基于多智能體的暴雨洪澇人口風(fēng)險(xiǎn)動(dòng)態(tài)評(píng)估*

李文波,郭嘯天,,毛雪岷,肖 丹,賴文澤,,王海雷

(1.中國科學(xué)院合肥智能機(jī)械研究所，安徽 合肥 230031；2.中國科學(xué)技術(shù)大學(xué) 自動(dòng)化系，安徽 合肥 230027；3.合肥工業(yè)大學(xué) 管理學(xué)院，安徽 合肥 230036; 4.貴州財(cái)經(jīng)大學(xué) 貴州省經(jīng)濟(jì)系統(tǒng)仿真重點(diǎn)實(shí)驗(yàn)室，貴州 貴陽 550025)

?

基于多智能體的暴雨洪澇人口風(fēng)險(xiǎn)動(dòng)態(tài)評(píng)估*

李文波1,郭嘯天1,2,毛雪岷3,肖 丹4,賴文澤1,2,王海雷2

(1.中國科學(xué)院合肥智能機(jī)械研究所，安徽 合肥 230031；2.中國科學(xué)技術(shù)大學(xué) 自動(dòng)化系，安徽 合肥 230027；3.合肥工業(yè)大學(xué) 管理學(xué)院，安徽 合肥 230036; 4.貴州財(cái)經(jīng)大學(xué) 貴州省經(jīng)濟(jì)系統(tǒng)仿真重點(diǎn)實(shí)驗(yàn)室，貴州 貴陽 550025)

面向?yàn)?zāi)害管理實(shí)際工作對(duì)洪澇人口風(fēng)險(xiǎn)進(jìn)行動(dòng)態(tài)評(píng)估的需求，利用復(fù)雜系統(tǒng)中的智能體建模方法(Agent-based Modeling, ABM)構(gòu)建基于ABM的暴雨洪澇人口風(fēng)險(xiǎn)動(dòng)態(tài)評(píng)估模型，對(duì)暴雨全過程中的人口風(fēng)險(xiǎn)進(jìn)行動(dòng)態(tài)定量評(píng)估。該文對(duì)所構(gòu)建的模型中涉及到的致災(zāi)因子、孕災(zāi)環(huán)境、承災(zāi)體和人口風(fēng)險(xiǎn)分析等Agent的模型與作用規(guī)則進(jìn)行深入分析；然后在Netlogo平臺(tái)上，對(duì)淮河流域上魯山縣的暴雨洪澇全過程中的人口風(fēng)險(xiǎn)進(jìn)行模擬仿真和評(píng)估，驗(yàn)證了所構(gòu)建模型的有效性。研究結(jié)果為暴雨洪澇災(zāi)害人口風(fēng)險(xiǎn)動(dòng)態(tài)分析提供了新的思路。

暴雨；洪澇災(zāi)害；人口；風(fēng)險(xiǎn)；動(dòng)態(tài)評(píng)估；多智能體；模型

洪澇(包括洪災(zāi)和澇災(zāi))是全球和我國損失最嚴(yán)重的自然災(zāi)害[1]。公元前206-1949年，我國共發(fā)生過有歷史記錄的洪澇1 029次，1117年的黃河洪澇造成100多萬人死亡。1949-1999年，洪澇共造成279 968人死亡[2]；其中，1975年8月淮河流域的“臺(tái)風(fēng)-暴雨-潰壩”洪澇造成河南省29個(gè)縣市的1 100萬人受災(zāi)，2.6萬人死亡；1998年特大洪澇災(zāi)害共造成我國29個(gè)省(區(qū)、市)的2.23億人(次)受災(zāi)，死亡3 004人。2000-2012年間，包括暴雨等在內(nèi)的不同類型洪澇災(zāi)害共造成91 646萬人(次)受災(zāi)、18 950人死亡[2]。特別是2012年“7.21”北京特大暴雨洪澇造成北京60.2萬人受災(zāi)，79人死亡，經(jīng)濟(jì)損失116.4億元，等等。面對(duì)如此嚴(yán)峻的形勢(shì)急需加強(qiáng)對(duì)洪澇風(fēng)險(xiǎn)進(jìn)行評(píng)估。

洪澇風(fēng)險(xiǎn)評(píng)估方法可劃分為洪水演進(jìn)[3-6]、模擬仿真[7-9]、基于RS(遙感)和GIS(地理信息系統(tǒng))的綜合分析[10-15]和復(fù)雜系統(tǒng)建模[16-18]等。洪水演進(jìn)法是從災(zāi)害學(xué)的角度研究出發(fā)，主要利用水力學(xué)模型或水文學(xué)模型研究洪澇風(fēng)險(xiǎn)[18]。水力學(xué)模型以圣維南方程組為基礎(chǔ)，而水文模型主要利用統(tǒng)計(jì)學(xué)為工具研究洪水風(fēng)險(xiǎn)的內(nèi)在規(guī)律。水文模型中計(jì)算出的風(fēng)險(xiǎn)為實(shí)際來水量大于某一特定值的概率，它與常用“抗御多少年一遇的洪水”的概念是一致。國內(nèi)外研究學(xué)者利用洪水演進(jìn)法在洪水風(fēng)險(xiǎn)評(píng)估中取得了可喜的研究成果[3-6]。隨著技術(shù)發(fā)展，利用洪水演進(jìn)和模擬技術(shù)研究洪澇風(fēng)險(xiǎn)也取得了可喜成果[7-9]。為了解決洪澇災(zāi)害風(fēng)險(xiǎn)空間上的非均勻性，學(xué)者在洪水演進(jìn)和模擬的基礎(chǔ)上利用RS/GIS對(duì)洪澇災(zāi)害風(fēng)險(xiǎn)進(jìn)行綜合研究，并取得顯著的成果[10-14]。洪澇風(fēng)險(xiǎn)評(píng)估是典型“自然-社會(huì)”復(fù)雜系統(tǒng)[18]，從系統(tǒng)角度來看，洪澇風(fēng)險(xiǎn)是洪澇災(zāi)害系統(tǒng)宏觀涌現(xiàn)[15]。目前，學(xué)者嘗試將復(fù)雜系統(tǒng)建模中的智能體建模方法(Agent-based modeling, ABM)引入到洪水災(zāi)害風(fēng)險(xiǎn)評(píng)估[16-18]。如，王飛等構(gòu)建了基于ABM的自然災(zāi)害風(fēng)險(xiǎn)評(píng)估框架[16]，Dawson等利用ABM對(duì)潰壩型洪澇人口風(fēng)險(xiǎn)進(jìn)行模擬[17]，Linghu等研究了基于ABM的暴雨洪澇風(fēng)險(xiǎn)動(dòng)態(tài)評(píng)估概念模型[18]，等等。

