CN117708551B - 基于双精度gdp数据展布的洪涝灾害影响评估方法和系统 - Google Patents
基于双精度gdp数据展布的洪涝灾害影响评估方法和系统 Download PDFInfo
- Publication number
- CN117708551B CN117708551B CN202410167907.0A CN202410167907A CN117708551B CN 117708551 B CN117708551 B CN 117708551B CN 202410167907 A CN202410167907 A CN 202410167907A CN 117708551 B CN117708551 B CN 117708551B
- Authority
- CN
- China
- Prior art keywords
- data
- gdp
- flood
- grid
- influence
- 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 98
- 238000009826 distribution Methods 0.000 title claims abstract description 85
- 230000000694 effects Effects 0.000 claims abstract description 75
- 238000011160 research Methods 0.000 claims abstract description 68
- 238000010801 machine learning Methods 0.000 claims abstract description 37
- 238000003892 spreading Methods 0.000 claims abstract description 23
- 230000007480 spreading Effects 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 230000008569 process Effects 0.000 claims description 58
- 238000004088 simulation Methods 0.000 claims description 36
- 230000004927 fusion Effects 0.000 claims description 26
- 239000011159 matrix material Substances 0.000 claims description 24
- 238000004458 analytical method Methods 0.000 claims description 23
- 238000011084 recovery Methods 0.000 claims description 19
- 230000011218 segmentation Effects 0.000 claims description 16
- 238000010586 diagram Methods 0.000 claims description 13
- 238000011156 evaluation Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 230000035945 sensitivity Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 8
- 238000007637 random forest analysis Methods 0.000 claims description 8
- 230000002068 genetic effect Effects 0.000 claims description 7
- 238000000611 regression analysis Methods 0.000 claims description 7
- 230000001970 hydrokinetic effect Effects 0.000 claims description 6
- 238000009792 diffusion process Methods 0.000 claims description 5
- 230000009977 dual effect Effects 0.000 claims description 5
- 238000007621 cluster analysis Methods 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 4
- 208000036119 Frailty Diseases 0.000 claims description 3
- 238000012271 agricultural production Methods 0.000 claims description 3
- 206010003549 asthenia Diseases 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000007670 refining Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 7
- 238000012163 sequencing technique Methods 0.000 description 13
- 230000002265 prevention Effects 0.000 description 5
- 230000009467 reduction Effects 0.000 description 4
- 238000012876 topography Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000010206 sensitivity analysis Methods 0.000 description 1
- 238000012732 spatial analysis Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于双精度GDP数据展布的洪涝灾害影响评估方法和系统，包括：栅格化研究区域，预处理研究数据；确定第一产业栅格，以及第二和第三产业栅格；获取GDP面板数据，并展布到各个栅格；输出初级低分辨率GDP空间展布数据；构建机器学习模块并训练，输出次级高分辨率GDP空间展布数据，并提取GDP分布的核心区域；基于次级高分辨率GDP空间展布数据，采用水文水动力模型，针对GDP核心区域，以第二精度进行模拟，并评估洪涝灾害的滞后效应、外溢效应和脆弱性；给出包含洪涝灾害对GDP影响程度信息在内的高精度GDP展布数据。通过双精度展布技术，大大提高了洪涝灾害评估的时空分辨率和准确度。
Description
技术领域
本发明涉及洪涝灾害预警预报技术，尤其是洪涝灾害造成经济损失的分析技术，特别的，公开了一种基于双精度GDP数据展布的洪涝灾害影响评估方法。
背景技术
洪涝灾害是一种常见的自然灾害，对社会经济活动造成严重的影响。为了评估洪涝灾害的经济损失，需要对洪涝灾害的发生频率、强度、范围和持续时间进行分析，并结合受灾区域的人口、经济、基础设施等数据，建立灾害损失评估模型。研究洪涝灾害预报对经济活动的影响，对于模拟仿真、防灾减灾、灾后恢复重建、洪涝灾害保险等具有重要意义。
当前，研究洪涝灾害对于经济（例如GDP）影响的方案，主要包括：一是利用卫星遥感图像，识别洪水范围和深度，结合高分辨率的GDP空间分布数据，计算洪涝灾害的直接经济损失。再利用投入产出模型，量化洪涝灾害对于不同行业的间接经济损失。二是构建并利用洪水模型，模拟洪水过程和洪水泛滥范围，结合GDP数据，计算洪涝灾害的直接经济损失。再利用经济模型，量化洪涝灾害对于经济增长和福利的影响。三是利用历史洪涝灾害数据，分析洪涝灾害的频率和严重程度，结合GDP数据，计算洪涝灾害的平均经济损失。在当前的文献中，也有方案利用统计模型分析洪涝灾害对于经济波动和不稳定性的影响。但是，现有技术还存在一些问题，主要是数据问题和模型问题，具体包括：卫星遥感图像受到云层、大气、地形、季节、光照等因素的影响，存在一些数据质量的问题，如噪声、缺失、不一致、畸变等，需要进行预处理和校正。
