具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

请参阅图1和图2，图1为本发明实施例提供的自然灾害综合风险评估方法的应用场景示意图。图2为本发明实施例提供的自然灾害综合风险评估方法的示意性流程图。该自然灾害综合风险评估方法应用于服务器中。该服务器与传感器进行数据交互，传感器可用于采集各个评价指标，以由服务器进行提取特征、模型训练和评估，最后可将风险区划的结果发送至终端。

图2是本发明实施例提供的自然灾害综合风险评估方法的流程示意图。如图2所示，该方法包括以下步骤S110至S140。

S110、基于人工智能算法对各评价指标提取特征，以得到评价特征。

在本实施例中，评价特征是包括危险性、承灾体易损性和防灾减灾能力信息以及多灾种关系。其中，危险性信息包括气象灾害、地质灾害、水旱灾害、地震灾害、森林火灾；承灾体易损性信息包括暴露性特征以及脆弱性特征，暴露性特征包括人口密度、路网密度、建筑密度以及土地垦殖率，脆弱性特征包括性别比例、年龄结构以及老旧危房；防灾减灾能力信息包括人均收入、交通设施以及医疗水平。

在一实施例中，请参阅图3，上述的步骤S110可包括步骤S111～S113。

S111、基于人工智能算法获取单灾种危险性、承灾体易损性和防灾减灾能力信息，以得到提取的信息。

在本实施例中，提取的信息是指危险性、承灾体易损性和防灾减灾能力信息。

在一实施例中，请参阅图4，上述的步骤S111可包括步骤S1111～S1112。

S1111、基于人工智能算法根据单灾种危险性内的气象灾害、地质灾害、水旱灾害和森林火灾的评估结果对研究区域内的所有地理单元进行风险定级。

整理和分析单灾种风险评估结果，包括对结果的整理、核对和分析，初步掌握研究区各单灾种的危险分布情况，并对单灾种分布的空间规律进行分析研究，为后续模型的搭建和特征提取提供支持。

单灾种指单一的某种自然灾害，单灾种包括气象灾害、地质灾害、水旱灾害和森林火灾。基于以上四种单灾害风险评估结果对研究区域内的所有地理单元进行风险定级。并分为绝对风险和相对风险，其中绝对风险是指具体研究单元内的风险数值介于0-1，相对风险为研究单元内的风险等级，拟分为4个等级：低、中、较高和高。绝对风险用于后期机器学习输入，相对风险仅用于宏观综合评价。其中气象灾害风险记为Fqx，地质灾害风险记为Fdz，水旱灾害记为Fsh，森林火灾记为Fhz。

S1112、对承灾体从易损性和防灾减灾能力进行综合分析，并根据数据格式的不同进行分类整理，对整理好的不同格式的数据进行特征提取和挖掘；

其中，提取的信息包括所有地理单元的风险等级以及承灾体特征；所述承灾体特征包括承灾体暴露性特征、脆弱性特征以及防灾减灾能力特征。

具体地，对承灾体从暴露性、脆弱性和防灾减灾能力进行综合分析，并根据数据格式的不同比如点、线、面等进行分类整理。将整理好的不同格式的数据进行特征提取和挖掘，充分考虑不同灾种对同一地区的不同影响程度，以及不同承灾体对不同灾种的承受能力的区别。

在一实施例中，请参阅图5，上述的步骤S1112可包括步骤S11121～S11123。

S11121、根据研究单元内的人口密度、基础设施密度和耕地面积占比分别得到承灾体暴露性特征；

S11122、根据研究单元内人口属性分布情况、基础设施牢固程度、耕地区域坡度分别得到脆弱性特征；

S11123、根据研究单元内医疗水平、人均收入和交通设施基于专家打分法确定防灾减灾能力特征。

考虑的承灾体包括人口、基础设施比如道路和建筑、耕地三大类。根据研究单元内的人口密度、基础设施密度和耕地面积占比分别得到承载体暴露性特征，其中人口暴露性记为Ep，基础设施暴露性记为Eb，耕地暴露性记为Ec；根据研究单元内人口属性分布情况、基础设施牢固程度、耕地区域坡度分别得到承载体的脆弱性，其中人口脆弱性记为Vp，基础设施脆弱性记为Vb，耕地脆弱性性记为Vc；根据研究单元内医疗水平、人均收入和交通设施基于专家打分法确定防灾减灾能力，记为A。

