CN115222196B - 一种山区道路网脆弱性评估与驱动力探测方法 - Google Patents
一种山区道路网脆弱性评估与驱动力探测方法 Download PDFInfo
- Publication number
- CN115222196B CN115222196B CN202210576072.5A CN202210576072A CN115222196B CN 115222196 B CN115222196 B CN 115222196B CN 202210576072 A CN202210576072 A CN 202210576072A CN 115222196 B CN115222196 B CN 115222196B
- Authority
- CN
- China
- Prior art keywords
- vulnerability
- road network
- road
- matrix
- index
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
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
- G06Q10/0639—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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Abstract
本发明涉及公路网安全风险评估技术领域,涉及一种山区道路网脆弱性评估与驱动力探测方法,包括:一、路网脆弱性因子图谱建立:得到路网脆弱性的影响因素与评价指标,处理路网脆弱性评价指标集;二、解释结构模型构建:利用解释结构模型ISM探索影响因素之间的结构关系,对路网脆弱性评价的指标进行甄选;三、路段脆弱性指数计算:采用主成分分析法构建山区路网脆弱性模型,计算路段脆弱性指数EVI,分析路网脆弱性时空格局分布特征及规律;四、路网脆弱性驱动力探测:利用地理探测器从自然路段、地貌、县域多维度进行剖析,挖掘路段脆弱性成因机制。本发明能较佳地进行山区路段脆弱性评估与驱动力探测。
Description
技术领域
本发明涉及公路网安全风险评估技术领域,具体地说,涉及一种山区道路网脆弱性评估与驱动力探测方法。
背景技术
随着复杂系统和复杂网络理论在本世纪初的快速发展,大量如复杂网络的同步性、稳定性、鲁棒性、脆弱性等方面研究方兴未艾,复杂网络脆弱性成为复杂系统与复杂网络科学中最受关注的研究领域之一。近四十年,道路网络对日常生活和经济发展的基础性与重要性日趋凸显,关于路网脆弱性的研究大量涌现。
脆弱性(Vulnerability)是指系统对内外扰动的敏感性,因缺乏应对能力而使系统的结构和功能容易发生改变的一种属性,被广泛应用于生态环境、计算机网络和交通运输等领域。路网脆弱性研究关注的核心问题是“哪些区域是易于中断的”和“哪些连接对整个系统的运作是最关键的”,前者强调局部路网失效的可能性,后者侧重失效路段或节点对整体路网的影响。当前,学界的主流认识是综合路网失效后果和失效概率两方面评估其脆弱性。2008年,Murray对路网脆弱性研究方法进行总结,将其归结为基于特定场景评估法、基于特定战略评估法、基于仿真的评估方法和数学模型评估方法四类,随着脆弱性研究地深入,结合多个模型优势,提出更有效、合理的适用于大型、复杂路网的脆弱性评估方法成为路网脆弱性评估的发展方向,取得了阶段性进展。
公路是山区人民出行的主要途径,“大散居、小聚居、交错杂居”的居住习惯更凸显公路网重要性。由于山区环境的复杂性,路网脆弱性评估与城市路网、高等级路网有所不同。对山区路网脆弱性进行研究,考虑哪些因素,建立怎样的指标体系,构建什么样的评价模型,进一步如何进行时空分析与模拟,是目前路网研究的热点问题。
发明内容
本发明的内容是提供一种山区道路网脆弱性评估与驱动力探测方法,其能够克服现有技术的某种或某些缺陷。
根据本发明的一种山区道路网脆弱性评估与驱动力探测方法,其包括以下步骤:
一、路网脆弱性因子图谱建立:得到路网脆弱性的影响因素与评价指标,处理路网脆弱性评价指标集;
二、解释结构模型构建:利用解释结构模型ISM探索影响因素之间的结构关系,对路网脆弱性评价的指标进行甄选;
三、路段脆弱性指数计算:采用主成分分析法构建山区路网脆弱性模型,计算路段脆弱性指数EVI,分析路网脆弱性时空格局分布特征及规律;
四、路网脆弱性驱动力探测:在研究路网脆弱性时空变化特征的基础上,利用地理探测器从自然路段、地貌、县域多维度进行剖析,挖掘路段脆弱性成因机制。
作为优选,步骤一中,路网脆弱性因子图谱建立包含以下步骤:
1.1从道路自身内部因素的视角,研究几何线性、拓扑结构、物理属性对路网脆弱性的影响;
