一种不可移动文物大风灾害风险图编制方法与流程

1.本发明涉及文物保护领域，具体是涉及一种不可移动文物大风灾害风险图编制方法。


背景技术：

2.灾害风险可定义为不同强度灾害发生的概率及其可能造成的灾害损失。显然，这一定义确切地反映灾害本身的自然属性和社会属性。基于这一定义，不可移动文物灾害风险概括起来具有以下特征：灾害风险的客观性。灾害发生既有随机性，又具有可预测性。灾害风险的空间性。自然灾害具有明显的空间分异特征。灾害风险是可测算性。灾害风险的可测算性主要是指：灾害致灾因子——灾害发生概率(洪水、地震)可以测算；承灾体(不可移动文物)价值及易损性可以测算；灾害对承灾体的损害程度可以测算，从而可以综合确定灾害的风险。灾害风险具有动态性。
3.现有对于不可移动文物大风灾害风险的预测及分析较为缺乏，无法判断不可移动文物在受灾害威胁地区可能遭受灾害影响的强度和频度，从而无法判断不可移动文物在某地区可能受到的损失，进而无法预先对不可移动文物进行相应的保护。为解决上述问题，有必要提供一种不可移动文物大风灾害风险图编制方法。


技术实现要素：

4.为解决上述技术问题，提供一种不可移动文物大风灾害风险图编制方法，本技术方案解决了上述背景技术中提出的现有对于不可移动文物大风灾害风险的预测及分析较为缺乏，无法判断不可移动文物在受灾害威胁地区可能遭受灾害影响的强度和频度的问题。
5.为达到以上目的，本发明采用的技术方案为：
6.一种不可移动文物大风灾害风险图编制方法，包括以下步骤：
7.第一步：数据采集与数据整理；主要收集文物本体数据、致灾因子数据、孕灾环境数据，并对收集的数据进行一致性分析和误差分析，保证数据的有效性。
8.第二步：危险性分析、脆弱性分析、敏感性性分析，包括：
9.s21：计算大风灾害文物本体脆弱性趋势关系：
10.进一步的，包括，s211：承灾体数据采集，s212：承灾体数据整理，s213：形成不可移动文物大风灾害承灾体数据库，s214：进行大风灾害文物本体脆弱性评估；s215：绘制基于设定时间为横轴，脆弱性数值为纵轴的曲线，并计算曲线斜率；
11.s22：计算大风灾害孕灾环评敏感性趋势关系：
12.进一步的，包括，s221：孕灾体数据采集，s222：孕灾体数据整理，s223：形成不可移动文物大风灾害孕灾体数据库，s224：进行大风灾害文物孕灾环评敏感性评估；s225：绘制基于设定时间为横轴，脆弱性数值为纵轴的曲线，并计算曲线斜率；
13.s23：计算大风灾害致灾因子危险性趋势关系：
14.进一步的，包括，s231：致灾体数据采集，s232：致灾体数据整理，s233：形成不可移动文物大风灾害致灾体数据库，s234：进行大风灾害文物致灾危险性性评估；s235：绘制基于设定时间为横轴，脆弱性数值为纵轴的曲线，并计算曲线斜率；
15.第三步：综合上述三个分析的结果形成不可移动文物的大风灾害风险评估结果，包括：
16.s31：根据不可移动文物历时灾害对于文物的影响程度，确定承灾体、孕灾因子、致灾因子在文物风险中的权重，权重确定采用ahp层次分析法和德尔菲方法，其基本步骤为：建立由不可移动文物历时灾害的组成要素所形成的层次结构，通过专家打分比较承灾体、孕灾因子、致灾因子的重要性，据此构造比较判断矩阵，计算权向量以及检验一致性，根据比较判断矩阵，计算出承灾体、孕灾因子、致灾因子在文物风险中的权重i1、i2、i3，公式为：
[0017][0018][0019]
其中，m
lj
为比较判断矩阵第l行第j列的元素，m
11
、m
12
、m
13
由专家对承灾体、孕灾因子、致灾因子打分的结果直接得出，3为比较判断矩阵维数；
[0020]
