8
- 239000006185 dispersion Substances 0.000 claims description 7
- 238000007499 fusion processing Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000011426 transformation method Methods 0.000 claims description 5
- 238000012952 Resampling Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000001228 spectrum Methods 0.000 claims description 4
- 238000010561 standard procedure Methods 0.000 claims description 4
- 238000011157 data evaluation Methods 0.000 claims description 2
- 239000003317 industrial substance Substances 0.000 claims description 2
- 238000013316 zoning Methods 0.000 abstract description 10
- 238000012038 vulnerability analysis Methods 0.000 abstract description 8
- 230000009467 reduction Effects 0.000 description 13
- 238000011160 research Methods 0.000 description 13
- 230000002265 prevention Effects 0.000 description 12
- 238000010276 construction Methods 0.000 description 8
- 238000013439 planning Methods 0.000 description 7
- 238000011161 development Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000007726 management method Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000000556 factor analysis Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- XRIWLEWQNCECEP-UHFFFAOYSA-N 3-methyl-3-nitrososulfanyl-2-(propanoylamino)butanoic acid Chemical compound CCC(=O)NC(C(O)=O)C(C)(C)SN=O XRIWLEWQNCECEP-UHFFFAOYSA-N 0.000 description 1
- 241000951471 Citrus junos Species 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000012770 industrial material Substances 0.000 description 1
- 238000003331 infrared imaging Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000003643 water by type Substances 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Geophysics And Detection Of Objects (AREA)
- Alarm Systems (AREA)
Abstract
本发明涉及一种基于泰森多边形的乡镇级海啸风险评估方法,包括:基于沿海区域的基础地理信息数据,构建沿海区域内多个泰森多边形结构,根据沿海区域内的历史地震和海啸数据,结合海啸数值计算模型,获取每一泰森多边形结构的海啸危险等级分析结果;基于ASTER高程、Sentinel1数据、LANDSAT卫星数据和NPP/VIIRS灯光数据获取脆弱评估结果;将每一泰森多边形结构的海啸危险等级分析结果和和脆弱评估结果进行组合,得到用于展示的乡镇级海啸风险区划结果。本发明的方法将海啸风险评估区划尺度提高到乡镇级,海啸脆弱分析兼具科学性和实用性,提高脆弱分析合理性。
Description
技术领域
本发明涉及计算机预测技术领域,尤其涉及一种基于泰森多边形的乡镇级海啸风险评估方法。
背景技术
海啸是发生在海洋中的一系列具有超长波长和周期的波动,通常是由海底地震导致海水的剧烈扰动而形成的。在深海中很难被察觉到的海啸,到了近岸很可能会变成破坏力极强的灾害。海啸波的流速很大,如果冲击到陆地上,具有非常强的破坏力,可以轻易的冲倒一些建筑物;如日本地震海啸、印度洋大海啸、智利海啸等带来的灾害。为此,业内人士研究了潜在影响地区的海啸风险。目前,海啸风险研究分为海啸危险和海啸脆弱两个方面。海啸脆弱问题是其中的重要一环。
我国周边沿海处于环太平洋地震带上,既面临着局地海啸的威胁,也受区域和越洋海啸的影响。影响我国的海啸最有可能发生在南海东部马尼拉海沟、台湾岛周边海域、琉球群岛。海啸风险问题需要考虑的因素很多,包括离海岸的距离、淹没深度、备灾活动、社会经济状况等,需要收集多种数据,费时费力。
目前的海啸风险区划中,只做到市(县)级的区划分析,缺少更精细的单元区划,满足不了乡镇级减灾部门的实际需求。而且在海啸脆弱评估中,只考虑土地利用一种数据,分析海啸脆弱问题不够全面,不能代表实际情况。
为此,业内人士需要提出一种针对乡镇尺度的海啸风险区划评估的方法,由此实现对海啸的精确评估。
发明内容
(一)要解决的技术问题
鉴于现有技术的上述缺点、不足,本发明提供一种基于泰森多边形的乡镇级海啸风险评估方法,将区划单元精细到村(社区)单元。用于全面分析乡镇级海啸风险区划问题,本发明在乡镇级海啸脆弱评估中采用多源遥感数据分析了四种脆弱因子,全面分析海啸脆弱问题,提高脆弱评估的科学性和可操作性,有效保护生命财产安全。
(二)技术方案
为了达到上述目的,本发明采用的主要技术方案包括:
第一方面,本发明实施例提供一种基于泰森多边形的乡镇级海啸风险评估方法,包括:
S1、基于沿海区域的基础地理信息数据构建沿海区域内多个泰森多边形结构;每一泰森多边形结构中存在一个作为应急避难空间的控制点,任意泰森多边形结构的网格单元到控制点的距离最短;
S2、根据所述沿海区域内的历史地震和海啸数据,基于海啸数值计算模型,获取每一泰森多边形结构的海啸危险等级分析结果;
所述海啸数值计算模型是以考虑海啸频散特性的FUNWAVE模型为基础并结合所述沿海区域的高程数据、潜在海啸所属的水深数据,通过数值计算确定海啸最大波幅的模型;所述潜在海啸为基于历史地震和海啸数据评估得到;
