欢迎光临888集团网站

新闻资讯
使用建筑尺度人口建模的地震被困人员风险动态评估:以中国玉溪市为例
发布时间:2026-08-02
  |  
阅读量:
字号:
A+ A- A

  快速评估被困人员(entrapped occupants)对于提高震后救援效率和减少人员伤亡至关重要。基于行政单元或网格单元的常规方法无法捕捉建筑层面精细、动态的人口分布。为弥补这一不足,研究人员提出了一种建筑尺度(building-scale)的被困人员风险

  快速评估被困人员(entrapped occupants)对于提高震后救援效率和减少人员伤亡至关重要。基于行政单元或网格单元的常规方法无法捕捉建筑层面精细、动态的人口分布。为弥补这一不足,研究人员提出了一种建筑尺度(building-scale)的被困人员风险评估框架,应用于中国云南省玉溪市。该框架整合了四个部分:建筑功能识别、人口估计、室内占用率校正和被困人员评估。研究人员开发了一种混合方法,结合基于兴趣面(Areas of Interest, AOI)和兴趣点(Points of Interest, POI)的直接识别、空间相似性推理以及基于核密度估计(Kernel Density Estimation, KDE)的识别,以改进建筑功能分类,特别是在POI数据稀疏的区域。然后使用随机森林(Random Forest, RF)模型推导不同建筑功能类型的人口影响权重,实现了建筑尺度的人口分配,总体误差控制在5%以下。通过引入随时间变化的室内占用率和建筑脆弱性矩阵,建立了建筑层面的被困人员评估模型。根据中国地震烈度表,设计了基于五种地震烈度(VI–X)、七个时间段和两种日期类型的70种情景,模拟了红塔区被困人员的时空分布。结果表明,建筑功能影响被困风险:医疗和教育建筑的风险是住宅建筑的3–5倍。工作日上午09:00–18:00期间,公共建筑风险较高;非工作日期间,商业和娱乐建筑风险增加。住宅建筑在夜间保持高风险。所提出的方法能够在单个建筑分辨率下动态估计被困人员风险,并支持地震多发地区的震后应急救援。

  地震是造成全球重大人员伤亡的自然灾害之一,中国地震频发且灾害严重。20世纪中国地震死亡人数约占全球总数的40%。由于仍存在科学局限,震后高效应急响应与救援是降低损失的关键。然而,在震后“黑箱期”(即最初的关键时段),灾情信息极度匮乏,难以为救援资源空间调配提供合理、及时的建议。被困人员(entrapped occupants)集中的区域,即紧急搜索与救援(Emergency Search and Rescue, ESAR)区域,需要优先救援。提高被困人员数量与分布评估的精度,可在时空维度上最大化救援效率。因此,快速评估受损建筑内被困人员的位置与数量,是提升震后救援效率、降低死亡率的主要途径。现有被困人口评估方法大多基于伤亡估算模型,通过死亡率、重伤率及总人口反推被困人数,其精度依赖于底层伤亡模型性能。传统方法主要分为三类:基于地震参数与人口密度的经验函数法、基于建筑脆弱性的解析法以及半经验法。这些方法虽然适用于宏观响应等级判断,但缺乏空间精细度,无法为被困人员分布和救援力量部署提供可操作建议。此外,伤亡与建筑倒塌密切相关,但室内人口分布随时间波动,不同时间发生的灾害风险差异显著。目前多数研究聚焦于总伤亡人数,较少关注被困人员风险的时空分布。现有评估常基于行政单元或网格单元,但行政边界不具备物理意义,网格单元则存在“尺度效应”问题,且人口与生活空间(建筑)紧密关联,建筑尺度评估更精确。然而,受限于建筑功能数据获取困难,建筑尺度被困人员评估研究在中国尚不充分。为此,研究人员开展了此项研究,旨在利用多源空间数据构建建筑尺度地震被困人员风险评估框架,并以玉溪市为案例进行多情景模拟,提升评估的精细度与动态性。该论文发表在《Progress in Disaster Science》。

