基于MSN方法的洪澇災(zāi)害現(xiàn)場(chǎng)調(diào)查推算模型*

郭桂禎，周洪建

(民政部國(guó)家減災(zāi)中心，北京 100124)

基于MSN方法的洪澇災(zāi)害現(xiàn)場(chǎng)調(diào)查推算模型*

郭桂禎，周洪建

(民政部國(guó)家減災(zāi)中心，北京 100124)

傳統(tǒng)的空間推算方法對(duì)空間的均質(zhì)性要求比較高，然而在洪澇災(zāi)害中，空間的均質(zhì)性很難滿足。該文將分層非均值地表推斷方法(MSN)用于洪澇災(zāi)害損失現(xiàn)場(chǎng)調(diào)查，建立基于MSN的洪澇災(zāi)害現(xiàn)場(chǎng)調(diào)查推算模型，并用2013年黑龍江省汛期洪澇災(zāi)害驗(yàn)證本模型，總體推算誤差控制在15%以內(nèi)，較好的反應(yīng)了整個(gè)災(zāi)區(qū)的受損情況。

洪澇災(zāi)害；MSN；房屋；倒損評(píng)估；現(xiàn)場(chǎng)調(diào)查；非均質(zhì)；推算模型

1 研究背景及數(shù)據(jù)源

1.1 研究背景

洪澇災(zāi)害是一種嚴(yán)重威脅人類生存與發(fā)展的自然災(zāi)害，發(fā)生頻率高，影響范圍廣，造成損失重。全世界每年因洪澇災(zāi)害造成的傷亡人數(shù)超過全部因自然災(zāi)害傷亡人數(shù)的65%，造成的損失超過所有因自然災(zāi)害損失的30%[1]。我國(guó)每年汛期都會(huì)發(fā)生洪澇災(zāi)害，給人民群眾財(cái)產(chǎn)和生命安全造成巨大損失，2006-2015年，平均每年造成200多萬(wàn)間房屋不同程度受損，洪澇災(zāi)害已經(jīng)成為人社會(huì)共同面臨和關(guān)注的重大問題。

對(duì)洪澇災(zāi)害的評(píng)估也成為國(guó)內(nèi)外學(xué)者研究的重點(diǎn)內(nèi)容。傳統(tǒng)的評(píng)估方法主要包括回歸分析、模糊數(shù)學(xué)、GIS空間分析和實(shí)驗(yàn)分析風(fēng)方法[2-11]。單九生等基于淹沒水深和社會(huì)經(jīng)濟(jì)數(shù)據(jù)建立了BP神經(jīng)網(wǎng)絡(luò)模型洪澇災(zāi)害損失評(píng)估GIS模型，對(duì)洪澇災(zāi)害經(jīng)濟(jì)損失進(jìn)行評(píng)估[12]；葛鵬等改進(jìn)傳統(tǒng)的模糊數(shù)學(xué)方法，建立了洪澇災(zāi)害風(fēng)險(xiǎn)等級(jí)和損失等級(jí)評(píng)價(jià)數(shù)學(xué)模型，用于洪澇災(zāi)害風(fēng)險(xiǎn)評(píng)估[13]；胡俊峰等建立了歷史氣象水文要素和災(zāi)情之間的洪澇災(zāi)害損失回歸模型，用于洪澇災(zāi)害經(jīng)濟(jì)損失災(zāi)前預(yù)警評(píng)估和災(zāi)后損失評(píng)估[14]。洪澇災(zāi)害致災(zāi)因子復(fù)雜性和致災(zāi)方式多樣行性決定了洪澇災(zāi)害損失評(píng)估模型的復(fù)雜性，導(dǎo)致上述評(píng)估模型精度較低，不能滿足程度政府精準(zhǔn)決策的要求，因此現(xiàn)場(chǎng)調(diào)查成為洪澇災(zāi)害損失評(píng)估的重要手段。

通常洪澇災(zāi)害的影響范圍比較廣，受人力資源約束，很難把所有的受災(zāi)區(qū)域都納入到調(diào)查區(qū)域，因此，如何由較小的樣本數(shù)量估計(jì)整個(gè)受災(zāi)區(qū)域損失就成為制約現(xiàn)場(chǎng)調(diào)查評(píng)估精度的重要因素。抽樣理論的迅速發(fā)展為該問題的解決提供了有效的途徑，它利用精度較高的有限樣本點(diǎn)對(duì)其他未調(diào)查地區(qū)進(jìn)行估計(jì)，從而達(dá)到對(duì)總體損失的估計(jì)。與經(jīng)典抽樣方法相比，空間抽樣方法考慮了地理對(duì)象之間存在的自相關(guān)性，提高了對(duì)總體的估計(jì)精度。由Wang等提出的MSN(分層非均質(zhì)地表均值估計(jì))模型[15-16]在考慮相關(guān)性的基礎(chǔ)上加入了地物對(duì)象可能存在的異質(zhì)性特點(diǎn)，進(jìn)一步提高了對(duì)總體的估計(jì)精度。本文將MSN模型引入到洪澇災(zāi)害現(xiàn)場(chǎng)調(diào)查評(píng)估，建立洪澇災(zāi)害現(xiàn)場(chǎng)調(diào)查總體推算模型。