S3、基于预设时间段内对应沿海区域经纬度的ASTER高程、Sentinel1 数据、LANDSAT卫星数据和NPP/VIIRS灯光数据;获取泰森多边形结构中每一网格单元的海啸灾害脆弱评估结果;将泰森多边形结构内所有网格单元的海啸灾害脆弱评估结果进行筛选,选择所有网格单元中对应的最高等级的脆弱评估结果作为该泰森多边形结构的脆弱评估结果;
S4、将每一泰森多边形结构的海啸危险等级分析结果和和脆弱评估结果进行组合,得到用于展示的乡镇级海啸风险评估的区划结果。
可选地,所述S1包括:
S1-1、收集沿海区域的基础地理信息数据;所述基础地理信息数据包括海岸线数据、乡镇级居民点的地理分布信息、乡镇行政区划数据、高程数据和水深数据;
从所述乡镇级居民点的地理分布信息中提取村级/社区级的居民点数据,所述居民点数据包括下述的一项或多项:社区居民点、村级居民点、工厂、旅游区、港口和危险货物存放处;
S1-2、将所述沿海区域划分为多个网格单元,每一网格单元的分辨率为10-20米;将居民点数据作为控制点,将每一网格单元的中心点作为测量点;
获取测量点和居民点的经纬度数据,采用公式(3)计算任意测量点之间的距离,并结合公式(1)和公式(2)的约束条件,构建多个泰森多边形结构;
公式(1) d(x,A)=inf{d(x,a)|a∈A}
公式(2) Rk={x∈X|d(x,Pk)≤d(x,Pj)for all j≠k}
其中,X是距离函数为d的度量空间,K是一组指数,(Pk)k∈K是空间 X中非空子集的元组;与控制点Pk相关的区域Rk是X中所有测量点x的集合,集合中所有测量点x到Pk的距离不大于所有测量点x到其他控制点Pj的距离,j和K是不同的索引;d(x,A)表示测量点x和子集A中a之间的距离;
集合中每一个测量点x的经纬度数据(a1,b1)或(a2,b2)。
可选地,所述S2包括:
S2-1、收集所述沿海区域内的历史地震和海啸数据;
S2-2、根据现有G-R定律对所述历史地震进行分析,获取地震的震级、总次数与时间周期之间的关系,并确定潜在海啸的最大震级;
S2-3、将潜在的最大震级输入预先建立的海啸数值计算模型,获得潜在海啸的最大波幅的计算结果;
所述海啸数值计算模型为预先采用Boussinesq方程的FUNWAVE模型建立的,采用网格嵌套的形式进行数值计算的模型;
S2-4、基于潜在海啸的最大波幅的计算结果,按照波幅变化规律,确定存在影响沿海区域海岸处的海啸最大波幅;
S2-5、将所述海啸最大波幅映射到距离海岸8公里位置的所有泰森多边形结构,并确定每一泰森多边形结构的危险等级。
可选地,S2-5包括:
针对每一泰森多边形结构,根据预先接收的用户输入的定义信息,选取该泰森多边形结构的2公里范围内的最高危险等级作为该泰森多边形结构的危险等级;
定义信息包括:距离海岸2-4公里,4-6公里和6-8公里范围内的泰森多边形的等级依次降低一级,直到降为最低的四级,危险等级分为4 级;Ⅰ级代表该区危险性为最高;IV级则为最低。
可选地,S3包括:
S3-1、收集对应沿海区域经纬度的ASTER高程数据、Sentinel-1数据、 LANDSAT卫星数据和NPP/VIIRS灯光数据;
S3-2、针对每一泰森多边形结构,从收集的数据中筛选出该泰森多边形结构内每一个网格单元的数据;
S3-3、对于每一个网格单元,对该网格单元所属的LANDSAT卫星数据进行大气校正处理,并采用GS变换法进行融合处理;
S3-4、基于每一个网格单元所属的ASTER高程数据、NPP/VIIRS灯光数据、Sentinel-1数据和融合处理后的数据、先验知识,获取用于判断海啸灾害脆弱性的影响因子;所述影响因子包括:高程因子、坡度因子、土地利用因子和社会经济因子;
S3-5、在每一个网格单元内,采用层次分析法处理所述影响因子,获取该网格单元的海啸灾害脆弱评估结果;
针对每一泰森多边形结构,选取该泰森多边形结构内所有网格单元中最高海啸灾害脆弱评估结果作为泰森多边形结构的脆弱评估结果。
可选地,S3-4包括:
利用ASTER高程数据和先验知识,计算高程因子;所述先验知识包括:高程值与高程因子的映射关系;
基于ASTER高程数据计算网格单元所属区域的坡度值,根据所述坡度值和先验知识,计算坡度因子;所述先验知识包括:坡度值与坡度因子的映射关系;
基于Sentinel-1数据、融合的LANDSAT卫星数据和先验知识,计算土地利用因子;
对网格单元所述区域的NPP/VIIRS灯光数据所显示的社会经济数据进行归一化,基于归一化的社会经济数据和先验知识,计算社会经济因子;所述先验知识包括:社会经济数据与社会经济因子的映射关系;
其中,高程、坡度、土地利用和社会经济每个因子分为5个等级,代表脆弱性等级高、稍高、中等、稍低和低。
可选地,S3-5中的在每一个网格单元内,采用层次分析法处理所述影响因子,获取该网格单元的海啸灾害脆弱评估结果,包括:
采用层次分析法,将网格单元内的高程、坡度、土地利用和社会经济的四个因子进行两两比较,构造出判断矩阵,并对判断矩阵进行归一化处理,以及对归一化的判断矩阵进行行与列的特征处理,以得到四个因子的权重值;
将四个因子分别和各自的权重值相乘并汇总,得到网格单元的海啸灾害脆弱评估结果。
可选地,采用层次分析法,将网格单元内的高程、坡度、土地利用和社会经济的四个因子进行两两比较,构造出判断矩阵,并对判断矩阵进行归一化处理,以及对归一化的判断矩阵进行行与列的特征处理,以得到四个因子的权重值,包括:1)两两比较,给出判断矩阵A,i和j 为判断矩阵的行列数,aij表示第i行第j列的相交点的数据,行的数据包括:高程、坡度、土地利用和社会经济四个因子,列包括:高程、坡度、土地利用和社会经济四个因子;即A=(aij)n*ni取1......n,j取 1......n;n=4;
2)对判断矩阵A中各列进行归一化处理,k表示各列的序号,
3)求判断矩阵A各行之和并再次归一化,
4)基于所述归一化的行数据和列数据,以及预先查表得到的一致性指标信息,获取比对系数,若比对系数小于0.1,则得到高程、坡度、土地利用和社会经济四个因子权重结果。
可选地,S3-3中的该网格单元所属的LANDSAT卫星数据进行大气校正处理,并采用GS变换法进行融合处理包括:采用Sencor方法进行大气校正;
借助于libRadtran地球大气辐射传输计算方式,结合离散纵标法计算大气辐射传输;基于大气辐射传输查找Sencor方法的参数表,确定太阳天顶角、平均海拔,并利用滤波函数对光谱重采样,得到反射率,采用反射率对LANDSAT卫星数据进行大气校正;
将大气校正后的LANDSAT卫星数据中的光学LANDSAT-8影像和 Sentinel-1数据进行融合处理,得到合成的孔径雷达数据,并将合成的孔径雷达数据作为GS变换的第一分量;
将LANDSAT-8影像数据转换到正交空间,用经过修改的Sentinel-1 数据替换变换后的第一分量,产生新的数据集,在利用反GS变换得到融合后的光学影像数据。
可选地,所述S3-4还包括:展示所述影响因子,接收用户基于工业设施和工业物质信息对影响因子的调整指令,根据所述调整指令调整所述影响因子。
(三)有益效果
本发明的方法满足了我国乡镇级行政区的建设规划和防灾减灾的需要,具体将区划单元精细到村(社区)单元,并在乡镇级海啸脆弱评估中采用多源遥感数据分析了四种脆弱因子,全面分析海啸脆弱问题,提高脆弱评估的科学性和可操作性。遥感数据采用公开数据,能够节省一定的分析成本。同时,基于泰森多边形的乡镇级海啸区划分析结果显示了田间劳作者应疏散撤离的避灾点位置。
