山地城镇洪涝滑坡灾害韧性评估研究

文海家; 钱龙; 李卓航; 黄俊豪

doi:10.13409/j.cnki.jdpme.20240616002

您当前的位置：

首页 >

文章列表页 >

山地城镇洪涝滑坡灾害韧性评估研究

“城市基础设施抗洪韧性评价与提升”专题 | 更新时间：2024-09-07

- 山地城镇洪涝滑坡灾害韧性评估研究
- Study on Resilience Assessment of Flood and Landslide Disasters in Mountainous Urban Areas
- 防灾减灾工程学报 2024年44卷第4期页码：751-761
- 作者机构：
  
  1.重庆大学土木工程学院，重庆 400045
  2.山地城镇建设新技术教育部重点实验室（重庆大学），重庆 400045
- 作者简介：
  
  文海家（1971—），男，教授，博士。主要从事岩土工程防灾减灾方面的研究。E-mail:jhw@cqu.edu.cn
- 基金信息：
  
  国家重点研发计划项目(2023YFC3007204)
- DOI：10.13409/j.cnki.jdpme.20240616002
  中图分类号： TU984
- 收稿：2024-06-16，
  
  修回：2024-07-15，
  
  纸质出版：2024-08-30
- 稿件说明：
移动端阅览
文海家,钱龙,李卓航等.山地城镇洪涝滑坡灾害韧性评估研究[J].防灾减灾工程学报,2024,44(04):751-761.

WEN Haijia,QIAN Long,LI Zhuohang,et al.Study on Resilience Assessment of Flood and Landslide Disasters in Mountainous Urban Areas[J].Journal of Disaster Prevention and Mitigation Engineering,2024,44(04):751-761.
文海家,钱龙,李卓航等.山地城镇洪涝滑坡灾害韧性评估研究[J].防灾减灾工程学报,2024,44(04):751-761. DOI： 10.13409/j.cnki.jdpme.20240616002.

WEN Haijia,QIAN Long,LI Zhuohang,et al.Study on Resilience Assessment of Flood and Landslide Disasters in Mountainous Urban Areas[J].Journal of Disaster Prevention and Mitigation Engineering,2024,44(04):751-761. DOI： 10.13409/j.cnki.jdpme.20240616002.

摘要

为实现对山地城镇灾害韧性的有效评估，以受洪灾‑滑坡灾害链影响的中国典型山地城镇重庆市主城都市区为研究区，基于城市灾害韧性的内涵特征和作用机理，结合“压力‑状态‑响应”模型的因果逻辑，在多源数据收集分析的基础上，构建承载洪涝、滑坡灾害韧性评估指标体系。采用机器学习方法评估滑坡压力韧性，采用主客观组合权重分析及VIKOR法评估洪涝压力韧性和状态‑响应韧性，采用秩和比综合评价法构建综合韧性评估模型，度量城市灾害韧性水平，划分韧性等级，分析评估结果。结果表明：①研究区西部与西北部滑坡压力韧性高，中部滑坡压力韧性处于中等水平，南部与东北部滑坡压力韧性低；②研究区中部洪涝压力韧性水平较低，而研究区东部和西部洪涝压力韧性普遍较高，整体呈现外圈高内圈低的态势，其中位于研究区东南部的南川区是洪涝压力韧性最高的区；③重庆市核心城区的渝中区是状态‑响应韧性最高的区，整体的状态‑响应韧性空间分布呈现出一种明显的中心至外围递减趋势；④综合韧性的空间分布没有明显的特征，但研究区普遍存在一个行政区会出现多种不同韧性等级的情况，体现了各阶段韧性发展的不平衡。

Abstract

To effectively evaluate disaster resilience in mountainous urban areas

the study focused on the central urban area of Chongqing

a typical mountainous city in China influenced by the flood-landslide disaster chain. Based on the concept and mechanisms of urban disaster resilience and combined with the causal logic of the Pressure-State-Response (PSR) model

a resilience evaluation index system for floods and landslides was constructed through the collection and analysis of multi-source data. Landslide pressure resilience was evaluated using machine learning techniques

and the flood pressure and state-response resilience were assessed through a combination of subjective and objective weighting analyses with the VIKOR method. The rank-sum ratio comprehensive evaluation method was employed to construct an overall resilience assessment model