1.2 數(shù)據(jù)源

本研究的數(shù)據(jù)主要包括2013年黑龍江省汛期洪澇災(zāi)害損失數(shù)據(jù)、降雨數(shù)據(jù)、河網(wǎng)密度空間分布數(shù)據(jù)、地形指數(shù)數(shù)據(jù)和分結(jié)構(gòu)房屋存量數(shù)據(jù)，具體數(shù)據(jù)及其來源見表1。

表1 數(shù)據(jù)來源

2 模型方法

2.1 MSN模型原理

傳統(tǒng)的空間推算方法(Kriging方法)對(duì)地表的均質(zhì)性要求比較高，然而，在洪澇災(zāi)害中，地表的均質(zhì)性很難滿足。非均質(zhì)地表推算模型(MSN)，對(duì)洪澇災(zāi)害的復(fù)雜性具有較強(qiáng)的適應(yīng)性。

假設(shè)空間場(chǎng)y(s)，它是空間位置的函數(shù)(s是在區(qū)域上變化)，具有非均質(zhì)性，在數(shù)學(xué)上可以表示為一個(gè)均值和方差隨空間變化的隨機(jī)場(chǎng)模型。

E[y(s)|s∈h]=常數(shù)。

(1)

式中：E[·]表示均值算子。

(2)

式中：yhi是h層內(nèi)第i個(gè)樣本點(diǎn)的值，whi是該點(diǎn)的權(quán)重。若要使是的無偏估計(jì)，則必需滿足

(3)

(4)

(5)

(6)

(7)

一般來說，該式對(duì)非均質(zhì)性地表都是適合的。

根據(jù)上面的分析，空間屬性特征地表的估計(jì)問題轉(zhuǎn)變?yōu)閷ふ疫m當(dāng)?shù)臋?quán)重系數(shù)whi(h=1；…,H:i=1,…,nh)，它能同時(shí)滿足(7)式無偏性和估計(jì)均值的方差最小：

(8)

針對(duì)分層非均質(zhì)地表，滿足條件的whi可以通過求解下面的方程組得到：

(9)

式中：μp是拉格朗日乘子，ah=h-1，ap=p-1。cov(yhi,ypj)是第h層中第i個(gè)樣本點(diǎn)(si)與第p層中第j個(gè)樣本之間的協(xié)方差，當(dāng)h=p時(shí)，cov(yhi,ypj)表示同一層內(nèi)特征屬性之間的空間相關(guān)性(si∈h,sj∈h)；當(dāng)h≠p時(shí)，cov(yhi,ypj)表示不同層間特征屬性之間的空間相關(guān)性(si∈h,sj∈p)。

2.2 基于MSN的洪澇災(zāi)害損失現(xiàn)場(chǎng)調(diào)查總體推算模型

(1)樣本空間分層

根據(jù)洪澇災(zāi)害形成機(jī)理，日最大降雨量、累計(jì)降雨量、地形指數(shù)、河網(wǎng)指數(shù)是影響洪澇災(zāi)害的4個(gè)最重要指標(biāo)，因此將這4個(gè)指標(biāo)作為本模型分層依據(jù)。本模型采用k-means算法將樣本空間進(jìn)行分層，使得層內(nèi)樣本屬性相差較小，層間樣本屬性相差較大。k-means算法是一種得到最廣泛使用的基于劃分的聚類算法，把n個(gè)對(duì)象分為k個(gè)簇，以使簇內(nèi)具有較高的相似度。首先從總體中隨機(jī)地選擇k個(gè)對(duì)象，每個(gè)對(duì)象初始地代表了一個(gè)簇的平均值或中心；然后對(duì)剩余的每個(gè)對(duì)象根據(jù)其與各個(gè)簇中心的距離，將它賦給最近的簇；最后重新計(jì)算每個(gè)簇的平均值，這個(gè)過程不斷重復(fù)，直到準(zhǔn)則函數(shù)收斂。

(2)MSN模型實(shí)現(xiàn)