同时，GDP空间分布数据的获取和更新也存在一定的困难和滞后，需要进行数据融合和插值。现有的GDP展布实际是洪涝等灾害之后总体数据的展布，时间和空间分辨率不够。因此在进行洪涝等灾害预报的时候，对于预报的准确率还存在争议。
此外，栅格尺度上洪涝灾害损失的滞后效应、外溢效应评估技术仍不完善，现有技术以分析洪涝灾害的最终损失为主，对于灾害损失的恢复、外溢等关注较少，这将导致对于洪涝灾害损失的变化过程认识不足，无法为优化产业空间布局以及制定洪涝灾害损失的阻断技术提供支撑。
因此，需要研究和创新，以提供新的解决方案。
发明内容
发明目的，提供一种基于双精度GDP数据展布的洪涝灾害影响评估方法，以解决现有技术存在的上述问题之一。
技术方案，根据本申请的一个方面，提供一种基于双精度GDP数据展布的洪涝灾害影响评估方法，包括如下步骤：
步骤S1、确定研究区域范围并栅格化，获取研究数据并预处理；所述研究数据包括遥感影像数据、航拍数据、降雨数据、水文数据、GIS数据、夜间灯光数据、人口移动OD数据、POI数据和GDP面板数据；
步骤S2、对研究区域的栅格进行聚类，获得第一产业栅格，以及第二和第三产业栅格；获取GDP面板数据，采用加权法将第一产业的GDP数据展布至第一产业栅格，采用回归分析法建立夜间灯光数据与第二和第三产业GDP数据的关系，将第二和第三产业GDP数据展布至第二和第三产业栅格；输出初级低分辨率GDP空间展布数据；
步骤S3、针对研究区域和设定的洪涝风险等级，构建并使用水文水动力模型以第一精度进行模拟，输出每级洪涝风险的影响范围，结合影响范围分析第二和第三产业栅格的GDP面板数据的影响情况，以及影响范围内的POI的分布情况；
步骤S4、构建机器学习模块并训练，结合POI数据、初级低分辨率GDP空间展布数据、人口移动OD数据，以及每级洪涝风险的影响范围，输出次级高分辨率GDP空间展布数据，并提取GDP分布的核心区域；
步骤S5、基于次级高分辨率GDP空间展布数据，采用水文水动力模型，针对GDP核心区域，以第二精度进行模拟，并评估洪涝灾害的滞后效应、外溢效应和脆弱性；给出包含洪涝灾害对GDP影响程度信息在内的高精度GDP展布数据。
根据本申请的一个方面，所述步骤S1进一步为：
步骤S11、根据洪涝灾害的发生范围和影响程度，确定研究区域的边界，采用等经纬度投影，将研究区域划分为a×a大小的栅格单元，每个栅格单元有唯一的编号和坐标；a为预定的实数；
步骤S12、从各个数据源获取研究区域内的遥感影像数据、航拍数据、降雨数据、水文数据、GIS数据、夜间灯光数据、人口移动OD数据、POI数据和GDP面板数据，并作为研究数据，统一研究数据的数据格式和坐标系，按照栅格单元进行匹配和裁剪；
步骤S13、对研究数据进行包括去噪、缺失值填补、异常值处理、数据标准化和数据融合及分割在内的预处理操作。
根据本申请的一个方面，所述步骤S2进一步为：
步骤S21、利用GIS数据和POI数据，对研究区域的栅格进行聚类分析，根据土地利用类型、产业结构和经济活动，将栅格划分为用于代表农业、工业和服务业空间分布的第一产业栅格、第二产业栅格和第三产业栅格；
步骤S22、获取GDP面板数据，包括各行政区域、各行业和各年份的GDP数据，按照栅格所属的行政区域和行业进行汇总，得到每个栅格的GDP数据；
步骤S23、采用加权法将第一产业的GDP数据展布至第一产业栅格，根据栅格的面积、土地利用类型和农业生产能力，确定每个栅格的权重，按照权重分配GDP数据；
步骤S24、采用回归分析法建立夜间灯光数据与第二和第三产业GDP数据的关系，利用夜间灯光数据反映经济活动的强度和分布，根据各个行业的特点，从回归模型库中选择合适的回归模型，拟合回归模型，利用回归模型将第二和第三产业的GDP数据展布至第二和第三产业栅格；
步骤S25、输出初级低分辨率GDP空间展布数据，将每个栅格的GDP数据按照栅格编号和坐标保存为栅格文件，作为后续分析和模拟的输入数据。
根据本申请的一个方面，所述步骤S3进一步为：
步骤S31、根据研究区域的气象、水文和地形，从水文水动力模型库中选择合适的水文水动力模型，构建SWAT-MIKE21水文水动力模型、输入参数和边界条件；
步骤S32、根据洪涝灾害的发生频率和严重程度，设定不同的洪涝风险等级，分别对应不同的降雨强度和持续时间，以第一精度进行模拟，输出每级洪涝风险的影响范围，影响范围包括洪水淹没范围和深度；
步骤S33、结合影响范围和初级低分辨率GDP空间展布数据，分析第二和第三产业栅格的GDP面板数据的影响情况，根据洪水淹没范围和深度，以及栅格的经济活动类型和强度，计算每个栅格的直接经济损失，累加得到每级洪涝风险的总直接经济损失；
步骤S34、结合影响范围和POI数据，分析影响范围内的POI的分布情况，根据POI的类型、数量和重要性，评估每个栅格的社会经济影响，累加得到每级洪涝风险的总社会经济影响。
根据本申请的一个方面，所述步骤S4进一步为：
步骤S41、基于随机森林构建机器学习模块，定义模型的输入变量和输出变量，输入变量包括POI数据、初级低分辨率GDP空间展布数据、人口移动OD数据，以及每级洪涝风险的影响范围，输出变量包括次级高分辨率GDP空间展布数据；
步骤S42、调用预存储的历史数据，对机器学习模块进行训练，调整机器学习模块的参数和超参数，优化机器学习模块的性能，评估机器学习模块的误差和不确定性；参数和超参数包括树的数量、深度和分裂准则，性能包括准确度、稳定性和泛化能力，误差和不确定性包括均方误差和置信区间；
步骤S43、基于训练好的机器学习模块，对研究区域的栅格进行预测，输入POI数据、初级低分辨率GDP空间展布数据、人口移动OD数据，以及每级洪涝风险的影响范围，输出次级高分辨率GDP空间展布数据，即每个栅格的GDP数据，以提高GDP数据的空间分辨率和精度；
步骤S44、基于次级高分辨率GDP空间展布数据，提取GDP分布的核心区域，即构建GDP数据高于阈值的栅格集合，根据核心区域的大小、形状和位置，评估核心区域的经济重要性和洪涝灾害的敏感性，为后续的精细模拟和评估提供依据。
根据本申请的一个方面，所述步骤S5进一步为：
步骤S51、根据GDP分布的核心区域，将研究区域的栅格进一步细化，采用b×b大小的栅格单元，提高模拟的空间分辨率和精度；b为小于a的实数；
步骤S52、利用已构建的SWAT-MIKE21水文水动力模型，针对GDP核心区域，以第二精度进行模拟，输出每级洪涝风险的影响范围，以及洪水流速和流向；其中，第二精度大于第一精度；影响范围包括洪水淹没范围和深度；
步骤S53、基于次级高分辨率GDP空间展布数据，评估洪涝灾害的滞后效应，包括洪水退去后，经济活动恢复的速度和程度，根据洪水淹没的时间、深度和流速，以及栅格的经济活动类型和强度，计算每个栅格的经济恢复指数，反映洪涝灾害对经济活动的持续影响；
步骤S54、基于次级高分辨率GDP空间展布数据，评估洪涝灾害的外溢效应，包括洪涝灾害对周边区域的经济影响，根据洪水流向和流量，以及栅格的经济活动类型和强度，计算每个栅格的经济外溢指数，反映洪涝灾害对经济活动的扩散影响；
步骤S55、基于次级高分辨率GDP空间展布数据，评估社会经济的脆弱性，包括经济活动对洪涝灾害的敏感性和抵抗力，根据栅格的经济活动类型和强度，以及栅格的基础设施、公共服务和人口福利，计算每个栅格的经济脆弱指数，反映经济活动的易损性和恢复能力；
步骤S56、给出包含洪涝灾害对GDP影响程度信息在内的高精度GDP展布数据，将每个栅格的GDP数据、经济恢复指数、经济外溢指数和经济脆弱指数，按照栅格编号和坐标保存为栅格文件，作为输出数据。
根据本申请的一个方面，所述步骤S13中数据融合及分割的过程进一步为：
步骤S131、构建包含至少三个输入通道、两层卷积层和池化层在内的卷积神经网络，依序将时间对齐后的遥感影像数据、航拍数据和夜间灯光数据的RGB图层分别作为对应通道的输入张量；通过全连接层输出融合多源信息的输出张量，即为融合图像；
步骤S132、提取航拍数据的拍摄时段，并划分为若干子时段，依序分割每个子时段对应的融合图像，提取图像中的焦点区域及焦点区域的关联区域，获取焦点区域及关联区域的栅格信息；
所述步骤S21进一步为：
步骤S211、获取融合图像，计算融合图像的灰度直方图并编码，生成初始种群；
步骤S212、初始化遗传算法模块，并设定参数，执行遗传算法模块，获得分割阈值；
步骤S213、根据分割阈值处理待分割图像。
根据本申请的一个方面，所述步骤S32进一步为：
步骤S321、调取至少部分研究区域的遥感影像数据、降雨数据、水文数据和GIS数据，将研究时段分成洪涝时段和非洪涝时段；根据洪涝灾害标准，设定洪涝风险等级，以对应相应的降雨强度和持续时间；
