一种山洪综合风险预警方法、系统及存储介质与流程

1.本技术涉及灾害监测领域，尤其是涉及一种山洪综合风险预警方法、系统及存储介质。


背景技术：

2.小流域暴雨山洪灾害预警是防御山洪灾害最为有效的手段之一。在灾害发生时或发生前若及时发出预警信息，可有效减少人员伤亡和财产损失。然而，小流域暴雨山洪形成过程机理复杂，现有技术中的山洪预报预警方法，主要基于24小时降雨个点预报数据进行分析，即首先综合考虑降雨情况以及山洪灾害有发因素和影响因素，最后确定山洪灾害可能发生的区域和预警等级，有效延长了预警期。
3.针对上述中的现有技术，申请人认为，由于目前局地短历时降雨的预报往往不准确，即预报精度较低，在预报精度不准确的条件下，会造成现有技术中的预警期的准确性大大降低。


技术实现要素：

4.为了有效提高小流域暴雨山洪灾害预警的准确性，本技术提供一种山洪综合风险预警方法、系统及存储介质。
5.第一方面，本技术提供的一种山洪综合风险预警方法采用如下的技术方案：一种山洪综合风险预警方法，包括：基于预设的山洪风险基础属性数据集，获取目标小流域的属性信息；对所述属性信息进行分类，得到属性因子；所述属性因子包括降雨因子、地形因子和社会因子；对所述属性因子构建相关系数矩阵；基于所述相关系数矩阵，对所述属性因子进行主成分分析，得到若干关键因子；对若干关键因子进行归一化处理，得到风险因子权重；基于所述风险因子权重，计算风险指数；基于预设的风险指数范围，确定所述风险指数对应的预警等级。
6.通过采用上述技术方案，首先对属性因子进行主成分分析，得到关键因子，后基于关键因子得到风险因子指标，并基于风险因子指标计算风险指数，即实现了对小流域暴雨山洪灾害预警的量化，有效提高了预警的精确度和小流域暴雨山洪灾害预警的准确性。
7.可选的，所述山洪风险基础属性数据集包括暴雨图集矢量数据、小流域属性数据和预报降雨数据；在所述对所述属性信息进行分类之前，包括：将所述暴雨图集矢量数据与所述小流域属性数据结合；基于反距离权重法，将所述预报降雨数据插值为预设分辨率的网格数据。
8.通过采用上述技术方案，暴雨图集矢量数据为历史统计数据，将暴雨图集矢量数
据与小流域属性数据结合，用于判断小流域的抗山洪的风险能力，即将经常产生暴雨的小流域判定为抗风险能力强，在不经常产生暴雨的小流域判定为抗风险能力弱，即在小流域属性数据中增加抗风险能力这一因素，有利于对后续灾害预警的的判断更准确。
9.可选的，所述基于所述相关系数矩阵，对所述属性因子进行主成分分析，得到若干关键因子，包括：基于预设的主成分分析模型和预设的确定性系数模型，计算所述属性因子的因子敏感性；根据所述因子敏感性，确定关键因子。
10.通过采用上述技术方案，主成分分析模型用于将多个指标转化为少数综合指标，确定性系数模型用于实现复杂多因子数据的量化，通过对关键因子的确定，有利于分析山洪灾害的影响因子，并为后续对山洪灾害的量化做铺垫。
11.可选的，所述基于预设的主成分分析模型和预设的确定性系数模型，计算所述属性因子的因子敏感性，包括：计算每一个属性因子下发生山洪灾害的灾害个数与预设的目标区域面积的第一比值；计算在每一个属性因子下的所述灾害个数与预设的山丘区域面积的第二比值；基于第一比值、第二比值和预设的确定性系数模型公式，分别计算所述降雨因子、所述地形因子和所述社会因子的确定性系数；基于预设的主成分分析模型和所述确定性系数，计算所述属性因子的因子敏感性。
12.通过采用上述技术方案，确定性系数模型为概率函数，用于分析影响山洪灾害发生的各个属性因子的敏感性，采用确定性系数模型确定属性因子的敏感性实现了对复杂多属性因子数据的同区间定量化。
