农业大数据技术及其在农业灾害制图中的应用

在大数据时代背景下,结合农业灾害制图特点进行研究,研究结果对促进大数据、农业信息科学及灾害风险管理的交叉发展及建立农业灾害大数据基础技术体系具有重要的参考意义。

基于机器学习的流域尺度森林火灾灾害风险预测

森林是碳库,具有强大的固碳增汇功能,在应对气候变化中发挥着重要作用。然而,由于极端高温的影响,频繁发生可燃物自燃而引发森林火灾,除了影响区域水文大气循环过程以外,也给人类带来严重的人员伤亡和经济损失。现有森林火灾预测研究主要侧重可燃物研究和火灾监测等方面,较少关注大尺度地形、气象和人类活动对森林火灾的影响,但这些也是除可燃物外导致森林火灾发生的主要因素。以嘉陵江流域重庆段为研究区,区域内山地受自然火灾影响严峻。基于地理信息系统叠加地理空间因子与火灾分布点获得数据集,构建4种机器学习模型,测试模型性能,评价最优模型进行森林火灾灾害风险制图。研究结果表明,模型评估指标受试者工作曲线下面积(area under the curve,AUC)平均值为95.0%,模型性能梯度提升决策树最优,AUC值为98.3%。利用梯度提升决策树(gradient boosting decision tree,GBDT)模型预测森林火灾风险对防范大尺度森林火灾具有一定的可行性,对山城避灾规划起到借鉴作用,规划引导降低森林火灾风险,从而维护生态平衡和生态系统碳汇能力。

基于数值模拟的泥石流危险性分区方法

由于泥石流运动方程研究和计算机技术的迅速发展使得基于数值模拟的泥石流危险性分区方法已成为泥石流危险性分区的主要方法。该方法也是这一领域最为有效的定量方法,并被大量应用于泥石流灾害评估、土地利用规划和灾害制图中。在分析泥石流运动数值模拟方法和根据模拟结果进行分区研究现状的基础上,指出了该方法在数值模型的建立、分区指标的确定以及指标分级中存在的问题,并针对这些问题提出了解决方法。

多空间尺度的灾害应急动态制图规则

研究了灾害应急制图知识规则的形式化表达方法,并在此基础上深入分析了灾害应急制图规则和空间尺度之间的相互关系,初步探究了多尺度下的制图规则表达策略,并应用于系统设计的实例中,充分满足灾害应急制图的时效性需求。