用于获取城市要素对内涝灾害损失影响程度的方法及系统

1.本发明属于城市要素对内涝灾害损失影响程度研究的技术领域，具体涉及一种用于获取城市要素对内涝灾害损失影响程度的方法和系统。


背景技术：

2.洪涝灾害是常见的一种自然灾害，城市的洪涝灾害与流域洪涝灾害的成灾特性明显不同，并且城市内涝将会相较于流域洪涝灾害造成更大的损失，这是因为虽然在城市周围建设的堤坝能够提高城市的抗洪风险系数，但是城市道路及建筑物密度的增加，也减少了城市的透水面积和透水比例，加之由于历史原因，许多地下管道和排水系统无法满足城市当前的排涝泄洪需求，延长了洪涝灾害持续的时间并加剧了城市灾害的严重程度。而城市的人口多、建筑物和各类设备数量的并且高度密集，一旦发生灾害，将会造成大量的经济损失，甚至会造成人员出现伤亡。
3.经相关研究发现，城市地区的下垫面情况、管网分布情况、建筑物分布等对产汇流有明显影响，并且内涝灾害的损失与城市人口、经济分布密度呈正相关，这些特性可以为城市内涝的风险管控提供优化方向。但城市作为一个自然与人文现象耦合的复杂巨系统，具有人口和设施资源高度集聚、空间结构复杂、物理对象与群体社会行为高速动态运行演化等特征其组织结构是城市各构成要素相互关系、相互作用的形式和方式。因此，城市洪涝灾害过程及其表现特征更加复杂，涉及要素范围广、类型多，仅从城市内涝灾害形成的物理机制选取相关的城市构成要素并分析其对内涝灾害的影响，就不能全面对比各要素之间的影响程度高低，也不能为城市的风险管理决策提供有效的参考依据。
4.城市要素的构成复杂多样，开展其对内涝灾害的影响机理研究，需要进行各要素和灾害损失数据的采集及运算。基于大数据的理论和方法能够有效利用城市要素和灾害损失的多源异构数据，从而深入解析城市要素对洪涝灾害的影响程度。针对城市要素和灾害损失的多源异构数据整合利用问题，本体理论基于语义描述思想，能够在建立和梳理各城市要素对内涝灾害的复杂作用关系基础上，整合管理城市构成要素和灾害损失涉及的城市各管理部门数据，有效提高城市要素对内涝灾害影响程度量化的准确性
5.虽然目前在城市要素与洪涝灾害影响的研究上已经取得了较为丰富的成果，能够为城市洪涝灾害风险管理提供一些指导及建议，但是还不能够具体的体现出城市要素对内涝灾害的影响程度，因此为城市防洪抗灾的指导作用有限，不能够对城市洪涝灾害风险管理过程中的城市要素优先管理决策问题提供足够的支撑。
6.因此现有技术中得到的城市要素与内涝灾害损失影响程度的关系，不能够为指导城市的防洪抗灾提供足够支撑的问题。


技术实现要素：

7.本发明的目的是提供一种用于获取城市要素对内涝灾害损失影响程度的方法和系统，以至少解决现有技术中所得到的城市要素与内涝灾害损失影响程度的关系，不能够
为指导城市的防洪抗灾提供足够支撑的问题。
8.为实现上述目的，一方面，本发明提供了一种用于获取城市要素对内涝灾害损失影响程度的方法，包括：构建市域和街区尺度下的层次贝叶斯网络结构，将城市要素对内涝灾害影响机理本体模型中的结构分别对应到所述层次贝叶斯网络结构中；采用参数学习算法对所述层次贝叶斯网络结构进行参数学习训练，得到其中各节点的条件概率；根据所述层次贝叶斯网络结构中各节点的条件概率对其进行敏感性分析，以量化城市要素对内涝灾害损失影响程度。
9.根据本发明的一个实施例，将城市要素对内涝灾害影响机理本体模型中的集合分别对应到所述层次贝叶斯网络结构中包括：根据所述机理本体模型中的概念集合，对所述层次贝叶斯网络结构中的节点进行设置；根据所述机理本体模型中的概念语义关系和时间关系，以得到相应的因果关系；根据所述因果关系对所述层次贝叶斯网络结构中各节点的边进行设置。
10.进一步地，根据本发明的另一个实施例，所述概念语义关系包括整体/部分关系、正向影响关系、负向影响关系、兼具正向和负向影响关系，所述时间关系包括早于和晚于。
11.根据本发明的又一个实施例，所述参数学习算法为期望最大算法，包括：计算所述层次贝叶斯网络结构中节点的对数似然函数的期望，以及计算参数以使完整似然期望最大。
12.根据本发明的另一个实施例，所述根据所述层次贝叶斯网络结构中各节点的条件概率对其进行敏感性分析包括：获取内涝损失指标节点对城市要素指标节点的敏感度，根据所述敏感度得到城市要素指标节点对所述内涝灾害损失的影响程度。