13.可选的，所述确定性系数模型公式为：其中，所述ppa为所述第一比值；pps为所述第二比值；cf为确定性系数。
14.通过采用上述技术方案，确定性系数模型为概率函数，用于分析影响山洪灾害发生的各个属性因子的敏感性，有利于为后续确定关键因子做铺垫。
15.可选的，所述基于所述风险因子权重，计算风险指数，包括：基于主客观结合方法计算所述风险因子权重；将若干所述风险因子权重相加，得到风险指数。
16.通过采用上述技术方案，风险指数为因子权重与权重对应的风险因子指标的乘积，故对山洪灾害的影响实现了量化，有效提高了小流域暴雨山洪灾害预警的准确性。
17.可选的，在所述于预设的预警级别范围，确定所述风险指数对应的预警等级之后，包括：在预设的区域地图中将风险预警对应的目标区域进行标注。
18.通过采用上述技术方案，对目标区域标注风险预警，有利于直观看出区域中不同位置的山洪灾害风险，起到预警作用。
19.第二方面，本技术提供的一种山洪综合风险预警系统采用如下的技术方案：
一种山洪综合风险预警系统，包括：获取模块，所述获取模块用于基于预设的山洪风险基础属性数据集，获取目标小流域的属性信息；分类模块，所述分类模块用于对所述属性信息进行分类，得到属性因子；构建模块，所述构建模块用于对所述属性因子构建相关系数矩阵；分析模块，所述分析模块用于基于所述相关系数矩阵，对所述属性因子进行主成分分析，得到若干关键因子；处理模块，所述处理模块用于对若干关键因子进行归一化处理，得到风险因子指标；计算模块，所述计算模块用于基于所述风险因子指标，计算风险指数；确定模块，所述确定模块用于基于预设的风险指数范围，确定所述风险指数对应的预警等级。
20.通过采用上述技术方案，首先通过分析模块对属性因子进行主成分分析，得到关键因子，后通过处理模块基于关键因子得到风险因子指标，然后通过计算模块并基于风险因子指标计算风险指数，即实现了对小流域暴雨山洪灾害预警的量化，有效提高了预警的精确度和小流域暴雨山洪灾害预警的准确性。
21.第三方面，本技术提供的一种存储介质采用如下的技术方案：一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器加载并执行时，采用了上述的山洪综合风险预警方法。
22.通过采用上述技术方案，通过将上述的山洪综合风险预警方法生成计算机程序，并存储于计算机可读存储介质中，以被处理器加载并执行，通过计算机可读存储介质，方便计算机程序的可读及存储。
23.综上所述，本技术具有以下至少一种有益技术效果：1.首先对属性因子进行主成分分析，得到关键因子，后基于关键因子得到风险因子指标，并基于风险因子指标计算风险指数，即实现了对小流域暴雨山洪灾害预警的量化，有效提高了预警的精确度和小流域暴雨山洪灾害预警的准确性。
24.2.暴雨图集矢量数据为历史统计数据，将暴雨图集矢量数据与小流域属性数据结合，用于判断小流域的抗山洪的风险能力，即在小流域属性数据中增加抗风险能力这一因素，有利于对后续灾害预警的的判断更准确。
25.3.风险指数为因子权重与权重对应的风险因子指标的乘积，故对山洪灾害的影响实现了量化，有效提高了小流域暴雨山洪灾害预警的准确性。
附图说明
26.图1是本技术实施例一种山洪综合风险预警方法的整体流程图。
27.图2是本技术实施例一种山洪综合风险预警方法中基于预设的主成分分析模型和预设的确定性系数模型，计算属性因子的因子敏感性的流程图。
具体实施方式
28.本技术实施例公开一种山洪综合风险预警方法。
29.参照图1，一种山洪综合风险预警方法包括：s100、基于预设的山洪风险基础属性数据集，获取目标小流域的属性信息。