S112、根据提取的信息明确多灾种的关系，并将所明确的多灾种关系作为属性。

在本实施例中，属性是指两个单灾种之间的关系。

如何厘清各灾种之间的相互作用关系，并在多灾种风险评估方法中得以反映，对于多灾种综合研究极为关键。如图7所示，粗线条表示灾害事件在时间上几乎同时发生；细线条表示灾害事件的发生存在一定的时间间隔。将多灾种之间的关系分为因果关系和对抗关系。即多灾种关系包括因果关系以及对抗关系中至少一种。

其中，气象灾害中的极端降水可能会诱发地质灾害和内涝，而地质灾害的发生可能会进一步加剧内涝和小流域山洪的严重性；气象灾害中的极端高温会增加干旱风险以及森林火险等级；气象灾害中的雷电可能会诱发森林火灾；以上情况属于多灾种之间存在的因果关系。另一面，气象灾害中的极端降水可缓解干旱、降低森林火险等级，这种情况属于多灾种之间的对抗关系。将两两灾种之间的相关关系明确标注为因果关系和对抗关系，并作为属性输入到模型中进行训练。

S113、结合提取的信息以及属性，以形成评价特征。

评价特征包括提取的信息以及属性。对单灾种危险性结果进行整理和分析，确定研究区单灾种自然灾害时空分布情况；对承灾体数据进行筛选、清洗和处理，并进行特征提取，由此形成评价特征。

S120、根据所述评价特征通过机器学习算法进行模型训练，以得到评估模型。

在本实施例中，评估模型是指可进行综合考虑单灾种之间的联系性以及承灾体的易损性的风险评估的模型。

在一实施例中，请参阅图6，上述的步骤S120可包括步骤S121～S123。

S121、利用所述评价特征训练卷积神经网络、循环神经网络、树模型、集成学习模型，以得到训练后的多种模型。

利用评价特征训练多种模型的具体过程属于现有技术，此处不再赘述。

训练后的模型输出的结果为自然灾害综合风险评估结果，以一个研究单元为例，单一的某种自然灾害会在该研究单元上有一个风险值。而自然灾害综合风险结果就是考虑多个单自然灾害共同影响、叠加影响、灾害链条影响的情况下的风险值介于0-1之间。

S122、对训练后的多种模型进行评价指标计算，以得到评价结果。

在本实施例中，采用受试者工作特征曲线、马修斯相关系数与总体精度等多种评价指标，利用评价结果在决策层面进行模型融合。

S123、利用所述评价结果在决策层面进行训练后的多种模型的融合，以得到评估模型。

利用多个模型进行训练，并对得到的结果进行比较，然后选取最优的一种结果，以得到评估模型。

通过建立模型准确度的评价指标，自动调整模型参数，择优选择最适合的模型参数进行应用。基于人工智能的评估模型全面考虑各类致灾因子危险性、承灾体的脆弱性和暴露性等要素，自动分析各要素权重，形成综合风险分析结果，在一定程度上提升了风险评估结果的精度，且可对综合灾害风险及其构成因素的空间分异原因做出合理解释；在本实施例中，调整模型参数是通过使用贝叶斯调参实现的。