充分利用GIS的高效數(shù)據(jù)管理、豐富的可視化和強(qiáng)大的空間分析功能，選擇了以Spatial.NET為基本組件的GIS開發(fā)平臺(tái)進(jìn)行災(zāi)害數(shù)據(jù)的管理和分析。同時(shí)，運(yùn)用R語(yǔ)言的高效、快速統(tǒng)計(jì)建模優(yōu)勢(shì)進(jìn)行底層關(guān)鍵模型的編寫，實(shí)現(xiàn)洪澇災(zāi)害現(xiàn)場(chǎng)調(diào)查總體推算模型。首先根據(jù)選取的基礎(chǔ)指標(biāo)對(duì)空間進(jìn)行分層，把受災(zāi)縣分成不同的層；然后分析層內(nèi)各縣的相關(guān)性，從而得到層內(nèi)所有縣的損失；最后運(yùn)用MSN模型分析層間的相關(guān)性，從而推算受災(zāi)區(qū)域內(nèi)所有受災(zāi)縣的損失(圖1)。

圖1 模型架構(gòu)圖

3 案例驗(yàn)證

3.1 案例背景

本研究以2013年汛期黑龍江洪澇災(zāi)害為案例驗(yàn)證模型。2013年入汛以后，東北地區(qū)連續(xù)遭受強(qiáng)降雨過程，汛期平均累計(jì)降雨量達(dá)462 mm，較常年同期偏多26%，為1995年以來歷史同期最多，加之上游水庫(kù)泄洪，部分提防決口，給人民群眾生產(chǎn)生活和社會(huì)經(jīng)濟(jì)造成了嚴(yán)重的影響，由于此次洪澇災(zāi)害致災(zāi)因子復(fù)雜，很難用一般的災(zāi)害損失評(píng)估模型計(jì)算災(zāi)害損失，因此采用現(xiàn)場(chǎng)調(diào)查方法估算此次洪澇災(zāi)害房屋倒塌和嚴(yán)重?fù)p壞數(shù)量。通過現(xiàn)場(chǎng)調(diào)查計(jì)算樣本縣的損失數(shù)據(jù)，之后用基于MSN的洪澇災(zāi)害現(xiàn)場(chǎng)調(diào)查推算模型估算整個(gè)災(zāi)區(qū)的損失。

3.2 模型計(jì)算

考慮災(zāi)情的嚴(yán)重程度和空間分布，選取五常、蘿北、紅星、撫遠(yuǎn)和林口五個(gè)縣區(qū)為樣本縣，經(jīng)過現(xiàn)場(chǎng)調(diào)查得出分縣損失率如表2所示。

表2 現(xiàn)場(chǎng)調(diào)查樣本結(jié)果

表3 部分受災(zāi)縣基本指標(biāo)及推算結(jié)果展示

把基本指標(biāo)輸入模型，得到黑龍江省置信區(qū)間為(0.3,0.8)全部受災(zāi)縣的計(jì)算結(jié)果，標(biāo)準(zhǔn)差為0.15，部分受災(zāi)縣的基本指標(biāo)和計(jì)算結(jié)果展示如表3所示。

黑龍江全省房屋倒損數(shù)量計(jì)算值和災(zāi)情上報(bào)值對(duì)比如表4所示。

表4 總體結(jié)果對(duì)比

從計(jì)算結(jié)果來看，推算值和上報(bào)值的誤差控制在15%以內(nèi)，推算值能比較好反應(yīng)整個(gè)災(zāi)區(qū)的損失情況。

4 結(jié)論

非均質(zhì)地表推算模型(MSN)能很好的適應(yīng)洪澇災(zāi)害的復(fù)雜性特點(diǎn)，把日最大降雨量、累計(jì)降雨量、地形指數(shù)、河網(wǎng)指數(shù)4個(gè)指標(biāo)作為分層依據(jù)的基于MSN的洪澇災(zāi)害現(xiàn)場(chǎng)調(diào)查推算模型能比較精確的從樣本損失推算空間總體損失，能為政府救助決策起到很好的指導(dǎo)作用。在下一步研究中，將進(jìn)一步探索樣本數(shù)量對(duì)模型精度的影響，從而達(dá)到更好的模型應(yīng)用效果。

[1] Askew A J.Water in the international decade for natural disaster reduction [C]//Destructive Water ：Water -Caused Natural Disasters, UK：IAHS Publ, 1997.

[2] 魏一鳴，金菊良，周成虎，等.洪水災(zāi)害評(píng)估體系研究[J].災(zāi)害學(xué)，1997，12(3)：1-5.

