CN113869438A - 一种基于k-means的风暴潮灾害重点防御区选划方法 - Google Patents
一种基于k-means的风暴潮灾害重点防御区选划方法 Download PDFInfo
- Publication number
- CN113869438A CN113869438A CN202111166867.0A CN202111166867A CN113869438A CN 113869438 A CN113869438 A CN 113869438A CN 202111166867 A CN202111166867 A CN 202111166867A CN 113869438 A CN113869438 A CN 113869438A
- Authority
- CN
- China
- Prior art keywords
- key
- indexes
- areas
- area
- storm surge
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于k‑means的风暴潮灾害重点防御区选划方法,具体包括:S01、获取待选划地区的风暴潮评估研究结果作为数据集;S02、选取数据集中的一组独立判断指标及三组并列判断指标共四组相异的元素指标作为初始类簇中心;S03、对作为初始类簇中心的四项指标分别进行单属性K‑Means聚类分析;S04、依据初始类簇中心的四项指标中的三组并列判断指标的单属性K‑Means聚类分析结果进行空间叠加获取潜在重点防御区范围;S05、依据初始类簇中心的四项指标对数据集进行多属性K‑Means聚类确定重点防御区。有效的利用K‑Means聚类确定重点防御区,解决了现有技术中主观性过强、科学性较低、受类比项目指标标准值设立科学性与两个项目之间相似性等因素的影响以及方法通用性差等技术问题。
Description
技术领域
本发明应用于自然灾害防御区选划领域,具体是一种基于k-means的风暴潮灾害重点防御区选划方法。
背景技术
风暴潮灾害是我国面临的主要海洋灾害之一,几乎遍及中国沿海,其成灾频率高、致灾强度大,造成的人员和经济损失惨重,目前已列入我国的巨灾种类。虽然我国已出台了《风暴潮灾害重点防御区划定技术导则》(报批稿),对风暴潮灾害重点防御区划定起到了指导作用,但该导则并未提出风暴潮重点防御区(陆域)的选划标准,仅提出“综合考虑划定区域自然灾害特点、人口和GDP分布,以选定的危险性评估结果为依据,划定风暴潮灾害重点防御区陆域范围”的选划原则,在实际操作中主观性较大,容易导致结果偏离客观事实,制约着我国风暴潮灾害重点防御区选划工作的深化与海洋防灾减灾能力的提升。因此,有必要采用定量化的方法为风暴潮灾害重点防御区选划标准进行赋值,据此开展风暴潮灾害重点防御区选划才能更具有科学性与客观性。
目前国内外开展的灾害重点防御区选划,基本是通过一个或多个指标对目标单元是否能够选划为重点防御区进行综合判断。通常的做法是先建立多层级的指标体系并对各指标进行赋值,然后通过建立不同层级指标间的函数关系,将多个指标映射为一个综合评价指标,最后通过该综合指标来判断目标单元是否能够选划为重点防御区,因此,如何科学的设定综合评价指标的判断标准是进行重点防御区选划的核心技术。现阶段,我国常用的指标标准赋值方法主要有:1)经验判断法,即根据项目负责人自身的工作经验,主观上设定指标标准值,该方法操作起来最简便,但主观性也最强,严重依赖于项目负责人自身的经验与水平,适用于对客观数据依赖度不高且对赋值结果科学性不做要求的情况;2)专家打分法,即通过向多位具有相关领域丰富经验的专家进行咨询的方式来确定指标标准值,该方法具有简便、直观性强、计算方法简单等优点,但总体而言也是反映主观意识,对专家的代表性与专业性具有严格的要求;3)类比分析法,即借鉴相关性强的同类项目的指标标准值,作为本项目的指标标准值,该方法具有较好的可操作性与一定的科学性,但受类比项目指标标准值设立科学性与两个项目之间相似性等因素的影响,在没有同类项目或项目相似性不足的情况下,无法有效使用该方法;4)统计分析法,即采用统计学原理对获取的指标数据进行整理,找到一定的数学规律,从中选择具有统计学意义的特征值作为指标标准值,该方法基于客观数据,具有较好的科学性,但不同项目涉及数据样本自身特性不同,需要采用不同的数据处理方式才能找到特征值,即使同样的数据样本采用不同的数据处理方式得到的特征值也可能不同,此时需要对不同结果的合理性进行验证进而选择最佳数值,因此该方法适用于数据样本丰富的情况,且具体采用的数据分析方法与具体项目可能具有极强的关联性,而且少普遍适用特征。综上,如何科学有效的选划风暴潮灾害重点防御区成为了本领域的技术难题。
