CN115545543A - 多灾种集成的自然灾害风险评估分析系统 - Google Patents
多灾种集成的自然灾害风险评估分析系统 Download PDFInfo
- Publication number
- CN115545543A CN115545543A CN202211335670.XA CN202211335670A CN115545543A CN 115545543 A CN115545543 A CN 115545543A CN 202211335670 A CN202211335670 A CN 202211335670A CN 115545543 A CN115545543 A CN 115545543A
- Authority
- CN
- China
- Prior art keywords
- disaster
- risk
- cluster
- sample
- natural
- 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.)
- Pending
Links
- 238000012502 risk assessment Methods 0.000 title claims abstract description 75
- 238000011156 evaluation Methods 0.000 claims abstract description 81
- 238000011835 investigation Methods 0.000 claims abstract description 60
- 238000000034 method Methods 0.000 claims abstract description 21
- 230000010354 integration Effects 0.000 claims abstract description 16
- 238000005192 partition Methods 0.000 claims abstract description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 31
- 238000012545 processing Methods 0.000 claims description 20
- 238000011160 research Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000009977 dual effect Effects 0.000 claims description 8
- 238000007621 cluster analysis Methods 0.000 claims description 7
- 230000001133 acceleration Effects 0.000 claims description 5
- 230000002123 temporal effect Effects 0.000 claims description 4
- 238000011438 discrete method Methods 0.000 claims description 3
- 239000006185 dispersion Substances 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 11
- 238000005457 optimization Methods 0.000 abstract description 7
- 230000002265 prevention Effects 0.000 abstract description 7
- 238000002955 isolation Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 11
- 238000013316 zoning Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000007726 management method Methods 0.000 description 3
- 102000003712 Complement factor B Human genes 0.000 description 2
- 108090000056 Complement factor B Proteins 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000004580 weight loss Effects 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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision 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