步骤S322、针对每个洪涝时段，采将其分成M个洪涝过程，用水文水动力模型进行模拟，输出每个洪涝过程结束时的淹没范围模拟图；
步骤S323、查找洪涝过程结束时的遥感影像数据，并构建洪涝遥感图；计算淹没范围模拟图和洪涝遥感图的相似度，基于相似度评估和优化水文水动力模型参数，直至符合预期标准；
步骤S324、采用参数优化后的水文水动力模型，给出研究区域每级洪涝灾害每个洪涝时段的每个洪涝过程的影响范围，输出淹没范围模拟图；
所述步骤S33进一步为：
步骤S331、获取初级分辨率的GDP空间展布数据，并分成洪涝时段和非洪涝时段，形成研究区域每个影响范围内的GDP时间序列数据；
步骤S332、针对非洪涝时段，采用预配置的经济产出模型，将每个影响范围内的GDP时间序列数据展布到每个栅格的每个预定步长的时段中，形成非洪涝时段的高精度时空分布的GDP展布数据；
步骤S333、针对洪涝时段，基于预配置的经验模型，将每个影响范围内的GDP时间序列数据展布到每个栅格的每个洪涝过程中，形成洪涝时段的高精度时空分布的高电平展布数据；
步骤S334、根据洪涝过程参数，采用经济产出模型预测洪涝时段的GDP数据并计算洪涝时段的GDP数据和每个洪涝过程的GDP数据，并与洪涝时段的高精度时空分布的GDP展布数据对比，计算每个栅格的直接经济损失，累加得到每级洪涝风险的总直接经济损失；
所述步骤S34进一步为：
步骤S341、依序获取每个洪涝过程的淹没范围模拟图，并计算每个POI与淹没范围的关系，给出每个POI受洪涝的影响参数，形成该过程的POI影响参数矩阵；
步骤S342、累加计算各个洪涝过程的POI的影响参数，形成POI影响参数的时空分布矩阵；
步骤S343、读取POI的类型、数量和重要性，构建POI的权重系数矩阵；
步骤S344、将POI影响参数的时空分布矩阵与权重系数矩阵做哈达玛积，得到POI的整体影响；
步骤S345、获取研究区域范围内每个栅格中的POI的整体影响参数，以整体影响参数，评估每个栅格的社会经济影响，累加各个栅格的影响参数，得到每级洪涝风险的总社会经济影响。
根据本申请的一个方面，所述步骤S44还包括：
提取GDP分布核心区域，获取人口移动OD数据中与GDP分布核心区域关联的次级区域和GDP分布核心区域和次级区域之间的交通通道；
将交通通道区域与洪水淹没范围进行比较，获取重叠区域；
所述步骤S5还包括：
步骤S57、采用多准则决策分析方法，评估洪涝灾害对经济活动的影响。
根据本申请的另一个方面，还提供一种基于双精度GDP数据展布的洪涝灾害影响评估系统，包括：
至少一个处理器；以及
与至少一个所述处理器通信连接的存储器；其中，
所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现上述任一项技术方案所述的基于双精度GDP数据展布的洪涝灾害影响评估方法。
有益效果，通过双精度数据展布技术，大大提供了评估的时间和空间分辨率，为准确预报和评估洪涝灾害对经济的影响，提供了有效的技术方案。相关技术效果将在下文结合具体实施例描述。
附图说明
图1是本发明的流程图。
图2是本发明步骤S1的流程图。
图3是本发明步骤S2的流程图。
图4是本发明步骤S3的流程图。
图5是本发明步骤S4的流程图。
图6是本发明步骤S5的流程图。
具体实施方式
举例而言，在现有技术中，GDP的展布是将行政区域的年度GDP数据展布到空间上，基于展布后的GDP分布数据，结合水文水动力模型进行预报和分析。但是GDP数据是洪涝灾害时段和非洪涝灾害时段的年度积累值，将洪涝灾害造成的GDP数据展平到一年内，没有精细化反映洪涝灾害对GDP数据造成的波动。因此在空间和时间的分辨率是不够精细的，在后续进行防灾减灾预报时，给出的预报数据也是不准确的。因此
本申请给出了如下的解决方案。
如图1所示，根据本申请的一个方面，提供一种基于双精度GDP数据展布的洪涝灾害影响评估方法，包括如下步骤：
步骤S1、确定研究区域范围并栅格化，获取研究数据并预处理；所述研究数据包括遥感影像数据、航拍数据、降雨数据、水文数据、GIS数据、夜间灯光数据、人口移动OD数据、POI数据和GDP面板数据；
步骤S2、对研究区域的栅格进行聚类，获得第一产业栅格，以及第二和第三产业栅格；获取GDP面板数据，采用加权法将第一产业的GDP数据展布至第一产业栅格，采用回归分析法建立夜间灯光数据与第二和第三产业GDP数据的关系，将第二和第三产业GDP数据展布至第二和第三产业栅格；输出初级低分辨率GDP空间展布数据；
步骤S3、针对研究区域和设定的洪涝风险等级，构建并使用水文水动力模型以第一精度进行模拟，输出每级洪涝风险的影响范围，结合影响范围分析第二和第三产业栅格的GDP面板数据的影响情况，以及影响范围内的POI的分布情况；
步骤S4、构建机器学习模块并训练，结合POI数据、初级低分辨率GDP空间展布数据、人口移动OD数据，以及每级洪涝风险的影响范围，输出次级高分辨率GDP空间展布数据，并提取GDP分布的核心区域；
步骤S5、基于次级高分辨率GDP空间展布数据，采用水文水动力模型，针对GDP核心区域，以第二精度进行模拟，并评估洪涝灾害的滞后效应、外溢效应和脆弱性；给出包含洪涝灾害对GDP影响程度信息在内的高精度GDP展布数据。
在本实施例中，可以充分利用数据的信息量和信息质量，以提高洪涝灾害影响评估的数据基础和数据支撑。通过融合多源数据，可以有效地处理数据的不一致性和不完整性，以提高洪涝灾害影响评估的数据可靠性和数据有效性。将研究区域划分为若干个具有代表性和有效性的网格单元和分组，以便进行空间分析和分类分析。这样可以提高洪涝灾害影响评估的空间分辨率和空间差异性，以及为后续的GDP数据展布和洪涝灾害影响评估提供空间基础和空间框架。通过利用夜间灯光数据、人口移动OD数据和POI数据来辅助GDP数据展布，可以提高GDP数据展布的精度和稳定性，以及反映GDP分布的动态变化和结构差异。通过从初级低分辨率GDP空间展布数据提升到次级高分辨率GDP空间展布数据，可以提高GDP数据展布的分辨率和精度，以及反映GDP分布的细节和核心。本实施例可以提高洪涝过程的模拟精度和效率，以及模拟准确性和稳定性。通过根据不同的洪涝风险等级和GDP核心区域，以不同的精度进行模拟，以及评估和优化模型的性能，可以提高洪涝过程的模拟分辨率和精度，以及反映洪涝过程的复杂性和敏感性。本实施例提高了评估的全面性和客观性，以及评估的可比性和可信度。通过评估洪涝灾害的滞后效应、外溢效应和脆弱性，以及采用多准则决策分析方法，可以提高评估的深度和广度，以及反映洪涝灾害对经济活动的持续影响和扩散影响。
如图2所示，根据本申请的一个方面，所述步骤S1进一步为：
步骤S11、根据洪涝灾害的发生范围和影响程度，确定研究区域的边界，采用等经纬度投影，将研究区域划分为a×a大小的栅格单元，每个栅格单元有唯一的编号和坐标；a为预定的实数；
步骤S12、从各个数据源获取研究区域内的遥感影像数据、航拍数据、降雨数据、水文数据、GIS数据、夜间灯光数据、人口移动OD数据、POI数据和GDP面板数据，并作为研究数据，统一研究数据的数据格式和坐标系，按照栅格单元进行匹配和裁剪；
步骤S13、对研究数据进行包括去噪、缺失值填补、异常值处理、数据标准化和数据融合及分割在内的预处理操作。
根据本申请的一个方面，所述步骤S13中数据融合及分割的过程进一步为：
步骤S131、构建包含至少三个输入通道、两层卷积层和池化层在内的卷积神经网络，依序将时间对齐后的遥感影像数据、航拍数据和夜间灯光数据的RGB图层分别作为对应通道的输入张量；通过全连接层输出融合多源信息的输出张量，即为融合图像；
步骤S132、提取航拍数据的拍摄时段，并划分为若干子时段，依序分割每个子时段对应的融合图像，提取图像中的焦点区域及焦点区域的关联区域，获取焦点区域及关联区域的栅格信息。
在本实施例中，利用卷积神经网络，实现遥感影像数据、航拍数据和夜间灯光数据的自动融合，提取多源信息的共性和差异性特征，增强数据的表达能力和信息量。利用航拍数据的拍摄时段，实现融合图像的动态分割，提取图像中的焦点区域及关联区域，获取洪涝灾害的时空分布特征，增强数据的动态性和关联性。将航拍数据的拍摄时段作为融合图像的分割依据，实现了洪涝灾害评估的时空动态分析，提高了洪涝灾害评估的时效性和灵敏性。因此，在本实施例中，提供了数据处理基础，为后续实现的技术效果和优势奠定基础。可以实现对洪涝灾害的快速、准确和全面的评估，为防灾减灾的决策部署和灾后恢复重建提供科学依据和技术支持；可以实现对洪涝灾害的动态监测和预警，为洪涝灾害的防范和应对提供及时有效的信息和指导。
如图3所示，根据本申请的一个方面，所述步骤S2进一步为：
