基于组合赋权的多情景内涝灾害风险评估

城市内涝灾害频发会对城市社会经济发展构成巨大威胁,对城市内涝灾害风险进行评估,是降低内涝损失的有效途径。通过综合考虑城市内涝灾害系统中的致灾因子、孕灾环境和承灾体3个组成要素,结合水力模型情景模拟结果,共选取11个具有代表性的指标,建立城市内涝灾害风险评价指标体系,并结合主观层次分析法(AHP)和客观熵权法(EWM)组合赋权,构建城市内涝灾害风险评估模型。以广州市天河区为例,对该评估模型进行验证。结果表明：水力模型模拟结果可以充分反映出不同情景降雨下致灾因子的危险性,通过内涝风险等级与内涝积水叠加分析得出,风险等级较高的位置均处于内涝积水和地区重要程度较高的区域。该评估模型充分考虑了社会和自然的综合作用,具有较高的可靠性。随着暴雨重现期的增大,高风险区域面积显著增加,在实际应用中,通过风险评估可以确定出城市防汛的重点关注区域,以便于防汛资源的优先配置,为城市防灾减灾管理提供参考。     

城市水灾害风险等级的RBF-C评估方法

针对城市水灾害系统的不确定性特征,提出了基于RBF神经网络和云模型理论的RBF-C风险等级评估方法。选取影响城市水灾害的4个基本评价因子,依据实测水文频率曲线确定相应于各风险等级的标准限值,并生成各评价因子下风险等级的综合云模型。用评价因子实测时间序列进行RBF神经网络建模,预测值代入综合云模型得到水灾害风险等级确定度分布。实例证明,RBF-C风险等级评估方法能够改进评价过程中风险归属不确定性问题,评估结果能较为准确地反映出城市水灾害的风险程度。     

最小二乘支持向量机模型在大坝监测中的应用

提出了一种基于混沌时间序列的最小二乘支持向量机预测方法,该方法的依据是相空间重构技术以及最小二乘支持向量机模型(LS_SVM)。阐述了基于混沌时间序列的最小二乘支持向量机模型的算法步骤,并指出该模型的评价指标为平均绝对误差(MAE)以及预测均方误差(PMSE)。利用该模型对某混凝土大坝5#坝段102号测点的垂直位移进行了预测,结果表明:基于混沌时间序列的LS_SVM模型的预测性能较好,能够很好地体现出模型的实际应用能力;模型的拟合及预报结果能够满足精度要求,与回归模型相比具有预测结果精度较高的优点。     

BRR-SVR月降水量预测优化模型

受多种因素影响,水文时间序列具有非平稳性。研究时间序列的传统模型如ARMA对数据的平稳性有较高要求,不适用于非平稳水文时间序列的研究。近年来,机器学习算法越来越多地被应用于研究水文过程,本文将支持向量机回归(SVR)和贝叶斯岭回归(BRR)应用于月降水量的预测。运用小波变换对降水数据进行分解和重构,然后对各子序列进行相空间重构,运用校验数据从SVR和BRR中选取每个子序列上精度更高的模型,构建耦合支持向量机回归和贝叶斯岭回归的BRR-SVR优化模型,并与单一的BRR模型和SVR模型加以对比。以北京站、南京站和太湖流域7个雨量站为例,采用确定系数、平均绝对百分比误差和平均绝对误差3项指标评估各模型的预测性能,以相对误差图探讨三类模型之间的差异,计算结果验证优化模型的有效性。     

基于云理论的不确定性推理模型在径流预测中的应用

云模型是处理定性概念与定量描述的一种不确定转换模型,在进行不确定性推理过程中,可充分考虑随机与模糊因素。利用云模型理论,建立基于不确定性的水文时间序列预测模型,以新疆和田玉龙喀什河同古孜洛克水文站年径流预测为例,验证云模型具有较好的预测效果。与最小二乘支持向量机(LS_SVM)比较,模型结构简单,易于推广。     

