【摘 要】
:
灾害链是在特定空间尺度与时间范围内,受到孕灾环境约束的致灾因子引发一系列致灾因子链,使得承灾体可能受到多种形式的打击,形成灾情累积放大的灾害串发现象。台风灾害链中,初始的台风灾害通常伴随着强风、暴雨、风暴潮,与多样的孕灾环境作用继而引发洪涝、滑坡、泥石流、海水倒灌等次生灾害,形成复杂的致灾因子链。城市的关键基础设施系统为社会持续生产和人民生活提供基本商品与服务,是城市的生命线系统。系统间的相互依赖
论文部分内容阅读
灾害链是在特定空间尺度与时间范围内,受到孕灾环境约束的致灾因子引发一系列致灾因子链,使得承灾体可能受到多种形式的打击,形成灾情累积放大的灾害串发现象。台风灾害链中,初始的台风灾害通常伴随着强风、暴雨、风暴潮,与多样的孕灾环境作用继而引发洪涝、滑坡、泥石流、海水倒灌等次生灾害,形成复杂的致灾因子链。城市的关键基础设施系统为社会持续生产和人民生活提供基本商品与服务,是城市的生命线系统。系统间的相互依赖关系使得一个系统的故障容易蔓延到多个系统,例如强风破坏电力系统,不仅造成直接的经济损失,更引发大规模停电、停水、供气中断、交通堵塞、通信困难等现象,阻碍应急救援,严重影响社会持续生产和居民正常生活。传统的单一灾害的应急救援与决策模式显然无法应对这样多灾害、多目标决策的情形。理清台风灾害链的常见模式、了解关键基础设施系统中级联故障的传播机制,以便在灾害发生前、发生时对灾害发展趋势和承灾体风险做出合理的预判和评估,对于应急决策能力的提高至关重要。
本文针对关键基础设施系统中的台风灾害链进行研究,主要完成了如下工作:
(1)基于文献调研,总结了台风灾害链及关键基础设施系统受损的典型模式,梳理了关键基础设施系统之间的相互依赖关系,为后续建模提供依据。
(2)运用灾害蔓延的动力学模型对复杂网络中台风灾害链进行了宏观的建模,创新地将关键基础设施系统的相互依赖关系纳入到台风灾害链的成因讨论中,并以台风“山竹”为例,模拟了强风作用下关键基础设施系统的受损状态,分析了自修复能力、时延系数等参数对灾害蔓延的影响,并提出了基于网络拓扑结构的关键节点识别方法。与已有的灾害复杂网络模型相比,本文所构建模型的空间尺度统一,方便应急管理决策者明确决策焦点、识别关键节点、断链减灾。
(3)在灾害蔓延动力学模型基础上,创新地提出了台风多致灾因子作用下关键基础设施系统的级联故障模型,综合考虑致灾因子的时间、空间分布属性、危险性、关键基础设施系统的空间位置以及系统间相互依赖关系等因素,实现了对关键基础设施系统耦合网络运行状态的动态模拟。以台风“山竹”为例说明了模型的实现方法,对模拟计算的结果进行了定性评价,最后说明了模型的不足与后续改进的方向。
其他文献
在物联网、云计算、人工智能等前沿技术迅猛发展的大数据时代背景下,时空大数据的获取与感知能力得到了质的飞跃,我国智慧城市的建设已经上升到国家经济与科技的战略层面,国家自然资源部于2019年正式启动了“实景三维中国”的建设项目,旨在完成国家960万平方公里的三维模型重建。城市建设的空间递进,需要从地物级微观小场景到城市级宏观大场景不同层级的地理数据覆盖。智慧城市系统应能针对各级需求提供相应的可视化、模
精密单点定位(PPP)和载波相位差分(RTK)是卫星导航(GNSS)领域常用的高精度定位技术,被广泛应用于工程实践和科学研究中。实际应用中受限于通信网络延迟、产品技术水平等因素,数据在传输时总会产生一定的时间延迟,从而对定位的精度和效率产生影响。鉴于此,本文聚焦于因网络、通信等原因造成的时间延迟对实时PPP和RTK定位的影响,分析其原因并提出解决方案,目标是提高实时PPP和RTK定位的精度和效率。