步骤S21、利用GIS数据和POI数据，对研究区域的栅格进行聚类分析，根据土地利用类型、产业结构和经济活动，将栅格划分为用于代表农业、工业和服务业空间分布的第一产业栅格、第二产业栅格和第三产业栅格；
步骤S22、获取GDP面板数据，包括各行政区域、各行业和各年份的GDP数据，按照栅格所属的行政区域和行业进行汇总，得到每个栅格的GDP数据；
步骤S23、采用加权法将第一产业的GDP数据展布至第一产业栅格，根据栅格的面积、土地利用类型和农业生产能力，确定每个栅格的权重，按照权重分配GDP数据；
步骤S24、采用回归分析法建立夜间灯光数据与第二和第三产业GDP数据的关系，利用夜间灯光数据反映经济活动的强度和分布，根据各个行业的特点，从回归模型库中选择合适的回归模型，拟合回归模型，利用回归模型将第二和第三产业的GDP数据展布至第二和第三产业栅格；
步骤S25、输出初级低分辨率GDP空间展布数据，将每个栅格的GDP数据按照栅格编号和坐标保存为栅格文件，作为后续分析和模拟的输入数据。
所述步骤S21进一步为：
步骤S211、获取融合图像，计算融合图像的灰度直方图并编码，生成初始种群；
步骤S212、初始化遗传算法模块，并设定参数，执行遗传算法模块，获得分割阈值；
步骤S213、根据分割阈值处理待分割图像。
在本实施例中，能够利用多源数据，综合考虑土地利用类型、产业结构和经济活动的影响，实现GDP数据的空间展布，提高GDP空间分布的精度和可信度。通过加权法和回归分析法，分别针对第一产业和第二、第三产业的特点，选择合适的权重和回归模型，避免了传统方法中的均值分配法和比例分配法的局限性，提高了GDP空间分布的合理性和科学性。采用遗传算法，根据融合图像的灰度直方图，自动确定分割阈值，避免了人为干预和主观判断的影响，提高了栅格聚类分析的客观性和自动化程度。
如图4所示，根据本申请的一个方面，所述步骤S3进一步为：
步骤S31、根据研究区域的气象、水文和地形，从水文水动力模型库中选择合适的水文水动力模型，构建SWAT-MIKE21水文水动力模型、输入参数和边界条件；
步骤S32、根据洪涝灾害的发生频率和严重程度，设定不同的洪涝风险等级，分别对应不同的降雨强度和持续时间，以第一精度进行模拟，输出每级洪涝风险的影响范围，影响范围包括洪水淹没范围和深度；
步骤S33、结合影响范围和初级低分辨率GDP空间展布数据，分析第二和第三产业栅格的GDP面板数据的影响情况，根据洪水淹没范围和深度，以及栅格的经济活动类型和强度，计算每个栅格的直接经济损失，累加得到每级洪涝风险的总直接经济损失；
步骤S34、结合影响范围和POI数据，分析影响范围内的POI的分布情况，根据POI的类型、数量和重要性，评估每个栅格的社会经济影响，累加得到每级洪涝风险的总社会经济影响。
根据本申请的一个方面，所述步骤S32进一步为：
步骤S321、调取至少部分研究区域的遥感影像数据、降雨数据、水文数据和GIS数据，将研究时段分成洪涝时段和非洪涝时段；根据洪涝灾害标准，设定洪涝风险等级，以对应相应的降雨强度和持续时间；
从各个数据源获取研究区域内的遥感影像数据、降雨数据、水文数据和GIS数据，统一数据的格式和坐标系，按照栅格单元进行匹配和裁剪； 根据研究区域的气象、水文和地形特征，选择合适的洪涝灾害标准，如洪水位、洪水流量、洪水频率等，确定洪涝风险等级，如低、中、高等； 根据洪涝风险等级，设定相应的降雨强度和持续时间，如50年一遇、100年一遇等，将研究时段分成洪涝时段和非洪涝时段，如洪涝时段为降雨开始到结束，非洪涝时段为降雨前后的平常时段；输出每个洪涝风险等级对应的降雨强度和持续时间，以及每个洪涝时段和非洪涝时段的起止时间，作为后续模拟的输入数据。
步骤S322、针对每个洪涝时段，采将其分成M个洪涝过程，用水文水动力模型进行模拟，输出每个洪涝过程结束时的淹没范围模拟图；
从水文水动力模型库中选择合适的水文水动力模型，构建模型的输入参数和边界条件，如降雨数据、水文数据、DEM数据、土地利用数据等；针对每个洪涝时段，将其分成M个洪涝过程，如每个洪涝过程为1小时，用水文水动力模型进行模拟，计算每个洪涝过程结束时的洪水流量、流速、流向和淹没范围；输出每个洪涝过程结束时的淹没范围模拟图，如栅格文件或矢量文件，表示每个栅格单元的淹没深度和范围，作为后续分析的输入数据。
步骤S323、查找洪涝过程结束时的遥感影像数据，并构建洪涝遥感图；计算淹没范围模拟图和洪涝遥感图的相似度，基于相似度评估和优化水文水动力模型参数，直至符合预期标准；
查找洪涝过程结束时的遥感影像数据，如卫星影像或无人机影像，获取洪涝灾害的实际影响范围，进行图像处理，如去噪、增强、分割等，构建洪涝遥感图，如二值图，表示每个栅格单元是否被淹没； 计算淹没范围模拟图和洪涝遥感图的相似度，如混淆矩阵、Kappa系数、精度、召回率等，评估水文水动力模型的性能，如准确度、稳定性和泛化能力； 基于相似度，调整水文水动力模型的参数和超参数，如栅格大小、时间步长、水文参数、水动力参数等，优化模型的性能，直至符合预期标准，如相似度达到一定阈值或误差在一定范围内。
步骤S324、采用参数优化后的水文水动力模型，给出研究区域每级洪涝灾害每个洪涝时段的每个洪涝过程的影响范围，输出淹没范围模拟图；
采用参数优化后的水文水动力模型，针对每级洪涝灾害，给出每个洪涝时段的每个洪涝过程的影响范围，即每个栅格单元的淹没深度和范围； 输出淹没范围模拟图，如栅格文件或矢量文件，表示每级洪涝灾害每个洪涝时段的每个洪涝过程的淹没深度和范围，作为后续分析的输入数据。
所述步骤S33进一步为：
步骤S331、获取初级分辨率的GDP空间展布数据，并分成洪涝时段和非洪涝时段，形成研究区域每个影响范围内的GDP时间序列数据；
读取初级分辨率的GDP空间展布数据，如栅格文件，获取每个栅格单元的GDP数据，按照栅格编号和坐标进行排序；根据洪涝时段和非洪涝时段的起止时间，将GDP数据分成两部分，分别对应洪涝时段和非洪涝时段的GDP数据；根据每级洪涝风险的影响范围，将GDP数据分成若干个子集，分别对应每个影响范围内的GDP数据，形成每个影响范围内的GDP时间序列数据，作为后续分析的输入数据。
步骤S332、针对非洪涝时段，采用预配置的经济产出模型，将每个影响范围内的GDP时间序列数据展布到每个栅格的每个预定步长的时段中，形成非洪涝时段的高精度时空分布的GDP展布数据；
从经济产出模型库中选择合适的经济产出模型，如Cobb-Douglas生产函数，构建模型的输入参数和输出参数，如资本、劳动、技术等；针对非洪涝时段，将其分成若干个预定步长的时段，如每个时段为1小时，用经济产出模型进行模拟，计算每个时段的GDP数据，即每个栅格单元的经济产出；输出非洪涝时段的高精度时空分布的GDP展布数据，如栅格文件，表示每个栅格单元的每个时段的GDP数据，作为后续分析的输入数据。
步骤S333、针对洪涝时段，基于预配置的经验模型，将每个影响范围内的GDP时间序列数据展布到每个栅格的每个洪涝过程中，形成洪涝时段的高精度时空分布的高电平展布数据；
从经验模型库中选择合适的经验模型，如灰色系统理论，构建模型的输入参数和输出参数，如洪水淹没的时间、深度和流速等； 针对洪涝时段，将其分成若干个洪涝过程，如每个洪涝过程为1小时，用经验模型进行模拟，计算每个洪涝过程的GDP数据，即每个栅格单元的经济损失； 输出洪涝时段的高精度时空分布的高电平展布数据，如栅格文件，表示每个栅格单元的每个洪涝过程的GDP数据，作为后续分析的输入数据。
步骤S334、根据洪涝过程参数，采用经济产出模型预测洪涝时段的GDP数据并计算洪涝时段的GDP数据和每个洪涝过程的GDP数据，并与洪涝时段的高精度时空分布的GDP展布数据对比，计算每个栅格的直接经济损失，累加得到每级洪涝风险的总直接经济损失；
根据洪涝过程参数，如洪水淹没的时间、深度和流速，采用经济产出模型预测洪涝时段的GDP数据，即每个栅格单元的经济恢复情况； 计算洪涝时段的GDP数据和每个洪涝过程的GDP数据的差值，即每个栅格单元的直接经济损失； 与洪涝时段的高精度时空分布的GDP展布数据对比，评估经济损失的准确度和可靠性，如误差分析、敏感性分析。累加每个栅格单元的直接经济损失，得到每级洪涝风险的总直接经济损失，作为后续分析的输入数据。
所述步骤S34进一步为：
步骤S341、依序获取每个洪涝过程的淹没范围模拟图，并计算每个POI与淹没范围的关系，给出每个POI受洪涝的影响参数，形成该过程的POI影响参数矩阵；
读取POI数据，如栅格文件或矢量文件，获取每个POI的类型、数量和坐标，按照POI的编号进行排序；依序获取每个洪涝过程的淹没范围模拟图，如栅格文件或矢量文件，获取每个栅格单元的淹没深度和范围，按照栅格的编号和坐标进行排序； 计算每个POI与淹没范围的关系，如是否被淹没、淹没的程度和时间等，给出每个POI受洪涝的影响参数，如影响等级、影响时长等；形成该过程的POI影响参数矩阵，如二维数组，表示每个POI的影响参数，作为后续分析的输入数据。
