基于多智能体的暴雨洪涝人口风险动态评估*

2015-05-08李文波郭啸天毛雪岷赖文泽王海雷

灾害学 2015年3期

李文波,郭啸天,,毛雪岷,肖丹,赖文泽,,王海雷

(1.中国科学院合肥智能机械研究所，安徽合肥 230031；2.中国科学技术大学自动化系，安徽合肥 230027；3.合肥工业大学管理学院，安徽合肥 230036; 4.贵州财经大学贵州省经济系统仿真重点实验室，贵州贵阳 550025)

李文波1,郭啸天1,2,毛雪岷3,肖丹4,赖文泽1,2,王海雷2

面向灾害管理实际工作对洪涝人口风险进行动态评估的需求，利用复杂系统中的智能体建模方法(Agent-based Modeling, ABM)构建基于ABM的暴雨洪涝人口风险动态评估模型，对暴雨全过程中的人口风险进行动态定量评估。该文对所构建的模型中涉及到的致灾因子、孕灾环境、承灾体和人口风险分析等Agent的模型与作用规则进行深入分析；然后在Netlogo平台上，对淮河流域上鲁山县的暴雨洪涝全过程中的人口风险进行模拟仿真和评估，验证了所构建模型的有效性。研究结果为暴雨洪涝灾害人口风险动态分析提供了新的思路。

暴雨；洪涝灾害；人口；风险；动态评估；多智能体；模型

洪涝(包括洪灾和涝灾)是全球和我国损失最严重的自然灾害[1]。公元前206-1949年，我国共发生过有历史记录的洪涝1 029次，1117年的黄河洪涝造成100多万人死亡。1949-1999年，洪涝共造成279 968人死亡[2]；其中，1975年8月淮河流域的“台风-暴雨-溃坝”洪涝造成河南省29个县市的1 100万人受灾，2.6万人死亡；1998年特大洪涝灾害共造成我国29个省(区、市)的2.23亿人(次)受灾，死亡3 004人。2000-2012年间，包括暴雨等在内的不同类型洪涝灾害共造成91 646万人(次)受灾、18 950人死亡[2]。特别是2012年“7.21”北京特大暴雨洪涝造成北京60.2万人受灾，79人死亡，经济损失116.4亿元，等等。面对如此严峻的形势急需加强对洪涝风险进行评估。

洪涝风险评估方法可划分为洪水演进[3-6]、模拟仿真[7-9]、基于RS(遥感)和GIS(地理信息系统)的综合分析[10-15]和复杂系统建模[16-18]等。洪水演进法是从灾害学的角度研究出发，主要利用水力学模型或水文学模型研究洪涝风险[18]。水力学模型以圣维南方程组为基础，而水文模型主要利用统计学为工具研究洪水风险的内在规律。水文模型中计算出的风险为实际来水量大于某一特定值的概率，它与常用“抗御多少年一遇的洪水”的概念是一致。国内外研究学者利用洪水演进法在洪水风险评估中取得了可喜的研究成果[3-6]。随着技术发展，利用洪水演进和模拟技术研究洪涝风险也取得了可喜成果[7-9]。为了解决洪涝灾害风险空间上的非均匀性，学者在洪水演进和模拟的基础上利用RS/GIS对洪涝灾害风险进行综合研究，并取得显著的成果[10-14]。洪涝风险评估是典型“自然-社会”复杂系统[18]，从系统角度来看，洪涝风险是洪涝灾害系统宏观涌现[15]。目前，学者尝试将复杂系统建模中的智能体建模方法(Agent-based modeling, ABM)引入到洪水灾害风险评估[16-18]。如，王飞等构建了基于ABM的自然灾害风险评估框架[16]，Dawson等利用ABM对溃坝型洪涝人口风险进行模拟[17]，Linghu等研究了基于ABM的暴雨洪涝风险动态评估概念模型[18]，等等。

总的来说，目前洪涝风险评估成果概括起来为“某个流域或地区发生多少年一遇的洪涝灾害的概率是多少，以及在这样的概率下造成的损失是多少”。已有洪涝风险评估结果多为灾前静态定性风险分析或灾后定量损失估算，而较少考虑致灾因子、孕灾环境和承灾体在风险形成过程中的多样不确定性、动态变化性和系统复杂性[18]。然而，灾害管理实际工作需求根据洪涝风险动态变化情况，采用相应的应急救援措施。面向洪涝灾害管理实际要求，将ABM应用到洪涝灾害风险评估中，构建洪涝风险动态评估模型是未来的发展方向之一。