基于PSO-SVM模型的滑坡易发性评价

滑坡易发性评价是区域滑坡预警和评估工作的前期准备。滑坡致灾因子的有效选取以及评价模型的构建成为当前滑坡预测研究中的难点问题。以府谷县作为研究区,借助多种技术手段将数字高程模型(DEM)、地质图、路网图、遥感影像图等多源数据进行融合,提取了地形地貌、地层岩性以及地表覆盖等滑坡孕灾环境因子和降雨量、人类工程活动等诱发因素的特征属性作为评价指标。在此基础上,对提取的各因子的相关性进行分析,剔除了地形起伏度因子。采用粒子群优化(PSO)算法对支持向量机(SVM)模型的参数进行优化,得到最佳参数组合为惩罚因子c=1.42,核参数σ=1.15,将最优参数组合代入支持向量机模型中,构建出粒子群优化算法-支持向量机模型(PSO-SVM),并将其用于研究区滑坡易发性定量评价中。最后分别采用ROC曲线与Kappa系数对PSO-SVM模型性能的优越性进行检验,结果表明,PSO-SVM模型成功率与预测率分别为0.931和0.917,训练集与测试集的预测精度分别为79.17%、76.67%。研究结果可以为从事滑坡预测评价工作者提供决策参考。     

山洪灾害风险分区划分模型构建与应用

山洪灾害风险分区可以为山洪灾害风险防治和管理提供决策支持。从触发因子、下垫面孕灾因子、承灾体因子3个层次选取11个山洪致灾因子,用于划分山洪灾害风险分区。前期收集11个致灾因子的离散数据,利用克里金插值生成栅格数据,采用层次分析法确定各因子的向量权重,构建了山洪灾害风险等级评估模型,用于划分山洪灾害风险分区。选定宁波市作为研究区,采用以上方法划分风险分区,其中,高风险区域为宁海山区片,中风险区域有象山港南片、象山港北片及四明山区片,低风险区域有奉化山区片和姚江北部山区片。结合宁波市历史山洪灾害调查资料及风险等级成果,统计发现落在中高风险区的历史灾害点占比为98%,表明模型构建方法及风险分区划分合理,对山洪灾害风险管理具有指导意义。     

基于GIS和Logistic回归模型的山洪灾害风险评估

风险评估是山洪灾害管理必不可少的重要内容,以往的评估多是使用基于AHP对致灾因子进行线性加权求和的方法,但是存在明显的缺点:致灾因子的选取及其权重的赋值存在一定的主观随意性;使用线性加权求和的方式,难以揭示致灾因子与山洪灾害之间复杂的非线性关系,从而导致评估结果出现较大误差。提出了基于GIS和Logistic回归模型的山洪灾害风险评估方法,并以河南卢氏县为例进行了实证研究。结果表明:(1)海拔高度、河网密度和距干流的距离是决定卢氏县山洪灾害危险度空间分布格局的显著致灾因素;同时,城乡工矿居民用地和耕地易损度较高,林地、草地、水域和未利用地的易损度较低;(2)卢氏县洛河、淇河和老灌河的河谷平原及附近山区山洪灾害风险较高,属山洪灾害管理的重点区域;而距离干流较远的高海拔山区山洪灾害风险相对较低;(3)相对于通常使用的AHP线性加权求和方法,Logistic回归模型能够揭示各致灾因素的复杂(非线性)作用及显著水平,能够精确地模拟山洪灾害危险度的空间分布格局,从而为风险评估提供客观、可靠的科学信息。     

基于改进支持向量机回归的日径流预测模型

日径流预测是水资源优化调度的重要组成部分,日径流预测精度的高低直接影响水资源优化配置的程度。针对日径流序列的特性,研究提出一种改进的支持向量机回归模型,并应用于日径流预测。与基本支持向量机和BP神经网络对比分析的实验结果表明,基于改进支持向量机回归预测模型的日径流预测精度明显高于BP网络,尤其是对于变化剧烈的径流序列表现出较基本支持向量机回归模型更优越的预测性能,为日径流预测分析提供了一种可靠、有效的途径和方法。     