1.2从环境外部因素的视角,研究地形条件、地质条件、自然灾害对路网脆弱性的影响;
1.3结合脆弱性内外因素,建立山区路网脆弱性因子图谱。
作为优选,步骤二中,解释结构模型构建包含以下步骤:
2.1单一影响因素之间的相互关系认定为一种有先后顺序的直接相关关系,将单一影响因素作为顶点,用连接顶点的边表述,构建影响因素间的关系图谱,生成邻接矩阵W;
2.2在生成邻接矩阵W后,求取邻接矩阵W、恒等矩阵E、W+E的值和W+E的幂,根据矩阵R公式求得整数n,而矩阵R即为可达矩阵;
R=(W+E)n+1=(W+E)n≠…≠(W+E)2≠W+E
2.3对可达矩阵R进行层级划分后生成新的可达矩阵,计算出可达矩阵中各个要素的可达集合R(Ai)、影响这个要素的前因集合P(Ai)以及共同集C(Ai),找出各层级最高级因素,根据级位划分的结果对可达矩阵进行重排序,得到层次化的可达矩阵;
2.4基于可达矩阵的相互关系,连接有相互影响关系的因素方框,绘制路网脆弱性影响因素的解释结构模型图。
作为优选,步骤三中,对于路段脆弱性指数计算包含以下步骤:
3.1对原始指标数据进行标准化处理得到标准化矩阵P;
其中,xi表示第i个评价指标的标准化值,Xi表示第i个指标的原始值,Xmax和Xmin分别表示指标的最大值和最小值;
3.2求取标准化矩阵P的相关系数矩阵R;
3.3解出相关系数矩阵R的特征方程A,求出特征值λ1、λ2…λp、贡献率B 及特征向量;
A=|λI-R|=0
3.4提取出能代表绝大多数指标信息的m个主成分;
3.5利用m个主成分进行综合评价;
3.6根据路段脆弱性公式计算路段脆弱性指数EVI:
其中,EVI表示脆弱性指数,PCi表示第i个主成分,λi表示第i个主成分对应的贡献率,EVI的值越大,则路段脆弱性越高。
作为优选,步骤四中,对于路网脆弱性驱动力探测包含以下步骤:
4.1将路段脆弱性指数Y和影响因素X汇总在同一表格,根据自然断点法把数值型数据进行离散化处理,将其划分为五类;
4.2将因子层内不同类型Y值的方差总和Within Sum of Squares与研究区Y 值总方差Total Sum of Squares相比,该比值与1的差即为q值,计算公式如下:
式中,SSW和SST分别表示层内方差之和与区内方差,h表示因子的分层数,Nh为层h的单元数,N表示全部区域的单元数,表示层h的方差,σ2表示全部区域的方差。
本发明提出一套较为完整的适合山区路网的脆弱性评估体系,包含因子选择、模型构建和驱动力探测三个环节,形成脆弱性评估的完整闭环,解决山区道路网脆弱性评估不全面和不透彻等问题,服务山区路网的规划与修建。首先,针对山区自然环境恶劣、道路拓扑结构复杂等特点,从内外因两个角度梳理脆弱性影响因素的层次关系,并选择科学合理的定量指标;基于前期调研情况,构建适合山区路网脆弱性的评估模型,分析其空间分布特征及规律;从地貌单元、道路等级与行政单元等多种维度上,挖掘山区路网脆弱性驱动力,探讨影响山区路网脆弱性的核心影响因素。
附图说明
图1为实施例中一种山区道路网脆弱性评估与驱动力探测方法的流程图;
图2为实施例中影响因素关系图谱示意图;
图3为实施例中路网脆弱性影响因素的解释结构模型分析图。
具体实施方式
为进一步了解本发明的内容,结合附图和实施例对本发明作详细描述。应当理解的是,实施例仅仅是对本发明进行解释而并非限定。
实施例
如图1所示,本实施例提供了一种山区道路网脆弱性评估与驱动力探测方法,其包括以下步骤:
一、路网脆弱性因子图谱建立:得到路网脆弱性的影响因素与评价指标,处理路网脆弱性评价指标集;
步骤一中,路网脆弱性因子图谱建立包含以下步骤:
1.1从道路自身内部因素的视角,研究几何线性、拓扑结构、物理属性对路网脆弱性的影响;
1.2从环境外部因素的视角,研究地形条件、地质条件、自然灾害对路网脆弱性的影响;
1.3根据国内外研究综述,结合脆弱性内外因素,建立山区路网脆弱性因子图谱。
二、解释结构模型构建:利用解释结构模型ISM探索影响因素之间的结构关系,对路网脆弱性评价的指标进行甄选;
步骤二中,解释结构模型构建包含以下步骤:
2.1单一影响因素之间的相互关系认定为一种有先后顺序的直接相关关系,将单一影响因素作为顶点,用连接顶点的边表述,构建影响因素间的关系图谱,生成邻接矩阵W;
2.2在生成邻接矩阵W后,求取邻接矩阵W、恒等矩阵E、W+E的值和 W+E的幂,根据矩阵R公式求得整数n,而矩阵R即为可达矩阵;
R=(W+E)n+1=(W+E)n≠…≠(W+E)2≠W+E
2.3对可达矩阵R进行层级划分后生成新的可达矩阵,计算出可达矩阵中各个要素的可达集合R(Ai)、影响这个要素的前因集合P(Ai)以及共同集C(Ai),找出各层级最高级因素,根据级位划分的结果对可达矩阵进行重排序,得到层次化的可达矩阵;
