AI 助理
备案控制台
开发者社区 数据库 文章 正文

PIE-Engine：房山区洪涝灾害风险评价

2022-10-22 150
版权
版权声明：
本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《 阿里云开发者社区用户服务协议》和 《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写 侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
简介： PIE-Engine：房山区洪涝灾害风险评价

   房山区洪涝灾害风险评价这个可以说不是一个APP，要改进的话可以通过UI控件设定来在MAP上完成，剩余的其它部分都可以实现在，这里灾害风险评价时暴露性结果统计与展示、脆弱性结果统计与展示、危险性结果统计与展示以及洪涝灾害风险结果统计与展示。代码的整个流程主要是受埃希纳加载研究区和数据，然后对DEM、slope、降水强度等进行归一化处理，在这里的每一个归一化处理中，都会通过获取min和max然后通过归一化公式来获取。

处理完DEM然后处理影像数据，这里用的是Landsat 8数据，并计算FVC，地表产流能力 ，但后进行监督分类，并进行河网密度，加载土壤类型数据集，紧接着脆弱性计算，GDP的计算，到道路网的距离的计算，人口密度在计算晚以上的内容后就可以直接进行4个评价分析。

函数：

minMax()得到的结果时"B1_min","B1_max"的波段名称，这里就可以利用这个参数进行归一化处理

得到一个返回最大、最小值的统计器。

方法参数：

返回值：Reducer

reduceRegion(reducer,geometry,scale)

对特定区域的所有像素进行统计，返回结果为一个JSON对象；目前可完成最大、最小和求和统计计算。

方法参数：

- image(Image)

Image实例。

- reducer(Reducer)

统计类型，包括最大值、最小值和求和。

- geometry(Geometry)

统计区域范围。默认是影像第一个波段的范围。

- scale(Number)