measure urban disaster resilience levels

classify resilience grades

and analyze the assessment results. The findings indicated that: (1) High landslide pressure resilience was observed in the western and northwestern regions of the study area

moderate resilience in the central area

and low resilience in the southern and northeastern regions. (2) Flood pressure resilience was lower in the central region of the study area

while the eastern and western regions generally displayed higher resilience

with the outer regions being more resilient than the inner regions. Nanchuan District in the southeastern region of the study area had the highest flood pressure resilience. (3) Yuzhong District

the core urban area of Chongqing

showed the highest state-response resilience

with the spatial distribution of state-response resilience exhibiting an evident decreasing trend from center to periphery. (4) The spatial distribution of comprehensive resilience did not show distinct patterns

but it was common for an administrative region within the study area to exhibit varying resilience levels

reflecting the uneven development of resilience across different stages.

关键词

Keywords

references

张靖岩，范乐，张泽伟，等 . 多灾种下特大城市安全韧性影响评估研究与实践［J］. 灾害学， 2023 ， 38 （ 1 ）： 7 - 12 .

Zhang J Y ， Fan L ， Zhang Z W ， et al . Assessment and practice of mega-city safety resilience under multiple disasters ［J］. Journal of Catastrophology ， 2023 ， 38 （ 1 ）： 7 - 12 . （in Chinese）

Mehryar S ， Surminski S . Investigating flood resilience perceptions and supporting collective decision-making through fuzzy cognitive mapping ［J］. Science of The Total Environment ， 2022 ， 837 ： 155854 .

Administration C M . Blue book on climate change of China 2022 rolled out ［EB/OL］.（ 2022-08-09 ）［ 2024-07-25 ］. https：∥www.cma.gov.cn/en2014/news/News/202208/t20220809_5024647.html https://www.cma.gov.cn/en2014/news/News/202208/t20220809_5024647.html .

Zhang X ， Mao F ， Gong Z ， et al . A disaster-damage-based framework for assessing urban resilience to intense rainfall-induced flooding ［J］. Urban Climate ， 2023 ， 48 ： 101402 .

Duy P N ， Chapman L ， Tight M . Resilient transport systems to reduce urban vulnerability to floods in emerging-coastal cities： a case study of Ho Chi Minh City， Vietnam ［J］. Travel Behaviour and Society ， 2019 ， 15 ： 28 - 43 .

Wijayawardana N ， Abenayake C ， Jayasinghe A ， et al . An urban density-based runoff simulation framework to envisage flood resilience of cities ［J］. Urban Science ， 2023 ， 7 （ 1 ）： 17 .

UNISDR . 2009 UNISDR terminology on disaster risk reduction ［EB/OL］. （ 2009-01-23 ）［ 2024-07-25 ］. https：∥www.undrr.org/publication/2009-unisdr-terminology-disaster-risk-reduction https://www.undrr.org/publication/2009-unisdr-terminology-disaster-risk-reduction .

Jiao L ， Wang L ， Lu H ， et al . An assessment model for urban resilience based on the pessure-state-response framework and BP-GA neural network ［J］. Urban Climate ， 2023 ， 49 ： 101543 .

Nathwani J ， Lu X ， Wu C ， et al . Quantifying security and resilience of chinese coastal urban ecosystems ［J］. Science of the Total Environment ， 2019 ， 672 ： 51 - 60 .

Xiong H ， Ma C ， Li M ， et al . Landslide susceptibility prediction considering land use change and human activity： a case study under rapid urban expansion and afforestation in China ［J］. Science of the Total Environment ， 2023 ， 866 ： 161430 .

Zeng T ， Wu L ， Peduto D ， et al . Ensemble learning framework for landslide susceptibility mapping： different basic classifier and ensemble strategy ［J］. Geoscience Frontiers ， 2023 ： 101645 .

Yang C ， Liu L L ， Huang F ， et al . Machine learning-based landslide susceptibility assessment with optimized ratio of landslide to non-landslide samples ［J］. Gondwana Research ， 2023 ， 123 ： 198 - 216 .

Zhang X ， Song J ， Peng J ， et al . Landslides-oriented urban disaster resilience assessment： a case study in ShenZhen， China ［J］. Science of the Total Environment ， 2019 ， 661 ： 95 - 106 .

Goyes-Peñafiel P ， Hernandez-Rojas A . Landslide susceptibility index based on the integration of logistic regression and weights of evidence： a case study in Popayan， Colombia ［J］. Engineering Geology ， 2021 ， 280 ： 105958 .

