系统韧性视角下城市洪涝灾害风险减缓研究——以郑州“7·20”特大暴雨灾害为例

随着全球气候变化及城市化进程的加快,我国城市洪涝灾害频发且呈现日趋严峻的态势,造成巨大的生命财产损失,引发公众重新审视传统的应急体系。作为应急管理全过程的起点,风险减缓阶段通过灾前行动来降低灾害发生的可能性,是预防洪涝灾害发生的重要环节。文章在分析郑州“7·20”特大暴雨灾害主要成因的基础上,发现城市洪涝灾害风险减缓过程中仍存在许多问题,因此,基于“系统韧性”理论视角,文章建立一个“社会-生态-工程”韧性综合框架,以期为我国城市洪涝灾害风险减缓提供理论支撑与决策依据。

郑州“7.20”暴雨情景下城市韧性内涝防治体系构建研究——以福州滨海新城核心区为例

介绍了福州滨海新城核心区地面高程规划和排涝系统规划,分析了福州滨海新城核心区在遭遇郑州“7.20”暴雨情景下面临的风险。提出韧性内涝防治体系的概念,从韧性概念解析,内涝防治目标和原则,构建了“水进人退”的内涝防治空间体系和相应的社会管理措施,为福州滨海新城核心区应对巨灾情景下的降雨提出了解决方案。

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.