Red de Respuestas Legales - Derecho de bienes - Métodos de evaluación de riesgos de peligros geológicos

Métodos de evaluación de riesgos de peligros geológicos

La incertidumbre de los desastres geológicos como deslizamientos de tierra y flujos de escombros determina el método de análisis de incertidumbre para su evaluación. Este método es un método de investigación basado en los principios científicos de sistemas generalizados y el método de analogía de la teoría de predicción de desastres geológicos. Con la aplicación de la teoría de la probabilidad, la estadística matemática, la teoría de la información y la teoría de las matemáticas difusas en la predicción de desastres geológicos, se han formado una variedad de modelos de predicción, y sus resultados de predicción se pueden comparar y probar entre sí, haciendo así que los resultados de la predicción sean más razonable y científica. En la actualidad, los métodos de análisis no deterministas comúnmente utilizados incluyen principalmente los siguientes.

1. Método de síntesis de parámetros

El método de síntesis de parámetros también se denomina método de evaluación integral del índice de experiencia de expertos. Es el método de evaluación cuantitativa más simple. Este modelo se basa principalmente en la rica experiencia de los expertos. La experiencia y el conocimiento de los expertos se obtienen a través de la puntuación de los expertos. Los expertos seleccionan los factores que afectan los peligros geológicos y elaboran mapas. Con base en la experiencia de los expertos, se asignan ponderaciones apropiadas a cada factor y finalmente se realiza una superposición o síntesis ponderada para formar un mapa de zonificación del riesgo de desastres geológicos.

Las principales ventajas son: ① Se puede considerar una gran cantidad de parámetros simultáneamente ② Se puede utilizar para evaluar la estabilidad de áreas de cualquier escala y pendientes individuales ③ El uso de reglas implícitas se reduce considerablemente; y se mejora el grado de cuantificación; ④Todo el proceso se puede completar rápidamente con el apoyo de SIG, lo que hace que la gestión de datos sea estandarizada, lenta y de bajo costo. Las principales desventajas son: ① Es altamente subjetivo y no se pueden comparar los resultados obtenidos por diferentes investigadores o expertos. La determinación de las ponderaciones todavía contiene diversos grados de subjetividad; ② Las reglas de evaluación implícitas dificultan el análisis y la actualización de los resultados. ③ Se requieren estudios de campo detallados. (4) Cuando se aplica a evaluaciones regionales a gran escala, la operación es compleja y la El modelo es difícil de generalizar.

2. Método de modelo estadístico multivariado matemático

Este método consiste en estudiar las leyes estadísticas entre los desastres geológicos existentes y fenómenos inestables similares y las condiciones y factores ambientales geológicos, y establecer modelos de predicción relevantes. , prediciendo así el riesgo de desastres geológicos regionales. Existen muchos métodos para este tipo de modelo, como el análisis de regresión, el análisis discriminante y el análisis de conglomerados.

La premisa del análisis estadístico es comprender la distribución de los peligros geológicos en la zona de estudio (zona de formación). Con base en la teoría de la estadística matemática, se establece un modelo estadístico matemático que afecta los parámetros y si ocurren desastres geológicos. Una vez verificada el área de prueba, se puede aplicar a áreas con un entorno geológico igual o similar para predecir la distribución de los riesgos de desastres en el área de estudio. Por lo tanto, la confiabilidad de los resultados de la evaluación de los métodos de análisis estadístico depende directamente de la precisión de los datos originales en el área de prueba y el modelo no se puede generalizar en ningún área. No obstante, una gran cantidad de estudios han demostrado que el análisis estadístico es actualmente el método más adecuado para la evaluación y zonificación del riesgo geológico regional. Se basa en una estricta teoría estadística matemática, el modelo matemático es simple y fácil de entender, y puede combinarse bien con la tecnología SIG, de modo que se puedan administrar, analizar y almacenar grandes cantidades de datos de manera razonable.

Los métodos de análisis de componentes principales y análisis factorial en el análisis estadístico multivariado tienen muchas aplicaciones exitosas en las estadísticas ambientales. El método de análisis factorial de componentes principales, que combina estos dos métodos, se puede aplicar al estudio de ponderaciones factoriales multivariadas (Wu, 1991). La idea principal del análisis factorial de componentes principales es (Ying Nonggen, Liu Youci, 1987): recopilar información relevante de todas las variables originales estudiadas y sintetizar múltiples variables en varias variables no relacionadas discutiendo la estructura de dependencia interna de la matriz de correlación. componentes principales, reproduciendo así las relaciones entre las variables originales y explorando más a fondo las causas subyacentes de estas correlaciones mediante la rotación ortogonal u oblicua de los ejes de la matriz de carga factorial.