本发明提供一种多灾种集成的自然灾害风险评估分析系统，包括多灾种数据集成模块、致灾风险评估模块和承灾体风险评估模块；多灾种数据集成模块，用于获取自然灾害调查评估数据，以及承灾体调查评估数据；致灾风险评估模块，用于形成多灾种自然灾害致灾风险分区分类分级结果；承灾体风险评估模块，用于划分出承灾体风险区，形成自然灾害承灾体风险评估成果。本发明可实现多种自然灾害风险的综合评估分析，可同时实现致灾风险与承灾体风险的自动化评估分析；同时解决自然灾害致灾风险聚类初始化参数及参数优化问题和承灾体风险聚类空间隔离的问题，提高自然灾害风险评估工作效率，评估结果更加准确，对于灾害防治更具指导意义。
Description
技术领域
本发明属于自然灾害风险评估及自然灾害防治技术领域，具体涉及一种多灾种集成的自然灾害风险评估分析系统。
背景技术
自然灾害具有灾害种类多，地域分布广，发生频率高，造成损失重，灾害风险高等特点。为防范和化解重大自然灾害风险，，开展多灾种自然灾害风险评估，对于加强自然灾害防治能力具有重要意义。目前的自然灾害风险评估多是在自然灾害单灾种风险要素调查评估的基础上，仅考虑单个自然灾害的影响进行评估分析，评估结果不适用于受多种自然灾害影响区域，对地方灾害综合风险评估、灾害防治以及应急救援工作难以提供科学全面的支撑。
发明内容
针对现有技术存在的缺陷，本发明提供一种多灾种集成的自然灾害风险评估分析系统，可有效解决上述问题。
本发明采用的技术方案如下：
本发明提供一种多灾种集成的自然灾害风险评估分析系统，包括多灾种数据集成模块、致灾风险评估模块和承灾体风险评估模块；
所述多灾种数据集成模块，用于获取研究范围中每种自然灾害的自然灾害调查评估数据，以及每种自然灾害影响范围内的承灾体调查评估数据；
所述致灾风险评估模块，用于根据每种所述自然灾害的自然灾害调查评估数据，得到每种所述自然灾害的单灾种风险指数和单灾种风险等级；
对研究范围中各个所述单灾种风险指数进行聚类分析，得到多灾种风险特征聚类结果，划分出自然灾害风险分区；
将所述自然灾害风险分区与各单灾种风险等级进行叠加，统计各区域风险等级特征值，得到各区域的风险综合等级；
对各区域的风险综合等级进行判定，形成多灾种自然灾害致灾风险分区分类分级结果；
所述承灾体风险评估模块，用于对所述承灾体调查评估数据进行分析，得到每种承灾体的风险等级评定结果；然后，统计每种行政区域中风险承灾体的数量及比例，作为每种行政区域的特征参数；
利用层次聚类算法，对各行政区域的特征参数进行聚类，从而划分出承灾体风险区，形成自然灾害承灾体风险评估成果。
优选的，所述自然灾害包括地震灾害、地质灾害、水旱灾害、海洋灾害、气象灾害、森林和草原火灾灾害；所述承灾体包括房屋建筑、市政设施和交通设施。
优选的，所述多灾种数据集成模块还用于：
预先规定每种自然灾害的自然灾害调查评估数据的标准，包括：空间坐标系、空间数据分辨率、属性字段名称、属性字段类型和属性字段数值范围；
根据每种自然灾害的自然灾害调查评估数据的标准，对实际获取到的自然灾害的自然灾害调查评估数据进行自动校核；
在校核通过后，对获取到的自然灾害调查评估数据进行标准化处理，具体方法为：采用统一的空间分辨率，将各自然灾害调查评估数据按照地理坐标划分为格网数据，然后存储于数据库。
优选的，对获取到的自然灾害调查评估数据进行标准化处理，具体为：
由于自然灾害调查评估数据同时具备空间特性与时间特性，因此，采用时空双重离散法的并行计算方法，对自然灾害调查评估数据在时间域和空间域双重层面上进行格网化处理；
更具体为：
将研究范围的地理空间剖分为n个层级的格网，按自上向下方向，分别为：第1层级格网，第2层级格网,…,第n层级格网；其中，第1层级格网，第2层级格网,…,第n层级格网，其网格尺寸逐渐变小；
对于某个第1层级格网，其包含多个第2层级格网作为其下级子格网；对于每个第2层级格网，其包含多个第3层级格网作为其下级子格网，依此类推，形成层级结构；
因此，对第1层级格网内属于时间段T1的自然灾害调查评估数据进行标准化处理，得到标准化调查评估数据，标准化完成后，分别执行以下两个操作：
操作1：对第1层级格网内属于下个时间段T2的自然灾害调查评估数据进行标准化处理；
操作2：将标准化调查评估数据传递给其下级子格网，对下级子格网内属于时间段T1的标准化调查评估数据进行空间离散和标准化处理；
因此，操作1和操作2并行操作。
优选的，每种所述自然灾害的自然灾害调查评估数据，包括：地震动峰值加速度、地震场地类型、地质灾害危险性评价图、洪水灾害综合风险R值分布图、台风危险性等级图、可能最大风暴潮淹没水深图、森林和草原火灾危险性等级图。
优选的，所述对研究范围中各个所述单灾种风险指数进行聚类分析，具体为：
步骤1，对于研究范围中的每个网格，将该网格具有的所有自然灾害的单灾种风险指数构成的集合，作为一个样本，给定聚类数目初始值k0；采用K-means算法对各个样本进行聚类，得到k0个聚类；
