CN110956412B - 基于实景模型的洪灾动态评估方法、装置、介质和设备 - Google Patents
基于实景模型的洪灾动态评估方法、装置、介质和设备 Download PDFInfo
- Publication number
- CN110956412B CN110956412B CN201911294119.3A CN201911294119A CN110956412B CN 110956412 B CN110956412 B CN 110956412B CN 201911294119 A CN201911294119 A CN 201911294119A CN 110956412 B CN110956412 B CN 110956412B
- Authority
- CN
- China
- Prior art keywords
- flood
- grid
- key
- cid
- data
- 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 38
- 238000004088 simulation Methods 0.000 claims abstract description 116
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 67
- 238000004458 analytical method Methods 0.000 claims abstract description 56
- 238000011160 research Methods 0.000 claims abstract description 31
- 238000011156 evaluation Methods 0.000 claims abstract description 26
- 235000013399 edible fruits Nutrition 0.000 claims abstract description 15
- 230000004927 fusion Effects 0.000 claims abstract description 8
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 6
- 241000518579 Carea Species 0.000 claims description 28
- 230000008859 change Effects 0.000 claims description 16
- 239000000178 monomer Substances 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 4
- 238000006424 Flood reaction Methods 0.000 claims 1
- 230000009467 reduction Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000013480 data collection Methods 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 241000282414 Homo sapiens Species 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Computer Security & Cryptography (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于实景模型的洪灾动态评估方法、装置、介质和设备,该方法包括,该方法首先针对于洪灾研究区域获取土地利用类型和社会经济资料数据,并且在研究区域中圈出重点区域,针对于重点区域进行实景建模,在建模后进行土地利用类型数据的精细化分类圈画,并且与原始获取到的该重点区域的土地利用类型数据进行融合;针对于融合后得到的数据,接入洪水分时段模拟成果,进行各时段的洪灾影响分析与统计;结合多产业经济数据,根据设定的水深和损失率关系曲线,进行对各时段的洪灾损失动态分析与统计。本发明方法实现了洪灾评估的分时段动态输出,对洪水实时模拟条件下的精准化、动态化的洪水灾后影响与损失评估提供有力技术支撑。
Description
技术领域
本发明属于防洪减灾技术领域,特别涉及一种基于实景模型的洪灾动态评估方法、装置、介质和设备。
背景技术
自然灾害造成的损失已经成为影响经济发展、社会安定和国家安全的重要因素。在众多自然灾害中,暴雨洪涝已经成为最重要的气象灾害之一,并且受气候变换影响,全球变暖,未来全球洪涝灾害反生的风险也将会进一步上升。因此防范暴雨洪涝灾害对保障区域社会经济持续发展具有重要的意义。
为了减轻灾害造成的损失,人类开展了大量的工程和非工程减灾行动,盲目的减灾行动必然导致人力、物力、财力等的大量浪费,有悖于减灾的初衷,只有对灾害的发生、发展、可能造成的影响有科学的认识,才能避免行动的盲目。合理的灾害风险评估对自然灾害的预防与治理、减灾规划与措施的制定等具有重要的一样。由于暴雨洪涝灾害发生突然,影响范围大,灾害损失严重,因而开展灾害风险的实时动态评估,对洪灾的早期预警以及防灾减灾措施的及时制定和实施例尤为重要。
洪水模拟与洪灾评估是当今水利新时代防洪减灾领域重点建设任务,洪灾评估的实时化、精准化又是“智慧防汛”开展推进的前提与保障。传统洪灾评估往往依托洪水风险图编制任务进行开展,其土地利用数据往往基于乡镇一级,不够细化及精确,从而导致评估成果精确度亦有限,同时,传统洪灾评估仅对场次洪水进行最终静态的评估成果输出,缺乏分时段的动态成果数据。
发明内容
本发明的第一目的在于克服现有技术的缺点与不足,提供一种基于实景模型的洪灾动态评估方法,该方法实现了基于实景模型的洪灾动态评估,对洪水实时模拟条件下的精准化、动态化的洪水灾后影响与损失评估提供有力技术支撑。
本发明的第二目的在于提供一种基于实景模型的洪灾动态评估装置。
本发明的第三目的在于提供一种存储介质。
本发明的第四目的在于提供一种计算设备。
本发明的第一目的通过下述技术方案实现:一种基于实景模型的洪灾动态评估方法,步骤如下:
针对于洪灾研究区域,获取该研究区域的土地利用类型数据和社会经济资料数据;
针对于洪灾研究区域中所圈画出的重点区域,进行实景建模,获取到重点区域的实景模型;
针对于重点区域的实景模型,进行土地利用类型数据的精细化分类圈画,然后将精细化后的土地利用类型数据与原始获取到的该重点区域的土地利用类型数据进行融合;
基于融合后的重点区域的土地利用类型数据,接入洪水分时段模拟成果,结合针对于该重点区域收集到的社会资料数据中的人口、GDP和道路数据,进行各时段的洪灾影响分析与统计;
基于融合后的重点区域的土地利用类型数据,接入洪水分时段模拟成果,结合针对于该重点区域收集到的社会资料数据中的多产业经济数据,根据设定的水深和损失率关系曲线,进行对各时段的洪灾损失动态分析与统计。
优选的,所述土地利用类型包括耕地、草地、水域和城乡用地,当类型为城乡用地时,分为工业用地和居民用地;
所述社会经济资料包括区域人口、GDP、道路数据、居民财产、农业产值、工业产值和服务业产值;
针对于研究区域中所圈画出的重点区域,通过无人机航拍,根据无人机航拍的图像进行实景建模。
优选的,针对于重点区域的实景模型,进行土地利用类型数据的精细化分类圈画的具体过程如下:
针对于重点区域的实景模型,对模型进行土地利用类型的面圈画,具体为将重点区域中土地利用类型为居民地和工业用地的区域,根据实景模型中的居民和工业建筑密度,再次下分为高密度居民/工业区、中密度居民/工业区和低密度居民/工业区;
针对于重点区域的实景模型,从实际模型中将关注的重点建筑进行点模式的圈画,并且根据重点建筑类型赋予重点建筑为以下两种信息识别模式中的其中一种:
针对于第一种重点建筑,其信息识别模式为:
Pinfo={pname,px,py};
其中,Pinfo为识别的单体重点建筑,pname为单体重点建筑标识,px为单体建筑的x坐标值,py为单体建筑的y坐标值;
针对于第二种重点建筑,其信息识别模式为:
Pinfo={pname,px,py,pminz,pmaxz,ppop,pproty};
其中pminz为重点建筑底面高程,pmaxz为重点建筑顶面高程,ppop为重点建筑的常驻人口数量,pproty为重点建筑的财产总值;
