• 全国中文核心期刊
  • 中国科技核心期刊
  • 美国工程索引(EI)收录期刊
Volume 32 Issue 5
Sep.  2021
Turn off MathJax
Article Contents

LYU Hong, WU Zening, GUAN Xinjian, WANG Huiliang, MENG Yu, JIANG Pengkun. Construction methods and applications of flood loss rate functions for cities lacking data[J]. Advances in Water Science, 2021, 32(5): 707-716. doi: 10.14042/j.cnki.32.1309.2021.05.006
Citation: LYU Hong, WU Zening, GUAN Xinjian, WANG Huiliang, MENG Yu, JIANG Pengkun. Construction methods and applications of flood loss rate functions for cities lacking data[J]. Advances in Water Science, 2021, 32(5): 707-716. doi: 10.14042/j.cnki.32.1309.2021.05.006

Construction methods and applications of flood loss rate functions for cities lacking data

doi: 10.14042/j.cnki.32.1309.2021.05.006
Funds:

the National Natural Science Foundation of China 51739009

  • Received Date: 2020-12-02
    Available Online: 2021-07-19
  • Publish Date: 2021-09-30
  • The lack of flood disaster data in many cities has led to an insufficiency of effective means to quantify flood losses in these cities. To meet the increasingly severe risk management requirements of urban flooding, there is an urgent need of implementing a quantitative assessment method for quantifying the flood losses in cities lacking disaster data. The method of "factor variation-dynamic matching-objective-driven-scenario fitting" was proposed to construct the flood loss rate functions with lack of data. In this study, based on the idea of equiproportional substitution, a variance analogy factor was constructed using multiple reference objects and multiple characteristic indicators; a dynamic analogy method was established to form a transplantation sample matrix to minimize the coefficient of variation; the water depth-loss rate fitting sequence was determined to maximize the probability of beta distribution; multiple fitting scenarios were set, and the preferred flood loss rate function was selected with the criterion of maximizing the fitting correlation coefficient. Taking Zhengzhou City as an example, the flood loss rate functions of 4 land use types were simulated. The results demonstrated that the proposed method for establishing flood loss rate function in cities lacking data was feasible; the characteristic combination indexes showed dynamic variability and the fitting effect of multiple-function combinations was optimal.
  • [1] 徐宗学, 陈浩, 任梅芳, 等. 中国城市洪涝致灾机理与风险评估研究进展[J]. 水科学进展, 2020, 31(5): 713-724. doi:  10.14042/j.cnki.32.1309.2020.05.008

    XU Z X, CHEN H, REN M F, et al. Progress on disaster mechanism and risk assessment of urban flood/waterlogging disasters in China[J]. Advances in Water Science, 2020, 31(5): 713-724. (in Chinese) doi:  10.14042/j.cnki.32.1309.2020.05.008
    [2] 王艳艳, 王静, 胡昌伟, 等. 太湖流域应对特大洪水防洪工程效益模拟[J]. 水科学进展, 2020, 31(6): 885-896. doi:  10.14042/j.cnki.32.1309.2020.06.008

    WANG Y Y, WANG J, HU C W, et al. Benefit simulation of flood control project in Taihu Lake basin under extreme floods[J]. Advances in Water Science, 2020, 31(6): 885-896. (in Chinese) doi:  10.14042/j.cnki.32.1309.2020.06.008
    [3] WAGENAAR D, de JONG J, BOUWER L M. Multi-variable flood damage modelling with limited data using supervised learning approaches[J]. Natural Hazards and Earth System Sciences, 2017, 17(9): 1683-1696. doi:  10.5194/nhess-17-1683-2017
    [4] CARISI F, SCHRÖTER K, DOMENEGHETTI A, et al. Development and assessment of uni- and multivariable flood loss models for Emilia-Romagna (Italy)[J]. Natural Hazards and Earth System Sciences, 2018, 18(7): 2057-2079. doi:  10.5194/nhess-18-2057-2018
    [5] 宋晓猛, 张建云, 贺瑞敏, 等. 北京城市洪涝问题与成因分析[J]. 水科学进展, 2019, 30(2): 153-165. doi:  10.14042/j.cnki.32.1309.2019.02.001

    SONG X M, ZHANG J Y, HE R M, et al. Urban flood and waterlogging and causes analysis in Beijing[J]. Advances in Water Science, 2019, 30(2): 153-165. (in Chinese) doi:  10.14042/j.cnki.32.1309.2019.02.001
    [6] FIGUEIREDO R, SCHRÖTER K, WEISS-MOTZ A, et al. Multi-model ensembles for assessment of flood losses and associated uncertainty[J]. Natural Hazards and Earth System Sciences, 2018, 18(5): 1297-1314. doi:  10.5194/nhess-18-1297-2018
    [7] 王艳艳, 李娜, 王杉, 等. 洪灾损失评估系统的研究开发及应用[J]. 水利学报, 2019, 50(9): 1103-1110. https://www.cnki.com.cn/Article/CJFDTOTAL-SLXB201909009.htm

