一种基于天气分型与贝叶斯网络的暴雨洪涝灾害链风险推断方法及系统

本发明涉及自然灾害风险评估与气象水文交叉，尤其涉及一种基于天气分型与贝叶斯网络的暴雨洪涝灾害链风险推断方法及系统。

背景技术：

1、暴雨洪涝是我国发生最频繁、损失最严重的自然灾害类型之一。强降雨过程往往并非引发单一灾害，而是通过“暴雨—洪水—滑坡/泥石流/内涝—人员财产损失”的链式过程逐级传导放大，形成暴雨洪涝灾害链。对灾害链条上各环节的发生概率及其条件依赖关系进行定量推断，是灾害风险评估、预警决策和防灾减灾资源配置的关键基础。

2、传统区域暴雨洪涝灾害风险评估的方法以区域静态指标为主进行风险制图，未在事件尺度刻画灾害链的条件传导关系，而基于贝叶斯网络的事件尺度暴雨洪涝灾害风险评估方法多面向单一工程对象，未涉及大气环流背景与多灾害链式结构。总体而言，现有的暴雨洪涝灾害风险评估技术主要面临如下问题：第一，大气环流背景刻画缺失或主观，现有方法多直接以降雨量指标作为风险评估的输入，未将降雨事件背后的大气环流形势纳入建模；少数考虑天气形势的方法依赖预报员人工识别环流型，主观性强、不可重复，难以在长序列历史数据上批量应用；第二，灾害链各环节割裂建模。现有技术通常对洪水、滑坡、内涝等灾害分别独立评估，未在统一概率框架下刻画“环流背景—致灾因子—多灾害—多灾损”的链式条件依赖关系，无法回答“给定某类天气形势，灾害链各环节达到某一等级的概率是多少”以及“发生某一等级灾害时，最可能的天气背景和致灾因子组合是什么”这类正向与反向推断问题；第三，事件样本构建自动化程度低，构建灾害链概率模型需要大量“降雨事件—洪水事件—灾情记录”相互关联的事件样本，现有方法多依赖人工整编，降雨事件切分、洪水场次识别、灾情匹配的规则不统一，效率低且难以复现；第四，灾害等级划分标准不统一，灾情记录中受灾人数、房屋倒塌、经济损失等指标单位混乱、缺失严重，洪水量级缺乏与工程设计标准衔接的客观分级依据，导致模型节点状态定义困难；第五，小样本条件下概率估计不稳健，灾害链高等级事件本身稀少，多父节点条件概率表的参数组合数远超样本量，直接用频率估计会产生大量零概率和病态条件概率，且常用软件的极大似然拟合在稀疏样本下易报错或产生缺失值。

技术实现思路

1、发明目的：本发明的目的是提供一种基于天气分型与贝叶斯网络的暴雨洪涝灾害链风险推断方法及系统，解决了在大气环流背景与多灾害链式结构背景下，基于贝叶斯网络的事件尺度，刻画灾害链条件传导关系的问题。

2、技术方案：本发明所述的基于天气分型与贝叶斯网络的暴雨洪涝灾害链风险推断方法，包括如下步骤：

3、步骤1、收集研究区大气再分析数据、雨量站逐日降雨数据、水文站流量数据、历史灾情记录数据以及子流域的重现期设计流量数据；所述大气再分析数据至少包括逐日海平面气压场和500hpa位势高度场；所述历史灾情记录数据包括行政区尺度和子流域尺度灾情记录；

4、步骤2、对海平面气压场和500hpa位势高度场进行逐日气候态距平、纬度余弦面积加权和逐格点标准化处理，将海平面气压场和500hpa位势高度场沿格点维度拼接后进行经验正交函数降维，保留累计方差贡献率达到预设阈值的主成分时间序列，对主成分时间序列进行k-means聚类并确定最优分型数，得到逐日天气型标签序列；

5、步骤3、在行政区尺度，由雨量站逐日降雨数据计算面平均雨量，依据湿日阈值和干期阈值切分降水事件，计算降水事件的历时、总雨量和日最大雨量；在子流域尺度，对水文站流量数据进行基流分割，依据按流量分位数自适应确定的洪峰阈值以及起涨斜率阈值和退水斜率阈值自动识别洪水事件，获得洪水事件的起止时刻和洪峰流量；