總的來說，目前洪澇風(fēng)險(xiǎn)評(píng)估成果概括起來為“某個(gè)流域或地區(qū)發(fā)生多少年一遇的洪澇災(zāi)害的概率是多少，以及在這樣的概率下造成的損失是多少”。已有洪澇風(fēng)險(xiǎn)評(píng)估結(jié)果多為災(zāi)前靜態(tài)定性風(fēng)險(xiǎn)分析或?yàn)?zāi)后定量損失估算，而較少考慮致災(zāi)因子、孕災(zāi)環(huán)境和承災(zāi)體在風(fēng)險(xiǎn)形成過程中的多樣不確定性、動(dòng)態(tài)變化性和系統(tǒng)復(fù)雜性[18]。然而，災(zāi)害管理實(shí)際工作需求根據(jù)洪澇風(fēng)險(xiǎn)動(dòng)態(tài)變化情況，采用相應(yīng)的應(yīng)急救援措施。面向洪澇災(zāi)害管理實(shí)際要求，將ABM應(yīng)用到洪澇災(zāi)害風(fēng)險(xiǎn)評(píng)估中，構(gòu)建洪澇風(fēng)險(xiǎn)動(dòng)態(tài)評(píng)估模型是未來的發(fā)展方向之一。

本文重點(diǎn)研究基于ABM的暴雨型洪澇人口風(fēng)險(xiǎn)動(dòng)態(tài)評(píng)估模型，并通過仿真平臺(tái)對(duì)所構(gòu)建的模型進(jìn)行驗(yàn)證分析。在該模型中，首先利用ABM建模思想構(gòu)建暴雨洪澇災(zāi)害多智能體系統(tǒng)；并利用洪水演進(jìn)和綜合分析研究成果構(gòu)建智能體之間的相互作用關(guān)系；最后通過模擬仿真方法評(píng)估暴雨洪澇孕育發(fā)生發(fā)展過程中動(dòng)態(tài)風(fēng)險(xiǎn)；該方法預(yù)期能將目前已有的洪澇風(fēng)險(xiǎn)評(píng)估方法有機(jī)統(tǒng)一到洪澇風(fēng)險(xiǎn)動(dòng)態(tài)評(píng)估中。本文研究成果預(yù)期能對(duì)暴雨洪澇災(zāi)害發(fā)生發(fā)展全過程中的人口風(fēng)險(xiǎn)進(jìn)行動(dòng)態(tài)評(píng)估，研究成果能為洪澇災(zāi)害期間的人口轉(zhuǎn)移安置、應(yīng)急響應(yīng)啟動(dòng)和應(yīng)急救援提供輔助決策支持。

1 基于ABM的暴雨洪水人口風(fēng)險(xiǎn)動(dòng)態(tài)評(píng)估模型

暴雨洪澇主要致災(zāi)因素包括降雨量、頻率、流速、淹沒時(shí)間、淹沒深度等[1]。孕災(zāi)環(huán)境主要與高程、地形地貌、河流湖泊、土地利用、植被覆蓋等的相關(guān)性比較大。承災(zāi)體主要分為人口、建筑物和農(nóng)作物等[19]；由于本文重點(diǎn)研究暴雨人口風(fēng)險(xiǎn)，考慮到在暴雨發(fā)生過程中，人口分為處于無建筑物空曠區(qū)域和有建筑物的區(qū)域兩類，故本文的承災(zāi)體主要包括人口和建筑物兩大類。本文利用ABM對(duì)洪澇災(zāi)害復(fù)雜系統(tǒng)進(jìn)行自上而下的微觀建模，設(shè)計(jì)暴雨洪澇致災(zāi)因子、孕災(zāi)環(huán)境、承災(zāi)體和風(fēng)險(xiǎn)分析等智能體及其聯(lián)盟，并構(gòu)建暴雨洪澇災(zāi)害多智能體系統(tǒng)。在此基礎(chǔ)上，研究確定各個(gè)智能體及聯(lián)盟之間的相互作用關(guān)系，從而使不同的智能體之間產(chǎn)生互動(dòng)，并在宏觀上實(shí)現(xiàn)

對(duì)暴雨洪澇災(zāi)害復(fù)雜系統(tǒng)的建模。最后，在模擬平臺(tái)上動(dòng)態(tài)評(píng)估暴雨洪澇災(zāi)害孕育發(fā)生發(fā)展過程的人口動(dòng)態(tài)風(fēng)險(xiǎn)。圖1所示為基于ABM的暴雨洪澇人口風(fēng)險(xiǎn)動(dòng)態(tài)評(píng)估模型。

2 暴雨洪澇人口風(fēng)險(xiǎn)動(dòng)態(tài)評(píng)估多智能體模型構(gòu)建

如圖1所示，暴雨洪澇人口風(fēng)險(xiǎn)動(dòng)態(tài)評(píng)估模型中，不同的智能體模型以及作用規(guī)則是暴雨洪澇人口風(fēng)險(xiǎn)動(dòng)態(tài)評(píng)估的核心。下文重點(diǎn)討論以上問題。

2.1 孕災(zāi)環(huán)境智能體模型與作用規(guī)則

圖1中不同孕災(zāi)環(huán)境Agent差異主要體現(xiàn)名稱、意圖邏輯、推理方法、動(dòng)作目標(biāo)和通信內(nèi)容等方面。孕災(zāi)環(huán)境Agent均采用反應(yīng)型，這里以高程Agent為例說明孕災(zāi)環(huán)境模型。本文將高程Agent模型定義為六元組，即A={Elevation, WS, Rule, Action, State, Comm}。Elevation為Agent名稱，WS為外部世界狀況，Rule為高程Agent作用規(guī)則，Action為高程Agent具體動(dòng)作，State為高程狀態(tài)，Comm為高程Agent通信方式。數(shù)字高程(Digital Elevation Model, DEM)不僅能夠描述流域的地形、地貌、還可自動(dòng)提取坡度、坡向等地貌參數(shù)，是進(jìn)行水文分析的主要數(shù)據(jù)[20]。本文選擇空間分辨率為30 m的DEM數(shù)據(jù)作為孕災(zāi)環(huán)境的數(shù)據(jù)源。高程Agent通過DEM數(shù)據(jù)可獲得某一區(qū)域內(nèi)每個(gè)網(wǎng)格內(nèi)的高程以及在水文分析中所需要的排水寬帶、坡度、下墊面面積等數(shù)據(jù)[20]。