不可移动文物大风灾害风险评估结果，根据设定时间将s21、s22和s23数值，代入s31的权重计算评估结果：
[0021]
不可移动文物大风灾害风险评估结果＝本体脆弱性
×
i1+大风灾害孕灾环评敏感性
×
i2+大风灾害致灾因子危险性
×
i3；
[0022]
设定时间是指根据项目需要趋势性，可以设定以年或月或日为单位的时间。
[0023]
第四步：面向用户的风险图编绘，包括不同行政尺度不可移动文物综合风灾风险图、文物保护单位风灾风险评价图、文物本体风险识别图，包括：
[0024]
s41：区域不可移动文物编码方法和gis进行不可移动文物大风灾害成图；
[0025]
s42：图幅、图例、图式设计；
[0026]
第五步：不可移动文物大风灾害风险图出图，包括纸质版图和电子图。
[0027]
优选的，所述s21～s23及s31之后，根据各类别实时数据进行各类别的灾害评估:
[0028]
第一步：计算大风灾害文物本体脆弱性趋势关系；
[0029]
第二步：实时采集不可移动文物承灾体数据采集；
[0030]
第三步：实时大风灾害文物本体脆弱性风险评估；
[0031]
第四步：进行实时不可移动文物大风灾害风评评估结果。
[0032]
优选的，所述s41中基于区域不可移动文物编码方法如下，该文物编码综合了文物单位数量和大风灾害风险评估结果：
[0033]
根据s31中确定的权重，以及区域文物单位数量，以及文物单位，基于gis确定文物编码顺序，计算公式为：
[0034]
b＝n+s(p，q，z)
[0035]
s(p，q，z)＝p
×
i1+q
×
i2+z
×
i3
[0036]
其中，b为文物编码综合值，n为区域不可移动文物数量，s为大风灾害风险评估结果，p为本体脆弱性趋势，q为大风灾害孕灾环评敏感性趋势，z为大风灾害致灾因子危险性趋势。
[0037]
优选的，s21大风灾害文物本体脆弱性趋势关系、s22大风灾害孕灾环评敏感性趋势关系和大风灾害致灾因子危险性趋势关系，采用机器学习方法，针对数据进行时间标记、训练、验证，再次验证确定三大因子最佳的趋势关系；
[0038]
比如：通过卷积神经网络模型，计算文物历史数据，确定最佳的文物脆弱性时间关系模型，对未来某时间文物脆弱性进行代入计算；也可以通过以下步骤运用其他机器算法计算。
[0039]
基于卷积神经网络模型计算文物脆弱性趋势具体步骤为：
[0040]
s1：获取文物历史数据；
[0041]
s2：数据整理；
[0042]
s3：设定时间实际测算脆弱值；若历史数据中没有脆弱值，则以计算时刻脆弱性值代替历史实际测算脆弱值；
[0043]
s4：卷积神经网络模型训练，得到训练后的卷积神经网络；
[0044]
s5：将时间输入卷积模型即可得到某文物本体脆弱性趋势关系，孕灾环评敏感性趋势关系，致灾因子危险性趋势关系。
[0045]
进一步，步骤s1中，获取文物承灾体数据，孕灾体数据，致灾体数据。
[0046]
进一步，步骤s1中，将承灾体数据，孕灾体数据，致灾体数据，历史数据设置时间标签，以年或月或日为每个历史数据设置标签；
[0047]
在运算卷积网络模型时，标记了时间的历史数据，仅对历史数据进行运算，时间作为标记进行记录运算后的历史数据，这样做目的在于保持与运算前历史数据的时间一致性。
[0048]
进一步步骤s4中，构建卷积神经网络；将经过标记文物历史数据作为样本集，将作为卷积神经网络的训练数据，构建卷积神经网络，将样本集的每各历史数据作为输入向量，对应的时间为目标值。
[0049]
