專利名稱：一種精細(xì)尺度下的動態(tài)風(fēng)險及易損性預(yù)測方法
技術(shù)領(lǐng)域：
本發(fā)明一種精細(xì)尺度下的動態(tài)風(fēng)險及易損性預(yù)測方法，用于對突發(fā)性公共災(zāi)害的預(yù)測，屬于地球信息科學(xué)技術(shù)領(lǐng)域。

背景技術(shù)：
突發(fā)性公共災(zāi)害事件的監(jiān)測預(yù)警在國家防災(zāi)減災(zāi)中占據(jù)著重要地位，準(zhǔn)確及時的預(yù)警將會大幅減少生命財產(chǎn)的損失，提高防災(zāi)減災(zāi)的效率。建立及時、準(zhǔn)確的監(jiān)測預(yù)警系統(tǒng)一直是國家防災(zāi)減災(zāi)的重點(diǎn)；同時，由于突發(fā)公共災(zāi)害事件的突發(fā)性、隨機(jī)性、影響因素的多樣性及不確定性，準(zhǔn)確及時的預(yù)報是比較困難的，而風(fēng)險分析作為監(jiān)測預(yù)警中的關(guān)鍵技術(shù)，其研究及相關(guān)技術(shù)的實現(xiàn)日趨重要。
當(dāng)前風(fēng)險分析技術(shù)主要是根據(jù)災(zāi)害的來源、發(fā)生的環(huán)境及承受者，將影響災(zāi)害風(fēng)險的因素劃分為致災(zāi)因子、孕災(zāi)環(huán)境及承災(zāi)體三方面，對這些方面的因子進(jìn)行聚類或者模糊綜合評判從而計算災(zāi)害風(fēng)險的水平，是一種脆性分析方法。如對洪水災(zāi)害，通過分析直接誘因既大暴雨、孕災(zāi)環(huán)境既自然地理條件及承災(zāi)體既人口分布及房屋布局等，綜合評判形成不同風(fēng)險級別分區(qū)(低、中、高)。而易損性主要考慮了承災(zāi)體本身的損失特性，是風(fēng)險分析的擴(kuò)展到承災(zāi)體上，技術(shù)基本上同風(fēng)險分析差異不大。
傳統(tǒng)的風(fēng)險分析及易損性分析方法存在著以下局限 (1)有的方法基于脆性(crisp)數(shù)值的分析方法，體現(xiàn)在風(fēng)險水平的低、中、高或者類似級別的絕對劃分，不確定性信息考慮不足(黃崇福，2001，自然災(zāi)害風(fēng)險分析，北京北京師范大學(xué)出版社；魏一鳴等，2002，洪水災(zāi)害風(fēng)險管理理論，北京科學(xué)出版社)； (2)還有方法是基于中尺度或大尺度下的分析結(jié)果，缺乏精細(xì)尺度下的風(fēng)險概率及易損性估算，更難進(jìn)行精細(xì)尺度下的空間定位，預(yù)測結(jié)果定位偏差大(王艷艷，2002，不同尺度的洪澇災(zāi)害損失評估模式述評，水利發(fā)展研究，第2卷，第12期)； (3)另外還有方法忽視災(zāi)害事件或者影響因子在空間上的相關(guān)性，但空間相關(guān)性常常對結(jié)果有著重要影響，且災(zāi)害事件作為地球表層事件，災(zāi)害事件或者誘發(fā)因子之間存在著一定的空間相關(guān)性(Li，L.，et al.2005，Typhoon insurance pricing with spatialdecision support tools，International Journal of Geographical Information Science，19(3)363-384；Tobler，W.R.，1979，Cellular Geography，Philosophy in Geography，DordrechtReidel)； (4)再有的方法缺乏根據(jù)實時資料靈活地對風(fēng)險進(jìn)行動態(tài)概率推理的能力，實時預(yù)測功能比較缺欠(William，J.P.，and Arthur，A.，1982，Natural Hazard Risk Assessmentand Public Policy，New YorkSpringer-Verlag New York Inc.)。
隨著信息技術(shù)的發(fā)展，近年來日益發(fā)展的人工智能、數(shù)據(jù)挖掘及空間分析技術(shù)提供了更好的手段及新思路來探測日益增多的時空數(shù)據(jù)，從而可采用比原來基于少量歷史數(shù)據(jù)的統(tǒng)計方法更有效的方法。人工智能方法是通過機(jī)器模擬人類的思考與推理，其分析結(jié)果更體現(xiàn)靈活性與客觀性，如基于概率的不確定性推理的貝葉斯網(wǎng)絡(luò)；數(shù)據(jù)挖掘則是從海量數(shù)據(jù)中找到最優(yōu)解(模型、參數(shù))，可為構(gòu)造預(yù)測性能良好的貝葉斯網(wǎng)絡(luò)提供學(xué)習(xí)算法；空間數(shù)據(jù)挖掘則是針對空間分布的對象的數(shù)據(jù)挖掘，由于空間對象本身具有空間屬性(位置、空間相關(guān)性、拓?fù)潢P(guān)系及形狀等)，空間數(shù)據(jù)挖掘則通過分析探索地物屬性在空間上的相關(guān)性或變異性，為學(xué)習(xí)、預(yù)測及推理提供空間信息。


發(fā)明內(nèi)容
本發(fā)明的技術(shù)解決問題克服現(xiàn)有針對現(xiàn)有的風(fēng)險綜合評判技術(shù)的不足，提供一種精細(xì)尺度下的動態(tài)風(fēng)險及易損性預(yù)測方法，該方法擴(kuò)展了訓(xùn)練數(shù)據(jù)的來源，提高分析的細(xì)節(jié)及精細(xì)的空間尺度定位功能，提高了預(yù)測的精度及效果，可進(jìn)行實時的動態(tài)的災(zāi)害風(fēng)險及易損性分析。
本發(fā)明通過以下的步驟得以實現(xiàn)一種精細(xì)尺度下的動態(tài)風(fēng)險及易損性預(yù)測方法，步驟如下 (1)相關(guān)數(shù)據(jù)的采集及預(yù)處理按致災(zāi)因子、孕災(zāi)環(huán)境及承災(zāi)體三個采集預(yù)測因子X及災(zāi)害損失變量y，并進(jìn)行預(yù)處理產(chǎn)生精細(xì)尺度下的訓(xùn)練樣本數(shù)據(jù)集；所述的致災(zāi)因子是指直接導(dǎo)致災(zāi)害的可測量因子變量，所述的孕災(zāi)環(huán)境指在致災(zāi)因子存在的前提下導(dǎo)致災(zāi)害損失發(fā)生的自然地理環(huán)境，所述的承災(zāi)體特性指各種主要以人為主的承受災(zāi)害的對象遭受災(zāi)害所帶來損失的性質(zhì)； (2)采用融入空間相關(guān)性的核密度函數(shù)方法對步驟(1)的訓(xùn)練樣本數(shù)據(jù)集衍生出新的訓(xùn)練樣本數(shù)據(jù)，以彌補(bǔ)調(diào)查數(shù)據(jù)不足，并補(bǔ)充完整精細(xì)尺度下的訓(xùn)練樣本數(shù)據(jù)； (3)預(yù)測因子的特征選擇根據(jù)訓(xùn)練樣本數(shù)據(jù)，采用三種方法衡量影響因子同目標(biāo)因子的相關(guān)性，即線性相關(guān)系數(shù)、基于熵的信息獲取率及粗糙集的屬性重要性，結(jié)合主成分分析選擇預(yù)測因子X； (4)對步驟(3)所選擇的預(yù)測因子集中的連續(xù)變量進(jìn)行離散化，采用模擬退火優(yōu)化算法搜索貝葉斯網(wǎng)絡(luò)模型，估計網(wǎng)絡(luò)的條件概率參數(shù)； (5)利用生成的貝葉斯網(wǎng)絡(luò)模型進(jìn)行完全或不完全證據(jù)支持下的風(fēng)險及易損性概率預(yù)測； (6)在地圖上實時動態(tài)地定位所預(yù)測的風(fēng)險概率及易損性，識別區(qū)域上的風(fēng)險及潛在損失分布狀況，為救災(zāi)減災(zāi)的實施提供輔助決策支持信息。
