一种一体化洪涝灾害精准监测预警方法
本发明涉及洪涝灾害监测预警，具体涉及一种一体化洪涝灾害精准监测预警方法。
背景技术：
随着全球气候变暖，洪涝灾害愈加频繁，灾害风险监测预警评估作为防灾减灾的重要手段成为当前灾害学研究的核心内容之一。洪涝灾害是世界上发生最为频繁、危害非常严重的自然灾害之一。近年来，中国洪涝灾害的发生越来越频繁，强度越来越大，对人类社会、经济、生态环境造成的影响和破坏也越来越严重。由于对洪涝灾害的发生缺乏思想和物质准备，而导致灾害损失加重的事件屡见不鲜。因而加强洪涝灾害风险监测预警评估，进行科学地灾害风险管理，具有非常重要的现实意义。
洪涝灾害风险监测预警评估是一项在洪涝危险性、承灾体脆弱性及相关不确定性研究的基础上进行的多因子综合分析工作，主要包括对洪涝风险统计特征的辨识、实时险情的监测和预报、损失的评估及警报发布范围与时机的判断等。洪涝灾害风险监测预警评估是洪涝灾害风险管理的重要基础，重视对洪涝危险性、承灾体脆弱性的监测，加强灾害预测和评估系统的建设，加强防灾减灾设施的建设是当前防灾工作和灾害研究的当务之急。
现有的洪涝灾害风险监测手段大致包括三类：基于卫星遥感的洪涝灾害监测、基于无人机平台的洪涝监测和基于物联网的洪涝灾害监测。利用卫星遥感监测技术具有覆盖范围广、周期短、时效性强等特点，但卫星遥感数据是大尺度、大范围、低分辨率的宏观数据，且卫星影像的分析结果有一定误差；利用无人机平台进行洪涝灾害监测具有成本低、风险小、快速灵活、结果更精确等特点，但其拍摄范围小，易受恶劣天气等环境因素的影响；利用监控视频及水位等物理传感器进行洪涝灾害监测时易遭受自然灾害和人为破坏而导致数据中断。而现有风险监测预警评估系统未能有效综合利用全面一体化的异源多尺度监测数据。
此外，现有风险监测预警评估系统一般将洪涝灾害风险形成因素当成确定状态，而较少考虑致灾因子、承灾体和孕灾环境在洪涝灾害形成过程中的多样不确定性、动态变化性、多层次性和系统复杂性，并且洪涝灾害实际上需要根据洪涝人口风险的动态变化情况，采取相应的应急救援措施。
由于传统的风险监测预警评估系统往往没有充分利用天地空一体化监测数据，导致洪涝灾害风险评估的可靠性不能满足现实要求。此外，现有风险监测预警评估系统虽然能较好解决洪涝灾害风险的静态评估问题，但是不能有效应对洪涝风险的空间非均匀性，不能有效解决洪涝灾害孕育、发生、发展过程中风险动态变化以及风险多层次的问题。
技术实现要素：
(一)解决的技术问题
针对现有技术所存在的上述缺点，本发明提供了一种一体化洪涝灾害精准监测预警方法，能够有效克服现有技术所存在的未能有效综合利用全面一体化的异源多尺度监测数据，以及不能有效解决洪涝灾害的空间非均匀性、风险动态变化以及风险多层次问题的缺陷。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：
一种一体化洪涝灾害精准监测预警方法，包括以下步骤：
s1、采集异源多尺度监测数据；
s2、通过多尺度超像素分割从基于多源卫星遥感平台的大尺度洪涝灾害数据中快速提取洪水淹没区域；
s3、基于最佳缝合线对基于无人机平台的中等尺度洪涝灾害数据进行图像拼接，得到无人机影像的洪水受灾结果；
s4、结合多模态深度神经网络和结构化稀疏分类选择模型从基于物联网平台的小尺度洪涝灾害数据中获取多维度特征；
s5、构建贝叶斯网络风险评估模型，计算目标事件的后验概率，基于目标事件的后验概率进行洪涝灾害风险评估，为洪涝灾害预警与决策提供依据。
优选地，s2中通过多尺度超像素分割从基于多源卫星遥感平台的大尺度洪涝灾害数据中快速提取洪水淹没区域，包括：
s21、获取多源遥感影像，对各遥感影像预处理后进行多源遥感图像融合；
s22、构建融合后遥感影像的图像金字塔，逐层降低图像分辨率，得到多尺度图像序列；
s23、构建目标函数，通过优化边缘集的目标函数实现超像素聚类；