2.2 暴雨致災(zāi)因子智能體模型與作用規(guī)則

包括降雨量、流速等在內(nèi)的暴雨澇災(zāi)害致災(zāi)因子Agent都采用慎思型。這里以降雨量Agent為例說明暴雨致災(zāi)因子模型。本文將降雨量Agent模型定義為六元組，即A={Rainfall, WS, Rule, Action, State, Comm}。Rainfall為Agent名稱，WS表

圖1 基于多智能體的暴雨洪澇人口風(fēng)險(xiǎn)動(dòng)態(tài)評(píng)估模型

示外部世界狀況，Rule為降雨量產(chǎn)生規(guī)則，Action為降雨量生產(chǎn)動(dòng)作，State為降雨量狀態(tài)，Comm為降雨量Agent通信方式。

在完成暴雨型洪澇災(zāi)害致災(zāi)因子Agent內(nèi)部模型設(shè)計(jì)后，更重要是研究暴雨致災(zāi)因子Agent的作用規(guī)則。暴雨管理模型(Storm Water Managment Model, SWMM)被廣泛應(yīng)用在暴雨模擬中[21-27]。本文利用SWMM中的降雨、地表蒸發(fā)、滲透等研究成果作為暴雨致災(zāi)因子Agent的相互作用規(guī)則。

2.2.1 地表降雨Agent和水量Agent作用規(guī)則

我國典型的暴雨降水過程可利用以下公式模擬[21]：

(1)

式中：q為平均暴雨強(qiáng)度；A1為重現(xiàn)周期為1年的降雨量；C為雨量變動(dòng)參數(shù)；P為設(shè)計(jì)降雨重現(xiàn)周期；T為暴雨歷時(shí)；b和c為常數(shù)。

對(duì)于某一區(qū)域給定重現(xiàn)周期下暴雨強(qiáng)度公式中的167A1(1+ClgP)為常數(shù)，設(shè)為a。則式(1)簡(jiǎn)化為Horner降雨強(qiáng)度：

(2)

式中：iave為平均暴雨強(qiáng)度。iave也可以通過以下公式計(jì)算[21]：

(3)

式中：i(t)為降雨強(qiáng)度隨時(shí)間變化曲線，聯(lián)合式(2)和(3)得到：

(4)

式(4)中引入雨峰系數(shù)r(0

(5)

在暴雨過程中，當(dāng)降水Agent根據(jù)式(5)產(chǎn)生后，降水Agent將轉(zhuǎn)化為雨水Agent。雨水Agent中的雨量會(huì)有一部分用于地表填洼、蒸發(fā)和滲透等損失。雨水Agent的滲透損失通過霍頓模型獲得；而填洼、植被截留等損失(SS)通過網(wǎng)格所在的地表類型獲得[27]。雨水Agent的滲透率計(jì)算公式為：

f=fc+f0×e-kt。

(6)

式中：f0為初始下滲率；fc為穩(wěn)定下滲率；k為滲透衰減系數(shù)。f0取值為0.417～1.333(mm/min)，fc取值為0～0.167(mm/min)，滲透衰減系數(shù)k取值為0.033～0.117[22]。

設(shè)每個(gè)雨水Agent的初始體積為VA；扣除地表滲透后，雨水Agent的有效體積為VAeff。則每個(gè)高程Agent網(wǎng)格上的所有雨水Agent形成的有效水量V通過以下公式獲得：

(7)

式中：VAeffi為第i個(gè)雨水Agent的有效體積；n為高程Agent網(wǎng)格上所有雨水Agent的數(shù)量。

2.2.2 水深A(yù)gent作用規(guī)則

在暴雨過程中，每個(gè)高程Agent網(wǎng)格上的有效水深Heff首先由該網(wǎng)格的累積雨水Agent的有效體積決定，同時(shí)受地表填洼、植被截留等損失Ss影響。在暴雨地表徑流形成過程中，每個(gè)網(wǎng)格上的有效水深Heff、總降水量P與地表填洼和植被截留等的損失Ss必須滿足水量平衡公式[27]，即：

(8)

式中：P為高程Agent每個(gè)網(wǎng)格上某時(shí)刻內(nèi)所有雨水Agent所形成的累積降雨量，通過式(7)獲得；L為高程網(wǎng)格寬度；Ss為地表徑流初期填洼和植被截留的損失，根據(jù)經(jīng)驗(yàn)公式或經(jīng)驗(yàn)值取值為1.5～5 mm[27]。Heff為地表網(wǎng)格某時(shí)刻的降水形成的有效降水深度。

通過式(8)求得暴雨過程中每個(gè)高程Agent網(wǎng)格降水所帶來的有效水深Heff。當(dāng)該網(wǎng)格高程D與有效水深Heff之和不等于周邊網(wǎng)格的高程與有效水深之和時(shí)，該網(wǎng)格與周邊網(wǎng)格將會(huì)形成地表徑流。本文采用D8多向流法確定暴雨過程中具體流向。當(dāng)降雨在地表形成地表徑流時(shí)，暴雨形成洪水的實(shí)際深度H由該網(wǎng)格上有效降水水深Heff與從該網(wǎng)格流向低處網(wǎng)格所損失的水深Hloss和從高處網(wǎng)格流入該網(wǎng)格水量所增加的水深Hadd共同決定。雖然在暴雨過程，以上三個(gè)因素都是隨時(shí)間動(dòng)態(tài)變化的，但總體上必須滿足水量平衡公式[27]，即：

H=Heff+Hadd-Hloss。

(9)

式中：Hadd和Hloss通過非線性水庫模型和曼寧方程求解獲得。設(shè)t時(shí)刻第k個(gè)網(wǎng)格上共有x個(gè)雨水Agent，有y個(gè)雨水Agent需要流出(流入)該網(wǎng)格。則該網(wǎng)格流出(流入)的雨水總量為Qout，其計(jì)算公式為：

(10)

式中：Veffj為第k個(gè)網(wǎng)格上移動(dòng)離開的第j個(gè)雨水Agent的有效體積；y(y≤x)為第k個(gè)網(wǎng)格上移動(dòng)離開雨水Agent的總數(shù)。