    WANG Y Y, LI N, WANG S, et al. Development and application of flood damage assessment system[J]. Journal of Hydraulic Engineering, 2019, 50(9): 1103-1110. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-SLXB201909009.htm
    [8] WU Z N, LYU H, MENG Y, et al. The determination of flood damage curve in areas lacking disaster data based on the optimization principle of variation coefficient and beta distribution[J]. Science of the Total Environment, 2021, 750: 142277. doi:  10.1016/j.scitotenv.2020.142277
    [9] CAMMERER H, THIEKEN A H, LAMMEL J. Adaptability and transferability of flood loss functions in residential areas[J]. Natural Hazards and Earth System Sciences, 2013, 13(11): 3063-3081. doi:  10.5194/nhess-13-3063-2013
    [10] SAIRAM N, SCHRÖTER K, RÖZER V, et al. Hierarchical Bayesian approach for modeling spatiotemporal variability in flood damage processes[J]. Water Resources Research, 2019, 55(10): 8223-8237. doi:  10.1029/2019WR025068
    [11] 石勇. 灾害情景下城市脆弱性评估研究: 以上海市为例[D]. 上海: 华东师范大学, 2010.

    SHI Y. Research on vulnerability assessment of cities on the disaster scenario: a case study of Shanghai City[D]. Shanghai: East China Normal University, 2010. (in Chinese)
    [12] CHEN W L, WANG X L, DENG S H, et al. Integrated urban flood vulnerability assessment using local spatial dependence-based probabilistic approach[J]. Journal of Hydrology, 2019, 575: 454-469. doi:  10.1016/j.jhydrol.2019.05.043
    [13] EGOROVA R, van NOORTWIJK J M, HOLTERMAN S R. Uncertainty in flood damage estimation[J]. International Journal of River Basin Management, 2008, 6(2): 139-148. doi:  10.1080/15715124.2008.9635343
    [14] 李超超, 程晓陶, 王艳艳, 等. 洪涝灾害三参数损失函数的构建: Ⅰ: 基本原理[J]. 水利学报, 2020, 51(3): 349-357. https://www.cnki.com.cn/Article/CJFDTOTAL-SLXB202003011.htm

    LI C C, CHENG X T, WANG Y Y, et al. A three-parameter flood damage function: Ⅰ: theory and development[J]. Journal of Hydraulic Engineering, 2020, 51(3): 349-357. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-SLXB202003011.htm
    [15] WANG J, CHEN Z L, XU S Y, et al. Medium-scale natural disaster risk scenario analysis: a case study of Pingyang County, Wenzhou, China[J]. Natural Hazards, 2013, 66(2): 1205-1220. doi:  10.1007/s11069-012-0545-2
    [16] APEL H, ARONICA G T, KREIBICH H, et al. Flood risk analyses: how detailed do we need to be?[J]. Natural Hazards, 2009, 49(1): 79-98. doi:  10.1007/s11069-008-9277-8
    [17] WU Z N, SHEN Y X, WANG H L, et al. Urban flood disaster risk evaluation based on ontology and Bayesian Network[J]. Journal of Hydrology, 2020, 583: 124596. doi:  10.1016/j.jhydrol.2020.124596
    [18] 冯平, 崔广涛, 钟昀. 城市洪涝灾害直接经济损失的评估与预测[J]. 水利学报, 2001, 32(8): 64-68. doi:  10.3321/j.issn:0559-9350.2001.08.012

    FENG P, CUI G T, ZHONG Y. On the evaluation and prediction of urban flood economic loss[J]. Journal of Hydraulic Engineering, 2001, 32(8): 64-68. (in Chinese) doi:  10.3321/j.issn:0559-9350.2001.08.012
    [19] 李红英. 基于GIS的洪灾损失评估研究: 以黑河为例[D]. 西安: 西安理工大学, 2007.

    LI H Y. Flood damage loss assessment based on GIS: for Heihe as an example[D]. Xi'an: Xi'an University of Technology, 2007. (in Chinese)
    [20] 李汉浸, 王运行, 张相梅, 等. 濮阳高新区洪灾城市经济损失评估[J]. 气象, 2009, 35(1): 97-101. https://www.cnki.com.cn/Article/CJFDTOTAL-QXXX200901015.htm

    LI H J, WANG Y H, ZHANG X M, et al. Economy loss assessment of flood disaster in Puyang of Henan[J]. Meteorological Monthly, 2009, 35(1): 97-101. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-QXXX200901015.htm
    [21] 王营. 城乡洪灾淹没损失分析方法研究[D]. 大连: 大连理工大学, 2012.

