[發明專利]一種流域性暴雨洪澇承災體重置成本遙感模擬方法

有效

• 申請號: 202310033916.6
• 申請日: 2023-01-10
• 公開（公告）號: CN115907574B
• 公開（公告）日: 2023-08-15
• 發明（設計）人: 江威;呂娟;崔師愛;龐治國;楊昆;宋文龍;李小濤
• 申請（專利權）人: 中國水利水電科學研究院
• 主分類號: G06Q10/067
• 分類號: G06Q10/067;G06T7/62;G06N3/08;G06F16/29;G06Q50/26
• 代理公司: 北京正華智誠專利代理事務所(普通合伙) 11870
• 代理人: 楊浩林

1.一種流域性暴雨洪澇承災體重置成本遙感模擬方法，其特征在于，包括以下步驟：

S1、采集流域性暴雨洪澇受災區受災前后的多源數據并進行預處理，得到預處理數據；

S2、根據預處理數據提取流域性暴雨洪澇承災體重置參數，構建暴雨洪澇承災體重置參數特征集；

S3、采集流域性暴雨洪澇受災區的保險核災數據和歷史調研數據，構建承災體重置成本樣本集；

S4、根據暴雨洪澇承災體重置參數特征集和承災體重置成本樣本集，采用深度學習神經網絡模型對流域性暴雨洪澇承災體重置成本進行空間模擬；

所述步驟S1中的多源數據包括時序遙感數據、氣象指標數據、下墊面風險暴露數據和暴雨洪澇災害損失數據；

所述時序遙感數據的采集和預處理方法為：

A1、獲取流域性暴雨洪澇受災區受災前后的高分三號和哨兵1號的雷達遙感數據以及高分一號、高分六號和哨兵2號的光學遙感數據，所述光學遙感數據選取無云和無冰雪覆蓋數據；

A2、對雷達遙感數據進行軌道校正、影像裁剪、濾波處理、輻射定標、地形校正、地理編碼和圖像鑲嵌，得到預處理后的雷達遙感數據；

A3、對光學遙感數據進行輻射定標、大氣校正、幾何校正、波段配準、多波段影像合成和影像融合，得到預處理后的光學遙感數據；

A4、將預處理后的雷達遙感數據和預處理后的光學遙感數據經過影像配準和重采樣統一到30m分辨率，完成對時序遙感數據的預處理；

所述氣象指標數據的采集和預處理方法為：

B1、選取全球降雨觀測衛星IMERG降水產品，下載受災前后時間段的產品數據集，通過ARCGIS讀取生成tiff文件，并通過雙線性內插法重采樣為30m空間分辨率；

B2、選用中國氣象局陸面數據同化系統近實時產品數據集，利用python批量處理近實時產品數據集的原始文件，轉為柵格數據集，并通過雙線性內插法將柵格數據集中的影像重采樣為30m空間分辨率，完成對氣象指標數據的預處理；

所述下墊面風險暴露數據的采集和預處理方法為：

C1、獲取最新的全球10m空間分辨率二級分類的精細土地利用數據；

C2、從中國經濟與社會發展統計數據庫中獲取承災體成本造價數據；

C3、選取無云、經過幾何和輻射校正且空間分辨率為40m的國產可持續發展衛星的夜間燈光遙感數據；

C4、對夜間燈光遙感數據進行過濾處理，剔除原始夜間燈光遙感數據內的噪聲和干擾光源，并對過濾處理后的夜間燈光遙感數據集進行中值合成，得到穩定的夜間燈光遙感數據；

C5、將穩定的夜間燈光遙感數據重采樣成30m分辨率，完成對下墊面風險暴露數據的預處理；

所述步驟S2中的流域性暴雨洪澇承災體重置參數包括洪澇淹沒最大范圍特征V1、洪澇淹沒深度特征V2、洪澇淹沒歷時特征V3、小時最大降雨V4、日最大降雨V5、最大風速V6、最大氣壓V7和風險暴露特征V8；