本发明的方法满足我国乡镇沿海建设规划和政府防灾减灾需求,通过开展海啸风险区划分析,为沿海应急管理部门提供防灾减灾决策支撑,同时为沿海重大工程选址、发展规划和区域防灾减灾管理提供参考,保障沿海经济高速平稳发展和居民生命财产安全。
附图说明
图1A至图2分别为本发明一实施例提供的基于泰森多边形的乡镇级海啸风险评估方法的流程示意图;
图3为本发明一实施例提供的琉球海沟9.0级地震情景下江苏省启东市海复镇的海啸风险区划的展示图。
具体实施方式
为了更好的解释本发明,以便于理解,下面结合附图,通过具体实施方式,对本发明作详细描述。
实施例一
如图1A、图1B和图2所示,本发明实施例提供一种基于泰森多边形的乡镇级海啸风险评估方法,本实施例的方法的执行主体可为任一电子设备,该方法包括下述的步骤:
S1、基于沿海区域的基础地理信息数据构建沿海区域内多个泰森多边形结构;每一泰森多边形结构中存在一个作为应急避难空间的控制点,任意泰森多边形结构的网格单元到控制点的距离最短。
举例来说,上述基础地理信息数据包括海岸线数据、乡镇级居民点的地理分布信息、乡镇行政区划数据、高程数据和水深数据等。
从所述乡镇级居民点的地理分布信息中提取村级/社区级的居民点数据,所述居民点数据包括下述的一项或多项:社区居民点、村级居民点、工厂、旅游区、港口和危险货物存放处。
本实施例中,可预先将沿海区域划分为多个网格单元,每一网格单元可为四边形结构,其具有四个顶点和一个中心点,本实施例中各网格单元的中心点的距离为10m,即网格单元的分辨率为10m,在其他实施例中,网格单元的分辨率还可为15m或20m,本实施例不对其限定。
在本实施例中泰森多边形结构内的点可为网格单元的中心点,控制点即对应居民点。
S2、根据所述沿海区域内的历史地震和海啸数据,基于海啸数值计算模型,获取每一泰森多边形结构的海啸危险等级分析结果;
所述海啸数值计算模型是以考虑海啸频散特性的FUNWAVE模型为基础并结合所述沿海区域的高程数据、潜在海啸所属的水深数据,通过数值计算确定海啸最大波幅的模型;所述潜在海啸为基于历史地震和海啸数据评估得到。
本实施例的历史地震数据和海啸数据均可为现有公开的数据。
S3、基于预设时间段内对应沿海区域经纬度的ASTER高程、Sentinel1 数据、LANDSAT卫星数据和NPP/VIIRS灯光数据;获取泰森多边形结构中每一网格单元的海啸灾害脆弱评估结果;将泰森多边形结构内所有网格单元的海啸灾害脆弱评估结果进行筛选,选择所有网格单元中对应的最高等级的脆弱评估结果作为该泰森多边形结构的脆弱评估结果。
基于前述的网格单元为采用经纬度地理信息的方式划分,通过获取泰森多边形结构内每一网格即网格单元的海啸灾害脆弱评估结果,进而获取泰森多边形结构的脆弱评估结果。
特别地,在获取每一网格单元的海啸灾害脆弱评估结果时,采用已知的ASTER高程、Sentinel1数据、LANDSAT卫星数据和NPP/VIIRS灯光数据和先验知识,获取网格单元内四个影响因子的等级,进而借助于获取的四个影响因子的等级及其所属权重值,获得每一网格单元的海啸灾害脆弱评估结果。
S4、将每一泰森多边形结构的海啸危险等级分析结果和和脆弱评估结果进行组合,得到用于展示的乡镇级海啸风险评估的区划结果。
本实施例的方法满足了我国乡镇级行政区的建设规划和防灾减灾的需要,具体将区划单元精细到村(社区)单元,并在乡镇级海啸脆弱评估中采用多源遥感数据分析了四种影响因子,全面分析海啸脆弱问题,提高脆弱评估的科学性和可操作性。遥感数据采用公开数据,能够节省一定的分析成本。
实施例二
本实施例的方法获取的结果可以为沿海应急管理部门提供防灾减灾决策支撑,同时为沿海重大工程选址、发展规划和区域防灾减灾管理提供参考,保障沿海经济高速平稳发展和居民生命财产安全。
以下对上述实施例一的各步骤进行详细说明。
201、收集沿海区域的基础地理信息数据;所述基础地理信息数据包括海岸线数据、乡镇级居民点的地理分布信息、乡镇行政区划数据、高程数据和水深数据等;
本实施例中基于经纬度数据对沿海区域进行划分,得到多个网格单元,即沿海区域均有多个网格单元组成,网格单元的分辨率根据实际需要进行设置,如10-20m。
202、将所述沿海区域划分为多个网格单元,每一网格单元的分辨率为10-20米;将居民点数据作为控制点,将每一网格单元的中心点作为测量点;
获取测量点和居民点的经纬度数据,采用公式(3)计算任意测量点之间的距离,并结合公式(1)和公式(2)的约束条件,构建多个泰森多边形结构;
公式(1) d(x,A)=inf{d(x,a)|a∈A}
公式(2) Rk={x∈X|d(x,Pk)≤d(x,Pj)for all j≠k}
其中,X是距离函数为d的度量空间,K是一组指数,(Pk)k∈K是空间 X中非空子集的元组;与控制点Pk相关的区域Rk是X中所有测量点x的集合,集合中所有测量点x到Pk的距离不大于所有测量点x到其他控制点Pj的距离,j和K是不同的索引;d(x,A)表示测量点x和子集A中a之间的距离;
集合中每一个测量点x的经纬度数据(a1,b1)或(a2,b2)。
203、收集所述沿海区域内的历史地震和海啸数据;
在实际应用中,基于前述步骤201和步骤203的收集过程中还可收集GEBCO和SRTM等地形水深数据,从收集的这些地形水深数据中提取高程数据和水深数据,以在下述步骤计算海啸最大波幅时使用。
特别说明的是,这些收集过程不分前后,本实施例采用顺序是为了方便后续步骤的说明,其在实际应用中,可以一次收集完成或者多次间歇性收集均可。
204、根据现有G-R定律对所述历史地震进行分析,获取地震的震级、总次数与时间周期之间的关系,并确定潜在海啸的最大震级。
特别说明,震级是潜在海啸中的关键参数,根据地震震级模拟潜在海啸危险。
205、将所述海啸数据和所述潜在的最大震级输入预先建立的海啸数值计算模型,获得潜在海啸的最大波幅计算结果;
所述海啸数值计算模型为预先采用Boussinesq方程的FUNWAVE模型建立的,采用网格嵌套的形式进行数值计算的模型;
206、基于潜在海啸的最大波幅的计算结果,按照波幅变化规律,确定存在影响沿海区域海岸处的海啸最大波幅。
207、将所述海啸最大波幅映射到距离海岸8公里位置的所有泰森多边形结构,并确定每一泰森多边形结构的危险等级。
举例来说,针对每一泰森多边形结构,根据预先接收的用户输入的定义信息,选取该泰森多边形结构的2公里范围内的最高危险等级作为该泰森多边形结构的危险等级;
定义信息包括:距离海岸2-4公里(不包括末端点),4-6公里(不包括末端点)和6-8公里(包括末端点)范围内的泰森多边形的等级依次降低一级,直到降为最低的四级,危险等级分为4级;Ⅰ级代表该区危险性为最高;IV级则为最低。
208、收集对应沿海区域经纬度的ASTER高程数据、Sentinel-1数据、 LANDSAT卫星数据和NPP/VIIRS灯光数据。
可理解的是,上述数据均为已知的遥感数据,从当前网络下载即可获知。
本实施例中针对LANDSAT数据的多种类型,下述各步骤仅使用 Landsat8影像数据。
209、针对每一泰森多边形结构,从收集的数据中筛选出该泰森多边形结构内每一个网格单元的数据;
210、对于每一个网格单元,对该网格单元所属的LANDSAT卫星数据进行大气校正处理,并采用GS变换法进行融合处理。
步骤210中的该网格单元所属的LANDSAT卫星数据进行大气校正处理,并采用GS变换法进行融合处理包括:采用Sencor方法进行大气校正。