s24、提取每个超像素区域的特征，根据提取特征进行水体分类，得到洪涝灾害中所有水体信息；
s25、将洪涝灾害中所有水体信息与洪涝灾害前正常水体信息进行比对，获取洪水淹没区域结果。
优选地，s22中构建融合后遥感影像的图像金字塔，逐层降低图像分辨率，得到多尺度图像序列，包括：
利用均值重采样从分辨率最低的一层图像开始到分辨率最高的一层图像为止，逐层改变缩放因子，降低图像分辨率，得到多尺度图像序列。
优选地，s23中构建目标函数，通过优化边缘集的目标函数实现超像素聚类，包括：
构建目标函数：
其中，e表示由像素点组成的边集，na为图中连接的超像素区域个数，k为图中连通子图个数，h(a)为熵率，b(a)为平衡项，λ≥0为平衡项的权重；
所述目标函数中的熵率h(a)为：
其中，
wi,j是边ei,j上的权值，
所述目标函数中的平衡项b(a)为：
b(a)＝h(za)-na
其中，za为集群成员的分布。
优选地，s3中基于最佳缝合线对基于无人机平台的中等尺度洪涝灾害数据进行图像拼接，得到无人机影像的洪水受灾结果，包括：
s31、获取无人机采集影像，并搜索基准图像与待拼接图像之间重合区域的最佳缝合线；
s32、基于最佳缝合线对模板图像进行图像处理，并对基准图像进行特征配准与几何变换，得到变换图像；
s33、依次对模板图像、变换图像、待拼接图像构造图像金字塔，并对图像金字塔中对应的每层图像分别进行加权融合，得到新的图像金字塔；
s34、保持新的图像金字塔中最底层不变，并从最顶层开始进行插值扩展，得到多分辨率拼接图像；
s35、对多分辨率拼接图像进行解译，得到无人机影像的洪水受灾结果。
优选地，s33中依次对模板图像、变换图像、待拼接图像构造图像金字塔，并对图像金字塔中对应的每层图像分别进行加权融合，得到新的图像金字塔，包括：
对模板图像m构造5层gaussian金字塔，记为gm，对变换图像q、待拼接图像t构造5层laplacian金字塔，分别记为lq、lt，并对3个金字塔中对应的每层图像分别进行加权融合，融合后得到新的laplacian金字塔，记为lfusion：
其中，l表示层数，(i，j)代表图像中第i行第j列的像素点；
s34中保持新的图像金字塔中最底层不变，并从最顶层开始进行插值扩展，得到多分辨率拼接图像，包括：
对新的laplacian金字塔lfusion中最底层保持不变，并从最顶层开始依次对每层图像进行内插放大，放大成为尺寸与下一层相同的图像，将放大后的每层图像与最底层图像累积相加，最底层图像即为基于最佳缝合线的多分辨率拼接图像。
优选地，s4中结合多模态深度神经网络和结构化稀疏分类选择模型从基于物联网平台的小尺度洪涝灾害数据中获取多维度特征，包括：
s41、基于物联网获取多模态监测数据；
s42、通过多模态深度神经网络对处于不同模态的监测数据进行多重映射变换，并抽取得到同模态的同构特征；
s43、通过结构化稀疏分类选择模型计算每个维度特征的优化权值，并基于优化权值筛选维度特征构成多维度特征。
优选地，s42中通过多模态深度神经网络对处于不同模态的监测数据进行多重映射变换之前，包括：
构建训练数据集与目标数据集，从训练数据集与目标数据集提取各样本数据的低层特征、高层特征，基于低层特征、高层特征计算各样本数据对应的总损失，并更新多模态深度神经网络的参数；
s43中通过结构化稀疏分类选择模型计算每个维度特征的优化权值之前，包括：
收集用于模型训练的多模态监测数据和对应的模态标签，利用训练好的多模态深度神经网络从多模态监测数据中抽取同模态的同构特征，并对所有维度特征及其对应的线性核函数进行分组，构成多个数据特征组，利用数据特征组对结构化稀疏分类选择模型进行参数优化。
优选地，s5中构建贝叶斯网络风险评估模型，计算目标事件的后验概率，基于目标事件的后验概率进行洪涝灾害风险评估，为洪涝灾害预警与决策提供依据，包括：