Este método es adecuado para el estudio de la predicción espacial de desastres geológicos regionales y tiene un papel rector macroscópico en el uso del suelo, el desarrollo territorial y la planificación urbana en un área determinada.

3. Proceso de Jerarquía Analítica

El Proceso de Jerarquía Analítica (AHP) es el análisis y evaluación de un sistema complejo que contiene muchos factores y es difícil de cuantificar con precisión. De acuerdo con la correlación entre varios factores y sus objetivos de evaluación, se aclaran los métodos y niveles de combinación y se establece en consecuencia el modelo estructural y el modelo matemático de la evaluación del sistema. Para varios factores difusos en el modelo, determine el índice de escala y el peso de acuerdo con su intensidad y grado de control sobre los objetos afectados, utilice estos indicadores como parámetros básicos, sustitúyalos en el modelo de evaluación y realice gradualmente un análisis cuantitativo para finalmente lograr el resultado; objetivo de evaluación.

Según la composición del sistema de riesgo de desastres geológicos, la evaluación se puede completar a través de cuatro niveles de análisis estadístico: análisis estadístico de nivel básico centrado en varios elementos; análisis de nivel de transición centrado en peligros, vulnerabilidades y capacidades y criterios de reducción de desastres; sobre las pérdidas esperadas; análisis de la capa objetivo con el grado o nivel de riesgo como objetivo final.

Cuarto, métodos de agrupamiento difuso y gris

El modelo de discriminación de agrupamiento difuso se basa en la teoría matemática difusa. Debido a la complejidad del sistema de peligro geológico, la realidad objetiva del sistema de peligro geológico no puede describirse con precisión mediante el absoluto "esto o lo otro". Existe un fenómeno vago de "esto o" y no puede describirse mediante la lógica binaria. de 1 o 0. En cambio, se expresa mediante lógica de valores múltiples (o de valores continuos) en el intervalo [0, 1]. La teoría matemática difusa es adecuada para la incertidumbre de los sistemas de peligro geológico, mientras que las funciones de membresía se utilizan para describir problemas de transición con límites poco claros y la incertidumbre de sistemas complejos afectados por múltiples factores. Los métodos utilizados actualmente incluyen el método de evaluación integral difusa, el método de análisis de confiabilidad difusa y el método de evaluación integral jerárquica difusa derivado del principio jerárquico. Los pasos básicos de la evaluación integral de agrupaciones difusas son: de acuerdo con la composición de riesgo de los peligros geológicos, establecer un conjunto de factores, un conjunto de evaluación integral y un conjunto de ponderaciones, determinar la función de membresía, obtener los resultados de la evaluación integral y explicarlos y analizarlos.

El método de evaluación integral de agrupamiento gris se basa en la teoría del sistema gris y se utiliza a menudo para estudiar el problema de "muestras pequeñas, incertidumbre en la información deficiente". En la predicción de desastres geológicos, el análisis de correlación gris se puede utilizar para evaluar la influencia de varios factores que influyen en la estabilidad de la pendiente, lo que puede superar las deficiencias del análisis sistemático causado por métodos estadísticos matemáticos comunes y no tiene requisitos especiales para el tamaño y la regularidad de la muestra. De manera similar, a través de la agrupación de funciones de peso de blanqueamiento gris en la agrupación gris, se puede juzgar el estado de riesgo de cada unidad de investigación y luego se puede completar la zonificación de riesgo en la predicción espacial. Varios modelos de predicción de sistemas grises con modelos grises (GM) como núcleo también proporcionan formas efectivas para el análisis de varias series de datos de tiempo en la predicción de desastres geológicos, y se han convertido en uno de los métodos comunes para el seguimiento y la predicción de desastres geológicos en tiempo real. . Los pasos básicos de la evaluación integral del agrupamiento gris son: determinar el número de blanqueamiento y la función de blanqueamiento, calibrar el peso del agrupamiento, calcular el coeficiente de agrupamiento, construir el vector de clase y resolver el número gris del agrupamiento.

Método de evaluación del modelo de información del verbo (abreviatura de verbo)

La base teórica de este modelo es la teoría de la información. La reducción de entropía durante el proceso de desastre geológico se utiliza para expresar la posibilidad de desastres geológicos. La reducción promedio de la incertidumbre causada por la combinación de factores es igual al cambio en el valor de entropía del sistema de peligro geológico. Se cree que la ocurrencia de desastres geológicos está relacionada con la cantidad y calidad de la información obtenida durante el proceso de predicción, y se mide por la cantidad de información. Cuanto mayor sea la cantidad de información, mayor será la posibilidad de que se produzcan desastres geológicos. Este método de predicción de modelos, al igual que el modelo de predicción estadística, es adecuado para predicciones regionales de pequeña y mediana escala.