所述步驟(1)中的預(yù)處理方法為對致災(zāi)因子、孕災(zāi)環(huán)境及承災(zāi)體特性數(shù)據(jù)經(jīng)預(yù)處理轉(zhuǎn)換成統(tǒng)一分辨率的柵格數(shù)據(jù)集，分不同的情況采用以下步驟 a.對矢量數(shù)據(jù)預(yù)處理方法 對于點(diǎn)數(shù)據(jù)，采用k-最近鄰方法或者Kriging方法插值算法，將點(diǎn)數(shù)據(jù)轉(zhuǎn)換成柵格數(shù)據(jù)；對于線數(shù)據(jù)采用數(shù)字微分分析法DDA法或Bresenham方法轉(zhuǎn)換成柵格數(shù)據(jù)；對于面數(shù)據(jù)采用掃描法；轉(zhuǎn)換成統(tǒng)一分辨率的柵格數(shù)據(jù)； b.對于柵格的預(yù)處理方法 對于柵格數(shù)據(jù)，如果坐標(biāo)或目標(biāo)柵格數(shù)據(jù)不一致時，采用最近鄰法進(jìn)行重采樣，形成轉(zhuǎn)換成統(tǒng)一分辨率的柵格數(shù)據(jù)； 將矢量數(shù)據(jù)和柵格再柵格化后即形成統(tǒng)一分辨率的柵格數(shù)據(jù)集。
所述步驟(2)采用了融入空間相關(guān)性的核函數(shù)方法衍生樣本點(diǎn)數(shù)據(jù)，彌補(bǔ)調(diào)查數(shù)據(jù)及歷史資料的不足，補(bǔ)充完整精細(xì)尺度下的訓(xùn)練樣本數(shù)據(jù)的步驟為 a.調(diào)查確定災(zāi)害事件及其損失情況； b.采用正態(tài)核密度函數(shù)計算估計目標(biāo)變量的核函數(shù) 其中的影響寬度λ可隨災(zāi)害強(qiáng)度的不同設(shè)置不同值，d(z，Zi)為空間上任意一點(diǎn)z與調(diào)查數(shù)據(jù)點(diǎn)Zi間的歐氏距離，z可為災(zāi)害事件y或者因子變量x； c.由各觀察值點(diǎn)的核密度函數(shù)可推出空間任意一點(diǎn)的影響強(qiáng)度 其中，n為觀察值數(shù)據(jù)點(diǎn)數(shù)，z為空間任意點(diǎn)，Zi為相應(yīng)的觀察值點(diǎn)數(shù)值，Kλ(z，Zi)為核函數(shù)。
所述步驟(3)采用三種方法衡量影響因子同目標(biāo)因子的相關(guān)性具體如下 a.所述的線性相關(guān)性是采用統(tǒng)計學(xué)Pearson相關(guān)系數(shù)來衡量連續(xù)變量之間的線形相關(guān)性，但該方法忽略了變量之間可能存在的非線形關(guān)系及非連續(xù)變量相關(guān)關(guān)系； b.所述的基于信息熵的分類貢獻(xiàn)函數(shù)，即Quinlan的Information Gain IG及Information Gain Ratio GR衡量輔助變量同目標(biāo)變量之間的關(guān)系，選擇對分類貢獻(xiàn)較大的變量，IG及GR的定義如下 IG(y，x)＝H(y)-H(y|x) GR(y，x)＝(H(x)-H(y|x))/H(x) H(y)是熵的定義，而H(y|x)是針對類別x的條件熵的定義； c.所述的采用粗糙集屬性重要性為通過計算輔助變量對目標(biāo)變量的分類能力來衡量二個變量的相關(guān)性，選擇重要性更大的特征變量 其中，X為因子變量集，xj是要計算屬性重要性的因子變量，γ(X，y)是粗糙集中目標(biāo)變量y對因子變量集X的依賴性； d.所述的采用主成分分析為選擇獨(dú)立性強(qiáng)的代表因子，刪除信息冗余因子。
所述步驟(4)對選擇的預(yù)測因子集中的連續(xù)變量進(jìn)行離散化，采用模擬退火優(yōu)化算法搜索貝葉斯網(wǎng)絡(luò)模型，估計網(wǎng)絡(luò)的條件概率參數(shù)的步驟如下 a.建立貝葉斯網(wǎng)絡(luò)模型框架對貝葉斯網(wǎng)絡(luò)B＝(BS，BP)，令目標(biāo)變量y為災(zāi)害事件或相關(guān)災(zāi)害損失事件，則y狀態(tài)空間定義為“災(zāi)害發(fā)生”與“災(zāi)害不發(fā)生”兩種狀況，或者“損失嚴(yán)重”與“損失不嚴(yán)重”兩種狀況，或者“損失最嚴(yán)重”、“損失嚴(yán)重”“損失一般”與“輕微損失或無損失”四種狀況；若已知一些證據(jù)，即解釋變量因子集X中的一些因子，通過計算邊際概率而求得y的相應(yīng)狀態(tài)發(fā)生的后驗概率，亦稱信任函數(shù) 其中，為隨機(jī)變量集V上的聯(lián)合概率，xi既為影響因子集X中的隨機(jī)變量，yj表示目標(biāo)變量y取第j種狀態(tài)情況； b.采用優(yōu)化的離散化方法轉(zhuǎn)換連續(xù)類型數(shù)據(jù)，作為因子變量的狀態(tài)空間值輸入貝葉斯網(wǎng)絡(luò)模型進(jìn)行計算，算法采用基于熵的衡量標(biāo)準(zhǔn) 其中，impurity(k，j，i)為當(dāng)從j到i的訓(xùn)練樣本被劃分成k個區(qū)間時的最小的測量值impurity，最優(yōu)的劃分區(qū)間k則是impurity(k，j，i)，N為連續(xù)變量因子值的基，測量值impurity是每次劃分的平均類熵，其最小使得用于編碼離散化區(qū)間而進(jìn)行預(yù)測的字節(jié)數(shù)最?。? c.搜索最優(yōu)的網(wǎng)絡(luò)結(jié)構(gòu) 采用貝葉斯質(zhì)量記分函數(shù)作為標(biāo)準(zhǔn)，搜索策略是通過模擬金屬的退火即硬化過程而找到網(wǎng)絡(luò)結(jié)構(gòu)的最優(yōu)解，退火過程從開始加熱金屬致其融化與金屬離子自由游動開始，溫度緩慢有序地降低直到金屬粒子在一個高結(jié)構(gòu)化的格網(wǎng)中成型；一個潛在的網(wǎng)絡(luò)相當(dāng)一個解，對應(yīng)一個同網(wǎng)絡(luò)質(zhì)量測量值有關(guān)的價值函數(shù)，通過退火即溫度T的降低，搜索最優(yōu)的網(wǎng)絡(luò)結(jié)構(gòu)； d.估計網(wǎng)絡(luò)參數(shù) 得到網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)后，采用基于Dirichlet分布的經(jīng)典算法，疊代地估計條件概率參數(shù)值； e.風(fēng)險概率及易損性預(yù)測 將所建立的貝葉斯網(wǎng)絡(luò)用于一定證據(jù)支持下風(fēng)險或易損性概率預(yù)測，采用適用于環(huán)路的信任傳遞算法即經(jīng)典的Pearl信息傳遞算法實現(xiàn)，如所得到網(wǎng)絡(luò)是單連接樹，該算法則采用PolyTree的精確算法實現(xiàn)預(yù)測；而對包括環(huán)路的網(wǎng)絡(luò)，該算法則采用為精度較高的近似算法實現(xiàn)預(yù)測。
所述(5)利用生成的貝葉斯網(wǎng)絡(luò)模型進(jìn)行完全或不完全證據(jù)支持下的風(fēng)險及易損性概率預(yù)測方法為估算中數(shù)據(jù)輸入為允許缺失數(shù)值的同分辨率及坐標(biāo)的多維柵格數(shù)據(jù)，每柵格單元為一個預(yù)測對象，將每單元對應(yīng)屬性值輸入模型，通過估計精細(xì)尺度下既一定分辨率的各個柵格單元的風(fēng)險概率或易損性，從而估算區(qū)域上風(fēng)險概率。
本發(fā)明與現(xiàn)有技術(shù)相比的優(yōu)點(diǎn)在于本發(fā)明方法可融合多源、異構(gòu)的數(shù)據(jù)進(jìn)行風(fēng)險(易損性)概率預(yù)測估計，突破了傳統(tǒng)方法的局限，體現(xiàn)在以下幾方面 (1)本發(fā)明是建立在精細(xì)尺度下既一定分辨率的柵格單元上的風(fēng)險及易損性預(yù)測模型，特別是提出了在調(diào)查樣本數(shù)據(jù)稀少時，結(jié)合機(jī)理可采用融合了空間信息的核密度函數(shù)方法來衍生因子及目標(biāo)變量柵格數(shù)據(jù)，彌補(bǔ)調(diào)查樣本缺乏的不足。核密度方法，可克服在進(jìn)行精細(xì)尺度分析時數(shù)據(jù)稀少而不能進(jìn)行的缺點(diǎn)，有利于精細(xì)尺度下的風(fēng)險及易損性估算及預(yù)測，也克服了中或粗尺度下預(yù)測效果低，不能很好地進(jìn)行空間定位的缺陷。
