Constructing Scenario Dimension Model of City Waterlogging Under Big Data Environment
-
摘要: 在大数据环境下，内涝情景描述的高频实时、交互共享、跨界数据融合和粒度缩放均成为可能；相应地，在内涝情景的表达上，更加需要从全景视角出发认知情景的全局整体关联。首先, 以全景式管理思想为指导，提出内涝灾害的多维情景框架，选取情景层次、类型和粒度3个情景维度；随后，聚焦城市、社区和居民3个典型情景层次的情景要素关联，基于数据嵌套理论，构建了基于情景嵌套的内涝灾害情景维度模型；进一步地，提出多维情景生成的迭代算法，集成多层次内涝情景数据，实现了情景描述的修正与完善；最后，通过对武汉市东湖高新区的用例分析，验证了内涝情景维度模型的合理性与有效性。Abstract:Objectives Under big data environment, high frequency and real-time data collection, multi-sector interaction and data sharing, cross-border data fusion and multi-granularity data scaling of waterlogging scenario description have all become possible. Accordingly, in the representation of waterlog scenarios, it is very necessary for emergency managers to recognize the overall relevance of the scenario elements from a full-view perspective.Methods Based on full-view management theory, we firstly propose a multi-dimension scenario framework of waterlogging disasters, with three dimensions selected, i.e. scenario level, scenario type and scenario granularity. Next, based on data nesting theory, focusing on the relationship of scenario elements at three typical scenario levels:city, community and residents, the scenario nesting structures are proposed, and the scenario dimension model of waterlogging disasters is constructed. Furthermore, an iterative algorithm for multi-dimension scenario generation is proposed, which integrates multi-level waterlogging scenario data and realizes the modification and improvement of scenario description. Finally, through a case study in Donghu, Wuhan City, the reasonability and validity of the proposed model are verified.Results The case results show that through the various generic scenario elements and their associations provided by the proposed scenario dimension model, the scenario information of various administrative levels can be generated for effective scenario recognition and waterlogging response. Compared with traditional scenario representation, the proposed model shows advantages in multi-level scenario representation, dynamic scenario element nesting and multi-party interaction.Conclusions The waterlogging scenarios of different levels, types and granularities interact with each other. Through the establishment of scenario dimension model, those scenario elements can be associated, which is greatly helpful for understanding waterlogging scenario information and makes the emergency response more effective.
-
Keywords:
- big data /
- city waterlog /
- scenario-response /
- dimension model /
- scenario nesting
-
-
![]()
图 1 城市内涝灾害的多维情景框架
Figure 1. Multi-dimension Scenario Framework of Urban Waterlogging Disasters
![]()
图 3 内涝多维情景生成算法的运行示例
Figure 3. Operation Instance of Multi-dimension Waterlogging Scenario Generation Algorithm
![]()