在本实施例中,借助于libRadtran地球大气辐射传输计算方式,结合离散纵标法计算大气辐射传输;基于大气辐射传输查找Sencor方法的参数表,确定太阳天顶角、平均海拔,并利用滤波函数对光谱重采样,得到反射率,采用反射率对LANDSAT卫星数据进行大气校正;
融合大气校正后LANDSAT卫星数据中的光学LANDSAT-8影像和 Sentinel-1数据,得到合成的孔径雷达数据,并将合成的孔径雷达数据作为GS变换的第一分量;
将LANDSAT-8影像数据转换到正交空间,用经过修改的Sentinel-1 数据替换变换后的第一分量,产生新的数据集,在利用反GS变换得到融合后的光学影像数据。
211、基于每一个网格单元所属的ASTER高程数据、NPP/VIIRS灯光数据和融合处理后的数据、先验知识,获取用于判断海啸灾害脆弱性的影响因子;所述影响因子包括:高程因子、坡度因子、土地利用因子和社会经济因子。
举例来说,利用ASTER高程数据和先验知识,计算高程因子;所述先验知识包括:高程值与高程因子的映射关系;
基于ASTER高程数据计算网格单元所属区域的坡度值,根据所述坡度值和先验知识,计算坡度因子;所述先验知识包括:坡度值与坡度因子的映射关系;
基于融合的Sentinel-1数据、LANDSAT卫星数据和先验知识,计算土地利用因子;
对网格单元所述区域的NPP/VIIRS灯光数据所显示的社会经济数据进行归一化,基于归一化的社会经济数据和先验知识,计算社会经济因子;所述先验知识包括:社会经济数据与社会经济因子的映射关系;
其中,高程、坡度、土地利用和社会经济每个因子分为5个等级,代表脆弱性等级高、稍高、中等、稍低和低。
在其他实施例中,上述步骤211还用于将计算的四个影响因子进行展示所述影响因子,进而用户在查看之后,确定居民点的重要性进行调整,如可接收用户基于工业设施和工业物质信息对影响因子的调整指令,根据所述调整指令调整所述影响因子,以获得最后的影响因子在后续使用。
212、在每一个网格单元内,采用层次分析法处理所述影响因子,获取该网格单元的海啸灾害脆弱评估结果;
针对每一泰森多边形结构,选取该泰森多边形结构对应的所有网格单元中最高海啸灾害脆弱评估结果作为泰森多边形结构的脆弱评估结果。
在本实施例中,可采用层次分析法将网格单元内的高程、坡度、土地利用和社会经济的四个因子进行两两比较,构造出判断矩阵,并对判断矩阵进行归一化处理,以及对归一化的判断矩阵进行行与列的特征处理,以得到四个因子的权重值;
将四个因子分别和各自的权重值相乘并汇总,得到网格单元的海啸灾害脆弱评估结果。
例如,1)两两比较,给出判断矩阵A,i和j为判断矩阵的行列数, aij表示第i行第j列的相交点的数据,行的数据包括:高程、坡度、土地利用和社会经济四个因子,列包括:高程、坡度、土地利用和社会经济四个因子;即A=(aij)n*n i取1......n,j取1......n;n=4;
2)对判断矩阵A中各列进行归一化处理,k表示各列的序号,
3)求判断矩阵A各行之和并再次归一化,
4)基于所述归一化的行数据和列数据,以及预先查表得到的一致性指标信息,获取比对系数,若比对系数小于0.1,则得到高程、坡度、土地利用和社会经济四个因子权重结果。
上述实施例中利用泰森多边形和高分辨率海啸数值计算模型实现更精细的基于村(社区)为单元的乡镇级海啸风险区划分析,提高了海啸风险区划分析分辨率。
同时,基于泰森多边形的乡镇级海啸区划分析结果显示了田间劳作者应疏散撤离的避灾点位置。利用基于Boussinesq方程的海啸数值模型计算海啸危险,考虑海啸波频散等物理特性,使海啸数值计算更加科学合理。尤其是,在本实施例中采用的网格单元为10米,故实现了海啸数值计算分辨率提高到10米,提高了计算的精度。
另外,利用多源遥感数据分析与海啸灾害相关的高程、坡度、社会经济和土地利用四个脆弱因子,使海啸脆弱分析兼具科学性和实用性,提高脆弱分析合理性。
在处理过程中,通过融合合成孔径雷达和光学影像遥感数据,提高土地利用分类精度。遥感数据采用网上公开数据,能够节省一定的海啸风险区划成本。同时,由于遥感数据是连续性数据,因此可以得出研究区域的连续性海啸脆弱性评估结果,从而可以判断一段时间内的海啸脆弱变化情况,使海啸防灾减灾有的放矢。
实施例三
为更好的理解上述实施例一和实施例二的内容,下面从泰森多边形构建,海啸危险分析,海啸脆弱分析和海啸风险分析四个方面进行详细说明。
第一、泰森多边形构建
(1)数据收集
收集泰森多边形构建用到的行政区划等基础地理信息数据,该基础地理信息数据内容包括岸线数据,居民点分布数据,乡镇行政区划数据等。
(2)居民点分析
从居民点分布数据中提取村(社区)级居民点数据。对于可能在海啸灾害中受灾的重要承灾体也添加为居民点数据,如重要工厂、旅游区、港口和危险货物存放处等。
(3)多边形构建
从几何角度来看,泰森多边形内任何一网格单元的中心点(即下述的测量点)都与本多边形内控制点的距离最近,这个多边形可以看作是控制点的覆盖区域。泰森多边形的特点包括,每个泰森多边形内仅含有一个控制点;泰森多边形区域内的网格单元到相应控制点的距离最近;位于泰森多边形边上的网格单元到其两边的控制点的距离相等。也就是说,泰森多边形边线上的网格单元到相邻两个多边形的控制点的距离相等。泰森多边形内的网格单元到本泰森多边形的控制点的距离最短。
下述的泰森多边形的控制点,就是收集数据中的村级居民点。
设X是距离函数为d的度量空间,K是一组指数,(Pk)k∈K是空间X中非空子集的元组。与控制点Pk相关的区域Rk是X中所有测量点的集合,这些测量点x到Pk的距离不大于它们到其他控制点Pj的距离,其中j和K是不同的索引。
控制点Pj即为村(社区)居民点。也就是说,用d(x,A)表示测量点x和子集A中a之间的距离,然后Rk可以用下面公式表示其满足的条件:
d(x,A)=inf{d(x,a)|a∈A}
Rk={x∈X|d(x,Pk)≤d(x,Pj)for all j≠k}
假如海啸灾害发生,有关机构发出预警,在田间劳作的劳动者需要到村庄疏散避难。在所有其他条件都相同的情况下,劳动者选择避灾村庄基本主要考虑距离的因素,他们会去离他们最近的村庄避灾。在这种情况下,可以使用熟悉的欧几里德距离测量点之间的距离:
根据以上公式,泰森多边形可以用GIS软件和Python等编程软件实现。
第二、海啸危险分析
(1)震源分析
收集评估研究沿海乡镇区域的历史地震和海啸数据,包括3级以上的所有历史地震数据,保持震级及数据的完整性。根据历史地震数据的G-R定律进行分析并确定最大可能震级。
在地震学中,古腾堡-里克特定律(G-R定律)表示任何研究区域内地震的震级和总次数与该震级的时间周期之间的关系。
log10N=a-bM
公式中,N是震级大于M的地震事件数,a和b是通过已知方法确定的常数。
也就是说,可通过G-R定律分析,确定潜在震源的最大震级。
(2)模型建立
海啸波在传播过程中,并不是所有波都表现为同样的波形,而表现为一系列有不同波动曲线的波的组合。不同波形的速度也不相同。运动较快的波会逐渐与较慢的波分离,表现为波的频散。波的频散会影响到波幅的大小和海啸波的到达时间。
在本实施例的海啸数值计算过程中,采用考虑了海啸频散特性的 Boussinesq方程的FUNWAVE模型,更加合理的模拟海啸波在大洋里的传播过程。FUNWAVE模型中使用的Boussinesq方程如下:
(3)数值计算
以高程和水深数据为基础建立研究区域的海啸数值计算的FUNWAVE模型(即建立针对评估乡镇区域的可运行FUNWAVE模型),并进行计算。根据G-R定律分析得出的结果中的震源和研究区域的距离远近,计算模型一般采用网格嵌套的形式进行数值计算。计算结果为海啸最大波幅。