该卷积神经网络包括3个卷集核，分别为承灾体数据卷积核，孕灾体数据卷积核，致灾体数据卷积极核，各层之间是串联的关系。卷积层由3个5*5的卷积核组成，卷积核即二维矩阵，对输入卷积层的特征进行卷积操作；最大值池化层计算每个邻域的最大值并传递到下一层。回归层输出目标的位置和类别号。该神经网络结构简单，运算量小，运算速度快。
[0050]
对标记时间的历史数据样本集进行训练，得到所述训练后的卷积神经网络模型。在训练过程中，采用随机梯度下降的方法对所述卷积神经网络中的卷积核参数进行优化，使得损失函数的值收敛至预设值，使得损失函数尽量小，提高目标检测准确性。
[0051]
训练过程为：将标记的历史数据x作为神经网络的输入，通过神经网络f的层层计算，得到当前网络参数下的目标位置y＝f(x)，目标为历史脆弱性值yp＝f(xp)和实际脆弱性值yc＝f(xc)。
[0052]
将对应的图像x标签中标记的历史数据所在时间作为实际目标位置分别为历史脆弱值时间和实际脆弱值分别计算所述历史脆弱值y和实际脆弱值之间的误差。
[0053]
本实施方式中，损失函数loss为目标位置与实际脆弱值误差的加权求和：
[0054][0055]
其中，α
coord
和α
noobj
分别为目标和背景的权值，本实施方式中，目标具体为人员以及传送带主体；代表如果是目标，该项为1，否则为0；代表如果是目标，该项为0，否则为1；x、y、w、h分别为目标的行、列坐标以及宽、高。c为目标的类别号，p(c)为目标为c类的概率。带^的符号代表网络估计的对应属性的值。
[0056]
采用梯度下降法对神经网络的参数θ进行更新，即
[0057][0058]
其中α为学习率，学习率一般不大于0.01，本实施例α＝10-5
。
[0059]
采用随机梯度下降的方法对所述卷积神经网络中的卷积核参数进行优化，使得损失函数的值收敛至预设值，损失函数的值收敛至预设值损失函数的值要求小于0.8，收敛后随着迭代次数的增加，损失函数的值不再发生明显变化。
[0060]
本实施例中分别计算历史脆弱值损失函数和实际脆弱值损失函数，当历史脆弱值损失函数和实际脆弱值的损失函数的值都收敛至预设值为0.5以下，结束迭代训练生成训练后的卷积神经网络模型。
[0061]
对于卷积神经网络模型进行再次验证。
[0062]
以现场文物的实测数据对文物脆弱性数值进行验证；验证如果与模型结果相差10％以内，则模型计算正确；若相差结果高于10％以上，则对卷积神经网络模型进行收敛预设值调整，继续计算文物的历史数据，获得适当的模型。
[0063]
优选的，所述s211中不可移动文物承灾体数据包括以下指标：文物等级、其他国家级(省部级)称号、始建年代、保存状况、损毁情况、重大险情情况、使用情况、规模和管理情况；
[0064]
查阅保护单位空间数据，得到上述指标数据。
[0065]
优选的，所述s21中不可移动文物大风灾害文物本体脆弱性评估的计算公式如下：c古＝h(g，h，x)
×
b1+k(c，v，b)
×
b2+l(s，o，d)
×
b3，
[0066]
h(g，h，x)为文物等级、其他国家级(省部级)称号和始建年代的综合值，k(c，v，b)为保存状况、损毁情况和重大险情情况的综合值，l(s，o，d)为使用情况、规模和管理情况的综合值，b1、b2和b3为h(g，h，x)、k(c，v，b)和l(s，o，d)的权重，由ahp层次分析法和德尔菲方
法确定。
[0067]
优选的，所述s221中孕灾体数据包括以下指标：文物本体高程数据、年平均风速、植被覆盖度和坡度数据，
[0068]
从nasa下载分幅srtm1数据，得到文物本体高程数据；
[0069]
采集该地区气象站点监测数据，统计过往时段n年(n》30)，计算每年的平均风速，计算各年平均风速的平均值，作为年平均风速；
[0070]