(2)通過采用優(yōu)化的離散化方法離散化連續(xù)變量，使得本發(fā)明能融合不同數(shù)據(jù)類型(連續(xù)、離散及類別)采用貝葉斯網(wǎng)絡(luò)模型進(jìn)行風(fēng)險及易損性概率預(yù)測，提高了預(yù)測因子的信息含量，這是傳統(tǒng)風(fēng)險分析方法所不具備的。
(3)采用結(jié)構(gòu)靈活的貝葉斯網(wǎng)絡(luò)模型來建立預(yù)測因子同目標(biāo)變量之間的概率依賴關(guān)系，靈活多變的網(wǎng)絡(luò)拓?fù)溆兄谌谌氩煌瑏碓醇邦愋偷臄?shù)據(jù)進(jìn)行風(fēng)險概率的預(yù)測，為風(fēng)險分析提供是一種不確定性信息，而不是“脆”的風(fēng)險分級信息，體現(xiàn)在地圖上則是風(fēng)險概率的柵格圖像，提供了比傳統(tǒng)分析方法更客觀的軟信息。
(4)在網(wǎng)絡(luò)的預(yù)測因子及訓(xùn)練過程中融合了空間信息，而貝葉斯網(wǎng)絡(luò)靈活多變的網(wǎng)絡(luò)拓?fù)湟灿兄谕ㄟ^概率依賴關(guān)系融入因子變量之間復(fù)雜的空間相關(guān)關(guān)系，算法考慮了空間相關(guān)性及空間變異性的影響，這也是傳統(tǒng)方法所缺欠的。
(5)通過優(yōu)化的模擬退火搜索算法可學(xué)到跟數(shù)據(jù)背景適應(yīng)的預(yù)測模型，即使在不完備信息既“證據(jù)”情況下，也可通過環(huán)路Pearl的信息傳播算法估計風(fēng)險概率水平，比傳統(tǒng)方法有更強(qiáng)的概率估算及預(yù)測功能。



圖1為時間與災(zāi)害風(fēng)險之間的關(guān)系圖； 圖2為本發(fā)明方法流程圖； 圖3為本發(fā)明具體實施方式
中結(jié)合的典型研究案例地圖黑河流域地區(qū)； 圖4為本發(fā)明方法從數(shù)據(jù)中搜索得到的優(yōu)化的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)圖； 圖5為三種方法，既本發(fā)明方法、

Bayes及邏輯斯特方法的交叉驗證結(jié)果的受試者特征(ROC)曲線的對比，其中本發(fā)明方法更靠近最優(yōu)分類點(diǎn)，說明預(yù)測性能較好； 圖6為三種方法，既本發(fā)明方法、

Bayes及邏輯斯特方法的由2006年的數(shù)據(jù)預(yù)測2007年的災(zāi)害風(fēng)險結(jié)果的ROC曲線對比； 圖7為本發(fā)明提出的貝葉斯網(wǎng)絡(luò)模型預(yù)測的各柵格單元的風(fēng)險概率圖。

具體實施例方式 如圖1所示，為時間與災(zāi)害風(fēng)險之間的經(jīng)驗關(guān)系，說明了時間對減災(zāi)救災(zāi)的重要性，而本發(fā)明提出的方法通過預(yù)測與評估可適當(dāng)提高減災(zāi)效率。
一、如圖2所示，本發(fā)明方法的具體實現(xiàn)步驟為 1、數(shù)據(jù)集的采集及預(yù)處理，本發(fā)明通過融合精細(xì)尺度下多種類型的(包括三種連續(xù)、離散及類別)及多個來源的數(shù)據(jù)的空間數(shù)據(jù)集X進(jìn)行建模預(yù)測。這些數(shù)據(jù)經(jīng)過適當(dāng)?shù)念A(yù)處理及轉(zhuǎn)換，得到訓(xùn)練樣本及測試數(shù)據(jù)集。
所搜集的數(shù)據(jù)可根據(jù)災(zāi)害的原理劃分成三方面 (1)致災(zāi)因子，直接導(dǎo)致災(zāi)害的可測量因子變量，不同災(zāi)種有不同致災(zāi)因子，如洪水的致災(zāi)因子可為降雨，而臺風(fēng)的致災(zāi)因子則為風(fēng)速。
(2)孕災(zāi)環(huán)境，在致災(zāi)因子存在的前提下導(dǎo)致災(zāi)害損失發(fā)生的自然地理環(huán)境，如高程、坡度、地貌、植被、土地利用狀況等。
(3)承災(zāi)體屬性，指各種承受災(zāi)害的對象(主要以人為主)遭受災(zāi)害所帶來損失的性質(zhì)，包括社會經(jīng)濟(jì)(如GDP)、收入、人口分布等。
這些不同來源的數(shù)據(jù)經(jīng)過處理轉(zhuǎn)換成統(tǒng)一柵格單元大小的柵格數(shù)據(jù)集。預(yù)處理涉及到以下幾方面 (1)數(shù)據(jù)的插補(bǔ)及缺失數(shù)據(jù)分析 (a)點(diǎn)數(shù)據(jù)需要轉(zhuǎn)換成柵格數(shù)據(jù)，轉(zhuǎn)化考慮了空間相關(guān)性，采用k-最近鄰方法或Kriging方法插值算法； (b)而如多維數(shù)據(jù)有某些缺失項，采用融合其他域變量信息的期望最大化，插補(bǔ)后數(shù)據(jù)更符合實際數(shù)據(jù)分布。
(2)矢量柵格化 對于矢量柵格化，不同類型的矢量數(shù)據(jù)有不同處理方法 (a)點(diǎn)數(shù)據(jù)采用前面提到的插值算法，既k-最近鄰或者Kriging；線數(shù)據(jù)采用可采用DDA法(數(shù)字微分分析法)和Bresenham方法； (b)而對于面數(shù)據(jù)采用掃描法。
(3)柵格的再柵格化 對柵格的再柵格化，目的是形成同樣?xùn)鸥駟卧笮〉臄?shù)據(jù)集，也稱重采樣，既用原格網(wǎng)中的單元值填充新格網(wǎng)中的單元值，采用k-最近鄰方法。
2、采用融入空間相關(guān)性的核密度函數(shù)方法衍生訓(xùn)練樣本，補(bǔ)充完成精細(xì)尺度下的柵格數(shù)據(jù)集。根據(jù)空間自相關(guān)原理，既“越近越相關(guān)”，結(jié)合遙感影像、歷史記錄及調(diào)查資料，在樣本數(shù)據(jù)少，獲取昂貴情況下，可采用核函數(shù)法衍生樣本數(shù)據(jù)，以彌補(bǔ)樣本數(shù)據(jù)的不足；具有以下步驟 (1)調(diào)查確定災(zāi)害事件及其損失情況，或者相關(guān)屬性的取值情況。
(2)采用核函數(shù)進(jìn)行估算，該方法依據(jù)空間相關(guān)性機(jī)理，認(rèn)為影響點(diǎn)或線，如泛濫的河流，對周邊的影響隨距離逐步遞減，采用正態(tài)核密度函數(shù) 其中的影響寬度λ可隨災(zāi)害強(qiáng)度的不同設(shè)置不同值，d(z，Zi)為空間上任意一點(diǎn)z與調(diào)查數(shù)據(jù)點(diǎn)Zi間的歐氏距離。z可為災(zāi)害事件y或者因子變量x當(dāng)z為災(zāi)害事件y時，d(y，Yi)表示為空間上任意一點(diǎn)的災(zāi)害事件的強(qiáng)度或損失y同空間上歷史或調(diào)查事件點(diǎn)的觀察值Yi間的歐氏距離，可以將災(zāi)害事件強(qiáng)度或損失劃分成不同的風(fēng)險影響級別(如低、中、高)而獲得不同級別風(fēng)險水平的樣本；當(dāng)z為影響因子x時，d(x，Xi)表示空間上任意一點(diǎn)該因子的強(qiáng)度x同空間上歷史或調(diào)查事件點(diǎn)的觀察值Xi間的歐氏距離，如離開河流的遠(yuǎn)近，靠近河流的更容易遭受損失，遠(yuǎn)離的遭受損失的概率就低。
(3)由各觀察值點(diǎn)的核密度函數(shù)可推出空間任意一點(diǎn)的影響強(qiáng)度 其中，n為觀察值數(shù)據(jù)點(diǎn)數(shù)，z為空間任意點(diǎn)，Zi為相應(yīng)的觀察值點(diǎn)數(shù)值，Kλ(z，Zi)為式(1)所確定的核函數(shù)。根據(jù)對影響強(qiáng)度Density(z)的分級，由此將柵格單元劃分成不同的風(fēng)險影響級別或水平的訓(xùn)練樣本。