本文重点研究基于ABM的暴雨型洪涝人口风险动态评估模型，并通过仿真平台对所构建的模型进行验证分析。在该模型中，首先利用ABM建模思想构建暴雨洪涝灾害多智能体系统；并利用洪水演进和综合分析研究成果构建智能体之间的相互作用关系；最后通过模拟仿真方法评估暴雨洪涝孕育发生发展过程中动态风险；该方法预期能将目前已有的洪涝风险评估方法有机统一到洪涝风险动态评估中。本文研究成果预期能对暴雨洪涝灾害发生发展全过程中的人口风险进行动态评估，研究成果能为洪涝灾害期间的人口转移安置、应急响应启动和应急救援提供辅助决策支持。

1 基于ABM的暴雨洪水人口风险动态评估模型

暴雨洪涝主要致灾因素包括降雨量、频率、流速、淹没时间、淹没深度等[1]。孕灾环境主要与高程、地形地貌、河流湖泊、土地利用、植被覆盖等的相关性比较大。承灾体主要分为人口、建筑物和农作物等[19]；由于本文重点研究暴雨人口风险，考虑到在暴雨发生过程中，人口分为处于无建筑物空旷区域和有建筑物的区域两类，故本文的承灾体主要包括人口和建筑物两大类。本文利用ABM对洪涝灾害复杂系统进行自上而下的微观建模，设计暴雨洪涝致灾因子、孕灾环境、承灾体和风险分析等智能体及其联盟，并构建暴雨洪涝灾害多智能体系统。在此基础上，研究确定各个智能体及联盟之间的相互作用关系，从而使不同的智能体之间产生互动，并在宏观上实现

对暴雨洪涝灾害复杂系统的建模。最后，在模拟平台上动态评估暴雨洪涝灾害孕育发生发展过程的人口动态风险。图1所示为基于ABM的暴雨洪涝人口风险动态评估模型。

2 暴雨洪涝人口风险动态评估多智能体模型构建

如图1所示，暴雨洪涝人口风险动态评估模型中，不同的智能体模型以及作用规则是暴雨洪涝人口风险动态评估的核心。下文重点讨论以上问题。

2.1 孕灾环境智能体模型与作用规则

图1中不同孕灾环境Agent差异主要体现名称、意图逻辑、推理方法、动作目标和通信内容等方面。孕灾环境Agent均采用反应型，这里以高程Agent为例说明孕灾环境模型。本文将高程Agent模型定义为六元组，即A={Elevation, WS, Rule, Action, State, Comm}。Elevation为Agent名称，WS为外部世界状况，Rule为高程Agent作用规则，Action为高程Agent具体动作，State为高程状态，Comm为高程Agent通信方式。数字高程(Digital Elevation Model, DEM)不仅能够描述流域的地形、地貌、还可自动提取坡度、坡向等地貌参数，是进行水文分析的主要数据[20]。本文选择空间分辨率为30 m的DEM数据作为孕灾环境的数据源。高程Agent通过DEM数据可获得某一区域内每个网格内的高程以及在水文分析中所需要的排水宽带、坡度、下垫面面积等数据[20]。

2.2 暴雨致灾因子智能体模型与作用规则

包括降雨量、流速等在内的暴雨涝灾害致灾因子Agent都采用慎思型。这里以降雨量Agent为例说明暴雨致灾因子模型。本文将降雨量Agent模型定义为六元组，即A={Rainfall, WS, Rule, Action, State, Comm}。Rainfall为Agent名称，WS表

图1 基于多智能体的暴雨洪涝人口风险动态评估模型

示外部世界状况，Rule为降雨量产生规则，Action为降雨量生产动作，State为降雨量状态，Comm为降雨量Agent通信方式。

在完成暴雨型洪涝灾害致灾因子Agent内部模型设计后，更重要是研究暴雨致灾因子Agent的作用规则。暴雨管理模型(Storm Water Managment Model, SWMM)被广泛应用在暴雨模拟中[21-27]。本文利用SWMM中的降雨、地表蒸发、渗透等研究成果作为暴雨致灾因子Agent的相互作用规则。

2.2.1 地表降雨Agent和水量Agent作用规则

我国典型的暴雨降水过程可利用以下公式模拟[21]：

(1)

