CN115565062B - 一种地震地质灾害与财产人口损失风险预测方法及系统 - Google Patents
一种地震地质灾害与财产人口损失风险预测方法及系统 Download PDFInfo
- Publication number
- CN115565062B CN115565062B CN202211095071.5A CN202211095071A CN115565062B CN 115565062 B CN115565062 B CN 115565062B CN 202211095071 A CN202211095071 A CN 202211095071A CN 115565062 B CN115565062 B CN 115565062B
- Authority
- CN
- China
- Prior art keywords
- earthquake
- population
- model
- data
- determining
- 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
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000009471 action Effects 0.000 claims abstract description 19
- 238000013135 deep learning Methods 0.000 claims abstract description 16
- 238000007670 refining Methods 0.000 claims abstract description 13
- 230000011218 segmentation Effects 0.000 claims description 16
- 238000010801 machine learning Methods 0.000 claims description 9
- 238000013210 evaluation model Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 230000035939 shock Effects 0.000 claims description 3
- 238000011160 research Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 abstract description 3
- 238000012502 risk assessment Methods 0.000 abstract description 3
- 238000011156 evaluation Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 230000007547 defect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000002265 prevention Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000013058 risk prediction model Methods 0.000 description 1
- 238000013316 zoning Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/176—Urban or other man-made structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Geophysics And Detection Of Objects (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种地震地质灾害与财产人口损失风险预测方法及系统,方法包括:确定在滑动速率和震级‑频度关系限制下的不同段、不同级联组合的复发周期;计算潜在地震危险段或潜在级联破裂组合设定地震作用下的地震‑地震动数据;计算地震滑坡概率预测结果;细化建筑物宏观分类暴露模型至乡镇街道尺度暴露模型,并根据所述地震‑地震动数据确定地震灾害损失模型;基于深度学习网络确定地震伤亡人口预测模型,并根据所述地震‑地震动数据和地震伤亡人口预测模型对伤亡人口进行预测。本发明打通了从活动断层定量数据到地震灾害风险预测成果的风险评估全过程,解决了以往活动断层研究难以使用到实际灾害风险预测中的难题。
Description
技术领域
本发明涉及地质灾害预测技术领域,特别是涉及一种地震地质灾害与财产人口损失风险预测方法及系统。
背景技术
目前,对于地震地质灾害主要还是针对地震发生后的滑坡地质灾害快速预测、灾害损失和伤亡人口的快速评估等。对地震发生前,其地震危险性的研究结果如何应用到目前的灾害预测预防中目前还处于初级阶段;潜在的地震危险破裂段如果发生地震,可能引起的地震地质灾害和伤亡人口预测目前几乎难见;尤其是根据活动断层分段来构建地震危险性预测模型,给出地震危险源,模拟地震动作用下的地震地质灾害和财产人口损失等一整套流程方法目前仍然缺乏。