    WANG Y. Research on flood loss analysis method of city and countryside[D]. Dalian: Dalian University of Technology, 2012. (in Chinese)
    [22] KE Q. Flood risk analysis for metropolitan areas: a case study for Shanghai[D]. Nederland: Delft University of Technology, 2014.
    [23] WU X H, ZHOU L, GAO G, et al. Urban flood depth-economic loss curves and their amendment based on resilience: evidence from Lizhong Town in Lixia River and Houbai Town in Jurong River of China[J]. Natural Hazards, 2016, 82(3): 1981-2000. doi:  10.1007/s11069-016-2281-5
    [24] 丁志雄. 基于RS与GIS的洪涝灾害损失评估技术方法研究[D]. 北京: 中国水利水电科学研究院, 2004.

    DING Z X. A study on the technology and method of flood and waterlogging disaster loss assessment based on RS and GIS[D]. Beijing: China Institute of Water Resources and Hydropower Research, 2004. (in Chinese)
    [25] 王艳艳. 不同尺度的洪涝灾害损失评估模式述评[J]. 水利发展研究, 2002, 2(12): 66-69. https://www.cnki.com.cn/Article/CJFDTOTAL-SLFZ200212017.htm

    WANG Y Y. Discussion on flood damage assessment modes at different scales[J]. Water Resources Development Research, 2002, 2(12): 66-69. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-SLFZ200212017.htm
  • 加载中
通讯作者: 陈斌, bchen63@163.com
  • 1. 

    沈阳化工大学材料科学与工程学院 沈阳 110142

  1. 本站搜索
  2. 百度学术搜索
  3. 万方数据库搜索
  4. CNKI搜索

Figures(5)  / Tables(2)

Article Metrics

Article views(267) PDF downloads(54) Cited by()

Proportional views
Related

Construction methods and applications of flood loss rate functions for cities lacking data

doi: 10.14042/j.cnki.32.1309.2021.05.006
Funds:

the National Natural Science Foundation of China 51739009

Abstract: The lack of flood disaster data in many cities has led to an insufficiency of effective means to quantify flood losses in these cities. To meet the increasingly severe risk management requirements of urban flooding, there is an urgent need of implementing a quantitative assessment method for quantifying the flood losses in cities lacking disaster data. The method of "factor variation-dynamic matching-objective-driven-scenario fitting" was proposed to construct the flood loss rate functions with lack of data. In this study, based on the idea of equiproportional substitution, a variance analogy factor was constructed using multiple reference objects and multiple characteristic indicators; a dynamic analogy method was established to form a transplantation sample matrix to minimize the coefficient of variation; the water depth-loss rate fitting sequence was determined to maximize the probability of beta distribution; multiple fitting scenarios were set, and the preferred flood loss rate function was selected with the criterion of maximizing the fitting correlation coefficient. Taking Zhengzhou City as an example, the flood loss rate functions of 4 land use types were simulated. The results demonstrated that the proposed method for establishing flood loss rate function in cities lacking data was feasible; the characteristic combination indexes showed dynamic variability and the fitting effect of multiple-function combinations was optimal.

LYU Hong, WU Zening, GUAN Xinjian, WANG Huiliang, MENG Yu, JIANG Pengkun. Construction methods and applications of flood loss rate functions for cities lacking data[J]. Advances in Water Science, 2021, 32(5): 707-716. doi: 10.14042/j.cnki.32.1309.2021.05.006
Citation: LYU Hong, WU Zening, GUAN Xinjian, WANG Huiliang, MENG Yu, JIANG Pengkun. Construction methods and applications of flood loss rate functions for cities lacking data[J]. Advances in Water Science, 2021, 32(5): 707-716. doi: 10.14042/j.cnki.32.1309.2021.05.006
  • 在全球极端气候频发和高速城市化双重因素主导下, 城市洪涝灾害发生的频率和强度正急剧增加, 严重威胁城市安全[1]。量化与评估城市受淹区域的损失, 不仅可以及时采取减轻灾害的针对性措施, 还可对灾后的恢复和重建提供参考依据[2]。对于自然灾害保险业来说, 精确的洪水损失评估结果对灾后理赔不可或缺[3]。因此, 科学、合理、高效地量化洪灾损失, 对实施城市洪灾风险管理和应急决策具有重要意义。洪灾损失评估受区域降雨特征、地理条件、社会经济水平等多重要素的影响, 具有多维性、复杂性和多学科交叉的特点, 评估手段形式多样[4-5]。利用损失率函数结合洪水淹没深度、土地类型和经济要素形成损失结果, 是国际上广泛采用的洪灾损失评估方法[6]。很多城市因缺乏洪灾灾情资料, 使得这种评估方法实施困难, 提出普适的缺资料城市洪灾损失率函数构建方法, 对量化缺资料城市洪灾损失十分必要。