发明内容
本发明所要解决的技术问题是针对现有技术的不足,提供一种基于k-means的风暴潮灾害重点防御区选划方法。
为解决上述技术问题,本发明的一种基于k-means的风暴潮灾害重点防御区选划方法,具体包括:
S01、获取待选划地区的风暴潮评估研究结果作为数据集;
S02、选取数据集中的一组独立判断指标及三组并列判断指标共四组相异的元素指标作为初始类簇中心;
S03、对作为初始类簇中心的四项指标分别进行单属性K-Means聚类分析;
S04、依据初始类簇中心的四项指标中的三组并列判断指标的单属性K-Means聚类分析结果进行空间叠加获取潜在重点防御区范围;
S05、依据初始类簇中心的四项指标对数据集进行多属性K-Means聚类确定重点防御区。
作为一种可能的实施方式,进一步的,所述一组独立判断指标为淹没水深,所述三组并列判断指标分别为受灾人口、直接经济损失和间接经济损失。
作为一种可能的实施方式,进一步的,所述步骤S03具体包括:
S031、从数据集中分别选取出作为初始类簇中心的四项指标:淹没水深、受灾人口、直接经济损失和间接经济损失的数据,将各类数据均分为两类,即k=2;并将各类数据的细分值从小到大进行排列;
S032、通过单属性K-Means聚类分析确定四项指标的阀值:设元素阀值为x,设每个数据点为Pi,元素值为xi,计算式为:其中:E为元素阈值x与其余各数据点距离的平方和,求解E的最小值,对应的x即为元素的阈值。
S033、根据步骤S032所求四项指标的阀值将淹没水深、受灾人口、直接经济损失和间接经济损失的数据分为大于阀值的上界部分和小于阀值的下界部分;
S034、利用制图软件将上界部分和下界部分对应的区域区分表示,得到分别基于四项指标的重点区域和非重点区域范围。
作为一种可能的实施方式,进一步的,所述步骤S04具体为:将步骤S03获得的直接经济损失、间接经济损失和受灾人口三项指标划分出的重点区域和非重点区域通过空间叠加的方式进行叠加,得到基于三项指标下的潜在重点防御区范围图。
作为一种可能的实施方式,进一步的,所述空间叠加具体包括:
根据各指标单属性K-Means聚类分析确定对应的阀值;
利用所述阀值确定各指标的重点区域和非重点区域;
将各指标的重点区域和非重点区域进行对应空间的叠加;
依据空间的连续性原则及行政管理的便利性原则,对空间的叠加结果进行优化,获得最终叠加结果。
作为一种可能的实施方式,进一步的,所述步骤S05具体包括:
依据淹没水深进行重点防御区确定:根据所述步骤S02中划分出的关于淹没水深指标的上界区域和下界区域,将基于淹没水深指标确定的重点区域直接定为重点防御区;
依据直接经济损失、间接经济损失和受灾人口进行重点防御区确定:根据所述步骤S04中划分出的潜在重点防御区范围,将此部分区域划分为重点防御区;
将依据淹没水深指标、直接经济损失、间接经济损失和受灾人口确定的重点防御区进行空间叠加,得到指标体系下的重点防御区。
本发明采用以上技术方案,具有以下有益效果:
本发明精准有效的利用K-Means聚类确定重点防御区,解决了现有技术中主观性过强、科学性较低、受类比项目指标标准值设立科学性与两个项目之间相似性等因素的影响以及方法通用性差等技术问题。
附图说明
下面结合附图与具体实施方式对本发明做进一步详细的说明:
图1为本发明原理流程图。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚,下面将结合本发明实施方式中的附图,对本发明实施方式中的技术方案进行清楚、完整地描述。
如图1所示,本发明提供了一种基于k-means的风暴潮灾害重点防御区选划方法,具体包括:
S01、获取待选划地区的风暴潮评估研究结果作为数据集;
S02、选取数据集中的一组独立判断指标及三组并列判断指标共四组相异的元素指标作为初始类簇中心;所述一组独立判断指标为淹没水深,所述三组并列判断指标分别为受灾人口、直接经济损失和间接经济损失。
S03、对作为初始类簇中心的四项指标分别进行单属性K-Means聚类分析;具体包括:
S031、从数据集中分别选取出作为初始类簇中心的四项指标:淹没水深、受灾人口、直接经济损失和间接经济损失的数据,将各类数据均分为两类,即k=2;并将各类数据的细分值从小到大进行排列;
S032、通过单属性K-Means聚类分析确定四项指标的阀值:设元素阀值为x,设每个数据点为Pi,元素值为xi,计算式为:其中:E为元素阈值x与其余各数据点距离的平方和,求解E的最小值,对应的x即为元素的阈值。