现有的活动断层危险性预测主要基于历史地震破裂给出的复发周期和离逝时间展开,而滑动速率这一积累地震能量的标尺并未考虑。另外考虑多个断层分段的同时破裂的预测也基本很难定量精确给出地震危险程度预测;如何将地震危险性预测转换成潜在的地震灾害预测、财产损失和伤亡人口估计,目前主要还是基于我国第五代地震动区划图给出的概率预测结果展开,而这一概率预测结果主要是475年或者更长时间的平均值来给出,其实际预测结果较小。如果在某条断层上发生特大地震,其引起的地震灾害严重程度一般均高于目前第五代地震动区划图给出的结果。由于缺少统一的参数条件,目前尚未有统一的技术路径来研究从活动断层分段到地震滑坡灾害、灾害风险和人口伤亡的模型。
发明内容
为了克服现有技术的不足,本发明的目的是提供一种地震地质灾害与财产人口损失风险预测方法及系统。
为实现上述目的,本发明提供了如下方案:
一种地震地质灾害与财产人口损失风险预测方法,包括:
根据遥感影像和历史地震破裂数据确定在滑动速率和震级-频度关系限制下的不同段、不同级联组合的复发周期,并根据不同的复发周期和历史地震离逝时间评估给出相应的危险段落或者潜在组合级联破裂危险段;
根据所述复发周期和历史地震离逝时间评估潜在强震危险段,计算潜在地震危险段或潜在级联破裂组合设定地震作用下的地震-地震动数据;
根据机器学习评价模型和所述地震-地震动数据,计算地震滑坡概率预测结果;
根据人口分布模型,细化建筑物宏观分类暴露模型至乡镇街道尺度暴露模型,并根据细化后的模型和所述地震-地震动数据确定地震灾害损失模型;
基于深度学习网络,根据历史地震数据确定地震伤亡人口预测模型,并根据所述地震伤亡人口预测模型和所述地震-地震动数据对潜在危险段的伤亡人口进行预测,得到人口伤亡结果;
根据所述地震滑坡概率预测结果、所述地震灾害损失模型和所述人口伤亡结果确定预测结果。
优选地,所述根据遥感影像和历史地震破裂数据确定在滑动速率和震级-频度关系限制下的不同段、不同级联组合的复发周期,包括:
根据所述遥感影像确定阶区地貌展布图;
将所述阶区地貌展布图和所述历史地震破裂数据作为断层分段输入数据,并根据所述断层分段输入数据确定破裂分段级联破裂方案;
根据断裂滑动速率、历史地震目录和所述破裂分段级联破裂方案确定基于Python语言的迭代算法;
根据所述迭代算法确定所述复发周期。
优选地,根据所述复发周期和历史地震离逝时间评估潜在强震危险段,计算潜在地震危险段或潜在级联破裂组合设定地震作用下的地震-地震动数据,包括:
根据所述复发周期评估潜在危险段的破裂参数、最大震级和危险段落;
根据预设的地震动预测统计关系、所述破裂参数、所述最大震级和所述危险段落确定设定地震-地震动的分布和烈度分布;
根据所述烈度分布和潜在的地震滑坡因子数据库确定滑坡概率分布;所述地震滑坡因子数据库包括所述地震-地震动数据。
优选地,所述根据人口分布模型,细化建筑物宏观分类暴露模型至乡镇街道尺度暴露模型,并根据细化后的模型和所述地震-地震动数据确定地震灾害损失模型,包括:
根据预设的建筑物分类数据确定建筑物宏观分类暴露模型;
对所述建筑物宏观分类暴露模型进行细化,得到总建筑面积和重置成本;
根据所述总建筑面积和重置成本和所述人口分布模型中的人口分布数据确定所述乡镇街道尺度暴露模型;
根据所述乡镇街道尺度暴露模型、烈度分布、所述地震-地震动数据确定所述地震灾害损失模型。
优选地,所述基于深度学习网络,根据历史地震数据确定地震伤亡人口预测模型,包括:
获取所述历史地震数据;所述历史地震数据包括历史地震死亡人口数据、历史地震环境参数、破裂参数和最大烈度;
基于深度学习神经网络,根据所述历史地震数据、人口分布数据和所述地震-地震动数据构建所述地震伤亡人口预测模型。
优选地,所述根据所述地震伤亡人口预测模型对伤亡人口进行预测,得到人口伤亡结果,包括:
基于所述地震伤亡人口预测模型,根据tensorflow2.0深度学习框架和keras高级神经网络API计算设定地震作用下的所述人口伤亡结果。
一种地震地质灾害与财产人口损失风险预测系统,包括:
周期确定单元,用于根据遥感影像和历史地震破裂数据确定在滑动速率和震级-频度关系限制下的不同段、不同级联组合的复发周期,并根据不同的复发周期和历史地震离逝时间评估给出相应的危险段落或者潜在组合级联破裂危险段;
地震动数据确定单元,用于根据所述复发周期和历史地震离逝时间评估潜在强震危险段,计算潜在地震危险段或潜在级联破裂组合设定地震作用下的地震-地震动数据;
第一预测单元,用于根据机器学习评价模型和所述地震-地震动数据,计算地震滑坡概率预测结果;
第二预测单元,用于根据人口分布模型,细化建筑物宏观分类暴露模型至乡镇街道尺度暴露模型,并根据细化后的模型和所述地震-地震动数据确定地震灾害损失模型;
第三预测单元,用于基于深度学习网络,根据历史地震数据确定地震伤亡人口预测模型,并根据所述地震伤亡人口预测模型和所述地震-地震动数据对伤亡人口进行预测,得到人口伤亡结果;
