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

本发明专利技术涉及一种基于GIS‑神经网络集成的山洪灾害风险区划及预测方法，包括：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。本发明专利技术解决了变化环境下山洪灾害评估中的空间尺度不确定性问题，可广泛用于山洪灾害风险评估。

Risk zoning and prediction method for mountain torrents based on GIS- neural network ensemble

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性。
技术实现思路
本专利技术的目的在于克服现有技术的不足，提供一种基于GIS-神经网络集成的山洪灾害风险区划及预测方法，构建了山洪灾害风险评价及损失预估模型，解决了变化环境下山洪灾害评估中的空间尺度不确定性问题。为解决上述问题，本专利技术提供的技术方案为：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，其中，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；本专利技术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，构建了定量化的山洪灾害风险评价指标体系。在初步构建的风险因子数据库，用项集A来表示，如式(1)所示，基于历史灾情分析的损失风险等级用项集B来表示，如式(2)所示，由此构建用于山洪灾害的“风险因子-风险等级”不确定性分析的事物集。A＝{A1,A2,A3,...,Am}(1)B＝{B1,B2,B3,...,Bn}(2)其中，A为山洪灾害的环境条件因素项集，A1，A2，A3，…，Am分别对应于某个山洪灾害案例的环境条件因素状态的组合；B为山洪灾害的风险等级项集，B1，B2，B3，…，Bn等表征了山洪灾害的风险特征。关联规则可以用X＝>Y来表示，其中X、Y是项集，I是所有项集的总和，X∈I，Y∈I，X∩Y＝Φ，X＝>Y表示在数据库的事件中，包含项集X的事件同时也包含项集Y的可能性。然后，在遍历所有项集的基础上，利用式(3)和式(4)进行关联规则分析，挖掘不同灾害环境组合条件项与不同灾害等级项之间的强关联规则，如图1所示。进一步地，探究其间的物理成因，与关联规则的分析结果进行验证。进而对各风险因子在山洪灾害风险评价中的作用大小及其不确定性进行定量分析，构建相应的风险评价指标体系，为研究更加符合山洪灾害成因机理和客观规律的风险评价模型提供科学合理的物理基础。其中，式(3)为支持度的计算式，表示在数据库中项集X和项集Y同时出现的概率，DX∪Y为包含X且包含Y的元组数，D表示总元组数；式(4)为置信度的计算式，表示在出现项集X的事件中，项集Y也出现的概率，DX∪Y为包含X且包含Y的元组数，DX表示包含X的元组数。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；本专利技术利用层次分析法对山洪灾害风险评价指标体系进行定权，其主要原理是将与决策相关的元素分解成目标层(A层)，准则层(C层)，指标层或决策层(C层)三个层面；将各层次的指标两两进行比较，对其予以优劣评判；并利用评判结果建立矩阵模型来计算各指标的权重系数，即得到在某一准则下各个指标相对重要性的度量，具体计算步骤为：S21.建立层次递阶结构层次分析的结构模型大致分为三层，从最高层到最底层依次是目标层，准则层和变量层。目标层一般情况下是唯一的，研究所要达到的目标；准则层是为实现总目标所采取的措施；变量层是影响措施的因素S22.构建判断矩阵判断矩阵是针对上一层次中某元素而言，评定该层次中各元素间相对重要程度的判断。两两指标之间的相对重要程度的度量尺度一般采用9分法。划分标准如表1所示：表1AHP法程度赋值及意义在山洪灾害发生的危险性因子中，降雨是引发山洪灾害的主导因素，其影响力最大，地形地貌、河网水系等下垫面条件又为山洪灾害的发生提供了孕灾环境，但影响力较降雨小；而在山洪灾害易损性分析的各指标中，因为人口是山洪灾害中最重要的保护对象，城镇化率是防洪能力的体现，所以人口和城镇化率指标是最重要的指标，地均GDP、一产比重反映了资产暴露状况和下垫面土壤持水能力影响防洪能力，对山洪灾害易损性评价有重大影响，由此建立各层次判断矩阵见表2。表2各层次判断矩阵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；由于不同阶数的矩阵两两判断的比例测度达到一致性的难度不一样，用RI来对不同阶数矩阵一致性指标CI进行修正。随机一致性指标的统计平均值如表3所示。表3平均随机一致性指标若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；根据以上步骤，计算得到判断矩阵的最大特征向量、特征根、一致性检验值如表4所示：表4最大特征向量、特征根、一致性检验值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。根据以上方法，构造出通过一致性检验的判断矩阵，并确定准则层和指标层各指标的相对权重。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；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；风险值越高，意味着面临的山洪风险越大。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、易损性和风险性本文档来自技高网...

【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