也就是说,根据震源和研究区域的距离远近,可运行FUNWAVE模型采用网格嵌套的形式进行数值计算,得到海啸最大波幅。本实施例中研究乡镇区域海啸计算分辨率提高到10米。上述震级为G-R定律分析得出的结果中是潜在最大震级。
(4)结果分析
依据对潜在海啸的数值模拟结果,对多个数值计算的海啸波幅求最大值,确定可能影响研究区域的海啸最大波幅,并以此为依据进行海啸危险等级分析。考虑到日本2011年大海啸期间的最大淹没距离。本实施例将海岸线上的海啸最大波幅分级(四级)映射到距离海岸8公里范围内的所有泰森多边形。
选取近岸危险最高等级为距离海岸2公里内的泰森多边形的危险等级。距离海岸2-4公里,4-6公里和6-8公里范围内的村(社区)泰森多边形的等级依次降低一级,直到降为最低的四级。海啸危险区划等级分为4级。Ⅰ级代表该区危险性为最高;IV级则为最低。
第三、海啸脆弱分析
(1)遥感数据获取
收集ASTER高程、Sentinel1数据、LANDSAT卫星数据和NPP/VIIRS 灯光数据。这四种遥感数据均为公开数据,可以通过互联网下载,节省海啸灾害脆弱评估成本。
ASTER高程数据是根据NASA的新一代对地观测卫星Terra的详尽观测结果制作完成的,包含地球陆地表面的99%区域的高程。
Sentinel-1卫星由两颗极轨卫星A星和B星组成。两颗卫星搭载的传感器为合成孔径雷达(SAR),属于主动微波遥感卫星。传感器搭载C 波段,此数据具有全天候、全天时及能穿透一些地物的成像特点。
LANDSAT卫星数据中的LANDSAT-8影像数据包含OLI (Operational Land Imager陆地成像仪),属于光学遥感数据,具有成像清晰和分辨率高的特点。
NPP-VIIRS灯光数据由美国国家极轨道伙伴关系卫星(SNPP)搭载的可见光红外成像辐射仪(VIIRS)获得,可收集陆地、大气、冰层和海洋红外波段的辐射图像。该数据能够刻画地表社会经济活动强度。
(2)数据处理
对下载的LANDSAT卫星数据进行大气校正处理,截取乡镇尺度研究区域范围内的遥感数据。
大气校正的目的是消除大气和光照等因素对地物反射的影响,获取地物真实反射率数据。本实施例中采用Sencor方法进行大气校正。该方法需要用到libRadtran地球大气辐射传输计算软件包实现,具体可用离散纵标法计算大气辐射传输。辐射方程为:
公式中,L为(x,y,z)位置处的辐亮度,大气辐射是三维的,x和y 确定二维位置,z确定空中的位置;β表示体积消光系数;
源函数J可定义为
公式中,ω为单次散射反照率,p(Ω,Ω′)为从方向Ω′到Ω的相位函数,B(T)为普朗克函数。该方法通过查找参数表确定太阳天顶角、平均海拔等参数,如表1所示。利用滤波函数对光谱重采样,得到反射率。
表1已知的Sencor方法参数表
参数 | 范围 | 网格点 |
太阳天顶角 | 0-70 | 10 |
天顶视角 | 0-10 | 10 |
相对方位角 | 0-180 | 30 |
平均海拔 | 0-2.5 | 0.5 |
可见度 | 5-120 | 5,7,10,15,23,40,80,120 |
夏季水汽含量 | 0.4-5.5 | 0.4,1.0,2.0,2.9,4.0,5.0 |
冬季水汽含量 | 0.2-1.5 | 0.2,0.4,0.8,1.1 |
本实施例中将LANDSAT-8影像数据和Sentinel1数据融合以合成多光谱影像数据,从而实现土地利用分类。上述融合时使用的两种数据互补,可有效提供分类的准确性。融合方法采用GS变换法即正交变换法,利用正交去除冗余数据。具体流程为:先用光学LANDSAT-8影像数据对Sentinel1数据合成孔径雷达数据进行模拟,作为GS变换的第一分量,并将Landsat8光学影像转换到正交空间,用经过修改的Sentinel1数据替换变换后的第一分量,从而产生新的数据集,在利用反GS变换得到融合后的新的光学影像数据。
设{a1,a2,...,an}为独立的一组向量,GS变换后的正交向量为 {b1,b2,...,bn},计算方法如下所示:
b1=a1
公式中:δi是前i个计算过的正交向量的空间;pδiai+1是ai+1在δi上的投影。
(3)因子分析
乡镇尺度海啸脆弱性评估需满足乡镇相关部门的海啸防灾减灾需求和城市规划需要。由于卫星遥感技术在对地观测和防灾减灾领域发挥着越来越重要的作用,本发明采用ASTER高程、LANDSAT卫星数据、Sentinel1遥感数据(即Sentinel1数据)和NPP/VIIRS灯光数据四种遥感数据,分析了乡镇尺度研究区域的高程、坡度、土地利用和社会经济四种脆弱性影响因子来评估该尺度的海啸灾害脆弱性。遥感数据是连续对地观测结果,因此,连续的脆弱性分析结果能够判断海啸灾害脆弱性在某一段时间内的变化特征。
海啸灾害通常只淹没高程不高的地区,因此高程是海啸脆弱性的一个重要因子。
本实施例中利用ASTER高程数据分析研究区域的高程因子,根据高程值的大小将高程因子分为5级,如表2所示。
坡度也是反映海啸脆弱问题的一个重要因素,海啸通常在有坡度的地区会产生爬高,坡度值的大小能够从一个方面反映海啸灾害的影响程度。
本发明利用GIS软件基于ASTER高程数据计算了研究区域的坡度,计算公式如下所示:
海啸在淹没上岸时,对不同的地物的影响程度各不相同。
为了区分海啸对不同地物造成的灾害程度,本发明利用Sentinel1遥感数据和LANDSAT卫星数据分析研究区域的土地利用,将土地利用数据作为分析海啸脆弱性的一个重要因子。土地利用类型的脆弱分级如表2 所示。
研究区域的社会经济发展状况在一定程度上也能体现出潜在海啸可能造成的灾害程度。本发明利用NPP/VIIRS灯光数据研究社会经济因子, 将NPP/VIIRS遥感数据所显示的社会经济数据进行归一化,然后按照表2参数进行分级。
高程、坡度、土地利用和社会经济每个因子分为5个等级,代表脆弱性等级高、稍高、中等、稍低和低,分别用数字1、2、3、4和5表示。各因子数据的分辨率调整为10米。
表2脆弱分析各因子等级的对应表
高程(米) | 坡度(%) | 社会经济 | 土地利用类型 | 脆弱性 | 分级 |
0-5 | 0-2 | 0.8-1 | 建设用地 | 高 | 1 |
5-10 | 2-6 | 0.6-0.8 | 耕地 | 稍高 | 2 |
10-15 | 6-13 | 0.4-0.6 | 江、河、湖泊 | 中 | 3 |
15-20 | 13-20 | 0.2-0.4 | 林地 | 稍低 | 4 |
>20 | >20 | 0-0.2 | 湿地 | 低 | 5 |
前述获得的各个因子可根据表2进行分级。本实施例中的表2是有关专家根据经验估算。
(4)层次分析法
在海啸脆弱因子分析的基础上,乡镇级海啸脆弱分析采用层次分析法,对高程、坡度、土地利用和社会经济四个因子进行两两比较,构造出表3的判断矩阵,并得出四个因子的权重值(表4)。根据权重值排序,计算海啸灾害脆弱性。层次分析法步骤如下:
1)两两比较,给出判断矩阵A(表3),i和j为判断矩阵的行列数。
A=(aij)n*n (i,j=1,2,...,n)
2)判断矩阵A的各列进行归一化处理,k表示各列的序号;
3)求判断矩阵各行之和并再次归一化,
4)求最大特征根λmax和其特征向量,
AW=λmaxW
5)一致性检验C.I.,
从已知参数中确定平均随机一致性指标R.I.