    以洪灾淹没水深为自变量、社会经济价值损失率为因变量, 是国内外构建洪灾损失率函数的主要形式。利用区域的历史洪灾统计资料, 采用相关分析、回归函数、神经网络等, 建立不同淹没水深和洪灾损失率的函数关系[2, 4, 6-7],这类研究方法对基础数据资料的要求较高, 很多城市缺乏甚至没有历史灾情资料[8], 难以满足直接构建洪灾损失率函数要求。针对灾情资料较缺乏的情况, 部分研究者做了一些损失率数据移植尝试, 主要分为直接移植[9-10]和间接移植[8, 11-12]。直接移植是将引用区洪灾损失率数据直接应用到研究区;间接移植是选取能够代表区域洪灾影响的指标, 通过比拟原理, 将离散的引用区损失率数据间接移植到研究区。由于区域间致灾、承灾和防灾等要素差异, 引用区的损失率存在区域局限性, 直接移植到其他区域准确性较差[10];间接移植采用单一转换因子(引用对象和比拟指标)存在偶然性和主观性等不确定性。此外, 移植后引用区数据多以二维表格或者离散数据展示, 缺乏连续型函数拟合[8], 或者采用单一拟合函数形式也存在偶然性和主观性等不确定性。若将对象、指标、函数的维度增加, 则需要解决不确定性与最优性问题[8]

    本文以洪灾灾情资料缺乏的郑州市为例, 针对损失率数据移植中的不确定性, 以比拟原理为基础, 考虑多引用对象和多特征指标, 将比拟因子扩充后形成损失率移植矩阵, 通过建立多函数拟合情景, 优化构建缺灾情资料城市洪灾损失率函数, 以期为缺资料城市或地区的洪灾损失提供一种评估方法。

  • 水文比拟法借鉴传统代数学中等比例替代思想, 常用来解决很多水文学中的缺资料或无资料问题[8]。本研究的基本思路如式(1)所示, 利用已知灾情资料的引用城市损失率(R0)、影响洪灾损失的比拟指标I(研究区)和I0(引用城市), 推求研究区损失率(R)。即通过双向比拟因子扩充, 基于比拟原理变换为移植矩阵;利用“损失率移植矩阵变差系数最小、概率最大和相关系数最大”3个目标准则, 驱动多拟合情景, 构建研究区洪灾损失率函数。形成一种“因子变异-动态比拟-目标驱动-情景拟合”的缺资料城市洪灾损失率函数构建方法。

    $$ \frac{R}{R_{0}}=\frac{I}{I_{0}} \Rightarrow R=R_{0} \frac{I}{I_{0}}=\lambda R_{0} $$ (1)

    式中: λ为移植系数。

  • (1) 变异引用对象。考虑多引用对象, 通过数据挖掘得到多个有资料城市的损失率数据, 若m个引用城市存在损失率数据R0m(i=1, 2, …, m), 可组成引用损失率矩阵R0, 即

    $$ \boldsymbol{R}_{0}=\left[\begin{array}{cccc} R_{01} & & & \\ & R_{02} & & \\ & & \ldots & \\ & & & R_{0 m} \end{array}\right] $$ (2)

    (2) 变异比拟指标。考虑多特征指标, 分析影响损失率的城市经济水平、承灾和防灾等要素, 选取K个代表性特征指标, 建立特征指标体系I=(I1, I2, …, IK)。利用随机组合方案替代单一性比拟指标, 将K个特征指标随机组合形成n种特征组合方案(式(3))。比拟因子是单一数值, 利用投影寻踪模型将特征组合方案转化为特征综合值[8]。令Zj表示研究区第j个方案下的特征综合值, j=1, 2, …, n;令Z0ij表示第i个引用区第j个方案下的特征综合值, i=1, 2, …, m

    $$ n=C_{K}^{1}+C_{K}^{2}+\cdots+C_{K}^{k}+\cdots+C_{K}^{K} $$ (3)