La ciencia de la información se ha convertido en una ciencia muy utilizada, pero tiene sólo una corta historia de medio siglo. El famoso artículo de Shannon "Una teoría matemática de la comunicación", publicado en 1948, marcó el nacimiento de la ciencia de la información. Shannon definió la información como "la reducción de la incertidumbre en eventos aleatorios", trasplantó métodos de estadística matemática al campo de la comunicación y propuso el concepto de volumen de información y la fórmula matemática de entropía de la información. El objeto de la investigación en ciencias de la información es la información, y sus tareas importantes son estudiar la extracción, transmisión, procesamiento y almacenamiento de información. Debido a la tendencia de integración del desarrollo de las ciencias naturales modernas y la penetración mutua y la conexión de varias disciplinas, después de décadas de desarrollo, los conceptos de volumen de información y entropía de la información han superado con creces el campo de la comunicación. La ciencia de la información no solo se utiliza en diversos campos de las ciencias naturales, sino que también se utiliza ampliamente en la gestión, lo social y otros campos científicos.

La aplicación de la teoría de la información en el estudio de la predicción de depósitos minerales en el campo geológico fue propuesta por Viso Oster Roska (1968) y Cha Jin (1969). Zhao et al. estudiaron la aplicación de métodos de información en la prospección regional en el libro "Predicción estadística de depósitos de mineral". Desde 1985, Yan y Yin Kunlong han explorado repetidamente la aplicación de métodos de información en la zonificación regional de predicción espacial de peligros de deslizamientos de tierra en el sur de Shaanxi y el área del embalse de las Tres Gargantas del río Yangtze, y los combinaron con otros métodos (como el análisis de conglomerados, análisis de regresión, métodos teóricos cuantitativos, etc.) se compararon los resultados de la investigación.

). Ai Nanshan y Miao Tiande (1987) estudiaron la entropía de la información de los sistemas de relieve de cuencas hidrográficas erosionadas. Construyeron la expresión de entropía de información del sistema de relieve de la cuenca erosionada basándose en la curva área-elevación de la cuenca de Stroller, y utilizaron esto como criterio para la estabilidad de la cuenca. Read J. y Harr M. (1988) combinaron por primera vez el concepto de entropía de información con el método de la franja para calcular el factor de seguridad de la pendiente. Debido a la diversidad del contenido de predicción de peligros geológicos, las teorías y métodos de predicción no son únicos. Yan et al. (1989) lo resumieron en tres tipos de métodos de predicción de modelos: método de predicción de modelos deterministas, método de predicción de modelos estadísticos y método de predicción de modelos de información, los dos primeros modelos pueden denominarse "caja blanca" y "caja negra" respectivamente. modelo, mientras que el modelo de información está en algún punto intermedio.

El fenómeno del desastre geológico (y) en Xi se ve afectado por muchos factores, cada uno de los cuales es diferente en tamaño y naturaleza. En diferentes entornos geológicos, siempre existe una "combinación óptima de factores" para los desastres geológicos. Por lo tanto, la predicción de los peligros geológicos regionales no puede detenerse en un solo factor, sino que debe estudiar exhaustivamente la "mejor combinación de factores". Desde la perspectiva de la predicción de la información, la ocurrencia de desastres geológicos está relacionada con la cantidad y calidad de la información obtenida durante el proceso de predicción, por lo que puede medirse por la cantidad de información:

Teoría y práctica de la geología evaluación del riesgo de desastres

De acuerdo con la operación de probabilidad condicional, la fórmula anterior se puede escribir como:

Teoría y práctica de la evaluación del riesgo de peligros geológicos

Donde: I(y, x1x2xn) es la combinación de factores x1x2xn a la información geológica (bit) proporcionada por los desastres; P(y, x1x2xn) es la probabilidad de desastres geológicos bajo la combinación de factores como x1x2xn; información proporcionada por el factor X2 a los desastres geológicos cuando el factor x1 existe; P(y ) es la probabilidad de ocurrencia de desastres geológicos.

La ecuación (2) muestra que la información proporcionada por la combinación de factores x1x2xn para desastres geológicos es igual a la información proporcionada por el factor x1. Luego de determinar el factor x1, se determina la información proporcionada por el factor x2. hasta que se determine el factor x1x2xn-1, que refleja la Aditividad de la información.

P (y, x1x2xn) y P(y) se pueden expresar mediante probabilidad estadística. La información proporcionada por varias combinaciones de factores puede ser positiva o negativa. (y), I (y, x 1x2xn); gt 0; en caso contrario, I (y, x 1x2xn) lt; Si es mayor que 0, significa que la combinación de factores x1x2xn es propicia para predecir la ocurrencia de desastres geológicos. Por el contrario, significa que estas combinaciones no son propicias para la ocurrencia de desastres geológicos.