统计采样比例。

返回值：Dictionary

代码：

/**
 * @Name    :   房山区洪涝灾害风险评价
 * @Author  :   首都师范大学云开发——“图”以致用组
 * @Source  :   航天宏图第四届 “航天宏图杯”PIE软件二次开发大赛云开发组二等奖获奖作品
 */
var studyArea = pie.FeatureCollection('user/pieadmin/CNUelites')
    .first()
    .geometry();
Map.addLayer(studyArea, { color: 'black', fillColor: '00000000' }, "roi");
//定位地图中心
Map.centerObject(studyArea, 11);
//加载SRTM30m数据
var SRTM = pie.ImageCollection('DEM/SRTM_30')
    .filterBounds(studyArea)
    .select("elevation")
    .mean()
    .clip(studyArea);
//DEM数据归一化
var srtm_band = SRTM.select('elevation')
var srtm_minmax = SRTM.reduceRegion(pie.Reducer.minMax(), studyArea, 1000);
srtm_minmax = pie.Dictionary(srtm_minmax);
var elevation_min = pie.Number(srtm_minmax.get("elevation_min"));
var elevation_max = pie.Number(srtm_minmax.get("elevation_max"));
var dem_result = pie.Image(elevation_max).subtract(srtm_band).divide(elevation_max.subtract(elevation_min));
var vis_DEM = {
    min:0,
    max:1,
    palette: ['#BF812D', '#DFC27D', '#F6E8C3', '#A1D99B', '#41AB5D']
};
Map.addLayer(dem_result, vis_DEM, "dem", false);
/***********************************************************************/
//Slope归一化//计算坡度
var Slope = pie.Terrain.slope(SRTM).rename("slope");
var slope_band = Slope.select('slope')
var slope_minmax = Slope.reduceRegion(pie.Reducer.minMax(), studyArea, 1000);
slope_minmax = pie.Dictionary(slope_minmax);
var slope_min = pie.Number(slope_minmax.get("slope_min"));
var slope_max = pie.Number(slope_minmax.get("slope_max"));
var slope_result = pie.Image(slope_max).subtract(slope_band).divide(slope_max.subtract(slope_min));
var vis_slope = {
    min:0,
    max:1,
    palette: ['#C7E9C0', '#F6E8C3', '#DFC27D', '#CD853F', '#BF812D']
};
Map.addLayer(slope_result, vis_slope, "slope", false);
/***********************************************************************/
// 降水强度
var precipitation = pie.ImageCollection('TPDC/CHINA_1KM_PRE_MONTH')
    .filterDate("2017-06-01", "2017-08-31")
    .select("B1")
    .mean()
    .clip(studyArea);
var pre_band = precipitation.select('B1')
var pre_value = precipitation.reduceRegion(pie.Reducer.minMax(), studyArea, 1000)
pre_value = pie.Dictionary(pre_value);
var pre_min = pie.Number(pre_value.get("B1_min"));
var pre_max = pie.Number(pre_value.get("B1_max"));
//计算公式 result = x-min/max-min
var pre_result = pre_band.subtract(pre_min).divide(pre_max.subtract(pre_min));
var vis_pre = {
    min:0,
    max:1,
    palette: ["#ADD8E6", "#87CEEB", "#87CEFA", "#6495ED", "#4169E1"]
};
Map.addLayer(pre_result, vis_pre, "pre", false);
/***********************************************************************/
//危险性计算
var danger = ((dem_result.multiply(0.332)).add(slope_result.multiply(0.308)))
    .add(pre_result.multiply(0.360))
//计算植被覆盖度，加载landsat8影像数据
var L8 = pie.ImageCollection("LC08/01/T1/LC08_123032_20170710")
    .filterBounds(studyArea)
    .select(["B5", "B4"])
    .filterDate("2017-6-1", "2017-10-1")
    .filter(pie.Filter.lt("cloudCover", 5))
    .first()
    .clip(studyArea);
var B4 = L8.select("B4");
var B5 = L8.select("B5");
var NDVI = (B5.subtract(B4)).divide(B5.add(B4)).rename("NDVI");
//计算FVC
var info = NDVI.reduceRegion(pie.Reducer.minMax(), studyArea, 1000)
info = pie.Dictionary(info);
var NDVI_min = pie.Number(info.get("NDVI_min"));
var NDVI_max = pie.Number(info.get("NDVI_max"));
var FVC = pie.Image(NDVI_max).subtract(NDVI).divide(NDVI_max.subtract(NDVI_min));
//加载FVC影像
var vis_fvc = {
    min:0, 
    max:1,
    palette: ['#006837', '#66BD63', '#FFCC33', '#D6604D', '#A50026']
};
Map.addLayer(FVC, vis_fvc, "FVC", false);
/***********************************************************************/
//地表产流能力
//加载landsat影像数据
var L8 = pie.ImageCollection("LC08/01/T1")
    .filterBounds(studyArea)
    .select(["B9", "B8", "B7", "B6", "B5", "B4", "B3", "B2", "B1"])
    .filterDate("2017-6-1", "2017-11-1")
    .filter(pie.Filter.lt("cloudCover", 10))
    .median()
    .clip(studyArea);
//分类样本             
var featureCollection = pie.FeatureCollection('user/pieadmin/ROIpoint');
featureCollection = featureCollection.randomColumn('random');
//SVM监督分类
var sampleFeatureCollection = L8.sampleRegions(featureCollection, ["type", "random"], 50);
var sampleTrainingFeatures = sampleFeatureCollection.filter(pie.Filter.lte("random", 0.8));
var sampleTestingFeatures = sampleFeatureCollection.filter(pie.Filter.gt("random", 0.2));
var classifer = pie.Classifier.svm()
    .train(sampleTrainingFeatures, "type", ["B9", "B8", "B7", "B6", "B5", "B4", "B3", "B2", "B1"]);
var resultImage = L8.classify(classifer, "GFclassify");
var classifer_result = resultImage.divide(1000);
/***********************************************************************/
//河网密度
var Rivernetwork_density = pie.Image('user/pieadmin/Den_river100')
    .select('B1')
    .clip(studyArea);
var vis_RND = {
    min:0,
    max:1,