其中,第一种重点建筑指的是只统计是否受淹且根据是否受淹确定损失统计的重点建筑,具体为:在统计损失时,若重点建筑受淹,则将重点建筑的损失确定为全部损失,若重点建筑未受淹,则将重点建筑的损失确定为未损失;
第二种重点建筑指的是根据淹没水深进行损失统计的重点建筑。
优选的,基于融合后的重点区域的土地利用类型数据,接入洪水分时段模拟成果,结合针对于该重点区域收集到的社会资料数据中的人口、GDP和道路数据,进行各时段的洪灾影响分析与统计的具体过程如下:
步骤S41、针对于重点区域,接入多时段的洪水模拟成果数据,数据模拟如下:
F1t={cid,carea,zt,ht,vt};
t∈[1,T],cid∈[1,N];
式中:F1t为t时段洪水模拟成果,为基于洪水模拟网格的信息集合;cid为洪水模拟网格编号,carea为网格cid的面积;zt为网格cid在t时段的淹没水深;ht为网格cid在t时段的水面高程;vt为网格cid在t时段的水流流速;T为洪水总模拟时段数,N为洪水模拟网格总数;
步骤S42、基于融合后的重点区域的土地利用类型数据与洪水模拟网格进行空间连接分析,确定每个网格的土地利用类型,确定类型后的洪水数据模式变更为如下:
F2t={cid,carea,ctdly,zt,ht,vt};
t∈[1,T],cid∈[1,N];
其中,F2t为本步骤变更后的t时段洪水模拟成果,ctdly为网格cid的土地利用类型;
步骤S43、基于重点区域收集到的道路图层数据,与洪水模拟网格进行空间连接分析,确定每个网格包含的道路名称及长度的合集,洪水数据模式变更为如下:
F3t={cid,carea,ctdly,zt,ht,vt,Rnames,Rlens};
t∈[1,T],cid∈[1,N];
其中,F3t为本步骤变更后的t时段洪水模拟成果,Rnames为网格cid的道路名称信息,为一条或多条道路名称的集合,Rlens为网格cid的各道路长度信息结合;
步骤S44、基于重点区域收集到的区域人口和GDP数据,对洪水模拟网格进行数据的空间展布,洪水数据模式变更为如下:
F4t={cid,carea,ctdly,zt,ht,vt,cpop,cgdp,Rnames,Rlens};
t∈[1,T],cid∈[1,N];
其中,F4t为本步骤变更后的t时段洪水模拟成果,cpop为网格cid内的人口数量,cgdp为网格cid内的GDP值;
步骤S45、确定洪水影响分析的洪水要素与阈值,将各网格的洪水元素与阈值进行比较,根据比较结果确定对应网格是否受灾;根据各时刻各受灾网格的洪水数据模式,计算各个时刻的受灾人口、受影响GDP值,同时获取到受影响道路信息。
更进一步的,步骤S45中确定洪水影响分析的洪水要素为网格的淹没水深和流速;当网格的淹没水深或者流速大于一定阈值时,确定该网格为受灾状态;
根据各时刻受灾网格的洪水数据模式,计算重点区域各时刻的受灾人口数量和受影响GDP值:
从受灾网格的洪水数据模式中提取出道路名称信息和道路长度信息,确定受灾的道路名称以及道路长度。
更进一步的,基于融合后的重点区域的土地利用类型数据,接入洪水分时段模拟成果,结合针对于该重点区域收集到的社会资料数据中的多产业经济数据,根据设定的水深和损失率关系曲线,进行对各时段的洪灾损失动态分析与统计的具体过程如下:
步骤S51、针对于重点区域,接入多时段的洪水模拟成果数据,数据模拟如下:
F1t={cid,carea,zt,ht,vt};
t∈[1,T],cid∈[1,N];
式中:F1t为t时段洪水模拟成果,为基于洪水模拟网格的信息集合;cid为洪水模拟网格编号,carea为网格cid的面积;zt为网格cid在t时段的淹没水深;ht为网格cid在t时段的水面高程;vt为网格cid在t时段的水流流速;T为洪水总模拟时段数,N为洪水模拟网格总数;
步骤S52、通过空间连接分析对洪水模拟网格引入土地利用、居民财产、工业产值、农业产值和服务业产值,将洪水数据模式变更为如下:
F2t={cid,carea,ctdly,zt,ht,vt,cproty_jm,cproty_gy,cproty_ny,cproty_fwy};
t∈[1,T],cid∈[1,N];
其中,F2t为本步骤变更后的t时段洪水模拟成果,ctdly为网格cid的土地利用类型;cproty_jm为网格cid内的居民财产值;cproty_gy为为网格cid内的工业产值;cproty_ny为为网格cid内的农业产值;cproty_fwyw为网格cid内的服务业产值;
步骤S53、将重点区域内的重点建筑信息与洪水模拟网格进行空间连接分析,确定每个网格包含的重点建筑点信息合集,将洪水数据模式变更为如下:
F3t={cid,carea,ctdly,zt,ht,vt,cproty_jm,cproty_gy,cproty_ny,cproty_fwy,cpinfos};
其中,F3t为本步骤变更后的t时段洪水模拟成果,cpinfos为网格cid内的重点建筑信息,cpinfos是识别的单体重点建筑Pinfo的集合;
步骤S54、确定洪水影响分析的洪水要素与阈值,将各网格的洪水元素与阈值进行比较,根据比较结果确定对应网格是否受灾;基于F3t中的cpinfos信息,针对受灾网格中信息识别模式为第一种的重点建筑,进行财产瞬时计算与受灾人口计算:
其中Ppopt为重点建筑在t时刻时的受灾人数;
步骤S55、获取居民财产、农业产值、工业产值和服务业产值与网格内洪水淹没水深的损失率关系,根据上述关系,对各时刻各受灾网格进行居民财产,农业产值、工业产值、服务业产值的损失计算,并且求和后得到各时刻重点区域内居民财产,农业产值、工业产值、服务业产值的损失。
更进一步的,步骤S54中确定洪水影响分析的洪水要素为网格的淹没水深和流速;当网格的淹没水深或者流速大于一定阈值时,确定该网格为受灾状态;
居民财产、农业产值、工业产值和服务业产值与网格内洪水淹没水深的损失率关系如下:
当网格内洪水淹没水深为0.05~0.5米时:网格内居民财产损失3%,农业产值损失8.3%,工业产值损失5.2%,服务业产值损失6.7%;
当网格内洪水淹没水深为0.5~1米时:网格内居民财产损失15%,农业产值损失41.3%,工业产值损失10.4%,服务业产值损失27%;
当网格内洪水淹没水深为1~1.5米时:网格内居民财产损失22%,农业产值损失49.5%,工业产值损失15.5%,服务业产值损失33.7%;
当网格内洪水淹没水深为1.5~2.0米时:网格内居民财产损失29%,农业产值损失60.5%,工业产值损失20.7%,服务业产值损失42.1%;
当网格内洪水淹没水深为2.0~2.5米时:网格内居民财产损失24%,农业产值损失71.5%,工业产值损失27.6%,服务业产值损失48.8%;
当网格内洪水淹没水深为2.5~3米时:网格内居民财产损失42%,农业产值损失79.8%,工业产值损失32.8%,服务业产值损失57.3%;
当网格内洪水淹没水深大于3米时,网格内居民财产损失50%,农业产值损失88%,工业产值损失38%,服务业产值损失64%。
本发明的第二目的通过下述技术方案实现:一种基于实景模型的洪灾动态评估装置,该装置包括:
数据获取模块,用于针对于具体工程研究区域,获取该研究区域的土地利用类型数据和社会经济资料数据;
实景建模模块,用于针对于研究区域中所圈画出的重点区域,进行实景建模,获取到重点区域的实景模型;
数据融合模块,用于针对于重点区域的实景模型,进行土地利用类型数据的精细化分类圈画,然后将精细化后的土地利用类型数据与原始获取到的该重点区域的土地利用类型数据进行融合;
洪灾影响分析与统计模块,用于针对于融合后的重点区域的土地利用类型数据,接入洪水分时段模拟成果,结合针对于该重点区域收集到的社会资料数据中的人口、GDP和道路数据,进行各时段的洪灾影响分析与统计;
洪灾损失动态分析与统计模块,用于针对于融合后的重点区域的土地利用类型数据,接入洪水分时段模拟成果,结合针对于该重点区域收集到的社会资料数据中的多产业经济数据,根据设定的水深和损失率关系曲线,进行对各时段的洪灾损失动态分析与统计。
本发明的第三目的通过下述技术方案实现:一种存储介质,存储有程序,所述程序被处理器执行时,实现本发明第一目的所述的基于实景模型的洪灾动态评估方法。
本发明的第四目的通过下述技术方案实现:一种计算设备,包括处理器以及用于存储处理器可执行程序的存储器,所述处理器执行存储器存储的程序时,实现本发明第一目的所述的基于实景模型的洪灾动态评估方法。
本发明相对于现有技术具有如下的优点及效果:
(1)本发明洪灾动态评估方法中,首先针对于洪灾研究区域获取土地利用类型和社会经济资料数据,并且在研究区域中圈出重点区域,针对于重点区域进行实景建模,在建模后进行土地利用类型数据的精细化分类圈画,并且与原始获取到的该重点区域的土地利用类型数据进行融合;针对于融合后得到的数据,接入洪水分时段模拟成果,结合人口、GDP和道路数据,进行各时段的洪灾影响分析与统计,结合多产业经济数据,根据设定的水深和损失率关系曲线,进行对各时段的洪灾损失动态分析与统计。由上述可见,本发明方法结合重点区域实景模型,实现了土地利用数据的精细化提取与融合,同时接入分时段洪水模拟成果,实现了洪灾评估的分时段动态输出,其对洪水实时模拟条件下的精准化、动态化的洪水灾后影响与损失评估提供有力技术支撑,并具有广泛实践意义。
(2)本发明洪灾动态评估方法中,针对于重点区域进行精细化分类圈画时,包括进行土地利用类型的面圈画以及所关注的重点建筑的点圈画,当针对于一个乡镇或一个社区做评估时,可以使用面圈画就能够满足洪灾评估,如果要对某栋建筑或者某各特殊场地进行特别关注时,也可以将该建筑或场地特别圈画处理,并且配置相应的信息识别模式,在进行洪灾评估时可以评估的更精细。
(3)本发明洪灾动态评估方法中,针对于实际建模后的重点区域进行土地利用类型数据的精细化分类圈画时,从实际模型中将关注的重点建筑圈画出来,以能够对这些重点建筑因洪灾造成的损失进行特别评估。另外本发明方法中,对重点区域中圈出的重点建筑进行分类,根据分类类型赋予相应的信息识别模式,在进行洪灾评估时,可以根据评估的精细化要求选择采用重点建筑的相应信息识别模式,为洪灾评估的提供了方便,灵活性更强。
附图说明
图1是本发明洪灾动态评估方法流程图。
图2是本发明方法重点区域进行精细划分后土地利用类型效果图。
图3是本发明方法中从重点区域实景建模中圈画出的重点建筑图。
图4a是本发明方法针对重点区域原始获取到的土地利用类型数据效果图。
图4b是本发明方法融合后得到的土地利用类型数据融合图。
图5是本发明方法中获取到的重点区域的网格剖分图。
图6是本发明计算设备结构框图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
实施例
本实施例公开了一种基于实景模型的洪灾动态评估方法,在针对于实景建模对应区域进行洪水模拟后,通过本实施例方法能够对该区域进行洪水的动态评估;如图1所示,该方法的具体过程如下:
步骤S1、针对于具体工程研究区域,即洪灾研究区域,获取该研究区域的土地利用类型数据和社会经济资料数据。
在本实施例中,土地利用类型包括耕地、草地、水域和城乡用地,当类型为城乡用地时,分为工业用地和居民用地。
社会经济资料包括区域人口、GDP、道路数据、居民财产、农业产值、工业产值和服务业产值。
例如以某一县区A为洪灾研究区域,对区域进行实地勘察与资料收集,收集到各类社会经济数据与土地利用数据。收集到的土地利用数据为各个乡镇的PNG图片,通过ArcGIS对其进行空间校准并转换为栅格与矢量的SHP图层数据。同时,对收集到的各类社会经济数据进行空间化,通过关键字与对应地图图层建立关联。所有资料均审查分析其资料来源可靠;以村为最小单位进行人口统计。以乡镇为最小单位统计耕地面积、农业产值、村庄个数、粮食总产量、工业产值、户数等各类信息,各级资料要相互认证,分析其一致性;通过同一地区各年数据的对比分析,比如对人口及GDP每年的增长比例幅度值进行分析,从前后年反推基准年的值,验证其正确性。通过查阅该区域的《统计年鉴》获取县总人口数据、县总面积数据和工、农、服务业产值等大部分统计数据,通过联系县***获取了各镇面积数据。
步骤S2、针对于研究区域中所圈画出的重点区域,通过无人机航拍,根据无人机航拍的图像进行实景建模。在实施例中,研究区域中的重点区域由操作人员根据实际需求进行圈画。
在本实施例中,例如针对于步骤S1中所提到的县区A为洪灾研究区域,从中圈画出3km2重点区域进行倾斜摄影拍摄,获取分辨率优于0.05m的影像数据。对重点区域采集的航空影像进行实景三维数据成果生成,利用固定翼搭载SONY ILCE-A7R微单相机进行分辨率为0.05倾斜摄影影像拍摄,获取地面真彩色数字影像数据,并对数据进行质量检查、数据处理、成果整理和提交存储。
在本实施例中,可以使用多旋翼航飞无人机M600进行拍摄,其中无人机上的搭载航摄仪为包含5个相机的五拼相机***。五拼相机***选用5台数码相机,5台相机镜头焦距为35mm/21mm,该***适用于现有的数字摄影测量***软件,像素大小为6000*4000。无人机的航线信息可以如下表1所示:
表1
步骤S3、针对于重点区域的实景模型,进行土地利用类型数据的精细化分类圈画,然后将精细化后的土地利用类型数据与原始获取到的该重点区域的土地利用类型数据进行融合。
在本实施例中,针对于重点区域的实景模型,进行土地利用类型数据的精细化分类圈画的具体过程如下:
步骤S31、针对于重点区域的实景模型,对模型进行土地利用类型的面圈画,具体为将重点区域中土地利用类型为居民地和工业用地的区域,根据实景模型中的居民和工业建筑密度,再次下分为高密度居民/工业区、中密度居民/工业区、低密度居民/工业区和无人区;例如针对于某县区A,该县区重点区域再次划分后的效果如图2所示,该县区重点区域被划分成了高密度居民区和低密度居民区。
步骤S32、针对于重点区域的实景模型,从实际模型中将关注的重点建筑进行点模式的圈画,并且根据重点建筑类型赋予重点建筑为以下两种信息识别模式中的其中一种:
针对于第一种重点建筑,其信息识别模式为:
Pinfo={pname,px,py};
其中,Pinfo为识别的单体重点建筑,pname为单体重点建筑标识,px为单体建筑的x坐标值,py为单体建筑的y坐标值;
针对于第二种重点建筑,其信息识别模式为:
Pinfo={pname,px,py,pminz,pmaxz,ppop,pproty};
其中pminz为重点建筑底面高程,pmaxz为重点建筑顶面高程,ppop为重点建筑的常驻人口数量,pproty为重点建筑的财产总值;
其中,第一种重点建筑指的是只统计是否受淹且根据是否受淹确定损失统计的重点建筑,具体为:在统计损失时,若重点建筑受淹,则将重点建筑的损失确定为全部损失,若重点建筑未受淹,则将重点建筑的损失确定为未损失;
第二种重点建筑指的是根据淹没水深进行损失统计的重点建筑。
例如,将某县区A中的一栋高楼层酒店作为关注的重点区域,例如如图3所示,从重点区域中点圈画出该栋高楼层酒店,并且提取出该酒店的经纬度及相关高程信息,经实地资料收集与调查,该酒店常驻人口约100余人,建筑财产总值约2400万元。
步骤S33、将步骤S32和步骤S33处理后的精细化后的土地利用类型数据与原始获取到的该重点区域的土地利用类型数据进行融合,即进行结合。如图4a所述为某县区A重点区域原始获取到的土地利用类型数据,如图4b为某县区A通过本步骤融合获取到的土地利用类型数据。
步骤S4、基于融合后的重点区域的土地利用类型数据,接入洪水分时段模拟成果,结合针对于该重点区域收集到的社会资料数据中的人口、GDP和道路数据,进行各时段的洪灾影响分析与统计;具体过程如下:
步骤S41、针对于重点区域,接入多时段的洪水模拟成果数据,数据模拟如下:
F1t={cid,carea,zt,ht,vt};
t∈[1,T],cid∈[1,N];
式中:F1t为t时段洪水模拟成果,为基于洪水模拟网格的信息集合;cid为洪水模拟网格编号,carea为网格cid的面积;zt为网格cid在t时段的淹没水深;ht为网格cid在t时段的水面高程;vt为网格cid在t时段的水流流速;T为洪水总模拟时段数,N为洪水模拟网格总数;
在本实施例中,获取重点区域的河道流量、地形、河网等相关参数信息,然后输入到洪水模拟模型中,通过洪水模拟模型模拟出重点区域的cid,carea,zt,ht,vt参数,从而得到洪水模拟成果F1t。本实施例中所使用的洪水模拟模型可以是DHI公司的MIKE、美国陆军工程兵团水文工程中心的HEC-RAS、美国陆军工程兵团水文工程中心的SMS、中国水科院的IFMS、珠江水利科学研究院的HydroMPM_FloodRisk等模型,将重点区域的相关参数信息输入上述洪水模拟模型中,即可得到本实施例的洪水模拟成果。例如针对于某县区A重点区域进行洪水模拟,得到某一时刻洪水模拟成果数据如下表2所示,该重点区域总共被剖分为5.3万余各网格,网格示意图如图5所示。
表2
cid | h<sub>t</sub> | v<sub>t</sub> | z<sub>t</sub> | area |