S130、根据评估模型综合考虑单灾种之间的联系性以及承灾体的易损性，以得到综合风险评估结果。

在本实施例中，综合风险评估结果指的是自然灾害综合风险评估结果，以一个研究单元为例，单一的某种自然灾害会在该研究单元上有一个风险值。而自然灾害综合风险结果就是考虑多个单自然灾害共同影响、叠加影响、灾害链条影响的情况下的风险值介于0-1之间。

S140、根据所述综合风险评估结果进行风险区划。

在本实施例中，风险区划包括单承灾体综合风险区划和多承灾体综合风险区划，单承灾体综合风险区划是指单灾种的综合风险区划，多承灾体综合风险区划是指至少两个单灾种结合形成的综合风险区划。

基于人工智能的自然灾害综合风险评估技术，通过对单灾种危险性、承灾体易损性和承灾能力等信息的获取，开展数据特征工程分析，利用人工智能算法构建综合风险评估模型，训练模型，对区域性自然灾害综合风险进行评估和区划，并输出风险区划等级制图以及风险防治区划制图。

上述的自然灾害综合风险评估方法，通过基于人工智能算法对单灾种危险性、承灾体易损性和承灾能力进行特征提取，且对多灾种的关系进行确定，并利用提取的信息训练模型，可利用训练后的模型综合考虑单灾种之间的联系性以及承灾体的易损性的风险评估，并进行风险区划，实现风险评估的可解释性强，考虑承灾体的脆弱性和暴露性，模型的输入信息包括单灾种危险性、承灾体易损性和承灾能力、多灾种之间的关系，模型的输入信息充分，考虑致灾因子之间的关系和相互作用较为全面。

图8是本发明实施例提供的一种自然灾害综合风险评估装置300的示意性框图。如图8所示，对应于以上自然灾害综合风险评估方法，本发明还提供一种自然灾害综合风险评估装置300。该自然灾害综合风险评估装置300包括用于执行上述自然灾害综合风险评估方法的单元，该装置可以被配置于服务器中。具体地，请参阅图8，该自然灾害综合风险评估装置300包括特征提取单元301、模型训练单元302、评估单元303以及风险区划单元304。

特征提取单元301，用于基于人工智能算法对各评价指标提取特征，以得到评价特征；模型训练单元302，用于根据所述评价特征通过机器学习算法进行模型训练，以得到评估模型；评估单元303，用于根据评估模型综合考虑单灾种之间的联系性以及承灾体的易损性，以得到综合风险评估结果；风险区划单元304，用于根据所述综合风险评估结果进行风险区划。

在一实施例中，如图9所示，所述特征提取单元301包括信息提取子单元3011、关系确认子单元3012以及结合子单元3013。

信息提取子单元3011，用于基于人工智能算法获取单灾种危险性、承灾体易损性和防灾减灾能力信息，以得到提取的信息；关系确认子单元3012，用于根据提取的信息明确多灾种的关系，并将所明确的多灾种关系作为属性；结合子单元3013，用于结合提取的信息以及属性，以形成评价特征。

在一实施例中，如图10所示，所述信息提取子单元3011包括定级模块30111以及挖掘模块30112。

定级模块30111，用于基于人工智能算法根据单灾种危险性内的气象灾害、地质灾害、水旱灾害和森林火灾的评估结果对研究区域内的所有地理单元进行风险定级；挖掘模块30112，用于对承灾体从易损性和防灾减灾能力进行综合分析，并根据数据格式的不同进行分类整理，对整理好的不同格式的数据进行特征提取和挖掘；其中，提取的信息包括所有地理单元的风险等级以及承灾体特征；所述承灾体特征包括承灾体暴露性特征、脆弱性特征以及防灾减灾能力特征。

在一实施例中，如图11所示，所述挖掘模块30112包括第一确定子模块301121、第二确定子模块301122以及第三确定子模块301123。

第一确定子模块301121，用于根据研究单元内的人口密度、基础设施密度和耕地面积占比分别得到承灾体暴露性特征；第二确定子模块301122，用于根据研究单元内人口属性分布情况、基础设施牢固程度、耕地区域坡度分别得到脆弱性特征；第三确定子模块301123，用于根据研究单元内医疗水平、人均收入和交通设施基于专家打分法确定防灾减灾能力特征。