La predicción de peligros geológicos regionales se basa en la división de celdas de la cuadrícula en el área de estudio. De acuerdo con las condiciones geológicas y del terreno específicas de diferentes regiones, se utilizan las formas y tamaños de cuadrícula correspondientes y, en combinación con mapas de distribución de peligros geológicos regionales, se lleva a cabo un análisis estadístico adicional de la información. Supongamos que un área determinada se divide en n unidades y que el número de unidades que sufren desastres geológicos es N0. Hay ***M unidades con la misma combinación de factor x 1x2nx, y el número de unidades donde ocurren desastres geológicos en estas unidades es M0. Según el principio de que la probabilidad estadística representa la probabilidad a priori, la información que proporciona el factor x 1x2nx en el área es la siguiente:

Teoría y práctica de la evaluación del riesgo de peligro geológico

Si la relación de área se utiliza para calcular la cantidad de información, entonces la ecuación (3) se puede expresar como:

Teoría y práctica de la evaluación del riesgo de desastres geológicos

En la fórmula: a es la área total de la unidad en la región; A0 es la suma de las áreas unitarias donde ocurren desastres geológicos s es el área total de unidades con la misma combinación de factor x1x2xn S0 es la suma de las áreas unitarias donde; Los desastres geológicos ocurren en unidades con la misma combinación de factores x1x2xn.

En general, dado que hay muchos factores que actúan sobre los peligros geológicos y hay muchas combinaciones de factores correspondientes a ellos, el número de estadísticas de muestra suele ser limitado, por lo que se utiliza un modelo de información simplificado de un solo factor. para realizar cálculos paso a paso, y luego El modelo de información correspondiente se reescribe como:

Teoría y práctica de la evaluación del riesgo de desastres geológicos

En la fórmula: I es el valor predicho de la cantidad de información de una unidad en el área de predicción; Si es el factor ocupado por xi El área unitaria total de S0i es la suma de las áreas unitarias donde ocurren peligros geológicos en el factor xi.

6. Método de ponderación de la experiencia

Pesos de evidencia (Pesos de evidencia) se basa en valores binarios (existencia o ausencia) propuestos por los geólogos matemáticos canadienses Agterberg et al. ) El método geoestadístico de imágenes es un método de predicción cuantitativa basado en la regla de Bayes bajo el supuesto de condiciones independientes. Bonham-Carter et al. (1990) y Harris et al (2001) aplicaron sucesivamente el método WOE para predecir la distribución prospectiva de minerales. A través del análisis estadístico entre los predictores y los factores de respuesta de las celdas de la cuadrícula con condiciones de mineralización conocidas, se calculan los pesos y luego se ponderan e integran los predictores de cada celda de la cuadrícula a predecir. Finalmente, al determinar la probabilidad de ocurrencia de cada factor de respuesta unitario, se pueden obtener diferentes niveles de perspectivas de mineralización.

Van Westen aplicó además este modelo al campo de la evaluación del riesgo de desastres. El principio fundamental del método de simulación de peso basado en datos es utilizar datos históricos de distribución de deslizamientos de tierra para establecer la relación estadística entre la distribución de deslizamientos y varios factores de influencia, es decir, determinar con base en las estadísticas de distribución de deslizamientos de cada factor de influencia en diferentes categorías. el impacto de cada factor que influye en los peligros de deslizamientos de tierra tasa de contribución (peso). Este método de utilizar datos para determinar ponderaciones se denomina modelo basado en datos. En comparación con los modelos de conocimiento experto, la determinación de pesos es más científica y confiable, evitando la incertidumbre causada por la subjetividad experta. Finalmente, los datos históricos de la distribución de deslizamientos de tierra en otro período se utilizan para probar los resultados de la evaluación y predecir la tasa de éxito, y ajustar límites irrazonables para hacer que los resultados de la evaluación sean más creíbles. El modelo de ponderación basado en datos basado en el método estadístico bayesiano adopta un método estadístico más riguroso, que considera completamente la relación entre los factores que influyen en los deslizamientos de tierra y la relación entre cada factor que influye y el desastre por deslizamientos de tierra. Y realice un análisis independiente de los factores que influyen para descubrir los factores que influyen más críticos. Sobre esta base se calcula el peso de cada factor influyente.

7. Método de predicción de modelos no lineales

El método de predicción de modelos no lineales, también conocido como método de redes neuronales BP, convierte los problemas de entrada y salida de un conjunto de muestras en una optimización no lineal. problema para construir un modelo predictivo.

