CN117745081A - 一种台风风暴潮灾害风险评估方法和装置 - Google Patents
一种台风风暴潮灾害风险评估方法和装置 Download PDFInfo
- Publication number
- CN117745081A CN117745081A CN202410186149.7A CN202410186149A CN117745081A CN 117745081 A CN117745081 A CN 117745081A CN 202410186149 A CN202410186149 A CN 202410186149A CN 117745081 A CN117745081 A CN 117745081A
- Authority
- CN
- China
- Prior art keywords
- storm surge
- typhoon storm
- typhoon
- disaster risk
- surge disaster
- 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 69
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000011156 evaluation Methods 0.000 claims abstract description 104
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000010276 construction Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 6
- 238000013210 evaluation model Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 description 28
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 25
- 230000004044 response Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 7
- 238000012546 transfer Methods 0.000 description 6
- 230000003416 augmentation Effects 0.000 description 5
- 238000009360 aquaculture Methods 0.000 description 4
- 244000144974 aquaculture Species 0.000 description 4
- 230000001364 causal effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000001066 destructive effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 241000764238 Isis Species 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000009960 carding Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 229910052572 stoneware Inorganic materials 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种台风风暴潮灾害风险评估方法和装置,包括:步骤S1、获取台风风暴潮灾害风险评价指标;步骤S2、根据台风风暴潮灾害风险评价指标的层级结构,得到包含台风风暴潮灾害风险指标集合的贝叶斯网络结构;步骤S3、根据贝叶斯网络,得到台风风暴潮灾害风险评估模型;步骤S4、将预设的台风风暴潮情景输入到台风风暴潮灾害风险评估模型中,得到台风风暴潮灾害风险评价指标的所属风险水平及其概率。采用本发明的技术方案,实现对台风风暴潮灾害风险水平的定量化预测。
Description
技术领域
本发明属于灾害评估技术领域,尤其涉及一种台风风暴潮灾害风险评估方法和装置。
背景技术
台风风暴潮现象是我国主要海洋灾害之一,具有成灾频率高、速度快、破坏力大等特点,并容易伴有强降雨、洪涝、泥石流等次生危害;另外,该灾害具有很强的情景依赖性,往往随着情景变化产生新的灾害后果。
近几十年,在全球气候变暖的大环境背景下,冰川持续融化,沿海海平面变化总体呈波动上升趋势。除此之外,伴随着海洋经济的迅猛发展,围海造陆等海岸工程的进一步扩大,以及高层建筑众多和地表排水系统不畅等要素极易造成地面沉降,这些都导致了风暴潮灾害风险日益突出,海洋防灾减灾形势十分严峻。因此,及时地开展海岸带台风风暴潮的风险评估是目前亟待解决的一个重要问题。
发明内容
本发明要解决的技术问题是,提供一种基于情景分析的台风风暴潮灾害风险评估方法和装置,对台风风暴潮灾害风险水平的定量化预测。
为实现上述目的,本发明采用如下的技术方案:
一种台风风暴潮灾害风险评估方法,包括以下步骤:
步骤S1、获取台风风暴潮灾害风险评价指标;
步骤S2、根据台风风暴潮灾害风险评价指标的层级结构,得到包含台风风暴潮灾害风险指标集合的贝叶斯网络结构;
步骤S3、根据贝叶斯网络,得到台风风暴潮灾害风险评估模型;