2.4基于可达矩阵的相互关系,连接有相互影响关系的因素方框,绘制路网脆弱性影响因素的解释结构模型图。
三、路段脆弱性指数计算:采用主成分分析法构建山区路网脆弱性模型,计算路段脆弱性指数EVI,分析路网脆弱性时空格局分布特征及规律;
步骤三中,对于路段脆弱性指数计算包含以下步骤:
3.1对原始指标数据进行标准化处理得到标准化矩阵P;
其中,xi表示第i个评价指标的标准化值,Xi表示第i个指标的原始值,Xmax和Xmin分别表示指标的最大值和最小值;
3.2求取标准化矩阵P的相关系数矩阵R;
3.3解出相关系数矩阵R的特征方程A,求出特征值λ1、λ2…λi、贡献率B 及特征向量;
A=|λi-R|=0
3.4提取出能代表绝大多数指标信息的m个主成分;
3.5利用m个主成分进行综合评价;
3.6根据路段脆弱性公式计算路段脆弱性指数EVI:
其中,EVI表示脆弱性指数,PCi表示第i个主成分,λi表示第i个主成分对应的特征值,EVI的值越大,则路段脆弱性越高。
四、路网脆弱性驱动力探测:在研究路网脆弱性时空变化特征的基础上,利用地理探测器从自然路段、地貌、县域多维度进行剖析,挖掘路段脆弱性成因机制。
步骤四中,对于路网脆弱性驱动力探测包含以下步骤:
4.1将路段脆弱性指数Y和影响因素X汇总在同一表格,根据自然断点法把数值型数据进行离散化处理,将其划分为五类;
4.2将因子层内不同类型Y值的方差总和Within Sum of Squares与研究区Y 值总方差Total Sum of Squares相比,该比值与1的差即为q值,计算公式如下:
式中,SSW和SST分别表示层内方差之和与区内方差。h表示因子的分层数,Nh为层h的单元数,N表示全部区域的单元数,表示层h的方差,σ2表示全部区域的方差。
本实施案例以云南省山区路网为研究对象,运用本发明方法评估其路网脆弱性。
一、路网脆弱性因子图谱建立。
1.1根据国内外研究综述,从影响路网脆弱性内在和外在两个方面,选取影响因子及其定量指标,建立因子图谱。
二、解释结构模型构建。
2.1结合研究实际,选取道路拓扑结构A1、道路几何线性A2、道路质量状况A3、道路养护A4、居民点A5、公共设施空间布局A6、气象灾害因素A7、地质灾害因素A8、地形地貌A9作为路网脆弱性影响因素,并根据各影响因素间的相互关系建立影响因素间的关系图谱(如图2),在此基础上生成邻接矩阵W,邻接矩阵W的构造规则如下所述:
a.Ai对Aj影响直接,那么Wij设为1,否则设为0;
b.Aj对Ai影响直接,那么Wji设为1,否则设为0;
c.Ai与Aj相互影响都较强,那么Wij和Wji设为1;如果相互影响强度差别很大,那么较大的一边权值设为1,较小的一边设为0。
生成的邻接矩阵W为:
2.2在生成邻接矩阵W后,根据可达矩阵公式生成可达矩阵R。求取邻接矩阵W、恒等矩阵E的、W+E的值和W+E的幂,根据矩阵R公式求得整数n,幂运算的加法和乘法是基于布尔运算的布尔和以及布尔积。
矩阵(W+E)n的元素Hij如果为1的话,则说明从要素Ai到Aj至少有一条路径可达,如果n=1则意味着要素Ai到Aj有直接因果关系;如果n>1,则说明二者有间接因果关系。对矩阵W+E进行基于布尔代数的幂运算,得到R=(W+ E)3≠(W+E)2。
在可达矩阵R中发现A3、A4的行和列对应的元素完全一致,因此可以把A3、 A4看作一个因素,这里保留A3,消去A4,得到缩减后的可达矩阵R’。
2.3将得到的可达矩阵进行层次划分处理生成解释结构模型。第1级最高级因素L1=[A1,A2,A3,A4];紧接着,从可达矩阵中划去所有最高级因素所在的行和列,也就是A1、A2、A3、A4,再从余下的可达矩阵中寻找第2级最高级因素,可得第2级最高级因素L2=[A6,A8],依此类推,可以得到L3=[A5,A7], L4=[A9];最后,根据级位划分的结果对可达矩阵进行重排序,得到层次化的可达矩阵,如表1-5所示。
表1最高级的可达集和前因集
表2第2级的可达集和前因集
表3第3级的可达集和前因集
表4第4级的可达集和前因集
表5层次化的可达矩阵
2.4基于以上分析,绘制路网脆弱性影响因素的解释结构模型图。根据表5 可以看出,层次化的可达矩阵对角线上的每个单位矩阵对应为一个递阶结构层次,即路网脆弱性影响因素可以分为4个层次,第一层为A1、A2、A3和A4,第二层为A6和A8,第三层为A5和A7,第四个层次为A9,对同一个递阶结构层级的影响因素用同一水平位置的方框表示,并根据可达矩阵的相互关系连接有相互影响关系的因素方框,即可得到路网脆弱性影响因素的解释结构模型图(如图3)。
三、路段脆弱性指数计算。
3.1指标标准化。因指标存在量纲不统一、物理含义不一致且不可比等问题,在使用主成分分析之前,应采用极差标准化公式对这六个指标进行数据标准化处理。根据指标对脆弱性的影响关系将其分为正向指标和负向指标,即正向指标值越大,脆弱性越高,负向指标值越小,脆弱性越低,公式如下:
其中,xi表示第i个评价指标的标准化值,Xi表示第i个指标的原始值,Xmax和Xmin分别表示指标的最大值和最小值。因本实施例选取的评价指标均为正向指标,因此选择第一个公式对各项指标进行标准化。
3.2因子相关性检验。使用kmo和Bartlett'S球形检验方法对所选指标进行检验,确保指标因子适用于主成分分析。
3.3主成分分析。运用标准化后的6个路网脆弱性评价指标建立相关系数矩阵,求取各矩阵所对应的特征值和特征向量,将特征向量线性组合后输出六个主成分,并根据提取出的主成分进行回归分析。主成分分析法提取结果如表6 所示,当主成分的累计贡献率达到85%以上时,可以代表原始指标数据的绝大多数信息。主成分计算公式如下:
PCi=α1iX1+α2iX2+α3iX3+α4iX4+α5iX5+α6iX6
其中,PCi表示第i个主成分,α1i-α6i表示第i个主成分中第1-6个评价指标所对应的特征向量,X1-X6表示第1-6个评价指标。
表6主成分特征值、贡献率、累计贡献率表
3.4脆弱性指数计算。为更好的反映路网脆弱性评价结果,研究引入了脆弱性指数(EVI),其计算公式如下:
其中,EVI表示脆弱性指数,PCi表示第i个主成分,λi表示第i个主成分对应的贡献率。EVI的值越大,则路段脆弱性越高。
一般情况下,主成分特征值累计贡献率大于85%,即代表了评价指标因子的主要信息。根据Step 3的主成分分析结果,本实施例选取前5个评价指标因子构建路网脆弱性评价模型,并引入脆弱性指数EVI量化评价结果,脆弱性指数EVI的计算公式如下:
EVI=0.30755PC1+0.20396PC2+0.17279PC3+0.15825PC4+0.12289PC5
四、路网脆弱性驱动力探测。
4.1将路段脆弱性指数(Y)和影响因素(X)汇总在同一表格,根据自然断点法把数值型数据进行离散化处理,将其划分为五类;
4.2针对不同维度,利用地理探测器对路网脆弱性(Y)进行环境风险因子测度,计算影响因素的q统计值,对驱动力进行分析。
以上示意性的对本发明及其实施方式进行了描述,该描述没有限制性,附图中所示的也只是本发明的实施方式之一,实际的结构并不局限于此。所以,如果本领域的普通技术人员受其启示,在不脱离本发明创造宗旨的情况下,不经创造性的设计出与该技术方案相似的结构方式及实施例,均应属于本发明的保护范围。
Claims (1)
1.一种山区道路网脆弱性评估与驱动力探测方法,其特征在于:包括以下步骤:
一、路网脆弱性因子图谱建立:得到路网脆弱性的影响因素与评价指标,处理路网脆弱性评价指标集;
步骤一中,路网脆弱性因子图谱建立包含以下步骤:
1.1从道路自身内部因素的视角,研究几何线性、拓扑结构、物理属性对路网脆弱性的影响;
1.2从环境外部因素的视角,研究地形条件、地质条件、自然灾害对路网脆弱性的影响;
1.3结合脆弱性内外因素,建立山区路网脆弱性因子图谱;
二、解释结构模型构建:利用解释结构模型ISM探索影响因素之间的结构关系,对路网脆弱性评价的指标进行甄选;
步骤二中,解释结构模型构建包含以下步骤:
2.1单一影响因素之间的相互关系认定为一种有先后顺序的直接相关关系,将单一影响因素作为顶点,用连接顶点的边表述,构建影响因素间的关系图谱,选取道路拓扑结构A1、道路几何线性A2、道路质量状况A3、道路养护A4、居民点A5、公共设施空间布局A6、气象灾害因素A7、地质灾害因素A8、地形地貌A9作为路网脆弱性影响因素,并根据各影响因素间的相互关系建立影响因素间的关系图谱,在此基础上生成邻接矩阵W;
2.2在生成邻接矩阵W后,求取邻接矩阵W、恒等矩阵E、W+E的值和W+E的幂,根据矩阵R公式求得整数n,而矩阵R即为可达矩阵;
R=(W+E)n+1=(W+E)n≠…≠(W+E)2≠W+E
2.3对可达矩阵R进行层级划分后生成新的可达矩阵,计算出可达矩阵中各个要素的可达集合R(Ai)、影响这个要素的前因集合P(Ai)以及共同集C(Ai),找出各层级最高级因素,根据级位划分的结果对可达矩阵进行重排序,得到层次化的可达矩阵;
2.4基于可达矩阵的相互关系,连接有相互影响关系的因素方框,绘制路网脆弱性影响因素的解释结构模型图;
三、路段脆弱性指数计算:采用主成分分析法构建山区路网脆弱性模型,计算路段脆弱性指数EVI,分析路网脆弱性时空格局分布特征及规律;
步骤三中,对于路段脆弱性指数计算包含以下步骤:
3.1对原始指标数据进行标准化处理得到标准化矩阵P;
其中,xi表示第i个评价指标的标准化值,Xi表示第i个指标的原始值,Xmax和Xmin分别表示指标的最大值和最小值;
3.2求取标准化矩阵P的相关系数矩阵R;