基于WA-SVM组合模型的流域月降雨量预测研究

 基于小波分析-支持向量机（WA-SVM）组合预测模型方法,将原始降雨序列进行小波分析分解到不同层次,对每层分别采用支持向量机预测,最后合成原始序列的预测值。将该模型应用于实际流域月降雨量预测,并与单独支持向量机回归方法的结果进行了对比分析。     

大坝变形的ε-SVR数值模拟

在新建水利枢纽、大坝除险加固以及监测系统不稳定等原因导致有效观测序列较短的情况下,为了对大坝变形进行有效的监控和预测,用基于不敏感损失函数的支持向量回归机(ε-SVR)对大坝变形进行数值模拟.采用支持向量回归机、序贯极小优化算法对大坝变形水平位移各分量的特征因子进行选择,模型建立后分离水压、温度、时效等主要分量,并分析其对变形的影响.对实际工程进行数值模拟的结果表明,依靠较少的支持向量就可以建立模型,该模型具有拟合效果稳定、预测结果准确可靠的特点,可以应用于大坝短期观测资料的分析.     

基于GIS-AHP集成的陕西省暴雨洪涝灾害风险评估

随着全球气候变化,城市暴雨洪涝灾害的频发对城市社会经济可持续发展以及人民生命财产安全造成了极大的威胁。文章为科学的进行暴雨洪涝灾害风险评估,降低洪灾损失,借助自然灾害风险理论,以陕西省为例,从致灾因子危险性、孕灾环境敏感性以及承灾体易损性3方面出发,选取9个指标因子,采用AHP为各个指标因子赋权,结合加权综合法及GIS对陕西省暴雨洪涝灾害风险进行综合评估并区划。结果表明：陕西省高危险性区域主要分布在西安市、安康市、咸阳市;高敏感性区域主要分布在西安市、咸阳市;高易损性主要分布在西安市、榆林市。     

基于多尺度相关向量机的城市日用水量预测

为提高日用水量预测精度,提出一种基于多尺度相关向量机的预测模型。通过静态小波分解将用水量非平稳时间序列分解为不同尺度的平稳时间序列,然后在分解后的各子序列分别建立相关向量机回归模型进行预测,最后通过小波逆变换将各子序列预测结果整合得出原始用水量时间序列的预测值。在实例分析中分别利用多尺度关联向量机模型和单尺度相关向量机预测模型对实际用水量进行预测分析。结果表明,前者具有更高的预测精度,可应用于城市日用水量的预测。     

基于PSO的SVM-ARIMA大坝安全监控模型

大坝监控过程中,大坝变形的实测值是一个非线性且非平稳的时间序列,支持向量机(SVM)适用于解决小样本、非线性问题,在SVM算法的基础上建立了改进的大坝变形监控模型,利用差分自回归移动平均模型(ARIMA)解决非平稳时间序列问题的优势,对SVM模型的残差进行处理,并采用粒子群算法(PSO)优化支持向量机(SVM)中的核函数。实例分析表明,优化后的组合模型预测结果可靠,且精度较SVM模型有所提高。     

基于GM-SVR耦合的月径流预测模型研究与应用

考虑到某月径流与该月历史同期径流以及临近月径流均有较强相关性,而通常预报方法只采用其中一种径流序列,导致了可用信息损失。为此,提出一种基于灰色理论和支持向量机回归的组合预报模型。提出的模型综合利用了径流年内变化和年际变化信息,与单一灰色模型和支持向量机模型进行预测对比,结果表明基于灰色支持向量机的月径流模型预测精度明显高于单一模型,尤其是对径流变化剧烈的汛期表现出更优越的预测性能。     