同時(shí)，根據(jù)非線性水庫模型，t時(shí)刻該網(wǎng)格上流出的水量可通過曼寧方程求解，即：

(11)

式中：L為網(wǎng)格Agent寬度；N為曼寧系數(shù)，不透水區(qū)N為0.01～0.033，透水區(qū)為0.1～0.8[22]；Ss為網(wǎng)格上的損失深度；S為地形Agent之間的坡度，通過不同區(qū)域的高程Agent的高程差值(DEM)獲得。

對(duì)于降雨過程的雨水Agent移動(dòng)來說，根據(jù)水量平衡原理，當(dāng)?shù)趛個(gè)雨水Agent從第k個(gè)網(wǎng)格移動(dòng)離開時(shí)，必然有若干個(gè)網(wǎng)格接受該來自第k個(gè)網(wǎng)格上的第y個(gè)雨水Agent。通過聯(lián)立求解方程(8)、(10)和(11)，可獲得第k個(gè)網(wǎng)格上t時(shí)刻流出水量Vout和流入水量Vin的雨水Agent總量。當(dāng)獲得t時(shí)刻流入和流出的雨水Agent總體積后，即可獲得t時(shí)刻第k網(wǎng)格上損失的水深Hloss和增加的水深Hadd。通過式(9)可以獲得t時(shí)刻暴雨在第k個(gè)網(wǎng)格上形成洪水的實(shí)際深度H。

2.2.3 雨水Agent的移動(dòng)規(guī)則

雨水Agent移動(dòng)規(guī)則為：在t時(shí)刻，每個(gè)網(wǎng)格上雨水Agent首先根據(jù)式(8)獲得該時(shí)刻降雨量有效水深Heff和其所在網(wǎng)格上的高程值D；雨水Agent計(jì)算其所在網(wǎng)格上高程值D與t時(shí)刻有效降水深度Heff之和Htotal；每個(gè)雨水Agent將獲得Htotal值與周邊的8個(gè)網(wǎng)格上Htotal值進(jìn)行比較。當(dāng)其所在網(wǎng)格上Htotal值大于其他網(wǎng)格的Htotal值，該網(wǎng)格上的雨水Agent選擇向Htotal值小的網(wǎng)格上移動(dòng)；當(dāng)其所在網(wǎng)格上Htotal值小于等于其他網(wǎng)格的Htotal值，則該網(wǎng)格上雨水Agent保持不動(dòng)；需要注意的是，當(dāng)雨水Agent移動(dòng)到整個(gè)地域邊界時(shí)，視為雨水Agent流出研究區(qū)域。

2.2.4 流速Agent作用規(guī)則

在完成降雨Agent和水深A(yù)gent作用規(guī)則后，通過水深A(yù)gent獲得流速Agent的作用規(guī)則。流速Agent作用規(guī)則，參考洪水運(yùn)行模型獲得[28]，其計(jì)算公式為：

(12)

式中：V為流速；H為洪水深度；S為地形坡度通過高程Agent獲得；N為曼寧系數(shù)。

2.2.5 淹沒時(shí)間Agent作用規(guī)則

對(duì)于高程Agent上每個(gè)網(wǎng)格，當(dāng)該網(wǎng)格上的洪水深度H大于0，認(rèn)為該網(wǎng)格被洪澇淹沒。則第l個(gè)網(wǎng)格上的淹沒時(shí)間Agent的作用為：

(13)

式中：Tl為第l個(gè)網(wǎng)格淹沒時(shí)間；tl為該網(wǎng)格在降雨過程某時(shí)刻淹沒時(shí)間；Hl為第l個(gè)網(wǎng)格某一個(gè)時(shí)間的洪水深度。

2.3 承災(zāi)體智能體及其聯(lián)盟模型構(gòu)建

本文的人口承災(zāi)體是執(zhí)行具體任務(wù)的主體，也會(huì)采取一定策略進(jìn)行避險(xiǎn)，要求其具有更強(qiáng)的邏輯推理和學(xué)習(xí)能力，故采用慎思型內(nèi)部結(jié)構(gòu)。本文將人口Agent模型定義為七元組，即A={Population,WS,DB,Rule,Action,State,Comm}。Population為Agent名稱，WS表示外部世界狀況，DB為數(shù)據(jù)庫，Rule為外部數(shù)據(jù)狀況，Action為人員Agent具體動(dòng)作，State為人員狀態(tài)，Comm為人口Agent通信方式。在完成承災(zāi)體Agent模型設(shè)計(jì)后，承災(zāi)體作用規(guī)則是進(jìn)行風(fēng)險(xiǎn)動(dòng)態(tài)評(píng)估的核心之一。

2.3.1 人口Agent與房屋Agent生產(chǎn)與受災(zāi)狀態(tài)判斷規(guī)則

對(duì)于人口與房屋，按照“高程越高，人員和房屋分布越少”的規(guī)則進(jìn)行；同時(shí)根據(jù)區(qū)域的人口分布密度和房屋分布狀態(tài)來分別生產(chǎn)人員Agent和房屋Agent數(shù)據(jù)。

承災(zāi)體受災(zāi)狀態(tài)判斷規(guī)則主要根據(jù)水深H值和淹沒時(shí)間T值來判斷人員Agent和房屋Agent的受災(zāi)狀態(tài)，具體參考[28]。本文將人口和房屋受災(zāi)狀態(tài)劃分為安全、輕度風(fēng)險(xiǎn)、中度風(fēng)險(xiǎn)和重度風(fēng)險(xiǎn)。

2.3.2 人口Agent移動(dòng)規(guī)則

在暴雨過程中，人員Agent移動(dòng)受到建筑物和安全高地等避險(xiǎn)場(chǎng)所影響。本文主要將安全高地和房屋作為避險(xiǎn)設(shè)施來考慮。人口Agent移動(dòng)按照“向最安全的區(qū)域移動(dòng)”的原則進(jìn)行。具體規(guī)則如下：

而且，隨著智能手機(jī)、移動(dòng)支付的普及，2015年前后，杭州市第一人民醫(yī)院的智慧醫(yī)療水平不斷升級(jí)，患者自助服務(wù)也越來越傾向于移動(dòng)端。

(1)人員Agent判斷自身狀態(tài)是當(dāng)安全時(shí)，則保持不動(dòng)；

(2)當(dāng)人員Agent處于輕度危險(xiǎn)時(shí)，判斷周圍是否有安全房屋，如果有則向安全房屋方向移動(dòng)；如果沒有則向高程比較高和積水比較淺的方向移動(dòng)；