1 | 24.52418 | -0.00101 | 0.268149 | 0.02106 |
2 | 24.52418 | -0.00204 | 0.268179 | 0.02831 |
3 | 24.52419 | -0.00097 | 0.268158 | 0.05122 |
4 | 24.52419 | -0.00531 | 0.268157 | 0.0598 |
5 | 24.5242 | -0.00059 | 0.268201 | 0.012032 |
6 | 24.52419 | -0.00851 | 0.268193 | 0.010765 |
7 | 24.52419 | -0.00302 | 0.268186 | 0.0357 |
8 | 24.52418 | -0.00198 | 0.268177 | 0.01982 |
… | … | … | … | … |
步骤S42、基于融合后的重点区域的土地利用类型数据与洪水模拟网格进行空间连接分析,确定每个网格的土地利用类型,确定类型后的洪水数据模式变更为如下:
F2t={cid,carea,ctdly,zt,ht,vt};
t∈[1,T],cid∈[1,N];
其中,F2t为本步骤变更后的t时段洪水模拟成果,ctdly为网格cid的土地利用类型;
步骤S43、基于重点区域收集到的道路图层数据,与洪水模拟网格进行空间连接分析,确定每个网格包含的道路名称及长度的合集,洪水数据模式变更为如下:
F3t={cid,carea,ctdly,zt,ht,vt,Rnames,Rlens};
t∈[1,T],cid∈[1,N];
其中,F3t为本步骤变更后的t时段洪水模拟成果,Rnames为网格cid的道路名称信息,为一条或多条道路名称的集合,Rlens为网格cid的各道路长度信息结合;
步骤S44、基于重点区域收集到的区域人口和GDP数据,对洪水模拟网格进行数据的空间展布,洪水数据模式变更为如下:
F4t={cid,carea,ctdly,zt,ht,vt,cpop,cgdp,Rnames,Rlens};
t∈[1,T],cid∈[1,N];
其中,F4t为本步骤变更后的t时段洪水模拟成果,cpop为网格cid内的人口数量,cgdp为网格cid内的GDP值;
在本实施例中,某县区A重点区域进行洪水模拟后,经过本步骤后洪水数据模式变更为如表3所示:
表3
步骤S45、确定洪水影响分析的洪水要素与阈值,将各网格的洪水元素与阈值进行比较,根据比较结果确定对应网格是否受灾;根据各时刻各受灾网格的洪水数据模式,计算各个时刻的受灾人口、受影响GDP值,同时获取到受影响道路信息。
本实施例中确定洪水影响分析的洪水要素为网格的淹没水深和流速;当网格的淹没水深或者流速大于一定阈值时,确定该网格为受灾状态,上述阈值可以设置为0,即当网格的淹没水深大于0或者流速大于0时,确定该网格为受灾状态。
在本实施例中,根据各时刻受灾网格的洪水数据模式,计算重点区域各时刻的受灾人口数量和受影响GDP值:
从受灾网格的洪水数据模式中提取出道路名称信息和道路长度信息,确定受灾的道路名称以及道路长度。
步骤S5、基于融合后的重点区域的土地利用类型数据,接入洪水分时段模拟成果,结合针对于该重点区域收集到的社会资料数据中的多产业经济数据,根据设定的水深和损失率关系曲线,进行对各时段的洪灾损失动态分析与统计。具体如下:
步骤S51、接入多时段的洪水模拟成果数据,数据模拟如下:
F1t={cid,carea,zt,ht,vt};
t∈[1,T],cid∈[1,N];
式中:F1t为t时段洪水模拟成果,为基于洪水模拟网格的信息集合;cid为洪水模拟网格编号,carea为网格cid的面积;zt为网格cid在t时段的淹没水深;ht为网格cid在t时段的水面高程;vt为网格cid在t时段的水流流速;T为洪水总模拟时段数,N为洪水模拟网格总数;
在本步骤中,直接使用步骤S41中各时刻得到的洪水模拟成果数据即可。
步骤S52、通过空间连接分析对洪水模拟网格引入土地利用、居民财产、工业产值、农业产值和服务业产值,将洪水数据模式变更为如下:
F2t={cid,carea,ctdly,zt,ht,vt,cproty_jm,cproty_gy,cproty_ny,cproty_fwy};
t∈[1,T],cid∈[1,N];
其中,F2t为本步骤变更后的t时段洪水模拟成果,ctdly为网格cid的土地利用类型;cproty_jm为网格cid内的居民财产值;cproty_gy为为网格cid内的工业产值;cproty_ny为为网格cid内的农业产值;cproty_fwyw为网格cid内的服务业产值;
步骤S53、将重点区域内的重点建筑信息与洪水模拟网格进行空间连接分析,确定每个网格包含的重点建筑点信息合集,将洪水数据模式变更为如下:
F3t={cid,carea,ctdly,zt,ht,vt,cproty_jm,cproty_gy,cproty_ny,cproty_fwy,
cpinfos};
其中,F3t为本步骤变更后的t时段洪水模拟成果,cpinfos为网格cid内的重点建筑信息,cpinfos是识别的单体重点建筑Pinfo的集合;
在本实施例中,某县区A重点区域进行洪水模拟后,经过本步骤后洪水数据模式变更为如表5所示;
表5
由以上数据可知,某县区A重点区域内cid为5的网格包含了识别出来的重点建筑,即步骤S3中精细化分类圈画的酒店,该酒店的底高程为24.3m,顶面高程为46.3m,常驻人口约100人,建筑财产值为3600万元。
步骤S54、确定洪水影响分析的洪水要素与阈值,将各网格的洪水元素与阈值进行比较,根据比较结果确定对应网格是否受灾;基于F3t中的cpinfos信息,针对受灾网格中信息识别模式为第一种的重点建筑,进行财产瞬时计算与受灾人口计算:
其中Ppopt为重点建筑在t时刻时的受灾人数;
在本步骤中,确定洪水影响分析的洪水要素为网格的淹没水深和流速;当网格的淹没水深或者流速大于一定阈值时,确定该网格为受灾状态;其中上述阈值可以设置为0,即网格的淹没水深大于0或者流速大于0时,即可确定该网格为受灾状态。
步骤S55、获取居民财产、农业产值、工业产值和服务业产值与网格内洪水淹没水深的损失率关系,根据上述关系,对各时刻各受灾网格进行居民财产,农业产值、工业产值、服务业产值的损失计算,并且求和后得到各时刻重点区域内居民财产,农业产值、工业产值、服务业产值的损失。
本实施例中,居民财产、农业产值、工业产值和服务业产值与网格内洪水淹没水深的损失率关系例如下表6所示;
表6
淹没水深 | 居民财产(%) | 农业(%) | 工业(%) | 服务业(%) |
[0.05,0.5] | 3 | 8.3 | 5.2 | 6.7 |
(0.5,1.0] | 15 | 41.3 | 10.4 | 27 |
(1.0,1.5] | 22 | 49.5 | 15.5 | 33.7 |
(1.5,2.0] | 29 | 60.5 | 20.7 | 42.1 |
(2.0,2.5] | 34 | 71.5 | 27.6 | 48.8 |
(2.5,3.0] | 42 | 79.8 | 32.8 | 57.3 |
>3.0 | 50 | 88 | 38 | 64 |
例如当重点区域中表5所示的网格5中淹没水深为0.268,则采用第一级损失率,即居民财产损失按3%进行计算,服务业损失按6.7%进行计算。并且按照步骤S54中的公式可以计算出,0.268淹没水深下,网格5中重点建筑的受灾人口为1人,损失财产为43万元。
在本实施例上述方法中,采用地均法针对各网格的GDP值、人口数量、居民财产、工业产值、农业产值和服务业产值进行计算,具体为获取重点区域的总面积,在划分各网格后,计算各网格面积占重点区域的总面积的比例,并且根据网格的土地利用类型,为各网格赋予相应的GDP值、人口数量、居民财产、工业产值、农业产值和服务业产值的权重值。例如,针对于居民区土地类型的网格cid,可以将该网格的GDP值、人口数量、居民财产、工业产值、农业产值和服务业产值的权重值分别赋为b1至b6、那么可以计算网格中人口数量时可以为:
其中carea为网格cid的面积,s总为重点区域的总面积,P总为重点区域的总人口量,b2为对网格cid的人口数量赋予的权重。在本实施例,根据网格的土地利用类型赋予GDP值、人口数量、居民财产、工业产值、农业产值和服务业产值不同的权重值,例如对于为耕地的土地利用类型的网格,赋予人口数量的权重值会比较低,而对于高密度居民区土地类型的网格,赋予人口数量的权重值会比较高。
