The invention relates to a mountain flood hazard zoning and prediction method based on GIS neural network integration, including S1. using association rules to excavate the relationship between risk factors and risk levels in mountain torrents, identify risk factors and construct a quantitative evaluation index system for mountain torrential hazard risk; S2. adopts hierarchical analysis. The method determines the risk and vulnerability index system and its weight, and generates the layers of each element; S3. uses ArcGIS to superimpose the hazard and vulnerability distribution layer of mountain torrents to get the hazard distribution map of mountain flood disaster; S4. adopts the method of combining the ISO maximum likelihood method and the combination of the bottom-up area and the upper and lower qualitative analysis. The hazard zoning of mountain torrents is divided by S5., and Elman neural network is used to analyze the nonlinear relationship between evaluation index and risk grade and disaster data, and the risk assessment and loss prediction model of mountain flood disaster is constructed. The invention solves the problem of spatial scale uncertainty in mountain flood disaster assessment under changing environment, and can be widely used for risk assessment of mountain torrents.
【技术实现步骤摘要】
基于GIS-神经网络集成的山洪灾害风险区划及预测方法
本专利技术涉及山洪灾害防治领域,更具体地,涉及一种基于GIS-神经网络集成的山洪灾害风险区划及预测方法。
技术介绍
我国是一个多山的国家,山丘区面积约占全国陆地面积的2/3。复杂的地形地质条件、暴雨多发的气候特征、密集的人口分布和人类活动的影响,导致山洪灾害发生频繁。我国山洪灾害呈现出影响范围广、发生频率高、灾害历时短、危害破坏程度大、地域差异显著的整体特征。据《全国山洪灾害防治规划报告》数据统计,我国山丘区流域面积在100km2以上的山溪河流约5万条,其中70%因受降雨、地形及人类活动影响会发生山洪灾害。据官方统计数据表明,我国每年因山洪灾害直接或间接导致人民群众生命财产的损失约占自然灾害造成的总损失的40%左右。目前,我国山洪灾害的研究已经涉及成因、空间分布特征、灾害损失评估、风险评价与制图等各方面。风险评估与管理逐渐也成为国际上倡导和推广的减灾防灾有效途径之一。目前,山洪灾情评估工作得到了来自地学工作者、工程专家和各级政府部门的高度重视,并逐渐成为国际性的研究项目。特别是在山洪风险评估方面的表现尤为突出。变化环境下山洪灾害的形成条件及灾情分布具有空间尺度上的非线性特点,无论是在风险评价指标体系,还是在风险评估数学模型中,都存在不同空间尺度范围的不确定性,这对准确评估山洪灾害风险带来了很大的不确定性。应用时间序列分析、多元回归分析、延神经元网络、人工神经网络、模糊数学方法、混沌优化算法、灰色聚类分析等数理统计方法、地理信息系统的空间分析方法等方法构建山洪灾害评估体系,进行山洪灾害定量评估具有很大前景 ...
【技术保护点】
1.一种基于GIS‑神经网络集成的山洪灾害风险区划及预测方法,其特征在于,包括以下步骤:S1.利用关联规则挖掘山洪灾害中风险因子与风险等级之间的关联关系,辨识风险因子,构建定量化的山洪灾害风险评价指标体系;S2.采用层次分析法确定危险性和易损性指标体系及其权重,生成各要素图层;S3.利用ArcGIS将山洪灾害危险性和易损性分布图层叠加得到山洪灾害风险分布图;S4.采用ISO最大似然法聚类以及自下而上区域合并与自上而下定性分析结合的方法,形成山洪灾害风险区划;S5.利用Elman神经网络分析评价指标与风险等级、灾情数据之间的非线性关系,构建山洪灾害风险评价及损失预估模型。
【技术特征摘要】
1.一种基于GIS-神经网络集成的山洪灾害风险区划及预测方法,其特征在于,包括以下步骤:S1.利用关联规则挖掘山洪灾害中风险因子与风险等级之间的关联关系,辨识风险因子,构建定量化的山洪灾害风险评价指标体系;S2.采用层次分析法确定危险性和易损性指标体系及其权重,生成各要素图层;S3.利用ArcGIS将山洪灾害危险性和易损性分布图层叠加得到山洪灾害风险分布图;S4.采用ISO最大似然法聚类以及自下而上区域合并与自上而下定性分析结合的方法,形成山洪灾害风险区划;S5.利用Elman神经网络分析评价指标与风险等级、灾情数据之间的非线性关系,构建山洪灾害风险评价及损失预估模型。2.根据权利要求1所述的基于GIS-神经网络集成的山洪灾害风险区划及预测方法,其特征在于,所述的S2步骤具体包括:S21.建立层次递阶结构,层次分析的结构模型分为三层,从最高层到最底层依次是目标层,准则层和变量层;S22.构建判断矩阵,所述的判断判断矩阵是针对上一层次中的某个元素而言,评定该层次中各元素间相对重要程度的判断;S23.计算判断矩阵的最大特征向量与特征根;首先,计算判断矩阵每行所有元素的几何平均值得到然后,将归一化,即计算:得到即为所求特征向量的近似值,也是各因素的相对权重ω;最后,计算判断矩阵的最大特征值λmax:其中,为向量Aω的第i个元素;S24.计算判断矩阵一致性指标,并检验其一致性;引入一致性比率CR:式中,n为判断矩阵阶数,CI为一致性指标,CR为随机一致性比率,RI为随机一致性指标;若CR<0.1,判断矩阵具有很好一致性,判断合理;若CR=0.1,判断矩阵具有较好一致性,判断较合理;若CR>0.1,判断矩阵不符合一致性原则,需重新调整S25.通过加权综合计算得到准则层C层指标的相对权重;通过步骤S21至S24的计算,得到一层指标相对于上一层指标的权重,再计算指标层各指标相对于目标层的总权重,其计算公式为:目标层对准则层的相对权重为:准则层对指标层的相对权重为:则,指标层对目标层的总权重为:得到的为指标层相对于目标层的总权重。3.根据权利要求2所述的基于GIS-神经网络集成的山洪灾害风险区划及预测方法,其特征在于,所述的S3步骤包括:S31.依照层次分析法建立的指标体系和权重对各指标层的指标进行汇总,得出各栅格的山洪风险值;S32.利用ArcGIS栅格计算器通过以下公式将不同指标图层叠加起来,得到危险性、易损性和风险性栅格分布图,其中,危险性计算公式为:易损性计算公式为:风险性计算公式为:D=f(H,V)=ωHH+ωVV式中,hi、vi为各个栅格单元经过标准化...
【专利技术属性】
技术研发人员:林凯荣,李文静,梁汝豪,
申请(专利权)人:中山大学,
类型:发明
国别省市:广东,44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。