结果确定单元,用于根据所述地震滑坡概率预测结果、所述地震灾害损失模型和所述人口伤亡结果确定预测结果。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供了一种地震地质灾害与财产人口损失风险预测方法及系统,方法包括:根据遥感影像和历史地震破裂数据确定在滑动速率和震级-频度关系限制下的不同段、不同级联组合的复发周期;根据不同的复发周期和历史地震离逝时间评估给出相应的危险段落或者潜在组合级联破裂危险段,计算潜在地震危险段或潜在级联破裂组合设定地震作用下的地震-地震动数据;根据机器学习评价模型和所述地震-地震动数据,计算地震滑坡概率预测结果;根据人口分布模型,细化建筑物宏观分类暴露模型至乡镇街道尺度暴露模型,并根据细化后的模型和所述地震-地震动数据确定地震灾害损失模型;基于深度学习网络,根据历史地震数据确定地震伤亡人口预测模型,并根据所述地震伤亡人口预测模型和所述地震-地震动数据对伤亡人口进行预测,得到人口伤亡结果;根据所述地震滑坡概率预测结果、所述地震灾害损失模型和所述人口伤亡结果确定预测结果。本发明打通了从活动断层定量数据到地震灾害风险预测成果的风险评估全过程,解决了以往活动断层研究难以使用到实际灾害风险预测中的难题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的实施例中的方法流程图;
图2为本发明提供的实施例中的预测流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种地震地质灾害与财产人口损失风险预测方法及系统,打通了从活动断层定量数据到地震灾害风险预测成果的风险评估全过程,解决了以往活动断层研究难以使用到实际灾害风险预测中的难题。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明提供的实施例中的方法流程图,如图1所示,本发明提供了一种地震地质灾害与财产人口损失风险预测方法,包括:
步骤100:根据遥感影像和历史地震破裂数据确定在滑动速率和震级-频度关系限制下的不同段、不同级联组合的复发周期,并根据不同的复发周期和历史地震离逝时间评估给出相应的危险段落或者潜在组合级联破裂危险段;
步骤200:根据所述复发周期和历史地震离逝时间评估潜在强震危险段,计算潜在地震危险段或潜在级联破裂组合设定地震作用下的地震-地震动数据;
步骤300:根据机器学习评价模型和所述地震-地震动数据,计算地震滑坡概率预测结果;
步骤400:根据人口分布模型,细化建筑物宏观分类暴露模型至乡镇街道尺度暴露模型,并根据细化后的模型和所述地震-地震动数据确定地震灾害损失模型;
步骤500:基于深度学习网络,根据历史地震数据确定地震伤亡人口预测模型,并根据所述地震伤亡人口预测模型和所述地震-地震动数据对伤亡人口进行预测,得到人口伤亡结果;
步骤600:根据所述地震滑坡概率预测结果、所述地震灾害损失模型和所述人口伤亡结果确定预测结果。
优选地,所述步骤100具体包括:
根据所述遥感影像确定阶区地貌展布图;
将所述阶区地貌展布图和所述历史地震破裂数据作为断层分段输入数据,并根据所述断层分段输入数据确定破裂分段级联破裂方案;
根据断裂滑动速率、历史地震目录和所述破裂分段级联破裂方案确定基于Python语言的迭代算法;
根据所述迭代算法确定所述复发周期。
具体的,本实施例中第一个步骤为利用python迭代算法,在滑动速率和震级-频度关系限制下给出不同段、不同级联组合的复发周期。
图2为本发明提供的实施例中的预测流程示意图,如图2所示,本实施例中将地震危险性和风险伤亡数据定量化,将评估过程程式化,采用了从活动断层分段开始的地震危险性、地震危险段破裂引起的地震地质灾害概率预测、地震灾害损失评估和地震伤亡人口估计。包括如下步骤:
①通过活动断层地表破裂数据分析、高分辨率遥感影像解译对阶区地貌进行解译分析,综合阶区宽度、相邻断层走向变化、阶区内部小断裂分布和成熟度特征来判定断层段是否会发生级联组合破裂。
②分析给出断裂分段和级联组合方式,给出不同段破裂的最大地震,利用python迭代算法,在滑动速率和震级-频度关系限制下给出不同段、不同级联组合的复发周期;通过分析历史地震和古地震离逝时间是否超过复发周期,来判定各断层段不同震级的是否具有地震危险。
③对地震危险的段落,使用考虑不确定性的地震动衰减关系来计算设定地震(断层段单独破裂或者级联破裂)作用下的地震动分布特征。
④使用基于机器学习算法给出的滑坡预测数据,在确定性地震动作用下的地震滑坡概率分布,较以往主要使用概率地震动分布给出的地震滑坡概率模型更为合理。
⑤在设定地震动作用下,给出乡镇街道尺度暴露模型下的灾害损失和人口伤亡预测结果。
优选地,所述步骤200具体包括:
根据所述复发周期评估潜在危险段的破裂参数、最大震级和危险段落;;
根据预设的地震动预测统计关系、所述破裂参数、所述最大震级和所述危险段落确定设定地震-地震动的分布和烈度分布;
根据所述烈度分布和潜在地震滑坡因子数据库确定滑坡概率分布;所述地震滑坡因子数据库包括所述地震-地震动数据。