在一实施例中，如图12所示，所述模型训练单元302包括训练子单元3021、计算子单元3022以及融合子单元3023。

训练子单元3021，用于利用所述评价特征训练卷积神经网络、循环神经网络、树模型、集成学习模型，以得到训练后的多种模型；计算子单元3022，用于对训练后的多种模型进行评价指标计算，以得到评价结果；融合子单元3023，用于利用所述评价结果在决策层面进行训练后的多种模型的融合，以得到评估模型。

需要说明的是，所属领域的技术人员可以清楚地了解到，上述自然灾害综合风险评估装置300和各单元的具体实现过程，可以参考前述方法实施例中的相应描述，为了描述的方便和简洁，在此不再赘述。

上述自然灾害综合风险评估装置300可以实现为一种计算机程序的形式，该计算机程序可以在如图13所示的计算机设备上运行。

请参阅图13，图13是本申请实施例提供的一种计算机设备的示意性框图。该计算机设备500可以是服务器，其中，服务器可以是独立的服务器，也可以是多个服务器组成的服务器集群。

参阅图13，该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括非易失性存储介质503和内存储器504。

该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032包括程序指令，该程序指令被执行时，可使得处理器502执行一种自然灾害综合风险评估方法。

该处理器502用于提供计算和控制能力，以支撑整个计算机设备500的运行。

该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行一种自然灾害综合风险评估方法。

该网络接口505用于与其它设备进行网络通信。本领域技术人员可以理解，图13中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备500的限定，具体的计算机设备500可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

其中，所述处理器502用于运行存储在存储器中的计算机程序5032，以实现如下步骤：

基于人工智能算法对各评价指标提取特征，以得到评价特征；根据所述评价特征通过机器学习算法进行模型训练，以得到评估模型；根据评估模型综合考虑单灾种之间的联系性以及承灾体的易损性，以得到综合风险评估结果；根据所述综合风险评估结果进行风险区划。

在一实施例中，处理器502在实现所述根据所述评价特征通过机器学习算法进行模型训练，以得到评估模型步骤时，具体实现如下步骤：

利用所述评价特征训练卷积神经网络、循环神经网络、树模型、集成学习模型，以得到训练后的多种模型；对训练后的多种模型进行评价指标计算，以得到评价结果；利用所述评价结果在决策层面进行训练后的多种模型的融合，以得到评估模型。

在一实施例中，处理器502在实现所述基于人工智能算法对各评价指标提取特征，以得到评价特征步骤时，具体实现如下步骤：

基于人工智能算法获取单灾种危险性、承灾体易损性和防灾减灾能力信息，以得到提取的信息；根据提取的信息明确多灾种的关系，并将所明确的多灾种关系作为属性；结合提取的信息以及属性，以形成评价特征。

其中，所述多灾种关系包括因果关系以及对抗关系中至少一种。

在一实施例中，处理器502在实现所述基于人工智能算法获取单灾种危险性、承灾体易损性和防灾减灾能力信息，以得到提取的信息步骤时，具体实现如下步骤：

基于人工智能算法根据单灾种危险性内的气象灾害、地质灾害、水旱灾害和森林火灾的评估结果对研究区域内的所有地理单元进行风险定级；对承灾体从易损性和防灾减灾能力进行综合分析，并根据数据格式的不同进行分类整理，对整理好的不同格式的数据进行特征提取和挖掘；其中，提取的信息包括所有地理单元的风险等级以及承灾体特征；所述承灾体特征包括承灾体暴露性特征、脆弱性特征以及防灾减灾能力特征。