步骤2，计算得到k0个聚类中每个聚类的聚类中心；
步骤3，设定类间距离阈值d；
步骤4，对于步骤2得到的k0个聚类中心，查找得到距离最近的两个聚类中心，并判断此两个聚类中心之间的距离，是否小于类间距离阈值d，如果小于，则合并此两个聚类中心对应的两个聚类，使聚类数目减小，并令k0＝k0-1；然后返回步骤2；如果不小于，则结束对聚类的合并操作，此时得到的k0即为最终的聚类数目，将最终得到的聚类数目表示为k。
优选的，还包括：
采用Canopy算法对各个样本进行初始聚类，得到k0个聚类，每个聚类的中心点，作为K-means算法初始聚类时的中心点。
优选的，步骤4之后，还包括：
步骤5，输入K-means算法聚类结果，记聚类结果中样本总数为S，聚类类别数目为k，每一聚类类别形成一个样本子集合，因此，共得到k个样本子集合，表示为：样本子集合Cn，其中，n＝1,2,…,k；
步骤6，对于每个样本子集合Cn，计算该样本子集合Cn包含的所有样本的标准差Vn；
步骤7，若Vn>1且Vn≤1.5，则分别计算该样本子集合Cn中每个样本距离该样本子集合Cn的中心的欧式距离，查找到距离该样本子集合Cn的中心最远的样本，表示为：样本qfar(Cn)；
分别计算样本qfar(Cn)与其他k-1个样本子集合的中心的欧式距离，查找到距离样本qfar(Cn)最近的样本子集合，然后将样本qfar(Cn)合并到距离最近的样本子集合中；
步骤8，若Vn>1.5，则对于该样本子集合Cn中每个样本，计算其与其他各个样本子集合中心的欧式距离，并将该样本合并到距离其最近的对应类别样本子集合中；
步骤9，对于更新后的每一类别的样本子集合Cn，重新计算该样本子集合包含的所有样本的标准差Vn，若对于所有类别的样本子集合，都满足标准差Vn≤1，则执行步骤10；否则转到步骤7；
步骤10，由此完成每个样本的聚类类别更新，得到优化聚类后的风险聚类成果。
优选的，所述利用层次聚类算法，对各行政区域的特征参数进行聚类，从而划分出承灾体风险区，形成自然灾害承灾体风险评估成果，所采用的层次聚类算法中，在进行层次聚类时，采用以下距离计算公式计算两个簇之间的距离：
式中：
du,v——簇u和簇v之间的距离；
Ouv——簇u和簇v质心之间的距离；
distui,vj——簇u内样本i与簇v内样本j之间的欧式距离；
u——簇u内样本数量；
v——簇v内样本数量。
本发明提供的多灾种集成的自然灾害风险评估分析系统具有以下优点：
本发明可实现多种自然灾害风险的综合评估分析，可同时实现致灾风险与承灾体风险的自动化评估分析，实现自然灾害风险的全面评估；同时解决自然灾害致灾风险聚类初始化参数及参数优化问题和承灾体风险聚类空间隔离的问题，提高自然灾害风险评估工作效率，与传统单灾种风险评估相比，评估结果更加准确，对于灾害防治更具指导意义。
附图说明
图1为本发明提供的多灾种集成的自然灾害风险评估分析系统的原理图。
具体实施方式
为了使本发明所解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本发明提供一种多灾种集成的自然灾害风险评估分析系统，可实现多种自然灾害风险的综合评估分析，可同时实现致灾风险与承灾体风险的自动化评估分析，实现自然灾害风险的全面评估；同时解决自然灾害致灾风险聚类初始化参数及参数优化问题和承灾体风险聚类空间隔离的问题，提高自然灾害风险评估工作效率，与传统单灾种风险评估相比，评估结果更加准确，对于灾害防治更具指导意义。
参考图1，本发明提供一种多灾种集成的自然灾害风险评估分析系统，以自然灾害多灾种调查评估数据为基础，实现自然灾害风险的评估分析，系统包括多灾种数据集成模块、致灾风险评估模块和承灾体风险评估模块三个主要模块。下面对这三个模块，分别详细介绍：
(一)多灾种数据集成模块
所述多灾种数据集成模块，用于获取研究范围中每种自然灾害的自然灾害调查评估数据，以及每种自然灾害影响范围内的承灾体调查评估数据；
本发明中，自然灾害包括但不限于地震灾害、地质灾害、水旱灾害、海洋灾害、气象灾害、森林和草原火灾灾害；所述承灾体包括但不限于房屋建筑、市政设施和交通设施。
多灾种数据集成模块还用于：
预先规定每种自然灾害的自然灾害调查评估数据的标准，包括：空间坐标系、空间数据分辨率、属性字段名称、属性字段类型和属性字段数值范围；
根据每种自然灾害的自然灾害调查评估数据的标准，对实际获取到的自然灾害的自然灾害调查评估数据进行自动校核；
在校核通过后，对获取到的自然灾害调查评估数据进行标准化处理，具体方法为：采用统一的空间分辨率，将各自然灾害调查评估数据按照地理坐标划分为格网数据，然后存储于数据库。
本发明中，对获取到的自然灾害调查评估数据进行标准化处理，具体为：
由于自然灾害调查评估数据同时具备空间特性与时间特性，因此，采用时空双重离散法的并行计算方法，对自然灾害调查评估数据在时间域和空间域双重层面上进行格网化处理；
更具体为：
将研究范围的地理空间剖分为n个层级的格网，按自上向下方向，分别为：第1层级格网，第2层级格网,…,第n层级格网；其中，第1层级格网，第2层级格网,…,第n层级格网，其网格尺寸逐渐变小；