步骤S342、累加计算各个洪涝过程的POI的影响参数，形成POI影响参数的时空分布矩阵；
读取每个洪涝过程的POI影响参数矩阵，如二维数组，获取每个POI的影响参数，按照POI的编号进行排序；累加计算各个洪涝过程的POI的影响参数，如求和、平均、最大、最小等，形成POI影响参数的时空分布矩阵，如二维数组，表示每个POI在整个洪涝时段的影响参数，作为后续分析的输入数据。
步骤S343、读取POI的类型、数量和重要性，构建POI的权重系数矩阵；
读取POI的类型、数量和重要性，如栅格文件或矢量文件，获取每个POI的相关属性，按照POI的编号进行排序； 根据POI的类型、数量和重要性，构建POI的权重系数矩阵，如二维数组，表示每个POI的权重系数，反映POI对社会经济活动的贡献和影响，作为后续分析的输入数据。
步骤S344、将POI影响参数的时空分布矩阵与权重系数矩阵做哈达玛积，得到POI的整体影响；
读取POI影响参数的时空分布矩阵，如二维数组，获取每个POI在整个洪涝时段的影响参数，按照POI的编号进行排序； 读取POI的权重系数矩阵，如二维数组，获取每个POI的权重系数，按照POI的编号进行排序； 将POI影响参数的时空分布矩阵与权重系数矩阵做哈达玛积，即对应元素相乘，得到POI的整体影响，如二维数组，表示每个POI在整个洪涝时段的整体影响，作为后续分析的输入数据。
步骤S345、获取研究区域范围内每个栅格中的POI的整体影响参数，以整体影响参数，评估每个栅格的社会经济影响，累加各个栅格的影响参数，得到每级洪涝风险的总社会经济影响。
具体地，获取研究区域范围内每个栅格中的POI的整体影响参数，如栅格文件或矢量文件，获取每个栅格单元中的POI的整体影响，按照栅格的编号和坐标进行排序； 以整体影响参数，评估每个栅格的社会经济影响，如根据整体影响参数的大小、正负和变化，判断每个栅格的社会经济活动的受损程度和恢复情况； 累加各个栅格的社会经济影响，得到每级洪涝风险的总社会经济影响，作为后续分析的输入数据。
在本实施例中，能够综合考虑洪涝灾害的发生频率、严重程度、影响范围、影响深度等多个因素，从直接经济损失和社会经济影响两个维度，量化评估每级洪涝风险的损失程度，为洪涝灾害的防治和减灾提供科学依据。采用SWAT-MIKE21水文水动力模型，能够模拟流域的水文过程和水动力过程，反映洪涝灾害的发生机制和演变规律。还利用了遥感影像数据，通过计算淹没范围模拟图和洪涝遥感图的相似度，对水文水动力模型参数进行优化，提高了模拟的精度和可靠性。能够输出每级洪涝风险的影响范围、淹没范围、淹没深度、直接经济损失、社会经济影响等多个指标，形成洪涝风险分级图、洪涝风险区划图、洪涝风险损失图等多种图形，直观地展示洪涝灾害的风险状况和损失情况。创新地将初级低分辨率的GDP空间展布数据，通过经济产出模型和经验模型，展布到高精度时空分布的GDP展布数据，实现了GDP数据的空间化和动态化。创新地利用POI数据，结合POI的类型、数量和重要性，评估了洪涝灾害对社会经济的影响，实现了社会经济影响的量化和细化。
如图5所示，根据本申请的一个方面，所述步骤S4进一步为：
步骤S41、基于随机森林构建机器学习模块，定义模型的输入变量和输出变量，输入变量包括POI数据、初级低分辨率GDP空间展布数据、人口移动OD数据，以及每级洪涝风险的影响范围，输出变量包括次级高分辨率GDP空间展布数据；
读取POI数据，如栅格文件或矢量文件，获取每个POI的类型、数量和坐标，按照POI的编号进行排序；读取初级低分辨率GDP空间展布数据，如栅格文件或矢量文件，获取每个栅格单元的GDP数据，按照栅格的编号和坐标进行排序；读取人口移动OD数据，如栅格文件或矢量文件，获取每个栅格单元的人口流入和流出量，按照栅格的编号和坐标进行排序；读取每级洪涝风险的影响范围，如栅格文件或矢量文件，获取每个栅格单元的洪涝风险等级，按照栅格的编号和坐标进行排序；将POI数据、初级低分辨率GDP空间展布数据、人口移动OD数据，以及每级洪涝风险的影响范围，作为输入变量，合并成一个二维数组，表示每个栅格单元的输入特征向量；读取次级高分辨率GDP空间展布数据，如栅格文件或矢量文件，获取每个栅格单元的GDP数据，按照栅格的编号和坐标进行排序；将次级高分辨率GDP空间展布数据，作为输出变量，形成一个一维数组，表示每个栅格单元的输出标签；基于随机森林算法，构建机器学习模块，将输入变量和输出变量作为训练数据，训练机器学习模块，得到一个能够根据输入变量预测输出变量的模型。利用随机森林算法，POI数据、初级低分辨率GDP空间展布数据、人口移动OD数据，以及每级洪涝风险的影响范围，作为输入变量，预测次级高分辨率GDP空间展布数据，即每个栅格的GDP数据，以提高GDP数据的空间分辨率和精度。
步骤S42、调用预存储的历史数据，对机器学习模块进行训练，调整机器学习模块的参数和超参数，优化机器学习模块的性能，评估机器学习模块的误差和不确定性；参数和超参数包括树的数量、深度和分裂准则，性能包括准确度、稳定性和泛化能力，误差和不确定性包括均方误差和置信区间；
调用预存储的历史数据，如栅格文件或矢量文件，获取每个栅格单元的输入变量和输出变量，按照栅格的编号和坐标进行排序；将历史数据分成训练集和测试集，如按照8:2的比例，用训练集对机器学习模块进行训练，用测试集对机器学习模块进行验证；调整机器学习模块的参数和超参数，如树的数量、深度和分裂准则，用网格搜索、交叉验证等方法，找到最优的参数和超参数组合，优化机器学习模块的性能；评估机器学习模块的性能，如准确度、稳定性和泛化能力，用指标如均方误差、R方、方差等，衡量机器学习模块的预测能力和误差范围，用图表如散点图、残差图、学习曲线等，展示机器学习模块的拟合情况和误差分布；评估机器学习模块的误差和不确定性，如均方误差和置信区间，用统计方法如自助法、Jackknife法等，计算机器学习模块的误差和不确定性，用图表如误差棒、箱线图等，展示机器学习模块的误差和不确定性的大小和范围。
利用随机森林算法，利用历史数据，训练和验证机器学习模块，得到一个能够根据输入变量预测输出变量的高性能模型，同时能够评估和展示模型的误差和不确定性，为后续的预测和评估提供可信的依据。
步骤S43、基于训练好的机器学习模块，对研究区域的栅格进行预测，输入POI数据、初级低分辨率GDP空间展布数据、人口移动OD数据，以及每级洪涝风险的影响范围，输出次级高分辨率GDP空间展布数据，即每个栅格的GDP数据，以提高GDP数据的空间分辨率和精度；
读取POI数据，如栅格文件或矢量文件，获取每个POI的类型、数量和坐标，按照POI的编号进行排序; 读取初级低分辨率GDP空间展布数据，如栅格文件或矢量文件，获取每个栅格单元的GDP数据，按照栅格的编号和坐标进行排序; 读取人口移动OD数据，如栅格文件或矢量文件，获取每个栅格单元的人口流入和流出量，按照栅格的编号和坐标进行排序:读取每级洪涝风险的影响范围，如栅格文件或矢量文件，获取每个栅格单元的洪涝风险等级，按照栅格的编号和坐标进行排序; 将POI数据、初级低分辨率GDP空间展布数据、人口移动OD数据，以及每级洪涝风险的影响范围，作为输入变量，合并成一个二维数组，表示每个栅格单元的输入特征向量; 调用训练好的机器学习模块，对每个栅格单元的输入特征向量进行预测，得到每个栅格单元的输出标签，即每个栅格单元的GDP数据; 输出次级高分辨率GDP空间展布数据，如栅格文件或矢量文件，表示每个栅格单元的GDP数据，作为后续分析的输入数据。
利用随机森林算法，利用POI数据、初级低分辨率GDP空间展布数据、人口移动OD数据，以及每级洪涝风险的影响范围，作为输入变量，预测次级高分辨率GDP空间展布数据，即每个栅格的GDP数据，以提高GDP数据的空间分辨率和精度。
步骤S44、基于次级高分辨率GDP空间展布数据，提取GDP分布的核心区域，即构建GDP数据高于阈值的栅格集合，根据核心区域的大小、形状和位置，评估核心区域的经济重要性和洪涝灾害的敏感性，为后续的精细模拟和评估提供依据。
