[发明专利]一种流域性暴雨洪涝承灾体重置成本遥感模拟方法

权利要求书

1.一种流域性暴雨洪涝承灾体重置成本遥感模拟方法，其特征在于，包括以下步骤：

S1、采集流域性暴雨洪涝受灾区受灾前后的多源数据并进行预处理，得到预处理数据；

S2、根据预处理数据提取流域性暴雨洪涝承灾体重置参数，构建暴雨洪涝承灾体重置参数特征集；

S3、采集流域性暴雨洪涝受灾区的保险核灾数据和历史调研数据，构建承灾体重置成本样本集；

S4、根据暴雨洪涝承灾体重置参数特征集和承灾体重置成本样本集，采用深度学习神经网络模型对流域性暴雨洪涝承灾体重置成本进行空间模拟；

所述步骤S1中的多源数据包括时序遥感数据、气象指标数据、下垫面风险暴露数据和暴雨洪涝灾害损失数据；

所述时序遥感数据的采集和预处理方法为：

A1、获取流域性暴雨洪涝受灾区受灾前后的高分三号和哨兵1号的雷达遥感数据以及高分一号、高分六号和哨兵2号的光学遥感数据，所述光学遥感数据选取无云和无冰雪覆盖数据；

A2、对雷达遥感数据进行轨道校正、影像裁剪、滤波处理、辐射定标、地形校正、地理编码和图像镶嵌，得到预处理后的雷达遥感数据；

A3、对光学遥感数据进行辐射定标、大气校正、几何校正、波段配准、多波段影像合成和影像融合，得到预处理后的光学遥感数据；

A4、将预处理后的雷达遥感数据和预处理后的光学遥感数据经过影像配准和重采样统一到30m分辨率，完成对时序遥感数据的预处理；

所述气象指标数据的采集和预处理方法为：

B1、选取全球降雨观测卫星IMERG降水产品，下载受灾前后时间段的产品数据集，通过ARCGIS读取生成tiff文件，并通过双线性内插法重采样为30m空间分辨率；

B2、选用中国气象局陆面数据同化系统近实时产品数据集，利用python批量处理近实时产品数据集的原始文件，转为栅格数据集，并通过双线性内插法将栅格数据集中的影像重采样为30m空间分辨率，完成对气象指标数据的预处理；

所述下垫面风险暴露数据的采集和预处理方法为：

C1、获取最新的全球10m空间分辨率二级分类的精细土地利用数据；

C2、从中国经济与社会发展统计数据库中获取承灾体成本造价数据；

C3、选取无云、经过几何和辐射校正且空间分辨率为40m的国产可持续发展卫星的夜间灯光遥感数据；

C4、对夜间灯光遥感数据进行过滤处理，剔除原始夜间灯光遥感数据内的噪声和干扰光源，并对过滤处理后的夜间灯光遥感数据集进行中值合成，得到稳定的夜间灯光遥感数据；

C5、将稳定的夜间灯光遥感数据重采样成30m分辨率，完成对下垫面风险暴露数据的预处理；

所述步骤S2中的流域性暴雨洪涝承灾体重置参数包括洪涝淹没最大范围特征V1、洪涝淹没深度特征V2、洪涝淹没历时特征V3、小时最大降雨V4、日最大降雨V5、最大风速V6、最大气压V7和风险暴露特征V8；