式中：q为平均暴雨强度；A1为重现周期为1年的降雨量；C为雨量变动参数；P为设计降雨重现周期；T为暴雨历时；b和c为常数。

对于某一区域给定重现周期下暴雨强度公式中的167A1(1+ClgP)为常数，设为a。则式(1)简化为Horner降雨强度：

(2)

式中：iave为平均暴雨强度。iave也可以通过以下公式计算[21]：

(3)

式中：i(t)为降雨强度随时间变化曲线，联合式(2)和(3)得到：

(4)

式(4)中引入雨峰系数r(0

(5)

在暴雨过程中，当降水Agent根据式(5)产生后，降水Agent将转化为雨水Agent。雨水Agent中的雨量会有一部分用于地表填洼、蒸发和渗透等损失。雨水Agent的渗透损失通过霍顿模型获得；而填洼、植被截留等损失(SS)通过网格所在的地表类型获得[27]。雨水Agent的渗透率计算公式为：

f=fc+f0×e-kt。

(6)

式中：f0为初始下渗率；fc为稳定下渗率；k为渗透衰减系数。f0取值为0.417～1.333(mm/min)，fc取值为0～0.167(mm/min)，渗透衰减系数k取值为0.033～0.117[22]。

设每个雨水Agent的初始体积为VA；扣除地表渗透后，雨水Agent的有效体积为VAeff。则每个高程Agent网格上的所有雨水Agent形成的有效水量V通过以下公式获得：

(7)

式中：VAeffi为第i个雨水Agent的有效体积；n为高程Agent网格上所有雨水Agent的数量。

2.2.2 水深Agent作用规则

在暴雨过程中，每个高程Agent网格上的有效水深Heff首先由该网格的累积雨水Agent的有效体积决定，同时受地表填洼、植被截留等损失Ss影响。在暴雨地表径流形成过程中，每个网格上的有效水深Heff、总降水量P与地表填洼和植被截留等的损失Ss必须满足水量平衡公式[27]，即：

(8)

式中：P为高程Agent每个网格上某时刻内所有雨水Agent所形成的累积降雨量，通过式(7)获得；L为高程网格宽度；Ss为地表径流初期填洼和植被截留的损失，根据经验公式或经验值取值为1.5～5 mm[27]。Heff为地表网格某时刻的降水形成的有效降水深度。

通过式(8)求得暴雨过程中每个高程Agent网格降水所带来的有效水深Heff。当该网格高程D与有效水深Heff之和不等于周边网格的高程与有效水深之和时，该网格与周边网格将会形成地表径流。本文采用D8多向流法确定暴雨过程中具体流向。当降雨在地表形成地表径流时，暴雨形成洪水的实际深度H由该网格上有效降水水深Heff与从该网格流向低处网格所损失的水深Hloss和从高处网格流入该网格水量所增加的水深Hadd共同决定。虽然在暴雨过程，以上三个因素都是随时间动态变化的，但总体上必须满足水量平衡公式[27]，即：

H=Heff+Hadd-Hloss。

(9)

式中：Hadd和Hloss通过非线性水库模型和曼宁方程求解获得。设t时刻第k个网格上共有x个雨水Agent，有y个雨水Agent需要流出(流入)该网格。则该网格流出(流入)的雨水总量为Qout，其计算公式为：

(10)

式中：Veffj为第k个网格上移动离开的第j个雨水Agent的有效体积；y(y≤x)为第k个网格上移动离开雨水Agent的总数。

同时，根据非线性水库模型，t时刻该网格上流出的水量可通过曼宁方程求解，即：

(11)

式中：L为网格Agent宽度；N为曼宁系数，不透水区N为0.01～0.033，透水区为0.1～0.8[22]；Ss为网格上的损失深度；S为地形Agent之间的坡度，通过不同区域的高程Agent的高程差值(DEM)获得。

对于降雨过程的雨水Agent移动来说，根据水量平衡原理，当第y个雨水Agent从第k个网格移动离开时，必然有若干个网格接受该来自第k个网格上的第y个雨水Agent。通过联立求解方程(8)、(10)和(11)，可获得第k个网格上t时刻流出水量Vout和流入水量Vin的雨水Agent总量。当获得t时刻流入和流出的雨水Agent总体积后，即可获得t时刻第k网格上损失的水深Hloss和增加的水深Hadd。通过式(9)可以获得t时刻暴雨在第k个网格上形成洪水的实际深度H。