S033、根据步骤S032所求四项指标的阀值将淹没水深、受灾人口、直接经济损失和间接经济损失的数据分为大于阀值的上界部分和小于阀值的下界部分;
S034、利用制图软件将上界部分和下界部分对应的区域区分表示,得到分别基于四项指标的重点区域和非重点区域范围。
S04、依据初始类簇中心的四项指标中的三组并列判断指标的单属性K-Means聚类分析结果进行空间叠加获取潜在重点防御区范围;具体为:将步骤S03获得的直接经济损失、间接经济损失和受灾人口三项指标划分出的重点区域和非重点区域通过空间叠加的方式进行叠加,得到基于三项指标下的潜在重点防御区范围图。
S05、依据初始类簇中心的四项指标对数据集进行多属性K-Means聚类确定重点防御区。具体包括:
依据淹没水深进行重点防御区确定:根据所述步骤S02中划分出的关于淹没水深指标的上界区域和下界区域,将基于淹没水深指标确定的重点区域直接定为重点防御区;
依据直接经济损失、间接经济损失和受灾人口进行重点防御区确定:根据所述步骤S04中划分出的潜在重点防御区范围,将此部分区域划分为重点防御区;
将依据淹没水深指标、直接经济损失、间接经济损失和受灾人口确定的重点防御区进行空间叠加,得到指标体系下的重点防御区。
其中,所述空间叠加具体包括:
根据各指标单属性K-Means聚类分析确定对应的阀值;
利用所述阀值确定各指标的重点区域和非重点区域;
将各指标的重点区域和非重点区域进行对应空间的叠加;
依据空间的连续性原则及行政管理的便利性原则,对空间的叠加结果进行优化,获得最终叠加结果。
一种基于k-means的风暴潮灾害重点防御区选划***,其包括:
数据集构建模块,用于获取待选划地区的风暴潮研究数据进行特征分析与数据清洗以构建数据集;
聚类模块,用于选取数据集中的元素指标作为初始类簇中心并进行K-Means聚类获取指标所对应的阀值;
划区分析模块,用于根据所述聚类模块输出的阀值进行重点区域和非重点区域范围的划分;
空间叠加模块,用于利用空间叠加法依据聚类模块和划区分析模块输出的结果进行空间叠加操作进行优化叠加获取最终区划结果。
其中,所述聚类模块具体包括:
选取单元,用于选取数据集中的元素指标作为初始类簇中心;
阀值获取单元,用于通过单属性K-Means聚类分析确定四项指标的阀值,其中设元素阀值为x,设每个数据点为Pi,元素值为xi,计算式为:E为元素阈值x与其余各数据点距离的平方和,求解E的最小值,对应的x即为元素的阈值。
一种基于k-means的风暴潮灾害重点防御区选划设备,其包括:处理器、存储器以及存储在所述存储器内的计算机程序,所述计算机程序能够被所述处理器执行以实现基于k-means的风暴潮灾害重点防御区选划方法。
一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行基于k-means的风暴潮灾害重点防御区选划方法。
示例性的,所述计算机程序可以被分割成一个或多个单元,所述一个或者多个单元被存储在所述存储器中,并由所述处理器执行,以完成本发明。所述一个或多个单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在基于k-means的风暴潮灾害重点防御区选划设备中的执行过程。所述基于k-means的风暴潮灾害重点防御区选划设备可包括但不仅限于处理器、存储器。本领域技术人员可以理解,所述示意图仅仅是基于k-means的风暴潮灾害重点防御区选划设备的示例,并不构成对基于k-means的风暴潮灾害重点防御区选划设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述基于k-means的风暴潮灾害重点防御区选划设备还可以包括输入输出设备、网络接入设备、总线等。所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述基于k-means的风暴潮灾害重点防御区选划设备的控制中心,利用各种接口和线路连接整个基于k-means的风暴潮灾害重点防御区选划设备的各个部分。所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述基于k-means的风暴潮灾害重点防御区选划设备的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。