排序方式: 共有34条查询结果,搜索用时 15 毫秒
1.
震后死亡人数是震后应急响应和救援工作的重要基础。为提高震后人员死亡评估精度,从云南县(区)城镇化率、建筑面积和建筑楼层数考虑,提出了一种基于单体建筑的人口分配方法;以建筑的致死性矩阵为基础,使用滇西地区建筑数据和历史地震死亡人数计算本地化修正系数,得到了该地区基于建筑类型的人员死亡评估方法;以2021年云南漾濞6.4级地震为例,对评估结果进行了检验和三维可视化。结果表明:(1)基于单体建筑的人口分布空间比传统的公里格网更加精细;(2)基于单体建筑评估的受灾人口和实际受灾人口之间的相对误差为3.7%,精度较好;(3)基于单体建筑致死性评估的漾濞地震人员死亡评估结果为0~3人,符合实际情况;(4)三维表达能够增加信息表达的直观性和丰富程度。 相似文献
2.
针对如何选取合适的影响因素进行砖木结构房屋地震破坏合理评估的问题,提出了一种基于主成分分析与BP神经网络相融合的云南砖木结构房屋地震破坏评估方法,通过灰色关联度模型剔除对砖木结构房屋发生地震破坏影响较小的因素得到关键因子,采用主成分分析法从关键因子中提取主要成分,最后利用BP神经网络模型对处理后的主要成分进行训练,建立砖木结构房屋地震破坏比例预测模型,并利用实际震例进行验证。结果表明:本文方法相较于传统脆弱性曲线拟合方法和BP神经网络模型,其预测的砖木结构房屋地震破坏比例的预测精度更高、普适性更好。 相似文献
3.
选取2007年宁洱6.4级地震发生后一周内政府收集和上报的灾情档案资料中的人员伤亡和财产损失两类主要信息为基础资料,对该次地震的灾情信息特征进行初步分析.结果表明:灾情信息来源的主体为县级政府部门,描述方式以定量为主.在地震发生后4h内以定性描述为主,4~12h期间定性描述与定量描述都有,12 h后以定量描述为主;单位时间内灾情信息获知和上报的数量随时间的推移先逐渐增加,到达峰值后逐渐减少,最后趋于平稳;从信息随时间变化情况来看,最先掌握死亡人员数量,接着是重伤人员数量,最后是受伤人员数量;与地震灾害直接经济损失评估结果比较,房屋损失信息更直接地反应本次地震损失. 相似文献
4.
震后开展灾情快速评估工作可为政府部门确定重点救援区域、部署救援队伍、调配救援物资等应急处置提供重要的信息决策支撑。基于云南新研制的地震灾害快速评估系统,完成了2021年5月21日云南大理漾濞县6.4级地震灾情快速评估及科技保障任务。实际应用结果表明:经过升级优化的地震快速评估软件,在系统稳定性、运算效率、应急产品丰富度、信息推送服务等技术指标有了显著提升,灾情评估结果与实际结果基本一致,满足互联网时代应急处置的新要求。 相似文献
5.
6.
以2021年云南漾濞MS6.4地震为例,综合考虑震后安置点容量和居民点实际情况,利用无人机航拍影像,通过人工矢量化、空间插值、震害识别、创建缓冲区等预处理,获得基于建筑物的漾濞县城震后应急避险安置点容量、建筑物破坏程度、交通便捷度和人口分布4个影响因素精细化数据。以影响因素为权重因子,使用加权泰森多边形法对研究区应急避险安置点进行责任区划分。结果表明:责任区失去住所人数均未超出对应安置点容量,位于老城区责任区的安置点服务压力较大,新城区责任区的安置点服务压力较小。 相似文献
7.
云南地处云贵高原,地震活动频繁,是一个多震多灾的省份。当地民众对地震灾害的认知程度和自救互救能力,对于保护生命财产安全,减轻地震灾害损失,显得尤为重要。本文选取云南地震重点监视防御区为样本区域,对民众的地震科普知识认知情况和互联网信息智慧化推送接受程度等进行了调研。根据调查结果分析评价,10个样本区域民众的地震科普知识整体认知水平不高,“优秀”等级的州市为0,“良好”等级的州市有6个,“差”的州市有4个;对互联网智慧化推送的民众接受程度存在比较明显的群体差异。 相似文献
8.
通过调用新浪微博官方API的方式,获取了四川九寨沟7.0级地震震后微博信息,对获取到的数据进行了分类统计、微博词频统计与时空特征分析。统计分析结果表明:在分类统计方面,地震发生之后24 h内,与地震相关微博中人的反应占比达到73%,救援行动占比达到11%,这时由于微博本身特点以及民众对救援的期望造成的。在词频统计方面,高频名词表明震后24 h内微博上的热点事件,而高频动词与形容词表明民众会在震后变得焦虑和不安并通过在网上互相激励来缓解震后的不安和焦虑。时间特征表明震后0~4 h内,有大量和地震相关的灾情信息会通过微博博文内容的方式发布,而随着应急救援行动的进行,在震后12 h以后,民众的情绪会逐渐平复,社会及民众的关注度也随之降低。空间特征表明,由于震后通信中断与网络堵塞,微博灾情基本成点状分布,随后随着通信与网络的恢复、应急救援的进行微博灾情逐渐变为带状分布并进而趋向于形成一个面。 相似文献
9.
10.