s51、建立指标体系；
s52、筛选并确定基本风险因素集，明确各网络节点及因果关系；
s53、基于各网络节点及因果关系构建贝叶斯网络风险评估模型；
s54、对网络节点进行模糊评价，并进行去模糊化，计算目标事件的后验概率，基于目标事件的后验概率进行洪涝灾害风险评估。
优选地，s54中对网络节点进行模糊评价，并进行去模糊化，计算目标事件的后验概率，包括：
对网络节点中的证据节点进行模糊评价，并进行去模糊化，对证据节点的先验概率进行主观概率估计，将估计概率值输入最优风险评估模型得到证据节点中目标事件的后验概率。
(三)有益效果
与现有技术相比，本发明所提供的一种一体化洪涝灾害精准监测预警方法，通过有效综合利用全面一体化的异源多尺度监测数据，来快速提取研究洪水淹没区域，提高灾害信息获取的实时性和准确性，形成对洪涝灾害属性与状态进行定量分析与描述，然后构建层次化的风险评估模型，以有效解决洪涝灾害的空间非均匀性、风险动态变化以及风险多层次问题，从而实现实时快速地监测预警。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的流程示意图；
图2为本发明中从大尺度洪涝灾害数据中快速提取洪水淹没区域的流程示意图；
图3为本发明图2中多尺度超像素分割的结果示意图；
图4为本发明中从中等尺度洪涝灾害数据中得到无人机影像的洪水受灾结果的流程示意图；
图5为本发明中从小尺度洪涝灾害数据中获取多维度特征的流程示意图；
图6为本发明中利用贝叶斯网络和模糊集理论构建层次化风险评估模型的流程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
一种一体化洪涝灾害精准监测预警方法，如图1所示，包括以下步骤：
s1、采集异源多尺度监测数据；
s2、通过多尺度超像素分割从基于多源卫星遥感平台的大尺度洪涝灾害数据中快速提取洪水淹没区域；
s3、基于最佳缝合线对基于无人机平台的中等尺度洪涝灾害数据进行图像拼接，得到无人机影像的洪水受灾结果；
s4、结合多模态深度神经网络和结构化稀疏分类选择模型从基于物联网平台的小尺度洪涝灾害数据中获取多维度特征；
s5、构建贝叶斯网络风险评估模型，计算目标事件的后验概率，基于目标事件的后验概率进行洪涝灾害风险评估，为洪涝灾害预警与决策提供依据。
s2中通过多尺度超像素分割从基于多源卫星遥感平台的大尺度洪涝灾害数据中快速提取洪水淹没区域，包括：
s21、获取多源遥感影像，对各遥感影像预处理后进行多源遥感图像融合；
s22、构建融合后遥感影像的图像金字塔，逐层降低图像分辨率，得到多尺度图像序列；
s23、构建目标函数，通过优化边缘集的目标函数实现超像素聚类；
s24、提取每个超像素区域的特征，根据提取特征进行水体分类，得到洪涝灾害中所有水体信息；
s25、将洪涝灾害中所有水体信息与洪涝灾害前正常水体信息进行比对，获取洪水淹没区域结果。
s21中对各遥感影像预处理，包括：
对各遥感影像进行图像去燥、图像增强、图像裁剪及几何校正。
本申请技术方案中，通过高分辨率gf-1/2、中分辨率hj-ccd、cbers-04、辅以sar、modis和landsat系列影像作为数据源，可定位洪涝灾害的大尺度空间分布信息，分析受灾状况。
多源遥感图像融合是为了提高遥感影像的空间信息和光谱信息，可以增强影像的解译能力，并可以得到从单一遥感影像中难以得到的信息，实现多个遥感卫星的信息互补，为后期影像处理提供更精确的信息。
s22中构建融合后遥感影像的图像金字塔，逐层降低图像分辨率，得到多尺度图像序列，包括：
利用均值重采样从分辨率最低的一层图像开始到分辨率最高的一层图像为止，逐层改变缩放因子，降低图像分辨率，得到多尺度图像序列。