[3] 李春.區(qū)域性洪澇災(zāi)害的災(zāi)情評(píng)估[J].自然災(zāi)害學(xué)報(bào), 2004, 13(4): 75-81.

[4] 趙士鵬.基于GIS的山洪災(zāi)情評(píng)估方法研究[J].地理學(xué)報(bào), 1996, 51(5): 471-479.

[5] 姜藍(lán)齊，馬艷敏，張麗娟，等.基于GIS的黑龍江省洪澇災(zāi)害風(fēng)險(xiǎn)評(píng)估與區(qū)劃[J].自然災(zāi)害學(xué)報(bào), 2013, 22(5): 238-246.

[6] 丁志雄，胡亞林，李紀(jì)人，等.基于空間信息格網(wǎng)的洪澇災(zāi)害損失評(píng)估模型及其應(yīng)用[J].水利水電技術(shù), 2005, 36(6): 93-101.

[7] 王艷艷.不同尺度的洪澇災(zāi)害損失評(píng)估模式述評(píng)[J].水利發(fā)展研究, 2002, 2(12): 66-69.

[8] 廖永豐，聶承靜，楊林生，等.洪澇災(zāi)害風(fēng)險(xiǎn)監(jiān)測(cè)預(yù)警評(píng)估綜述 [J].地理科學(xué)進(jìn)展, 2013, 31(3): 361-367.

[9] 李春梅，劉錦鑾，潘蔚娟，等.暴雨綜合影響指標(biāo)及其在災(zāi)情評(píng)估中的應(yīng)用.廣東氣象, 2008, 30(4): 1-4.

[10] 周瑤，王靜愛.自然災(zāi)害脆弱性曲線研究進(jìn)展[J].地球科學(xué)進(jìn)展，2012，27(4)：435-422.

[11] 扈海波，張艷莉.暴雨災(zāi)害人員損失風(fēng)險(xiǎn)快速預(yù)評(píng)估模型 [J].災(zāi)害學(xué), 2013, 29(1): 30-36.

[12] 單九生，徐星生，樊建勇，等.基于GIS的BP神經(jīng)網(wǎng)絡(luò)洪澇災(zāi)害評(píng)估模型研究[J].江西農(nóng)業(yè)大學(xué)學(xué)報(bào), 2009, 31(4)：777-780.

[13] 葛鵬，岳賢平.洪澇災(zāi)害承災(zāi)體易損性的時(shí)空變異——以南京市為例[J].災(zāi)害學(xué), 2013, 28(1): 107-111.

[14] 胡俊峰，楊月巧.基于氣象水文要素的洪澇災(zāi)害損失評(píng)估[J].南水北調(diào)與水利科技，2014，12(1)：26-31.

[15] WANG Jinfeng,George Christajos,HU Maogui.Modeling spatial means of surfaces with stratified nonhomogeneity[J].IEEE Transactions on Geoscience and Remote Sensing, 2009,47(12):4167-4173.

[16] HU Maogui,WANG Jinfeng.A spatial sampling optimization package using MSN theory[J].Enviromental Modeling &Software.Machine learning，2011，26(1)：546-548.

A Flood Field Investigation Caculating Method Based On MSN Method

GUO Guizhen and ZHOU Hongjian

(NationalDisasterReductionCenterofChina,Beijing100084,China)

Traditional spatial calculation method needs homogeneity, but homogeneity usually cannot be satisfied in flood disaster. We use Spatial Means of Surfaces with Stratified Nonhomogeneity method to build A Flood Field Investigation Caculating Method. At last, 2013 Heilongjiang Provence foold disater is uesed to verify the model; the error is under 15% which can indicate loss of the whole disaster area.

flood; MSN; house; damage assessment; field investigation; nonhomogeneity; calculation model

郭桂禎，周洪建.基于MSN方法的洪澇災(zāi)害現(xiàn)場(chǎng)調(diào)查推算模型[J].災(zāi)害學(xué)，2018，33(1)：19-22.[GUO Guizhen and ZHOU Hongjian.A Flood Field Investigation Caculating Method Based on MSN Method [J].Journal of Catastrophology，2018，33(1)：19-22.

10.3969/j.issn.1000-811X.2018.01.004.]

2017-03-29

2017-06-28

國(guó)家科技支撐項(xiàng)目(2013BAK05B02)

郭桂禎(1984-)，男，山東聊城人，漢族，助理研究員，博士，主要從事自然災(zāi)害災(zāi)害損失評(píng)估研究.

E-mail: guoguizhen2008@126.com

X43；TV122.1

A

1000-811X(2018)01-0019-04

10.3969/j.issn.1000-811X.2018.01.004