13.另一方面，本发明还提供一种用于获取城市要素对内涝灾害损失影响程度的系统，包括处理器和存储器，所述存储器存储有用于在所述处理器上执行的计算机程序指令，所述处理器执行所述计算机城市指令时，实现如下用于获取城市要素对内涝损失影响程度的方法：构建市域和街区尺度下的层次贝叶斯网络结构，将城市要素对内涝灾害影响机理本体模型中的结构分别对应到所述层次贝叶斯网络结构中；采用参数学习算法对所述层次贝叶斯网络结构进行参数学习训练，得到其中各节点的条件概率；根据所述层次贝叶斯网络结构中各节点的条件概率对其进行敏感性分析，以量化城市要素对内涝灾害损失影响程度。
14.根据本发明的一个实施例，将城市要素对内涝灾害影响机理本体模型中的集合分别对应到所述层次贝叶斯网络结构中包括：根据所述机理本体模型中的概念集合，对所述层次贝叶斯网络结构中的节点进行设置；根据所述机理本体模型中的概念语义关系和时间关系，以得到相应的因果关系；根据所述因果关系对所述层次贝叶斯网络结构中各节点的边进行设置。
15.进一步地，根据本发明的另一个实施例，所述概念语义关系包括整体/部分关系、正向影响关系、负向影响关系、兼具正向和负向影响关系，所述时间关系包括早于和晚于。
16.根据本发明的又一个实施例，所述参数学习算法为期望最大算法，包括：计算所述层次贝叶斯网络结构中节点的对数似然函数的期望，以及计算参数以使完整似然期望最大。
17.根据本发明的另一个实施例，所述根据所述层次贝叶斯网络结构中各节点的条件
概率对其进行敏感性分析包括：获取内涝损失指标节点对城市要素指标节点的敏感度，根据所述敏感度得到城市要素指标节点对所述内涝灾害损失的影响程度。
18.本发明的有益效果：本发明所提供的技术方案，可以将城市要素对内涝灾害损失的影响程度量化，一方面可以使人们直观的观察到各城市要素对内涝灾害损失的影响程度，另一方面在评价内涝灾害的损失程度时，可以提供量化的评价依据。另外，本发明的技术方案采用本体理论能够较好地建立知识与数据之间的关系，是整合城市要素多源异构数据、建立城市要素对内耗灾害影响关系的有效方法，并且市域和街区尺度下层次贝叶斯网络结构能与本体模型有效集成，是利用多源异构数据量化城市要素对内涝灾害影响程度的有效方法。
附图说明
19.通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，并且相同或对应的标号表示相同或对应的部分，其中：
20.图1是根据本发明实施例的一种用于获取城市要素对内涝灾害损失影响程度的方法的流程图；
21.图2是根据本发明实施例的一种用于获取城市要素对内涝灾害损失影响程度的系统的结构示意图。
具体实施方式
22.下面结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，本领域技术人员应知，下文所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
23.请参阅图1，图1所示出的是本技术的用于获取城市要素对内涝灾害损失影响程度的方法，该方法利用贝叶斯网络，将城市要素对内涝灾害损失影响程度量化，从而获取城市要素对内涝灾害损失影响程度。下面结合图1所示出的流程，对本技术的用于获取城市要素对内涝灾害损失影响程度的方法做详细的介绍。
24.如图1所示，本技术的用于获取城市要素对内涝灾害损失影响程度的方法包括：
25.在步骤s1中，构建市域和街区尺度下层次贝叶斯网络结构。本实施例中在构建市域和街区尺度下层次贝叶斯网络结构时，可以先获取城市要素对内涝灾害影响的机理本体模型，然后将该机理本体模型中的结构分别对应到所建立的层次贝叶斯网络结构中，并且在对应的过程中以城市内涝灾害损失为市域和街区尺度下层次贝叶斯网络结构的根节点，以与城市内涝灾害相关的城市因素为市域和街区尺度下层次贝叶斯网络结构的叶子节点，并且以因果关系和时间关系设置市域和街区尺度下层次贝叶斯网络结构中父节点和子节点。通过本实施例构建的层次贝叶斯网络结构，具有城市尺度下贝叶斯节点、街区尺度下的贝叶斯网络结构节点以及市域和街区尺度中相同的贝叶斯节点。