与非负系数的线性组合保持子模极性和单调性，因此目标函数也是单调递增的。由于目标函数是单调递增的，对连通子图个数k的附加约束严格地强制k聚类。
为了加快算法收敛速度，本申请技术方案中引入金字塔机制，利用均值重采样降低图像分辨率，高层图像的像素值可以根据低层图像对应k*k区域的像素平均值得到，则图像的分辨率降低为原来的1/k*k。当缩放因子不同时，便得到多尺度图像序列。多尺度优化过程从分辨率最低(最粗糙)的一层开始，然后将这一层得到的结果传递给分辨率较高的下一层进一步优化，直到分辨率最高的一层。
多尺度优化过程还可以从两方面进一步提高分割精度：一方面，在分辨率较低的图像上计算平衡项可以获得图像更多的空间信息，避免算法陷入局部极值；另一方面，分割参数的粗估计为下一层图像的参数估计起到了指导性作用，这样由粗到细的优化过程使得参数估计越来越逼近精确值，进而提高分割的准确度。
s23中构建目标函数，通过优化边缘集的目标函数实现超像素聚类，包括：
构建目标函数：
其中，e表示由像素点组成的边集，na为图中连接的超像素区域个数，k为图中连通子图个数，h(a)为熵率，b(a)为平衡项，λ≥0为平衡项的权重。
目标函数中的熵率h(a)为：
其中，
wi,j是边ei,j上的权值，
目标函数中的平衡项b(a)为：
b(a)＝h(za)-na
其中，za为集群成员的分布。
超像素是一系列纹理、颜色等特征相同或相似，且空间位置相邻的像素点的集合，它利用像素点之间特征的相似程度将像素点分组，分组后得到的超像素可以视为一个像素点，在后续处理时会极大减少复杂度，提高效率。本申请技术方案中采用的超像素分割方法为基于熵率的超像素分割，超像素的分割问题实际上就是图像中像素点的聚类问题，把在同一准则下相同或相似的像素点聚集在一起形成一个超像素。
通过多尺度超像素分割将图像分割为一系列独立区域，便可以提取每个超像素区域的特征，利用简单有效的监督分类方法即可进行水体分类，得到洪涝灾害中所有水体信息，图3为多尺度超像素分割结果，其中深色区域为水体区域。将洪涝灾害中所有水体信息与洪涝灾害前正常水体信息进行比对，便可得到洪水淹没区域结果。
s25中将洪涝灾害中所有水体信息与洪涝灾害前正常水体信息进行比对，获取洪水淹没区域结果之后，包括：
对无人机影像的多分辨率拼接图像通过目视解译、智能解译获得无人机影像的洪水受灾结果，结合洪水淹没区域结果得到精确修正信息，进而得到洪水淹没区域精确结果。
s3中基于最佳缝合线对基于无人机平台的中等尺度洪涝灾害数据进行图像拼接，得到无人机影像的洪水受灾结果，包括：
s31、获取无人机采集影像，并搜索基准图像与待拼接图像之间重合区域的最佳缝合线；
s32、基于最佳缝合线对模板图像进行图像处理，并对基准图像进行特征配准与几何变换，得到变换图像；
s33、依次对模板图像、变换图像、待拼接图像构造图像金字塔，并对图像金字塔中对应的每层图像分别进行加权融合，得到新的图像金字塔；
s34、保持新的图像金字塔中最底层不变，并从最顶层开始进行插值扩展，得到多分辨率拼接图像；
s35、对多分辨率拼接图像进行解译，得到无人机影像的洪水受灾结果。
s31中搜索基准图像与待拼接图像之间重合区域的最佳缝合线，包括：
将基准图像与待拼接图像t之间重合区域内匹配精准程度最好的特征点按照一定规划标准连接在一起，形成最佳缝合线。
s32中基于最佳缝合线对模板图像进行图像处理，包括：
在模板图像m中标记出最佳缝合线，并将最佳缝合线左侧部分的像素值全部设为0，将最佳缝合线右侧部分的像素值全部设为255。
s33中依次对模板图像、变换图像、待拼接图像构造图像金字塔，并对图像金字塔中对应的每层图像分别进行加权融合，得到新的图像金字塔，包括：
对模板图像m构造5层gaussian金字塔，记为gm，对变换图像q、待拼接图像t构造5层laplacian金字塔，分别记为lq、lt，并对3个金字塔中对应的每层图像分别进行加权融合，融合后得到新的laplacian金字塔，记为lfusion：