2.2.3 雨水Agent的移动规则

雨水Agent移动规则为：在t时刻，每个网格上雨水Agent首先根据式(8)获得该时刻降雨量有效水深Heff和其所在网格上的高程值D；雨水Agent计算其所在网格上高程值D与t时刻有效降水深度Heff之和Htotal；每个雨水Agent将获得Htotal值与周边的8个网格上Htotal值进行比较。当其所在网格上Htotal值大于其他网格的Htotal值，该网格上的雨水Agent选择向Htotal值小的网格上移动；当其所在网格上Htotal值小于等于其他网格的Htotal值，则该网格上雨水Agent保持不动；需要注意的是，当雨水Agent移动到整个地域边界时，视为雨水Agent流出研究区域。

2.2.4 流速Agent作用规则

在完成降雨Agent和水深Agent作用规则后，通过水深Agent获得流速Agent的作用规则。流速Agent作用规则，参考洪水运行模型获得[28]，其计算公式为：

(12)

式中：V为流速；H为洪水深度；S为地形坡度通过高程Agent获得；N为曼宁系数。

2.2.5 淹没时间Agent作用规则

对于高程Agent上每个网格，当该网格上的洪水深度H大于0，认为该网格被洪涝淹没。则第l个网格上的淹没时间Agent的作用为：

(13)

式中：Tl为第l个网格淹没时间；tl为该网格在降雨过程某时刻淹没时间；Hl为第l个网格某一个时间的洪水深度。

2.3 承灾体智能体及其联盟模型构建

本文的人口承灾体是执行具体任务的主体，也会采取一定策略进行避险，要求其具有更强的逻辑推理和学习能力，故采用慎思型内部结构。本文将人口Agent模型定义为七元组，即A={Population,WS,DB,Rule,Action,State,Comm}。Population为Agent名称，WS表示外部世界状况，DB为数据库，Rule为外部数据状况，Action为人员Agent具体动作，State为人员状态，Comm为人口Agent通信方式。在完成承灾体Agent模型设计后，承灾体作用规则是进行风险动态评估的核心之一。

2.3.1 人口Agent与房屋Agent生产与受灾状态判断规则

对于人口与房屋，按照“高程越高，人员和房屋分布越少”的规则进行；同时根据区域的人口分布密度和房屋分布状态来分别生产人员Agent和房屋Agent数据。

承灾体受灾状态判断规则主要根据水深H值和淹没时间T值来判断人员Agent和房屋Agent的受灾状态，具体参考[28]。本文将人口和房屋受灾状态划分为安全、轻度风险、中度风险和重度风险。

2.3.2 人口Agent移动规则

在暴雨过程中，人员Agent移动受到建筑物和安全高地等避险场所影响。本文主要将安全高地和房屋作为避险设施来考虑。人口Agent移动按照“向最安全的区域移动”的原则进行。具体规则如下：

而且，随着智能手机、移动支付的普及，2015年前后，杭州市第一人民医院的智慧医疗水平不断升级，患者自助服务也越来越倾向于移动端。

(1)人员Agent判断自身状态是当安全时，则保持不动；

(2)当人员Agent处于轻度危险时，判断周围是否有安全房屋，如果有则向安全房屋方向移动；如果没有则向高程比较高和积水比较浅的方向移动；

(3)当人员Agent处于中度危险时，首选判断周围是否有安全房屋；如果有则向安全房屋方向移动；如果没有则判断是否有轻度安全的房屋，如果有则向轻度危险房屋方向移动；如果没有则向高程比较高和积水比较浅的方向移动；

(4)当人员Agent处于重度危险时，首选判断周围是否有安全房屋；如果有则向安全房屋方向移动；如果没有则判断是否有轻度安全的房屋，如果有则向轻度危险房屋方向移动；如果没有则向高程比较高和积水比较浅的方向移动。

2.4 人口风险分析智能体模型及作用规则

风险分析Agent是执行具体任务的主体，也采用慎思型内部结构。这里以人口风险分析Agent为例说明单个风险分析智能体的模型与作用规则。本文将人口风险分析Agent模型定义为七元组，即A={PopuRiskAnalyze, WS, DB, Rule, Action, State, Comm}。PopuRiskAnalyze为Agent名称，WS表示外部世界状况，DB为数据库，Rule为来用户定义统计规则，Action为统计不同人口状态的动作，State为人口风险分析Agent动作完成的状态，Comm为人口风险分析Agent的通信方式。