(3)當(dāng)人員Agent處于中度危險(xiǎn)時(shí)，首選判斷周圍是否有安全房屋；如果有則向安全房屋方向移動(dòng)；如果沒有則判斷是否有輕度安全的房屋，如果有則向輕度危險(xiǎn)房屋方向移動(dòng)；如果沒有則向高程比較高和積水比較淺的方向移動(dòng)；

(4)當(dāng)人員Agent處于重度危險(xiǎn)時(shí)，首選判斷周圍是否有安全房屋；如果有則向安全房屋方向移動(dòng)；如果沒有則判斷是否有輕度安全的房屋，如果有則向輕度危險(xiǎn)房屋方向移動(dòng)；如果沒有則向高程比較高和積水比較淺的方向移動(dòng)。

2.4 人口風(fēng)險(xiǎn)分析智能體模型及作用規(guī)則

風(fēng)險(xiǎn)分析Agent是執(zhí)行具體任務(wù)的主體，也采用慎思型內(nèi)部結(jié)構(gòu)。這里以人口風(fēng)險(xiǎn)分析Agent為例說明單個(gè)風(fēng)險(xiǎn)分析智能體的模型與作用規(guī)則。本文將人口風(fēng)險(xiǎn)分析Agent模型定義為七元組，即A={PopuRiskAnalyze, WS, DB, Rule, Action, State, Comm}。PopuRiskAnalyze為Agent名稱，WS表示外部世界狀況，DB為數(shù)據(jù)庫，Rule為來用戶定義統(tǒng)計(jì)規(guī)則，Action為統(tǒng)計(jì)不同人口狀態(tài)的動(dòng)作，State為人口風(fēng)險(xiǎn)分析Agent動(dòng)作完成的狀態(tài)，Comm為人口風(fēng)險(xiǎn)分析Agent的通信方式。

人口風(fēng)險(xiǎn)分析Agent的作用規(guī)則為：對(duì)于暴雨過程中任意時(shí)刻t，分別統(tǒng)計(jì)安全狀態(tài)人口Agent、輕度風(fēng)險(xiǎn)狀態(tài)人口Agent、中度風(fēng)險(xiǎn)狀態(tài)人口Agent和重度風(fēng)險(xiǎn)狀態(tài)人口Agent的數(shù)量，并繪制曲線；統(tǒng)計(jì)輕度、中度和重度三種風(fēng)險(xiǎn)狀態(tài)人口Agent的總數(shù)量，并繪制曲線。

2.5 智能體之間協(xié)調(diào)協(xié)作及通信機(jī)制設(shè)計(jì)

本文利用KQML(Knowledge Query and Manipulation Language)作為Agent之間的通信語言。所有Agent均通過KQML進(jìn)行通信交互協(xié)調(diào)。通過Agent之間的通信可實(shí)現(xiàn)智能體的協(xié)調(diào)協(xié)作，評(píng)估不同情境下的暴雨洪水風(fēng)險(xiǎn)。例如：在整個(gè)過程中，人口Agent和它所在相同的高程Agent上的waters和geoclass詢問waters的淹沒時(shí)間T和geoclass的水深H，waters實(shí)時(shí)把自身的淹沒時(shí)間T告知向它詢問的人口Agent，geoclass實(shí)時(shí)把水深H告知向它詢問的人口Agent，接著人口Agent可以根據(jù)水深H和淹沒時(shí)間T進(jìn)行自身受災(zāi)狀態(tài)的更新，等等。

3 基于Netlogo平臺(tái)的暴雨洪澇人口風(fēng)險(xiǎn)動(dòng)態(tài)評(píng)估

利用本文構(gòu)建的模型，在Netlogo平臺(tái)上，對(duì)淮河流域上游地區(qū)魯山縣的暴雨洪澇災(zāi)害人口風(fēng)險(xiǎn)動(dòng)態(tài)變化進(jìn)行評(píng)估。魯山縣位于河南省中西部，伏牛山東麓，南臨南陽、東接平頂山，地處北亞熱帶與暖溫帶的過渡帶，年平均氣溫14.8°，年均降水量1 000 mm。魯山縣縣域面積2 432.32 km2，總?cè)丝?2.7萬人，平均人口密度約為381人/km2。

3.1 暴雨全過程的人員風(fēng)險(xiǎn)動(dòng)態(tài)模擬

利用前文所提及的暴雨模型，對(duì)研究區(qū)域的暴雨致災(zāi)因子進(jìn)行模擬。根據(jù)SWMM模型的暴雨強(qiáng)度公式，式(5)中的雨峰系數(shù)r取值為0.5，將降雨過程分為峰前和峰后各12 h，并在降雨結(jié)束后繼續(xù)運(yùn)行14.4 h。整個(gè)降雨過程的曲線見圖2，從圖2(a)可知，整個(gè)模擬過程中前12 h的雨水Agent的數(shù)量從4 000個(gè)逐步增加到峰值，從12 h后開始逐步降低；對(duì)應(yīng)的瞬時(shí)降雨量(圖2(b))從0.125 mm逐步提升到峰值0.225 mm左右，然后逐步降低；累積降雨量呈現(xiàn)逐步增加趨勢(shì)，從圖2(c)可知在24 h的時(shí)間累積降雨量達(dá)到80 mm，其

中累積降雨達(dá)到50 mm的時(shí)間為14 h。

從分辨率為30 m的DEM數(shù)據(jù)(http://earthexplorer.usgs.gov/)中選擇魯山縣的441 km2為實(shí)驗(yàn)區(qū)域，區(qū)域的最大高程為1 155m，最低高程為120 m，如圖3(a)所示。按照“較低高程地區(qū)人口較多，較高高程地區(qū)人口數(shù)較少”的規(guī)則，考慮到目前魯山縣為勞務(wù)輸出地區(qū)，人口密度按照198人/km2核算，設(shè)每個(gè)人員Agent代表實(shí)際中的10人，則在研究區(qū)域隨機(jī)生成8 746個(gè)人員Agent并分布在49 000高程Agent上；同時(shí)隨機(jī)生成超過4 000個(gè)房屋Agent，如圖3(b)所示。