对于某个第1层级格网，其包含多个第2层级格网作为其下级子格网；对于每个第2层级格网，其包含多个第3层级格网作为其下级子格网，依此类推，形成层级结构；
因此，对第1层级格网内属于时间段T1的自然灾害调查评估数据进行标准化处理，得到标准化调查评估数据，标准化完成后，分别执行以下两个操作：
操作1：对第1层级格网内属于下个时间段T2的自然灾害调查评估数据进行标准化处理；
操作2：将标准化调查评估数据传递给其下级子格网，对下级子格网内属于时间段T1的标准化调查评估数据进行空间离散和标准化处理；
因此，操作1和操作2并行操作。
(二)致灾风险评估模块
所述致灾风险评估模块，用于根据每种所述自然灾害的自然灾害调查评估数据，得到每种所述自然灾害的单灾种风险指数和单灾种风险等级；
对研究范围中各个所述单灾种风险指数进行聚类分析，得到多灾种风险特征聚类结果，划分出自然灾害风险分区；
将所述自然灾害风险分区与各单灾种风险等级进行叠加，统计各区域风险等级特征值，得到各区域的风险综合等级；
对各区域的风险综合等级进行判定，形成多灾种自然灾害致灾风险分区分类分级结果；
作为一种具体实现方式，每种所述自然灾害的自然灾害调查评估数据，包括但不限于：地震动峰值加速度、地震场地类型、地质灾害危险性评价图、洪水灾害综合风险R值分布图、台风危险性等级图、可能最大风暴潮淹没水深图、森林和草原火灾危险性等级图。
所述对研究范围中各个所述单灾种风险指数进行聚类分析，具体为：
步骤1，对于研究范围中的每个网格，将该网格具有的所有自然灾害的单灾种风险指数构成的集合，作为一个样本，给定聚类数目初始值k0；采用K-means算法对各个样本进行聚类，得到k0个聚类；
步骤2，计算得到k0个聚类中每个聚类的聚类中心；
步骤3，设定类间距离阈值d；
步骤4，对于步骤2得到的k0个聚类中心，查找得到距离最近的两个聚类中心，并判断此两个聚类中心之间的距离，是否小于类间距离阈值d，如果小于，则合并此两个聚类中心对应的两个聚类，使聚类数目减小，并令k0＝k0-1；然后返回步骤2；如果不小于，则结束对聚类的合并操作，此时得到的k0即为最终的聚类数目，将最终得到的聚类数目表示为k。
还包括：采用Canopy算法对各个样本进行初始聚类，得到k0个聚类，每个聚类的中心点，作为K-means算法初始聚类时的中心点。
步骤4之后，还包括：
步骤5，输入K-means算法聚类结果，记聚类结果中样本总数为S，聚类类别数目为k，每一聚类类别形成一个样本子集合，因此，共得到k个样本子集合，表示为：样本子集合Cn，其中，n＝1,2,…,k；
步骤6，对于每个样本子集合Cn，计算该样本子集合Cn包含的所有样本的标准差Vn；
步骤7，若Vn>1且Vn≤1.5，则分别计算该样本子集合Cn中每个样本距离该样本子集合Cn的中心的欧式距离，查找到距离该样本子集合Cn的中心最远的样本，表示为：样本qfar(Cn)；
分别计算样本qfar(Cn)与其他k-1个样本子集合的中心的欧式距离，查找到距离样本qfar(Cn)最近的样本子集合，然后将样本qfar(Cn)合并到距离最近的样本子集合中；
步骤8，若Vn>1.5，则对于该样本子集合Cn中每个样本，计算其与其他各个样本子集合中心的欧式距离，并将该样本合并到距离其最近的对应类别样本子集合中；
步骤9，对于更新后的每一类别的样本子集合Cn，重新计算该样本子集合包含的所有样本的标准差Vn，若对于所有类别的样本子集合，都满足标准差Vn≤1，则执行步骤10；否则转到步骤7；
步骤10，由此完成每个样本的聚类类别更新，得到优化聚类后的风险聚类成果。
(三)承灾体风险评估模块
所述承灾体风险评估模块，用于对所述承灾体调查评估数据进行分析，得到每种承灾体的风险等级评定结果；然后，统计每种行政区域中风险承灾体的数量及比例，作为每种行政区域的特征参数；
利用层次聚类算法，对各行政区域的特征参数进行聚类，从而划分出承灾体风险区，形成自然灾害承灾体风险评估成果。
本发明中，在进行层次聚类时，针对传统层次聚类算法直接以欧式距离来计算不同类数据间的距离会造成相邻行政区差异较大的问题，本发明采用以下距离计算公式计算两个簇之间的距离：
式中：
du,v——簇u和簇v之间的距离；
Ouv——簇u和簇v质心之间的距离；
distui,vj——簇u内样本i与簇v内样本j之间的欧式距离；
u——簇u内样本数量；
v——簇v内样本数量。
本实施例提供一种多灾种集成的自然灾害风险评估分析系统，包括多灾种数据集成、致灾风险评估、承灾体风险评估三个主要模块。
多灾种数据集成模块，实现自然灾害风险评估基础数据的集成管理，具体数据包括地震动峰值加速度、地震场地类型、地质灾害危险性评价图、洪水灾害综合风险R值分布图、台风危险性等级图、可能最大风暴潮淹没水深图、森林和草原火灾危险性等级图等数据、房屋建筑、市政道路、市政桥梁、公路路线、公路桥梁、公路隧道等数据。同时可根据各项数据规定的空间坐标系、空间数据分辨率、属性字段名称、类型、数值范围等校核规则，实现对集成数据的自动校核。其中在针对栅格、矢量等类型数据进行标准化处理过程中，采用统一的空间分辨率(省级90m，市级30m，县级10m)将各数据按照地理坐标划分为格网数据存储于数据库，从而实现数据标准化并行化处理，极大提升了海量空间数据的处理速度。