人口风险分析Agent的作用规则为：对于暴雨过程中任意时刻t，分别统计安全状态人口Agent、轻度风险状态人口Agent、中度风险状态人口Agent和重度风险状态人口Agent的数量，并绘制曲线；统计轻度、中度和重度三种风险状态人口Agent的总数量，并绘制曲线。

2.5 智能体之间协调协作及通信机制设计

本文利用KQML(Knowledge Query and Manipulation Language)作为Agent之间的通信语言。所有Agent均通过KQML进行通信交互协调。通过Agent之间的通信可实现智能体的协调协作，评估不同情境下的暴雨洪水风险。例如：在整个过程中，人口Agent和它所在相同的高程Agent上的waters和geoclass询问waters的淹没时间T和geoclass的水深H，waters实时把自身的淹没时间T告知向它询问的人口Agent，geoclass实时把水深H告知向它询问的人口Agent，接着人口Agent可以根据水深H和淹没时间T进行自身受灾状态的更新，等等。

3 基于Netlogo平台的暴雨洪涝人口风险动态评估

利用本文构建的模型，在Netlogo平台上，对淮河流域上游地区鲁山县的暴雨洪涝灾害人口风险动态变化进行评估。鲁山县位于河南省中西部，伏牛山东麓，南临南阳、东接平顶山，地处北亚热带与暖温带的过渡带，年平均气温14.8°，年均降水量1 000 mm。鲁山县县域面积2 432.32 km2，总人口92.7万人，平均人口密度约为381人/km2。

3.1 暴雨全过程的人员风险动态模拟

利用前文所提及的暴雨模型，对研究区域的暴雨致灾因子进行模拟。根据SWMM模型的暴雨强度公式，式(5)中的雨峰系数r取值为0.5，将降雨过程分为峰前和峰后各12 h，并在降雨结束后继续运行14.4 h。整个降雨过程的曲线见图2，从图2(a)可知，整个模拟过程中前12 h的雨水Agent的数量从4 000个逐步增加到峰值，从12 h后开始逐步降低；对应的瞬时降雨量(图2(b))从0.125 mm逐步提升到峰值0.225 mm左右，然后逐步降低；累积降雨量呈现逐步增加趋势，从图2(c)可知在24 h的时间累积降雨量达到80 mm，其

中累积降雨达到50 mm的时间为14 h。

从分辨率为30 m的DEM数据(http://earthexplorer.usgs.gov/)中选择鲁山县的441 km2为实验区域，区域的最大高程为1 155m，最低高程为120 m，如图3(a)所示。按照“较低高程地区人口较多，较高高程地区人口数较少”的规则，考虑到目前鲁山县为劳务输出地区，人口密度按照198人/km2核算，设每个人员Agent代表实际中的10人，则在研究区域随机生成8 746个人员Agent并分布在49 000高程Agent上；同时随机生成超过4 000个房屋Agent，如图3(b)所示。

在完成初始化后，利用所构建模型对实验区暴雨洪涝全过程的人员风险进行动态模拟。在前8 h，降雨Agent逐步增加但没有达到峰值。该阶段降雨Agent数量虽然逐步增加，在地表填洼和渗透等损失的影响下，开始形成地表径流但不明显。由于房屋Agent具有一定避险作用，再加上人口Agent会采用一定“避险”移动策略，在该阶段暴雨对人员Agent的影响有限，但也出现了少量的处于轻度受灾状态的房屋Agent和人员Agent，其中2.4 h的状态如图3(c)所示。在8～16 h，降雨Agent逐步增加并达到峰值然后逐步减少。该阶段在高程较低的区域开始形成洪水并向周边地区流动；且随着降雨过程的发展，所形成洪水的区域、深度和流速会逐步增加。虽然房屋Agent具有避险作用，而且人员Agent仍然会采用智能的避险移动策略，但洪水对承灾体Agent的影响明显增强。该阶段处于轻度受灾状态、中度受灾状态和重度受灾状态的房屋Agent和人口Agent的数量呈现增加趋势，降雨12 h对应的模拟结果如图3(d)所示。在16～24 h，降雨Agent逐步减少直至降雨停止。虽然该阶段降雨Agent逐步减少，但降雨形成的洪水对房屋Agent和人口Agent造成的危险仍然存在，该阶段处于三种受灾状态的人员在进行复杂的相互转化，降雨24 h对应的模拟结果如图3(e)。在24～38.4 h，该阶段虽然降雨停止，降雨形成的洪水逐步转化为涝灾，虽然地表径流呈现减弱趋势，但仍然具有较大的人员Agent处于不同的受灾状态，其中38.4 h对应的模拟结果如图3(f)所示。