26.在本实施例中设ac表示市域尺度下的贝叶斯网络结构节点合集，as表示街区尺度下的贝叶斯网络结构节点合集，a
p
表示市域和街区尺度中相同的贝叶斯网络结构节点合
集，则所得到的贝叶斯网络为：
27.a＝{ac,as,a
p
}
ꢀꢀꢀ
(1)。
28.另外，在步骤s1中城市要素对内涝灾害影响的机理本体模型不仅能够将数据整合过程与城市要素对内涝灾害损失的影响关系融合起来，实现数据资源的高效利用，还可以为城市要素对内涝灾害损失的影响关系量化提供便利。在本实施例中，城市要素对内涝灾害影响的机理本体模型的构建方法包括：
29.(1)需求分析：基于城市要素对内涝灾害损失的影响关系建立和数据整合管理的目标，确定城市要素对内涝灾害的影响机理本体模型的构建需求，是在实现城市要素和内涝灾害损失指标数据整合管理的基础上，融入城市要素对内涝灾害损失的影响关系及其数据关系。
30.(2)数据分析及采集：收集市域和街区尺度的城市要素以及内涝灾害损失指标的数据及相关信息。
31.(3)提取信息、抽取概念及属性：依据城市内涝灾害关联的城市要素辨识结果和指标体系，对城市要素和内涝灾害损失的概念和数据属性(如时间、空间等)进行分析，定义本体模型的语义概念体系及概念属性；
32.(4)判断概念与概念之间的分类及关系：依据城市要素的构成情况和城市要素对内涝灾害损失的影响机理内容，构建本体模型概念的层次结构；建立市域和街区尺度下的城市要素对内涝灾害损失的影响关系，确定本体模型的语义关系；判断城市要素和内涝灾害损失之间的数据关系，确定本体模型数据的时间关系和空间关系。
33.(5)本体结构检验：利用本体构建准则检验城市要素对内涝灾害的影响机理本体是否符合标准，包括概念是否清晰、前后是否一致、是否具备可扩展性、是否符合编码偏好程度最小原则和极小本体约定五项准则。若不符合，返回概念和属性提取阶段，直至满足要求。
34.(6)本体模型构建：用模型构建软件(如prot
égé
)构建城市要素对内涝灾害的影响机理本体模型。
35.(7)本体模型保存：对本体进行归档，便于后续重用。
36.在步骤s2中，采用参数学习算法对所构建的市域和街区尺度下层次贝叶斯网络结构进行参数学习训练，得到其中各节点的条件概率。由于在步骤s1中所构建的市域和街区尺度下层次贝叶斯网络结构，其中各节点仅表示因果关系，但是其还没有经过训练，其中的参数还没有固化，因此为在本步骤s2中采用参数学习算大对其进行参数学习训练，将其参数固化，进而得到其中各节点的条件概率。
37.在步骤s3中，根据市域和街区尺度下层次贝叶斯网络结构中各节点的条件概率对其进行敏感性分析，以量化城市要素对内涝灾害损失影响程度。对市域和街区尺度下层次贝叶斯网络结构进行敏感性分析，是指对市域和街区尺度下层次贝叶斯网络结构中的参数发生变化后，分析对其输出所产生的影响。在本实施例中，可以通过市域和街区尺度下层次贝叶斯网络结构中根节点对父节点的敏感程度量化城市要素对内涝灾害损失的影响程度，其中某项城市要素对内涝灾害损失的敏感度越高，则说明该城市要素对内涝灾害损失的影响程度越高。在对内也是网络模型的敏感性分析过程中，可以通过计算并确定敏感性函数来实现变量敏感性的量化，从而量化城市要素对内涝灾害损失影响程度。
38.综上所述，本技术所提供的技术方案，可以将城市要素对内涝灾害损失的影响程度量化，一方面可以使人们直观的观察到各城市要素对内涝灾害损失的影响程度，另一方面在评价内涝灾害的损失程度时，可以提供量化的评价依据。另外，采用本体理论能够较好地建立知识与数据之间的关系，是整合城市要素多源异构数据、建立城市要素对内耗灾害影响关系的有效方法，并且市域和街区尺度下层次贝叶斯网络结构能与本体模型有效集成，是利用多源异构数据量化城市要素对内涝灾害影响程度的有效方法。
39.上文中对本发明的用于获取城市要素对内涝灾害损失影响程度的方法做了整体的介绍，下文结合具体应用场景，对将机理本体模型中的概念集合分别对应到所建立的市域和街区尺度下层次贝叶斯网络结构中的方法进行说明，可以理解的是，下文中对该方法的描述是示例性的而非限制性的，因此上文中对于机理本体模型中的概念集合分别对应到所建立的市域和街区尺度下层次贝叶斯网络结构中的描述，同样也适用于下文中对该方法的描述。