6、步骤4、基于洪水事件的起止时刻，完善灾情事件记录；对完善后的灾情事件记录，在预设天数窗口内匹配起始日期最邻近的降水事件；所述灾情事件记录包括洪水灾害、滑坡灾害、泥石流灾害和内涝灾害；

7、步骤5、对降水事件匹配的灾情事件记录划分等级并对致灾因子离散化，形成全离散的事件样本表；

8、步骤6、根据逐日天气型标签序列、事件样本表得到用于概率推断的贝叶斯网络；

9、步骤7、基于贝叶斯网络执行天气型固定的正向推断，得到给定天气型条件下致灾因子、灾害等级与灾损等级的后验概率分布；执行灾害情景固定的反向推断，得到给定灾害等级条件下天气型、致灾因子与灾损等级的后验概率分布。

10、进一步地，步骤2中，对海平面气压场和500hpa位势高度场进行逐日气候态距平、纬度余弦面积加权和逐格点标准化处理包括：

11、对每个格点，减去该格点在相同时间上的多年平均值，得到距平场：

12、

13、式中：为格点在时刻的原始场值，为时刻对应的月-日序号，为格点在日历日上的多年平均值；

14、对距平场按纬度余弦面积开方加权：

15、

16、式中：为格点在时刻经纬度面积加权后的距平场值，为格点的纬度；

17、对开放加权后的距平场逐格点除以距平场的标准差完成标准化。

18、进一步地，步骤2中，将海平面气压场和500hpa位势高度场沿格点维度拼接后进行经验正交函数降维，保留累计方差贡献率达到预设阈值的主成分时间序列包括：将海平面气压场和500hpa位势高度场沿格点维度拼接为标准化宽矩阵，对标准化宽矩阵计算时间协方差矩阵，的维数为时间步数×时间步数；提取按特征值从大到小排列的特征值及对应特征向量，直至累计方差贡献率首次达到预设阈值，主成分时间序列取；累计方差贡献率按所提取特征值之和与迹的比值计算。

19、进一步地，步骤2中，对主成分时间序列进行k-means聚类并确定最优分型数包括：

20、在预设分型数扫描范围内对主成分时间序列逐一执行基于欧氏距离的k-means聚类，记录各分型数对应的组内误差平方和；按如下公式对组内误差平方和序列做极差归一化：

21、

22、并计算二阶差分：

23、

24、式中：、分别为扫描范围内组内误差平方和的最小值和最大值；在扫描范围的内点上取二阶差分绝对值最大处对应的分型数作为最优分型数；再以最优分型数执行多随机起点的正式k-means聚类，取组内误差平方和最小的一次聚类结果，将每一日划归距离最近的聚类中心，得到逐日天气型标签序列。

25、进一步地，步骤3中，由雨量站逐日降雨数据计算面平均雨量，依据湿日阈值和干期阈值切分降水事件，计算各降水事件的历时、总雨量和日最大雨量包括：

26、将行政区内各雨量站同日雨量的算术平均作为面平均雨量；将面平均雨量大于等于湿日阈值的日期记为湿日；相邻湿日间隔超过干期阈值时切分为不同降水事件；

27、对每个降水事件，历时取降水事件起止日期之间的天数，总雨量取降水事件内面平均雨量之和，日最大雨量取降水事件内面平均雨量的最大值。

28、进一步地，步骤3中，按流量分位数自适应确定的洪峰阈值以及起涨斜率阈值和退水斜率阈值包括：

29、洪峰阈值公式如下：

30、

31、式中：为洪峰阈值，、分别为该子流域流量序列的90%和99%分位数，为预设最小阈值下限，、为预设系数，取0.5～0.7，取0.15～0.25，流量均以立方米每秒计；

32、涨斜率阈值公式如下：

33、

34、式中：为起涨斜率阈值，为按子流域面积所属预设面积区间选取的斜率基准值，为该子流域流量序列的最大流量，为流量量级归一参考值，与均以立方米每秒计；退水斜率阈值取起涨斜率阈值乘以大于0且小于1的预设折减系数。

35、进一步地，步骤5包括：

36、洪水灾害依据洪峰流量与重现期设计流量数据比较划分等级，滑坡灾害、泥石流灾害、内涝灾害依据灾损指标划分等级；所述灾损指标包括受灾人数、房屋倒塌、农作物受灾面积和直接经济损失，灾损指标划分为无、轻度、中度、严重四级；将降水事件的历时、总雨量、日最大雨量和前期降雨量分别按预设分级阈值离散化为预设数量的等级；按灾情事件记录的代表日期从逐日天气型标签序列中为每个灾情事件记录挂接天气型标签，形成全离散的事件样本表。