实施例2
本实施例公开一种基于实景模型的洪灾动态评估装置,该装置包括:
数据获取模块,用于针对于具体工程研究区域,获取该研究区域的土地利用类型数据和社会经济资料数据;
实景建模模块,用于针对于研究区域中所圈画出的重点区域,进行实景建模,获取到重点区域的实景模型;
数据融合模块,用于针对于重点区域的实景模型,进行土地利用类型数据的精细化分类圈画,然后将精细化后的土地利用类型数据与原始获取到的该重点区域的土地利用类型数据进行融合;
洪灾影响分析与统计模块,用于针对于融合后的重点区域的土地利用类型数据,接入洪水分时段模拟成果,结合针对于该重点区域收集到的社会资料数据中的人口、GDP和道路数据,进行各时段的洪灾影响分析与统计;
洪灾损失动态分析与统计模块,用于针对于融合后的重点区域的土地利用类型数据,接入洪水分时段模拟成果,结合针对于该重点区域收集到的社会资料数据中的多产业经济数据,根据设定的水深和损失率关系曲线,进行对各时段的洪灾损失动态分析与统计。
本实施例洪灾动态评估装置与实施例1的洪灾动态评估方法相对应,因此各个模块的具体实现可以参见上述实施例1,在此不再一一赘述;需要说明的是,本实施例提供的装置仅以上述各功能模块的划分进行举例说明,在实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
实施例3
本实施例公开了一种存储介质,存储有程序,所述程序被处理器执行时,实现实施例1所述的基于实景模型的洪灾动态评估方法,如下:
针对于洪灾研究区域,获取该研究区域的土地利用类型数据和社会经济资料数据;
针对于洪灾研究区域中所圈画出的重点区域,进行实景建模,获取到重点区域的实景模型;
针对于重点区域的实景模型,进行土地利用类型数据的精细化分类圈画,然后将精细化后的土地利用类型数据与原始获取到的该重点区域的土地利用类型数据进行融合;
基于融合后的重点区域的土地利用类型数据,接入洪水分时段模拟成果,结合针对于该重点区域收集到的社会资料数据中的人口、GDP和道路数据,进行各时段的洪灾影响分析与统计;
基于融合后的重点区域的土地利用类型数据,接入洪水分时段模拟成果,结合针对于该重点区域收集到的社会资料数据中的多产业经济数据,根据设定的水深和损失率关系曲线,进行对各时段的洪灾损失动态分析与统计。
本实施例中存储介质可以是磁盘、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、U盘、移动硬盘等介质。
实施例4
本实施例公开了一种计算设备,如图6所示,包括通过***总线1401连接的处理器1402、存储器、输入装置1403、显示器1404和网络接口1405。其中,处理器1402用于提供计算和控制能力,存储器包括非易失性存储介质1406和内存储器1407,该非易失性存储介质1406存储有操作***、计算机程序和数据库,该内存储器1407为非易失性存储介质1406中的操作***和计算机程序的运行提供环境,计算机程序被处理器1402执行时,实现上述实施例1所述的基于实景模型的洪灾动态评估方法,如下:
针对于洪灾研究区域,获取该研究区域的土地利用类型数据和社会经济资料数据;
针对于洪灾研究区域中所圈画出的重点区域,进行实景建模,获取到重点区域的实景模型;
针对于重点区域的实景模型,进行土地利用类型数据的精细化分类圈画,然后将精细化后的土地利用类型数据与原始获取到的该重点区域的土地利用类型数据进行融合;
基于融合后的重点区域的土地利用类型数据,接入洪水分时段模拟成果,结合针对于该重点区域收集到的社会资料数据中的人口、GDP和道路数据,进行各时段的洪灾影响分析与统计;
基于融合后的重点区域的土地利用类型数据,接入洪水分时段模拟成果,结合针对于该重点区域收集到的社会资料数据中的多产业经济数据,根据设定的水深和损失率关系曲线,进行对各时段的洪灾损失动态分析与统计。
本实施例中计算设备可以是台式电脑、笔记本电脑、智能手机、PDA手持终端、平板电脑或其他具有处理器功能的终端设备。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (7)
1.一种基于实景模型的洪灾动态评估方法,其特征在于,步骤如下:
针对于洪灾研究区域,获取该研究区域的土地利用类型数据和社会经济资料数据;
针对于洪灾研究区域中所圈画出的重点区域,进行实景建模,获取到重点区域的实景模型;
针对于重点区域的实景模型,进行土地利用类型数据的精细化分类圈画,然后将精细化后的土地利用类型数据与原始获取到的该重点区域的土地利用类型数据进行融合;
基于融合后的重点区域的土地利用类型数据,接入洪水分时段模拟成果,结合针对于该重点区域收集到的社会资料数据中的人口、GDP和道路数据,进行各时段的洪灾影响分析与统计;
基于融合后的重点区域的土地利用类型数据,接入洪水分时段模拟成果,结合针对于该重点区域收集到的社会资料数据中的多产业经济数据,根据设定的水深和损失率关系曲线,进行对各时段的洪灾损失动态分析与统计;
针对于重点区域的实景模型,进行土地利用类型数据的精细化分类圈画的具体过程如下:
针对于重点区域的实景模型,对模型进行土地利用类型的面圈画,具体为将重点区域中土地利用类型为居民地和工业用地的区域,根据实景模型中的居民和工业建筑密度,再次下分为高密度居民/工业区、中密度居民/工业区和低密度居民/工业区;
针对于重点区域的实景模型,从实际模型中将关注的重点建筑进行点模式的圈画,并且根据重点建筑类型赋予重点建筑为以下两种信息识别模式中的其中一种:
针对于第一种重点建筑,其信息识别模式为:
Pinfo={pname,px,py};
其中,Pinfo为识别的单体重点建筑,pname为单体重点建筑标识,px为单体建筑的x坐标值,py为单体建筑的y坐标值;
针对于第二种重点建筑,其信息识别模式为:
Pinfo={pname,px,py,pminz,pmaxz,ppop,pproty};
其中pminz为重点建筑底面高程,pmaxz为重点建筑顶面高程,ppop为重点建筑的常驻人口数量,pproty为重点建筑的财产总值;
其中,第一种重点建筑指的是只统计是否受淹且根据是否受淹确定损失统计的重点建筑,具体为:在统计损失时,若重点建筑受淹,则将重点建筑的损失确定为全部损失,若重点建筑未受淹,则将重点建筑的损失确定为未损失;
第二种重点建筑指的是根据淹没水深进行损失统计的重点建筑;
基于融合后的重点区域的土地利用类型数据,接入洪水分时段模拟成果,结合针对于该重点区域收集到的社会资料数据中的人口、GDP和道路数据,进行各时段的洪灾影响分析与统计的具体过程如下:
步骤S41、针对于重点区域,接入多时段的洪水模拟成果数据,数据模拟如下:
F1t={cid,carea,zt,ht,vt};
t∈[1,T],cid∈[1,N];
式中:F1t为t时段洪水模拟成果,为基于洪水模拟网格的信息集合;cid为洪水模拟网格编号,carea为网格cid的面积;zt为网格cid在t时段的淹没水深;ht为网格cid在t时段的水面高程;vt为网格cid在t时段的水流流速;T为洪水总模拟时段数,N为洪水模拟网格总数;
步骤S42、基于融合后的重点区域的土地利用类型数据与洪水模拟网格进行空间连接分析,确定每个网格的土地利用类型,确定类型后的洪水数据模式变更为如下:
F2t={cid,carea,ctdly,zt,ht,vt};
t∈[1,T],cid∈[1,N];
其中,F2t为本步骤变更后的t时段洪水模拟成果,ctdly为网格cid的土地利用类型;
步骤S43、基于重点区域收集到的道路图层数据,与洪水模拟网格进行空间连接分析,确定每个网格包含的道路名称及长度的合集,洪水数据模式变更为如下:
F3t={cid,carea,ctdly,zt,ht,vt,Rnames,Rlens};
t∈[1,T],cid∈[1,N];
其中,F3t为本步骤变更后的t时段洪水模拟成果,Rnames为网格cid的道路名称信息,为一条或多条道路名称的集合,Rlens为网格cid的各道路长度信息结合;
步骤S44、基于重点区域收集到的区域人口和GDP数据,对洪水模拟网格进行数据的空间展布,洪水数据模式变更为如下:
F4t={cid,carea,ctdly,zt,ht,vt,cpop,cgdp,Rnames,Rlens};
t∈[1,T],cid∈[1,N];
其中,F4t为本步骤变更后的t时段洪水模拟成果,cpop为网格cid内的人口数量,cgdp为网格cid内的GDP值;