核函數(shù)方法符合空間數(shù)據(jù)的基本性質(zhì)既空間相關(guān)性，可彌補(bǔ)采用遙感數(shù)據(jù)、歷史數(shù)據(jù)或?qū)嵉卣{(diào)查資料的不足，產(chǎn)生更全面的訓(xùn)練樣本數(shù)據(jù)。主要體現(xiàn)在兩方面就風(fēng)險影響因子而言，可在矢量柵格化中采用核密度方法衍生影響因子?xùn)鸥駡D(如河流、城鎮(zhèn)居民地)；而就目標(biāo)變量(災(zāi)害事件而言)，可采用核密度方法衍生出目標(biāo)變量的核心(如高、低二級，高為核心地帶)或者多級影響(如高、中、底三級)的空間柵格單元作為訓(xùn)練樣本。通過核函數(shù)方法，實現(xiàn)了采用少量樣本數(shù)據(jù)衍生精細(xì)尺度下的柵格訓(xùn)練樣本數(shù)據(jù)。
3、選擇影響因子集，估計影響因子與目標(biāo)因子之間的相關(guān)關(guān)系，選擇有強(qiáng)相關(guān)性的因子，既特征選擇。本發(fā)明采用了三種不同的方法分析影響因子同目標(biāo)因子的相關(guān)關(guān)系，采用了主成分分析提取獨(dú)立的變量，移除冗余信息。特征選擇的步驟為 (1)采用統(tǒng)計學(xué)中的相關(guān)系數(shù)來衡量連續(xù)變量之間的線形相關(guān)性，但該方法忽略了變量之間可能存在的非線形關(guān)系及非連續(xù)變量相關(guān)關(guān)系； (2)采用了基于信息熵的分類貢獻(xiàn)函數(shù)，既Quinlan的Information Gain(IG)及Information Gain Ratio(GR)，衡量輔助變量同目標(biāo)變量間關(guān)系，選擇對分類貢獻(xiàn)較大的變量(即IG或GR較大)，IG及GR的定義如下 IG(y，x)＝H(x)-H(y|x) (3) GR(y，x)＝(H(x)-H(y|x))/H(x)(4) 其中，H(x)是熵的定義，而H(y|x)是針對類別y的條件熵的定義。
(3)采用粗糙集的屬性重要性概念，通過計算輔助變量對目標(biāo)變量的分類能力來衡量二個變量的相關(guān)性，選擇重要性更大的特征變量當(dāng)輔助變量對目標(biāo)(決策變量)屬性重要性強(qiáng)時，說明二者具有強(qiáng)相關(guān)性；而輔助變量對決策變量屬性重要性弱時，說明二者相關(guān)性弱。
其中，X為因子變量集，xi是要計算屬性重要性的因子變量，γ(X，y)是粗糙集中目標(biāo)變量y對因子變量集X的依賴性。
一般情況下，如果因子變量在三種方法中都較小或者有一種方法計算值為0，就應(yīng)該舍棄該因子變量。
(4)主成分分析提取獨(dú)立的信息量豐富的因子變量，有以下幾個步驟 (a)進(jìn)行主成分分析，采用方差極大(varimax)旋轉(zhuǎn)雙來突出每個主成分； (b)從第一主成分開始，選擇特征值大于1的主成分； (c)這些選出的特征值大于1的主成分中，其因子相應(yīng)的載荷(loading)，如果loading最大的主成分其loading接近0.8(0.75-0.8)，則選擇該因子變量代表該主成分；否則如果最大的loading小于0.7，則舍棄該主成分； (d)如果有1個因子的loading大于0.8，則選擇該因子代表該成分； (e)如果有多個因子的loading大于0.8，則選擇那些GR或者SA較大的且解譯性強(qiáng)的因子變量。
4、建立基于貝葉斯網(wǎng)絡(luò)的風(fēng)險概率的不確定性推理模型 建立災(zāi)害風(fēng)險及易損性評估的貝葉斯網(wǎng)絡(luò)模型，要經(jīng)過建立貝葉斯網(wǎng)絡(luò)模型框架及確定目標(biāo)函數(shù)狀態(tài)空間、連續(xù)變量離散化、網(wǎng)絡(luò)結(jié)構(gòu)的學(xué)習(xí)、參數(shù)的學(xué)習(xí)等步驟，按照以下順序進(jìn)行 (1)建立貝葉斯網(wǎng)絡(luò)模型框架，確定目標(biāo)函數(shù)的狀態(tài)空間。對一貝葉斯網(wǎng)絡(luò)B＝(BS，BP)，令隨機(jī)變量y為災(zāi)害事件或者相關(guān)的災(zāi)害損失事件(既目標(biāo)變量)，則y的狀態(tài)空間可以定義為“災(zāi)害發(fā)生”與“災(zāi)害不發(fā)生”兩種狀態(tài)，或者“損失嚴(yán)重”與“損失不嚴(yán)重”兩種狀態(tài)，或者“損失最嚴(yán)重”、“損失嚴(yán)重”、“損失一般”與“輕微損失或無損失”四種狀態(tài)，若已知了一些“證據(jù)”，既部分因子變量X的數(shù)值，以通過計算邊際概率而求得y的相應(yīng)狀態(tài)的發(fā)生(后驗)概率(也稱為信任函數(shù)) 其中，為隨機(jī)變量集V上的聯(lián)合概率，i既為影響因子變量集X中的隨機(jī)變量，yj表示目標(biāo)變量y取第j種狀態(tài)情況。
(2)采用了優(yōu)化的離散化方法來轉(zhuǎn)換連續(xù)數(shù)據(jù)，獲取得到概率推理模型既貝葉斯網(wǎng)絡(luò)模型的連續(xù)變量的狀態(tài)空間，便于在提高網(wǎng)絡(luò)性能的同時融合連續(xù)數(shù)據(jù)與離散、類別數(shù)據(jù)一起進(jìn)行搜索、估算及預(yù)測。
優(yōu)化的離散化是在有訓(xùn)練樣本下的一種監(jiān)督離散化算法，它是以基于熵的測度條件下的求最優(yōu)離散化區(qū)間方法。離散化后的連續(xù)變量數(shù)據(jù)作為貝葉斯網(wǎng)絡(luò)隨機(jī)變量的狀態(tài)空間輸入，可對網(wǎng)絡(luò)的訓(xùn)練及預(yù)測性能有很大提高。該算法首先設(shè)置一個很大的可離散化區(qū)間數(shù)目，然后算法適應(yīng)性地訓(xùn)練得到離散化區(qū)間。算法的衡量標(biāo)準(zhǔn)(目標(biāo)函數(shù)) 其中，impurity(k，j，i)為當(dāng)從j到i的訓(xùn)練樣本被劃分成k個區(qū)間時的最小的測量值(impurity)。最優(yōu)的劃分區(qū)間k則是impurity(k，j，i)，N為連續(xù)變量因子值的基。測量值(impurity)是每次劃分的平均類熵，其最小使得用于編碼離散化區(qū)間而進(jìn)行預(yù)測的字節(jié)數(shù)最小，滿足了信息論中的Oecam的最小描述長度(MDL)原則。本算法通過自回歸疊代而求得最優(yōu)解。
令S為柵格數(shù)據(jù)中獲取的樣本單元集，k為最大的離散化區(qū)間數(shù)，x為要離散化的連續(xù)變量，T為離散化x的區(qū)間劃分值集，IT為初始的區(qū)間劃分值集，則本算法的主要步驟為 (a)根據(jù)屬性x的值排序S中的實例； (b)通過計算排序后的S中連續(xù)兩個不同的x值的乘積的平方根得到初始的區(qū)間劃分值，保存到IT中。
(c)令i＝0，n＝|IT|； (d)若n＜＝k，則T＝IT，計算結(jié)束；否則繼續(xù)； (e)令j＝n到k，以-1作為步長，遞減循環(huán)進(jìn)行以下操作 (e.1)T0＝T，minx為x中最小值，maxx為x中最大值； (e.2)newimpurity＝GetImpurity(1，ITj，maxA，T0)+GetImpurity(k-1，minA，ITj，T0)； (e.3)若j＝n，則minImpurity＝newimpurity；i＝j(luò)；T＝T0； 否則，進(jìn)入以下步驟 (e.3.1)若newimpurity＜minImpurity，則 minImpurity＝new_impurity；i＝j(luò)；T＝T0； (e.4)T←ITi； 算法中Getlmpurity(...)為根據(jù)式(7)所定義的函數(shù)，該函數(shù)可適應(yīng)性地加入新的分離值到T中或修改T中的離散分離值。
(3)搜索最優(yōu)的網(wǎng)絡(luò)結(jié)構(gòu) 在將所有的連續(xù)型隨機(jī)變量轉(zhuǎn)換成離散變量后，既可進(jìn)行最優(yōu)的貝葉斯網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的搜索。本方法采用了貝葉斯質(zhì)量記分函數(shù)及通用的模擬退火算法搜索拓?fù)淇臻g而得到最優(yōu)的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)。