40.在一个实施例中，上述步骤s1中，将该机理本体模型中的概念集合分别对应到所建立的市域和街区尺度下层次贝叶斯网络结构中的方法包括：根据机理本体模型中的概念集合，对层次贝叶斯网络结构中的节点进行设置：首先根据机理本体模型中的概念语义关系和时间关系，得到市域和街区尺度下层次贝叶斯网络结构中节点之间的因果关系，然后根据各节点之间的因果关系，对市域和街区尺度下层次贝叶斯网络结构中各节点的边进行设置。上述概念语义，是指在本体模型中概念之间的关系，例如一个城市要素与一个内涝灾害的因果关系等，上述时间关系为时间发生的先后顺序。上述根据各节点之间的因果关系对市域和街区尺度下层次贝叶斯网络结构中各节点的进行设置时，如果一个节点是另一个节点发生的原因，则该节点为另一个节点的父节点。通过本实施例的设置方式，可以将城市要素对内涝灾害影响的机理本体模型对应到市域和街区尺度下层次贝叶斯网络结构中，使该市域和街区尺度下层次贝叶斯网络结构中可以表示城市要素与内涝灾害损失之间的关系。
41.进一步地，在另一个本实施例中，上述的城市要素对内涝灾害影响机理本体模型，其中的概念语义关系体系包括：整体/部分关系、正向影响关系、负向影响关系、兼具正向和负向影响关系。所建立的概念语义关系体系中，构建的均是城市要素对内涝灾害损失的单向关系，这种单向关系可以理解为以城市要素为因，以内涝灾害损失为果的因果关系，因此，可以将城市要素对城市内涝灾害本体模型的概念语义转换为贝叶斯网络中对应节点的因果关系，例如整体为部分的父节点，如果一个节点为另一个节点的正向影响关系，则该节点为另一个节点的父节点，反之，如果一个节点为另一个节点的负向影响关系，则该节点为另一个节点的子节点。另外，上述影响机理本体模型中城市要素对内涝灾害的影响机理本体模型指标数据时间关系包括早于和晚于，并通过早于和晚于得到市域和街区尺度下层次贝叶斯网络结构中对应节点的因果关系，例如一个节点的时间早于另一个节点的时间，则将上述一个节点作为另一个节点的父节点，反之，如果一个节点的时间晚于另一个节点的时间，则将上述一个节点作为另一个节点的子节点。
42.上述步骤s2中的参数学习算法，可以为极大似然估计算法、梯度上升算法或期望最大化算法，下文中以期望最大算法为例，对训练构建的市域和街区尺度下层次贝叶斯网络结构进行参数学习的方法进行详细介绍，可以理解的是，下文中对该方法的介绍是示例
性的而非限制性的。
43.在一个实施例中，上述步骤s2中采用期望最大化算法对所构建的市域和街区尺度下层次贝叶斯网络结构进行参数学习的方法包括：计算市域和街区尺度下的层次贝叶斯网络结构中节点的对数似然函数的期望，以及计算使完整上述似然期望最大的参数。在本实施例中，设市域和街区尺度下层次贝叶斯网络结构中一个节点b样本的似然函数为l(θ，d)，则该似然函数的对数似然函数为logl(θ，d)，其中θ表示节点b参数的合集，d表示该节点b的样本数据，则在计算节点b的对数似然函数的期望q(θ,θk)时，所采用的公式为：
44.q(θ,θk)＝e
θ
(k){logl(θ,d)}
ꢀꢀꢀ
(2)
45.其中θ＝{θ1，θ2，...，θk，...，θ
k+m
}，θk为节点b中第k个参数，k和m均为正整数。
46.上述期望最大化算法中，在计算使完整似然期望最大的参数时，首先设存在θ
k+1
∈c，可以使下式对于成立：
47.q(θ
k+1
,θk)≥q(θ,θk)
ꢀꢀꢀ
(3)
48.其中c为设定集合，则按照如下公式(4)步骤不断迭代，从而产生参数值序列{θk}，得出θ
k+1
直至收敛，进而得到关于参数的取值空间θ的最大似然函数l(θ
k+1
|d)：
49.θ
k+1
＝arg maxq(θ,θk)
ꢀꢀꢀ
(4)
50.通过以上各步骤可以得到，在给定样本d下，市域和接到尺寸下层次贝叶斯节点的条件概率为：
51.p(d|θ
k+1
)＝l(θ
k+1
|d)
ꢀꢀꢀꢀ
(5)。
52.根据上述方法可以得到在父节点不同状态下子节点的概率，以在不同城市要素指标条件下不同灾害损失程度发生的概率，完成市域尺度和街区尺度的层次贝叶斯网络结构的参数学习训练。