(a)雨水Agent生产曲线 (b)瞬时降雨量曲线 (c)累计降雨量曲线

图3 暴雨全过程人口风险动态模拟

3.2 暴雨全过程人口风险动态评估及分析

通过前文分析可知，人口风险随着暴雨洪涝的孕育发生发展呈现复杂的变化。人口风险分析Agent对暴雨全过程中的安全、轻度受灾、中度受灾和重度受灾四种状态人口Agent进行实时记录。图4所示为暴雨全过程不同状态的人口的动态变化曲线。

图4 暴雨全过程不同状态人口动态变化曲线

从图4可知，处于安全状态的人口在前8 h内，呈现逐步降低趋势；在8～24 h内，呈现逐步降低趋势，但降低速度明显高于前8 h；在24～32 h内，呈现逐步降低趋势，但降低速度低于8～24 h；在32～34 h后呈现增长趋势，34 h以后处于安全状态的人口基本保持不变。

从图4可知，受灾状态人口变化趋势与安全状态人口变化趋势相反。对于轻度受灾人口，前8 h呈现增长趋势；在8～16 h之间仍然呈现增长趋势，但增长速度高于前8 h；在16～24 h之间呈现波动趋势；在24 h后呈现先增加后平稳再增加趋势。对于中度受灾人口，前8 h没有出现该类状态，在8至16 h之间呈现逐步增长趋势，但增长速度小于轻度受灾状态人口；在16～24 h之间，仍然呈现增长趋势，并且数量超过轻度受灾人口；在24 h后，呈现先降低，再增加，再降低，再小幅增加，最后下降的复杂变化趋势。对于重度受灾人口，从8～24 h能呈现增长趋势，并在24 h达到峰值；在24 h后，重度受灾人口呈现波动式下降趋势。从图4和上文分析可知，在暴雨全过程中，不同状态的人口变化比较复杂。表1为每3 h不同状态人口定量统计结果。

从表1中可知，暴雨期间前6 h内，因为致灾因子影响较为微弱，只有少量人口(总人口的0.5%)处于受灾状态，且均为轻度受灾。在第9 h，人口受灾影响加大，处于轻度受灾状态的人口增至0.9%，且出现少量中度受灾人口(总人口的0.3%)，而此时处于重度受灾的人口所占比例为零，总体受灾人口比例增长至1.2%。从第12～24 h，暴雨洪涝带来的人口灾情加重，第12 h已经出现少量人口(总人口的0.1%)处于重度受灾状态，且在第24 h人数增长至总人数的5.1%，处于三种受灾状态的人口比例均出现了不同幅度的增长，总体受灾人口比例在第24 h增长至18.4%。第27 h和30 h的数据表明降雨停止后人口的安全状况仍继续受到影响，总体受灾人口比例相对稳定，但灾情的减轻促使人口受灾危险程度减弱，处于重度受灾的人口比例由第24 h的5.1%减少至第30 h的2.6%，而处于中度受灾的人口比例出现波动，处于轻度受灾的人口比例由第24 h的5.5%增加至第30 h的8.6%；第33 h和36 h的数据表明灾情进一步减轻，处于重灾的人口比例在第36 h减小至0.5%，总体受灾人口比例下降至15.0%，尽管重灾人口比例下降可以使得轻度和中度受灾人口比例上升，但处于轻度和中度受灾的人口比例整体趋势仍保持下降态势。

表1 不同时间下不同状态的人口统计表

4 结论与展望

面向灾害管理实际工作对洪涝人口风险进行动态评估的需求，本文利用ABM方法构建暴雨洪涝人口风险动态评估模型，对暴雨洪涝孕育发生发展全过程中的人口风险进行动态定量评估。

(1)构建了基于ABM的暴雨洪涝人口风险动态评估模型，对模型中所涉及的孕灾环境、暴雨致灾因子、承灾体和风险分析等Agent模型及Agent通信的进行分析研究。

(2)利用暴雨管理模型(SWMM)、霍顿模型、水量平衡模型、非线性水库模型和曼宁方程等重点对暴雨致灾因子Agent的作用规则进行研究；并在Netlogo平台上，对淮河上游鲁山地区的暴雨洪涝人口风险进行动态评估。结果表明本文所构建的模型对暴雨型洪涝灾害孕育发生发展过程中的安全、低风险、中风险和高风险四种状态的人员动态变化进行分析。本文的研究结果对暴雨洪涝灾害人口灾情预测、应急救助和应急管理都具有较强的指导意义。