全球导航卫星系统(GNSS)可以全天候地给用户提供较高精度的三维位置和速度信息,但是GNSS观测信号采样频率一般较低并且易受外界环境影响,例如高楼大厦、湖面、树木、活跃的电离层等,进而影响定位的精度和可靠性。惯性导航系统(INS, Inertial Navigation System)具有采样频率高,自主工作、导航参数完备、短期精度高等特点,抗外界干扰能力强,但是INS的定位误差随着推导时间的增加
上对流层与下平流层(Upper Troposphere and Lower Stratosphere,UTLS)是大气结构性质由对流层向平流层转换的过渡区域,对流层顶存在于UTLS区域内,在研究中被认为是对流层与平流层的分界层,阻碍着大气中水汽、臭氧及气溶胶的垂直交换,对大气运动过程及气候变化具有高敏感性,对流层顶的结构分布、年际变化与地表温度、近地面天气及气候变化紧密相关,同时全球及区域对流层顶
随着成像光谱技术的发展,星-空-地多尺度高光谱遥感对地观测已广泛应用于环境监测、矿物勘探、精细农业等众多遥感领域。然而,受到成像环境与传感器-光学系统综合影响,高光谱遥感影像常常受到高斯、条带、脉冲等多类型混合噪声污染,严重降低了数据质量与可用性。基于图像预处理的高光谱遥感影像降噪是解决噪声问题的主要途径,旨在去除影像中的噪声成分,还原地物的真实辐射信息。传统方法通过滤波或正则化模型求解实现噪声去
珞珈一号科学实验卫星是武汉大学牵头研制的夜光遥感卫星,同时也是国内首颗成功开展低轨卫星导航信号增强的卫星。珞珈一号的导航增强载荷能够在轨生成双频测距信号,实现导航信号增强功能,同时能够接收GPS/北斗双频观测数据。由于珞珈一号具备导航增强功能,低轨导航增强应用对精密轨道提出了更高的要求。珞珈一号事后精密轨道需要达到厘米级定轨精度以满足导航增强应用的需求,此外,解算珞珈一号的近实时精密轨道产品,对生
遥感作为大范围、广视角的监测手段,在国家安防、军用领域的作用日益凸显,基于高分影像完成各类典型目标的自动检测与识别具有重要的战略意义。近年来,深度学习以其能够自主学习到数据的层次化特征的优势,被越来越多地应用于遥感影像目标检测。尽管如此,现有的基于深度学习的遥感目标检测方法仍存在一定不足。首先,现有方法大多采用典型前馈式网络为特征提取网络,如VGG和ResNet,且仅利用深层次特征进行预测,缺少对
农作物种植结构描述了一个国家、地区或生产单元内不同作物的空间分布状况及种植面积比例关系,是农业生产活动对土地利用的具体表现形式。利用卫星遥感影像及时、准确地提取农作物种植结构不仅是农作物长势监测、产量评估、农田灌溉指导及灾害评价等后续农业应用的基础,同时也是宏观把控粮食储备、评估人口承载能力以及调节农产品价格的重要依据,具有重大的实际应用价值与广泛的应用范围。然而,目前的农作物种植结构提取方法对新
随着互联网、物联网、车联网等技术的高速发展,基于GPS采集的移动对象轨迹数据爆炸式增长,迫切需要通过交互式视觉分析来帮助用户探索大规模轨迹数据中的固有特征和潜在规律,实现多角度、多层次的分析。然而,由于轨迹大数据具有海量、时空相关以及高维属性等特征,在可视分析时存在渲染效率低、可视化效果差等问题。现有的大多数解决方案主要是采用预聚合方法来提高渲染效率,然而预聚合方法在空间上是将轨迹点数据视为离散点
随着经济的快速增长、城市化进程的逐渐加快,城市机动车保有量逐年攀升,其增长率达到公路增长率的五倍,导致交通拥堵现象逐渐加剧,造成了巨大的时间经济损失和环境问题,使得交通拥堵已经成为世界各国面对的主要社会问题之一。交通拥堵的治理和拥堵路段的规避依赖于交通路况信息的获取和预测。 随着互联网和人工智能的快速发展,借助轨迹数据和深度学习技术可获取城市大范围路况信息、自适应学习高维复杂规律以得到更准确的预