3.3解出相关系数矩阵R的特征方程A,求出特征值λ1、λ2…λi、贡献率B及特征向量;
A=|λi-R|=0
3.4提取出能代表绝大多数指标信息的m个主成分;
3.5利用m个主成分进行综合评价;
3.6根据路段脆弱性公式计算路段脆弱性指数EVI:
其中,EVI表示脆弱性指数,PCi表示第i个主成分,λi表示第i个主成分对应的特征值,EVI的值越大,则路段脆弱性越高;
四、路网脆弱性驱动力探测:在研究路网脆弱性时空变化特征的基础上,利用地理探测器从自然路段、地貌、县域多维度进行剖析,挖掘路段脆弱性成因机制;
步骤四中,对于路网脆弱性驱动力探测包含以下步骤:
4.1将路段脆弱性指数Y和影响因素X汇总在同一表格,根据自然断点法把数值型数据进行离散化处理,将其划分为五类;
4.2将因子层内不同类型Y值的方差总和与研究区Y值总方差相比,该比值与1的差即为q值,计算公式如下:
式中,SSW和SST分别表示层内方差之和与区内方差;h表示因子的分层数,Nh为层h的单元数,N表示全部区域的单元数,表示层h的方差,σ2表示全部区域的方差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210576072.5A CN115222196B (zh) | 2022-05-24 | 2022-05-24 | 一种山区道路网脆弱性评估与驱动力探测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210576072.5A CN115222196B (zh) | 2022-05-24 | 2022-05-24 | 一种山区道路网脆弱性评估与驱动力探测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115222196A CN115222196A (zh) | 2022-10-21 |
CN115222196B true CN115222196B (zh) | 2023-05-12 |
Family
ID=83608859
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210576072.5A Active CN115222196B (zh) | 2022-05-24 | 2022-05-24 | 一种山区道路网脆弱性评估与驱动力探测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115222196B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116975576B (zh) * | 2023-09-19 | 2024-01-05 | 四川省公路规划勘察设计研究院有限公司 | 基于关键信息统计的山区公路地质灾害危险性评价方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112561235A (zh) * | 2020-11-23 | 2021-03-26 | 中铁二十四局集团福建铁路建设有限公司 | 一种适于高速公路路域的生态脆弱性评价方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110472882B (zh) * | 2019-08-21 | 2023-07-28 | 河南大学 | 基于主成分分析的城市开发用地适宜性评价方法 |
CN112085949B (zh) * | 2020-08-13 | 2023-06-27 | 浙江工业大学 | 一种基于交通运行状况异常的路网脆弱性识别、分析与应对方法 |
-
2022
- 2022-05-24 CN CN202210576072.5A patent/CN115222196B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112561235A (zh) * | 2020-11-23 | 2021-03-26 | 中铁二十四局集团福建铁路建设有限公司 | 一种适于高速公路路域的生态脆弱性评价方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115222196A (zh) | 2022-10-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dinda et al. | An integrated simulation approach to the assessment of urban growth pattern and loss in urban green space in Kolkata, India: A GIS-based analysis | |