(3)本文构建的模型虽然能对暴雨洪涝不同受灾状态的人口风险能进行动态评估，但需要进一步完善。首先，本文中不同Agent的作用规则需要进一步完善；其次，需要利用真实的暴雨洪涝人口灾情数据验证和完善本文所构建的模型；最后，研究除暴雨型以外的洪涝灾害(如冰雪融水型洪涝和溃坝型洪涝等)的人口风险动态评估模型与方法。这些都是我们后续的研究重点。

[1] 蒋卫国,李京,陈云浩,等.区域洪水灾害风险评估体系(I)-原理与方法[J].自然灾害学报,2008,17(6):105-109.

[2] 国家防汛抗旱总指挥部,中国人民共和国水利部.2012年中国水旱灾害公告[M].北京:中国水利水电出版社,2013.

[3] Buchele B, Kreibich H, Kron A, et al. Flood risk mapping: contributions towards an enhanced assessment of extreme events and associated risks [J]. Natural Hazards and Earth System Sciences, 2006, 6(4): 485-503.

[4] Apel H, Thieken A H, Merz B, et al. A probabilistic modelling system for assessing flood risks [J]. Natural hazards, 2006, 38(1/2): 79-100.

[5] 丁雨淋, 杜志强, 朱庆, 等. 洪水淹没分析中的自适应逐点水位修正算法[J].测绘学报, 2013, 42(4): 546-553.

[6] 谢俊举, 李亚琦. 基于洪水演进数值模拟的溃坝危害性快速评估[J]. 灾害学, 2011, 26(2): 31-34.

[7] Bates P D, De Roo A P J. A simple raster-based model for flood inundation simulation [J]. Journal of hydrology, 2000, 236(1): 54-77.

[8] Ding Y, Zhu Q, Lin H. An integrated virtual geographic environmental simulation framework: a case study of flood disaster simulation [J]. Geo-spatial Information Science, 2014, 17(4): 190-200.

[9] 吴钢峰,贺治国,刘国华.具有守恒特性的二维溃坝洪水演进数值模型[J].水科学进展, 2013,24(5):683-691.

[10]Pelletier J D, Mayer L, Pearthree P A, et al. An integrated approach to flood hazard assessment on alluvial fans using numerical modeling, field mapping, and remote sensing [J]. Geological Society of America Bulletin, 2005, 117(9/10): 1167-1180.

[11]Meyer V, Scheuer S, Haase D. A multicriteria approach for flood risk mapping exemplified at the Mulde river, Germany [J]. Natural Hazards, 2009, 48(1): 17-39.

[12]Ding Y, Fan Y, Du Z, et al. An integrated geospatial information service system for disaster management in China [J]. International Journal of Digital Earth, 2014 (ahead-of-print): 1-28.

[13]莫建飞, 陆甲, 李艳兰, 等.基于GIS的广西农业暴雨洪涝灾害风险评估[J].灾害学, 2012, 27(1): 38-43.

[14]孔凡明, 蒋卫国, 李京, 等.基于MODIS的2011年泰国洪涝受灾信息提取与分析[J]. 灾害学, 2013, 28(2): 95-99.

[15]史培军.四论灾害的理论与实践[J].自然灾害学报,2005,14(6):1-7.

[16]王飞,尹占娥,温家洪,等.基于多智能体的自然灾害风险动态评估模型[J].地理与地理信息科学,2009,25(2):85-88.

[17]Dawson R J, Peppe R, Wang M. An agent-based model for risk-based flood incident management [J]. Natural Hazards, 2011, 59(1): 167-189.

[18]Linghu B, Chen F, Guo X, et al. A Conceptual Model for Flood Disaster Risk Assessment Based on Agent-Based Modeling[C]//Computer Sciences and Applications (CSA), 2013 International Conference on. IEEE, 2013: 369-373.

[19]史培军.再论灾害的理论与实践[J].自然灾害学报,1996,5(4):6-17.

[20]史蕊.基于GIS和SWMM的城市洪水模拟与分析 [D]. 昆明：昆明理工大学, 2010.