图 4 城市层内涝情景生成结果（居民聚集风险）
Figure 4. City Level Waterlogging Scenario Generation Results (About Risk of Resident Gathering)
![]()
图 5 城市层内涝情景生成结果（交通出行风险）
Figure 5. City Level Waterlogging Scenario Generation Results (About Travelling Risk of Roads)
![]()
图 6 社区层内涝情景生成结果(社区居民出行目的地风险)
Figure 6. Community Level Waterlogging Scenario Generation Results(About Travelling Destination Risk)
![]()
图 7 社区层内涝情景生成结果（社区内部交通出行风险）
Figure 7. Community Level Waterlogging Scenario Generation Results (About Travelling Risk Within Community)
表 1 用例数据集
Table 1 Datasets in Use Case
数据名称 数据描述 数据类型 数据量 数据来源 降雨数据 每小时降雨量观测值 数值 168条 武汉东湖高新区水务局 排水系统数据 排水管线 矢量 324条 武汉东湖高新区水务局 地理数据 12M数字高程模型(DEM) 栅格 518 km2 LocaSpaceViewer (LSV) 交通数据 地物遥感影像 栅格 518 km2 谷歌地球 道路车流量 数值 37条 武汉市公安局东湖新技术开发区交通大队 渍水路段 文本 118条 武汉市公安局东湖新技术开发区交通大队 社交媒体数据 微博帖子 文本 5.3万条 新浪微博数据爬取 通信数据 通信基站位置 文本 791条 武汉东湖高新区管委会 (基站)接入设备数 数值 13.3万条 武汉东湖高新区管委会 人口数据 居民信息(脱敏)：工作单位、单位地址、年龄 数值/文本 862条 九峰新区社区管理部门 注：数据的时间区间均为2016年武汉暴雨内涝期间，即2016-06-30—2016-07-06 
下载: 导出CSV
表 2 各层次情景要素集
Table 2 Scenario Element Sets of Each Scenario Level
Elm eklm（情景要素） Sklm（情景特征） 特征解释 城市 e1l1 暴雨 每小时降雨量（r） 每小时降雨量观测值 e2l1 地理网格 排水管径（d） 地理网格范围内的排水管管径 每小时排水量（v） 根据排水管径计算得到的网格每小时排水量 渍水深度（h） 综合降雨及排水量计算得到的网格渍水深度 渍水深度观测值（h'） 交通部门巡查获取的部分网格实际渍水深度，用于修正计算值（h） e3l1 道路 每小时车流量（f） 道路每小时车流量（反映渍水时拥堵情况） 渍水网格数量（n） 道路存在渍水的地理网格数量 渍水长度（l） 渍水网格覆盖的道路长度 e4l1 城市总体 人口热力（m） 特定时刻城市范围内的人口热力图 居民聚集风险（a） 居民聚集于渍水区域带来的风险 交通出行风险（r1） 车辆拥堵于渍水路段带来的风险 e5l1 地理环境 高程（e） 计算地理网格渍水深度的重要指标 水系水位（w） 用于修正渍水深度计算结果 社区 e1l2 居民 出行目的地（t1） 结合居民工作单位等信息推断潜在出行目的地 e2l2 道路 不可通行路段（u） 因渍水造成的不可通行路段 e3l2 社区总体 出行目的地（t2） 由居民出行目的地聚类得到 目的地风险（r2） 反映为目的地网格渍水深度 交通出行风险（r3） 车辆拥堵于沿途渍水道路带来的风险 居民 e1l3 居民 当前风险（c） 主要考虑居民所处位置的渍水深度 出行目的地（t3） 由居民结合需求制定 路线规划（p） 结合居民所处位置与目的地生成所有可行路线 目的地风险（r4） 反映为目的地网格渍水深度 交通出行风险（r5） 车辆拥堵于沿途渍水道路带来的风险
下载: 导出CSV
表 3 同一层次情景要素的特征关联关系(部分)
Table 3 Feature Relationship of the Scenario Elements in Same Levels (Part)
Rlk rilk（情景要素） Sr(lk)O Sr(lk)I（输入特征） fr(lk)（特征关系） 城市 r1l1 地理网格 每小时排水量（v） 排水管径（d） $\frac{{{\rm{ \mathsf{ π} }}\partial {d^2}}}{{4\partial t}} + \frac{{\partial v}}{{\partial x}} = 0$（x为管道长度，按网格宽度处理） 渍水深度（h） 每小时降雨量（r）、排水量（v）、高程（e）、水系水位（w）、渍水深度观测值（h'） (1)根据高程（e）生成汇水区（利用ArcGIS水文分析功能）
(2)汇水区$\bar h = Q - v, Q = \left\{ {\begin{array}{*{20}{l}} {\frac{{{{(r - 0.2S)}^2}}}{{r + 0.8S}}, \quad r \ge 0.2S}\\ {0, r < 0.2S} \end{array}} \right.$，S经验值取64
(3)考虑水系（湖泊、水库等）的调蓄作用，则修正值$h = \left\{ {\begin{array}{*{20}{l}} {\bar h - \bar v, w < {w_t}}\\ {\bar h, w \ge {w_t}} \end{array}} \right.$（wt为警戒水位，v为调蓄水管的每小时排水量）
(4)若$\left| {h - {h^\prime }} \right| > {h_T}$（hT为预先设定的阈值），则令h=h'社区 r1l2 社区总体 出行目的地（t2） 居民个体出行目的地（t1） 将辖区居民的出行目的地（t1）层次聚类，得到辖区居民出行的主要目的地（t2） 居民 r1l3 居民 路线规划（p） 出行目的地（t3） 调用百度地图，根据居民当前位置和出行目的地（t3）生成规划路线（p）
下载: 导出CSV
表 4 不同层次情景嵌套关系及其实现(部分)
Table 4 Feature Relationship of the Scenario Elements in Different Levels and Its Implementation (Part)