其中，l表示层数，(i，j)代表图像中第i行第j列的像素点。
s34中保持新的图像金字塔中最底层不变，并从最顶层开始进行插值扩展，得到多分辨率拼接图像，包括：
对新的laplacian金字塔lfusion中最底层保持不变，并从最顶层开始依次对每层图像进行内插放大，放大成为尺寸与下一层相同的图像，将放大后的每层图像与最底层图像累积相加，最底层图像即为基于最佳缝合线的多分辨率拼接图像。
s35中对多分辨率拼接图像进行解译，得到无人机影像的洪水受灾结果，包括：
对多分辨率拼接图像进行几何校正，与卫星坐标保持一致，通过人工勘查确定解译标准，并通过目视解译、智能解译获得无人机影像的洪水受灾结果。
s35中得到无人机影像的洪水受灾结果之后，包括：
获取多源遥感影像，从多源遥感影像中提取洪水淹没区域，得到遥感影像的洪水受灾结果，并将遥感影像的洪水受灾结果与无人机影像的洪水受灾结果进行图像匹配，得到洪灾信息精确结果。
本申请技术方案中，依次对模板图像、变换图像、待拼接图像构造图像金字塔，并对图像金字塔中对应的每层图像分别进行加权融合，得到新的图像金字塔，再保持新的图像金字塔中最底层不变，并从最顶层开始进行插值扩展，能够对多幅无人机影像进行快速、精确地拼接，得到基于最佳缝合线的多分辨率拼接图像；通过目视解译、智能解译获得无人机影像的洪水受灾结果，并与遥感影像的洪水受灾结果进行图像匹配，能够获取洪灾信息精确结果。
s4中结合多模态深度神经网络和结构化稀疏分类选择模型从基于物联网平台的小尺度洪涝灾害数据中获取多维度特征，包括：
s41、基于物联网获取多模态监测数据；
s42、通过多模态深度神经网络对处于不同模态的监测数据进行多重映射变换，并抽取得到同模态的同构特征；
s43、通过结构化稀疏分类选择模型计算每个维度特征的优化权值，并基于优化权值筛选维度特征构成多维度特征。
本申请技术方案中，多模态监测数据的来源包括：
监控视频、地下仪器、智能测量机器人、地面倾斜仪、声呐雷达、气象监测仪、水位和流量自动记录仪、光谱和微波传感器。
s42中通过多模态深度神经网络对处于不同模态的监测数据进行多重映射变换之前，包括：
构建训练数据集与目标数据集，从训练数据集与目标数据集提取各样本数据的低层特征、高层特征，基于低层特征、高层特征计算各样本数据对应的总损失，并更新多模态深度神经网络的参数。
基于低层特征、高层特征计算各样本数据对应的总损失，并更新多模态深度神经网络的参数，包括：
基于训练数据集与目标数据集中各样本数据的高层特征和对应的模态标签，通过相应的损失函数计算第一损失，第一损失的梯度经过梯度反向传播，以扩大第一损失；
基于训练数据集与目标数据集中各样本数据的低层特征和对应的模态标签，通过相应的损失函数计算第二损失；
根据第一损失、第二损失计算各样本数据对应的总损失，并基于总损失更新多模态深度神经网络的参数。
多模态深度神经网络包括结构不同的多重分支网络，每个独立模态的监测数据分配一个独立的分支网络。
本申请技术方案中，多模态深度神经网络位于整个框架的底部，也是整个算法模型框架的核心部分，多模态深度神经网络负责对原始处于不同模态的成组监测数据进行多重映射变换，最终抽取得到同模态的同构特征。在下层的多模态深度神经网络中又包括了多重的分支网络，每个独立模态的监测数据分配一个独立的分支网络。鉴于不同模态监测数据内部结构的分布复杂程度、分布类型都不同，因而每个分支网络的结构也是不同的。
s43中通过结构化稀疏分类选择模型计算每个维度特征的优化权值之前，包括：
收集用于模型训练的多模态监测数据和对应的模态标签，利用训练好的多模态深度神经网络从多模态监测数据中抽取同模态的同构特征，并对所有维度特征及其对应的线性核函数进行分组，构成多个数据特征组，利用数据特征组对结构化稀疏分类选择模型进行参数优化。