步骤S4、将预设的台风风暴潮情景输入到台风风暴潮灾害风险评估模型中,得到台风风暴潮灾害风险评价指标的所属风险水平及其概率。
作为优选,步骤S1包括:
获取台风风暴潮灾害链的历史典型事件;
根据历史典型事件和台风风暴潮灾害风险特征,得到台风风暴潮灾害风险评价指标。
作为优选,步骤S2包括:
根据台风风暴潮灾害风险评价指标,通过利用解释结构模型分析各评价指标间的层次关系,确定评价指标的层级结构;
根据评价指标的层级结构和台风风暴潮灾害链的历史典型事件,得到包含台风风暴潮灾害风险指标集合的贝叶斯网络结构。
作为优选,步骤S3包括:
计算贝叶斯网络结构中所有节点的条件概率分布;其中,节点为评价指标;
根据所有节点的条件概率分布,构建用于计算台风风暴潮灾害风险评价指标在不同风险等级状态下概率值的台风风暴潮灾害风险评估模型。
作为优选,步骤S4包括:
获取预设的台风风暴潮情景下证据指标所属风险水平的概率值;
根据含有父节点的节点的条件概率和预设的台风风暴潮情景下证据指标所属风险水平的概率值,得到在所述预设的台风风暴潮情景下除证据指标外的其他评价指标在不同风险等级状态下的发生概率。
本发明还提供一种台风风暴潮灾害风险评估装置,包括:
获取模块,用于获取台风风暴潮灾害风险评价指标;
第一构建模块,用于根据台风风暴潮灾害风险评价指标的层级结构,得到包含台风风暴潮灾害风险指标集合的贝叶斯网络结构;
第二构建模块,用于根据贝叶斯网络,得到台风风暴潮灾害风险评估模型;
评估模块,用于将预设的台风风暴潮情景输入到台风风暴潮灾害风险评估模型中,得到台风风暴潮灾害风险评价指标的所属风险水平及其概率。
作为优选,获取模块包括:
获取单元,用于获取台风风暴潮灾害链的历史典型事件;
第一处理单元,用于根据历史典型事件和台风风暴潮灾害风险特征,得到台风风暴潮灾害风险评价指标。
作为优选,第一构建模块包括:
确定单元,用于根据台风风暴潮灾害风险评价指标,通过利用解释结构模型分析各评价指标间的层次关系,确定评价指标的层级结构;
第二处理单元,用于根据评价指标的层级结构和台风风暴潮灾害链的历史典型事件,得到包含台风风暴潮灾害风险指标集合的贝叶斯网络结构。
作为优选,第二构建模块,包括:
第一计算单元,用于计算贝叶斯网络结构中所有节点的条件概率分布;其中,节点为评价指标;
构建单元,用于根据所有节点的条件概率分布,构建用于计算台风风暴潮灾害风险评价指标在不同风险等级状态下概率值的台风风暴潮灾害风险评估模型。
作为优选,评估模块,包括:
获取单元,用于获取预设的台风风暴潮情景下证据指标所属风险水平的概率值;
第二计算单元,用于根据含有父节点的节点的条件概率和预设的台风风暴潮情景下证据指标所属风险水平的概率值,得到在所述预设的台风风暴潮情景下除证据指标外的其他评价指标在不同风险等级状态下的发生概率。
本发明根据台风风暴潮灾害风险评价指标的层级结构,得到包含台风风暴潮灾害风险指标集合的贝叶斯网络结构;根据贝叶斯网络,得到台风风暴潮灾害风险评估模型;将预设的台风风暴潮情景输入到台风风暴潮灾害风险评估模型中,得到台风风暴潮灾害风险评价指标的所属风险水平及其概率。本发明可以对台风风暴潮灾害风险水平的定量化预测,还可以降低人为主观影响程度、增强客观性。
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,下面将对实施例或现有技术描述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的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明实施例台风风暴潮灾害风险评估方法的流程示意图;
图2为台风风暴潮灾害风险评估集合的层级结构示意图;
图3为贝叶斯网络基本结构示意图;
图4为台风风暴潮灾害风险评估模型的贝叶斯网络结构示意图;
图5为强台风高增水情景S1下台风风暴潮灾害风险评估ISM-BN模型的预测结果示意图;
图6为强台风低增水情景S2下台风风暴潮灾害风险评估ISM-BN模型的预测结果示意图
图7为弱台风高增水情景S3下台风风暴潮灾害风险评估ISM-BN模型的预测结果示意图;
图8为弱台风低增水情景S4下台风风暴潮灾害风险评估ISM-BN模型预测结果示意图。
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。
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。
实施例1:
本发明实施例提供一种基于情景分析的台风风暴潮灾害风险评估方法,其中,情景分析为通过描述不同情景要素之间的相互依赖关系,分析可能发生事件的过程及发生概率的方法,常应用于气体泄露、暴雨洪涝、火灾救援等突发事故的分析之中。台风风暴潮作为一种具有突发性、难以预测性和情景依赖性的灾害事件,常常引发堤坝冲毁、海水倒灌、土壤盐碱化等链式次生灾害,可以从情景分析角度进行台风风暴潮灾害的风险评估。
如图1所示,本发明实施例提供一种台风风暴潮灾害风险评估方法,包括以下步骤:
步骤S1、获取台风风暴潮灾害风险评价指标;
步骤S2、根据台风风暴潮灾害风险评价指标的层级结构,得到包含台风风暴潮灾害风险指标集合的贝叶斯网络结构;
步骤S3、根据贝叶斯网络,得到台风风暴潮灾害风险评估模型;
步骤S4、将预设的台风风暴潮情景输入到台风风暴潮灾害风险评估模型中,得到台风风暴潮灾害风险评价指标的所属风险水平及其概率。
作为本发明实施例的一种实施方式,步骤S1包括:
获取台风风暴潮灾害链的历史典型事件;
根据历史典型事件和台风风暴潮灾害风险特征,得到台风风暴潮灾害风险评价指标。