貝葉斯質(zhì)量記分函數(shù)用于衡量所得網(wǎng)絡(luò)是否滿足質(zhì)量最優(yōu)，采用公式 其中，D訓(xùn)練樣本P(BS，D)為后驗概率，vi為隨機(jī)變量節(jié)點(diǎn)(X中因子變量或者目標(biāo)變量y)，πi為節(jié)點(diǎn)vi的父節(jié)點(diǎn)集，ri為

的基，qi為

為有序的，xik為節(jié)點(diǎn)vi的第k個值，

為節(jié)點(diǎn)vi的父節(jié)點(diǎn)集的第j種組合，Nijk為vi＝xik與的案例數(shù)，而Nij為的案例數(shù)。
模擬退火的搜索策略是通過模擬金屬的退火即硬化過程而找到最優(yōu)解。退火過程從開始加熱金屬致其融化與金屬離子自由游動開始，溫度緩慢有序地降低直到金屬粒子在一個高結(jié)構(gòu)化的格網(wǎng)中成型。搜索一個優(yōu)化的BN，一個潛在的網(wǎng)絡(luò)相當(dāng)一個解，s∈S，S為溫度狀態(tài)集，s對應(yīng)了一個同網(wǎng)絡(luò)質(zhì)量測量值(式(6))有關(guān)的價值函數(shù)f(s)，該函數(shù)即稱為“能量水平”。退火的過程即隨著溫度T的降低，算法疊代地從當(dāng)前解決方案s的鄰近的解(一般通過加或減去一條幅而得到)中選擇新解，r，當(dāng)f(r)＜f(s)時，新解被接受，r取代s進(jìn)入下一輪循環(huán)；否則，r將以概率exp((f(r)-f(s))/T)被接受(取代s)。
該算法的主要步驟 輸入T0-開始溫度；Tend-結(jié)束溫度；calc_temp為冷卻函數(shù)初始化s T←T0；k←0；sbest←s 重復(fù)以下步驟 從當(dāng)前解s的鄰近的解空間N(s)提取備選解，r； 如果exp((f(s)-f(r))/T)＞random(0-1)則 s←r 如果f(s)＞f(sbest)，則sbest←s k←k+1 T←calc_temp(T，k) 直致T＜Tend。
返回sbest為最優(yōu)解。
注f(s)為同質(zhì)量評估函數(shù)相關(guān)的當(dāng)前解s價值函數(shù)；冷卻函數(shù)calc_temp可根據(jù)一定準(zhǔn)則設(shè)定。
(4)估計網(wǎng)絡(luò)參數(shù) 在訓(xùn)練得到網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)之后，需要估計網(wǎng)絡(luò)的參數(shù)。網(wǎng)絡(luò)參數(shù)的估計假定隨機(jī)變量共有τ種狀態(tài)，每一種狀態(tài)用mi來表示，變量的狀態(tài)函數(shù)符合Dirichlet分布 第i種狀態(tài)的均值 變差 Dirichlet分布是beta分布的擴(kuò)展，其均值及變差與樣本數(shù)相關(guān)的性質(zhì)使得該分布很適合BN參數(shù)的估計。下面給出了簡要算法流程。
貝葉網(wǎng)絡(luò)參數(shù)的估計算法 每個隨機(jī)變量節(jié)點(diǎn)，ui ui的每種父節(jié)點(diǎn)聯(lián)合狀態(tài)，πi，分配一個針對ui的τ種狀態(tài)取值的Dirichlet分布D(α1，...，αi，...ατ) 對每個ui節(jié)點(diǎn)進(jìn)行以下操作 對所有隨機(jī)變量的聯(lián)合觀察值ui∈U進(jìn)行以下操作 (a)識別ui的第j種狀態(tài)的取值； (b)更新D(α1，...，αj，...ατ)至D(α1，...，αj+1，...ατ)，其中父節(jié)點(diǎn)與訓(xùn)練實例的父節(jié)點(diǎn)相對應(yīng)。
(5)概率預(yù)測方法的選擇 當(dāng)貝葉斯網(wǎng)絡(luò)模型建立的時候，可以在所建立模型基礎(chǔ)上在一定證據(jù)支持下進(jìn)行風(fēng)險或易損性的概率推理。在推理方面本發(fā)明考慮了所得到網(wǎng)絡(luò)的多變性，采用了適用于環(huán)路的信任傳遞算法，既Pearl的信息傳遞算法實現(xiàn)。如所得到網(wǎng)絡(luò)是單連接樹，該算法采用PolyTree的精確算法實現(xiàn)預(yù)測；對包括環(huán)路的網(wǎng)絡(luò)，該算法采用為精度較高的近似算法實現(xiàn)預(yù)測。
5、在完全或不完全證據(jù)支持條件下的風(fēng)險或易損性概率估算 當(dāng)建立了風(fēng)險或者易損性的貝葉斯推理模型之后，就可以在精細(xì)尺度下的完全或不完全證據(jù)支持之下進(jìn)行風(fēng)險或者易損性的概率估算。數(shù)據(jù)的輸入為允許缺失數(shù)值的具有相同分辨率及坐標(biāo)的多維柵格數(shù)據(jù)，每個柵格單元為一個實施對象，將每個柵格單元對應(yīng)的屬性值輸入到模型之中，最后得到在整個區(qū)域上的概率風(fēng)險分布情況。根據(jù)貝葉斯?jié)M足的馬爾可夫性質(zhì)，在證據(jù)支持下的概率估算有以下四種類型，分別視不同情況予以采用 (1)因果類型，既從原因到結(jié)果的概率估算，根據(jù)當(dāng)前情況推斷災(zāi)害事件產(chǎn)生及其損失情況的可能性； (2)診斷類型，由結(jié)果到原因的概率估算，根據(jù)損失情況推斷導(dǎo)致?lián)p失的原因； (3)因果間類型，一個結(jié)果多個原因，可根據(jù)結(jié)果及部分原因值推斷其他原因發(fā)生概率。
(4)混合類型，即以上三種類型推理的混合，一般所搜索得到的網(wǎng)絡(luò)結(jié)構(gòu)都有較為復(fù)雜的拓?fù)浣Y(jié)構(gòu)，涉及到混合推理方式，通過采用Pearl的信息傳遞算法實現(xiàn)推理。
6.在地圖上實時動態(tài)地定位所預(yù)測的風(fēng)險概率及易損性，識別區(qū)域上的風(fēng)險及潛在損失分布狀況，為救災(zāi)減災(zāi)的實施提供輔助決策支持信息。
具體按照以下步驟進(jìn)行 (1)收集盡可能多的當(dāng)前解釋變量既預(yù)測因子在區(qū)域上的數(shù)值，如預(yù)測洪水災(zāi)害風(fēng)險，致災(zāi)因子可采集日降雨、日平均風(fēng)速及日最大風(fēng)速三個變量，孕災(zāi)環(huán)境可采集高程、坡度、坡向、地質(zhì)類型、植被指數(shù)(ndvi)、河流、道路7個變量，而承災(zāi)體特性可采集城鎮(zhèn)聚集地1個自變量，總共11個自變量。當(dāng)然，對一些變化緩慢的變量如高程可采用歷史數(shù)據(jù)；而且數(shù)據(jù)不一定采集全面，因為貝葉斯網(wǎng)絡(luò)具有在缺值情況下的推理功能，即使只有一個自變量如日平均降雨，亦可預(yù)測災(zāi)害損失風(fēng)險水平的空間分布，這是貝葉斯網(wǎng)絡(luò)同其他模型相比的主要特點(diǎn)之一； (2)對所采集的數(shù)據(jù)，參照前面第1節(jié)與第2節(jié)對數(shù)據(jù)進(jìn)行必要的預(yù)處理，如柵格矢量化，柵格的再柵格化等，生成同訓(xùn)練網(wǎng)絡(luò)相同的分辨率的預(yù)測因子數(shù)據(jù)(之所以要求分辨率相同是為了消除尺度不一致導(dǎo)致的誤差)； (3)將每個柵格單元對應(yīng)的預(yù)測因子變量輸入網(wǎng)絡(luò)，通過網(wǎng)絡(luò)的推理運(yùn)算得出不同風(fēng)險級別對應(yīng)的發(fā)生概率水平；、 (4)選定某一風(fēng)險水平(如“高風(fēng)險”或者“高損失”)，得到各柵格單元的產(chǎn)生高風(fēng)險的概率的空間分布影像圖，即可對此影像矢量化，形成風(fēng)險水平矢量分布圖。
(5)根據(jù)以上產(chǎn)生的風(fēng)險概率分布圖，可準(zhǔn)確及時地了解當(dāng)前災(zāi)害損失在空間的分布情況，對于高風(fēng)險區(qū)域，可采取相應(yīng)的減災(zāi)措施及時施救，減少因施救不及時產(chǎn)生的損失后果，最大限度的減少損失。