C.R.=C.I./R.I.
当C.R.<0.1时,检验通过,得到高程、坡度、土地利用和社会经济四个因子权重(表4),否则修正A。
表3判断矩阵
表4各因子权重
乡镇级海啸脆弱性评估以10m距离的四边形为一个网格单元,脆弱性等级分为4级。Ⅰ级代表承灾体脆弱性为最高,IV级则为最低。
若沿海区域的各网格单元存在核电站、化工区等沿海重大设施和容易发生次生灾害的承灾体,则可用户触发展示的各影像因子权重,即,对核电站、化工区等沿海重大设施和容易发生次生灾害的承灾体进行特殊分析,调高相关的海啸脆弱等级。
将海啸脆弱分析结果和泰森多边形结合形成海啸脆弱区划成果。基于脆弱分析结果,选取泰森多边形结构内所有网格单元中脆弱最高等级为该村 (社区)泰森多边形的脆弱等级。海啸脆弱区划等级分为4级。Ⅰ级代表该区脆弱性为最高;IV级则为最低。
第四、海啸风险分析与区划
(1)海啸风险分析
基于前述的网格单元,依据表5中的风险矩阵确定评估单元风险等级。乡镇尺度海啸风险等级分为4级。Ⅰ级代表承灾体风险性为最高;IV级则为最低。
表5海啸风险矩阵
(2)海啸风险区划成图
为方便分析人员较好的查看,本实施例中还可基于海啸风险泰森多边形分析结果,制作海啸风险区划图,方便海啸防灾减灾展示使用。海啸风险区划成图上应标注村(社区)点名称、泰森多边形等参数。多边形海啸风险等级Ⅰ级、Ⅱ级、Ⅲ级和IV级分别用不同标识区分,如图3所示。
上述方法满足了我国乡镇级行政区的建设规划和防灾减灾的需要,具体将区划单元精细到村(社区),并在乡镇级海啸脆弱评估中采用多源遥感数据分析了四种脆弱因子,全面分析海啸脆弱问题,提高脆弱评估的科学性和可操作性。
本实施例中使用的遥感数据均为网上的公开数据,能够节省一定的分析成本。
应当注意的是,在权利要求中,不应将位于括号之间的任何附图标记理解成对权利要求的限制。词语“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的词语“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的权利要求中,这些装置中的若干个可以是通过同一个硬件来具体体现。词语第一、第二、第三等的使用,仅是为了表述方便,而不表示任何顺序。可将这些词语理解为部件名称的一部分。
此外,需要说明的是,在本说明书的描述中,术语“一个实施例”、“一些实施例”、“实施例”、“示例”、“具体示例”或“一些示例”等的描述,是指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管已描述了本发明的优选实施例,但本领域的技术人员在得知了基本创造性概念后,则可对这些实施例作出另外的变更和修改。所以,权利要求应该解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种修改和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也应该包含这些修改和变型在内。
Claims (10)
1.一种基于泰森多边形的乡镇级海啸风险评估方法,其特征在于,包括:
S1、基于沿海区域的基础地理信息数据构建沿海区域内多个泰森多边形结构;每一泰森多边形结构中存在一个作为应急避难空间的控制点,任意泰森多边形结构的网格单元到控制点的距离最短;
S2、根据所述沿海区域内的历史地震和海啸数据,基于海啸数值计算模型,获取每一泰森多边形结构的海啸危险等级分析结果;
所述海啸数值计算模型是以考虑海啸频散特性的FUNWAVE模型为基础并结合所述沿海区域的高程数据、潜在海啸所属的水深数据,通过数值计算确定海啸最大波幅的模型;所述潜在海啸为基于历史地震和海啸数据评估得到;
S3、基于预设时间段内对应沿海区域经纬度的ASTER高程、Sentinel1数据、LANDSAT卫星数据和NPP/VIIRS灯光数据;获取泰森多边形结构中每一网格单元的海啸灾害脆弱评估结果;将泰森多边形结构内所有网格单元的海啸灾害脆弱评估结果进行筛选,选择所有网格单元中对应的最高等级的脆弱评估结果作为该泰森多边形结构的脆弱评估结果;
S4、将每一泰森多边形结构的海啸危险等级分析结果和和脆弱评估结果进行组合,得到用于展示的乡镇级海啸风险评估的区划结果。
2.根据权利要求1所述的乡镇级海啸风险评估方法,其特征在于,所述S1包括:
S1-1、收集沿海区域的基础地理信息数据;所述基础地理信息数据包括海岸线数据、乡镇级居民点的地理分布信息、乡镇行政区划数据、高程数据和水深数据;
从所述乡镇级居民点的地理分布信息中提取村级/社区级的居民点数据,所述居民点数据包括下述的一项或多项:社区居民点、村级居民点、工厂、旅游区、港口和危险货物存放处;
S1-2、将所述沿海区域划分为多个网格单元,每一网格单元的分辨率为10-20米;将居民点数据作为控制点,将每一网格单元的中心点作为测量点;
获取测量点和居民点的经纬度数据,采用公式(3)计算任意测量点之间的距离,并结合公式(1)和公式(2)的约束条件,构建多个泰森多边形结构;
公式(1)d(x,A)=inf{d(x,a)|a∈A}
公式(2)Rk={x∈X|d(x,Pk)≤d(x,Pj)for all j≠k}
其中,X是距离函数为d的度量空间,K是一组指数,(Pk)k∈K是空间X中非空子集的元组;与控制点Pk相关的区域Rk是X中所有测量点x的集合,集合中所有测量点x到Pk的距离不大于所有测量点x到其他控制点Pj的距离,j和K是不同的索引;d(x,A)表示测量点x和子集A中a之间的距离;
集合中每一个测量点x的经纬度数据(a1,b1)或(a2,b2)。
3.根据权利要求1所述的乡镇级海啸风险评估方法,其特征在于,所述S2包括:
S2-1、收集所述沿海区域内的历史地震和海啸数据;
S2-2、根据现有G-R定律对所述历史地震进行分析,获取地震的震级、总次数与时间周期之间的关系,并确定潜在海啸的最大震级;
S2-3、将潜在的最大震级输入预先建立的海啸数值计算模型,获得潜在海啸的最大波幅的计算结果;
所述海啸数值计算模型为预先采用Boussinesq方程的FUNWAVE模型建立的,采用网格嵌套的形式进行数值计算的模型;
S2-4、基于潜在海啸的最大波幅的计算结果,按照波幅变化规律,确定存在影响沿海区域海岸处的海啸最大波幅;
S2-5、将所述海啸最大波幅映射到距离海岸8公里位置的所有泰森多边形结构,并确定每一泰森多边形结构的危险等级。
4.根据权利要求3所述的乡镇级海啸风险评估方法,其特征在于,S2-5包括:
针对每一泰森多边形结构,根据预先接收的用户输入的定义信息,选取该泰森多边形结构的2公里范围内的最高危险等级作为该泰森多边形结构的危险等级;
定义信息包括:距离海岸2-4公里,4-6公里和6-8公里范围内的泰森多边形的等级依次降低一级,直到降为最低的四级,危险等级分为4级;I级代表该区危险性为最高;Ⅳ级则为最低。
5.根据权利要求1所述的乡镇级海啸风险评估方法,其特征在于,S3包括:
S3-1、收集对应沿海区域经纬度的ASTER高程数据、Sentinel-1数据、LANDSAT卫星数据和NPP/VIIRS灯光数据;
S3-2、针对每一泰森多边形结构,从收集的数据中筛选出该泰森多边形结构内每一个网格单元的数据;
S3-3、对于每一个网格单元,对该网格单元所属的LANDSAT卫星数据进行大气校正处理,并采用GS变换法进行融合处理;
S3-4、基于每一个网格单元所属的ASTER高程数据、NPP/VIIRS灯光数据、Sentinel-1数据和融合处理后的数据、先验知识,获取用于判断海啸灾害脆弱性的影响因子;所述影响因子包括:高程因子、坡度因子、土地利用因子和社会经济因子;
S3-5、在每一个网格单元内,采用层次分析法处理所述影响因子,获取该网格单元的海啸灾害脆弱评估结果;
针对每一泰森多边形结构,选取该泰森多边形结构内所有网格单元中最高海啸灾害脆弱评估结果作为泰森多边形结构的脆弱评估结果。
6.根据权利要求5所述的乡镇级海啸风险评估方法,其特征在于,S3-4包括:
利用ASTER高程数据和先验知识,计算高程因子;所述先验知识包括:高程值与高程因子的映射关系;
基于ASTER高程数据计算网格单元所属区域的坡度值,根据所述坡度值和先验知识,计算坡度因子;所述先验知识包括:坡度值与坡度因子的映射关系;
基于Sentinel-1数据、融合的LANDSAT卫星数据和先验知识,计算土地利用因子;
对网格单元所述区域的NPP/VIIRS灯光数据所显示的社会经济数据进行归一化,基于归一化的社会经济数据和先验知识,计算社会经济因子;所述先验知识包括:社会经济数据与社会经济因子的映射关系;