读取次级高分辨率GDP空间展布数据，如栅格文件或矢量文件，获取每个栅格单元的GDP数据，按照栅格的编号和坐标进行排序；根据GDP数据的分布特征，确定一个合适的阈值，如平均值、中位数、百分位数等，用于提取GDP分布的核心区域；提取GDP数据高于阈值的栅格集合，如栅格文件或矢量文件，表示GDP分布的核心区域，作为后续分析的输入数据；根据核心区域的大小、形状和位置，评估核心区域的经济重要性和洪涝灾害的敏感性，如用核心区域的面积、周长、形状指数、重心坐标等指标，反映核心区域的经济规模、集聚程度、空间分布等特征，用核心区域与洪涝风险范围的重叠度、相对位置等指标，反映核心区域的洪涝风险水平、暴露程度等特征，为后续的精细模拟和评估提供依据。利用次级高分辨率GDP空间展布数据，提取GDP分布的核心区域，即构建GDP数据高于阈值的栅格集合，根据核心区域的大小、形状和位置，评估核心区域的经济重要性和洪涝灾害的敏感性，为后续的精细模拟和评估提供依据。
根据本申请的一个方面，所述步骤S44还包括：
提取GDP分布核心区域，获取人口移动OD数据中与GDP分布核心区域关联的次级区域和GDP分布核心区域和次级区域之间的交通通道；
将交通通道区域与洪水淹没范围进行比较，获取重叠区域；
在本实施例中，通过多源数据，包括POI数据、初级低分辨率GDP空间展布数据、人口移动OD数据，以及每级洪涝风险的影响范围，综合考虑了经济活动、人口流动和洪涝风险的影响因素，提高了GDP数据的空间分辨率和精度，从而更准确地反映了研究区域的经济状况和洪涝灾害的潜在损失。通过随机森林作为机器学习模块，通过投票或平均的方式输出预测结果，具有高准确度、高稳定性和高泛化能力的特点，能够处理高维度、非线性和缺失值的数据，适用于复杂的数据挖掘任务。总之，能够生成次级高分辨率GDP空间展布数据，即每个栅格的GDP数据，以及GDP分布的核心区域，即GDP数据高于阈值的栅格集合，这些数据可以用于评估研究区域的经济重要性和洪涝灾害的敏感性，为后续的精细模拟和评估提供依据。例如，可以根据GDP分布的核心区域，获取人口移动OD数据中与GDP分布核心区域关联的次级区域和GDP分布核心区域和次级区域之间的交通通道，然后将交通通道区域与洪水淹没范围进行比较，获取重叠区域，从而评估洪涝灾害对交通运输的影响。
如图6所示，根据本申请的一个方面，所述步骤S5进一步为：
步骤S51、根据GDP分布的核心区域，将研究区域的栅格进一步细化，采用b×b大小的栅格单元，提高模拟的空间分辨率和精度；b为小于a的实数；
步骤S52、利用已构建的SWAT-MIKE21水文水动力模型，针对GDP核心区域，以第二精度进行模拟，输出每级洪涝风险的影响范围，以及洪水流速和流向；其中，第二精度大于第一精度；影响范围包括洪水淹没范围和深度；
步骤S53、基于次级高分辨率GDP空间展布数据，评估洪涝灾害的滞后效应，包括洪水退去后，经济活动恢复的速度和程度，根据洪水淹没的时间、深度和流速，以及栅格的经济活动类型和强度，计算每个栅格的经济恢复指数，反映洪涝灾害对经济活动的持续影响；
步骤S54、基于次级高分辨率GDP空间展布数据，评估洪涝灾害的外溢效应，包括洪涝灾害对周边区域的经济影响，根据洪水流向和流量，以及栅格的经济活动类型和强度，计算每个栅格的经济外溢指数，反映洪涝灾害对经济活动的扩散影响；
步骤S55、基于次级高分辨率GDP空间展布数据，评估社会经济的脆弱性，包括经济活动对洪涝灾害的敏感性和抵抗力，根据栅格的经济活动类型和强度，以及栅格的基础设施、公共服务和人口福利，计算每个栅格的经济脆弱指数，反映经济活动的易损性和恢复能力；
步骤S56、给出包含洪涝灾害对GDP影响程度信息在内的高精度GDP展布数据，将每个栅格的GDP数据、经济恢复指数、经济外溢指数和经济脆弱指数，按照栅格编号和坐标保存为栅格文件，作为输出数据。
所述步骤S5还包括：
步骤S57、采用多准则决策分析方法，评估洪涝灾害对经济活动的影响。
在本实施例中，能够综合考虑洪涝灾害的直接影响和间接影响，包括滞后效应和外溢效应，以及经济活动的脆弱性，从而更全面、更准确地评估洪涝灾害对GDP的影响程度，为洪涝灾害的防治和经济恢复提供科学依据。利用高分辨率的GDP空间展布数据，提高模拟的空间分辨率和精度，更细致地反映经济活动的空间分布和差异，以及洪涝灾害的空间分布和差异，从而更精细地评估洪涝灾害对经济活动的影响。本实施例能够给出包含洪涝灾害对GDP影响程度信息在内的高精度GDP展布数据，以栅格文件的形式输出，方便后续的数据分析和可视化，也可以作为其他模型的输入数据，提高模型的适用性和可靠性。在现有的SWAT-MIKE21水文水动力模型的基础上，引入了经济恢复指数、经济外溢指数和经济脆弱指数等新的指标，以量化洪涝灾害对经济活动的持续影响、扩散影响和易损性，从而增加了模型的复杂性和实用性。此外，该方案还采用了多准则决策分析方法，综合考虑了不同指标的权重和偏好，以得出更合理和客观的评估结果。
根据本申请的另一个方面，还提供一种基于双精度GDP数据展布的洪涝灾害影响评估系统，包括：
至少一个处理器；以及
与至少一个所述处理器通信连接的存储器；其中，
所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现上述任一项技术方案所述的基于双精度GDP数据展布的洪涝灾害影响评估方法。
以上详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种等同变换，这些等同变换均属于本发明的保护范围。
Claims (2)
1.基于双精度GDP数据展布的洪涝灾害影响评估方法，其特征在于，包括如下步骤：
步骤S1、确定研究区域范围并栅格化，获取研究数据并预处理；所述研究数据包括遥感影像数据、航拍数据、降雨数据、水文数据、GIS数据、夜间灯光数据、人口移动OD数据、POI数据和GDP面板数据；
步骤S2、对研究区域的栅格进行聚类，获得第一产业栅格，以及第二和第三产业栅格；获取GDP面板数据，采用加权法将第一产业的GDP数据展布至第一产业栅格，采用回归分析法建立夜间灯光数据与第二和第三产业GDP数据的关系，将第二和第三产业GDP数据展布至第二和第三产业栅格；输出初级低分辨率GDP空间展布数据；
步骤S3、针对研究区域和设定的洪涝风险等级，构建并使用水文水动力模型以第一精度进行模拟，输出每级洪涝风险的影响范围，结合影响范围分析第二和第三产业栅格的GDP面板数据的影响情况，以及影响范围内的POI的分布情况；
步骤S4、构建机器学习模块并训练，结合POI数据、初级低分辨率GDP空间展布数据、人口移动OD数据，以及每级洪涝风险的影响范围，输出次级高分辨率GDP空间展布数据，并提取GDP分布的核心区域；
步骤S5、基于次级高分辨率GDP空间展布数据，采用水文水动力模型，针对GDP核心区域，以第二精度进行模拟，并评估洪涝灾害的滞后效应、外溢效应和脆弱性；给出包含洪涝灾害对GDP影响程度信息在内的高精度GDP展布数据；
所述步骤S1进一步为：
步骤S11、根据洪涝灾害的发生范围和影响程度，确定研究区域的边界，采用等经纬度投影，将研究区域划分为a×a大小的栅格单元，每个栅格单元有唯一的编号和坐标；a为预定的实数；
步骤S12、从各个数据源获取研究区域内的遥感影像数据、航拍数据、降雨数据、水文数据、GIS数据、夜间灯光数据、人口移动OD数据、POI数据和GDP面板数据，并作为研究数据，统一研究数据的数据格式和坐标系，按照栅格单元进行匹配和裁剪；
步骤S13、对研究数据进行包括去噪、缺失值填补、异常值处理、数据标准化和数据融合及分割在内的预处理操作；
所述步骤S2进一步为：
步骤S21、利用GIS数据和POI数据，对研究区域的栅格进行聚类分析，根据土地利用类型、产业结构和经济活动，将栅格划分为用于代表农业、工业和服务业空间分布的第一产业栅格、第二产业栅格和第三产业栅格；
步骤S22、获取GDP面板数据，包括各行政区域、各行业和各年份的GDP数据，按照栅格所属的行政区域和行业进行汇总，得到每个栅格的GDP数据；
步骤S23、采用加权法将第一产业的GDP数据展布至第一产业栅格，根据栅格的面积、土地利用类型和农业生产能力，确定每个栅格的权重，按照权重分配GDP数据；
步骤S24、采用回归分析法建立夜间灯光数据与第二和第三产业GDP数据的关系，利用夜间灯光数据反映经济活动的强度和分布，根据各个行业的特点，从回归模型库中选择合适的回归模型，拟合回归模型，利用回归模型将第二和第三产业的GDP数据展布至第二和第三产业栅格；
步骤S25、输出初级低分辨率GDP空间展布数据，将每个栅格的GDP数据按照栅格编号和坐标保存为栅格文件，作为后续分析和模拟的输入数据；
所述步骤S3进一步为：
步骤S31、根据研究区域的气象、水文和地形特点，从水文水动力模型库中选择合适的水文水动力模型，构建SWAT-MIKE21水文水动力模型、输入参数和边界条件；
步骤S32、根据洪涝灾害的发生频率和严重程度，设定不同的洪涝风险等级，分别对应不同的降雨强度和持续时间，以第一精度进行模拟，输出每级洪涝风险的影响范围，影响范围包括洪水淹没范围和深度；