步骤S45、确定洪水影响分析的洪水要素与阈值,将各网格的洪水元素与阈值进行比较,根据比较结果确定对应网格是否受灾;根据各时刻各受灾网格的洪水数据模式,计算各个时刻的受灾人口、受影响GDP值,同时获取到受影响道路信息;
基于融合后的重点区域的土地利用类型数据,接入洪水分时段模拟成果,结合针对于该重点区域收集到的社会资料数据中的多产业经济数据,根据设定的水深和损失率关系曲线,进行对各时段的洪灾损失动态分析与统计的具体过程如下:
步骤S51、针对于重点区域,接入多时段的洪水模拟成果数据,数据模拟如下:
F1t={cid,carea,zt,ht,vt};
t∈[1,T],cid∈[1,N];
式中:F1t为t时段洪水模拟成果,为基于洪水模拟网格的信息集合;cid为洪水模拟网格编号,carea为网格cid的面积;zt为网格cid在t时段的淹没水深;ht为网格cid在t时段的水面高程;vt为网格cid在t时段的水流流速;T为洪水总模拟时段数,N为洪水模拟网格总数;
步骤S52、通过空间连接分析对洪水模拟网格引入土地利用、居民财产、工业产值、农业产值和服务业产值,将洪水数据模式变更为如下:
F2t={cid,carea,ctdly,zt,ht,vt,cproty_jm,cproty_gy,cproty_ny,cproty_fwy};
t∈[1,T],cid∈[1,N];
其中,F2t为本步骤变更后的t时段洪水模拟成果,ctdly为网格cid的土地利用类型;cproty_jm为网格cid内的居民财产值;cproty_gy为为网格cid内的工业产值;cproty_ny为为网格cid内的农业产值;cproty_fwyw为网格cid内的服务业产值;
步骤S53、将重点区域内的重点建筑信息与洪水模拟网格进行空间连接分析,确定每个网格包含的重点建筑点信息合集,将洪水数据模式变更为如下:
F3t={cid,carea,ctdly,zt,ht,vt,cproty_jm,cproty_gy,cproty_ny,cproty_fwy,cpinfos};
其中,F3t为本步骤变更后的t时段洪水模拟成果,cpinfos为网格cid内的重点建筑信息,cpinfos是识别的单体重点建筑Pinfo的集合;
步骤S54、确定洪水影响分析的洪水要素与阈值,将各网格的洪水元素与阈值进行比较,根据比较结果确定对应网格是否受灾;基于F3t中的cpinfos信息,针对受灾网格中信息识别模式为第一种的重点建筑,进行财产瞬时计算与受灾人口计算:
其中Ppopt为重点建筑在t时刻时的受灾人数;
步骤S55、获取居民财产、农业产值、工业产值和服务业产值与网格内洪水淹没水深的损失率关系,根据上述关系,对各时刻各受灾网格进行居民财产,农业产值、工业产值、服务业产值的损失计算,并且求和后得到各时刻重点区域内居民财产,农业产值、工业产值、服务业产值的损失。
2.根据权利要求1所述的基于实景模型的洪灾动态评估方法,其特征在于,所述土地利用类型包括耕地、草地、水域和城乡用地,当类型为城乡用地时,分为工业用地和居民用地;
所述社会经济资料包括区域人口、GDP、道路数据、居民财产、农业产值、工业产值和服务业产值;
针对于研究区域中所圈画出的重点区域,通过无人机航拍,根据无人机航拍的图像进行实景建模。
4.根据权利要求1所述的基于实景模型的洪灾动态评估方法,其特征在于,步骤S54中确定洪水影响分析的洪水要素为网格的淹没水深和流速;当网格的淹没水深或者流速大于一定阈值时,确定该网格为受灾状态;
居民财产、农业产值、工业产值和服务业产值与网格内洪水淹没水深的损失率关系如下:
当网格内洪水淹没水深为0.05~0.5米时:网格内居民财产损失3%,农业产值损失8.3%,工业产值损失5.2%,服务业产值损失6.7%;
当网格内洪水淹没水深为0.5~1米时:网格内居民财产损失15%,农业产值损失41.3%,工业产值损失10.4%,服务业产值损失27%;
当网格内洪水淹没水深为1~1.5米时:网格内居民财产损失22%,农业产值损失49.5%,工业产值损失15.5%,服务业产值损失33.7%;
当网格内洪水淹没水深为1.5~2.0米时:网格内居民财产损失29%,农业产值损失60.5%,工业产值损失20.7%,服务业产值损失42.1%;
当网格内洪水淹没水深为2.0~2.5米时:网格内居民财产损失24%,农业产值损失71.5%,工业产值损失27.6%,服务业产值损失48.8%;
当网格内洪水淹没水深为2.5~3米时:网格内居民财产损失42%,农业产值损失79.8%,工业产值损失32.8%,服务业产值损失57.3%;
当网格内洪水淹没水深大于3米时,网格内居民财产损失50%,农业产值损失88%,工业产值损失38%,服务业产值损失64%。
5.一种基于实景模型的洪灾动态评估装置,其特征在于,该装置包括:
数据获取模块,用于针对于具体工程研究区域,获取该研究区域的土地利用类型数据和社会经济资料数据;
实景建模模块,用于针对于研究区域中所圈画出的重点区域,进行实景建模,获取到重点区域的实景模型;
数据融合模块,用于针对于重点区域的实景模型,进行土地利用类型数据的精细化分类圈画,然后将精细化后的土地利用类型数据与原始获取到的该重点区域的土地利用类型数据进行融合;
洪灾影响分析与统计模块,用于针对于融合后的重点区域的土地利用类型数据,接入洪水分时段模拟成果,结合针对于该重点区域收集到的社会资料数据中的人口、GDP和道路数据,进行各时段的洪灾影响分析与统计;
洪灾损失动态分析与统计模块,用于针对于融合后的重点区域的土地利用类型数据,接入洪水分时段模拟成果,结合针对于该重点区域收集到的社会资料数据中的多产业经济数据,根据设定的水深和损失率关系曲线,进行对各时段的洪灾损失动态分析与统计;
其中:
针对于重点区域的实景模型,进行土地利用类型数据的精细化分类圈画的具体过程如下:
针对于重点区域的实景模型,对模型进行土地利用类型的面圈画,具体为将重点区域中土地利用类型为居民地和工业用地的区域,根据实景模型中的居民和工业建筑密度,再次下分为高密度居民/工业区、中密度居民/工业区和低密度居民/工业区;
针对于重点区域的实景模型,从实际模型中将关注的重点建筑进行点模式的圈画,并且根据重点建筑类型赋予重点建筑为以下两种信息识别模式中的其中一种:
针对于第一种重点建筑,其信息识别模式为:
Pinfo={pname,px,py};
其中,Pinfo为识别的单体重点建筑,pname为单体重点建筑标识,px为单体建筑的x坐标值,py为单体建筑的y坐标值;
针对于第二种重点建筑,其信息识别模式为:
Pinfo={pname,px,py,pminz,pmaxz,ppop,pproty};
其中pminz为重点建筑底面高程,pmaxz为重点建筑顶面高程,ppop为重点建筑的常驻人口数量,pproty为重点建筑的财产总值;
其中,第一种重点建筑指的是只统计是否受淹且根据是否受淹确定损失统计的重点建筑,具体为:在统计损失时,若重点建筑受淹,则将重点建筑的损失确定为全部损失,若重点建筑未受淹,则将重点建筑的损失确定为未损失;
第二种重点建筑指的是根据淹没水深进行损失统计的重点建筑;
基于融合后的重点区域的土地利用类型数据,接入洪水分时段模拟成果,结合针对于该重点区域收集到的社会资料数据中的人口、GDP和道路数据,进行各时段的洪灾影响分析与统计的具体过程如下:
步骤S41、针对于重点区域,接入多时段的洪水模拟成果数据,数据模拟如下:
F1t={cid,carea,zt,ht,vt};
t∈[1,T],cid∈[1,N];
式中:F1t为t时段洪水模拟成果,为基于洪水模拟网格的信息集合;cid为洪水模拟网格编号,carea为网格cid的面积;zt为网格cid在t时段的淹没水深;ht为网格cid在t时段的水面高程;vt为网格cid在t时段的水流流速;T为洪水总模拟时段数,N为洪水模拟网格总数;
步骤S42、基于融合后的重点区域的土地利用类型数据与洪水模拟网格进行空间连接分析,确定每个网格的土地利用类型,确定类型后的洪水数据模式变更为如下:
F2t={cid,carea,ctdly,zt,ht,vt};
t∈[1,T],cid∈[1,N];
其中,F2t为本步骤变更后的t时段洪水模拟成果,ctdly为网格cid的土地利用类型;
步骤S43、基于重点区域收集到的道路图层数据,与洪水模拟网格进行空间连接分析,确定每个网格包含的道路名称及长度的合集,洪水数据模式变更为如下:
F3t={cid,carea,ctdly,zt,ht,vt,Rnames,Rlens};
t∈[1,T],cid∈[1,N];