进一步,台风风暴潮灾害风险评价指标包括:13个评价指标,见表1。
表1
评价指标及其风险等级划分依据详细说明如下:
(1)近中心最大风力
本发明实施例以13级为近中心最大风力的风险等级划定界限,若近中心最大风力<13级,则记为低风险水平;若近中心最大风力>13级,则记为高风险水平。
(2)最大风速
本发明实施例以取台风风速均值(37m/s)为最大风速的风险等级划分依据,若最大风速<37m/s,则记为低风险水平;若最大风速>37m/s,则记为高风险水平。
(3)受灾人口
受灾人口指的是行政区域内因自然灾害遭受损失的人口数量(含非常住人口)。将受灾人口风险等级划分为低风险或高风险,其中,若受灾人口<400万人,则记为低风险水平;若受灾人口>400万人,则记为高风险水平。
(4)受灾面积
将受灾面积风险等级划分为低风险或高风险,其中,若受灾面积<20万公顷,则记为低风险水平;若受灾面积>20万公顷,则记为高风险水平。
(5)直接经济损失
指出“死亡100人以上,或者伤亡300人以上,或者直接经济损失10亿元以上”即为特大型灾害。在参考特大型灾害规定标准的基础上,考虑到台风风暴潮灾害影响范围大、破坏力强的特点,本发明实施例将直接经济损失分为低、高两个风险等级,若直接经济损失<20亿元,则记为低风险水平;若直接经济损失>20亿元,则记为高风险水平。
(6)紧急转移安置人口
本发明实施例将紧急转移安置人口划分为低、高两个风险等级,其中,若紧急转移安置人口<80万人,则记为低风险水平;若紧急转移安置人口>80万人,则记为高风险水平。
(7)损毁房屋
本发明实施例将损毁房屋划分为低、高两个风险等级,其中,若损毁房屋数量<1万间,则记为低风险水平;若损毁房屋数量>1万间,则记为高风险水平。
(8)死亡人口
本发明实施例将是否存在死亡人口作为风险等级划分依据,若不存在死亡人口,则记为低风险水平;若存在死亡人口,则记为高风险水平。
(9)受损堤防
将受损堤防风险水平分为低风险或高风险,其中,若受损堤防长度<15千米,则记为低风险水平;若受损堤防长度>15千米,则记为高风险水平。
(10)沿岸最大风暴增水
本发明实施例将沿岸最大风暴增水是否超过200cm作为风险等级划分依据,若最大风暴增水<200厘米,则记为低风险水平;若最大风暴增水>200厘米,则记为高风险水平。
(11)水产养殖受灾面积
本发明实施例将水产养殖受灾面积风险等级分为低风险或高风险,若水产养殖受灾面积<1.5万公顷,则记为低风险水平;若水产养殖受灾面积>1.5万公顷,则记为高风险水平。
(12)损毁船只
本发明实施例将损毁船只风险等级分为低风险或高风险,若损毁船只数量<500只,则记为低风险水平;若损毁船只数量>500只,则记为高风险水平。
(13)台风应急响应等级
本发明实施例将台风应急响应等级的风险水平划分为低风险或高风险,若台风应急响应等级为Ⅳ级,Ⅲ级及Ⅱ级,则记为低风险水平;若台风应急响应等级为Ⅰ级,则记为高风险水平。
作为本发明实施例的一种实施方式,步骤S2包括:
步骤S21、根据台风风暴潮灾害风险评价指标,通过利用解释结构模型(Interpretative Structural Modeling Method,ISM)分析各评价指标间的层次关系,确定评价指标的层级结构;
步骤S22、根据评价指标的层级结构和台风风暴潮灾害链的历史典型事件,得到包含台风风暴潮灾害风险指标集合的贝叶斯网络结构(Bayesian Network,BN)。
进一步,步骤S21中,解释结构模型(Interpretative Structural ModelingMethod,简称 ISM)是梳理系统内部要素之间内在联系的重要应用工具,以矩阵形式来表示系统内各元素间的已知逻辑关系,并以多级递阶结构来描述系统内各要素的层次关系。因此,本发明实施例以ISM为分析工具,通过矩阵运算将台风风暴潮评价指标分解为若干个组成部分,分析台风风暴潮风险评价指标间的层次关系,确定台风风暴潮灾害风险评估指标的层级结构。计算方法如下:
①建立邻接矩阵X
邻接矩阵用来描述系统内部结构,采用矩阵中行和列的交叉点表示系统要素之间的关系。例如,假设有向图,顶点集合/>,将G系统各要素间的关系用邻接矩阵X表示,其中/>表示表示矩阵X中第i行第j列的元素。若要素/>对要素/>有直接影响关系,/>则计为1,否则记为0,对角线元素记为1。
②建立可达矩阵P
可达矩阵P是描述有向图内不同要素之间是否存在到达路径的数学表达形式,可以搜索某一要素的可到达路径。例如,假设有向图,顶点集合/>,将D系统各要素间的可达关系用可达矩阵P表示,其中/>表示表示矩阵P中第i行第j列的元素。若/>=1,则表示要素/>到要素/>间存在到达路径;若/>=0,则表示要素/>到要素/>间不存在到达路径。一般通过布尔矩阵的运算性质将邻接矩阵X转换为可达矩阵。可达矩阵P可通过公式(1)计算得到。
其中,r=1,2,3…,n;I是与X同阶次的单位矩阵。
③计算可达集和前因集/>
可达集:对于每一个要素/>,把/>可以到达的要素汇集成一个新的集合,称该集合为/>的可达集。即可达矩阵P中所有值为1的行元素集合。计算公式如下:
前因集:对于每一个要素/>,把所有能到达/>的要素汇集呈一个集合,称该集合为/>的前因集。即可达矩阵P中所有值为1的列元素集合。计算公式如下:
④抽取层级要素,确定层级结构。
在一个多层级结构的顶层要素中,若没有更高的级可以到达,则可达集只能包含其本身和与其同级的某些强链接要素,此时可达集/>与前因集/>的交集对顶层的要素来讲与可达集/>相同。即/>为最顶层要素的条件为:/>。确定顶层要素后,在可达矩阵中去掉对应的行和列,再重复以上操作来得到下一层的顶层要素,由此确定系统的层级结构。