致灾风险评估模块，以地震灾害、地质灾害、水旱灾害、海洋灾害、气象灾害、森林和草原火灾等多种自然灾害调查评估数据为基础，计算出各单灾种风险指数与风险等级，利用K均值聚类算法对各单灾种风险指数进行聚类分析得到多灾种风险特征聚类结果，划分出风险类型分区；将其与各单灾种风险等级数据叠加，统计各区域风险等级特征值，根据用户设定阈值对各区域的风险综合等级进行判定，形成自然灾害致灾风险分区分类分级成果。
承灾体风险评估模块，以房屋建筑、市政道路、市政桥梁、公路路线、公路桥梁、公路隧道等承灾体调查评估数据为基础，根据各类数据中实体对象的风险等级评定结果，分行政区域统计各类数据中风险实体对象数量及比例，作为各行政区域的特征参数，然后利用层次聚类算法以各行政区域特征参数为基础进行聚类，从而划分出承灾体风险区，形成自然灾害承灾体风险评估成果。
下面介绍一个具体实施例：
本实施例提供一种多灾种集成的自然灾害风险评估分析系统，以自然灾害多灾种调查评估数据为基础，实现自然灾害风险的评估分析，系统包括多灾种数据集成、致灾风险评估、承灾体风险评估三个主要模块。
多灾种数据集成模块:
多灾种数据集成模块用于：针对地震灾害、地质灾害、水旱灾害、海洋灾害、气象灾害、森林和草原火灾等多种自然灾害和各类灾害影响范围内的房屋建筑、市政设施、交通设施等承灾体调查评估数据，实现标准化处理及统一入库集成管理。同时可根据各项数据规定的空间坐标系、空间数据分辨率、属性字段名称、类型、数值范围等校核规则，实现对集成数据的自动校核。
其中在针对栅格、矢量等类型数据进行标准化处理过程中，采用统一的空间分辨率将各数据按照地理坐标划分为格网数据存储于数据库，从而实现数据标准化并行化处理，极大提升了海量空间数据的处理速度。
考虑到各类集成数据同时具备空间特性与时间特性，具体采用时空双重离散法的并行计算方法对各类数据在时间域和空间域双重层面上进行离散，以显著地提高并行计算效率。主要思想是：以单个格网为最小计算单元，在每个格网上层根节点标准化计算完成后，即可将信息传递给下子节点格网，子节点格网即可进行该时间段的计算，而不必等待其上层节点格网全部完成，而上层节点格网则启动下一时间段的计算，计算完成后继续传递，该方法可显著地增加数据标准化处理的可并行度，提高并行效率。
致灾风险评估模块：
致灾风险评估模块用于：综合地震灾害、地质灾害、水旱灾害、海洋灾害、气象灾害、森林和草原火灾等多种自然灾害调查评估数据，具体包括地震动峰值加速度、地震场地类型、地质灾害危险性评价图、洪水灾害综合风险R值分布图、台风危险性等级图、可能最大风暴潮淹没水深图、森林和草原火灾危险性等级图等数据，根据以上数据计算出单灾种风险指数与风险等级，通过各单灾种风险指数聚类分析得到多灾种风险特征聚类结果，划分出风险分区；
风险特征聚类采用K-means聚类算法，为了解决常规的随机初始化或人工设定初始化参数可能会造成自然灾害风险多次聚类结果不一致，造成自然灾害风险分区不稳定的问题，在聚类数目k值的选择、初始聚类中心的选择以及整体聚类模型效果优化方面做出改进：
(1)聚类数目k值选择的改进
步骤1，对于研究范围中的每个网格，将该网格具有的所有自然灾害的单灾种风险指数构成的集合，作为一个样本，针对聚类数目，给定聚类数目初始值k0，通过一次K-means算法得到初始聚类中心。采用K-means算法对各个样本进行聚类，得到k0个聚类；
步骤2，计算得到k0个聚类中每个聚类的聚类中心；
步骤3，设定类间距离阈值d；
步骤4，对于步骤2得到的k0个聚类中心，查找得到距离最近的两个聚类中心，并判断此两个聚类中心之间的距离，是否小于类间距离阈值d，如果小于，则合并此两个聚类中心对应的两个聚类，使聚类数目减小，并令k0＝k0-1；然后返回步骤2；如果不小于，则结束对聚类的合并操作，此时得到的k0即为最终的聚类数目，将最终得到的聚类数目表示为k。
(2)初始聚类中心选择的改进
采用Canopy算法对各个样本进行初始聚类，得到k0个聚类，每个聚类的中心点，作为K-means算法初始聚类时的中心点。
风险分区结束后，将风险分区结果与各单灾种风险等级数据叠加，统计各区域风险等级特征值，根据用户设定阈值对各区域的风险综合等级进行判定，形成多灾种自然灾害致灾风险分区分类分级成果。
(3)聚类模型效果优化
为优化聚类效果，采用本发明提供的以下算法进行优化，动态调整风险聚类效果。算法优化步骤如下：
步骤5，输入K-means算法聚类结果，记聚类结果中样本总数为S，聚类类别数目为k，每一聚类类别形成一个样本子集合，因此，共得到k个样本子集合，表示为：样本子集合Cn，其中，n＝1,2,…,k；
步骤6，对于每个样本子集合Cn，计算该样本子集合Cn包含的所有样本的标准差Vn；
步骤7，若Vn>1且Vn≤1.5，则分别计算该样本子集合Cn中每个样本距离该样本子集合Cn的中心的欧式距离，查找到距离该样本子集合Cn的中心最远的样本，表示为：样本qfar(Cn)；