在完成初始化后，利用所構(gòu)建模型對(duì)實(shí)驗(yàn)區(qū)暴雨洪澇全過程的人員風(fēng)險(xiǎn)進(jìn)行動(dòng)態(tài)模擬。在前8 h，降雨Agent逐步增加但沒有達(dá)到峰值。該階段降雨Agent數(shù)量雖然逐步增加，在地表填洼和滲透等損失的影響下，開始形成地表徑流但不明顯。由于房屋Agent具有一定避險(xiǎn)作用，再加上人口Agent會(huì)采用一定“避險(xiǎn)”移動(dòng)策略，在該階段暴雨對(duì)人員Agent的影響有限，但也出現(xiàn)了少量的處于輕度受災(zāi)狀態(tài)的房屋Agent和人員Agent，其中2.4 h的狀態(tài)如圖3(c)所示。在8～16 h，降雨Agent逐步增加并達(dá)到峰值然后逐步減少。該階段在高程較低的區(qū)域開始形成洪水并向周邊地區(qū)流動(dòng)；且隨著降雨過程的發(fā)展，所形成洪水的區(qū)域、深度和流速會(huì)逐步增加。雖然房屋Agent具有避險(xiǎn)作用，而且人員Agent仍然會(huì)采用智能的避險(xiǎn)移動(dòng)策略，但洪水對(duì)承災(zāi)體Agent的影響明顯增強(qiáng)。該階段處于輕度受災(zāi)狀態(tài)、中度受災(zāi)狀態(tài)和重度受災(zāi)狀態(tài)的房屋Agent和人口Agent的數(shù)量呈現(xiàn)增加趨勢(shì)，降雨12 h對(duì)應(yīng)的模擬結(jié)果如圖3(d)所示。在16～24 h，降雨Agent逐步減少直至降雨停止。雖然該階段降雨Agent逐步減少，但降雨形成的洪水對(duì)房屋Agent和人口Agent造成的危險(xiǎn)仍然存在，該階段處于三種受災(zāi)狀態(tài)的人員在進(jìn)行復(fù)雜的相互轉(zhuǎn)化，降雨24 h對(duì)應(yīng)的模擬結(jié)果如圖3(e)。在24～38.4 h，該階段雖然降雨停止，降雨形成的洪水逐步轉(zhuǎn)化為澇災(zāi)，雖然地表徑流呈現(xiàn)減弱趨勢(shì)，但仍然具有較大的人員Agent處于不同的受災(zāi)狀態(tài)，其中38.4 h對(duì)應(yīng)的模擬結(jié)果如圖3(f)所示。

(a)雨水Agent生產(chǎn)曲線 (b)瞬時(shí)降雨量曲線 (c)累計(jì)降雨量曲線

圖3 暴雨全過程人口風(fēng)險(xiǎn)動(dòng)態(tài)模擬

3.2 暴雨全過程人口風(fēng)險(xiǎn)動(dòng)態(tài)評(píng)估及分析

通過前文分析可知，人口風(fēng)險(xiǎn)隨著暴雨洪澇的孕育發(fā)生發(fā)展呈現(xiàn)復(fù)雜的變化。人口風(fēng)險(xiǎn)分析Agent對(duì)暴雨全過程中的安全、輕度受災(zāi)、中度受災(zāi)和重度受災(zāi)四種狀態(tài)人口Agent進(jìn)行實(shí)時(shí)記錄。圖4所示為暴雨全過程不同狀態(tài)的人口的動(dòng)態(tài)變化曲線。

圖4 暴雨全過程不同狀態(tài)人口動(dòng)態(tài)變化曲線

從圖4可知，處于安全狀態(tài)的人口在前8 h內(nèi)，呈現(xiàn)逐步降低趨勢(shì)；在8～24 h內(nèi)，呈現(xiàn)逐步降低趨勢(shì)，但降低速度明顯高于前8 h；在24～32 h內(nèi)，呈現(xiàn)逐步降低趨勢(shì)，但降低速度低于8～24 h；在32～34 h后呈現(xiàn)增長(zhǎng)趨勢(shì)，34 h以后處于安全狀態(tài)的人口基本保持不變。

從圖4可知，受災(zāi)狀態(tài)人口變化趨勢(shì)與安全狀態(tài)人口變化趨勢(shì)相反。對(duì)于輕度受災(zāi)人口，前8 h呈現(xiàn)增長(zhǎng)趨勢(shì)；在8～16 h之間仍然呈現(xiàn)增長(zhǎng)趨勢(shì)，但增長(zhǎng)速度高于前8 h；在16～24 h之間呈現(xiàn)波動(dòng)趨勢(shì)；在24 h后呈現(xiàn)先增加后平穩(wěn)再增加趨勢(shì)。對(duì)于中度受災(zāi)人口，前8 h沒有出現(xiàn)該類狀態(tài)，在8至16 h之間呈現(xiàn)逐步增長(zhǎng)趨勢(shì)，但增長(zhǎng)速度小于輕度受災(zāi)狀態(tài)人口；在16～24 h之間，仍然呈現(xiàn)增長(zhǎng)趨勢(shì)，并且數(shù)量超過輕度受災(zāi)人口；在24 h后，呈現(xiàn)先降低，再增加，再降低，再小幅增加，最后下降的復(fù)雜變化趨勢(shì)。對(duì)于重度受災(zāi)人口，從8～24 h能呈現(xiàn)增長(zhǎng)趨勢(shì)，并在24 h達(dá)到峰值；在24 h后，重度受災(zāi)人口呈現(xiàn)波動(dòng)式下降趨勢(shì)。從圖4和上文分析可知，在暴雨全過程中，不同狀態(tài)的人口變化比較復(fù)雜。表1為每3 h不同狀態(tài)人口定量統(tǒng)計(jì)結(jié)果。

