基于拓扑空间表示的我国洪涝灾害时空分布规律挖掘与可视化研究

Flood causes the most loss in normal years in China. Due to the irregularity and complexity of flood loss data, how to mine the temporal-spatial patterns hidden in such data has been an open problem in the community of natural hazards. In this grant, based on the rich data collected by civil affairs departments and recent advances in mathematics and information science, we will investigate mining and visualizing the temporal-spatial patterns of flood loss data by using topological representations. Our research includes: optimal image representation model of flood loss data with multi-dimension combination; scale-independent and optimal abstract image feature extraction which can optimally encode the loss data, as well as the mathematical model of topological representation; machine learning theory of loss patterns in topological space; visualization method which can optimally preserve the distribution of loss data under topological measures. By setting up models, theories and algorithms, we will carefully study the mining of occurrence and loss patterns of flood in China. We will also assessment the relationship between flood and voluntary areas. By doing this, we aim to provide technical support to flood disaster relief and reduction in China. Moreover, the research in this grant will be demonstrated and validated in the National Natural Disaster Information Management System as a module, which will provide analyzing and visualization tool for disaster information managers.

洪涝灾害是我国常年造成损失最为严重的灾种。由于洪涝灾情数据分布的不规则性和复杂性，如何挖掘其隐含的时空分布规律，是当前研究界的研究难点。本项目将立足于民政系统长期积累的我国洪涝灾害灾情数据，基于数学和信息科学领域的最新成果，重点研究基于拓扑表示的洪涝灾损时空分布模式的挖掘与可视化，具体包括：多维度组合下最优灾情数据图像化表示理论；尺度独立且能最优编码灾损信息的抽象图像特征提取方法，以及拓扑空间表示数学模型；拓扑空间中灾损模式的无监督机器学习理论；拓扑度量下最优保持灾损模式分布结构的可视化方法。通过建立模型、理论和算法，本项目将深入挖掘我国洪涝灾害发生频次和灾损模式的多尺度时空规律，评估洪涝灾害与特殊地区的关联关系，为我国洪涝灾害的综合防治提供科学参考依据。进一步，本项目的成果将通过模块化方式在国家自然灾害信息管理系统中进行示范验证，为洪涝灾情信息管理提供智能分析和可视化工具。

洪涝灾害是我国常年发生频率最高、造成损失最为严重的自然灾害。由于洪涝灾情数据分布的不规则性和复杂性，如何挖掘其隐含的时空分布规律，既是当前研究界的研究难点，也是我国自然灾害管理提出的重要需求。. 本项目立足于民政系统长时间序列、多空间尺度的洪涝灾害灾情数据，基于统计推断和机器学习领域的最新理论和方法，重点研究基于拓扑表示的洪涝灾损时空分布模式的挖掘与可视化理论，包括多维度组合下最优灾情数据表示方法、尺度独立灾情数据时空分布演化特征提取方法、拓扑空间中灾损模式的机器学习理论、拓扑度量下最优保持灾损模式分布结构的可视化方法等。. 本项目研究提出了基于平稳泊松过程的灾情时变演化模型，挖掘了灾情-时间的负指数时变规律，给出模型的具体数学表达式和模型参数的求解算法；提出了新的层级式综合灾情指数计算模型，实现了时空两个维度对评价对象损失程度的定量化分析；提出了面向多元灾情变量，最优保持空间-灾情拓扑结构的量化灾情指标算法，并提出了基于空间差值的连续化GIS表示方法；研究了拓扑空间中用于灾损模式挖掘的机器学习方法的稳定性和收敛性，给出了误差分析和收敛性方面的理论分析。. 本项目的研究一方面属于自然灾害学和信息科学的交叉研究，其研究内容在灾情数据时空分布规律分析和非欧空间中的数据挖掘领域都是一次探索性的创新；另一方面，本项目的研究成果能够为洪涝灾害的风险评估和综合评价提供重要科学依据，为洪涝灾情信息管理提供智能分析和可视化工具。.