分别计算样本qfar(Cn)与其他k-1个样本子集合的中心的欧式距离，查找到距离样本qfar(Cn)最近的样本子集合，然后将样本qfar(Cn)合并到距离最近的样本子集合中；
步骤8，若Vn>1.5，则对于该样本子集合Cn中每个样本，计算其与其他各个样本子集合中心的欧式距离，并将该样本合并到距离其最近的对应类别样本子集合中；
步骤9，对于更新后的每一类别的样本子集合Cn，重新计算该样本子集合包含的所有样本的标准差Vn，若对于所有类别的样本子集合，都满足标准差Vn≤1，则执行步骤10；否则转到步骤7；
步骤10，由此完成每个样本的聚类类别更新，得到优化聚类后的风险聚类成果。
承灾体风险评估模块：
承灾体风险评估模块用于：综合各类受自然灾害影响的房屋建筑、市政设施、交通设施等承灾体调查评估数据，具体包括房屋建筑、市政道路、市政桥梁、公路路线、公路桥梁、公路隧道等数据，根据各类数据中实体对象的风险等级评定结果，分行政区域统计各类数据中风险实体对象数量及比例，作为各行政区域的特征参数，然后利用层次聚类算法以各行政区域特征参数为基础进行聚类，从而划分出承灾体风险区，形成自然灾害承灾体风险评估成果。
为能够高效处理大数据聚类，采用基于树的层次聚类算法，聚类特征表示为CF＝(N，LS，SS)，其中N代表簇中点的个数，LS代表簇中各点线性和，SS代表簇中各点的平方和距离。聚类特征被应用于CF树中，CF树是高度平衡树，具有两个参数：平衡因子B和簇半径阈值T。其中平衡因子B代表每一个非叶子节点最多能够引入B个实体条目。
叶子节点最多只能包含L个实体条目，并且它们具有前向后向指针，这样可以彼此链接起来。
树的大小取决于簇半径阈值T的大小。
(1)从根节点开始，递归查找与要插入的数据点距离最近的叶子节点中的实体条目，递归过程选择最短路径。
(2)比较上述计算出的数据点与叶子节点中实体条目间的最近距离是否小叶簇半径阈值T，小于则吸收该数据点。否则执行下一步。
(3)判断当前条目所在的叶节点个数是否小于L，若小于则直接将该数据点插入当前点。否则分裂叶子节点，分裂过程是将叶子节点中距离最远的两个实体条目变为新的两个叶子节点，其他条目则根据距离最近原则重新分配到这两个新的叶子节点中。删除原来的叶子节点并更新CF树。
(4)若不能将所有数据点加入CF树中，则考虑增加簇半径阈值T，并重新更新CF树直至所有的数据点被加入CF树为止。
本发明提供一种多灾种集成的自然灾害风险评估分析系统，以自然灾害多灾种调查评估数据为基础，通过信息化技术结合GIS分析技术，实现多灾种集成的自然灾害风险评估分析。该系统包括多灾种数据集成、致灾风险评估、承灾体风险评估三个核心模块，可对自然灾害多灾种调查评估数据进行集成管理，完成基于行政区划的自然灾害多灾种风险分区分类分级评估，为灾害防治提供科学支撑。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视本发明的保护范围。
Claims (9)
1.一种多灾种集成的自然灾害风险评估分析系统，其特征在于，包括多灾种数据集成模块、致灾风险评估模块和承灾体风险评估模块；
所述多灾种数据集成模块，用于获取研究范围中每种自然灾害的自然灾害调查评估数据，以及每种自然灾害影响范围内的承灾体调查评估数据；
所述致灾风险评估模块，用于根据每种所述自然灾害的自然灾害调查评估数据，得到每种所述自然灾害的单灾种风险指数和单灾种风险等级；
对研究范围中各个所述单灾种风险指数进行聚类分析，得到多灾种风险特征聚类结果，划分出自然灾害风险分区；
将所述自然灾害风险分区与各单灾种风险等级进行叠加，统计各区域风险等级特征值，得到各区域的风险综合等级；
对各区域的风险综合等级进行判定，形成多灾种自然灾害致灾风险分区分类分级结果；
所述承灾体风险评估模块，用于对所述承灾体调查评估数据进行分析，得到每种承灾体的风险等级评定结果；然后，统计每种行政区域中风险承灾体的数量及比例，作为每种行政区域的特征参数；
利用层次聚类算法，对各行政区域的特征参数进行聚类，从而划分出承灾体风险区，形成自然灾害承灾体风险评估成果。
2.根据权利要求1所述的多灾种集成的自然灾害风险评估分析系统，其特征在于，所述自然灾害包括地震灾害、地质灾害、水旱灾害、海洋灾害、气象灾害、森林和草原火灾灾害；所述承灾体包括房屋建筑、市政设施和交通设施。
3.根据权利要求1所述的多灾种集成的自然灾害风险评估分析系统，其特征在于，所述多灾种数据集成模块还用于：
预先规定每种自然灾害的自然灾害调查评估数据的标准，包括：空间坐标系、空间数据分辨率、属性字段名称、属性字段类型和属性字段数值范围；
根据每种自然灾害的自然灾害调查评估数据的标准，对实际获取到的自然灾害的自然灾害调查评估数据进行自动校核；
在校核通过后，对获取到的自然灾害调查评估数据进行标准化处理，具体方法为：采用统一的空间分辨率，将各自然灾害调查评估数据按照地理坐标划分为格网数据，然后存储于数据库。
4.根据权利要求3所述的多灾种集成的自然灾害风险评估分析系统，其特征在于，对获取到的自然灾害调查评估数据进行标准化处理，具体为：