從表1中可知，暴雨期間前6 h內(nèi)，因?yàn)橹聻?zāi)因子影響較為微弱，只有少量人口(總?cè)丝诘?.5%)處于受災(zāi)狀態(tài)，且均為輕度受災(zāi)。在第9 h，人口受災(zāi)影響加大，處于輕度受災(zāi)狀態(tài)的人口增至0.9%，且出現(xiàn)少量中度受災(zāi)人口(總?cè)丝诘?.3%)，而此時(shí)處于重度受災(zāi)的人口所占比例為零，總體受災(zāi)人口比例增長(zhǎng)至1.2%。從第12～24 h，暴雨洪澇帶來的人口災(zāi)情加重，第12 h已經(jīng)出現(xiàn)少量人口(總?cè)丝诘?.1%)處于重度受災(zāi)狀態(tài)，且在第24 h人數(shù)增長(zhǎng)至總?cè)藬?shù)的5.1%，處于三種受災(zāi)狀態(tài)的人口比例均出現(xiàn)了不同幅度的增長(zhǎng)，總體受災(zāi)人口比例在第24 h增長(zhǎng)至18.4%。第27 h和30 h的數(shù)據(jù)表明降雨停止后人口的安全狀況仍繼續(xù)受到影響，總體受災(zāi)人口比例相對(duì)穩(wěn)定，但災(zāi)情的減輕促使人口受災(zāi)危險(xiǎn)程度減弱，處于重度受災(zāi)的人口比例由第24 h的5.1%減少至第30 h的2.6%，而處于中度受災(zāi)的人口比例出現(xiàn)波動(dòng)，處于輕度受災(zāi)的人口比例由第24 h的5.5%增加至第30 h的8.6%；第33 h和36 h的數(shù)據(jù)表明災(zāi)情進(jìn)一步減輕，處于重災(zāi)的人口比例在第36 h減小至0.5%，總體受災(zāi)人口比例下降至15.0%，盡管重災(zāi)人口比例下降可以使得輕度和中度受災(zāi)人口比例上升，但處于輕度和中度受災(zāi)的人口比例整體趨勢(shì)仍保持下降態(tài)勢(shì)。

表1 不同時(shí)間下不同狀態(tài)的人口統(tǒng)計(jì)表

4 結(jié)論與展望

面向?yàn)?zāi)害管理實(shí)際工作對(duì)洪澇人口風(fēng)險(xiǎn)進(jìn)行動(dòng)態(tài)評(píng)估的需求，本文利用ABM方法構(gòu)建暴雨洪澇人口風(fēng)險(xiǎn)動(dòng)態(tài)評(píng)估模型，對(duì)暴雨洪澇孕育發(fā)生發(fā)展全過程中的人口風(fēng)險(xiǎn)進(jìn)行動(dòng)態(tài)定量評(píng)估。

(1)構(gòu)建了基于ABM的暴雨洪澇人口風(fēng)險(xiǎn)動(dòng)態(tài)評(píng)估模型，對(duì)模型中所涉及的孕災(zāi)環(huán)境、暴雨致災(zāi)因子、承災(zāi)體和風(fēng)險(xiǎn)分析等Agent模型及Agent通信的進(jìn)行分析研究。

(2)利用暴雨管理模型(SWMM)、霍頓模型、水量平衡模型、非線性水庫模型和曼寧方程等重點(diǎn)對(duì)暴雨致災(zāi)因子Agent的作用規(guī)則進(jìn)行研究；并在Netlogo平臺(tái)上，對(duì)淮河上游魯山地區(qū)的暴雨洪澇人口風(fēng)險(xiǎn)進(jìn)行動(dòng)態(tài)評(píng)估。結(jié)果表明本文所構(gòu)建的模型對(duì)暴雨型洪澇災(zāi)害孕育發(fā)生發(fā)展過程中的安全、低風(fēng)險(xiǎn)、中風(fēng)險(xiǎn)和高風(fēng)險(xiǎn)四種狀態(tài)的人員動(dòng)態(tài)變化進(jìn)行分析。本文的研究結(jié)果對(duì)暴雨洪澇災(zāi)害人口災(zāi)情預(yù)測(cè)、應(yīng)急救助和應(yīng)急管理都具有較強(qiáng)的指導(dǎo)意義。

(3)本文構(gòu)建的模型雖然能對(duì)暴雨洪澇不同受災(zāi)狀態(tài)的人口風(fēng)險(xiǎn)能進(jìn)行動(dòng)態(tài)評(píng)估，但需要進(jìn)一步完善。首先，本文中不同Agent的作用規(guī)則需要進(jìn)一步完善；其次，需要利用真實(shí)的暴雨洪澇人口災(zāi)情數(shù)據(jù)驗(yàn)證和完善本文所構(gòu)建的模型；最后，研究除暴雨型以外的洪澇災(zāi)害(如冰雪融水型洪澇和潰壩型洪澇等)的人口風(fēng)險(xiǎn)動(dòng)態(tài)評(píng)估模型與方法。這些都是我們后續(xù)的研究重點(diǎn)。

[1] 蔣衛(wèi)國,李京,陳云浩,等.區(qū)域洪水災(zāi)害風(fēng)險(xiǎn)評(píng)估體系(I)-原理與方法[J].自然災(zāi)害學(xué)報(bào),2008,17(6):105-109.

[2] 國家防汛抗旱總指揮部,中國人民共和國水利部.2012年中國水旱災(zāi)害公告[M].北京:中國水利水電出版社,2013.

[3] Buchele B, Kreibich H, Kron A, et al. Flood risk mapping: contributions towards an enhanced assessment of extreme events and associated risks [J]. Natural Hazards and Earth System Sciences, 2006, 6(4): 485-503.

[4] Apel H, Thieken A H, Merz B, et al. A probabilistic modelling system for assessing flood risks [J]. Natural hazards, 2006, 38(1/2): 79-100.

[5] 丁雨淋, 杜志強(qiáng), 朱慶, 等. 洪水淹沒分析中的自適應(yīng)逐點(diǎn)水位修正算法[J].測(cè)繪學(xué)報(bào), 2013, 42(4): 546-553.

[6] 謝俊舉, 李亞琦. 基于洪水演進(jìn)數(shù)值模擬的潰壩危害性快速評(píng)估[J]. 災(zāi)害學(xué), 2011, 26(2): 31-34.

[7] Bates P D, De Roo A P J. A simple raster-based model for flood inundation simulation [J]. Journal of hydrology, 2000, 236(1): 54-77.

[8] Ding Y, Zhu Q, Lin H. An integrated virtual geographic environmental simulation framework: a case study of flood disaster simulation [J]. Geo-spatial Information Science, 2014, 17(4): 190-200.

[9] 吳鋼峰,賀治國,劉國華.具有守恒特性的二維潰壩洪水演進(jìn)數(shù)值模型[J].水科學(xué)進(jìn)展, 2013,24(5):683-691.

[10]Pelletier J D, Mayer L, Pearthree P A, et al. An integrated approach to flood hazard assessment on alluvial fans using numerical modeling, field mapping, and remote sensing [J]. Geological Society of America Bulletin, 2005, 117(9/10): 1167-1180.

[11]Meyer V, Scheuer S, Haase D. A multicriteria approach for flood risk mapping exemplified at the Mulde river, Germany [J]. Natural Hazards, 2009, 48(1): 17-39.