为了确定台风风暴潮灾害风险评价指标的邻接矩阵X,要对13个评价指标间的相互影响关系进行判定。将台风风暴潮灾害链的历史典型事件作为参考依据对该13个评价指标间的影响关系进行两两分析,确定评价指标间是否存在直接影响关系,若两者存在直接影响关系则记为1,否则记为0。由此确定台风风暴潮灾害风险评估评价指标的邻接矩阵X。
举例说明:
以台风风暴潮灾害风险评价指标的邻接矩阵X的第一行为例进行介绍说明,[1 00 1 1 1 1 1 1 1 1 0 1 1 0 ]是指标A分别与指标A、B、C、D、E、F、G、H、I、J、K、L及M之间是否存在直接影响关系的矩阵表达形式。认为指标A(近中心最大风力)与指标B(最大风速)为并列关系,所以,指标A(近中心最大风力)对指标B(最大风速)没有直接影响关系,即记为0;指标A(近中心最大风力)与指标C(受灾人口)存在因果关系,所以,指标A(近中心最大风力)对指标C(受灾人口)存在直接影响关系,即记为1,以此类推。
在确定台风风暴潮灾害风险评价指标的邻接矩阵X后,对邻接矩阵X进行布尔运算,获得其可达矩阵P并进行分解,计算得到台风风暴潮灾害风险评价指标的层次关系,进而确定台风风暴潮灾害风险评价指标的层级结构,结果如图2所示。
进一步,步骤S22中,通过贝叶斯网络描述各评价指标之间的因果依赖关系,静态贝叶斯网络定义为:,其中,G为随机指标集/>的有向无环图,即网络结构;/>为网络参数,即条件概率表。其中,贝叶斯网络结构一般用节点表示随机指标,用箭头表示依赖关系。假设随机指标/>,其贝叶斯网络基本结构如图3所示。
以步骤S21所得层级结构和各评价指标间的因果依赖关系为参考依据绘制贝叶斯网络结构,将13个评价指标转化为网络节点,将各评价指标之间的影响关系转化为有向边,由此建立包含台风风暴潮灾害风险指标集合的贝叶斯网络结构,如图4所示。该贝叶斯网络结构能够直观地描述台风风暴潮灾害风险评估的要素组成及其结构关系。
作为本发明实施例的一种实施方式,根据静态贝叶斯网络的定义可知,每个节点都有其条件概率,其中,没有父节点的节点的条件概率为先验概率。步骤S3包括:
计算贝叶斯网络结构中所有节点的条件概率分布;其中,节点为评价指标;
根据所有节点的条件概率分布,构建用于计算台风风暴潮灾害风险评价指标在不同风险等级状态下的概率值的台风风暴潮灾害风险评估模型(ISM-BN模型)。
进一步,条件概率分布包括:节点的条件概率和先验概率;其中,条件概率通过历史灾情数据基于EM算法进行参数学习确定;先验概率根据统计数据的计算而确定;ISM-BN模型通过节点的条件概率和先验概率,得到台风风暴潮灾害风险评价指标在不同风险等级状态下的概率值。
条件概率计算如下:
在发明实施实施例中,首先收集并梳理2000-2021年间浙江省发生台风风暴潮灾害的数据记录。其中,逐年记录并公开发表包含全部评价指标(共13个)的台风记录共28次。之后,将此28次台风过程的数据资料按照表1进行风险水平的等级划分,得到一个行数为29(含表头)、列数为13的矩阵结果。最后,将该样本数据基于EM算法进行参数学习,得到各网络节点的条件概率。
先验概率计算如下:
设共有100例台风记录,其中,54例台风的近中心最大风力(A)高于(包括等于)13级(高风险水平),46例台风的近中心最大风力(A)低于13级(低风险水平),可以计算出近中心最大风力(A)为高风险水平的先验概率,即
ISM-BN模型中,设某一节点有父节点,该节点的条件概率为是该节点(评价指标)/>的父节点集合;
ISM-BN模型根据该节点的条件概率及其所有父节点的先验概率,计算该节点的发生概率如下:
其中,n为父节点的个数。
如图4所示,以节点F(紧急转移安置人口)进行举例说明,节点F(紧急转移安置人口)是节点C(受灾人口)及节点G(损毁房屋)的子节点,经EM算法参数学习后确定的节点F(紧急转移安置人口)的条件概率计算结果见表2。
表2
ISM-BN模型根据节点F的条件概率和节点F的父节点集合的先验概率,计算节点F在不同风险等级状态下的发生概率。假设F的父节点C为高风险水平的先验概率为0.6,F的父节点G为高风险水平的先验概率为0.7,进而计算得到节点F在不同风险等级状态下的发生概率,计算结果如下:
P(F为高风险水平)
=0.6*0.7*0.69+0.6*0.3*0.44+0.4*0.7*0.48+0.4*0.3*0.12=0.5178,
P(F为低风险水平)
=0.4*0.3*0.88+0.4*0.7*0.54+0.6*0.3*0.56+0.6*0.7*0.31=0.4822。
以此类推,可以计算所有子节点的发生概率。
ISM-BN模型中条件概率一旦确定便不再更改,然后通过更改先验概率的取值,再结合已确定的条件概率,便可实时计算并更新其子节点所属风险水平的发生概率值。因此,在构建贝叶斯网络结构的基础上,确定所有节点的条件概率分布,即完成ISM-BN模型的网络构建。ISM-BN模型可以自动计算并直观展示所有节点在不同风险等级下的发生概率,以概率值的形式展现各评价指标的风险评估结果。
作为本发明实施例的一种实施方式,步骤S4包括:
步骤S41、获取预设的台风风暴潮情景下证据指标所属风险水平的概率值;
步骤S42、将预设的台风风暴潮情景下证据指标所属风险水平的概率值输入到ISM-BN模型中,得到在所述预设的台风风暴潮情景下除证据指标外的其他评价指标在不同风险等级状态下的发生概率;其中,在ISM-BN模型的计算过程中,将先验概率替换为预设的台风风暴潮情景下证据指标所属风险水平的概率值。