由于自然灾害调查评估数据同时具备空间特性与时间特性，因此，采用时空双重离散法的并行计算方法，对自然灾害调查评估数据在时间域和空间域双重层面上进行格网化处理；
更具体为：
将研究范围的地理空间剖分为n个层级的格网，按自上向下方向，分别为：第1层级格网，第2层级格网,…,第n层级格网；其中，第1层级格网，第2层级格网,…,第n层级格网，其网格尺寸逐渐变小；
对于某个第1层级格网，其包含多个第2层级格网作为其下级子格网；对于每个第2层级格网，其包含多个第3层级格网作为其下级子格网，依此类推，形成层级结构；
因此，对第1层级格网内属于时间段T1的自然灾害调查评估数据进行标准化处理，得到标准化调查评估数据，标准化完成后，分别执行以下两个操作：
操作1：对第1层级格网内属于下个时间段T2的自然灾害调查评估数据进行标准化处理；
操作2：将标准化调查评估数据传递给其下级子格网，对下级子格网内属于时间段T1的标准化调查评估数据进行空间离散和标准化处理；
因此，操作1和操作2并行操作。
5.根据权利要求1所述的多灾种集成的自然灾害风险评估分析系统，其特征在于，每种所述自然灾害的自然灾害调查评估数据，包括：地震动峰值加速度、地震场地类型、地质灾害危险性评价图、洪水灾害综合风险R值分布图、台风危险性等级图、可能最大风暴潮淹没水深图、森林和草原火灾危险性等级图。
6.根据权利要求1所述的多灾种集成的自然灾害风险评估分析系统，其特征在于，所述对研究范围中各个所述单灾种风险指数进行聚类分析，具体为：
步骤1，对于研究范围中的每个网格，将该网格具有的所有自然灾害的单灾种风险指数构成的集合，作为一个样本，给定聚类数目初始值k0；采用K-means算法对各个样本进行聚类，得到k0个聚类；
步骤2，计算得到k0个聚类中每个聚类的聚类中心；
步骤3，设定类间距离阈值d；
步骤4，对于步骤2得到的k0个聚类中心，查找得到距离最近的两个聚类中心，并判断此两个聚类中心之间的距离，是否小于类间距离阈值d，如果小于，则合并此两个聚类中心对应的两个聚类，使聚类数目减小，并令k0＝k0-1；然后返回步骤2；如果不小于，则结束对聚类的合并操作，此时得到的k0即为最终的聚类数目，将最终得到的聚类数目表示为k。
7.根据权利要求6所述的多灾种集成的自然灾害风险评估分析系统，其特征在于，还包括：
采用Canopy算法对各个样本进行初始聚类，得到k0个聚类，每个聚类的中心点，作为K-means算法初始聚类时的中心点。
8.根据权利要求6所述的多灾种集成的自然灾害风险评估分析系统，其特征在于，步骤4之后，还包括：
步骤5，输入K-means算法聚类结果，记聚类结果中样本总数为S，聚类类别数目为k，每一聚类类别形成一个样本子集合，因此，共得到k个样本子集合，表示为：样本子集合Cn，其中，n＝1,2,…,k；
步骤6，对于每个样本子集合Cn，计算该样本子集合Cn包含的所有样本的标准差Vn；
步骤7，若Vn>1且Vn≤1.5，则分别计算该样本子集合Cn中每个样本距离该样本子集合Cn的中心的欧式距离，查找到距离该样本子集合Cn的中心最远的样本，表示为：样本qfar(Cn)；
分别计算样本qfar(Cn)与其他k-1个样本子集合的中心的欧式距离，查找到距离样本qfar(Cn)最近的样本子集合，然后将样本qfar(Cn)合并到距离最近的样本子集合中；
步骤8，若Vn>1.5，则对于该样本子集合Cn中每个样本，计算其与其他各个样本子集合中心的欧式距离，并将该样本合并到距离其最近的对应类别样本子集合中；
步骤9，对于更新后的每一类别的样本子集合Cn，重新计算该样本子集合包含的所有样本的标准差Vn，若对于所有类别的样本子集合，都满足标准差Vn≤1，则执行步骤10；否则转到步骤7；
步骤10，由此完成每个样本的聚类类别更新，得到优化聚类后的风险聚类成果。
9.根据权利要求1所述的多灾种集成的自然灾害风险评估分析系统，其特征在于，所述利用层次聚类算法，对各行政区域的特征参数进行聚类，从而划分出承灾体风险区，形成自然灾害承灾体风险评估成果，所采用的层次聚类算法中，在进行层次聚类时，采用以下距离计算公式计算两个簇之间的距离：
式中：
d(u,v)——簇u和簇v之间的距离；
Ouv——簇u和簇v质心之间的距离；
dist(ui,vj)——簇u内样本i与簇v内样本j之间的欧式距离；
|u|——簇u内样本数量；
|v|——簇v内样本数量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211335670.XA CN115545543A (zh) | 2022-10-28 | 2022-10-28 | 多灾种集成的自然灾害风险评估分析系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211335670.XA CN115545543A (zh) | 2022-10-28 | 2022-10-28 | 多灾种集成的自然灾害风险评估分析系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115545543A true CN115545543A (zh) | 2022-12-30 |