对所有维度特征及其对应的线性核函数进行分组，构成多个数据特征组，包括：
对同构特征进行归一化，并为每个维度特征构建一个独立的线性核函数，根据监测数据的模态，对相应的维度特征及其对应的线性核函数进行分组，构成多个数据特征组。
s43中基于优化权值筛选维度特征构成多维度特征，包括：
利用训练好的结构化稀疏分类选择模型计算每个维度特征的优化权值，并筛选出具有较大优化权值维度特征构成多维度特征。
本申请技术方案中，算法模型框架的上层是基于结构化稀疏的特征选择，在这一部分通过解决采用了结构化稀疏约束的优化问题，从而计算得到每个维度特征的优化权值。其中，具有较小权值的维度特征与当前任务之间的相关性较低，因而被过滤掉，而那些具有较高权值的维度特征最终被选择出来，成为最终筛选得到的多维度特征，利用这些多维度特征可以对洪涝灾害属性与状态进行定量分析与描述。
s5中构建贝叶斯网络风险评估模型，计算目标事件的后验概率，基于目标事件的后验概率进行洪涝灾害风险评估，为洪涝灾害预警与决策提供依据，包括：
s51、建立指标体系；
s52、筛选并确定基本风险因素集，明确各网络节点及因果关系；
s53、基于各网络节点及因果关系构建贝叶斯网络风险评估模型；
s54、对网络节点进行模糊评价，并进行去模糊化，计算目标事件的后验概率，基于目标事件的后验概率进行洪涝灾害风险评估。
s51中建立指标体系，包括：
根据s2-s4得到的结果，分析得到致灾因子危险性、承灾体暴露性、孕灾环境脆弱性和防灾减灾能力，并建立指标体系。
s52中筛选并确定基本风险因素集，明确各网络节点及因果关系，包括：
基于指标体系和实际情况筛选并确定基本风险因素集，依据指标体系同时结合贝叶斯网络构建原则，明确各网络节点及因果关系。
网络节点包括目标节点、中间节点和证据节点，其中：
目标节点包括洪涝灾害中人员伤亡、经济损失、社会影响和生态环境影响；
中间节点包括致灾因子、承灾体、孕灾环境和防灾减灾能力；
证据节点包括洪水淹没范围、洪水淹没强度、洪水淹没水深、洪水淹没历时、承灾体暴露性、物质保障能力、人员保障能力、应急管理制度、应急防范能力、基础设施保障能力、实时视频监测系统、灾害识别能力、灾害监测能力、灾害评估能力、灾害预警能力、灾害控制能力、周边环境信息获取能力、山体情况、危险抵抗能力、人员密集程度。
s53中基于各网络节点及因果关系构建贝叶斯网络风险评估模型之后，包括：
在确定各网络节点及因果关系的前提下，根据贝叶斯网络拓扑结构的构建原理，通过有向边将各网络节点进行连接，从而形成一个非循环有向图。
s54中对网络节点进行模糊评价，并进行去模糊化，计算目标事件的后验概率，包括：
对网络节点中的证据节点进行模糊评价，并进行去模糊化，对证据节点的先验概率进行主观概率估计，将估计概率值输入最优风险评估模型得到证据节点中目标事件的后验概率。
网络节点中的证据节点进行模糊评价后，通过最大隶属度法、重心法、加权平均法中的一种进行去模糊化。
s54中基于目标事件的后验概率进行洪涝灾害风险评估，包括：
得到证据节点中目标事件的后验概率之后，结合因果推理、诊断推理，并进行灵敏度分析，形成对洪涝灾害风险的有效评估。
本申请技术方案中，利用贝叶斯网络风险评估模型进行分析推理，并不仅仅只有顺着有向边的方向正向推理目标节点概率一种方式，还可以利用因果推理、诊断推理。洪涝灾害风险属于并不确定的模糊事件，其成因较为复杂且难以准确量化，因此就需要借助模糊集理论，将贝叶斯网络和模糊集理论结合进行推理计算，以获得最优风险评估模型。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不会使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
- 还没有人留言评论。精彩留言会获得点赞！