从资源环境数据中心获取植被覆盖度数据；
[0071]
由srtm1拼接得到的一张图，处理生成坡度数据。
[0072]
优选的，所述s22中不可移动文物大风灾害孕灾环境敏感性评估的计算公式如下：y古＝h(e，r)
×
c1+k(t，y)
×
c2，
[0073]
其中，h(e，r)为年平均风速和高程的综合值，k(t，y)为植被覆盖度和坡度的综合值，c1和c2为h(e，r)和k(t，y)的权重，由ahp层次分析法和德尔菲方法确定。
[0074]
优选的，所述s231中致灾因子数据包括以下指标：平均日最大风速、年均大风频次和年均台风影响频次，其中，沿海地区统计年均台风影响频次，内陆地区统计年均大风频次；
[0075]
并按如下方式处理数据：
[0076]
平均日最大风速：采集该地区气象站点监测数据，统计过往时段n年(n》30)，统计每年的最大日风速，计算各年最大日风速的平均值，作为平均日最大风速；
[0077]
年均大风频次：采集该地区气象站点监测数据，统计过往时段n年(n》30)，统计每年的平均风速超过10.8米/秒的总频次，记为该年的大风总频次，计算各年的大风总频次的平均值，作为年均大风频次；
[0078]
年均台风影响频次：采集该地区气象站点监测数据，统计过往时段n年(n》30)，统计每年的台风出现总频次，计算各年的台风出现总频次的平均值，作为年均台风影响频次。
[0079]
优选的，所述s23中不可移动文物大风灾害致灾因子危险性评估的计算公式如下：沿海地区使用z古＝a(u，a)，内陆地区使用z古＝f(u，f)，
[0080]
其中，a(u，a)为平均日最大风速和年均台风影响频次的数据综合值，f(u，f)为平均日最大风速和年均大风频次的数据综合值。
[0081]
与现有技术相比，本发明提供了一种不可移动文物大风灾害风险图编制方法，具备以下有益效果：
[0082]
通过该风险图编制方法，从致灾因子、孕灾环境和承灾体三方面对不可移动文物所受到的大风灾害的可能以下进行测算，该方法中的指标包含了可能遭受大风灾害影响的强度和频度，也包含了该承灾体所处位置可能遭受的险情，根据历年的数据，在灾害系统观点的框架下，从风险诱发因素出发，研究大风灾害发生的可能性，从而能较为完善的预测不可移动文物在受灾害威胁地区可能遭受灾害影响的强度和频度，从而可以判断不可移动文物在某地区可能受到的损失，进而预先对不可移动文物进行相应的保护，减轻不可移动文物的损毁。
附图说明
[0083]
图1为本发明的风险图编制方法流程示意图；
[0084]
图2为本发明的大风灾害文物本体脆弱性趋势关系计算流程示意图；
[0085]
图3为本发明的大风灾害孕灾环评敏感性趋势关系计算流程示意图；
[0086]
图4为本发明的大风灾害致灾因子危险性趋势关系计算流程示意图。
具体实施方式
[0087]
以下描述用于揭露本发明以使本领域技术人员能够实现本发明。以下描述中的优选实施例只作为举例，本领域技术人员可以想到其他显而易见的变型。
[0088]
参照图1-4所示，一种不可移动文物大风灾害风险图编制方法，包括以下步骤：
[0089]
第一步：数据采集与数据整理；主要收集文物本体数据、致灾因子数据、孕灾环境数据，并对收集的数据进行一致性分析和误差分析，保证数据的有效性。
[0090]
第二步：危险性分析、脆弱性分析、敏感性性分析，包括：
[0091]
s21：计算大风灾害文物本体脆弱性趋势关系：
[0092]
进一步的，包括，s211：承灾体数据采集，s212：承灾体数据整理，s213：形成不可移动文物大风灾害承灾体数据库，s214：进行大风灾害文物本体脆弱性评估；s215：绘制基于设定时间为横轴，脆弱性数值为纵轴的曲线，并计算曲线斜率；