具体的,本实施例中第二个步骤为计算潜在地震危险段或潜在级联破裂组合设定地震作用下的地震动。
进一步地,本实施例中第三个步骤为根据机器学习评价模型,计算设定地震-地震动作用下的地震滑坡概率预测结果。
优选地,所述步骤400具体包括:
根据预设的建筑物分类数据确定建筑物宏观分类暴露模型;
对所述建筑物宏观分类暴露模型进行细化,得到总建筑面积和重置成本;
根据所述总建筑面积和重置成本和所述人口分布模型中的人口分布数据确定所述乡镇街道尺度暴露模型;
根据所述乡镇街道尺度暴露模型和所述地震-地震动数据确定所述地震灾害损失模型。
具体的,本实施例中第四个步骤为根据人口分布模型,细化建筑物宏观分布暴露模型至乡镇街道尺度暴露模型,结合所述地震-地震动数据利用python快速评估算给出地震灾害损失模型。
优选地,所述步骤500具体包括:
获取所述历史地震数据;所述历史地震数据包括历史地震死亡人口数据、历史地震环境参数、破裂参数和最大烈度;
基于深度学习神经网络,根据所述历史地震数据和人口分布数据构建所述地震伤亡人口预测模型。
优选地,所述步骤500还包括:
基于所述地震伤亡人口预测模型,根据tensorflow2.0深度学习框架和keras高级神经网络API计算设定地震作用下的所述人口伤亡结果。
对应上述方法,本实施例还提供了一种地震地质灾害与财产人口损失风险预测系统,包括:
周期确定单元,用于根据遥感影像和历史地震破裂数据确定在滑动速率和震级-频度关系限制下的不同段、不同级联组合的复发周期,并根据不同的复发周期和历史地震离逝时间评估给出相应的危险段落或者潜在组合级联破裂危险段;
地震动数据确定单元,用于根据所述复发周期和历史地震离逝时间评估潜在强震危险段,计算潜在地震危险段或潜在级联破裂组合设定地震作用下的地震-地震动数据;
第一预测单元,用于根据机器学习评价模型和所述地震-地震动数据,计算地震滑坡概率预测结果;
第二预测单元,用于根据人口分布模型,细化建筑物宏观分类暴露模型至乡镇街道尺度暴露模型,并根据细化后的模型和所述地震-地震动数据确定地震灾害损失模型;
第三预测单元,用于基于深度学习网络,根据历史地震数据确定地震伤亡人口预测模型,并根据所述地震伤亡人口预测模型和所述地震-地震动数据对潜在危险段的伤亡人口进行预测,得到人口伤亡结果;
结果确定单元,用于根据所述地震滑坡概率预测结果、所述地震灾害损失模型和所述人口伤亡结果确定预测结果。
此外,本实施例与现有技术相比:
(1)在地震危险性方面,本发明使用基于断层分段和滑动速率来预测今后地震发生率,通过python迭代程序算法给出各断层段及其组合破裂的地震发生周期,以解决定量给出断层上特定震级的复发周期问题,克服以往只能通过发生过历史地震或古地震开挖给出某个断层破裂段的复发周期问题。
(2)本发明使用第一阶段给出的潜在地震危险段进行地震动计算,克服了以往多数使用历史地震破裂段或者分析给出的危险区段来计算地震动的随意性问题。
(3)通过某个具体的设定地震的潜在地震动,并进行地震滑坡概率预测,克服了之前主要以地震概率预测+滑坡概率预测的方法,预测效果因为两个概率预测误差而使得预测结果误差成倍增加。
(4)对潜在地震可能引起的房屋估计中,将建筑物宏观分类暴露模型通过人口分布细化到乡镇街道尺度,来计算设定地震作用下的经济损失,克服了以往仅可通过调查和经验评估来给出灾害风险,耗资大且难度高的缺点。
(5)给出设定地震作用下的伤亡人口估计,为后续防震减灾教育提供素材,达到提前准备减少人员损失的目标;克服了以往伤亡人口模型只能作为快速评估的缺点,可将预测伤亡人口用于防震减灾教育和医疗场所应急准备改扩建依据。
本发明的有益效果如下:
(1)本发明通过活动断层分段划分,可给出断层分段上不同震级(以0.2为区间)以及组合破裂(两者长度之和对应的特大地震震级)的复发周期,较以往仅能给出某个特征震级的危险性更具有实际意义。
(2)本发明通过滑动速率约束下的地震复发周期模型,较以往仅通过历史地震给出的复发周期更为科学合理,因为地震是活动断层滑动速率作用下的能量积累结果,且历史地震的震级也存在着误差,如将6.5级地震和7.0级地震作为同一级别考虑给出的复发周期,具有误导性,实际值要明显小于7.0级地震的复发周期。
(3)本发明通过断层上各断层段的复发周期和历史地震等,给出明确的地震危险段,计算地震动的结果具有明确的预测意义。
(4)计算上述设定地震-地震动作用下的潜在地震地质灾害概率预测结果,较以往仅使用地震危险性概率预测+滑坡概率预测模型更为合理,更能反映实际灾害风险。
(5)计算上述设定地震-地震动作用下的乡镇街道尺度建筑物模型的损失风险,克服了以往基于地震危险性概率预测模型或者主观认定的地震危险段的结果,更为可靠。
(6)计算设定地震作用下的地震伤亡人口,相较于目前地震伤亡人口仅用来做快速评估,能够做到更具有防震减灾的教育意义和应急准备工作。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (7)
1.一种地震地质灾害与财产人口损失风险预测方法,其特征在于,包括:
根据遥感影像和历史地震破裂数据确定在滑动速率和震级-频度关系限制下的不同段、不同级联组合的复发周期,并根据不同的复发周期和历史地震离逝时间评估给出相应的危险段落或者潜在组合级联破裂危险段;
计算潜在地震危险段或潜在级联破裂组合设定地震作用下的地震-地震动数据;
根据机器学习评价模型和所述地震-地震动数据,计算地震滑坡概率预测结果;
根据人口分布模型,细化建筑物宏观分类暴露模型至乡镇街道尺度暴露模型,并根据细化后的模型和所述地震-地震动数据确定地震灾害损失模型;
基于深度学习网络,根据历史地震数据确定地震伤亡人口预测模型,并根据所述地震伤亡人口预测模型和所述地震-地震动数据对潜在危险段的伤亡人口进行预测,得到人口伤亡结果;
根据所述地震滑坡概率预测结果、所述地震灾害损失模型和所述人口伤亡结果确定预测结果。
2.根据权利要求1所述的地震地质灾害与财产人口损失风险预测方法,其特征在于,所述根据遥感影像和历史地震破裂数据确定在滑动速率和震级-频度关系限制下的不同段、不同级联组合的复发周期,包括:
根据所述遥感影像确定阶区地貌展布图;
将所述阶区地貌展布图和所述历史地震破裂数据作为断层分段输入数据,并根据所述断层分段输入数据确定破裂分段级联破裂方案;
根据断裂滑动速率、历史地震目录和所述破裂分段级联破裂方案确定基于Python语言的迭代算法;
根据所述迭代算法确定所述复发周期。
3.根据权利要求1所述的地震地质灾害与财产人口损失风险预测方法,其特征在于,根据所述复发周期和历史地震离逝时间评估潜在强震危险段,计算潜在地震危险段或潜在级联破裂组合设定地震作用下的地震-地震动数据,包括:
根据所述复发周期评估潜在危险段的破裂参数、最大震级和危险段落;
根据预设的地震动预测统计关系、所述破裂参数、所述最大震级和所述危险段落设定地震-地震动的分布和烈度分布;
根据所述烈度分布和潜在的地震滑坡因子数据库确定滑坡概率分布;所述地震滑坡因子数据库包括所述地震-地震动数据。
4.根据权利要求1所述的地震地质灾害与财产人口损失风险预测方法,其特征在于,所述根据人口分布模型,细化建筑物宏观分类暴露模型至乡镇街道尺度暴露模型,并根据细化后的模型和所述地震-地震动数据确定地震灾害损失模型,包括:
根据预设的建筑物分类数据确定建筑物宏观分类暴露模型;
对所述建筑物宏观分类暴露模型进行细化,得到总建筑面积和重置成本;
根据所述总建筑面积和重置成本和所述人口分布模型中的人口分布数据确定所述乡镇街道尺度暴露模型;
根据所述乡镇街道尺度暴露模型、烈度分布、所述地震-地震动数据确定所述地震灾害损失模型。
5.根据权利要求1所述的地震地质灾害与财产人口损失风险预测方法,其特征在于,所述基于深度学习网络,根据历史地震数据确定地震伤亡人口预测模型,包括:
获取所述历史地震数据;所述历史地震数据包括历史地震死亡人口数据、历史地震环境参数、破裂参数和最大烈度;
基于深度学习神经网络,根据所述历史地震数据、人口分布数据和所述地震-地震动数据构建所述地震伤亡人口预测模型。
6.根据权利要求1所述的地震地质灾害与财产人口损失风险预测方法,其特征在于,所述根据所述地震伤亡人口预测模型对伤亡人口进行预测,得到人口伤亡结果,包括:
基于所述地震伤亡人口预测模型,根据tensorflow2.0深度学习框架和keras高级神经网络API计算设定地震作用下的所述人口伤亡结果。
7.一种地震地质灾害与财产人口损失风险预测系统,其特征在于,包括:
周期确定单元,用于根据遥感影像和历史地震破裂数据确定在滑动速率和震级-频度关系限制下的不同段、不同级联组合的复发周期,并根据不同的复发周期和历史地震离逝时间评估给出相应的危险段落或者潜在组合级联破裂危险段;
地震动数据确定单元,用于计算潜在地震危险段或潜在级联破裂组合设定地震作用下的地震-地震动数据;
第一预测单元,用于根据机器学习评价模型和所述地震-地震动数据,计算地震滑坡概率预测结果;
第二预测单元,用于根据人口分布模型,细化建筑物宏观分类暴露模型至乡镇街道尺度暴露模型,并根据细化后的模型和所述地震-地震动数据确定地震灾害损失模型;
第三预测单元,用于基于深度学习网络,根据历史地震数据确定地震伤亡人口预测模型,并根据所述地震伤亡人口预测模型和所述地震-地震动数据对潜在危险段的伤亡人口进行预测,得到人口伤亡结果;
结果确定单元,用于根据所述地震滑坡概率预测结果、所述地震灾害损失模型和所述人口伤亡结果确定预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211095071.5A CN115565062B (zh) | 2022-09-05 | 2022-09-05 | 一种地震地质灾害与财产人口损失风险预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211095071.5A CN115565062B (zh) | 2022-09-05 | 2022-09-05 | 一种地震地质灾害与财产人口损失风险预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115565062A CN115565062A (zh) | 2023-01-03 |