[12]Ding Y, Fan Y, Du Z, et al. An integrated geospatial information service system for disaster management in China [J]. International Journal of Digital Earth, 2014 (ahead-of-print): 1-28.

[13]莫建飛, 陸甲, 李艷蘭, 等.基于GIS的廣西農(nóng)業(yè)暴雨洪澇災(zāi)害風(fēng)險(xiǎn)評(píng)估[J].災(zāi)害學(xué), 2012, 27(1): 38-43.

[14]孔凡明, 蔣衛(wèi)國, 李京, 等.基于MODIS的2011年泰國洪澇受災(zāi)信息提取與分析[J]. 災(zāi)害學(xué), 2013, 28(2): 95-99.

[15]史培軍.四論災(zāi)害的理論與實(shí)踐[J].自然災(zāi)害學(xué)報(bào),2005,14(6):1-7.

[16]王飛,尹占娥,溫家洪,等.基于多智能體的自然災(zāi)害風(fēng)險(xiǎn)動(dòng)態(tài)評(píng)估模型[J].地理與地理信息科學(xué),2009,25(2):85-88.

[17]Dawson R J, Peppe R, Wang M. An agent-based model for risk-based flood incident management [J]. Natural Hazards, 2011, 59(1): 167-189.

[18]Linghu B, Chen F, Guo X, et al. A Conceptual Model for Flood Disaster Risk Assessment Based on Agent-Based Modeling[C]//Computer Sciences and Applications (CSA), 2013 International Conference on. IEEE, 2013: 369-373.

[19]史培軍.再論災(zāi)害的理論與實(shí)踐[J].自然災(zāi)害學(xué)報(bào),1996,5(4):6-17.

[20]史蕊.基于GIS和SWMM的城市洪水模擬與分析 [D]. 昆明：昆明理工大學(xué), 2010.

[21]張大偉,趙冬泉,陳吉寧,等.芝加哥降水過程線模型在排水系統(tǒng)模擬中的應(yīng)用[J].給水排水,2008,34(Supp.1):354-357.

[22]趙冬泉,王浩正,陳吉寧,等.城市暴雨徑流模擬的參數(shù)不確定性研究[J]. 水科學(xué)進(jìn)展, 2009, 20(1): 45-51.

[23]Ouyang W, Guo B, Hao F, et al. Modeling urban storm rainfall runoff from diverse underlying surfaces and application for control design in Beijing [J]. Journal of environmental management, 2012, 113: 467-473.

[24]張倩,蘇保林,袁軍營.城市居民小區(qū)SWMM降雨徑流過程模擬[J]. 北京師范大學(xué)學(xué)報(bào):自然科學(xué)版, 2012, 48(3): 276-281.

[25]Wu J Y, Thompson J R, Kolka R K, et al. Using the Storm Water Management Model to predict urban headwater stream hydrological response to climate and land cover change [J]. Hydrology and Earth System Sciences, 2013, 17(12): 4743.

[26]Sun N, Hall M, Hong B, et al. Impact of SWMM catchment discretization: case study in Syracuse, New York [J]. Journal of Hydrologic Engineering, 2012, 19(1): 223-234.

[27]任伯幟.城市設(shè)計(jì)暴雨及雨水徑流計(jì)算模型研究[D].重慶：重慶大學(xué),2004.

[28]李京,陳云浩,唐宏,等.自然災(zāi)害災(zāi)情評(píng)估模型與方法體系[M].北京：科學(xué)出版社, 2012.

The Dynamic Population Risk Assessment Model for Rainstorm-floodUtilization Multi-agent

Li Wenbo1, Guo Xiaotian1, 2，Mao Xuemin3, Xiao Dan4, Lai Wenze1, 2and Wang Hailei2

(1.InstituteofIntelligentMachines,ChineseAcademyofSciences,Hefei23003,China;2.DepartmentofAutomation,UniversityofScienceandTechnologyofChina,Hefei230026,China;3.SchoolofManagement,HefeiUniversityofTechnology,Hefei230009,China; 4.GuizhouKeyLab.ofEconomicsSystemSimulation,GuizhouUniversityofFinanceandEconomics,Guiyang550025,China)

Thedisastermanagementpracticalworkneedsthedynamicresultsofpopulationriskduringthewholerainstormprocess.TheAgent-basedModeling(ABM),whichisonemethodforcomplexsystemmodeling,hadbeenemployedtobuildpopulationriskdynamicassessmentmodelforrainstorm-flood.Thebuiltmodelhadbeenusedtodynamicallyassessthepopulationriskforthewholerainstormprocess.Theinternalmodels,themechanism,therules,andthecommunicationofdifferentagents,includinghazardfactoragents,hazardenvironmentsagents,hazardeffectobjectsagents,andriskanalyzeagents,hadbeenfocused.OnNetlogoplatform,theconstructedmodelshadbeenusedtoassessthepopulationriskdynamicchangesofLushanCountywhichlocatesintheupstreamoftheHuaiheRiverBasin.Theresultsshowthattheconstructedmodelsinthispapercaneffectivelysolvethedynamicchangesofthepopulationriskduringthewholeprocessofrainstorm-flooddisaster.Theresultsofthisstudycanprovideonenewapproachforflooddisastersriskdynamicassessment.

rainstorm;flooddisaster;population;risk;dynamicassessment;multiagent;model

06

2014-03-16

國家自然科學(xué)基金項(xiàng)目(41101516，91324006，91024008)；貴州科技計(jì)劃項(xiàng)目(黔科合SY字[2012]3040)

李文波(1979-),男，湖北襄陽人，博士，副研究員，主要從事洪水風(fēng)險(xiǎn)評(píng)估、復(fù)雜系統(tǒng)建模、水資源管理等方面研究.E-mail：wbli@iim.ac.cn

毛雪岷(1974-),男，安徽宿州人，博士，副教授，主要從事人工智能、復(fù)雜系統(tǒng)建模等方面研究.E-mail：maoxuemin@yahoo.comc.cn

X43；P333.2

A

1000-811X(2015)03-0080-08

10.3969/j.issn.1000-811X.2015.03.016

李文波,郭嘯天,毛雪岷，等. 基于多智能體的暴雨洪澇人口風(fēng)險(xiǎn)動(dòng)態(tài)評(píng)估[J].災(zāi)害學(xué), 2015,30(3):080-087. [Li Wenbo, Guo Xiaotian, Miao Xuemin, et al. The dynamic population risk assessment model for rainstorm-flood utilization multi-agent[J].Journal of Catastrophology, 2015,30(3)：080-087.]