    式中: CKk是从K个指标中取出k个指标的组合数。

  • (1) 移植系数矩阵。依据式(1), 设λij为第i个引用城市的第j个方案的移植系数, 令λij=Zj/Z0ij, 可得到m×n种组合方案的移植系数矩阵A :

    $$ \boldsymbol{A}=\left[\begin{array}{cccc} Z_{1} / Z_{011} & Z_{2} / Z_{012} & \cdots & Z_{n} / Z_{01 n} \\ Z_{1} / Z_{021} & Z_{2} / Z_{022} & \cdots & Z_{n} / Z_{02 n} \\ : & : & & : \\ Z_{1} / Z_{0 m 1} & Z_{2} / Z_{0 m 2} & \cdots & Z_{n} / Z_{0 m n} \end{array}\right]=\left[\begin{array}{cccc} \lambda_{11} & \lambda_{12} & \cdots & \lambda_{1 n} \\ \lambda_{21} & \lambda_{22} & \cdots & \lambda_{2 n} \\ : & : & & : \\ \lambda_{m 1} & \lambda_{m 2} & \cdots & \lambda_{m n} \end{array}\right] $$ (4)

    (2) 损失率移植矩阵。联合式(2)和(4), 通过式(1)可转变为m×n阶的研究区损失率移植矩阵R(式6)。但它仅仅是某一淹没水深下的移植矩阵。

    $$ \boldsymbol{R}=\boldsymbol{R}_{0} \boldsymbol{A}=\left[\begin{array}{c} R_{01} & & & \\ & R_{02} & & \\ & & \cdots & \\ & & & R_{0 m} \end{array}\right]\left[\begin{array}{cccc} \lambda_{11} & \lambda_{12} & \cdots & \lambda_{1 n} \\ \lambda_{21} & \lambda_{22} & \cdots & \lambda_{2 n} \\ : & \vdots & & : \\ \lambda_{m 1} & \lambda_{m 2} & \cdots & \lambda_{m n} \end{array}\right]=\left[\begin{array}{cccc} R_{11} & R_{12} & \cdots & R_{1 n} \\ R_{21} & R_{22} & \cdots & R_{2 n} \\ : & : & & : \\ R_{m 1} & R_{m 2} & \cdots & R_{m n} \end{array}\right] $$ (5)

    (3) 变差系数最小原则移植样本。在同一淹没水深下, 虽然不同经济水平的区域损失相差很大, 但其损失率应该表现为较为一致或极为相似的趋势[11]。在等比例代换原则下, 代换结果最理想的状态应该是完全相等的。这就要求同一方案下不同引用城市比拟后的损失率离散程度应尽可能低。变差系数(CV)能较好地表征出数据离散程度。由此, 构建变差系数最小优选原则, 提取1个水深下的最优特征方案Rp*, 分为以下三步。

    步骤一: 每个特征方案下的损失率集对应着矩阵R的列向量, 并计算每1个列向量的变差系数CVj, 构成变差系数集CV

    $$ C_{\mathrm{V}_{j}}=\frac{\sqrt{\sigma_{j}}}{u_{j}} \quad \boldsymbol{C}_{\mathrm{V}}=\left[\begin{array}{llll} C_{\mathrm{V} 1} & C_{\mathrm{V} 2} & \cdots & C_{\mathrm{V}{n}} \end{array}\right] $$ (6)

    式中: uj为第j组列向量的平均值;σj为第j组列向量的方差。

    步骤二: 提取变差系数最小的列向量为最优方案Rp*。令第p个方案为最优, 即

    $$ C_{\mathrm{Vmin}}=\min \left\{C_{\mathrm{V} j} \mid j=1 \sim n\right\} \Rightarrow \boldsymbol{R}_{p}^{*}=\left[\begin{array}{llll} R_{1 p} & R_{2 p} & \cdots & R_{m p} \end{array}\right]^{\mathrm{T}} $$ (7)

    步骤三: 设水深等级被划分H级, Rhp*仅为第h(1~H)级淹没水深下的最优样本向量。每种财产类型下HRhp*形成了最优损失率样本矩阵Rs*(式(8)), 从而实现缺灾情城市洪灾样本的移植。

    $$ \boldsymbol{R}_{\mathrm{s}}^{*}=\left[\begin{array}{llll} R_{1 p}^{*} & R_{2 p}^{*} & \cdots \end{array} \quad R_{H p}^{*}\right]=\left[\begin{array}{cccc} R_{11 p}^{*} & R_{21 p}^{*} & \cdots & R_{H 1 p}^{*} \\ R_{12 p}^{*} & R_{22 p}^{*} & \cdots & R_{H 2 p}^{*} \\ \vdots & \vdots & & \vdots \\ R_{1 m p}^{*} & R_{2 m p}^{*} & \cdots & R_{H m p}^{*} \end{array}\right] $$ (8)
  • 为降低引用数据的统计不确性, 采取构建Beta分布提取概率最大值R′作为某一淹没水深的采用损失率。选择Beta分布的原因: ①自变量x取值范围为[0, 1], 契合洪灾损失率函数的定义域;② Beta分布契合损失率分布“中间多两边少“的统计学特征;③已有部分研究[8, 12-13]采用多样本数据拟合损失率的Beta分布。