Rt, ml eklm（情景要素） SrO（情景特征） SrI（其他层次关联特征） 嵌套关系 嵌套关系实现 社区→城市 城市总体 人口热力（m） 社区层 出行目的地（t2） 聚合嵌套 设定辖区社区数为nc，将辖区各社区居民的出行目的地（t2）层次聚类，得到人口热力预测值（mc） 选择嵌套 (1)若人口热力预测值（mc）的准确率达到阈值，则令m=mc
(2)若预测值（mc）未达到阈值，则采用实际值（m）居民→城市 城市总体 人口热力（m） 居民层 出行目的地（t3） 聚合嵌套 设定辖区居民数为nr，将辖区各居民的出行目的地（t3）层次聚类，得到人口热力预测值（mr）(此法仅限使用移动终端进行路线规划的居民，存在一定误差) 城市→社区 社区总体 目的地风险（r2） 城市层 渍水深度（h） 继承嵌套 (1)定位出行目的地（t2）所在地理网格
(2)特定网格目的地风险${r_g} = \left\{ {\begin{array}{*{20}{l}} {1, h > {h_0}}\\ {0, h \le {h_0}} \end{array}} \right.$（h0是预先设定的阈值，rg=1代表高风险，rg=0代表一般风险）交通出行风险（r3） 城市层 交通出行风险（r1） 继承嵌套 (1)提取路线涉及道路网格Gt={gti}
(2)调用城市层风险数据，即r3={r1|Gt}（网格集G对应的风险数据）
下载: 导出CSV
-
[1] Liu Y, Chen Z, Wang J, et al. Large-Scale Natural Disaster Risk Scenario Analysis: A Case Study of Wenzhou City, China[J]. Natural Hazards, 2012, 60(3): 1 287-1 298 doi: 10.1007/s11069-011-9909-2
[2] Zhang N, Chen H, Chen J, et al. Social Media Meets Big Urban Data: A Case Study of Urban Waterlogging Analysis[J].Computational Intelligence and Neuroscience, 2016, DOI: 10.1155/2016/3264587
[3] 徐宗本, 冯芷艳, 郭迅华, 等.大数据驱动的管理与决策前沿课题[J].管理世界, 2014(11): 158-163 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=glsj201411014 Xu Zongben, Feng Zhiyan, Guo Xunhua, et al. Big Data Driven Management and Decision Frontier Issues[J]. Management World, 2014(11): 158-163 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=glsj201411014
[4] Hondula D M, Kuras E R, Longo J, et al. Toward Precision Governance: Infusing Data into Public Management of Environmental Hazards[J]. Public Management Review, 2018, 20(5): 746-765 doi: 10.1080/14719037.2017.1320043
[5] Dettinger M D, Hughes M, Das T, et al. Design and Quantification of an Extreme Winter Storm Scenario for Emergency Preparedness and Planning Exercises in California[J].Natural Hazards, 2012, 60(3):1 085-1 111 doi: 10.1007/s11069-011-9894-5
[6] 陈雪龙, 卢丹, 代鹏.基于粒计算的非常规突发事件情景层次模型[J].中国管理科学, 2017, 25(1): 129-138 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=671662679 Chen Xuelong, Lu Dan, Dai Peng. Hierarchical Scenario Model of Unconventional Emergency Based on Granular Computing[J]. Chinese Journal of Management Science, 2017, 25(1): 129-138 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=671662679
[7] Mintzberg H, Ahlstrand B, Lampel J B. Strategy Safari: Your Complete Guide Through the Wilds of Strategic Management[M]. Edinburgh: Pearson Education, 2009
[8] 王艳东, 李昊, 王腾, 等.基于社交媒体的突发事件应急信息挖掘与分析[J].武汉大学学报·信息科学版, 2016, 41(3): 290-297 doi: 10.13203/j.whugis20140804 Wang Yandong, Li Hao, Wang Teng, et al.The Mining and Analysis of Emergency Information in Sudden Events Based on Social Media[J].Geomatics and Information Science of Wuhan University, 2016, 41(3): 290-297 doi: 10.13203/j.whugis20140804