30.本实施例中山洪风险基础属性数据集包括山洪灾害风险区域地理数据、水文数据和历史山洪灾害数据。即首先收集山洪灾害风险区域地理数据、水文数据和历史山洪灾害数据，而后将地理数据、水文数据和历史山洪灾害数据整理为小流域山洪风险基础属性数据集，本实施例中，小流域山洪风险基础属性数据集以小于200平方公里的小流域为单元。目标小流域的属性信息包括若干属性信息字段，具体实施中，属性信息字段有77个。
31.s200、对属性信息进行分类，得到属性因子；属性因子包括降雨因子、地形因子和社会因子。
32.属性因子包括降雨因子、地形因子和社会因子，本实施例中，将每个小流域的77个属性信息字段分为3类，即分为降雨因子、地形因子和社会因子，其中降雨因子占59个属性信息字段，地形因子占15个属性信息字段，社会因子占3个属性信息字段。需要说明的是，相比于现有对属性信息进行分类，本实施例中引入了社会因子，并基于降雨因子、地形因子和社会因子，对山洪风险进行综合预警量化。
33.具体的，山洪风险基础属性数据集包括暴雨图集矢量数据、小流域属性数据和预报降雨数据；在对属性信息进行分类之前，包括：s1、将暴雨图集矢量数据与小流域属性数据结合。
34.暴雨图集矢量数据用于表述暴雨统计特征时空分布的特点与规律，暴雨图集矢量数据为历史统计数据，将暴雨图集矢量数据与小流域属性数据结合，用于判断小流域的抗山洪的风险能力，例如，若某一小流域在预设的时间范围内暴雨的频率大于其他小流域，处于此小流域的居民形成习惯，并已做好预防暴雨的措施，故判定此小流域的抗风险能力较其他小流域强，即将经常产生暴雨的小流域判定为抗风险能力强，在不经常产生暴雨的小流域判定为抗风险能力弱。
35.在小流域属性数据中增加抗风险能力这一因素，有利于对后续灾害预警的的判断更准确。
36.s2、基于反距离权重法，将预报降雨数据插值为预设分辨率的网格数据。
37.反距离权重法主要思想为反距离权重插值显式假设，反距离权重插值显式假设指彼此距离较近的事物比彼此距离较远的事物更相似。
38.若对未测量的预测位置的预测值进行获取时，与距离预测位置较远的测量值相比，距离预测位置最近的测量值对预测值的影响更大。反距离权重法假定每个测量值对应的测量点均有一种局部影响，局部影响会随着距离的增大而减小。反距离权重法对距离预测位置越近的点分配的权重越大，对距离预测位置越远的点分配的权重越小。
39.反距离权重法为空间插值方法的一种，除此之外，空间插值方法还包括克里金插值法、自然邻域插值法、样条函数插值法和径向基函数等。
40.本实施例中网格数据的空间分辨率为5公里
×
5公里。空间分辨率为预先设置。预报降雨数据为未来24小时站点预报降雨数据。
41.参照图1，s300、对属性因子构建相关系数矩阵。
42.本实施例中采用皮尔逊相关系数法构建相关系数矩阵。相关系数矩阵由矩阵各列
减的相关系数构成。
43.可根据相关系数的取值，确定变量间的相关程度。
44.具体的，相关系数的取值范围与相关程度如下表所示：取值范围相关程度0.00-0.19极低相关0.20-0.39低度相关0.40-0.69中度相关0.70-0.89高度相关0.90-1.00极高相关参照图1，s400、基于相关系数矩阵，对属性因子进行主成分分析，得到若干关键因子。
45.主成分分析是一种统计方法。通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量，转换后的这组变量叫主成分。通过对属性因子进行主成分分析，得到若干关键因子。
46.在本实施例中，在使用皮尔逊相关系数法构建相关系数矩阵后，剔除相关程度为低度相关和极低相关的相关系数对应的因子，再对剩余的属性因子进行主成分分析，得到若干关键因子。