  研究人员提出了一种包含四个阶段的建筑尺度被困人员风险评估框架:建筑功能识别、建筑尺度人口估计、被困人员评估模型构建以及应用验证。通过集成兴趣面(AOI)、兴趣点(POI)、建筑足迹、人口普查等多源数据,首先采用直接识别、空间相似性推理和核密度估计(KDE)的混合方法,100%识别了研究区37,936栋城市建筑的功能类型。然后利用随机森林(RF)模型,以行政村为单元,分析不同功能类型建筑的总楼层面积与POI数量对总人口的影响,提取特征重要性作为人口权重,进而计算各建筑的人口密度与人口数量,整体误差控制在5%以内。在此基础上,结合不同时间段(7个时段、工作日/非工作日)的室内占用率以及基于云南南部建筑损伤概率矩阵(Damage Probability Matrices, DPMs)的倒塌率,建立了单个建筑被困人员评估模型。针对玉溪市红塔区,设计了70种情景(5种地震烈度VI–X、7个时段、2种日期类型),模拟了被困人员的时空分布。结果表明:建筑功能显著影响被困风险,医疗和教育建筑的平均人口是住宅建筑的3–5倍,成为大规模被困风险热点;不同功能建筑在高风险时段上存在明显差异,如行政办公、学校、医疗、仓储工业建筑在工作日9:00–12:00和14:00–18:00风险最高,商业建筑在非工作日9:00–20:00风险最高,住宅建筑在夜间20:00–07:00风险最高;地震烈度从IX到X时,被困总人数增加约117%。该研究实现了建筑尺度、多时间维度的动态被困风险评估,为震后精准救援提供了“建筑级”信息支持。

  1. **建筑功能识别**:基于兴趣面(AOI)和兴趣点(POI)的直接识别(空间叠置法)、基于建筑几何特征(8个特征)的余弦相似性空间推理、以及基于核密度估计(KDE)的归一化欧氏距离补充识别,逐步提升识别率至100%。

  2. **建筑尺度人口估计**:以行政村为单元,将各功能类型建筑的楼层面积和POI数量作为自变量,总人口为因变量,通过随机森林(RF)模型提取特征重要性作为人口权重,计算各功能类型的最大人口密度,再乘以单栋建筑楼层面积得到人口数,并通过迭代使总体误差低于5%。

  3. **被困人员评估模型**:整合地震烈度下不同结构类型(钢筋混凝土(RC)、砖混(MC)、砖木(BW)、土木(EW))的倒塌率(来自云南南部区域建筑损伤概率矩阵)、时间依赖性室内占用率(7个时段、工作日/非工作日)以及建筑功能人口密度,计算单栋建筑被困人数。样本数据来源:玉溪市红塔区2020年第七次人口普查数据、75,858栋建筑足迹(含属性)、65,427条POI及AOI数据。

  - 通过AOI和POI直接识别:11,423栋建筑(30.11%)被分配功能,其中住宅、商业、仓储工业占主导。

  - 基于空间相似性推理:对剩余27,177栋建筑,利用8个几何特征计算余弦相似度,成功识别59.53%(22,584栋),进一步提升了识别率,尤其在POI密集区域效果显著,但在POI稀疏的城乡结合部样本不足。

  - 基于KDE补充识别:对剩余10.35%(3,929栋)建筑,通过归一化KDE和归一化欧氏距离完成识别,主要补充了仓储工业建筑。

  - 最终,研究区城市建筑功能类型以住宅(33.04%)、商业(23.39%)、仓储工业(22.2%)和行政办公(11.66%)为主。

  - 利用随机森林模型,以行政村为单位,建立POI数量/楼层面积与总人口的关系,提取各功能类型的人口影响权重。

  - 人口分布呈现空间集聚特征:高密度区集中在城市主干道和公共服务设施密集区,低密度区分布在城乡过渡带和工业用地周边。单栋建筑中,51.33%的建筑居住1–3人,仅0.21%的建筑容纳≥300人。

  - 70种情景(5种烈度×7个时段×2种日期类型)下,被困人数随烈度增加显著上升:烈度IX时约53,371人,烈度X时约115,905人(增加117%)。

  - 不同功能建筑高风险时段存在差异:行政办公、学校、医疗、仓储工业建筑在工作日9:00–12:00和14:00–18:00风险最高;商业建筑在非工作日9:00–20:00风险最高;住宅建筑在20:00–07:00风险最高;参观类建筑在非工作日9:00–20:00风险最高。

  1. **建筑功能对被困评估的影响**:建筑功能通过人口规模差异、占用率时空异质性和建筑结构脆弱性三个维度影响被困风险。医疗和教育建筑平均人口数量是住宅的3–5倍,且在工作日高峰时段占用率高,成为大规模被困风险热点。非工作日期间,商业和娱乐建筑取代行政办公建筑成为高风险区域。非城市区域的土木结构(EW)倒塌率远高于城市钢筋混凝土结构(RC),但城市公共建筑因高人口密度仍存在高被困风险。