En vista de la complejidad del sistema de peligro geológico, es difícil expresarlo con un sistema de ecuaciones lineales simple, por lo que se han desarrollado rápidamente una serie de modelos de predicción no lineales. Por ejemplo, la teoría fractal estudia los patrones de movimiento de los peligros geológicos mediante el estudio de la autosemejanza de los sistemas de peligros geológicos. Yi Shunmin aplicó la teoría fractal para estudiar las características estructurales autosemejantes de las actividades de desastres por deslizamientos de tierra regionales y descubrió que había un fenómeno obvio de reducción de dimensionalidad antes del clímax de las actividades de desastres geológicos. Wu Zhongru y Huang Guoming propusieron el criterio de inestabilidad de deformación de deslizamientos de tierra y el modelo espacial de fase de fluencia de deslizamientos de tierra basado en la teoría fractal, que es una idea completamente nueva de predicción del tiempo de desastres geológicos. La teoría de la autoorganización explora el proceso de autoorganización de cómo los sistemas complejos de desastres geológicos evolucionan del desorden al orden; la teoría de la catástrofe describe principalmente el comportamiento de mutación de los sistemas no lineales cuando ocurre una inestabilidad crítica desde una perspectiva cuantitativa, proporcionando nueva información para la época. manera de predecir desastres geológicos. La teoría fractal explora la autosimilitud entre varios niveles del sistema desde una perspectiva geométrica y la aplica a la descripción y predicción de procesos de desastres geológicos, haciendo que la complejidad sea simple y la variable cualitativa sea cuantitativa. La dinámica del caos analiza la irreversibilidad de los sistemas de peligros geológicos no lineales en su proceso de evolución y la sensibilidad del comportamiento evolutivo a los valores iniciales.

La red neuronal artificial (RNA) es una red compuesta por una gran cantidad de neuronas artificiales que son similares a las neuronas naturales y están ampliamente interconectadas. El procesamiento de información de la red se realiza mediante la interacción entre neuronas, y el almacenamiento de conocimiento e información se caracteriza por conexiones físicas distribuidas entre los elementos de la red. El aprendizaje y reconocimiento de la red se basan en el proceso de evolución dinámica del sistema de pesos de conexión de cada neurona.

La red neuronal artificial es un sistema de procesamiento de información adaptativo en tiempo continuo no lineal a muy gran escala. En la actualidad, la aplicación de redes neuronales artificiales ha penetrado en muchos campos, proporcionando una nueva forma moderna de aprender a reconocer y calcular.

Las redes neuronales artificiales son fáciles de usar y su proceso de procesamiento de información es similar a la caja negra del cerebro humano, como se muestra en la Figura 1-6. En aplicaciones prácticas, las personas sólo se ocupan de las entradas y salidas superficiales, y el proceso de procesamiento de información interno es invisible. Para las personas que no comprenden los principios internos de las redes neuronales, también pueden entregar sus problemas a esta red para que los resuelva. Siempre que dejes que tus ejemplos aprendan por un tiempo, podrás resolver los problemas relevantes. Esto está en consonancia con los principios e ideas básicos de la teoría de predicción de desastres geológicos.

Figura 1-6 Diagrama esquemático del procesamiento de información de la red neuronal

Según la simulación de la red neuronal artificial de diferentes niveles organizativos y niveles abstractos del sistema nervioso biológico, las redes neuronales artificiales pueden ser dividido en varios tipos. Actualmente, existen más de 40 tipos de modelos de redes neuronales artificiales. El modelo de red neuronal de avance multicapa (modelo BP para abreviar) utilizado para la predicción y evaluación de desastres geológicos es actualmente el modelo de red neuronal más utilizado y de más rápido crecimiento, como se muestra en la Figura 1-7. Adopta una estructura en capas, que incluye una capa de entrada, una capa de salida y una o más capas ocultas.

Figura 1-7 Modelo de red BP

De hecho, el modelo BP convierte el problema de entrada y salida de un conjunto de muestras en un problema de optimización no lineal. Podemos pensar en este modelo como un mapeo de entrada a salida, que es altamente no lineal. Si el número de nodos de entrada es N y el número de nodos de salida es M, la red neuronal representa el mapeo del espacio euclidiano de N dimensiones al espacio euclidiano de dimensiones M.