    Beta分布的概率密度函数如下:

    $$ B(x \mid \alpha, \beta)=\frac{\Gamma(\alpha+\beta)}{\Gamma(\alpha) \Gamma(\beta)} x^{\alpha-1}(1-x)^{\beta-1} $$ (9)
    $$ \Gamma(a)=\int_{0}^{\infty} z^{a-1} \exp (-z) \mathrm{d} z $$ (10)

    式中: αβ是Beta分布的参数, α>0且β>0。

    (1) 矩估计估计参数。利用矩估计方法结合最优样本向量Rhp*进行Beta分布参数估计, 如下式:

    $$ \hat{\alpha}=\mu\left(\frac{\mu(1-\mu)}{\sigma}-1\right) $$ (11)
    $$ \hat{\beta}=\frac{1-\mu}{\mu} \hat{\alpha} $$ (12)

    式中: μσ为样本均值与方差。

    (2) 设置概率最大原则求解最优损失率。根据矩估计参数${\hat \alpha }$和${\hat \beta }$绘制Beta分布曲线, 提取最大概率对应x轴值作为第h级淹没水深下的最优损失率Rh ′ , 如下:

    $$ R_{h}^{\prime}=\max \{P \mid B(x \mid \hat{\alpha}, \hat{\beta}), x=0 \sim 1\} $$ (13)

    式中: P是第h级水深下损失率的Beta分布的所有可能概率。

    (3) 确定函数拟合序列。依次重复H次前述步骤, 即可得到一种财产类型H个最优损失率值组成的待拟合序列FS, 如下:

    $$ \boldsymbol{F}_{\mathrm{S}}=\left[\begin{array}{llll} R^{\prime}{}_{1} & R^{\prime}{}_{2} & \cdots & R^{\prime}{}_{H} \end{array}\right] $$ (14)
  • 目前洪灾损失率函数尚未形成统一形式, 表 1展示了目前国内外研究中出现的多种函数形式。如将洪灾损失特征概化为初期较慢、中期迅急、后期再趋缓状态的3种S型增长函数;国外研究者使用较多的线性-指数型函数, 拟合稳定且能简略概化损失机制;初期无先验知识的研究者普遍使用的多项式拟合。将这些函数形式作为本研究待拟合函数集。

    编号 函数形式 参数 特征 来源
    F1 y=a1exp(-exp(-b1(w-c1))) a1, b1, c1 S 文献[14]
    F2 y=a2-a2/(1+exp((w-b2)/c2)) a2, b2, c2 S 文献[14]
    F3 y=a3/(1+exp(b3(w-c3))) a3, b3, c3 S 文献[14]
    F4 y=exp(a4$\sqrt w $+b4) a4, b4 指数 文献[10]
    F5 y=a5 w+b5 a5, b5 线性 文献[15]
    F6 y=a6 w2+b6 w+c6 a6, b6, c6 二次 文献[16]
    注: w为水深, y为损失率。

    Table 1.  Water depth-loss rate function in current research

    (1) 设置不同拟合情景。与单一比拟因子的不确定性问题相似, 如果简单地选择某一个函数形式也存在主观性和偶然性。本研究在函数集的基础上, 设置3种拟合情景: 简单独立型、分段随机型和组合随机型, 通过相关系数最大原则来改善单一函数的不确定性问题及提升序列拟合的契合度。

    情景1 : 简单独立型拟合简单独立型拟合是最为普遍的函数拟合方法, 将函数拟合序列FS分别拟合F1F6, 即情景1存在6种拟合形式。此情景原理简单便捷, 但缺点突出, 如单一函数往往会出现局部拟合较好整体较差的情况, 无法充分利用多维函数组合的高维组合特征优势。

    情景2 : 分段随机型拟合由于单一函数的固定曲线图像, 使其拟合时存在“中间拟合好两边拟合差”的现象, 本研究提出了“分段随机型拟合”情景, 即依据函数拟合序列FS的聚类性质自动寻找其间断点, 然后进行分区间拟合(式(15)), 以提高整体拟合效果。实施步骤为: 先依据轮廓系数法确定最优分段数目(d), 即分段中心与同簇类距离尽可能近, 异簇类距离尽可能远;再基于分段数目, 采用K-means聚类算法, 进行拟合序列的区间划分;最后在每一区间上进行简单独立型拟合。情景2具有了6d种拟合形式。

    $$ y = \left\| {\mathop {\left[ {{F_x}} \right]}\limits^{{s_0}\sim{s_1}} + \mathop {\left[ {{F_x}} \right]}\limits^{{s_1}\sim{s_2}} + \cdots + \mathop {\left[ {{F_x}} \right]}\limits^{{s_{d - 1}}\sim{s_d}} } \right\| $$ (15)

