[发明专利]一种精细尺度下的动态风险及易损性预测方法

摘要

一种精细尺度下的动态风险及易损性预测方法，属于地球信息科学领域。主要特点在精细尺度下即一定分辨率的栅格格式基础上从多源异构的时空数据搜索优化的贝叶斯网络，结合域知识改进网络，由此进行灾害风险及易损性的不确定性估算即概率估算。本发明提出用核密度方法来根据样本衍生栅格训练样本；提出优化离散化方法离散化连续变量以便为网络提供离散的状态空间输入；采用模拟退火优化算法搜索优化的网络结构；采用精确推理结合近似推理方法预测风险及易损性概率。本发明提出的方法可在精细的空间尺度下实时定位灾害风险及易损性位置，估计其风险概率的空间分布，对提高减灾救灾效果及国家建立智能化的突发公共事件应急预警系统具有重要的理论意义及实用价值。

主权项

1、一种精细尺度下的动态风险及易损性预测方法，其特征在于步骤如下：(1)相关数据的采集及预处理：按致灾因子、孕灾环境及承灾体三个采集预测因子X及灾害损失变量y，并进行预处理产生精细尺度下的训练样本数据集；所述的致灾因子是指直接导致灾害的可测量因子变量，所述的孕灾环境指在致灾因子存在的前提下导致灾害损失发生的自然地理环境，所述的承灾体特性指各种主要以人为主的承受灾害的对象遭受灾害所带来损失的性质；(2)采用融入空间相关性的核密度函数方法对步骤(1)的训练样本数据集衍生出新的训练样本数据，以弥补调查数据不足，并补充完整精细尺度下的训练样本数据；(3)预测因子的特征选择：根据训练样本数据，采用三种方法衡量影响因子同目标因子的相关性，即线性相关系数、基于熵的信息获取率及粗糙集的属性重要性，结合主成分分析选择预测因子X；(4)对步骤(3)所选择的预测因子集中的连续变量进行离散化，采用模拟退火优化算法搜索贝叶斯网络模型，估计网络的条件概率参数；(5)利用生成的贝叶斯网络模型进行完全或不完全证据支持下的风险及易损性概率预测；(6)在地图上实时动态地定位所预测的风险概率及易损性，识别区域上的风险及潜在损失分布状况，为救灾减灾的实施提供辅助决策支持信息。