En el proceso de predicción e identificación, la selección de muestras estándar es la clave para una predicción exitosa. En términos generales, es mejor que las muestras de aprendizaje cubran todos los estados del objeto predicho y sean ampliamente representativas. Al determinar la estructura de la red, en términos generales, el modelo BP oculto de tres capas puede simular cualquier función continua con precisión arbitraria. Si el número de nodos de la capa oculta es demasiado pequeño, la relación entre la capa de entrada y la capa de salida no se puede mapear de manera efectiva; si hay demasiados, la velocidad de convergencia será demasiado lenta; Por lo tanto, la selección del número de nodos en la capa intermedia requiere un entrenamiento de cálculo repetido para obtener el número ideal de nodos. Durante el proceso de cálculo, para mejorar la eficiencia, la cantidad de nodos de entrada y la dimensión de las muestras de entrenamiento se pueden reducir adecuadamente para aumentar la estabilidad de la red. Al mismo tiempo, la velocidad de convergencia iterativa se puede mejorar agregando el método del término de impulso o ajustando adaptativamente la tasa de aprendizaje y el método del gradiente de yugo.

Cuando el modelo BP se aplica a la zonificación del riesgo de desastres geológicos, se puede establecer una red de predicción correspondiente aprendiendo muestras estándar en el área de muestra, de modo que se pueda extender al área de predicción para la predicción. Las variables en la capa de entrada de la red corresponden a los principales factores que afectan la ocurrencia de desastres geológicos. Las variables pueden ser variables binarias u observaciones específicas. Por supuesto, debido a que existen diferencias de unidades u órdenes de magnitud entre las variables, los datos de las variables deben normalizarse o estandarizarse. La capa de salida corresponde a la clasificación de niveles de predicción de desastres geológicos (extremadamente alto, alto, medio, bajo, muy bajo), o representaciones numéricas específicas del grado de peligro, como coeficiente de estabilidad, probabilidad de daño, etc. , lo que requiere una mayor precisión de la investigación e indicadores más detallados en el área de muestra.

8. Análisis del riesgo de desastres geológicos y tecnología SIG

El sistema de información geográfica (SIG) es una combinación de informática, ciencias de la información, geografía moderna, cartografía por teledetección, ciencias ambientales y urbanas. ciencia, una disciplina emergente que integra la ciencia espacial, la ciencia de la gestión y la tecnología de comunicación moderna. Específicamente, SIG se refiere a un sistema técnico que ingresa, almacena, recupera, modifica, mide, calcula, analiza y genera información geográfica diversa y sus soportes (texto, datos, gráficos, mapas temáticos, etc.). ).Las funciones principales del SIG son la recopilación, almacenamiento, gestión, análisis, salida de diversos datos, mantenimiento y actualización de datos, análisis espacial regional, análisis integral multifactorial y monitoreo dinámico. Los SIG no sólo pueden gestionar información numérica y textual (atributos) como un sistema de gestión de bases de datos (DBMS) tradicional, sino también gestionar información espacial (gráfica). Puede utilizar varios métodos de análisis espacial para analizar de manera integral diversa información, descubrir la relación entre entidades espaciales y analizar y procesar fenómenos y procesos distribuidos en un área determinada. Los sistemas de información geográfica modernos están evolucionando hacia SIG inteligentes que pueden proporcionar funciones de análisis espacial ricas y completas.

Los SIG inteligentes tienen poderosas funciones de modelado espacial y pueden construir varios modelos de análisis de geociencias profesionales, integrales e integrados para completar trabajos prácticos específicos y resolver problemas que solo los geocientíficos podían resolver en el pasado.

Los SIG integran orgánicamente diversas tecnologías y disciplinas relacionadas con la información espacial. A través de operaciones espaciales y análisis de modelos, se combinan con datos espaciales y no espaciales de diferentes fuentes de datos para facilitar la planificación y la gestión y proporcionar información útil. productos para la toma de decisiones. Los SIG nos proporcionan una nueva forma de comprender y comprender la información geocientífica. Su poderosa función de análisis espacial y sus capacidades de gestión de bases de datos espaciales nos brindan una nueva forma científica y conveniente de estudiar los peligros geológicos regionales.

Como una de las tecnologías centrales de Digital Earth, los SIG se han convertido en una tecnología y un método de procesamiento de datos espaciales cada vez más maduro después de casi 40 años de desarrollo. Proporciona una nueva forma de comprender y comprender la información geocientífica y se ha utilizado ampliamente en estudios de tierras y recursos, evaluación de la calidad ambiental, planificación y diseño regional, gestión de instalaciones públicas y otros campos. En el campo de la investigación de desastres geológicos, la aplicación de la tecnología SIG se ha desarrollado desde la gestión de datos inicial, la entrada digital y la salida gráfica de la recopilación de datos de múltiples fuentes hasta el uso de modelos digitales de elevación y modelos terrestres digitales, y análisis ampliados que combinan SIG con modelos de evaluación de desastres, integración de SIG y sistemas de apoyo a la decisión, aplicación de tecnología de realidad virtual SIG, etc. , y se ha ido desarrollando y aplicando progresivamente en profundidad.