37、进一步地，步骤6包括：将逐日天气型号标签序列作为根节点，历时、总雨量、日最大雨量和前期降雨量作为第二层节点，洪水、滑坡、泥石流和内涝等灾害类型作为第三层节点，灾损指标为第四层节点，构建有向无环图结构的贝叶斯网络；

38、基于事件样本表采用基于狄利克雷先验的等效样本量平滑逐节点计算条件概率表，公式如下：

39、

40、式中：为当前节点，为父节点组合，为父节点组合取值为且当前节点取值为的样本数，为父节点组合取值为的样本总数，为当前节点的状态数，为大于0的等效样本量平滑系数。

41、进一步地，步骤7中，正向推断和反向推断通过联合树推断实现：将贝叶斯网络的有向无环图经道德化和三角化后构建团树，以设定的证据节点状态经消息传递完成证据传播，查询目标节点的后验概率分布。

42、本发明所述的基于天气分型与贝叶斯网络的暴雨洪涝灾害链风险推断系统，包括如下模块：

43、数据采集模块，收集研究区大气再分析数据、雨量站逐日降雨数据、水文站流量数据、历史灾情记录数据以及子流域的重现期设计流量数据；所述大气再分析数据至少包括逐日海平面气压场和500hpa位势高度场；所述历史灾情记录数据包括行政区尺度灾情记录和子流域尺度；

44、天气分型模块，用于对海平面气压场和500hpa位势高度场进行逐日气候态距平、纬度余弦面积加权和逐格点标准化处理，将海平面气压场和500hpa位势高度场沿格点维度拼接后进行经验正交函数降维，保留累计方差贡献率达到预设阈值的主成分时间序列，对主成分时间序列进行k-means聚类并确定最优分型数，得到逐日天气型标签序列；

45、事件提取模块，用于在行政区尺度，由雨量站逐日降雨数据计算面平均雨量，依据湿日阈值和干期阈值切分降水事件，计算降水事件的历时、总雨量和日最大雨量；在子流域尺度，对水文站流量数据进行基流分割，依据按流量分位数自适应确定的洪峰阈值以及起涨斜率阈值和退水斜率阈值自动识别洪水事件，获得洪水事件的起止时刻和洪峰流量；

46、事件匹配模块，用于基于洪水事件的起止时刻，完善灾情事件记录；对完善后的灾情事件记录，在预设天数窗口内匹配起始日期最邻近的降水事件；所述灾情事件记录包括洪水灾害、滑坡灾害、泥石流灾害和内涝灾害；

47、标签化模块，用于对降水事件匹配的灾情事件记录划分等级并对致灾因子离散化，形成全离散的事件样本表；

48、网络构建模块，用于根据逐日天气型标签序列、事件样本表得到用于概率推断的贝叶斯网络；

49、风险推断模块，用于基于贝叶斯网络执行天气型固定的正向推断，得到给定天气型条件下致灾因子、灾害等级与灾损等级的后验概率分布；执行灾害情景固定的反向推断，得到给定灾害等级条件下天气型、致灾因子与灾损等级的后验概率分布。

50、有益效果：与现有技术相比，本发明具有如下显著优点：1、以数据驱动的客观天气分型代替人工环流分型，分型过程可重复、可批量应用于数十年历史序列；2、采用时间模态转置方式实现经验正交函数降维，将对空间维协方差矩阵的特征分解转化为对时间维协方差矩阵的特征分解，普通服务器即可完成大范围高分辨率再分析资料的分型计算；3、通过构建有向无环图结构的贝叶斯网络，既支持给定天气型的正向风险预估，也支持给定灾害情景的反向诊断，推断结果具有明确的物理与概率语义，直接服务于防汛调度这一具体技术应用；4、降水事件切分、洪水场次识别、灾情匹配全流程规则化、自动化，洪水事件识别参数按流量分位数与子流域面积自适应确定，避免了人工整编的低效与不一致；5、洪水等级与工程水文设计标准衔接，按重现期设计流量客观分级，其余灾害按多指标灾损综合评分分级，节点状态定义统一规范。