CN115565062B true CN115565062B (zh) | 2023-06-16 |
Family
ID=84739689
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211095071.5A Active CN115565062B (zh) | 2022-09-05 | 2022-09-05 | 一种地震地质灾害与财产人口损失风险预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115565062B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111401682A (zh) * | 2020-02-11 | 2020-07-10 | 北京师范大学 | 一种地震伤亡人口评估方法及系统 |
CN112200399A (zh) * | 2020-07-20 | 2021-01-08 | 杭州叙简科技股份有限公司 | 一种地震成灾风险评估和经济损失预测方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103440347B (zh) * | 2013-09-13 | 2016-05-11 | 武汉大学 | 一种异质灾害事件通用建模方法及系统 |
CN108960481A (zh) * | 2018-05-22 | 2018-12-07 | 北京师范大学 | 地震灾害伤亡人口估算方法及计算机可读介质 |
CN109993508A (zh) * | 2019-04-23 | 2019-07-09 | 中国科学院遥感与数字地球研究所 | 一种地震灾害情景演化模型 |
CN110070234B (zh) * | 2019-04-29 | 2020-06-30 | 云南师范大学 | 一种地震滑坡人员死亡数量预测方法及其应用 |
CN112613096B (zh) * | 2020-12-15 | 2024-02-23 | 应急管理部国家自然灾害防治研究院 | 一种面向强震前后不同阶段的地质灾害评价方法 |
CN114333241B (zh) * | 2021-12-08 | 2022-10-11 | 电子科技大学 | 基于事件触发的滑坡灾害点大数据采集与样本库更新方法 |
-
2022
- 2022-09-05 CN CN202211095071.5A patent/CN115565062B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111401682A (zh) * | 2020-02-11 | 2020-07-10 | 北京师范大学 | 一种地震伤亡人口评估方法及系统 |
CN112200399A (zh) * | 2020-07-20 | 2021-01-08 | 杭州叙简科技股份有限公司 | 一种地震成灾风险评估和经济损失预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115565062A (zh) | 2023-01-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6770125B2 (ja) | 建築物改装に伴う損害防止の推定 | |
Celik et al. | Seismic fragilities for non-ductile reinforced concrete frames–Role of aleatoric and epistemic uncertainties | |
Ellingwood | Earthquake risk assessment of building structures | |
Askan et al. | Probabilistic methods for the estimation of potential seismic damage: Application to reinforced concrete buildings in Turkey | |
Del Gaudio et al. | Observed and predicted earthquake damage scenarios: the case study of Pettino (L’Aquila) after the 6th April 2009 event | |
Trevlopoulos et al. | Earthquake risk in reinforced concrete buildings during aftershock sequences based on period elongation and operational earthquake forecasting | |