Diversos desastres geológicos ocurren dentro de un determinado rango espacial y un determinado rango temporal en la superficie terrestre. Aunque los diferentes tipos de desastres geológicos y los diferentes individuos del mismo tipo de desastre geológico tienen diferentes formas y diferentes mecanismos de formación, todos son el resultado de la interacción entre el entorno que genera el desastre y los factores desencadenantes, y están estrechamente relacionados con la información espacial. La tecnología SIG no solo puede gestionar diversos desastres geológicos y la información relacionada, sino también analizar la relación estadística entre la ocurrencia de desastres geológicos y factores ambientales en diferentes escalas espaciales y temporales, y evaluar la probabilidad y las posibles consecuencias de varios desastres geológicos. Los mapas de zonificación de peligros geológicos son mapas integrales que tienen características estáticas dentro de un cierto período de tiempo y deben actualizarse constantemente, especialmente cuando ocurren nuevos peligros geológicos, deben revisarse de manera oportuna; Debido a su análisis espacial, funciones cartográficas y características de visualización, la tecnología SIG se ha desarrollado rápidamente en la investigación de zonificación de peligros geológicos. La investigación sistemática sobre la evaluación de peligros, vulnerabilidades y riesgos geológicos basada en software SIG se ha convertido gradualmente en la dirección de desarrollo de este campo y puede combinarse con la tecnología de redes en un futuro próximo.

En el extranjero, especialmente los países desarrollados, se ha trabajado mucho en la aplicación de la tecnología SIG en el campo de los desastres geológicos. Desde la década de 1980, desde la gestión de datos, la recopilación de datos de múltiples fuentes, la entrada de datos y la salida de gráficos, hasta el uso de modelos digitales de elevación y modelos digitales del terreno, análisis ampliados que combinan SIG con modelos de evaluación de peligros, SIG y sistemas de apoyo a la toma de decisiones (DSS) y El uso de la tecnología de realidad virtual SIG, la aplicación de la tecnología SIG continúa desarrollándose y se utiliza ampliamente. En el campo de la investigación de desastres por deslizamientos de tierra, la aplicación de la tecnología SIG ha sido relativamente madura, lo que se refleja principalmente en los siguientes aspectos:

(1) Establecer un sistema de gestión de información sobre desastres por deslizamientos de tierra basado en SIG. Por ejemplo, Keane James M. (1992), Bahariwan (1998), Bliss Norman B. (1998), etc. Aplicar SIG a la gestión de datos históricos de desastres por deslizamientos de tierra y la expresión cartográfica de los resultados de predicción.

(2) Combinar la tecnología SIG con varios modelos de evaluación y aplicarla a la predicción del riesgo de deslizamientos. Por ejemplo, Mathura (1987), Lekas ​​E (1995), Randall (1998), Dhakal Ahmed Sagar (1999), etc. Combine la función de análisis espacial de SIG con el modelo de predicción para completar la superposición espacial de los factores de predicción de deslizamientos de tierra y realizar una evaluación del riesgo de deslizamientos de tierra.

(3) Análisis, predicción y gestión del riesgo de desastres por deslizamientos de tierra basados ​​en SIG. Como Ellen (1994), Leroy (1996), Bonza (1996), Castañeda Oscar E. (1998), Atkinson (1998), Michael (2008).

Aleotti (2000) partió de los factores que afectan el riesgo de desastres por deslizamientos de tierra, utilizó la función de análisis espacial del SIG para superponer los factores, realizó una evaluación de riesgos y combinó la función de gestión de información del SIG para gestionar la información del desastre, y finalmente tomó decisiones de gestión para lograr la prevención de desastres. En la actualidad, la estrecha integración de RS y GIS se ha realizado básicamente en el campo de la predicción de desastres por deslizamientos de tierra en el extranjero, y también se ha realizado la combinación de tecnología 3S en algunos proyectos.