CN107943880B (zh) | 一种基于层次分析法的地质灾害易发性改进评估方法 | |
Bensi | A Bayesian network methodology for infrastructure seismic risk assessment and decision support | |
CN111582386A (zh) | 一种基于随机森林的地质灾害多灾种综合风险评价方法 | |
CN113642849B (zh) | 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 | |
CN106250905A (zh) | 一种结合高校建筑结构特征的实时能耗异常检测方法 | |
Fountalis et al. | Spatio-temporal network analysis for studying climate patterns | |
CN113408917B (zh) | 自然灾害风险评估方法、装置、计算机设备及存储介质 | |
CN107295537A (zh) | 一种测评无线传感器网络可靠性的方法及系统 | |
Hosseini Nourzad et al. | Vulnerability of infrastructure systems: Macroscopic analysis of critical disruptions on road networks | |
CN115222196B (zh) | 一种山区道路网脆弱性评估与驱动力探测方法 | |
CN104732279A (zh) | 基于地理信息系统的改进元胞自动机交通流模拟分析方法 | |
CN107330734A (zh) | 基于Co‑location模式和本体的商业地址选择方法 | |
Chen et al. | Building vulnerability assessment in seismic areas using ensemble learning: A Nepal case study | |
Chen et al. | The application of remote sensing technology to the interpretation of land use for rainfall-induced landslides based on genetic algorithms and artificial neural networks | |
Renigier-Biłozor et al. | Modern challenges of property market analysis-homogeneous areas determination | |
Patil et al. | Spatially constrained clustering and upper level set scan hotspot detection in surveillance geoinformatics | |
Zhang et al. | Off-deployment traffic estimation—a traffic generative adversarial networks approach | |
CN106778252A (zh) | 基于粗糙集理论与waode算法的入侵检测方法 | |
CN114997666A (zh) | 一种区域泥石流易发性评估方法 | |
Long et al. | Local indicators for categorical data: impacts of scaling decisions | |
Qiu et al. | Error checking of large land quality databases through data mining based on low frequency associations | |
CN112613371A (zh) | 一种基于密集连接卷积神经网络高光谱图像道路提取方法 | |
Cheng et al. | Compressed sensing based missing nodes prediction in temporal communication network | |
Cheng et al. | Boundary Effects on Road Network Vulnerability in Cities |
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 |