(6)如某點(diǎn)預(yù)測不很準(zhǔn)確，可將相關(guān)的數(shù)據(jù)重新輸入網(wǎng)絡(luò)，繼續(xù)對網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)訓(xùn)練，提高網(wǎng)絡(luò)的計算功能及結(jié)果精度。
二、下面以黑河流域的洪水災(zāi)害作為典型案例，再詳細(xì)闡述本發(fā)明的實施方式簡述如下 1、時空數(shù)據(jù)的采集與預(yù)處理 根據(jù)域知識及目標(biāo)變量采集相關(guān)的數(shù)據(jù)，在此主要是采用黑河流域地區(qū)的洪水災(zāi)害作為實驗案例，因此本研究初步采集同洪水災(zāi)害相關(guān)的影響因子變量，從致災(zāi)因子、孕災(zāi)環(huán)境及承災(zāi)體屬性三方面進(jìn)行采集。
主要是搜集2006年7月份遭受洪水災(zāi)害前后的數(shù)據(jù)來建立模型的，在所采集的因子變量中，致災(zāi)因子包括日降雨、日平均風(fēng)速及日最大風(fēng)速，與孕災(zāi)環(huán)境相關(guān)的因素包括高程、坡度、坡向、地質(zhì)類型、植被指數(shù)(ndvi)、河流及道路，而承災(zāi)體相關(guān)的因素主要是城鎮(zhèn)聚集地數(shù)據(jù)?？偣膊杉?1個影響因子。
對這些數(shù)據(jù)進(jìn)行插值、缺值分析以補(bǔ)充數(shù)據(jù)的完整性。將不同來源、格式、分辨率及類型(類別、離散、連續(xù))數(shù)據(jù)綜合到同樣分辨率及坐標(biāo)的多維柵格數(shù)據(jù)集中。具體而言，對因子變量日降雨、日平均風(fēng)速及日最大風(fēng)速變量由測站數(shù)據(jù)采用Kriging插值算法生成柵格，而地質(zhì)類型多邊形矢量數(shù)據(jù)采用掃描法生成柵格數(shù)據(jù)，河流、道路、城鎮(zhèn)聚集地數(shù)據(jù)則采用核密度函數(shù)方法衍生柵格，其他的柵格數(shù)據(jù)則通過最近鄰“重采樣”轉(zhuǎn)化成統(tǒng)一分辨率及坐標(biāo)的數(shù)據(jù)集中。
2、采用核密度函數(shù)方法衍生訓(xùn)練樣本數(shù)據(jù) 采用了核密度函數(shù)方法來衍生訓(xùn)練樣本數(shù)據(jù)，該算法考慮了空間距離的影響，選擇正態(tài)(高斯)密度函數(shù)，既式(1)；再由各觀察值點(diǎn)的核密度函數(shù)可推出空間任意一點(diǎn)的影響強(qiáng)度，既式(2)。
當(dāng)分析的變量因子為災(zāi)害或其損失強(qiáng)度y時，我們將災(zāi)害損失強(qiáng)度劃分為二類，既“強(qiáng)”與“弱”或者嚴(yán)重災(zāi)害“發(fā)生”與“不發(fā)生”；而在以下的貝葉斯網(wǎng)絡(luò)模型計算中通過計算“強(qiáng)”或者“發(fā)生”對應(yīng)的狀態(tài)概率值而求得相應(yīng)的風(fēng)險概率值，其中“強(qiáng)”或“發(fā)生”對應(yīng)了較強(qiáng)的核密度值，由此得到災(zāi)害事件或其損失強(qiáng)度的核密度衍生柵格數(shù)據(jù)，作為“結(jié)果已知”的訓(xùn)練樣本。
當(dāng)分析的變量因子為影響因子變量時，采取類似的方法獲得衍生的屬性數(shù)據(jù)。此類因子包括河流、道路、城鎮(zhèn)聚集地數(shù)據(jù)三類數(shù)據(jù)，其中河流及道路為線狀要素，采取核密度函數(shù)法按照離開道路的遠(yuǎn)近依次劃分為“難”、“中”、“易”三類，對應(yīng)了災(zāi)害發(fā)生時采取避免措施的難易；而河流則按照距離河流的遠(yuǎn)近將受洪水災(zāi)害影響級別劃分為“低”、“中”、“高”，對應(yīng)了受洪水災(zāi)害影響的高低，越靠近河流，影響越顯著；而城鎮(zhèn)聚集地為點(diǎn)狀數(shù)據(jù)，按照距離遠(yuǎn)近劃分為“低”、“中”、“高”，可解譯為“越靠近城鎮(zhèn)，災(zāi)害的影響越高”。
3、特征選擇 采用了三種方法來進(jìn)行特征選擇既Pearson的統(tǒng)計相關(guān)性系數(shù)、基于熵的GR、粗糙集中的屬性重要性數(shù)值，通過對比變量因子的這三項指標(biāo)，保留值相對較大者，而刪除值較小或為0的因子變量；同時按照主成分分析提取獨(dú)立因子的方法，從備選因子中選擇較為獨(dú)立的影響因子。在本案例中，坡度的GR為0，且屬性重要性較小，在最后的預(yù)測變量集中去除了該變量而保留了其他10個較獨(dú)立的變量作為預(yù)測因子變量。
4、貝葉斯網(wǎng)絡(luò)建模，包括以下步驟 (1)建立貝葉斯網(wǎng)絡(luò)模型框架，確定目標(biāo)變量狀態(tài)空間。目標(biāo)變量y可表示災(zāi)害或其損失強(qiáng)度，可將損失強(qiáng)度劃分為二類，既“強(qiáng)”與“弱”或者嚴(yán)重災(zāi)害“發(fā)生”與“不發(fā)生”；而在貝葉斯網(wǎng)絡(luò)模型中通過計算“強(qiáng)”或者“發(fā)生”對應(yīng)的狀態(tài)概率值而求得相應(yīng)水平的風(fēng)險或易損性概率。
(2)采用優(yōu)化的離散化算法離散化連續(xù)變量 采用了基于熵的監(jiān)督的離散化算法來離散化連續(xù)的因子變量，為貝葉斯網(wǎng)絡(luò)B＝(BS，BP)提供變量的狀態(tài)空間。離散化以公式(7)作為衡量標(biāo)準(zhǔn)，設(shè)置20作為最大的離散區(qū)間數(shù)，最后通過自回歸疊代找出各連續(xù)變量的離散狀態(tài)空間，這些變量包括日平均降雨、日平均風(fēng)速、日最大風(fēng)速、高程、坡度、植被指數(shù)。在離散化的變量中，日平均降雨被離散化成13個區(qū)間，日平均風(fēng)速被離散化成3個區(qū)間，日最大風(fēng)速被離散化成7個區(qū)間，高程被離散化成5個區(qū)間，坡度被離散化成5個區(qū)間，植被指數(shù)被離散化成7個區(qū)間。在離散化的變量中，每個變量所產(chǎn)生的離散區(qū)間數(shù)小于20，說明最大的離散區(qū)間數(shù)設(shè)置合理，最后將這些離散化的區(qū)間采用整數(shù)進(jìn)行標(biāo)記，便于下一步的處理。
(3)采用模擬退火的搜索策略搜索網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu) 采用了模擬退火策略從數(shù)據(jù)中按照預(yù)測誤差最低原則搜索網(wǎng)絡(luò)結(jié)構(gòu)，使用了貝葉斯質(zhì)量計分法則。在使用該算法搜索優(yōu)化的網(wǎng)絡(luò)結(jié)構(gòu)中的相關(guān)參數(shù)的設(shè)置為初始溫度為10，每次疊代中溫度減少因子為0.99，最大疊代次數(shù)為1000，隨機(jī)數(shù)種子為1，網(wǎng)絡(luò)滿足馬爾可夫的條件獨(dú)立性。我們采用致災(zāi)因子、孕災(zāi)環(huán)境及承災(zāi)體特性三方面共10個離散因子變量采用本算法進(jìn)行運(yùn)算，得到了網(wǎng)絡(luò)結(jié)構(gòu)BS如圖4。
(4)對搜索得到的網(wǎng)絡(luò)結(jié)構(gòu)BS，在假定網(wǎng)絡(luò)節(jié)點(diǎn)的條件概率分布符合Dirichlet分布前提下進(jìn)行參數(shù)估計，得到條件概率參數(shù)估計值集BP。
(5)對訓(xùn)練得到的網(wǎng)絡(luò)進(jìn)行10次10倍交叉驗證，經(jīng)檢驗得到的估計精度對高風(fēng)險單元的真正率為0.867，假正率為0.19，命中率為0.689，ROC面積指數(shù)為0.917，平衡指數(shù)為0.836；而對低風(fēng)險單元的真正率為0.81，假正率為0.133，命中率為0.926，ROC面積指數(shù)為0.917，平衡指數(shù)為0.836?？偟念A(yù)測精度為0.83，而Kappa統(tǒng)計量為0.6349。結(jié)果表明預(yù)測達(dá)到了一定的精度。