[0093]
s22：计算大风灾害孕灾环评敏感性趋势关系：
[0094]
进一步的，包括，s221：孕灾体数据采集，s222：孕灾体数据整理，s223：形成不可移动文物大风灾害孕灾体数据库，s224：进行大风灾害文物孕灾环评敏感性评估；s225：绘制基于设定时间为横轴，脆弱性数值为纵轴的曲线，并计算曲线斜率；
[0095]
s23：计算大风灾害致灾因子危险性趋势关系：
[0096]
进一步的，包括，s231：致灾体数据采集，s232：致灾体数据整理，s233：形成不可移动文物大风灾害致灾体数据库，s234：进行大风灾害文物致灾危险性性评估；s235：绘制基于设定时间为横轴，脆弱性数值为纵轴的曲线，并计算曲线斜率；
[0097]
第三步：综合上述三个分析的结果形成不可移动文物的大风灾害风险评估结果，包括：
[0098]
s31：根据不可移动文物历时灾害对于文物的影响程度，确定承灾体、孕灾因子、致灾因子在文物风险中的权重，权重确定采用ahp层次分析法和德尔菲方法，其基本步骤为：建立由不可移动文物历时灾害的组成要素所形成的层次结构，通过专家打分比较承灾体、孕灾因子、致灾因子的重要性，据此构造比较判断矩阵，计算权向量以及检验一致性，根据比较判断矩阵，计算出承灾体、孕灾因子、致灾因子在文物风险中的权重i1、i2、i3，公式为：
[0099][0100][0101]
其中，m
lj
为比较判断矩阵第l行第j列的元素，m
11
、m
12
、m
13
由专家对承灾体、孕灾因子、致灾因子打分的结果直接得出，3为比较判断矩阵维数；
[0102]
不可移动文物大风灾害风险评估结果，根据设定的时间标准将s21、s22和s23数
值，代入s31的权重计算评估结果：
[0103]
不可移动文物大风灾害风险评估结果＝本体脆弱性
×
i1+大风灾害孕灾环评敏感性
×
i2+大风灾害致灾因子危险性
×
i3；
[0104]
设定时间是指根据项目需要趋势性，可以设定以年或月或日为单位的时间。第四步：面向用户的风险图编绘，包括不同行政尺度不可移动文物综合风灾风险图、文物保护单位风灾风险评价图、文物本体风险识别图，包括：
[0105]
s41：区域不可移动文物编码方法和gis进行不可移动文物大风灾害成图；
[0106]
s42：图幅、图例、图式设计；
[0107]
第五步：不可移动文物大风灾害风险图出图，包括纸质版图和电子图。
[0108]
s21～s23及s31之后，根据各类别实时数据进行各类别的灾害评估:
[0109]
第一步：计算大风灾害文物本体脆弱性趋势关系；
[0110]
第二步：实时采集不可移动文物承灾体数据采集；
[0111]
第三步：实时大风灾害文物本体脆弱性风险评估；
[0112]
第四步：进行实时不可移动文物大风灾害风评评估结果。
[0113]
s41中基于区域不可移动文物编码方法如下，该文物编码综合了文物单位数量和大风灾害风险评估结果：
[0114]
根据s31中确定的权重，以及区域文物单位数量，以及文物单位，基于gis确定文物编码顺序，计算公式为：
[0115]
b＝n+s(p，q，z)
[0116]
s(p，q，z)＝p
×
i1+q
×
i2+z
×
i3
[0117]
其中，b为文物编码综合值，n为区域不可移动文物数量，s为大风灾害风险评估结果，p为本体脆弱性趋势，q为大风灾害孕灾环评敏感性趋势，z为大风灾害致灾因子危险性趋势。
[0118]
进一步，s21大风灾害文物本体脆弱性趋势关系、s22大风灾害孕灾环评敏感性趋势关系和所述大风灾害致灾因子危险性趋势关系，采用机器学习方法，针对数据进行时间标记、训练、验证，再次验证确定三大因子最佳的趋势关系；