所述洪澇淹沒最大范圍特征V1的計算公式為：

其中T_i，j表示像素行列號為i，j的洪澇淹沒分類影像；

所述洪澇淹沒深度特征V2的計算公式為：

V2＝H_max-H_i，j

其中H_max表示封閉水域中最大高程，H_i，j表示像素行列號為i，j的數字高程值；

所述洪澇淹沒歷時特征V3的計算公式為：

V3＝∑Δt_i，j

其中Δt_i，j表示像素行列號為i，j的臨近影像洪澇淹沒像素之間的影像成像時間差；

所述小時最大降雨V4的計算公式為：

V4_i，j＝max{RH_d}_i，j

RH_d＝N_m+N_m+1

其中RH_d表示第d個小時的降雨產品，N_m表示第m個降水產品，下標i，j表示像素行列號；

所述日最大降雨V5的計算公式為：

V5_i，j＝max{RD_r}_i，j

RD_r＝N_l+N_l+1+…+N_l+23

其中RD_r表示第r日的降雨產品，N_l表示第l個降水產品；

所述最大風速V6的計算公式為：

V6_i，j＝max{W_n}_i，j

其中W_n表示時序風速數據集，下標n表示數據集中序號；

所述最大氣壓V7的計算公式為：

V7_i,j＝max{P_n}_i，j

其中P_n表示時序氣壓數據集；

所述風險暴露特征V8的計算公式為：

V8＝aZ+b

其中Z表示夜間燈光遙感輻射強度，a,b分別為訓練得到的系數和截距；

所述步驟S2中構建的暴雨洪澇承災體重置參數特征集為：

H＝S(V1，V2，V3，V4，V5，V6，V7，V8)

其中H表示暴雨洪澇承災體重置參數特征集，S表示集合特征；

所述步驟S3包括以下分步驟：

S31、采集流域性暴雨洪澇受災區的保險核災數據和歷史調研數據，并按照30m×30m格網進行劃分，將包含歷史調研數據條目超過5條的選為樣本格網，形成暴雨洪澇重置成本樣本；

S32、根據流域性暴雨洪澇受災區的歷史調研數據，采用統計平均法確定單位面積或數量的不同財產類型的重置成本P；

S33、根據受災前后的高分辨率衛星遙感數據對比獲取各財產類型的受災面積或數量Q；

S34、根據重置成本P和受災面積或數量Q構建承災體重置成本樣本集Y：

Y＝{y_i，i＝1,2，...，n}

y_i＝Q_i×P_i

其中y_i表示第i個樣本的重置成本總值，Q_i表示第i個樣本的受災面積或數量，P_i表示第i個樣本的重置成本，n表示樣本總數；

所述步驟S4包括以下分步驟：

S41、根據暴雨洪澇重置成本樣本的空間網格位置，從暴雨洪澇承災體重置參數特征集中對應提取30m×30m格網的暴雨洪澇承災體重置參數；

S42、對所有暴雨洪澇承災體重置參數進行歸一化處理：

其中表示歸一化前第i個特征的第j個樣本，x_ij表示歸一化后第i個特征的第j個樣本，表示分別表示第i個特征的最小值和最大值；

S43、根據歸一化后的暴雨洪澇承災體重置參數x_ij構建深度學習神經網絡模型的輸入訓練樣本X＝{x_ij}；

S44、設置深度學習神經網絡模型的輸入層包含8個神經元，中間設置多個隱藏層，在輸出層得到預測值f(x，w)：

其中x表示神經網絡的輸入，w表示權重，w_ij表示x_ij對應的權重參數，b_j表示x_ij對應的偏移量；

S45、設置深度學習神經網絡模型的損失函數

其中n表示樣本總數，f(x^j，w)表示第j個樣本的預測值，y^j表示第j個樣本的真實值；

S46、采用批量隨機梯度下降法優化損失函數，在每次迭代后更新特征的權重參數和偏移量，不斷訓練迭代直到損失函數值極小化，更新的權重參數W_new和偏移量B_new表示為：

其中η表示學習率，表示損失函數在權重W方向的梯度，表示損失函數在偏移量B方向的梯度；

S47、通過驗證樣本對訓練完成的深度學習神經網絡模型進行評估，驗證模型的準確性，評估指標為平均絕對誤差MAE和精確度ACC：

其中Y′為模型預測的承災體重置成本，Y為真實的承災體重置成本；

S48、采用驗證后的深度學習神經網絡模型進行空間網格模擬計算，得到流域性暴雨洪澇承災體重置成本的空間模擬結果。