[9] Duan H, Liu C, Zeng Q, et al. Refinement-Based Hierarchical Modeling and Correctness Verification of Cross-Organization Collaborative Emergency Response Processes[J]. IEEE Transactions on Systems, Man, and Cybernetics: Systems, 2018, 50(8): 2 845-2 859 http://ieeexplore.ieee.org/document/8370900/references
[10] 马奔, 毛庆铎.大数据在应急管理中的应用[J].中国行政管理, 2015(3): 136-141 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=663799771 Ma Ben, Mao Qingduo. The Application of Big-Data Approach in Emergency Management[J]. Chinese Public Administration, 2015(3): 136-141 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=663799771
[11] Ju J, Liu L, Feng Y. Citizen-Centered Big Data Analysis- Driven Governance Intelligence Framework for Smart Cities[J]. Telecommunications Policy, 2018, 42(10): 881-896 doi: 10.1016/j.telpol.2018.01.003
[12] Zhang X, Zhang J. Complex Big Data Analysis Based on Multi-granularity Generalized Functions[J].International Journal of Online Engineering, 2018, 14(4): 43-57 doi: 10.3991/ijoe.v14i04.8368
[13] 彭春, 李金林, 王珊珊, 等.多类应急资源配置的鲁棒选址-路径优化[J].中国管理科学, 2017, 25(6): 143-150 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=90717175504849554854484954 Peng Chun, Li Jinlin, Wang Shanshan, et al. Multiple Relief Resources Robust Location-Routing Optimization[J].Chinese Journal of Management Science, 2017, 25(6): 143-150 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=90717175504849554854484954
[14] 黄辉, 吴翰, 杨佳祺, 等.基于实时路况信息的灾后应急配送路径选择系统[J].系统管理学报, 2018, 27(1): 50-56 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=xtgcllffyy201801007 Huang Hui, Wu Han, Yang Jiaqi, et al. Study on After-Disaster Emergency Relieve Supplies Transportation Route Selection System Based on Real Time Route Information[J]. Journal of Systems and Management, 2018, 27(1): 50-56 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=xtgcllffyy201801007
[15] 王颜新, 李向阳, 徐磊.突发事件情境重构中的模糊规则推理方法[J].系统工程理论与实践, 2012, 32(5): 954-962 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=xtgcllysj201205006 Wang Yanxin, Li Xiangyang, Xu Lei. Fuzzy Rules Reasoning Method in Emergency Context Reconstruction[J]. Systems Engineering:Theory and Practice, 2012, 32(5): 954-962 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=xtgcllysj201205006
[16] Leon-Novelo L G, Zhou X, Bekele B N, et al.Assessing Toxicities in a Clinical Trial:Bayesian Inference for Ordinal Data Nested Within Categories[J]. Biometrics, 2010, 66(3): 966-974 doi: 10.1111/j.1541-0420.2009.01359.x
-
期刊类型引用(4)
1. 朱杰，郑加柱，陈红华，杨静，胡平昌，陆敏燕. 结合POI数据的南京市商业中心识别与集聚特征研究. 现代测绘. 2022(06): 34-39 . 
百度学术
2. 金澄，安晓亚，陈占龙，马啸川. 矢量居民地多边形多级图划分聚类方法. 武汉大学学报(信息科学版). 2021(01): 19-29 . 百度学术
3. 张铭龙，何贞铭. 基于因子分析法的城市商业中心抽取研究. 地理空间信息. 2021(08): 58-60+64+5 . 百度学术
4. 李卫东，张铭龙，段金龙. 基于POI数据的南京市空间格局定量研究. 世界地理研究. 2020(02): 317-326 . 百度学术
其他类型引用(3)
计量
- 文章访问数: 1426
- HTML全文浏览量: 562
- PDF下载量: 227
- 被引次数: 7