Ghasemi et al. | Reliability-based indicator for post-earthquake traffic flow capacity of a highway bridge | |
Burton et al. | A framework and case study for integrating household decision-making into post-earthquake recovery models | |
Poggi et al. | Rapid damage scenario assessment for earthquake emergency management | |
Li et al. | Damage inspection and vulnerability analysis of existing buildings with steel moment-resisting frames | |
Rasulo et al. | Seismic risk analysis at urban scale in Italy | |
Del Gaudio et al. | Seismic loss prediction for infilled RC buildings via simplified analytical method | |
Ahmed et al. | Large-scale seismic assessment of RC buildings through rapid visual screening | |
Aljawhari et al. | Simulation-based consequence models of seismic direct loss and repair time for archetype reinforced concrete frames | |
CN115565062B (zh) | 一种地震地质灾害与财产人口损失风险预测方法及系统 | |
Molina Hutt | Risk-based seismic performance assessment of existing tall steel framed buildings | |
Wei et al. | Assessment of casualty and economic losses from earthquakes using semi-empirical model | |
Randil et al. | A statistical method for pre-estimating impacts from a disaster: A case study of floods in Kaduwela, Sri Lanka | |
Allen et al. | Development and comparison of seismic fragility curves for bridges based on empirical and analytical approaches | |
Omenzetter et al. | A pre-posterior analysis framework for quantifying the value of seismic monitoring and inspections of buildings | |
Poulos et al. | Scenario-based seismic performance assessment of a Chilean hospital | |
Kang | From rupture to recovery: Integrating probabilistic building performance assessment, decision-making and socioeconomic vulnerability to model post-earthquake housing recovery | |
Zhang et al. | A Quantitative Method for Post-Earthquake Safety Assessment of Damaged Reinforced Concrete Frames Based on On-Site Survey Data | |
D’Amato et al. | Risk analysis of existing building heritage through damage assessment after L’Aquila earthquake 2009 | |
Braga et al. | Development of a macroseismic model for the seismic risk classification ofexisting buildings |
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 |