[0119]
比如：通过卷积神经网络模型，计算文物历史数据，确定最佳的文物脆弱性时间关系模型，对未来某时间文物脆弱性进行代入计算；也可以通过以下步骤运用其他机器算法计算。
[0120]
基于卷积神经网络模型计算文物脆弱性趋势具体步骤为：
[0121]
s1：获取文物历史数据；
[0122]
s2：数据整理；
[0123]
s3：设定时间实际测算脆弱值；若历史数据中没有脆弱值，则以计算时刻脆弱性值代替历史实际测算脆弱值；
[0124]
s4：卷积神经网络模型训练，得到训练后的卷积神经网络；
[0125]
s5：将时间输入卷积模型即可得到某文物本体脆弱性趋势关系，孕灾环评敏感性趋势关系，致灾因子危险性趋势关系。
[0126]
进一步，步骤s1中，获取文物承灾体数据，孕灾体数据，致灾体数据。
[0127]
进一步，步骤s1中，将承灾体数据，孕灾体数据，致灾体数据，历史数据设置时间标
签，以年或月或日为每个历史数据设置标签；
[0128]
在运算卷积网络模型时，标记了时间的历史数据，仅对历史数据进行运算，时间作为标记进行记录运算后的历史数据，这样做目的在于保持与运算前历史数据的时间一致性。
[0129]
进一步步骤s4中，构建卷积神经网络；将经过标记文物历史数据作为样本集，将作为卷积神经网络的训练数据，构建卷积神经网络，将样本集的每各历史数据作为输入向量，对应的时间为目标值。
[0130]
该卷积神经网络包括3个卷集核，分别为承灾体数据卷积核，孕灾体数据卷积核，致灾体数据卷积极核，各层之间是串联的关系。卷积层由3个5*5的卷积核组成，卷积核即二维矩阵，对输入卷积层的特征进行卷积操作；最大值池化层计算每个邻域的最大值并传递到下一层。回归层输出目标的位置和类别号。该神经网络结构简单，运算量小，运算速度快。
[0131]
对标记时间的历史数据样本集进行训练，得到所述训练后的卷积神经网络模型。在训练过程中，采用随机梯度下降的方法对所述卷积神经网络中的卷积核参数进行优化，使得损失函数的值收敛至预设值，使得损失函数尽量小，提高目标检测准确性。
[0132]
训练过程为：将标记的历史数据x作为神经网络的输入，通过神经网络f的层层计算，得到当前网络参数下的目标位置y＝f(x)，目标为历史脆弱性值yp＝f(xp)和实际脆弱性值yc＝f(xc)。
[0133]
将对应的图像x标签中标记的历史数据所在时间作为实际目标位置分别为历史脆弱值时间和设定时间的脆弱值分别计算所述历史脆弱值y和实际脆弱值之间的误差。
[0134]
本实施方式中，损失函数loss为目标位置与实际脆弱值误差的加权求和：
[0135][0136]
其中，α
coord
和α
noobj
分别为目标和背景的权值，本实施方式中，目标具体为人员以及传送带主体；代表如果是目标，该项为1，否则为0；代表如果是目标，该项为0，否则为1；x、y、w、h分别为目标的行、列坐标以及宽、高。c为目标的类别号，p(c)为目标为c类的概率。带^的符号代表网络估计的对应属性的值。
[0137]
采用梯度下降法对神经网络的参数θ进行更新，即
[0138]
[0139]
其中α为学习率，学习率一般不大于0.01，本实施例α＝10-5
。
[0140]
采用随机梯度下降的方法对所述卷积神经网络中的卷积核参数进行优化，使得损失函数的值收敛至预设值，损失函数的值收敛至预设值损失函数的值要求小于0.8，收敛后随着迭代次数的增加，损失函数的值不再发生明显变化。
[0141]
本实施例中分别计算历史脆弱值损失函数和实际脆弱值损失函数，当历史脆弱值损失函数和实际脆弱值的损失函数的值都收敛至预设值为0.5以下，结束迭代训练生成训练后的卷积神经网络模型。