[21]张大伟,赵冬泉,陈吉宁,等.芝加哥降水过程线模型在排水系统模拟中的应用[J].给水排水,2008,34(Supp.1):354-357.

[22]赵冬泉,王浩正,陈吉宁,等.城市暴雨径流模拟的参数不确定性研究[J]. 水科学进展, 2009, 20(1): 45-51.

[23]Ouyang W, Guo B, Hao F, et al. Modeling urban storm rainfall runoff from diverse underlying surfaces and application for control design in Beijing [J]. Journal of environmental management, 2012, 113: 467-473.

[24]张倩,苏保林,袁军营.城市居民小区SWMM降雨径流过程模拟[J]. 北京师范大学学报:自然科学版, 2012, 48(3): 276-281.

[25]Wu J Y, Thompson J R, Kolka R K, et al. Using the Storm Water Management Model to predict urban headwater stream hydrological response to climate and land cover change [J]. Hydrology and Earth System Sciences, 2013, 17(12): 4743.

[26]Sun N, Hall M, Hong B, et al. Impact of SWMM catchment discretization: case study in Syracuse, New York [J]. Journal of Hydrologic Engineering, 2012, 19(1): 223-234.

[27]任伯帜.城市设计暴雨及雨水径流计算模型研究[D].重庆：重庆大学,2004.

[28]李京,陈云浩,唐宏,等.自然灾害灾情评估模型与方法体系[M].北京：科学出版社, 2012.

The Dynamic Population Risk Assessment Model for Rainstorm-floodUtilization Multi-agent

Li Wenbo1, Guo Xiaotian1, 2，Mao Xuemin3, Xiao Dan4, Lai Wenze1, 2and Wang Hailei2

(1.InstituteofIntelligentMachines,ChineseAcademyofSciences,Hefei23003,China;2.DepartmentofAutomation,UniversityofScienceandTechnologyofChina,Hefei230026,China;3.SchoolofManagement,HefeiUniversityofTechnology,Hefei230009,China; 4.GuizhouKeyLab.ofEconomicsSystemSimulation,GuizhouUniversityofFinanceandEconomics,Guiyang550025,China)

Thedisastermanagementpracticalworkneedsthedynamicresultsofpopulationriskduringthewholerainstormprocess.TheAgent-basedModeling(ABM),whichisonemethodforcomplexsystemmodeling,hadbeenemployedtobuildpopulationriskdynamicassessmentmodelforrainstorm-flood.Thebuiltmodelhadbeenusedtodynamicallyassessthepopulationriskforthewholerainstormprocess.Theinternalmodels,themechanism,therules,andthecommunicationofdifferentagents,includinghazardfactoragents,hazardenvironmentsagents,hazardeffectobjectsagents,andriskanalyzeagents,hadbeenfocused.OnNetlogoplatform,theconstructedmodelshadbeenusedtoassessthepopulationriskdynamicchangesofLushanCountywhichlocatesintheupstreamoftheHuaiheRiverBasin.Theresultsshowthattheconstructedmodelsinthispapercaneffectivelysolvethedynamicchangesofthepopulationriskduringthewholeprocessofrainstorm-flooddisaster.Theresultsofthisstudycanprovideonenewapproachforflooddisastersriskdynamicassessment.

rainstorm;flooddisaster;population;risk;dynamicassessment;multiagent;model

2014-03-16

国家自然科学基金项目(41101516，91324006，91024008)；贵州科技计划项目(黔科合SY字[2012]3040)

李文波(1979-),男，湖北襄阳人，博士，副研究员，主要从事洪水风险评估、复杂系统建模、水资源管理等方面研究.E-mail：wbli@iim.ac.cn

毛雪岷(1974-),男，安徽宿州人，博士，副教授，主要从事人工智能、复杂系统建模等方面研究.E-mail：maoxuemin@yahoo.comc.cn

X43；P333.2

1000-811X(2015)03-0080-08

10.3969/j.issn.1000-811X.2015.03.016

李文波,郭啸天,毛雪岷，等. 基于多智能体的暴雨洪涝人口风险动态评估[J].灾害学, 2015,30(3):080-087. [Li Wenbo, Guo Xiaotian, Miao Xuemin, et al. The dynamic population risk assessment model for rainstorm-flood utilization multi-agent[J].Journal of Catastrophology, 2015,30(3)：080-087.]