其中,所述基于k-means的风暴潮灾害重点防御区选划设备集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、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)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。需说明的是,以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外,本发明提供的装置实施例附图中,模块之间的连接关系表示它们之间具有通信连接,具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
实施例:
S1.获取关于舟山市普陀区风暴潮损失评估研究结果,获取包括人口影响评估、直接损失定量评估、间接损失评估定量评估的数据和结果(称为数据集D)。
S2.根据数据集D中关于淹没水深的数据,进行K-Means聚类分析。
S3.对数据集D中关于直接经济损失、间接经济损失、受灾人口指标分别进行单属性K-Means聚类分析。
S4.依据所有专题(直接经济损失、间接经济损失、受灾人口)属性,对数据集D进行多属性K-Means聚类分析。
S5.融合淹没水深和专题(直接经济损失、间接经济损失、受灾人口)属性,对数据集D进行多属性k-Means聚类,确定重点防御区。
步骤S2具体如下所示:
S21.从数据集D中选取出淹没水深的数据,由于本步骤只需确定淹没水深的标准阈值,因此只需要将数据分为两类,即k=2;将淹没水深的数据从小到大进行排列
S22.通过聚类分析,寻找淹没水深的阈值。由于仅有淹没水深这一个变量,因此为本研究的K-Means聚类分析为一维运算。设淹没水深的阈值为x,设每个数据点为Pi,淹没水深为xi。为使求得的x值与其余点的距离最小,过程如下式所示:
E为阈值与其余各数据点距离的平方和,求解E的最小值,对应的X即为淹没水深的阈值,同时也是淹没水深指标的选化标准值。
S23.根据选化标准值,将淹没水深的数据分为两类:大于选化标准值的上界部分和小于选化标准值的下界部分。
S24.利用ArcGIS或其他制图软件,将上界和下界对应的区域表示出来,得到基于淹没水深这项指标的重点区域和非重点区域的范围,用两种不同的颜色表示两种区域。
步骤S3具体如下所示:
S31.将直接经济损失、间接经济损失、受灾人口指标这三项指标按照同上述淹没水深相同的K-Means聚类分析方法,分别计算出直接经济损失、间接经济损失、受灾人口指标三个指标对应的阈值(选化标准值),并根据阈值将数据划分为阈值的上界部分和下界部分。阈值上界对应的区域认为是对应指标下的重点区域,阈值下界对应的区域认为是对应指标下的非重点区域。
S32.利用制图软件在地图上用不同的颜色的标注表示出重点区域和非重点区域。
步骤S4具体如下所示:
S41.通过步骤S3,直接经济损失、间接经济损失和受灾人口三项指标已经划分出了重点区域和非重点区域。将根据三项指标划分下的重点区域,通过空间叠加的方式进行叠加,得到基于三项指标下的潜在重点防御区范围图。
步骤S5具体如下所示:
S51.步骤S2中已经划分出了关于淹没水深指标的上界区域和下界区域,淹没水深由于在四项指标中处于主体地位,因此将基于淹没水深指标确定的重点区域直接定为中重点防御区。
S52.步骤S4中划分出了根据直接经济损失、间接经济损失和受灾人口三项指标所划分出的潜在重点防御区范围,此部分区域也直接划分为重点防御区。
S53.将根据淹没水深指标确定的重点防御区和根据直接经济损失、间接经济损失和受灾人口三项指标确定的重点防御区进行叠加,叠加后的区域即为整个指标体系下的重点防御区。
其中,空间叠加法为先对每个指标标准进行定值,针对每个指标的标准,划分出符合标准的单元,再将各单元进行空间叠加,最后得到空间上重复的区域,并以此作为分区的目标单元,最后综合考虑空间的连续性或者行政管理的便利性,对空间单元进行优化,得到预期的分区结果。该方法适用于指标层简单,指标较少、指标的统计单元不一致且低层级指标重要性相同的分区研究中。
其中,关于K-Means算法核心:任意选择数据集D中的k个相异的元素作为初始类簇中心;为与实际应用相吻合,将数据元素按扫描序从低到高进行排序。然后,根据元素与类簇中心的距离,将每个元素归属于距离最小的簇;紧接着,根据簇中的当前所有元素,重新计算每个簇的中心(均值);再接着,使用新的簇中心,将元素重新归属到距离最近的簇中,如此循环迭代,直到簇中元素的重新分布(归属)不再发生,则聚类过程结束。距离的计算采用欧氏距离的方法:
根据淹没水深、受灾人口、直接经济损失和间接经济损失四个指标,分别采用K-Means进行聚类分析,确定每个指标的选化标准值,确定各个指标对应的防御区。再通过空间叠加法将通过各指标所划分出的区域进行合并和综合,最终确定风暴潮的重点防御区。
以上所述为本发明的实施例,对于本领域的普通技术人员而言,根据本发明的教导,在不脱离本发明的原理和精神的情况下凡依本发明申请专利范围所做的均等变化、修改、替换和变型,皆应属本发明的涵盖范围。
Claims (10)
1.一种基于k-means的风暴潮灾害重点防御区选划方法,其特征在于:具体包括:
S01、获取待选划地区的风暴潮评估研究结果作为数据集;
S02、选取数据集中的一组独立判断指标及三组并列判断指标共四组相异的元素指标作为初始类簇中心;
S03、对作为初始类簇中心的四项指标分别进行单属性K-Means聚类分析;
S04、依据初始类簇中心的四项指标中的三组并列判断指标的单属性K-Means聚类分析结果进行空间叠加获取潜在重点防御区范围;
S05、依据初始类簇中心的四项指标对数据集进行多属性K-Means聚类确定重点防御区。
2.根据权利要求1所述的一种基于k-means的风暴潮灾害重点防御区选划方法,其特征在于:所述一组独立判断指标为淹没水深,所述三组并列判断指标分别为受灾人口、直接经济损失和间接经济损失。
3.根据权利要求2所述的一种基于k-means的风暴潮灾害重点防御区选划方法,其特征在于:所述步骤S03具体包括:
S031、从数据集中分别选取出作为初始类簇中心的四项指标:淹没水深、受灾人口、直接经济损失和间接经济损失的数据,将各类数据均分为两类,即k=2;并将各类数据的细分值从小到大进行排列;
S032、通过单属性K-Means聚类分析确定四项指标的阀值:设元素阀值为x,设每个数据点为Pi,元素值为xi,计算式为:其中:E为元素阈值x与其余各数据点距离的平方和,求解E的最小值,对应的x即为元素的阈值。
S033、根据步骤S032所求四项指标的阀值将淹没水深、受灾人口、直接经济损失和间接经济损失的数据分为大于阀值的上界部分和小于阀值的下界部分;
S034、利用制图软件将上界部分和下界部分对应的区域区分表示,得到分别基于四项指标的重点区域和非重点区域范围。
4.根据权利要求3所述的一种基于k-means的风暴潮灾害重点防御区选划方法,其特征在于:所述步骤S04具体为:将步骤S03获得的直接经济损失、间接经济损失和受灾人口三项指标划分出的重点区域和非重点区域通过空间叠加的方式进行叠加,得到基于三项指标下的潜在重点防御区范围图。
5.根据权利要求4所述的一种基于k-means的风暴潮灾害重点防御区选划方法,其特征在于:所述空间叠加具体包括:
根据各指标单属性K-Means聚类分析确定对应的阀值;
利用所述阀值确定各指标的重点区域和非重点区域;
将各指标的重点区域和非重点区域进行对应空间的叠加;
依据空间的连续性原则及行政管理的便利性原则,对空间的叠加结果进行优化,获得最终叠加结果。
6.根据权利要求5所述的一种基于k-means的风暴潮灾害重点防御区选划方法,其特征在于:所述步骤S05具体包括:
依据淹没水深进行重点防御区确定:根据所述步骤S02中划分出的关于淹没水深指标的上界区域和下界区域,将基于淹没水深指标确定的重点区域直接定为重点防御区;
依据直接经济损失、间接经济损失和受灾人口进行重点防御区确定:根据所述步骤S04中划分出的潜在重点防御区范围,将此部分区域划分为重点防御区;
将依据淹没水深指标、直接经济损失、间接经济损失和受灾人口确定的重点防御区进行空间叠加,得到指标体系下的重点防御区。
7.一种基于k-means的风暴潮灾害重点防御区选划***,其特征在于:其包括:
数据集构建模块,用于获取待选划地区的风暴潮研究数据进行特征分析与数据清洗以构建数据集;
聚类模块,用于选取数据集中的元素指标作为初始类簇中心并进行K-Means聚类获取指标所对应的阀值;
划区分析模块,用于根据所述聚类模块输出的阀值进行重点区域和非重点区域范围的划分;
空间叠加模块,用于利用空间叠加法依据聚类模块和划区分析模块输出的结果进行空间叠加操作进行优化叠加获取最终区划结果。
9.一种基于k-means的风暴潮灾害重点防御区选划设备,其特征在于:其包括:处理器、存储器以及存储在所述存储器内的计算机程序,所述计算机程序能够被所述处理器执行以实现如权利要求1-6所述的基于k-means的风暴潮灾害重点防御区选划方法。