步骤S33、结合影响范围和初级低分辨率GDP空间展布数据，分析第二和第三产业栅格的GDP面板数据的影响情况，根据洪水淹没范围和深度，以及栅格的经济活动类型和强度，计算每个栅格的直接经济损失，累加得到每级洪涝风险的总直接经济损失；
步骤S34、结合影响范围和POI数据，分析影响范围内的POI的分布情况，根据POI的类型、数量和重要性，评估每个栅格的社会经济影响，累加得到每级洪涝风险的总社会经济影响；
所述步骤S4进一步为：
步骤S41、基于随机森林构建机器学习模块，定义模型的输入变量和输出变量，输入变量包括POI数据、初级低分辨率GDP空间展布数据、人口移动OD数据，以及每级洪涝风险的影响范围，输出变量包括次级高分辨率GDP空间展布数据；
步骤S42、调用预存储的历史数据，对机器学习模块进行训练，调整机器学习模块的参数和超参数，优化机器学习模块的性能，评估机器学习模块的误差和不确定性；参数和超参数包括树的数量、深度和分裂准则，性能包括准确度、稳定性和泛化能力，误差和不确定性包括均方误差和置信区间；
步骤S43、基于训练好的机器学习模块，对研究区域的栅格进行预测，输入POI数据、初级低分辨率GDP空间展布数据、人口移动OD数据，以及每级洪涝风险的影响范围，输出次级高分辨率GDP空间展布数据，即每个栅格的GDP数据，以提高GDP数据的空间分辨率和精度；
步骤S44、基于次级高分辨率GDP空间展布数据，提取GDP分布的核心区域，即构建GDP数据高于阈值的栅格集合，根据核心区域的大小、形状和位置，评估核心区域的经济重要性和洪涝灾害的敏感性，为后续的精细模拟和评估提供依据；
所述步骤S5进一步为：
步骤S51、根据GDP分布的核心区域，将研究区域的栅格进一步细化，采用b×b大小的栅格单元，提高模拟的空间分辨率和精度；b为小于a的实数；
步骤S52、利用已构建的SWAT-MIKE21水文水动力模型，针对GDP核心区域，以第二精度进行模拟，输出每级洪涝风险的影响范围，以及洪水流速和流向；其中，第二精度大于第一精度；影响范围包括洪水淹没范围和深度；
步骤S53、基于次级高分辨率GDP空间展布数据，评估洪涝灾害的滞后效应，包括洪水退去后，经济活动恢复的速度和程度，根据洪水淹没的时间、深度和流速，以及栅格的经济活动类型和强度，计算每个栅格的经济恢复指数，反映洪涝灾害对经济活动的持续影响；
步骤S54、基于次级高分辨率GDP空间展布数据，评估洪涝灾害的外溢效应，包括洪涝灾害对周边区域的经济影响，根据洪水流向和流量，以及栅格的经济活动类型和强度，计算每个栅格的经济外溢指数，反映洪涝灾害对经济活动的扩散影响；
步骤S55、基于次级高分辨率GDP空间展布数据，评估社会经济的脆弱性，包括经济活动对洪涝灾害的敏感性和抵抗力，根据栅格的经济活动类型和强度，以及栅格的基础设施、公共服务和人口福利，计算每个栅格的经济脆弱指数，反映经济活动的易损性和恢复能力；
步骤S56、给出包含洪涝灾害对GDP影响程度信息在内的高精度GDP展布数据，将每个栅格的GDP数据、经济恢复指数、经济外溢指数和经济脆弱指数，按照栅格编号和坐标保存为栅格文件，作为输出数据；
所述步骤S13中数据融合及分割的过程进一步为：
步骤S131、构建包含至少三个输入通道、两层卷积层和池化层在内的卷积神经网络，依序将时间对齐后的遥感影像数据、航拍数据和夜间灯光数据的RGB图层分别作为对应通道的输入张量；通过全连接层输出融合多源信息的输出张量，即为融合图像；
步骤S132、提取航拍数据的拍摄时段，并划分为若干子时段，依序分割每个子时段对应的融合图像，提取图像中的焦点区域及焦点区域的关联区域，获取焦点区域及关联区域的栅格信息；
所述步骤S21进一步为：
步骤S211、获取融合图像，计算融合图像的灰度直方图并编码，生成初始种群；
步骤S212、初始化遗传算法模块，并设定参数，执行遗传算法模块，获得分割阈值；
步骤S213、根据分割阈值处理待分割图像；
所述步骤S32进一步为：
步骤S321、调取研究区域的遥感影像数据、降雨数据、水文数据和GIS数据，将研究时段分成洪涝时段和非洪涝时段；根据洪涝灾害标准，设定洪涝风险等级，以对应相应的降雨强度和持续时间；
步骤S322、针对每个洪涝时段，将其分成M个洪涝过程，用水文水动力模型进行模拟，输出每个洪涝过程结束时的淹没范围模拟图；
步骤S323、查找洪涝过程结束时的遥感影像数据，并构建洪涝遥感图；计算淹没范围模拟图和洪涝遥感图的相似度，基于相似度评估和优化水文水动力模型参数，直至符合预期标准；
步骤S324、采用参数优化后的水文水动力模型，给出研究区域每级洪涝灾害每个洪涝时段的每个洪涝过程的影响范围，输出淹没范围模拟图；
所述步骤S33进一步为：
步骤S331、获取初级分辨率的GDP空间展布数据，并分成洪涝时段和非洪涝时段，形成研究区域每个影响范围内的GDP时间序列数据；
步骤S332、针对非洪涝时段，采用预配置的经济产出模型，将每个影响范围内的GDP时间序列数据展布到每个栅格的每个预定步长的时段中，形成非洪涝时段的高精度时空分布的GDP展布数据；
步骤S333、针对洪涝时段，基于预配置的经验模型，将每个影响范围内的GDP时间序列数据展布到每个栅格的每个洪涝过程中，形成洪涝时段的高精度时空分布的高电平展布数据；
步骤S334、根据洪涝过程参数，采用经济产出模型预测洪涝时段的GDP数据并计算洪涝时段的GDP数据和每个洪涝过程的GDP数据，并与洪涝时段的高精度时空分布的GDP展布数据对比，计算每个栅格的直接经济损失，累加得到每级洪涝风险的总直接经济损失；
所述步骤S34进一步为：
步骤S341、依序获取每个洪涝过程的淹没范围模拟图，并计算每个POI与淹没范围的关系，给出每个POI受洪涝的影响参数，形成该过程的POI影响参数矩阵；
步骤S342、累加计算各个洪涝过程的POI的影响参数，形成POI影响参数的时空分布矩阵；
步骤S343、读取POI的类型、数量和重要性，构建POI的权重系数矩阵；
步骤S344、将POI影响参数的时空分布矩阵与权重系数矩阵做哈达玛积，得到POI的整体影响；
步骤S345、获取研究区域范围内每个栅格中的POI的整体影响参数，以整体影响参数，评估每个栅格的社会经济影响，累加各个栅格的影响参数，得到每级洪涝风险的总社会经济影响；
所述步骤S44还包括：
提取GDP分布核心区域，获取人口移动OD数据中与GDP分布核心区域关联的次级区域和GDP分布核心区域和次级区域之间的交通通道；
将交通通道区域与洪水淹没范围进行比较，获取重叠区域；
所述步骤S5还包括：
步骤S57、采用多准则决策分析方法，评估洪涝灾害对经济活动的影响。
2.一种基于双精度GDP数据展布的洪涝灾害影响评估系统，其特征在于，包括：
至少一个处理器；以及
与至少一个所述处理器通信连接的存储器；其中，
所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现权利要求1所述的基于双精度GDP数据展布的洪涝灾害影响评估方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410167907.0A CN117708551B (zh) | 2024-02-06 | 2024-02-06 | 基于双精度gdp数据展布的洪涝灾害影响评估方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410167907.0A CN117708551B (zh) | 2024-02-06 | 2024-02-06 | 基于双精度gdp数据展布的洪涝灾害影响评估方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117708551A CN117708551A (zh) | 2024-03-15 |
| CN117708551B true CN117708551B (zh) | 2024-05-10 |
Family
ID=90161102
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410167907.0A Active CN117708551B (zh) | 2024-02-06 | 2024-02-06 | 基于双精度gdp数据展布的洪涝灾害影响评估方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117708551B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110956412A (zh) * | 2019-12-16 | 2020-04-03 | 珠江水利委员会珠江水利科学研究院 | 基于实景模型的洪灾动态评估方法、装置、介质和设备 |
