基于频繁模式挖掘的上海市气象灾害致灾因子识别

气象灾害是上海等超大城市面临的重大挑战,而如何定量挖掘气象条件的致灾影响是当前亟须解决的问题。研究基于近10年的气象类报警灾情数据,采用FP-Growth频繁模式挖掘算法开展气象灾害的致灾因子识别,得到气象对于典型承灾体的致灾影响阈值,并且基于挖掘结果构建了气象条件与典型承灾体的气象致灾知识图谱。结果表明：暴雨灾情主要分布在100～250 mm的大暴雨区间以及50～100 mm的暴雨区间,其主要承灾体为房屋、车辆、道路和小区;大风灾情主要分布在10.8～17.1 m/s(6～7级风),其次为17.2-24.4 m/s(8～9级风)区间,主要承灾体为车辆、道路、树木、房屋及相关构筑物。并且在不同统计时段灾情通常都集中于风雨共同影响的区间范围,呈现出较为明显的对角线分布特征。通过FP-Growth挖掘可以得到一些较为明显的致灾特征,如强降水会导致工厂、加油站、市场、学校、幼儿园、仓库、车库等积水,强风会导致电信设施、加油站、围墙和大棚受损。此外,强降水和大风的共同影响还会造成加油站、学校、幼儿园等灾情高发。本研究通过构建定量化的气象致灾影响知识框架,从而加深对于灾害性天气致灾影响的认识,为...     

基于机器学习方法的上海市暴雨内涝灾情预测模型研究

本文基于区域灾害系统理论,综合考虑致灾因子、暴露度和脆弱性,提出了一套暴雨内涝灾情预测指标体系;在此基础上利用上海市应急联动中心110接报暴雨内涝灾情数据,构建了暴雨内涝灾情预测BP模型(Back Propagation Model)和XGBoost模型(Extreme Gradient Boosting Model),并对比分析了预测模型效果,实现对上海市暴雨过程内涝灾情数量预测;最后对内涝灾情影响等级进行阈值划分,以期为暴雨内涝影响预报与风险预警业务、服务及灾害管理提供技术支撑。结果表明:1)综合考虑致灾因子、暴露度、脆弱性指标且不经主成分分析降维的指标组合作为暴雨内涝灾情预测指标体系时,BP模型和XGBoost模型的预测精度最优;2)全量样本XGBoost模型总体表现最优,暴雨内涝灾情的右偏分布和内涝灾情的异常高值均对XGBoost模型预测误差有不同程度的贡献;3)综合评价法在历史灾情百分位法和模拟灾情百分位法基础上,结合多年业务实践经验和用户对于110灾情的处置承受力对暴雨内涝灾情进行阈值划分,在实际应用中具有一定参考意义。     

基于GIS的上海市社区暴雨积涝模拟研究

随着城市化的推进,暴雨积涝逐渐成为许多城市的主要自然灾害,但当前积涝模型大多基于水动力学方法,需要大量的输入参数,不便于推广和应用。研究采用了积水站数据反算区域排水,并基于简化的城市暴雨积涝模型模拟研究区的积水深度和受淹房屋分布。在此基础上,利用现有灾情资料对模拟结果进行了评估。分析表明,该方法可以较好地模拟五角场街道在一定降雨强度下的积涝空间分布;研究区内积水深度与地表高程密切相关,积水面积和受淹房屋数量都随降雨量的增大而增大,且增幅逐渐放缓,而区内受淹房屋主要为低矮平房、老旧房屋和厂房。