10.一种计算机可读存储介质,其特征在于:所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1-6所述的基于k-means的风暴潮灾害重点防御区选划方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111166867.0A CN113869438B (zh) | 2021-09-30 | 2021-09-30 | 一种基于k-means的风暴潮灾害重点防御区选划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111166867.0A CN113869438B (zh) | 2021-09-30 | 2021-09-30 | 一种基于k-means的风暴潮灾害重点防御区选划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113869438A true CN113869438A (zh) | 2021-12-31 |
CN113869438B CN113869438B (zh) | 2023-04-07 |
Family
ID=79001633
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111166867.0A Active CN113869438B (zh) | 2021-09-30 | 2021-09-30 | 一种基于k-means的风暴潮灾害重点防御区选划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113869438B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114723307A (zh) * | 2022-04-20 | 2022-07-08 | 自然资源部第三海洋研究所 | 基于分位数法的风暴潮灾害重点防御区选划方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107886459A (zh) * | 2017-11-15 | 2018-04-06 | 中国地质大学(武汉) | 一种风暴潮灾害损失的非市场价值评估方法及*** |
US20180189898A1 (en) * | 2015-08-24 | 2018-07-05 | State Grid Corporation Of China | Cluster analysis based power transmission line mountain fire risky area division method |
CN108280553A (zh) * | 2018-02-24 | 2018-07-13 | 中山大学 | 基于gis-神经网络集成的山洪灾害风险区划及预测方法 |
CN109816031A (zh) * | 2019-01-30 | 2019-05-28 | 南京邮电大学 | 一种基于数据不均衡度量的变压器状态评估聚类分析方法 |
CN110689266A (zh) * | 2019-09-27 | 2020-01-14 | 广东省城乡规划设计研究院 | 一种基于多源数据的用地潜力研判方法 |
CN113177737A (zh) * | 2021-05-26 | 2021-07-27 | 南京恩瑞特实业有限公司 | 基于ga优化bp神经网络的城市暴雨灾害风险评估方法及*** |
CN113378968A (zh) * | 2021-06-28 | 2021-09-10 | 北京辰安科技股份有限公司 | 基于K-means聚类的建筑火灾分级分类方法和装置 |
-
2021
- 2021-09-30 CN CN202111166867.0A patent/CN113869438B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180189898A1 (en) * | 2015-08-24 | 2018-07-05 | State Grid Corporation Of China | Cluster analysis based power transmission line mountain fire risky area division method |
CN107886459A (zh) * | 2017-11-15 | 2018-04-06 | 中国地质大学(武汉) | 一种风暴潮灾害损失的非市场价值评估方法及*** |