| CN115310806A (zh) * | 2022-08-08 | 2022-11-08 | 河海大学 | 一种基于空间信息格网的洪涝灾害损失评估方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160125338A1 (en) * | 2014-10-31 | 2016-05-05 | Mona Serageldin | Planning System Using Spatial-Based Visualization Aids |
-
2024
- 2024-02-06 CN CN202410167907.0A patent/CN117708551B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110956412A (zh) * | 2019-12-16 | 2020-04-03 | 珠江水利委员会珠江水利科学研究院 | 基于实景模型的洪灾动态评估方法、装置、介质和设备 |
| CN115310806A (zh) * | 2022-08-08 | 2022-11-08 | 河海大学 | 一种基于空间信息格网的洪涝灾害损失评估方法 |
Non-Patent Citations (7)
| Title |
|---|
| Economic distribution of flood prevention and control counties based on improved GWR;kong xu等;《Engineering journal of wuhan university》;20181228;1041-1049 * |
| Global-Scale Assessment of Economic Losses Caused by Flood-Related Business Interruption;Ryo Taguchi等;《https://doi.org/10.3390/w14060967》;20220318;1-20 * |
| 基于情景模拟的洪涝灾害经济损失动态评估;苏鑫等;《清华大学学报(自然科学版)》;20221031;1606-1617 * |
| 太湖流域2016年、1991年大洪水对比分析;王磊之等;《河海大学学报(自然科学版)》;20181231;471-478 * |
| 洪灾损失快速评估中的社会经济统计数据空间展布模拟;王宇飞;孙燕;张宏;;水利经济;20160930(第05期);73-78+86 * |
| 洪灾损失快速评估中的社会经济统计数据空间展布模拟;王宇飞等;《水利经济》;20160930;69-74 * |
| 顾及分类与定量误差订正的数值预报降水统计后处理方法;李伶杰等;《水科学进展》;20230228;48-61 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117708551A (zh) | 2024-03-15 |
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 | |
| Gaur et al. | Spatio-temporal analysis of land use and land cover change: a systematic model inter-comparison driven by integrated modelling techniques | |
| CN112308292B (zh) | 一种火灾风险等级分布图的绘制方法 | |
| JPWO2016031174A1 (ja) | シミュレーション装置、シミュレーション方法、および、記憶媒体 | |
| CN112200362B (zh) | 一种滑坡的预测方法、装置、设备和存储介质 | |
| CN113902580B (zh) | 一种基于随机森林模型的历史耕地分布重建方法 | |
| US11676375B2 (en) | System and process for integrative computational soil mapping | |
| CN113901384A (zh) | 顾及全局空间自相关性和局部异质性的地面pm2.5浓度建模方法 | |
| CN113487105B (zh) | 一种滑坡地质灾害的空间预测方法、装置和计算机设备 | |
| CN113704693B (zh) | 一种高精度的有效波高数据估计方法 | |
| CN108764527B (zh) | 一种土壤有机碳库时空动态预测最优环境变量筛选方法 | |
| Meng et al. | Tropical cyclone intensity probabilistic forecasting system based on deep learning | |
| González‐Abad et al. | Using explainability to inform statistical downscaling based on deep learning beyond standard validation approaches | |
| CN112200355B (zh) | 一种滑坡的预测方法、装置、设备和存储介质 | |
| Cuellar et al. | Assessing the accuracy of sensitivity analysis: an application for a cellular automata model of Bogota’s urban wetland changes | |
| CN116110210B (zh) | 复杂环境下数据驱动的滑坡灾害辅助决策方法 | |
| Bac-Bronowicz et al. | Regionalization of geographical space according to selected topographic factors in reference to spatial distribution of precipitation: application of artificial neural networks in GIS | |
| Miralles et al. | Bayesian modeling of insurance claims for hail damage | |
| CN117708551B (zh) | 基于双精度gdp数据展布的洪涝灾害影响评估方法和系统 | |
| Lucas et al. | Assessment of extreme waves in the North Atlantic Ocean by regional frequency analysis | |
| Cao et al. | Probabilistic runoff forecasting considering stepwise decomposition framework and external factor integration structure | |
| Misra et al. | Statistical downscaling of high-resolution precipitation in India using convolutional long short-term memory networks | |
| Zou et al. | An empirical ensemble rainfall nowcasting model using multi-scaled analogues | |
| Thanekar et al. | Land Use Land Cover Prediction Analysis | |
| Geiß et al. | Anticipating a risky future: LSTM models for spatiotemporal extrapolation of population data in areas prone to earthquakes and tsunamis in Lima, Peru |
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 |