53.上文中对采用期望最大化算法对所构建的市域和街区尺度下层次贝叶斯网络结构进行参数学习的方法做了详细的介绍，下面结合具体应用场景，对根据市域和街区尺度下层次贝叶斯网络结构中各节点的条件概率对其进行敏感性分析的方法做详细的说明。
54.在一个实施例中，根据市域和街区尺度下层次贝叶斯网络结构中各节点的条件概率对其进行敏感性分析的方法包括：首先获取节点参数的敏感度，然后根据节点参数的敏感度，得到节点之间的影响程度。在本实施例中设市域和街区尺度下层次贝叶斯网络结构中，内涝灾害损失指标节点ao在城市要素指标节点ae的条件下取特定值的概率为p(a|b)，其中a为内涝灾害损失指标节点ao的某个特定取值，b为城市要素指标节点ae的取值，城市要素指标节点ae的参数为ψ＝p(c|π)其中c为任意城市要素指标节点ah的取值，π为城市要素指标节点ah与其父节点的联合取值，则参数ψ的敏感度为：
[0055][0056][0057]
其中p(a|b)(ψ)为p(a|b)与ψ＝p(c|π)的函数，并且
[0058]
[0059]
上式中m1、m2、m3、m4是固定的系数。
[0060]
随着参数ψ的变化，城市要素指标节点ah的其他取值构成的参数σ＝p(c
′
|π)的值随之改变，以保证所有取值的概率之和为1。
[0061]
设城市要素指标节点ah相对于内涝灾害损失指标节点ao的影响程度为im(ah)，即内涝灾害损失指标节点ao对城市要素指标节点ah的敏感度为im(ah)，则：
[0062][0063]
式中：r与s分别表示内涝灾害损失指标节点ao和城市要素指标节点ae的取值数量，ψ
ij
为内涝灾害损失指标节点ao中第i个参数和城市要素指标节点ae中第j个参数，im(ah)表示内涝灾害损失指标节点ao对城市要素指标节点ah的敏感度，取值范围为[0,1]，im(ah)值越大则城市要素指标节点ah对内涝灾害损失指标节点ao的影响程度越高。
[0064]
根据本技术的另一方面，本技术还提供了一种用于获取城市要素对内涝灾害损失影响程度的系统，如图2所示，该系统包括处理器、插入器、通信接口和通信总线，处理器、插入器和通信接口通过通信总线完成相互间的通信。处理器用于提供计算和控制能力。插入器包括非易失性插入介质、内插入器。该非易失性插入介质插入有操作系统和计算机程序指令。该内插入器为非易失性插入介质中的操作系统和计算机程序指令的运行提供环境。上述装置的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过wifi、运营商网络、nfc(近场通信)或其他技术实现。本实施例所提供的用于获取城市要素对内涝灾害损失影响程度的系统，其插入器用于插入计算机程序指令，该计算机程序指令使处理器执行上述用于获取城市要素对内涝灾害损失影响程度的方法及其多个实施例。
[0065]
根据本说明书的上述描述，本领域技术人员还可以理解如下使用的术语，例如“前”、“后”、“左”、“右”、“顶”、“底”等指示方位或位置关系的术语是基于本说明书的附图所示的方位或位置关系的，其仅是为了便于阐述本发明的方案和简化描述的目的，而不是明示或暗示所涉及的装置或元件必须要具有所述特定的方位、以特定的方位来构造和进行操作，因此上述的方位或位置关系术语不能被理解或解释为对本发明方案的限制。
[0066]
另外，本说明书中所使用的术语“第一”或“第二”等用于指代编号或序数的术语仅用于描述目的，而不能理解为明示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”或“第二”的特征可以明示或者隐含地包括至少一个该特征。在本说明书的描述中，“多个”的含义是至少两个，例如两个，三个或更多个等，除非另有明确具体地限定。
[0067]
虽然本说明书已经示出和描述了本发明的多个实施例，但对于本领域技术人员显而易见的是，这样的实施例只是以示例的方式提供的。本领域技术人员会在不偏离本发明思想和精神的情况下想到许多更改、改变和替代的方式。应当理解的是在实践本发明的过程中，可以采用本文所描述的本发明实施例的各种替代方案。所附权利要求书旨在限定本发明的保护范围，并因此覆盖这些权利要求保护范围内的模块组成、等同或替代方案。