Dou J ， Yunus A P ， Bui D T ， et al . Improved landslide assessment using support vector machine with bagging， boosting， and stacking ensemble machine learning framework in a mountainous watershed， Japan ［J］. Landslides ， 2020 ， 17 ： 641 - 658 .

Teimouri M ， Kornejady A . The dilemma of determining the superiority of data mining models： optimal sampling balance and end users' perspectives matter ［J］. Bulletin of Engineering Geology and the Environment ， 2020 ， 79 ： 1707 - 1720 .

Zhang W ， Li H ， Li Y ， et al . Application of deep learning algorithms in geotechnical engineering： a short critical review ［J］. Artificial Intelligence Review ， 2021 ： 1 - 41 .

Fang Z ， Wang Y ， Duan G ， et al . Landslide susceptibility mapping using rotation forest ensemble technique with different decision trees in the Three Gorges Reservoir area， China ［J］. Remote Sensing ， 2021 ， 13 （ 2 ）： 238 .

Ke G ， Meng Q ， Finley T ， et al . LightGBM： a highly efficient gradient boosting decision tree ［C］∥ Advances in Neural Information Processing Systems 30（NIPS 2017 ）， Red Hook， NY， USA ： Curran Associates Inc. ， 2017 .

杨勇杰 . 一种结合LightGBM算法和神经网络的可解释的中小板企业成长力模型［D］. 杭州：浙江大学， 2022 .

Yang Y J . An Interpretable SMB growth model combining with LightGBM algorithm and neural networks ［D］. Hangzhou ： Zhejiang University ， 2022 . （in Chinese）

Saaty T L . Decision Making with the analytic hierarchy process ［J］. International Journal of Services Sciences ， 2008 ， 1 （ 1 ）： 83 - 98 .

Li L ， Chen X ， Zhang J ， et al . Landslide susceptibility-oriented suitability evaluation of construction land in mountainous areas ［J］. Forests ， 2022 ， 13 （ 10 ）： 1621 .

Tayyab M ， Zhang J ， Hussain M ， et al . Gis-based Urban flood resilience assessment using urban flood resilience model： a case study of Peshawar City， Khyber Pakhtunkhwa， Pakistan ［J］. Remote Sensing ， 2021 ， 13 （ 10 ）： 1864 .

章穗，张梅，迟国泰 . 基于熵权法的科学技术评价模型及其实证研究［J］. 管理学报， 2010 ， 7 （ 1 ）： 34 - 42 .

Zhang S ， Zhang M ， Chi G T . Scientific and technological evaluation model based on entropy weight method and its empirical research ［J］. Chinese Journal of Management ， 2010 ， 7 （ 1 ）： 34 - 42 . （in Chinese）

Diakoulaki D ， Mavrotas G ， Papayannakis L . Determining objective weights in multiple criteria problems： the critic method ［J］. Computers & Operations Research ， 1995 ， 22 （ 7 ）： 763 - 770 .

杨洋，黄德镛，耿元玲，等 . 基于FAHP-CRITIC组合赋权的采矿方法优选［J］. 化工矿物与加工， 2022 ， 51 （ 1 ）： 6 - 11，22 .

Yang Y ， Huang D Y ， Geng Y L ， et al . Mining method optimization based on FAHP-CRITIC combined weighting ［J］. Industrial Minerals & Processing ， 2022 ， 51 （ 1 ）： 6 - 11，22 . （in Chinese）

Opricovic S ， Tzeng G-H . Compromise solution by MCDM methods： a comparative analysis of VIKOR and TOPSIS ［J］. European Journal of Operational Research ， 2004 ， 156 （ 2 ）： 445 - 455 .

张意，乌瀚宝栎尔，刘拓，等 . 基于TOPSIS法与秩和比法模糊联合的化学品毒性鉴定机构质量考核结果分析［J］. 工业卫生与职业病， 2023 ， 49 （ 6 ）： 531 - 535 .

Zhang Y ， Wu H ， Liu T ， et al . Analysis of quality assessment results of chemical toxicity identification agencies based on fuzzy combination of TOPSIS method and rank-sum ratio method ［J］. Industrial Health and Occupational Diseases ， 2023 ， 49 （ 6 ）： 531 - 535 . （in Chinese）

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于混合高斯隐马尔科夫模型的滑坡发生时间预报∗