  2. **数据与方法的不确定性与局限性**:不确定性源于数据精度(如建筑属性缺失、POI语义噪声、行政单元人口数据到建筑尺度的转化误差)、模型假设(随机森林参数设置、占用率经验值)和参数选择。局限性包括:建筑结构类型简化为四大类,未考虑内部质量、抗震设防差异;地震情景仅考虑烈度,忽略震源深度、破裂机制、场地效应等耦合;未考虑滑坡、液化等次生灾害的叠加影响。未来可通过手机信令、社交媒体签到数据、详细规划数据改进数据源,或采用集成学习、动态时间建模(如LSTM)提高精度。

  3. **对提升当地减灾的启示与建议**:研究结果揭示了被困区域具有显著时空动态特征,非固定地理单元。建议基于建筑功能风险差异制定差异化防范策略,优先加固老旧住宅和未设防公共建筑;建立“分级响应、精准调度”救援体系,构建建筑尺度风险数据库,震后快速识别高风险区域;针对不同时段制定应急预案,如工作日优先保障办公和教学区域,非工作日覆盖商业娱乐区域;在关键区域储备破拆工具和医疗物资;建立“多情景预案库”以供决策。

  本研究提出了一种基于多源空间数据的建筑尺度地震被困风险评估方法。以玉溪市红塔区为案例,构建了“建筑功能识别—建筑尺度人口估计—占用率校正—被困评估”的综合框架。主要结论如下:

  (1) 构建的组合建筑功能识别方法效果显著。通过AOI和POI直接识别、空间相似性推理和KDE补充识别的三级方法,成功识别了研究区37,936栋城市建筑的全部功能。其中,AOI和POI直接识别占30.11%,空间相似性方法贡献59.53%,KDE方法补充剩余10.35%。这种分层方法有效解决了POI覆盖稀疏区域的功能识别难题。识别出的建筑存量以住宅(33.04%)、商业(23.39%)、仓储工业(22.2%)和行政办公(11.66%)为主。

  (2) 基于随机森林模型的建筑尺度人口估计精度高。以行政村为分析单元,分析了总人口与不同功能类型POI数量/楼层面积的相关性,确定了各建筑类别的人口影响权重,实现了研究区75,858栋建筑的人口精细化估计,总估计误差控制在5%以内。研究区居住人口分布呈现显著的空间集聚特征:高密度区主要集中在城市主干道和公共服务设施密集区,低密度区主要分布在城乡过渡带和工业用地周边。

  (3) 多情景被困人员评估揭示了显著的时空异质性。在70种不同情景(五种地震烈度VI–X、七个时间段、两种场景类别(工作日/非工作日))下,被困人数随烈度增加而显著上升;值得注意的是,烈度X时被困总人数比烈度IX时高117%。关于时空情景:行政办公、学校、医疗、仓储工业建筑在工作日9:00–12:00和14:00–18:00为高风险期;商业建筑在工作日12:00–14:00和18:00–20:00以及非工作日9:00–20:00为高风险期;参观类建筑在非工作日9:00–20:00为高风险期;住宅建筑在全年的20:00–07:00为高风险期。这些发现证实了地震被困风险具有显著的空间异质性和时间差异。

  (4) 研究成果提升了地震被困风险评估的粒度。与基于行政单元或网格尺度的传统评估相比,建筑尺度评估能更精确地定位高风险位置,为应急救援行动提供“建筑级”信息支持。所提出的方法框架为高地震风险区的减灾规划和应急决策提供了有价值的参考。

  总之,通过在建筑尺度上对人口、功能和结构进行耦合建模,本研究实现了高分辨率、多时间维度的地震被困风险动态评估。这不仅克服了传统行政单元评估的空间粗放性,还为“精准救援、科学预防”提供了可操作的技术路径。未来工作将聚焦于整合实时人口感知数据、建筑属性动态获取和人工智能预测模型,推动地震应急响应从“静态评估”向“动态模拟”发展。最后,本研究所建立的框架具有强可转移性,尽管在玉溪市验证,但所采用的方法——如多源数据融合、基于机器学习的权重分配和随时间变化的占用率调整——可推广应用于其他类似高地震风险区域的城市。