    式中: S0~Sd是水深区间起始值;Fx是函数集F1F6的随机选择。

    情景3 : 组合随机型拟合为改善分段随机型的阶段点不连续问题, 本研究还提出了函数集F1F6的“组合随机型拟合”情景, 即利用F1F6的线性组合进行拟合(式(16))。该情景具有2套参数(线性约束参数和函数内部参数)约束, 增加拟合形式的多样性, 从而提升整体拟合契合度。情景3采用函数集随机组合(C62+C63+C64+C65+C66), 共存在57种拟合形式。

    $$ y=\varPhi_{6}^{v}\underline {\overline {\left[\begin{array}{cccccc} F_{1} & & & & & \\ & F_{2} & & & & \\ & & F_{3} & & & \\ & & & F_{4} & & \\ & & & & F_{5} & \\ & & & & & F_{6} \end{array}\right]}}\left[\begin{array}{cccccc}{k_{1}} \\ {k_{2}} \\ {k_{3}} \\ {k_{4}} \\ {k_{5}} \\ {k_{6}} \end{array}\right] $$ (16)

    式中: Φ6v$\underline {\overline {{\rm{[}}F{\rm{]}}} } $被定义为随机抽取符号, 即从F1F6函数集随机抽取v个, 2≤v≤6;k1~k6是线性约束参数。

    (2) 设置相关系数最大原则。3种情景共有6+6d+57种拟合形式, 依据相关系数(CC), 最大原则遴选出最优的函数形式(式17), 即构建了土地类型的水深-损失率函数。

    $$ F^{*}=\max \left\{C_{\mathrm{C}} \mid C_{\mathrm{C}}\left(\boldsymbol{F}_{\mathrm{S}}, y_{t r}\right), t \in[1,3] \quad r \in[1, R]\right\} $$ (17)

    式中: r表示第t种情景下的拟合形式数;ytr表示第t种情景下的第r种拟合形式。

  • 河南省郑州市, 地处华北平原南部, 国家中心城市, 2019年常住人口超过1 000万。受温带季风气候和城市化水文效应的影响, 65%以上的降雨量集中于汛期(7—9月), 且排水设施不完善, 城市极易遭受内涝。洪灾频率高、空间分布数量多, 但受灾强度不大、量级小, 缺乏洪灾损失的系统调查与资料存储[17]。随着极端气候激增和城市化的高速发展, 城市洪灾风险增高, 经济损失已经不容忽视。迫切需要提出洪灾损失的量化评估方法, 为城市洪灾灾害风险管理提供支撑。

  • (1) 数据挖掘建立引用数据库。以中国所有城市为对象, 利用数据挖掘技术, 挖掘得到11个引用城市的灾情数据: 上海[11]、深圳[12]、温州[15]、天津[18]、西安[19]、濮阳[20]、沈阳[21]、广州[22]、无锡[23]、哈尔滨[24]、珠海[25]等城市, 将被研究的水深离散为40级(0.1~4.0 m, 即H=40), 建立引用城市的损失率数据库。

    (2) 建立特征指标体系。按照变异比拟指标构建方法, 考虑郑州及各个引用城市的指标数据获取性, 选取5个代表性指标建立特征指标体系(表 2), 即K=5, n=31。

    编号 指标 性质
    I1 地均GDP 经济水平
    I2 居民人均存款 经济水平
    I3 城市河网密度 防灾能力/承灾环境
    I4 城市管网密度 防灾能力/承灾环境
    I5 绿化率(透水面积比) 防灾能力/承灾环境

    Table 2.  Characteristic indicator system affecting flood loss ratio

    (3) 城市土地类型划分。为体现城市土地利用的复杂特征以及挖掘数据的分类特征, 采用多源数据融合及人工目视解译辅助, 将城市土地类型划为4种, 分别为工业、商业、住宅和公共服务, 最终得到这4种土地类型的损失率函数。