进一步,在贝叶斯网络中,可以设置单一或若干个已知概率值的证据指标(已知的评价指标),进行贝叶斯网络的正向推理,并根据条件概率分布计算其他节点(除证据指标外的其他评价指标)所属风险水平的发生概率,使每个其他节点所属风险等级的概率值能够进行动态变化,以实现不同情景的设定及推演分析。在本发明实施例中,以改变证据指标的已知概率值来假设不同的台风风暴潮情景,在该ISM-BN模型中预测除证据指标外的其他评价指标所属风险水平的发生概率值,进行台风风暴潮灾害的情景推演,获得台风风暴潮灾害风险评估结果。
若预设情景S:近中心最大风力15级,那么该情景S在台风风暴潮灾害风险评估模型中则表现为:节点A(近中心最大风力)为高风险水平的概率值为100%。以此,通过改变证据指标的概率值进行不同台风风暴潮情景的假设,进而使该ISM-BN模型根据已确定的条件概率分布自动计算其它节点指标所属风险水平的发生概率,完成台风风暴潮灾害的情景推演,生成台风风暴潮灾害的风险评估预测结果。
考虑到台风风暴潮事件的自身灾害特点,本发明实施例将能够表征台风风暴潮灾害强度信息的近中心最大风力(A)、最大风速(B)、沿岸最大风暴增水(J)及台风应急响应等级(M)等节点作为证据指标进行不同台风风暴潮情景的设定。其中,台风应急响应等级(M)的风险水平与台风强度密切相关(例如:当近中心最大风力(A)、最大风速(B)均为高风险水平时,台风应急响应等级(M)往往也呈高风险水平。)。所以在情景假设过程中,将近中心最大风力(A)、最大风速(B)及台风应急响应等级(M)归类为台风相关指标,将沿岸最大风暴增水(J)归类为增水相关指标。具体情景设定说明如表3所示。
表3
四种假设台风风暴潮情景的风险评估结果说明如下:
①假设强台风高增水情景S1
假设强台风高增水情景S1,将近中心最大风力(A)、最大风速(B)、台风应急响应等级(M)及沿岸最大风暴增水(J)作为证据指标并设定为高风险水平,输入并更新台风风暴潮灾害风险评估ISM-BN模型,预测输出指标的风险等级及其概率分布,计算结果如图5所示。从图5可以看出,当近中心最大风力(A)、最大风速(B)、沿岸最大风暴增水(J)以及台风应急响应等级(M)均为高风险水平时,受灾面积(D)呈高风险水平的概率预测值高达90%;除此之外,还有受灾人口(C)、紧急转移安置人口(B)及是否存在死亡人口(H)三个评价指标的预测结果均呈高风险水平,分析该预测结果可能与各评价指标之间的影响程度相关。浙江省经济水平高、人口密度大,其受灾面积一旦增加,受灾人口数量往往随之提升;与此同时,政府部门需要组织大规模的人员疏散,致使紧急转移安置人口总量随之上升。但是,受损堤防(I)、房屋损毁(G)等评价指标的风险等级的预测结果呈低风险水平。推测原因可能是浙江省房屋建筑及海岸工程等基础建设的质量高、范围广、抗灾能力强,其评价指标的低风险水平状态较为稳定。
②假设强台风低增水情景S2
假设强台风低增水情景S2,将近中心最大风力(A)、最大风速(B)及台风应急响应等级(M)设定为高风险水平,沿岸最大风暴增水(J)设定为低风险水平,输入并更新台风风暴潮灾害风险评估ISM-BN模型,预测输出指标的风险等级及其概率分布,计算结果如图6所示。从图6可以看出,是否存在死亡人口(H)这一评价指标呈高风险水平的发生概率为53%。推测原因可能是强台风条件下,海上风速高,容易引发灾害性海浪(即海上波高达6米以上的海浪),导致海上船只倾覆、触礁,造成人员死亡或失踪。另外,除是否存在死亡人口(H)这一指标之外,其它评价指标均处于低风险水平。这说明对于台风风暴潮灾害事件来讲,仅有强风条件不足以产生巨大灾害后果。
③假设弱台风高增水情景S3
假设弱台风高增水情景S3,将近中心最大风力(A)、最大风速(B)及台风应急响应等级(M)设定为低风险水平,沿岸最大风暴增水(J)设定为高风险水平,输入并更新台风风暴潮灾害风险评估ISM-BN模型,预测输出指标的风险等级及其概率分布,计算结果如图7所示。从图7可以看出,与强台风低增水情景S2 相比,该弱台风高增水情景S3 下各评价指标(除证据指标外)的高风险水平的可能发生概率值均有提高。其中,是否存在死亡人口(H)、受灾面积(D)、受灾人口(C)以及紧急转移安置人口(F)等评价指标呈高风险水平的可能概率值已高达或接近于50%。该结果说明相较于台风因素,增水因素对于台风风暴潮灾害事件的影响程度更大,更容易导致其它评价指标所属风险水平的变化。
④假设弱台风低增水情景S4
假设弱台风低增水情景S4,将近中心最大风力(A)、最大风速(B)、台风应急响应等级(M)以及沿岸最大风暴增水(J)作为证据指标并设定为低风险水平,输入并更新台风风暴潮灾害风险评估ISM-BN模型,预测输出指标的风险等级及其概率分布,计算结果如图8所示。结果显示,除四项证据指标外,其他所有评价指标(输出指标)的预测结果均为低风险水平;但随着网络层级的逐级增加(自下而上),其低风险概率略有降低。其中,是否存在死亡人口(H)这一评价指标呈低风险水平的概率预测值仅为52%,推测原因可能为该评价指标存在较大偶然性,或与其他未被纳入该模型的影响要素相关。
实施例2:
本发明实施例还提供一种台风风暴潮灾害风险评估装置,包括:
获取模块,用于获取台风风暴潮灾害风险评价指标;
第一构建模块,用于根据台风风暴潮灾害风险评价指标的层级结构,得到包含台风风暴潮灾害风险指标集合的贝叶斯网络结构;
第二构建模块,用于根据贝叶斯网络,得到台风风暴潮灾害风险评估模型;
评估模块,用于将预设的台风风暴潮情景输入到台风风暴潮灾害风险评估模型中,得到台风风暴潮灾害风险评价指标的所属风险水平及其概率。
作为本发明实施例的一种实施方式,获取模块包括:
获取单元,用于获取台风风暴潮灾害链的历史典型事件;
第一处理单元,用于根据历史典型事件和台风风暴潮灾害风险特征,得到台风风暴潮灾害风险评价指标。
作为本发明实施例的一种实施方式,第一构建模块包括:
确定单元,用于根据台风风暴潮灾害风险评价指标,通过利用解释结构模型分析各评价指标间的层次关系,确定评价指标的层级结构;
第二处理单元,用于根据评价指标的层级结构和台风风暴潮灾害链的历史典型事件,得到包含台风风暴潮灾害风险指标集合的贝叶斯网络结构。
作为本发明实施例的一种实施方式,第二构建模块,包括:
第一计算单元,用于计算贝叶斯网络结构中所有节点的条件概率分布;其中,节点为评价指标;
构建单元,用于根据所有节点的条件概率分布,构建用于计算台风风暴潮灾害风险评价指标在不同风险等级状态下概率值的台风风暴潮灾害风险评估模型。
作为本发明实施例的一种实施方式,评估模块,包括:
获取单元,用于获取预设的台风风暴潮情景下证据指标所属风险水平的概率值;
第二计算单元,用于根据含有父节点的节点的条件概率和预设的台风风暴潮情景下证据指标所属风险水平的概率值,得到在所述预设的台风风暴潮情景下除证据指标外的其他评价指标在不同风险等级状态下的发生概率。
以上所述的实施例仅是对本发明优选方式进行的描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案做出的各种变形和改进,均应落入本发明权利要求书确定的保护范围内。
Claims (10)
1.一种台风风暴潮灾害风险评估方法,其特征在于,包括以下步骤:
步骤S1、获取台风风暴潮灾害风险评价指标;
步骤S2、根据台风风暴潮灾害风险评价指标的层级结构,得到包含台风风暴潮灾害风险指标集合的贝叶斯网络结构;
步骤S3、根据贝叶斯网络,得到台风风暴潮灾害风险评估模型;
步骤S4、将预设的台风风暴潮情景输入到台风风暴潮灾害风险评估模型中,得到台风风暴潮灾害风险评价指标的所属风险水平及其概率。
2.如权利要求1所述的台风风暴潮灾害风险评估方法,其特征在于,步骤S1包括:
获取台风风暴潮灾害链的历史典型事件;
根据历史典型事件和台风风暴潮灾害风险特征,得到台风风暴潮灾害风险评价指标。
3.如权利要求2所述的台风风暴潮灾害风险评估方法,其特征在于,步骤S2包括:
根据台风风暴潮灾害风险评价指标,通过利用解释结构模型分析各评价指标间的层次关系,确定评价指标的层级结构;
根据评价指标的层级结构和台风风暴潮灾害链的历史典型事件,得到包含台风风暴潮灾害风险指标集合的贝叶斯网络结构。
4.如权利要求3所述的台风风暴潮灾害风险评估方法,其特征在于,步骤S3包括:
计算贝叶斯网络结构中所有节点的条件概率分布;其中,节点为评价指标;
根据所有节点的条件概率分布,构建用于计算台风风暴潮灾害风险评价指标在不同风险等级状态下概率值的台风风暴潮灾害风险评估模型。
5.如权利要求3所述的台风风暴潮灾害风险评估方法,其特征在于,步骤S4包括:
获取预设的台风风暴潮情景下证据指标所属风险水平的概率值;
根据含有父节点的节点的条件概率和预设的台风风暴潮情景下证据指标所属风险水平的概率值,得到在所述预设的台风风暴潮情景下除证据指标外的其他评价指标在不同风险等级状态下的发生概率。
6.一种台风风暴潮灾害风险评估装置,其特征在于,包括:
获取模块,用于获取台风风暴潮灾害风险评价指标;
第一构建模块,用于根据台风风暴潮灾害风险评价指标的层级结构,得到包含台风风暴潮灾害风险指标集合的贝叶斯网络结构;
第二构建模块,用于根据贝叶斯网络,得到台风风暴潮灾害风险评估模型;
评估模块,用于将预设的台风风暴潮情景输入到台风风暴潮灾害风险评估模型中,得到台风风暴潮灾害风险评价指标的所属风险水平及其概率。
7.如权利要求6所述的台风风暴潮灾害风险评估装置,其特征在于,获取模块包括:
获取单元,用于获取台风风暴潮灾害链的历史典型事件;
第一处理单元,用于根据历史典型事件和台风风暴潮灾害风险特征,得到台风风暴潮灾害风险评价指标。
8.如权利要求7所述的台风风暴潮灾害风险评估装置,其特征在于,第一构建模块包括:
确定单元,用于根据台风风暴潮灾害风险评价指标,通过利用解释结构模型分析各评价指标间的层次关系,确定评价指标的层级结构;
第二处理单元,用于根据评价指标的层级结构和台风风暴潮灾害链的历史典型事件,得到包含台风风暴潮灾害风险指标集合的贝叶斯网络结构。
9.如权利要求8所述的台风风暴潮灾害风险评估装置,其特征在于,第二构建模块,包括:
第一计算单元,用于计算贝叶斯网络结构中所有节点的条件概率分布;其中,节点为评价指标;
构建单元,用于根据所有节点的条件概率分布,构建用于计算台风风暴潮灾害风险评价指标在不同风险等级状态下概率值的台风风暴潮灾害风险评估模型。
10.如权利要求9所述的台风风暴潮灾害风险评估装置,其特征在于,评估模块,包括:
获取单元,用于获取预设的台风风暴潮情景下证据指标所属风险水平的概率值;
第二计算单元,用于根据含有父节点的节点的条件概率和预设的台风风暴潮情景下证据指标所属风险水平的概率值,得到在所述预设的台风风暴潮情景下除证据指标外的其他评价指标在不同风险等级状态下的发生概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410186149.7A CN117745081A (zh) | 2024-02-20 | 2024-02-20 | 一种台风风暴潮灾害风险评估方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410186149.7A CN117745081A (zh) | 2024-02-20 | 2024-02-20 | 一种台风风暴潮灾害风险评估方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117745081A true CN117745081A (zh) | 2024-03-22 |
