一种精细尺度下的动态风险及易损性预测方法技术

一种精细尺度下的动态风险及易损性预测方法，属于地球信息科学领域。主要特点在精细尺度下即一定分辨率的栅格格式基础上从多源异构的时空数据搜索优化的贝叶斯网络，结合域知识改进网络，由此进行灾害风险及易损性的不确定性估算即概率估算。本发明专利技术提出用核密度方法来根据样本衍生栅格训练样本；提出优化离散化方法离散化连续变量以便为网络提供离散的状态空间输入；采用模拟退火优化算法搜索优化的网络结构；采用精确推理结合近似推理方法预测风险及易损性概率。本发明专利技术提出的方法可在精细的空间尺度下实时定位灾害风险及易损性位置，估计其风险概率的空间分布，对提高减灾救灾效果及国家建立智能化的突发公共事件应急预警系统具有重要的理论意义及实用价值。

【技术实现步骤摘要】

本专利技术，用于对突发性公共灾害的预测，属于地球信息科学

技术介绍
突发性公共灾害事件的监测预警在国家防灾减灾中占据着重要地位，准确及时的预警将会大幅减少生命财产的损失，提高防灾减灾的效率。建立及时、准确的监测预警系统一直是国家防灾减灾的重点；同时，由于突发公共灾害事件的突发性、随机性、影响因素的多样性及不确定性，准确及时的预报是比较困难的，而风险分析作为监测预警中的关键技术，其研究及相关技术的实现日趋重要。 当前风险分析技术主要是根据灾害的来源、发生的环境及承受者，将影响灾害风险的因素划分为致灾因子、孕灾环境及承灾体三方面，对这些方面的因子进行聚类或者模糊综合评判从而计算灾害风险的水平，是一种脆性分析方法。如对洪水灾害，通过分析直接诱因既大暴雨、孕灾环境既自然地理条件及承灾体既人口分布及房屋布局等，综合评判形成不同风险级别分区(低、中、高)。而易损性主要考虑了承灾体本身的损失特性，是风险分析的扩展到承灾体上，技术基本上同风险分析差异不大。 传统的风险分析及易损性分析方法存在着以下局限 (1)有的方法基于脆性(crisp)数值的分析方法，体现在风险水平的低、本文档来自技高网...

【技术保护点】
一种精细尺度下的动态风险及易损性预测方法，其特征在于步骤如下：　（１）相关数据的采集及预处理：按致灾因子、孕灾环境及承灾体三个采集预测因子Ｘ及灾害损失变量ｙ，并进行预处理产生精细尺度下的训练样本数据集；所述的致灾因子是指直接导致灾害的可测量因子变量，所述的孕灾环境指在致灾因子存在的前提下导致灾害损失发生的自然地理环境，所述的承灾体特性指各种主要以人为主的承受灾害的对象遭受灾害所带来损失的性质；　（２）采用融入空间相关性的核密度函数方法对步骤（１）的训练样本数据集衍生出新的训练样本数据，以弥补调查数据不足，并补充完整精细尺度下的训练样本数据；　（３）预测因子的特征选择：根据训练样本数据，采用三种...

【技术特征摘要】
1、一种精细尺度下的动态风险及易损性预测方法，其特征在于步骤如下(1)相关数据的采集及预处理按致灾因子、孕灾环境及承灾体三个采集预测因子X及灾害损失变量y，并进行预处理产生精细尺度下的训练样本数据集；所述的致灾因子是指直接导致灾害的可测量因子变量，所述的孕灾环境指在致灾因子存在的前提下导致灾害损失发生的自然地理环境，所述的承灾体特性指各种主要以人为主的承受灾害的对象遭受灾害所带来损失的性质；(2)采用融入空间相关性的核密度函数方法对步骤(1)的训练样本数据集衍生出新的训练样本数据，以弥补调查数据不足，并补充完整精细尺度下的训练样本数据；(3)预测因子的特征选择根据训练样本数据，采用三种方法衡量影响因子同目标因子的相关性，即线性相关系数、基于熵的信息获取率及粗糙集的属性重要性，结合主成分分析选择预测因子X；(4)对步骤(3)所选择的预测因子集中的连续变量进行离散化，采用模拟退火优化算法搜索贝叶斯网络模型，估计网络的条件概率参数；(5)利用生成的贝叶斯网络模型进行完全或不完全证据支持下的风险及易损性概率预测；(6)在地图上实时动态地定位所预测的风险概率及易损性，识别区域上的风险及潜在损失分布状况，为救灾减灾的实施提供辅助决策支持信息。2、根据权利要求1所述的精细尺度下的动态风险及易损性预测方法，其特征在于所述步骤(1)中的预处理方法为对致灾因子、孕灾环境及承灾体特性数据经预处理转换成统一分辨率的栅格数据集，分不同的情况采用以下步骤a.对矢量数据预处理方法对于点数据，采用k-最近邻方法或者Kriging方法插值算法，将点数据转换成栅格数据；对于线数据采用数字微分分析法DDA法或Bresenham方法转换成栅格数据；对于面数据采用扫描法；转换成统一分辨率的栅格数据；b.对于栅格的预处理方法对于栅格数据，如果坐标或目标栅格数据不一致时，采用最近邻法进行重采样，形成转换成统一分辨率的栅格数据；将矢量数据和栅格再栅格化后即形成统一分辨率的栅格数据集。3、根据权利要求1所述的精细尺度下的动态风险及易损性预测方法，其特征在于所述步骤(2)采用了融入空间相关性的核函数方法衍生样本点数据，弥补调查数据及历史资料的不足，补充完整精细尺度下的训练样本数据的步骤为a.调查确定灾害事件及其损失情况；b.采用正态核密度函数计算估计目标变量的核函数其中的影响宽度λ可随灾害强度的不同设置不同值，d(z，Zi)为空间上任意一点z与调查数据点Zi间的欧氏距离，z可为灾害事件y或者因子变量x；c.由各观察值点的核密度函数可推出空间任意一点的影响强度其中，n为观察值数据点数，z为空间任意点，Zi为相应的观察值点数值，Kλ(z，Zi)为核函数。4、根据权利要求1所述精细尺度下的动态风险及易损性预测方法，其特征在于所述步骤(3)采用三种方法衡量影响因子同目标因子的相关性具体如下a.所述的线性相关性是采用统计学Pearson相关系数来衡量连续变量之间的线形相关性，但该方法忽略了变量之间可能存在的非线形关系及非连续变量相关关系；b.所述的基于信息熵的分类贡献函数，即Quinlan的Information Gain IG及Information Gain Ratio GR衡量辅助变量同目...

【专利技术属性】
技术研发人员：李连发，梁金龙，
申请(专利权)人：中国科学院地理科学与资源研究所，
类型：发明
国别省市：11[中国|北京]