47.具体的，基于相关系数矩阵，对属性因子进行主成分分析，得到若干关键因子，包括：s410、基于预设的主成分分析模型和预设的确定性系数模型，计算属性因子的因子敏感性。
48.确定性系数模型为概率函数，用于分析影响山洪灾害发生的各个属性因子的敏感性，采用确定性系数模型确定属性因子的敏感性实现了对复杂多属性因子数据的同区间定量化。同区间的区间范围为【1，-1】。
49.具体的，参照图2，基于预设的主成分分析模型和预设的确定性系数模型，计算属性因子的因子敏感性，包括：s411、计算每一个属性因子下发生山洪灾害的灾害个数与预设的目标区域面积的第一比值。
50.发生山洪灾害的灾害个数可通过数据库获取，亦可通过人为输入获取。
51.目标区域面积为非山丘区域的区域面积。具体实施中，为计算预设的时间范围内的每一个属性因子下发生山洪灾害的灾害个数与预设的目标区域面积的第一比值。
52.s412、计算在每一个属性因子下的灾害个数与预设的山丘区域面积的第二比值。
53.具体实施中，为计算预设的时间范围内的每一个属性因子下灾害个数与预设的山丘区域面积的第二比值。
54.s413、基于第一比值、第二比值和预设的确定性系数模型公式，分别计算降雨因子、地形因子和社会因子的确定性系数。
55.s414、基于预设的主成分分析模型和确定性系数，计算属性因子的因子敏感性。
56.具体的，确定性系数模型公式为：
其中，ppa为第一比值；pps为第二比值；cf为确定性系数。
57.基于步骤s411至步骤s413，进行举例说明，以属性因子中的地形因子为例，若在地形因子中，在5年时间范围内，山洪灾害个数为5，目标区域面积为20平方公里，山丘区域面积为50平方公里，则第一比值ppa为0.25，第二比值pps为0.1，此时ppa大于pps，确定性系数cf为(0.25-0.1)/0.25(1-0.1)＝0.67。
58.s420、根据因子敏感性，确定关键因子。
59.根据确定性系数模型公式，得到确定性系数计算结果，可根据确定性系数计算结果和相关系数矩阵，进行主成分分析。
60.在具体实施中，通过确定性系数模型得到的确定性系数即为属性因子的权重，若某一属性因子的确定性系数大于预设的系数阈值时，则将此属性因子判定为山洪灾害的敏感因子，即关键因子。举例说明，若设置系数阈值为0.06，目标因子的确定性系数为0.08，由于大于系数阈值，判定目标因子为敏感因子。
61.基于降雨因子对因子敏感性进行举例说明，降雨因子包括6小时平均降雨量，若6 小时的平均降雨量在小于等于25mm时，确定性系数的计算结果为-0.83，；在25mm到 50mm之间时，计算结果为-0.59；在50mm至100mm之间时，计算结果为-0.2；在100mm 至150mm之间时，计算结果为-0.04；在大于150mm时，计算结果为0.24。由此，可得出6 小时平均降雨量越大，山洪灾害发生的风险越高，则6小时平均降雨量为关键因子。
62.本实施例中，关键因子包括6小时平均降雨量、6小时降雨变差系数、未来降雨、洪峰模数、河流长度、河道比降、家庭财产、房屋和人口，其中家庭财产、房屋和人口为社会因子，6小时平均降雨量、6小时降雨变差系数、未来降雨和洪峰模数为降雨因子，河流长度和河道比降为地形因子。
63.参照图1，s500、对若干关键因子进行归一化处理，得到风险因子权重。
64.归一化处理即将关键因子的数据统一映射到0至1范围内。为后续计算风险指数做铺垫。
65.s600、基于风险因子权重，计算风险指数。
66.风险指数即为对山洪灾害预警的量化。
67.具体的，基于风险因子权重，计算风险指数，包括：s610、基于主客观结合方法计算风险因子权重。