其中,F3t为本步骤变更后的t时段洪水模拟成果,Rnames为网格cid的道路名称信息,为一条或多条道路名称的集合,Rlens为网格cid的各道路长度信息结合;
步骤S44、基于重点区域收集到的区域人口和GDP数据,对洪水模拟网格进行数据的空间展布,洪水数据模式变更为如下:
F4t={cid,carea,ctdly,zt,ht,vt,cpop,cgdp,Rnames,Rlens};
t∈[1,T],cid∈[1,N];
其中,F4t为本步骤变更后的t时段洪水模拟成果,cpop为网格cid内的人口数量,cgdp为网格cid内的GDP值;
步骤S45、确定洪水影响分析的洪水要素与阈值,将各网格的洪水元素与阈值进行比较,根据比较结果确定对应网格是否受灾;根据各时刻各受灾网格的洪水数据模式,计算各个时刻的受灾人口、受影响GDP值,同时获取到受影响道路信息;
基于融合后的重点区域的土地利用类型数据,接入洪水分时段模拟成果,结合针对于该重点区域收集到的社会资料数据中的多产业经济数据,根据设定的水深和损失率关系曲线,进行对各时段的洪灾损失动态分析与统计的具体过程如下:
步骤S51、针对于重点区域,接入多时段的洪水模拟成果数据,数据模拟如下:
F1t={cid,carea,zt,ht,vt};
t∈[1,T],cid∈[1,N];
式中:F1t为t时段洪水模拟成果,为基于洪水模拟网格的信息集合;cid为洪水模拟网格编号,carea为网格cid的面积;zt为网格cid在t时段的淹没水深;ht为网格cid在t时段的水面高程;vt为网格cid在t时段的水流流速;T为洪水总模拟时段数,N为洪水模拟网格总数;
步骤S52、通过空间连接分析对洪水模拟网格引入土地利用、居民财产、工业产值、农业产值和服务业产值,将洪水数据模式变更为如下:
F2t={cid,carea,ctdly,zt,ht,vt,cproty_jm,cproty_gy,cproty_ny,cproty_fwy};
t∈[1,T],cid∈[1,N];
其中,F2t为本步骤变更后的t时段洪水模拟成果,ctdly为网格cid的土地利用类型;cproty_jm为网格cid内的居民财产值;cproty_gy为为网格cid内的工业产值;cproty_ny为为网格cid内的农业产值;cproty_fwyw为网格cid内的服务业产值;
步骤S53、将重点区域内的重点建筑信息与洪水模拟网格进行空间连接分析,确定每个网格包含的重点建筑点信息合集,将洪水数据模式变更为如下:
F3t={cid,carea,ctdly,zt,ht,vt,cproty_jm,cproty_gy,cproty_ny,cproty_fwy,cpinfos};
其中,F3t为本步骤变更后的t时段洪水模拟成果,cpinfos为网格cid内的重点建筑信息,cpinfos是识别的单体重点建筑Pinfo的集合;
步骤S54、确定洪水影响分析的洪水要素与阈值,将各网格的洪水元素与阈值进行比较,根据比较结果确定对应网格是否受灾;基于F3t中的cpinfos信息,针对受灾网格中信息识别模式为第一种的重点建筑,进行财产瞬时计算与受灾人口计算:
其中Ppopt为重点建筑在t时刻时的受灾人数;
步骤S55、获取居民财产、农业产值、工业产值和服务业产值与网格内洪水淹没水深的损失率关系,根据上述关系,对各时刻各受灾网格进行居民财产,农业产值、工业产值、服务业产值的损失计算,并且求和后得到各时刻重点区域内居民财产,农业产值、工业产值、服务业产值的损失。
6.一种存储介质,存储有程序,其特征在于,所述程序被处理器执行时,实现权利要求1至4中任一项所述的基于实景模型的洪灾动态评估方法。
7.一种计算设备,包括处理器以及用于存储处理器可执行程序的存储器,其特征在于,所述处理器执行存储器存储的程序时,实现权利要求1至4中任一项所述的基于实景模型的洪灾动态评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911294119.3A CN110956412B (zh) | 2019-12-16 | 2019-12-16 | 基于实景模型的洪灾动态评估方法、装置、介质和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911294119.3A CN110956412B (zh) | 2019-12-16 | 2019-12-16 | 基于实景模型的洪灾动态评估方法、装置、介质和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110956412A CN110956412A (zh) | 2020-04-03 |
CN110956412B true CN110956412B (zh) | 2020-11-13 |
Family
ID=69981837
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911294119.3A Active CN110956412B (zh) | 2019-12-16 | 2019-12-16 | 基于实景模型的洪灾动态评估方法、装置、介质和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110956412B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112132341B (zh) * | 2020-09-22 | 2021-10-12 | 西安理工大学 | 一种基于暴雨过程的洪水风险预测方法 |
CN112697197A (zh) * | 2020-12-08 | 2021-04-23 | 中水三立数据技术股份有限公司 | 一种基于gis和bim融合技术的多孔防洪闸可视化管理***及方法 |
CN116362541B (zh) * | 2023-03-23 | 2023-09-22 | 中国水利水电科学研究院 | 一种基于标准网格的洪水影响人口与gdp风险评估方法 |
CN116187769B (zh) * | 2023-05-04 | 2023-07-04 | 四川省安全科学技术研究院 | 基于情景模拟的城镇洪涝灾害风险研判方法 |
CN116957303B (zh) * | 2023-09-20 | 2023-11-28 | 河海大学 | 面向洪涝灾害场景的应急响应调度决策方法及*** |
CN117708551B (zh) * | 2024-02-06 | 2024-05-10 | 水利部交通运输部国家能源局南京水利科学研究院 | 基于双精度gdp数据展布的洪涝灾害影响评估方法和*** |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006099662A (ja) * | 2004-09-30 | 2006-04-13 | Non-Life Insurance Rating Organization Of Japan | 確率的及び工学的な水災評価方法 |
CN101188022A (zh) * | 2007-12-20 | 2008-05-28 | 浙江大学 | 一种面向大城市灾害展示的洪涝淹没分析方法 |
CN103218522A (zh) * | 2013-04-01 | 2013-07-24 | 民政部国家减灾中心 | 一种划分洪灾风险等级的方法及装置 |
CN104766132A (zh) * | 2015-03-02 | 2015-07-08 | 中国水利水电科学研究院 | 基于遥感的洪水淹没历时模拟***及方法 |
CN105844709A (zh) * | 2016-03-25 | 2016-08-10 | 中国水利水电科学研究院 | 复杂河道地形流域洪水演进虚拟仿真的淹没线追踪方法 |
CN106651211A (zh) * | 2016-12-30 | 2017-05-10 | 吉林师范大学 | 一种不同尺度区域洪水灾害风险评估的方法 |
CN108052776A (zh) * | 2018-01-12 | 2018-05-18 | 河南省水利勘测设计研究有限公司 | 基于bim和三维实景模型的洪水模型构建与动态展示方法 |
CN108062453A (zh) * | 2018-01-12 | 2018-05-22 | 河南省水利勘测设计研究有限公司 | 水利信息化***洪水高效模拟与高逼真可视化动态展示方法 |