其中,高程、坡度、土地利用和社会经济每个因子分为5个等级,代表脆弱性等级高、稍高、中等、稍低和低。
7.根据权利要求6所述的乡镇级海啸风险评估方法,其特征在于,S3-5中的在每一个网格单元内,采用层次分析法处理所述影响因子,获取该网格单元的海啸灾害脆弱评估结果,包括:
采用层次分析法,将网格单元内的高程、坡度、土地利用和社会经济的四个因子进行两两比较,构造出判断矩阵,并对判断矩阵进行归一化处理,以及对归一化的判断矩阵进行行与列的特征处理,以得到四个因子的权重值;
将四个因子分别和各自的权重值相乘并汇总,得到网格单元的海啸灾害脆弱评估结果。
8.根据权利要求7所述的乡镇级海啸风险评估方法,其特征在于,采用层次分析法,将网格单元内的高程、坡度、土地利用和社会经济的四个因子进行两两比较,构造出判断矩阵,并对判断矩阵进行归一化处理,以及对归一化的判断矩阵进行行与列的特征处理,以得到四个因子的权重值,包括:1)两两比较,给出判断矩阵A,i和j为判断矩阵的行列数,aij表示第i行第j列的相交点的数据,行的数据包括:高程、坡度、土地利用和社会经济四个因子,列包括:高程、坡度、土地利用和社会经济四个因子;即A=(aij)n*n i取1……n,j取1……n;n=4;
2)对判断矩阵A中各列进行归一化处理,k表示各列的序号,
3)求判断矩阵A各行之和并再次归一化,
4)基于所述归一化的行数据和列数据,以及预先查表得到的一致性指标信息,获取比对系数,若比对系数小于0.1,则得到高程、坡度、土地利用和社会经济四个因子权重结果。
9.根据权利要求5所述的乡镇级海啸风险评估方法,其特征在于,
S3-3中的该网格单元所属的LANDSAT卫星数据进行大气校正处理,并采用GS变换法进行融合处理包括:采用Sencor方法进行大气校正;
借助于libRadtran地球大气辐射传输计算方式,结合离散纵标法计算大气辐射传输;基于大气辐射传输查找Sencor方法的参数表,确定太阳天顶角、平均海拔,并利用滤波函数对光谱重采样,得到反射率,采用反射率对LANDSAT卫星数据进行大气校正;
将大气校正后的LANDSAT卫星数据中的光学LANDSAT-8影像和Sentinel-1数据进行融合处理,得到合成的孔径雷达数据,并将合成的孔径雷达数据作为GS变换的第一分量;
将LANDSAT-8影像数据转换到正交空间,用经过修改的Sentinel-1数据替换变换后的第一分量,产生新的数据集,在利用反GS变换得到融合后的光学影像数据。
10.根据权利要求5所述的乡镇级海啸风险评估方法,其特征在于,
所述S3-4还包括:展示所述影响因子,接收用户基于工业设施和工业物质信息对影响因子的调整指令,根据所述调整指令调整所述影响因子。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111396894.7A CN114091756B (zh) | 2021-11-23 | 2021-11-23 | 一种基于泰森多边形的乡镇级海啸风险评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111396894.7A CN114091756B (zh) | 2021-11-23 | 2021-11-23 | 一种基于泰森多边形的乡镇级海啸风险评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114091756A true CN114091756A (zh) | 2022-02-25 |
CN114091756B CN114091756B (zh) | 2022-07-05 |
Family
ID=80303398
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111396894.7A Active CN114091756B (zh) | 2021-11-23 | 2021-11-23 | 一种基于泰森多边形的乡镇级海啸风险评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114091756B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115293049A (zh) * | 2022-08-17 | 2022-11-04 | 国家海洋环境预报中心 | 一种基于土地利用分类的海啸风险变化分析方法 |
CN115511390A (zh) * | 2022-11-14 | 2022-12-23 | 南方科技大学 | 一种沿海沿江脆弱性评估方法、系统、终端及存储介质 |
CN117472111A (zh) * | 2023-11-08 | 2024-01-30 | 东南大学 | 基于多源数据驱动的大体积混凝土智能温控方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104615847A (zh) * | 2014-12-24 | 2015-05-13 | 中交天津港湾工程研究院有限公司 | 一种基于概率方法的南海海啸危险性预测方法 |
CN108108892A (zh) * | 2017-12-19 | 2018-06-01 | 南京信息工程大学 | 一种基于泰森多边形的城市暴雨积涝评价单元划分方法 |
CN108492236A (zh) * | 2018-02-07 | 2018-09-04 | 国家海洋环境预报中心 | 基于蒙特卡洛随机模拟的多重现期海啸灾害评估方法 |
CN111008734A (zh) * | 2019-11-26 | 2020-04-14 | 华南理工大学 | 洪水危险性的区划和时空演变规律的研究方法 |
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 |
CN111582755A (zh) * | 2020-05-20 | 2020-08-25 | 中国水利水电科学研究院 | 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 |
KR102171085B1 (ko) * | 2019-06-10 | 2020-10-28 | 대한민국 | 장외영향평가 및 위해관리계획을 위한 작성지원 방법 |
CN112966925A (zh) * | 2021-03-02 | 2021-06-15 | 哈尔滨工业大学 | 一种基于遥感时序变化分析的村镇垃圾增量风险分析系统 |
CN113642849A (zh) * | 2021-07-19 | 2021-11-12 | 北京师范大学 | 考虑空间分布特征的地质灾害危险性综合评价方法及装置 |
-
2021
- 2021-11-23 CN CN202111396894.7A patent/CN114091756B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104615847A (zh) * | 2014-12-24 | 2015-05-13 | 中交天津港湾工程研究院有限公司 | 一种基于概率方法的南海海啸危险性预测方法 |
CN108108892A (zh) * | 2017-12-19 | 2018-06-01 | 南京信息工程大学 | 一种基于泰森多边形的城市暴雨积涝评价单元划分方法 |
CN108492236A (zh) * | 2018-02-07 | 2018-09-04 | 国家海洋环境预报中心 | 基于蒙特卡洛随机模拟的多重现期海啸灾害评估方法 |
KR102171085B1 (ko) * | 2019-06-10 | 2020-10-28 | 대한민국 | 장외영향평가 및 위해관리계획을 위한 작성지원 방법 |
CN111008734A (zh) * | 2019-11-26 | 2020-04-14 | 华南理工大学 | 洪水危险性的区划和时空演变规律的研究方法 |
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 |
CN111582755A (zh) * | 2020-05-20 | 2020-08-25 | 中国水利水电科学研究院 | 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 |