CN108280553A (zh) * | 2018-02-24 | 2018-07-13 | 中山大学 | 基于gis-神经网络集成的山洪灾害风险区划及预测方法 |
CN109816031A (zh) * | 2019-01-30 | 2019-05-28 | 南京邮电大学 | 一种基于数据不均衡度量的变压器状态评估聚类分析方法 |
CN110689266A (zh) * | 2019-09-27 | 2020-01-14 | 广东省城乡规划设计研究院 | 一种基于多源数据的用地潜力研判方法 |
CN113177737A (zh) * | 2021-05-26 | 2021-07-27 | 南京恩瑞特实业有限公司 | 基于ga优化bp神经网络的城市暴雨灾害风险评估方法及*** |
CN113378968A (zh) * | 2021-06-28 | 2021-09-10 | 北京辰安科技股份有限公司 | 基于K-means聚类的建筑火灾分级分类方法和装置 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114723307A (zh) * | 2022-04-20 | 2022-07-08 | 自然资源部第三海洋研究所 | 基于分位数法的风暴潮灾害重点防御区选划方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113869438B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105718493B (zh) | 基于决策树的搜索结果排序方法及其装置 | |
CN110378413A (zh) | 神经网络模型处理方法、装置以及电子设备 | |
CN114841374A (zh) | 一种基于随机贪心算法的横向联邦梯度提升树优化方法 | |
CA3068333C (en) | Systems and methods for intelligently grouping financial product users into cohesive cohorts | |
CN109547393B (zh) | 恶意号码识别方法、装置、设备和存储介质 | |
CN113869438B (zh) | 一种基于k-means的风暴潮灾害重点防御区选划方法 | |
CN106202092A (zh) | 数据处理的方法及*** | |
CN109299101B (zh) | 数据检索方法、装置、服务器和存储介质 | |
CN106326462A (zh) | 一种视频索引分级方法及装置 | |
CN111385805B (zh) | 射频指纹信息库生成、栅格定位方法及装置 | |
CN111125158B (zh) | 数据表处理方法、装置、介质及电子设备 | |
CN115577773A (zh) | 一种参数推荐方法、装置、计算机设备及存储介质 | |
CN115130602A (zh) | 密度不均匀数据聚类方法、装置、电子设备及存储介质 | |
CN113988670A (zh) | 综合性企业信用风险预警方法及*** | |
CN113139563B (zh) | 一种图像分类模型的优化方法及装置 | |
CN114205247A (zh) | 配电物联网的接入方法、装置、计算机设备及存储介质 | |
CN112015922B (zh) | 多媒体文件的检索方法、装置、设备及存储介质 | |
CN113538115B (zh) | 创业孵化器的智能匹配方法、***、装置及可读存储介质 | |
KR102661768B1 (ko) | 추천 질의문 생성 방법 | |
CN117649078A (zh) | 技术方案的评审方法、装置及电子设备 | |
CN109784495B (zh) | 特征处理流程的建立方法、装置、存储介质及电子设备 | |
CN116980948A (zh) | 4g/5g分流模型的训练方法、4g/5g分流方法及装置 | |
CN114723307A (zh) | 基于分位数法的风暴潮灾害重点防御区选划方法 | |
CN116186077A (zh) | 信息传递方法、装置、数据库***、电子设备和存储介质 | |
CN114897070A (zh) | 资源聚类智能分析方法、装置、电子设备及存储介质 |
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 |