5、采用其他的風(fēng)險概率預(yù)測模型，既

Bayes及邏輯斯特模型，對連續(xù)型數(shù)據(jù)構(gòu)成的記錄數(shù)據(jù)表，建立相應(yīng)的

Bayes及邏輯斯特預(yù)測模型。同時對同樣的數(shù)據(jù)集，進(jìn)行10次10倍的交叉驗證，結(jié)果表明貝葉斯網(wǎng)絡(luò)模型行為較優(yōu)，圖5顯示了驗證結(jié)果中的受試者特征曲線(英文為Receive Operating Characteristic curve，ROC)，是一種綜合性地比較預(yù)測模型性能的方法，曲線越靠近左上角的完美分類點(diǎn)(0，1)(該點(diǎn)的假正率為0，真正率為1)，則說明性能越優(yōu)。我們看到BN模型的ROC曲線相對于邏輯斯特高，與

Bayes有交叉，但大半在其上，說明其預(yù)測性能較優(yōu)。
6、針對同一地區(qū)，采用三個不同的模型，采集2007年7月21號的因子變量數(shù)據(jù)，其中包括了相應(yīng)的10個因子變量，用以上所建立的邏輯斯特回歸模型、

Bayes及所搜索得到的貝葉斯網(wǎng)絡(luò)模型進(jìn)行預(yù)測該年度7月份的洪水災(zāi)害風(fēng)險概率分布。
結(jié)果表明所得到的貝葉斯網(wǎng)絡(luò)模型具有較好的預(yù)測精度，所得結(jié)果比較如下對高風(fēng)險預(yù)測而言，邏輯斯特模型的真正率為0.007，假正率為0.002，命中率為0.625，ROC面積指數(shù)為0.813，平衡指數(shù)為0.294；

Bayes模型的真正率為0.329，假正率為0.043，命中率為0.766，ROC面積指數(shù)0.813，平衡指數(shù)為0.284；前面通過模擬退火算法所得到的貝葉斯網(wǎng)絡(luò)模型的真正率為0.421，假正率為0.102，命中率為0.638，ROC面積指數(shù)0.854，平衡指數(shù)為0.30。比較表明貝葉斯網(wǎng)絡(luò)模型的真正率、平衡指數(shù)及ROC面積都較高，說明其能識別更多的高風(fēng)險區(qū)域，體現(xiàn)更好的預(yù)測性能。
三個方法預(yù)測各柵格單元的ROC曲線如圖6，圖中可見本發(fā)明方法的ROC曲線靠近最優(yōu)分類點(diǎn)(0，1)更近，說明其預(yù)測性能更好。
圖7展現(xiàn)了本發(fā)明提出的貝葉斯網(wǎng)絡(luò)模型用于預(yù)測研究區(qū)域2007年7月的洪水災(zāi)害風(fēng)險概率估計結(jié)果，圖中柵格單元的分辨率為0.0118精度×0.0118緯度。風(fēng)險的級別從無風(fēng)險(圖中空白區(qū)域)，到損失發(fā)生高概率值(圖中黑色區(qū)域)，顏色越黑說明損失發(fā)生的概率越高。雖然即使是較好的貝葉斯網(wǎng)絡(luò)模型預(yù)測精度不高，但基本上正確識別了柵格單元中災(zāi)害發(fā)生或損失嚴(yán)重的地方(圖中顏色較深對應(yīng)的部分)。
總之，本發(fā)明采用精細(xì)尺度下既一定分辨率的柵格單元作為訓(xùn)練樣本，擴(kuò)展了訓(xùn)練數(shù)據(jù)的來源，提高了分析的細(xì)節(jié)及精細(xì)的空間尺度定位功能；在精細(xì)尺度下既基于一定分辨率的柵格的多維時空數(shù)據(jù)中量化影響因子同災(zāi)害損失風(fēng)險及易損性之間的關(guān)系，設(shè)計優(yōu)化的離散化方法離散化連續(xù)變量，采用模擬退火算法搜索優(yōu)化的網(wǎng)絡(luò)模型，并采用此模型進(jìn)行風(fēng)險概率及易損性預(yù)測，提高了風(fēng)險概率及易損性估算效果，并根據(jù)結(jié)果對風(fēng)險及易損性進(jìn)行精細(xì)的空間尺度定位，在應(yīng)用中結(jié)果可為防災(zāi)及減災(zāi)提供重要的輔助決策支持信息，對提高減災(zāi)救災(zāi)效果及國家建立智能化的突發(fā)公共事件應(yīng)急預(yù)警系統(tǒng)具有重要的理論意義及實用價值。
權(quán)利要求
1、一種精細(xì)尺度下的動態(tài)風(fēng)險及易損性預(yù)測方法，其特征在于步驟如下
(1)相關(guān)數(shù)據(jù)的采集及預(yù)處理按致災(zāi)因子、孕災(zāi)環(huán)境及承災(zāi)體三個采集預(yù)測因子X及災(zāi)害損失變量y，并進(jìn)行預(yù)處理產(chǎn)生精細(xì)尺度下的訓(xùn)練樣本數(shù)據(jù)集；所述的致災(zāi)因子是指直接導(dǎo)致災(zāi)害的可測量因子變量，所述的孕災(zāi)環(huán)境指在致災(zāi)因子存在的前提下導(dǎo)致災(zāi)害損失發(fā)生的自然地理環(huán)境，所述的承災(zāi)體特性指各種主要以人為主的承受災(zāi)害的對象遭受災(zāi)害所帶來損失的性質(zhì)；
(2)采用融入空間相關(guān)性的核密度函數(shù)方法對步驟(1)的訓(xùn)練樣本數(shù)據(jù)集衍生出新的訓(xùn)練樣本數(shù)據(jù)，以彌補(bǔ)調(diào)查數(shù)據(jù)不足，并補(bǔ)充完整精細(xì)尺度下的訓(xùn)練樣本數(shù)據(jù)；
(3)預(yù)測因子的特征選擇根據(jù)訓(xùn)練樣本數(shù)據(jù)，采用三種方法衡量影響因子同目標(biāo)因子的相關(guān)性，即線性相關(guān)系數(shù)、基于熵的信息獲取率及粗糙集的屬性重要性，結(jié)合主成分分析選擇預(yù)測因子X；
(4)對步驟(3)所選擇的預(yù)測因子集中的連續(xù)變量進(jìn)行離散化，采用模擬退火優(yōu)化算法搜索貝葉斯網(wǎng)絡(luò)模型，估計網(wǎng)絡(luò)的條件概率參數(shù)；
(5)利用生成的貝葉斯網(wǎng)絡(luò)模型進(jìn)行完全或不完全證據(jù)支持下的風(fēng)險及易損性概率預(yù)測；
(6)在地圖上實時動態(tài)地定位所預(yù)測的風(fēng)險概率及易損性，識別區(qū)域上的風(fēng)險及潛在損失分布狀況，為救災(zāi)減災(zāi)的實施提供輔助決策支持信息。
2、根據(jù)權(quán)利要求1所述的精細(xì)尺度下的動態(tài)風(fēng)險及易損性預(yù)測方法，其特征在于所述步驟(1)中的預(yù)處理方法為對致災(zāi)因子、孕災(zāi)環(huán)境及承災(zāi)體特性數(shù)據(jù)經(jīng)預(yù)處理轉(zhuǎn)換成統(tǒng)一分辨率的柵格數(shù)據(jù)集，分不同的情況采用以下步驟
a.對矢量數(shù)據(jù)預(yù)處理方法
對于點(diǎn)數(shù)據(jù)，采用k-最近鄰方法或者Kriging方法插值算法，將點(diǎn)數(shù)據(jù)轉(zhuǎn)換成柵格數(shù)據(jù)；對于線數(shù)據(jù)采用數(shù)字微分分析法DDA法或Bresenham方法轉(zhuǎn)換成柵格數(shù)據(jù)；對于面數(shù)據(jù)采用掃描法；轉(zhuǎn)換成統(tǒng)一分辨率的柵格數(shù)據(jù)；
b.對于柵格的預(yù)處理方法
對于柵格數(shù)據(jù)，如果坐標(biāo)或目標(biāo)柵格數(shù)據(jù)不一致時，采用最近鄰法進(jìn)行重采樣，形成轉(zhuǎn)換成統(tǒng)一分辨率的柵格數(shù)據(jù)；
將矢量數(shù)據(jù)和柵格再柵格化后即形成統(tǒng)一分辨率的柵格數(shù)據(jù)集。
3、根據(jù)權(quán)利要求1所述的精細(xì)尺度下的動態(tài)風(fēng)險及易損性預(yù)測方法，其特征在于所述步驟(2)采用了融入空間相關(guān)性的核函數(shù)方法衍生樣本點(diǎn)數(shù)據(jù)，彌補(bǔ)調(diào)查數(shù)據(jù)及歷史資料的不足，補(bǔ)充完整精細(xì)尺度下的訓(xùn)練樣本數(shù)據(jù)的步驟為