CN112966925A (zh) * | 2021-03-02 | 2021-06-15 | 哈尔滨工业大学 | 一种基于遥感时序变化分析的村镇垃圾增量风险分析系统 |
CN113642849A (zh) * | 2021-07-19 | 2021-11-12 | 北京师范大学 | 考虑空间分布特征的地质灾害危险性综合评价方法及装置 |
Non-Patent Citations (3)
Title |
---|
帅向华等: "防震减灾公益服务短信技术平台设计与实现", 《自然灾害学报》, vol. 20, no. 06, 15 December 2011 (2011-12-15), pages 40 - 44 * |
辛高森等: "基于GIS的干旱灾害风险评估与区划研究――以山东省潍坊市为例", 《科技通报》 * |
辛高森等: "基于GIS的干旱灾害风险评估与区划研究――以山东省潍坊市为例", 《科技通报》, vol. 32, no. 12, 31 December 2016 (2016-12-31), pages 221 - 227 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115293049A (zh) * | 2022-08-17 | 2022-11-04 | 国家海洋环境预报中心 | 一种基于土地利用分类的海啸风险变化分析方法 |
CN115511390A (zh) * | 2022-11-14 | 2022-12-23 | 南方科技大学 | 一种沿海沿江脆弱性评估方法、系统、终端及存储介质 |
CN117472111A (zh) * | 2023-11-08 | 2024-01-30 | 东南大学 | 基于多源数据驱动的大体积混凝土智能温控方法及系统 |
CN117472111B (zh) * | 2023-11-08 | 2024-05-03 | 东南大学 | 基于多源数据驱动的大体积混凝土智能温控方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114091756B (zh) | 2022-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Analysis on land ecological security change and affect factors using RS and GWR in the Danjiangkou Reservoir area, China | |
CN114091756B (zh) | 一种基于泰森多边形的乡镇级海啸风险评估方法 | |
Bruning et al. | Meteorological imagery for the geostationary lightning mapper | |
Effat | Selection of potential sites for solar energy farms in Ismailia Governorate, Egypt using SRTM and multicriteria analysis | |
Degerli et al. | Using the remote sensing method to simulate the land change in the year 2030 | |
Moeser et al. | Improved snow interception modeling using canopy parameters derived from airborne L i DAR data | |
Szypuła | Digital elevation models in geomorphology | |
Adnan Ikram et al. | Novel evolutionary-optimized neural network for predicting landslide susceptibility | |
Aksoy et al. | Using MCDA and GIS for landfill site selection: Central districts of antalya province | |
CN115691058A (zh) | 一种基于多监测场合的全息立体组网滑坡智慧预警方法 | |
Effat | Mapping solar energy potential zones, using SRTM and spatial analysis, application in Lake Nasser Region, Egypt | |
Tran et al. | Improving hydrologic modeling using cloud-free modis flood maps | |
CN114898138A (zh) | 一种基于地形地貌及遥感数据进行森林火灾预测的方法 | |
Sleeter et al. | Estimating daytime and nighttime population density for coastal communities in Oregon | |
Cohen‐Zada et al. | Earth aeolian wind streaks: Comparison to wind data from model and stations | |
Petty et al. | Flood forecasting GIS water-flow visualization enhancement (WaVE): A case study | |
Mach et al. | A technique for determining three-dimensional storm cloud-top locations using stereo optical lightning pulses observed from orbit | |
Aydöner et al. | The role of the integration of remote sensing and GIS in land use/land cover analysis after an earthquake | |
CN113361852A (zh) | 场址选择的方法、装置、电子设备及存储介质 | |
Kemec et al. | Selecting 3D urban visualisation models for disaster management: a rule-based approach | |
Smith et al. | Map Comparison Methods for Three‐Dimensional Space and Time Voxel Data | |
Aslantaş Bostan | Analysis and modeling of spatially and temporally varying meteorological parameter: Precipitation over Turkey | |
Roussel et al. | Qualification of a new short-term cloud forecasting method for the optimization of Earth observation satellite programs | |
Simanjuntak | Analyzing the relationship between land surface temperature and urban structure types in Bandung, Indonesia | |
Wei et al. | Storm surge risk assessment and sensitivity analysis based on multiple criteria decision-making methods: a case study of Huizhou City |
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 |