基于Sentinel-1和Sentinel-2影像的河南扶沟县洪涝灾害遥感监测评估研究

洪涝灾害是我国最主要的自然灾害类型之一,发生频率高、影响范围广,对社会经济发展和人民生命财产安全构成严重威胁。选取河南郑州“7·20”特大暴雨事件中受灾较为严重的河南扶沟县为研究区,基于洪涝灾害发生前后的Sentinel-1和Sen-tinel-2影像,利用支持向量机对灾前的Sentinel-2影像进行土地利用分类,基于Sentinel-1影像利用水体指数SDWI对灾中、灾后的水体范围进行提取,并结合GIS对研究区的灾情进行评估。结果表明:①基于支持向量机提取的土地利用分类图,总体精度达95.85%;②利用SDWI水体指数法提取的水体范围结果显示灾中、灾后的水体面积分别为36.468 km^(2)、18.770 km^(2),总体精度分别为97.6%和95.4%;③由灾情评估结果可得,曹里乡的受灾情况最为严重,最大水体变化面积达到12.63 km^(2)。

以郑州“7·20”特大暴雨为例探讨城市气象灾害应急响应处置机制

随着城市化进程的加快,城市气象灾害对城市生产和生活的影响日益显著,城市气象灾害的防御和处置工作将更加重要。以2021年河南郑州“7·20”特大暴雨为例,详述了本次特大暴雨过程及气象预警服务和应急处置措施,剖析了当前我国城市气象灾害应急响应机制不健全、应急处置滞后等问题,提出了如何进一步完善城市气象灾害应急管理机制及处置预案等建议。

基于深度卷积神经网络和迁移学习的农村房屋洪涝灾害后受损等级分类

洪涝灾害对房屋等建筑物会造成巨大损害,灾后房屋破坏等级鉴定对保障人民生命安全至关重要,而传统的人工鉴定方法,消耗较多的人力、财力及时间等资源.为此,基于河南郑州“7·20”特大暴雨引发的农村房屋破坏数据,采用深度卷积神经网络(CNN)理论,得到灾后房屋危险等级智能分类模型.首先采用AlexNet、VGGNet、GoogleNet和ResNet四种经典的深度CNN架构,对数据集进行训练、验证和测试,得到4种灾后房屋危险等级智能分类模型,然后结合迁移学习方法训练CNN提高模型的泛化能力,并选择效果较优的ResNet-50为分类主模型,最后分析CNN架构中超参数的影响.结果表明:ResNet-50在学习率为0.0005,epoch为50,batch_size为16时网络训练结果最优,其测试集的预测准确率达到了95.5%;此外,房屋危险等级特征的可视化分析明确了模型分类的机理及准确性.试验表明基于迁移学习的识别模型准确率较高,为农村房屋洪涝灾害后受损等级分类模型提供参考.