[0142]
对于卷积神经网络模型进行再次验证。
[0143]
以现场文物的实测数据对文物脆弱性数值进行验证；验证如果与模型结果相差10％以内，则模型计算正确；若相差结果高于10％以上，则对卷积神经网络模型进行收敛预设值调整，继续计算文物的历史数据，获得适当的模型。
[0144]
以现场文物的实测数据对文物脆弱性数值进行验证；验证如果与模型结果相差10％以内，则模型计算正确；若相差结果高于10％以上，则对神经卷积网络模型进行调整参数调整，继续计算文物的历史数据，获得适当的模型。
[0145]
s211中不可移动文物承灾体数据包括以下指标：文物等级、其他国家级(省部级)称号、始建年代、保存状况、损毁情况、重大险情情况、使用情况、规模和管理情况；
[0146]
查阅保护单位空间数据，得到上述指标数据。
[0147]
s21中不可移动文物大风灾害文物本体脆弱性评估的计算公式如下：c古＝h(g，h，x)
×
b1+k(c，v，b)
×
b2+l(s，o，d)
×
b3，
[0148]
h(g，h，x)为文物等级、其他国家级(省部级)称号和始建年代的综合值，k(c，v，b)为保存状况、损毁情况和重大险情情况的综合值，l(s，o，d)为使用情况、规模和管理情况的综合值，b1、b2和b3为h(g，h，x)、k(c，v，b)和l(s，o，d)的权重，由ahp层次分析法和德尔菲方法确定。
[0149]
s221中孕灾体数据包括以下指标：文物本体高程数据、年平均风速、植被覆盖度和坡度数据，
[0150]
从nasa下载分幅srtm1数据，得到文物本体高程数据；
[0151]
采集该地区气象站点监测数据，统计过往时段n年(n》30)，计算每年的平均风速，计算各年平均风速的平均值，作为年平均风速；
[0152]
从资源环境数据中心获取植被覆盖度数据；
[0153]
由srtm1拼接得到的一张图，处理生成坡度数据。
[0154]
s22中不可移动文物大风灾害孕灾环境敏感性评估的计算公式如下：y古＝h(e，r)
×
c1+k(t，y)
×
c2，
[0155]
其中，h(e，r)为年平均风速和高程的综合值，k(t，y)为植被覆盖度和坡度的综合值，c1和c2为h(e，r)和k(t，y)的权重，由ahp层次分析法和德尔菲方法确定。
[0156]
s231中致灾因子数据包括以下指标：平均日最大风速、年均大风频次和年均台风影响频次，其中，沿海地区统计年均台风影响频次，内陆地区统计年均大风频次；
[0157]
并按如下方式处理数据：
[0158]
平均日最大风速：采集该地区气象站点监测数据，统计过往时段n年(n》30)，统计每年的最大日风速，计算各年最大日风速的平均值，作为平均日最大风速；
[0159]
年均大风频次：采集该地区气象站点监测数据，统计过往时段n年(n》30)，统计每年的平均风速超过10.8米/秒的总频次，记为该年的大风总频次，计算各年的大风总频次的平均值，作为年均大风频次；
[0160]
年均台风影响频次：采集该地区气象站点监测数据，统计过往时段n年(n》30)，统计每年的台风出现总频次，计算各年的台风出现总频次的平均值，作为年均台风影响频次。
[0161]
s23中不可移动文物大风灾害致灾因子危险性评估的计算公式如下：沿海地区使用z古＝a(u，a)，内陆地区使用z古＝f(u，f)，
[0162]
其中，a(u，a)为平均日最大风速和年均台风影响频次的数据综合值，f(u，f)为平均日最大风速和年均大风频次的数据综合值。
[0163]
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。