所述洪涝淹没最大范围特征V1的计算公式为：

其中T_i，j表示像素行列号为i，j的洪涝淹没分类影像；

所述洪涝淹没深度特征V2的计算公式为：

V2＝H_max-H_i，j

其中H_max表示封闭水域中最大高程，H_i，j表示像素行列号为i，j的数字高程值；

所述洪涝淹没历时特征V3的计算公式为：

V3＝∑Δt_i，j

其中Δt_i，j表示像素行列号为i，j的临近影像洪涝淹没像素之间的影像成像时间差；

所述小时最大降雨V4的计算公式为：

V4_i，j＝max{RH_d}_i，j

RH_d＝N_m+N_m+1

其中RH_d表示第d个小时的降雨产品，N_m表示第m个降水产品，下标i，j表示像素行列号；

所述日最大降雨V5的计算公式为：

V5_i，j＝max{RD_r}_i，j

RD_r＝N_l+N_l+1+…+N_l+23

其中RD_r表示第r日的降雨产品，N_l表示第l个降水产品；

所述最大风速V6的计算公式为：

V6_i，j＝max{W_n}_i，j

其中W_n表示时序风速数据集，下标n表示数据集中序号；

所述最大气压V7的计算公式为：

V7_i,j＝max{P_n}_i，j

其中P_n表示时序气压数据集；

所述风险暴露特征V8的计算公式为：

V8＝aZ+b

其中Z表示夜间灯光遥感辐射强度，a,b分别为训练得到的系数和截距；

所述步骤S2中构建的暴雨洪涝承灾体重置参数特征集为：

H＝S(V1，V2，V3，V4，V5，V6，V7，V8)

其中H表示暴雨洪涝承灾体重置参数特征集，S表示集合特征；

所述步骤S3包括以下分步骤：

S31、采集流域性暴雨洪涝受灾区的保险核灾数据和历史调研数据，并按照30m×30m格网进行划分，将包含历史调研数据条目超过5条的选为样本格网，形成暴雨洪涝重置成本样本；

S32、根据流域性暴雨洪涝受灾区的历史调研数据，采用统计平均法确定单位面积或数量的不同财产类型的重置成本P；

S33、根据受灾前后的高分辨率卫星遥感数据对比获取各财产类型的受灾面积或数量Q；

S34、根据重置成本P和受灾面积或数量Q构建承灾体重置成本样本集Y：

Y＝{y_i，i＝1,2，...，n}

y_i＝Q_i×P_i

其中y_i表示第i个样本的重置成本总值，Q_i表示第i个样本的受灾面积或数量，P_i表示第i个样本的重置成本，n表示样本总数；

所述步骤S4包括以下分步骤：

S41、根据暴雨洪涝重置成本样本的空间网格位置，从暴雨洪涝承灾体重置参数特征集中对应提取30m×30m格网的暴雨洪涝承灾体重置参数；

S42、对所有暴雨洪涝承灾体重置参数进行归一化处理：

其中表示归一化前第i个特征的第j个样本，x_ij表示归一化后第i个特征的第j个样本，表示分别表示第i个特征的最小值和最大值；

S43、根据归一化后的暴雨洪涝承灾体重置参数x_ij构建深度学习神经网络模型的输入训练样本X＝{x_ij}；

S44、设置深度学习神经网络模型的输入层包含8个神经元，中间设置多个隐藏层，在输出层得到预测值f(x，w)：

其中x表示神经网络的输入，w表示权重，w_ij表示x_ij对应的权重参数，b_j表示x_ij对应的偏移量；

S45、设置深度学习神经网络模型的损失函数

其中n表示样本总数，f(x^j，w)表示第j个样本的预测值，y^j表示第j个样本的真实值；

S46、采用批量随机梯度下降法优化损失函数，在每次迭代后更新特征的权重参数和偏移量，不断训练迭代直到损失函数值极小化，更新的权重参数W_new和偏移量B_new表示为：

其中η表示学习率，表示损失函数在权重W方向的梯度，表示损失函数在偏移量B方向的梯度；

S47、通过验证样本对训练完成的深度学习神经网络模型进行评估，验证模型的准确性，评估指标为平均绝对误差MAE和精确度ACC：

其中Y′为模型预测的承灾体重置成本，Y为真实的承灾体重置成本；

S48、采用验证后的深度学习神经网络模型进行空间网格模拟计算，得到流域性暴雨洪涝承灾体重置成本的空间模拟结果。