La evaluación de peligros geológicos basada en tecnología SIG comenzó relativamente tarde en mi país y actualmente no existe un sistema SIG maduro y práctico de predicción y evaluación de peligros geológicos. Jiang Yun y Wang Lansheng (1994) aplicaron la tecnología SIG a la gestión y control de la estabilidad de masas rocosas terrestres en ciudades montañosas, y utilizaron Chongqing como un objeto de investigación típico para realizar una predicción espacio-temporal de la deformación y daño de la roca terrestre. masas. Al mismo tiempo, al analizar la relación restrictiva entre el entorno geológico urbano y la utilización de la ingeniería territorial, se utilizaron el almacenamiento de información SIG, la consulta, la operación de superposición espacial y el modelo DEM para clasificar los niveles de fertilidad del suelo y preparar mapas integrales de zonificación de evaluación de la estabilidad de pendientes. Lei y Jiang Xiaozhen (1994) aplicaron la tecnología SIG a la evaluación del colapso kárstico y completaron la evaluación de riesgos y la zonificación del colapso kárstico en el área de estudio. La Universidad Tecnológica de Chengdu (1998) cooperó con el Instituto de Vigilancia del Medio Ambiente Geológico de China y la Sede de Control y Prevención de Peligros Geológicos de las Tres Gargantas del Ministerio de Tierras y Recursos para desarrollar y probar el "Sistema de información sobre peligros geológicos y el Sistema de apoyo a las decisiones de prevención y control". , e inicialmente estableció un estudio nacional de peligros geológicos y un sistema de evaluación integral. El Instituto de Economía de Tierras y Recursos de China, la Universidad de Geociencias de China, el Instituto de Geología Kárstica de la Academia China de Ciencias Geológicas y el Centro de Datos Geológicos Físicos del Ministerio de Tierras y Recursos (2002) lanzaron conjuntamente el proyecto clave de "Economía Nacional Geological Disaster Risk Zoning" y utilizó el software nacional MAPGIS para realizar evaluaciones de riesgos basadas en SIG de pequeños deslizamientos de tierra, flujos de escombros y colapso kárstico en China (incluidas evaluaciones de riesgos de peligros geológicos, evaluaciones de vulnerabilidad y zonificaciones de riesgos). Zhu Liangfeng y otros desarrollaron un sistema de evaluación del riesgo de desastres geológicos RISKANLY con derechos de autor nacionales en la plataforma de software MAPGIS. Este conjunto de análisis de riesgo de desastres geológicos basado en tecnología SIG no solo es factible sino también técnicamente avanzado, lo que representa la dirección de desarrollo del análisis de riesgo de desastres geológicos. Por supuesto, tanto el modelo de análisis del riesgo de desastres geológicos como el modelo de análisis de la vulnerabilidad socioeconómica regional requieren más investigación y desarrollo en la práctica. Esto obviamente debería continuar desarrollándose a medida que los seres humanos profundicen gradualmente su comprensión de los atributos esenciales de los desastres geológicos.

Con el rápido desarrollo de la economía social de mi país y la aceleración de la urbanización, la amplitud y profundidad de los desastres geológicos como colapsos, deslizamientos de tierra, flujos de escombros y hundimientos del suelo también están aumentando rápidamente. Es necesario prestar más atención a los desastres geológicos regionales. Las causas de los desastres geológicos son complejas, hay muchos factores relacionados y están estrechamente relacionados con la información espacial. Por lo tanto, la tecnología SIG no solo puede gestionar diversa información espacial relacionada con desastres geológicos, sino también analizar la relación estadística entre la ocurrencia de desastres geológicos y factores ambientales de diferentes escalas espaciales y temporales, y evaluar los riesgos y posibles consecuencias de los desastres geológicos. alcance. Por lo tanto, la evaluación y zonificación del riesgo de desastres geológicos basadas en SIG desempeñarán un papel importante en el desarrollo social y económico de China en el futuro.

Nueve. Resumen

La evaluación del riesgo de desastres geológicos implica dos aspectos importantes: uno es la posibilidad de que se produzcan desastres geológicos y el otro es la capacidad de los seres humanos, la sociedad y el medio ambiente para resistir los desastres geológicos. Por lo tanto, la definición de geopeligro adopta el término internacional geopeligro. Este libro sigue los principios de cientificidad y universalidad, combina las expresiones representativas de la terminología que se han formado inicialmente en el campo de la evaluación del riesgo de desastres geológicos en mi país en los últimos años, y proporciona una terminología básica involucrada en la evaluación del riesgo de desastres geológicos basada en los Definición unificada propuesta por la UNESCO La definición es la siguiente:

(1) Grado de peligro H (peligro). La probabilidad de que ocurran fenómenos de peligro geológico potencial en un área específica dentro de un período de tiempo determinado.

(2) Vulnerabilidad cinco (vulnerabilidad). La vulnerabilidad se puede expresar como 0-1, donde 0 significa sin pérdida y 1 significa pérdida total.

(3) Cuerpo portador de desastres E (elemento peligroso). Varios objetos amenazados por peligros geológicos en un área específica incluyen población, propiedades, actividades económicas, instalaciones públicas, tierras, recursos y el medio ambiente.

(4) Riesgo R (riesgo).

Los cuerpos portadores de desastres pueden ser atacados por diversos desastres geológicos, causando pérdidas económicas directas e indirectas, víctimas y daños ambientales. El riesgo es igual al producto del peligro, la vulnerabilidad y el valor del cuerpo que lo soporta.

Grado de riesgo (R) = grado de riesgo (H) × vulnerabilidad (V) × valor del cuerpo que sufre un desastre (E)