a.調(diào)查確定災(zāi)害事件及其損失情況；
b.采用正態(tài)核密度函數(shù)計算估計目標(biāo)變量的核函數(shù)
其中的影響寬度λ可隨災(zāi)害強(qiáng)度的不同設(shè)置不同值，d(z，Zi)為空間上任意一點(diǎn)z與調(diào)查數(shù)據(jù)點(diǎn)Zi間的歐氏距離，z可為災(zāi)害事件y或者因子變量x；
c.由各觀察值點(diǎn)的核密度函數(shù)可推出空間任意一點(diǎn)的影響強(qiáng)度
其中，n為觀察值數(shù)據(jù)點(diǎn)數(shù)，z為空間任意點(diǎn)，Zi為相應(yīng)的觀察值點(diǎn)數(shù)值，Kλ(z，Zi)為核函數(shù)。
4、根據(jù)權(quán)利要求1所述精細(xì)尺度下的動態(tài)風(fēng)險及易損性預(yù)測方法，其特征在于所述步驟(3)采用三種方法衡量影響因子同目標(biāo)因子的相關(guān)性具體如下
a.所述的線性相關(guān)性是采用統(tǒng)計學(xué)Pearson相關(guān)系數(shù)來衡量連續(xù)變量之間的線形相關(guān)性，但該方法忽略了變量之間可能存在的非線形關(guān)系及非連續(xù)變量相關(guān)關(guān)系；
b.所述的基于信息熵的分類貢獻(xiàn)函數(shù)，即Quinlan的Information Gain IG及Information Gain Ratio GR衡量輔助變量同目標(biāo)變量之間的關(guān)系，選擇對分類貢獻(xiàn)較大的變量，IG及GR的定義如下
IG(y，x)＝H(y)-H(y|x)
GR(y，x)＝(H(x)-H(y|x))/H(x)
H(y)是熵的定義，而H(y|x)是針對類別x的條件熵的定義；
c.所述的采用粗糙集屬性重要性為通過計算輔助變量對目標(biāo)變量的分類能力來衡量二個變量的相關(guān)性，選擇重要性更大的特征變量
其中，X為因子變量集，xj是要計算屬性重要性的因子變量，γ(X，y)是粗糙集中目標(biāo)變量y對因子變量集X的依賴性；
d.所述的采用主成分分析為選擇獨(dú)立性強(qiáng)的代表因子，刪除信息冗余因子。
5、根據(jù)權(quán)利要求1所述的精細(xì)尺度下的動態(tài)風(fēng)險及易損性預(yù)測方法，其特征在于所述步驟(4)對選擇的預(yù)測因子集中的連續(xù)變量進(jìn)行離散化，采用模擬退火優(yōu)化算法搜索貝葉斯網(wǎng)絡(luò)模型，估計網(wǎng)絡(luò)的條件概率參數(shù)的步驟如下
a.建立貝葉斯網(wǎng)絡(luò)模型框架對貝葉斯網(wǎng)絡(luò)B＝(BS，BP)，令目標(biāo)變量y為災(zāi)害事件或相關(guān)災(zāi)害損失事件，則y狀態(tài)空間定義為“災(zāi)害發(fā)生”與“災(zāi)害不發(fā)生”兩種狀況，或者“損失嚴(yán)重”與“損失不嚴(yán)重”兩種狀況，或者“損失最嚴(yán)重”、“損失嚴(yán)重”“損失一般”與“輕微損失或無損失”四種狀況；若已知一些證據(jù)，即解釋變量因子集X中的一些因子，通過計算邊際概率而求得y的相應(yīng)狀態(tài)發(fā)生的后驗概率，亦稱信任函數(shù)
其中，為隨機(jī)變量集V上的聯(lián)合概率，xi既為影響因子集X中的隨機(jī)變量，yj表示目標(biāo)變量y取第j種狀態(tài)情況；
b.采用優(yōu)化的離散化方法轉(zhuǎn)換連續(xù)類型數(shù)據(jù)，作為因子變量的狀態(tài)空間值輸入貝葉斯網(wǎng)絡(luò)模型進(jìn)行計算，算法采用基于熵的衡量標(biāo)準(zhǔn)
其中，impurity(k，j，i)為當(dāng)從j到i的訓(xùn)練樣本被劃分成k個區(qū)間時的最小的測量值impurity，最優(yōu)的劃分區(qū)間k則是impurity(k，j，i)，N為連續(xù)變量因子值的基，測量值impurity是每次劃分的平均類熵，其最小使得用于編碼離散化區(qū)間而進(jìn)行預(yù)測的字節(jié)數(shù)最?。?br> c.搜索最優(yōu)的網(wǎng)絡(luò)結(jié)構(gòu)
采用貝葉斯質(zhì)量記分函數(shù)作為標(biāo)準(zhǔn)，搜索策略是通過模擬金屬的退火即硬化過程而找到網(wǎng)絡(luò)結(jié)構(gòu)的最優(yōu)解，退火過程從開始加熱金屬致其融化與金屬離子自由游動開始，溫度緩慢有序地降低直到金屬粒子在一個高結(jié)構(gòu)化的格網(wǎng)中成型；一個潛在的網(wǎng)絡(luò)相當(dāng)一個解，對應(yīng)一個同網(wǎng)絡(luò)質(zhì)量測量值有關(guān)的價值函數(shù)，通過退火即溫度T的降低，搜索最優(yōu)的網(wǎng)絡(luò)結(jié)構(gòu)；
d.估計網(wǎng)絡(luò)參數(shù)
得到網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)后，采用基于Dirichlet分布的經(jīng)典算法，疊代地估計條件概率參數(shù)值；
e.風(fēng)險概率及易損性預(yù)測
將所建立的貝葉斯網(wǎng)絡(luò)用于一定證據(jù)支持下風(fēng)險或易損性概率預(yù)測，采用適用于環(huán)路的信任傳遞算法即經(jīng)典的Pearl信息傳遞算法實現(xiàn)，如所得到網(wǎng)絡(luò)是單連接樹，該算法則采用PolyTree的精確算法實現(xiàn)預(yù)測；而對包括環(huán)路的網(wǎng)絡(luò)，該算法則采用為精度較高的近似算法實現(xiàn)預(yù)測。
6、根據(jù)權(quán)利要求1所述的精細(xì)尺度下的動態(tài)風(fēng)險及易損性計算方法，其特征在于所述(5)利用生成的貝葉斯網(wǎng)絡(luò)模型進(jìn)行完全或不完全證據(jù)支持下的風(fēng)險及易損性概率預(yù)測方法為估算中數(shù)據(jù)輸入為允許缺失數(shù)值的同分辨率及坐標(biāo)的多維柵格數(shù)據(jù)，每柵格單元為一個預(yù)測對象，將每單元對應(yīng)屬性值輸入模型，通過估計精細(xì)尺度下既一定分辨率的各個柵格單元的風(fēng)險概率或易損性，從而估算區(qū)域上風(fēng)險概率。
全文摘要
一種精細(xì)尺度下的動態(tài)風(fēng)險及易損性預(yù)測方法，屬于地球信息科學(xué)領(lǐng)域。主要特點(diǎn)在精細(xì)尺度下即一定分辨率的柵格格式基礎(chǔ)上從多源異構(gòu)的時空數(shù)據(jù)搜索優(yōu)化的貝葉斯網(wǎng)絡(luò)，結(jié)合域知識改進(jìn)網(wǎng)絡(luò)，由此進(jìn)行災(zāi)害風(fēng)險及易損性的不確定性估算即概率估算。本發(fā)明提出用核密度方法來根據(jù)樣本衍生柵格訓(xùn)練樣本；提出優(yōu)化離散化方法離散化連續(xù)變量以便為網(wǎng)絡(luò)提供離散的狀態(tài)空間輸入；采用模擬退火優(yōu)化算法搜索優(yōu)化的網(wǎng)絡(luò)結(jié)構(gòu)；采用精確推理結(jié)合近似推理方法預(yù)測風(fēng)險及易損性概率。本發(fā)明提出的方法可在精細(xì)的空間尺度下實時定位災(zāi)害風(fēng)險及易損性位置，估計其風(fēng)險概率的空間分布，對提高減災(zāi)救災(zāi)效果及國家建立智能化的突發(fā)公共事件應(yīng)急預(yù)警系統(tǒng)具有重要的理論意義及實用價值。
文檔編號G06N5/04GK101354757SQ20081022205
公開日2009年1月28日 申請日期2008年9月8日 優(yōu)先權(quán)日2008年9月8日
發(fā)明者李連發(fā), 梁金龍 申請人:中國科學(xué)院地理科學(xué)與資源研究所