Family
ID=84717731
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211335670.XA Pending CN115545543A (zh) | 2022-10-28 | 2022-10-28 | 多灾种集成的自然灾害风险评估分析系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115545543A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117610940A (zh) * | 2024-01-18 | 2024-02-27 | 航天宏图信息技术股份有限公司 | 大风灾害危险性评估区划方法、装置、设备及介质 |
-
2022
- 2022-10-28 CN CN202211335670.XA patent/CN115545543A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117610940A (zh) * | 2024-01-18 | 2024-02-27 | 航天宏图信息技术股份有限公司 | 大风灾害危险性评估区划方法、装置、设备及介质 |
| CN117610940B (zh) * | 2024-01-18 | 2024-04-16 | 航天宏图信息技术股份有限公司 | 大风灾害危险性评估区划方法、装置、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110245981B (zh) | 一种基于手机信令数据的人群类型识别方法 | |
| CN108710625B (zh) | 一种专题知识自动挖掘系统及方法 | |
| CN111081016B (zh) | 一种基于复杂网络理论的城市交通异常识别方法 | |
| Xu et al. | Taxi-RS: Taxi-hunting recommendation system based on taxi GPS data | |
| 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 | |
| CN109446186B (zh) | 一种基于移动轨迹的社会关系判断方法 | |
| CN111639237A (zh) | 一种基于聚类和关联规则挖掘的电力通信网风险评估系统 | |
| CN109544690B (zh) | 共享单车出行影响因素识别方法、系统及存储介质 | |
| CN110781267A (zh) | 一种基于地理国情的多尺度空间分析评价方法及系统 | |
| CN113139760B (zh) | 基于风雨大数据的台风风险综合评估方法及系统 | |
| CN108009265B (zh) | 一种云计算环境下的空间数据索引方法 | |
| CN106796589A (zh) | 空间数据对象的索引方法和系统 | |
| CN112948595A (zh) | 城市群运行状态知识图谱构建方法、系统及设备 | |
| CN113240257A (zh) | 一种基于最小累积阻力模型的国土空间分区方法和装置 | |
| CN115545543A (zh) | 多灾种集成的自然灾害风险评估分析系统 | |
| CN111104449A (zh) | 基于地理空间画像挖掘的多源城市时空标准地址融合方法 | |
| Wu et al. | GLUE: a parameter-tuning-free map updating system | |
| CN109754638B (zh) | 一种基于分布式技术的停车位分配方法 | |
| Dawod et al. | GIS-based public services analysis based on municipal election areas: A methodological approach for the city of Makkah, Saudi Arabia | |
| CN112819208A (zh) | 一种基于特征子集耦合模型的空间相似性地质灾害预测方法 | |
| CN116308956B (zh) | 一种城市区域主导功能与规划用途差异检测的方法 | |
| KR102526361B1 (ko) | 지역단위의 폭염 및 한파에 대한 지표면효과 분석 시스템 및 방법 | |
| CN116013084A (zh) | 交通管控场景确定方法、装置、电子设备及存储介质 | |
| CN115860213A (zh) | 多情景城市应急采样场所选址优化方法、系统、设备及介质 | |
| CN110610446A (zh) | 一种基于两步聚类思路的县域城镇分类方法 |
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 |