68.主客观结合法为主客观结合的组合赋权法，主客观结合法常采用乘法或线性综合法，目前确定指标属性权重的方法可分为：主观赋权法、客观赋权法和组合赋权法3大类。其中主观赋权法的结果具有较大主观性，客观赋权法虽具有数学理论依据，但并未考虑决策者意向，主客观结合法用于弥补单一赋权的不足。本实施例中主客观结合法为将主观赋权法和熵权法相结合的方法。
69.s620、将若干风险因子权重相加，得到风险指数。
70.基于相关系数矩阵的确定性系数为若干，故风险因子权重为若干，将每一个风险因子的若干风险因子权重相加，即可得到风险指数。
71.参照图1，s700、基于预设的风险指数范围，确定风险指数对应的预警等级。
72.具体实施中，预警等级与风险指数范围如下表所示：预警等级图形颜色表示风险指数范围可能发生蓝色0.45-0.6可能性较大黄色0.6-0.75可能性大橙色0.75-0.9可能性很大红色0.9-1举例说明，若风险指数为0.7，则判定风险指数对应的预警等级为可能性较大。
73.具体的，在于预设的预警级别范围，确定风险指数对应的预警等级之后，包括：s710、在预设的区域地图中将风险预警对应的目标区域进行标注。
74.区域地图为预设，且每一个预警等级对应一种颜色，不同的预警等级的颜色不同。
75.本技术实施例一种山洪综合风险预警方法的实施原理为：首先对属性因子进行主成分分析，得到关键因子，后基于关键因子得到风险因子指标，并基于风险因子指标计算风险指数，即实现了对小流域暴雨山洪灾害预警的量化，有效提高了预警的精确度和小流域暴雨山洪灾害预警的准确性。
76.本技术实施例还公开一种山洪综合风险预警系统。
77.一种山洪综合风险预警系统包括：获取模块，获取模块用于基于预设的山洪风险基础属性数据集，获取目标小流域的属性信息；分类模块，分类模块用于对属性信息进行分类，得到属性因子；构建模块，构建模块用于对属性因子构建相关系数矩阵；分析模块，分析模块用于基于相关系数矩阵，对属性因子进行主成分分析，得到若干关键因子；处理模块，处理模块用于对若干关键因子进行归一化处理，得到风险因子指标；计算模块，计算模块用于基于风险因子指标，计算风险指数；确定模块，确定模块用于基于预设的风险指数范围，确定风险指数对应的预警等级。
78.本技术实施例一种山洪综合风险预警系统的实施原理为：首先通过分析模块对属性因子进行主成分分析，得到关键因子，后通过处理模块基于关键因子得到风险因子指标，然后通过计算模块并基于风险因子指标计算风险指数，即实现了对小流域暴雨山洪灾害预警的量化，有效提高了预警的精确度和小流域暴雨山洪灾害预警的准确性。
79.本技术实施例还公开一种存储介质。
80.一种计算机可读存储介质，计算机可读存储介质中存储有计算机程序，计算机程序被处理器加载并执行时，采用了上述的山洪综合风险预警方法。
81.其中，计算机程序可以存储于计算机可读介质中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间件形式等，计算机可读介质包括能够携带计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom)、随机存取存储器(ram)、电载波信号、电信信号以及软件分发介质等，需要说明的是，计算机可读介质包括但不限于上述元器件。
82.其中，通过本计算机可读存储介质，将上述实施例中的山洪综合风险预警方法存储于计算机可读存储介质中，并且，被加载并执行于处理器上，以方便上述方法的存储及应
用。
83.以上均为本技术的较佳实施例，并非依此限制本技术的保护范围，故：凡依本技术的结构、形状、原理所做的等效变化，均应涵盖于本技术的保护范围之内。