基于遗传算法-支持向量机的水库叶绿素a浓度

将支持向量机(SVM)法与遗传算法(GA)相结合,建立了基于GA-SVM的水库叶绿素a浓度非线性时间序列的短期预测模型.在建模过程中,采用遗传算法优化支持向量机的模型参数,同时利用相空间重构方法计算出时间序列的时间延迟和嵌入维数,确定出支持向量机的输入向量.最后将该模型用于对于桥水库的叶绿素a浓度时间序列进行短期预测.预测精度比单纯用人工神经网络方法有较大提高.     

支持向量机的混沌序列预测模型及在径流中应用

混沌和支持向量机理论为研究复杂多变的非线性水文时间序列开辟了新的途径。给出了应用支持向量机回归原理的混沌时间序列非线性的预测建模的思路、特点及关键参数的选取。根据重构相空间理论对月径流过程进行相空间的重构,探讨了支持向量机混沌时间序列非线性预测模型在月径流预测中的应用,在支持向量机建模过程中引入了经向基核函数,简化了非线性问题的求解过程。实例表明,该模型能较好地处理复杂的水文数据序列,且有较好的预测精度。     

WPSO-SVR耦合日径流预测模型研究及应用

针对径流时间序列过程的高度非线性,将小波分析方法、粒子群优化算法与支持向量回归相结合,建立了小波-粒子群-支持向量回归耦合日径流预测模型(WPSO-SVR)。该模型充分挖掘小波分析的多分辨功能和支持向量回归的非线性逼近能力,应用小波分析方法将日径流时间序列分解为不同频段的子序列,将重构后的序列作为模型的输入,利用粒子群全局搜索能力实现模型参数寻优,得到最佳模型参数,构建模型,并将该模型应用于金沙江中游石鼓站日径流预测。结果表明,该模型的预测效果明显优于单一支持向量回归模型,在日径流预测中具有较强的适应性。     

考虑多种致灾因子条件下的平原河网地区涝灾风险分析

涝灾的发生往往是多种水文致灾因子共同作用的结果,而传统的排涝标准以超过某一量级暴雨的重现期作为排涝标准,实质上只考虑了涝灾的一个致灾因子——暴雨。这种考虑单一致灾因子的重现期标准没有反映出多种致灾因子对涝灾的共同影响,不能正确衡量涝灾发生的概率。本文以平原河网地区的排涝问题为例,采用Gumbel-Hougard Copula函数建立了暴雨和外江水位的联合概率分布模型,研究了在暴雨和外江水位共同作用下的涝灾概率、以及不同量级的暴雨和外江水位组合下的联合分布概率和条件概率。研究结果表明,考虑多种致灾因子共同作用下的涝灾概率更能真实地反映涝灾实际发生的概率,基于Copula函数构建的多变量联合概率模型,可以很方便地计算多种致灾因子的各种量级组合下灾害发生的概率。     

郑州市城市内涝灾害链特征及防控对策分析（英文）

城市内涝已成为全国各大城市面临的主要问题之一,严重制约着城市可持续发展。以郑州市“7·20”特大暴雨为例,在梳理郑州市城市内涝的雨情、灾情等特征的基础上,运用灾害链理论,分析影响郑州市城市内涝形成的致灾因子、孕灾环境和承灾体等因素。研究表明,气候加速变化,地势低洼,快速城市化,城市排水系统建设标准低,城市防洪应急管理能力不足以及城市雨洪管理理念滞后等是导致此次郑州市城市内涝发生的主要因素。通过分析此次郑州市城市内涝形成的机理,提出从降低致灾因子危险性、孕灾环境敏感性和承灾体脆弱性角度,采取工程性和非工程性并举的措施,为郑州市城市内涝防治提供应急管理方面的建议,对完善城市防洪体系建设、提高城市防洪应急管理能力有重要意义。