Family
ID=90261260
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410186149.7A Pending CN117745081A (zh) | 2024-02-20 | 2024-02-20 | 一种台风风暴潮灾害风险评估方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117745081A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110610293A (zh) * | 2019-08-13 | 2019-12-24 | 中国人民解放军国防科技大学 | 基于改进型贝叶斯网络的海洋环境风险评估方法 |
CN112396320A (zh) * | 2020-11-18 | 2021-02-23 | 西南石油大学 | 一种基于ism与模糊贝叶斯网络的隧道坍塌风险评估方法 |
CN112613664A (zh) * | 2020-12-25 | 2021-04-06 | 武汉理工大学 | 基于水上交通事故风险预测与评估的预警方法和系统 |
CN112966949A (zh) * | 2021-03-15 | 2021-06-15 | 北京市市政工程研究院 | 隧道施工的风险评估方法、装置及存储介质 |
CN113256138A (zh) * | 2021-06-01 | 2021-08-13 | 安徽建筑大学 | 一种基于异源多尺度监测数据的洪涝灾害风险评估方法 |
CN115049124A (zh) * | 2022-06-08 | 2022-09-13 | 重庆科技学院 | 一种基于贝叶斯网络的深长隧道突涌水预测方法 |
CN115101210A (zh) * | 2022-06-07 | 2022-09-23 | 北京科技大学 | 一种用于国家防控措施评估的流行病风险分析方法及装置 |
-
2024
- 2024-02-20 CN CN202410186149.7A patent/CN117745081A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110610293A (zh) * | 2019-08-13 | 2019-12-24 | 中国人民解放军国防科技大学 | 基于改进型贝叶斯网络的海洋环境风险评估方法 |
CN112396320A (zh) * | 2020-11-18 | 2021-02-23 | 西南石油大学 | 一种基于ism与模糊贝叶斯网络的隧道坍塌风险评估方法 |
CN112613664A (zh) * | 2020-12-25 | 2021-04-06 | 武汉理工大学 | 基于水上交通事故风险预测与评估的预警方法和系统 |
CN112966949A (zh) * | 2021-03-15 | 2021-06-15 | 北京市市政工程研究院 | 隧道施工的风险评估方法、装置及存储介质 |
CN113256138A (zh) * | 2021-06-01 | 2021-08-13 | 安徽建筑大学 | 一种基于异源多尺度监测数据的洪涝灾害风险评估方法 |
CN115101210A (zh) * | 2022-06-07 | 2022-09-23 | 北京科技大学 | 一种用于国家防控措施评估的流行病风险分析方法及装置 |
CN115049124A (zh) * | 2022-06-08 | 2022-09-13 | 重庆科技学院 | 一种基于贝叶斯网络的深长隧道突涌水预测方法 |
Non-Patent Citations (3)
Title |
---|
李皓 等著: "《华北密云水库流域森林景观恢复策略研究》", 31 December 2020, 中国环境出版集团, pages: 88 - 98 * |
王国栋 等: ""沿海城市风暴潮灾害风险评估研究述评"", 《灾害学》, vol. 25, no. 3, 30 September 2010 (2010-09-30), pages 1 - 1 * |
范才根: ""基于贝叶斯网络的电梯安装安全风险影响因素分析"", 《万方》, 28 November 2023 (2023-11-28), pages 3 - 5 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tilloy et al. | A review of quantification methodologies for multi-hazard interrelationships | |
Lee et al. | Rapid prediction of peak storm surge from tropical cyclone track time series using machine learning | |
Kim et al. | A time-dependent surrogate model for storm surge prediction based on an artificial neural network using high-fidelity synthetic hurricane modeling | |