其中，所述承灾体包括人口、基础设施以及耕地。

在一实施例中，处理器502在实现所述对承灾体从易损性和防灾减灾能力进行综合分析，并根据数据格式的不同进行分类整理，对整理好的不同格式的数据进行特征提取和挖掘步骤时，具体实现如下步骤：

根据研究单元内的人口密度、基础设施密度和耕地面积占比分别得到承灾体暴露性特征；根据研究单元内人口属性分布情况、基础设施牢固程度、耕地区域坡度分别得到脆弱性特征；根据研究单元内医疗水平、人均收入和交通设施基于专家打分法确定防灾减灾能力特征。

应当理解，在本申请实施例中，处理器502可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器502还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

本领域普通技术人员可以理解的是实现上述实施例的方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成。该计算机程序包括程序指令，计算机程序可存储于一存储介质中，该存储介质为计算机可读存储介质。该程序指令被该计算机系统中的至少一个处理器执行，以实现上述方法的实施例的流程步骤。

因此，本发明还提供一种存储介质。该存储介质可以为计算机可读存储介质。该存储介质存储有计算机程序，其中该计算机程序被处理器执行时使处理器执行如下步骤：

基于人工智能算法对各评价指标提取特征，以得到评价特征；根据所述评价特征通过机器学习算法进行模型训练，以得到评估模型；根据评估模型综合考虑单灾种之间的联系性以及承灾体的易损性，以得到综合风险评估结果；根据所述综合风险评估结果进行风险区划。

在一实施例中，所述处理器在执行所述计算机程序而实现所述根据所述评价特征通过机器学习算法进行模型训练，以得到评估模型步骤时，具体实现如下步骤：

利用所述评价特征训练卷积神经网络、循环神经网络、树模型、集成学习模型，以得到训练后的多种模型；对训练后的多种模型进行评价指标计算，以得到评价结果；利用所述评价结果在决策层面进行训练后的多种模型的融合，以得到评估模型。

在一实施例中，所述处理器在执行所述计算机程序而实现所述基于人工智能算法对各评价指标提取特征，以得到评价特征步骤时，具体实现如下步骤：

基于人工智能算法获取单灾种危险性、承灾体易损性和防灾减灾能力信息，以得到提取的信息；根据提取的信息明确多灾种的关系，并将所明确的多灾种关系作为属性；结合提取的信息以及属性，以形成评价特征。

其中，所述承灾体包括人口、基础设施以及耕地。

所述多灾种关系包括因果关系以及对抗关系中至少一种。

在一实施例中，所述处理器在执行所述计算机程序而实现所述基于人工智能算法获取单灾种危险性、承灾体易损性和防灾减灾能力信息，以得到提取的信息步骤时，具体实现如下步骤：

基于人工智能算法根据单灾种危险性内的气象灾害、地质灾害、水旱灾害和森林火灾的评估结果对研究区域内的所有地理单元进行风险定级；对承灾体从易损性和防灾减灾能力进行综合分析，并根据数据格式的不同进行分类整理，对整理好的不同格式的数据进行特征提取和挖掘；其中，提取的信息包括所有地理单元的风险等级以及承灾体特征；所述承灾体特征包括承灾体暴露性特征、脆弱性特征以及防灾减灾能力特征。

在一实施例中，所述处理器在执行所述计算机程序而实现所述对承灾体从易损性和防灾减灾能力进行综合分析，并根据数据格式的不同进行分类整理，对整理好的不同格式的数据进行特征提取和挖掘步骤时，具体实现如下步骤：

根据研究单元内的人口密度、基础设施密度和耕地面积占比分别得到承灾体暴露性特征；根据研究单元内人口属性分布情况、基础设施牢固程度、耕地区域坡度分别得到脆弱性特征；根据研究单元内医疗水平、人均收入和交通设施基于专家打分法确定防灾减灾能力特征。

所述存储介质可以是U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的计算机可读存储介质。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的。例如，各个单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。

本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。

该集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，终端，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。