CN109376996A (zh) * | 2018-09-18 | 2019-02-22 | 中国水利水电科学研究院 | 基于统计年鉴及地理信息的洪水损失评估方法和*** |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663827B (zh) * | 2012-03-02 | 2014-07-09 | 天津大学 | 复杂淹没区域风暴潮洪水演进三维动态全过程仿真方法 |
US20160063635A1 (en) * | 2014-03-17 | 2016-03-03 | Emmett Collazo | System, Method, and Apparatus for Flood Risk Analysis |
CN104408900B (zh) * | 2014-11-10 | 2017-04-05 | 柳州师范高等专科学校 | 基于动态优化的神经网络洪水预警装置及其方法 |
-
2019
- 2019-12-16 CN CN201911294119.3A patent/CN110956412B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006099662A (ja) * | 2004-09-30 | 2006-04-13 | Non-Life Insurance Rating Organization Of Japan | 確率的及び工学的な水災評価方法 |
CN101188022A (zh) * | 2007-12-20 | 2008-05-28 | 浙江大学 | 一种面向大城市灾害展示的洪涝淹没分析方法 |
CN103218522A (zh) * | 2013-04-01 | 2013-07-24 | 民政部国家减灾中心 | 一种划分洪灾风险等级的方法及装置 |
CN104766132A (zh) * | 2015-03-02 | 2015-07-08 | 中国水利水电科学研究院 | 基于遥感的洪水淹没历时模拟***及方法 |
CN105844709A (zh) * | 2016-03-25 | 2016-08-10 | 中国水利水电科学研究院 | 复杂河道地形流域洪水演进虚拟仿真的淹没线追踪方法 |
CN106651211A (zh) * | 2016-12-30 | 2017-05-10 | 吉林师范大学 | 一种不同尺度区域洪水灾害风险评估的方法 |
CN108052776A (zh) * | 2018-01-12 | 2018-05-18 | 河南省水利勘测设计研究有限公司 | 基于bim和三维实景模型的洪水模型构建与动态展示方法 |
CN108062453A (zh) * | 2018-01-12 | 2018-05-22 | 河南省水利勘测设计研究有限公司 | 水利信息化***洪水高效模拟与高逼真可视化动态展示方法 |
CN109376996A (zh) * | 2018-09-18 | 2019-02-22 | 中国水利水电科学研究院 | 基于统计年鉴及地理信息的洪水损失评估方法和*** |
Non-Patent Citations (1)
Title |
---|
"基于高稳、高速计算的洪水实时分析技术";宋利祥;《中国防汛抗旱》;20190515;第29卷(第5期);第6-7页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110956412A (zh) | 2020-04-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110956412B (zh) | 基于实景模型的洪灾动态评估方法、装置、介质和设备 | |
CN111932036B (zh) | 基于位置大数据的精细时空尺度动态人口预测方法及*** | |
Wang et al. | Machine learning-based regional scale intelligent modeling of building information for natural hazard risk management | |
Foltête et al. | Coupling crowd-sourced imagery and visibility modelling to identify landscape preferences at the panorama level | |
CN115659816A (zh) | 基于孪生模型的城市内涝点预测方法及*** | |
CN110503267B (zh) | 基于时空尺度自适应模型的城市侵财案件预测***及预测方法 | |
CN116343103B (zh) | 一种基于三维gis场景与视频融合的自然资源监管方法 | |
Nurkarim et al. | Building footprint extraction and counting on very high-resolution satellite imagery using object detection deep learning framework | |
CN111986215A (zh) | 一种基于高精度建筑物数据的人口计算方法及*** | |
Xu et al. | Building height calculation for an urban area based on street view images and deep learning | |
CN116011322A (zh) | 基于数字孪生的城市信息展示方法、装置、设备及介质 | |
San Blas et al. | A Platform for Swimming Pool Detection and Legal Verification Using a Multi-Agent System and Remote Image Sensing. | |
Zhang | The spatial distribution and evolution of traditional villages based on remote sensing technology | |
Xia et al. | Research on the estimation of the real-time population in an earthquake area based on phone signals: A case study of the Jiuzhaigou earthquake | |
CN113971348B (zh) | 一种基于综合能源***的源端功率短期预测方法 | |
CN114842163A (zh) | 用于灾害评估的多尺度动态网格化模型构建方法 | |
CN115953556A (zh) | 暴雨内涝道路风险ar预警方法及装置 | |
CN115879594A (zh) | 一种基于地理探测器的城市定居人口分布趋势预测方法 | |
Wang et al. | Mountainous village relocation planning with 3D GIS virtual imaging space model and neural network | |
Smith et al. | Map Comparison Methods for Three‐Dimensional Space and Time Voxel Data | |
CN113128559A (zh) | 基于跨尺度特征融合金字塔网络的遥感图像目标检测方法 | |
CN113191553A (zh) | 基于建筑物尺度的人口空间分布估算方法及*** | |
Krunić et al. | Spatial aspects of demographic processes in Serbia | |
Gemmechis | Land use land cover dynamics using CA-Markov chain a case of belete gera forest priority area south western ethiopia | |
Han et al. | Holistic visual data representation for built environment assessment |
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 |