Zou et al. | Comprehensive flood risk assessment based on set pair analysis-variable fuzzy sets model and fuzzy AHP | |
Leonard et al. | A compound event framework for understanding extreme impacts | |
Maaskant et al. | Future risk of flooding: an analysis of changes in potential loss of life in South Holland (The Netherlands) | |
CN114821976B (zh) | 一种多要素岩溶塌陷的智能预报系统 | |
Xu et al. | Compound flood models in coastal areas: a review of methods and uncertainty analysis | |
Trepanier et al. | Combining surge and wind risk from hurricanes using a copula model: An example from Galveston, Texas | |
Zhang et al. | A multicriteria small modular reactor site selection model under long-term variations of climatic conditions--A case study for the province of Saskatchewan, Canada | |
CN117745081A (zh) | 一种台风风暴潮灾害风险评估方法和装置 | |
Flynn et al. | Data-Driven Model for Estimating the Probability of Riverine Levee Breach Due to Overtopping | |
Kalayathankal et al. | Ordered intuitionistic fuzzy soft model of flood alarm | |
Majid et al. | River-flood forecasting methods: the context of the Kelantan River in Malaysia | |
Sun et al. | Predicting hurricane evacuation decisions with interpretable machine learning models | |
GUPTA | CLIMATE NETWORKS | |
Khatri et al. | Review of Flood Prediction Techniques used in Mumbai Region | |
Muhaisen et al. | Copula-EVT-based simulation for optimal rubble-mound breakwater design | |
Prasetyaningrum et al. | Two-Phase Fuzzy System for Multiple Hydro-Meteorological Spatial Risk Mapping in Surabaya, Indonesia | |
Beigzadeh | System dynamics and statistical modeling of severe storms: The case of Charlottetown, PEI, Canada | |
Wei et al. | Storm surge risk assessment and sensitivity analysis based on multiple criteria decision-making methods: a case study of Huizhou City | |
Wang et al. | An Attribute-based Model to Retrieve Storm Surge Disaster Cases. | |
Meng et al. | Quantitative assessment of population risk to tropical cyclones using hybrid modeling combining GAM and XGBoost: A case study of Hainan Province | |
Tilloy | Understanding and modelling extreme multi-hazard events | |
Yu et al. | Synchronization frequency analysis and stochastic simulation of multisite flood flows based on the complicated vine-copula structure |
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 |