  • 通过比拟原理和变异比拟因子得到移植损失率矩阵R和变差系数最小方案Rp*。分析发现, Rp*对应的特征指标组合方案呈现动态变化性, 如图 1所示。工业对应的特征方案有5种, 商业4种, 住宅3种, 公共服务出现重复性规律, 有3种。如商业, 0~0.9 m为单指标方案I3, 1.0~3.0 m为单指标方案I5, 3.1~3.7 m为组合指标方案I2I4I5, 3.8~4.0 m为组合指标方案I2I3I4。其他土地类型的特征方案也出现出差异化特征。即不同的组合方案对应水深范围不同, 不同土地类型的特征方案也呈现不同组合性质。表明传统的单一固定指标或单一方案的一致性假定缺陷, 忽视城市间不同土地利用和不同水深的移植指标差异化特征, 存在指标选取的偶然性和主观性等不确定性。

    Figure 1.  Optimal feature scheme for 4 land types under the gradual water depth

  • 通过最优样本向量Rhp*拟合Beta分布提取概率最大值确定拟合序列FS。从图 2看出, 各级水深损失率的最大概率值差异明显, 商业和住宅呈现明显的“宽胖”型分布, 而工业和公共服务前期呈现出“尖锐”型分布, 后期也出现“宽胖”型分布。从图 2纵轴概率数值的差异可以看出, 商业和住宅的最优损失率概率明显大于工业和公共服务, 说明商业和住宅拟合出的损失率结果发生可能性更大。原因是同等洪涝灾害强度下, 商业和住宅往往受灾比较严重, 统计调查资料更为细致和准确, 且移植前的灾情数据量也较丰富, 做出的统计推断更有把握。

    Figure 2.  Maximum probability loss rate R′ value and the fitted sequence FS of the 40-level water depth of the 4 land types

  • 通过3种拟合情景对比, 提取相关系数最大的洪灾损失率函数。依据K-means随机聚类和轮廓系数法, 4种待拟合序列都被自动分为2段, 对每种土地类型, 都可得到99种(6+36+57)洪灾损失率函数形式。如图 3, 在所有拟合形式中, 商业和住宅的拟合形式为C66型, 工业和公共服务为C63型, 拟合相关系数均超过0.998, 拟合相关性较高。从图 4可以看出, 情景3拟合效果显著好于情景1和2, 3种拟合情景的综合平均相关系数分别为0.985, 0.978和0.998, 情景3优势明显, 表明本文提出的“组合随机型”情景, 通过设置函数组合随机拟合和线性约束参数增加拟合形式数目, 显著提高拟合契合度。

    Figure 3.  Fitting correlation coefficients under 3 fitting scenarios of the 4 land types

    Figure 4.  Comparison chart of average correlation coefficients under 3 fitting scenarios of the 4 land types

  • 优选的4种土地类型优选出最优损失率函数如图 5所示, 均为“组合随机型”拟合方案, 商业和住宅均为C66型, 即6种函数均被选择;工业和公共服务均为C63型, 工业为F1F2F6的函数组合, 公共服务为F2F4F5的函数组合。商业损失率全水深保持最高水平, 与其具有的资产价值高、脆弱性高及转移性差的特征相符[11];居民住宅相比商业具有相对较低的价值体量, 但相同的脆弱性和易损性特征使其处于第2层级;由于工业存货等摆放位置相对较高, 工业设备等灾害防灾能力又相对较强, 其处于第3层级;通常, 公共服务部门预警机制健全且灾中救援优先级高, 防灾减灾能力较强, 故其处于最低水平。

    Figure 5.  Flood loss rate function diagram of 4 land types

  • 围绕缺灾情资料城市洪灾损失率函数构建问题, 本文考虑多引用对象、多特征指标、多拟合情景的多维度优化, 提出“因子变异-动态比拟-目标驱动-情景拟合”的建模框架, 克服缺资料城市灾情数据局限性, 主要结论如下:

    (1) 借鉴等比例替代的数学思想, 通过提出洪灾损失率函数参数化的构建模式, 实现以多引用城市灾情资料为数据源、缺资料城市的特征指标为参数输入、损失率函数为输出的方法体系, 为缺灾情资料城市或地区提供技术参考。

    (2) 在基于比拟指标的灾情数据间接移植过程中, 不同土地类型和不同水深对应的特征指标都存在差异化现象, 表明单一比拟指标会忽视不同城市间和城市内不同承灾体洪灾损失影响要素的差异, 存在指标选取的偶然性和主观性等不确定性。

    (3) 用多种函数的随机线性组合拟合洪灾淹没水深-损失率数据, 能显著提高拟合的相关性, 降低单一函数选择和主观性影响, 可改善分段函数拟合的阶段点不连续问题, 为样本-函数拟合研究提供了新思路。

Reference (25)

Catalog

    /

    DownLoad:  Full-Size Img  PowerPoint
    Return
    Return