    palette: ["#ADD8E6", "#87CEEB", "#87CEFA", "#6495ED", "#4169E1"]
};
var RND_band = Rivernetwork_density.select('B1');
var RND_minmax = Rivernetwork_density.reduceRegion(pie.Reducer.minMax(), studyArea, 30);
RND_minmax = pie.Dictionary(RND_minmax);
var RND_min = pie.Number(RND_minmax.get("B1_min"));
var RND_max = pie.Number(RND_minmax.get("B1_max"));
var RND_result = RND_band.subtract(RND_min).divide(RND_max.subtract(RND_min));
Map.addLayer(RND_result, vis_RND, "rnd", false);
/***********************************************************************/
//土壤类型
var Soiltype = pie.Image('user/pieadmin/soiltype')
    .select('B1')
    .clip(studyArea);
var vis_soil = {
    min:0,
    max:1,
    palette: ["#1A9850", "#66BD63", "#A6D96A", "#FFFFBF", "#FDAE61"]
};
var soiltype_band = Soiltype.select('B1');
//计算公式 result = (x/1000)-0.1
var soil_result = (soiltype_band.divide(1000)).subtract(0.1)
Map.addLayer(soil_result, vis_soil, "soil", false);
/***********************************************************************/
//脆弱性计算
var Vulnerability = FVC.multiply(0.207)
    .add(classifer_result.multiply(0.256))
    .add(RND_result.multiply(0.354))
    .add(soil_result.multiply(0.183))
//GDP的计算
var GDP2015 = pie.Image('user/pieadmin/GDP2015_100')
    .select("B1")
    .clip(studyArea);
var vis_GDP = {
    min:0,
    max:1,
    palette: ['#FCC5C0', '#FA9FB5', '#F768A1', '#DD3497', '#AE017E']
};
var gdp_band = GDP2015.select('B1');
var GDP2017 = gdp_band.multiply((681.7 - 568.4) / 568.4 + 1)
var gdp_minmax = GDP2017.reduceRegion(pie.Reducer.minMax(), studyArea, 30);
gdp_minmax = pie.Dictionary(gdp_minmax);
var GDP_min = pie.Number(gdp_minmax.get("B1_min"));
var GDP_max = pie.Number(gdp_minmax.get("B1_max"));
//计算公式 result =(x-min)/(max-min)
var GDP_result = (gdp_band.subtract(GDP_min)).divide(GDP_max.subtract(GDP_min));
Map.addLayer(GDP_result, vis_GDP, "gdp", false);
/***********************************************************************/
//到道路网的距离的计算
var road = pie.Image('user/pieadmin/Dist_road100')
    .select('B1')
    .clip(studyArea);
var road_band = road.select('B1');
var road_minmax = road_band.reduceRegion(pie.Reducer.minMax(), studyArea, 100);
road_minmax = pie.Dictionary(road_minmax);
var road_min = pie.Number(road_minmax.get("B1_min"));
var road_max = pie.Number(road_minmax.get("B1_max"));
var road_result = pie.Image(road_max).subtract(road_band).divide(road_max.subtract(road_min));
var vis_road = {
    min:0,
    max:1,
    palette: ['#D9D9D9', '#BDBDBD', '#969696', '#737373', '#525252']
};
Map.addLayer(road_result, vis_road, "road", false);
/***********************************************************************/
//人口密度
var pop_des = pie.ImageCollection("WorldPop/Global_100m_UNadj")
    .filterDate("2017-1-1", "2017-12-30")
    .first()
    .select('population')
    .clip(studyArea);
var pop_band = pop_des.select('population');
var pop_minmax = pop_des.reduceRegion(pie.Reducer.minMax(), studyArea, 100);
pop_minmax = pie.Dictionary(pop_minmax);
var pop_min = pie.Number(pop_minmax.get("population_min"));
var pop_max = pie.Number(pop_minmax.get("population_max"));
//计算公式 result = (x-min)/(max-min)
var pop_result = (pop_band.subtract(pop_min)).divide(pop_max.subtract(pop_min));
/***********************************************************************/
//暴露性计算
var Exposure = ((pop_result.multiply(0.411)).add(GDP_result.multiply(0.327)))
    .add(road_result.multiply(0.262))
/***********************************************************************/
//洪涝灾害风险计算
var FloodDisasterrisk_cal = ((danger.multiply(0.416)).add(Vulnerability.multiply(0.362)))
    .add(Exposure.multiply(0.222))
/**button模块 */
function generatePIEChart(image, chartOption) {
    var conditions = [
        {min:null, max:0.2},
        {min:0.2, max:0.4},
        {min:0.4, max:0.6},
        {min:0.6, max:0.8},
        {min:0.8, max:null},
    ];
    for (let i=0; i<conditions.length; i++) {
        var newImg;
        if (conditions[i].min == null) {
            newImg = image.lte(conditions[i].max);
        } else if (conditions[i].max == null) {
            newImg = image.gt(conditions[i].min);
        } else {
            newImg = image.gt(conditions[i].min).and(image.lte(conditions[i].max));
        }
        var areaImage = pie.Image().pixelArea().multiply(newImg);
        var data = areaImage.reduceRegion(pie.Reducer.sum(), studyArea, 1000);
        image = image.set("class_"+i, data.get("constant"));
    }
    image.getInfo(function(data) {
        let properties = data.properties;
        let xValues = [];
        let yValues = [];
        let labels = chartOption.legend
        for (let i=0; i<conditions.length; i++) {
            xValues.push(labels[i]);
            yValues.push(parseFloat((properties["class_"+i]/1000000).toFixed(2)));
        }
        let chart = ui.Chart.PIEArray.values({
            array: yValues,
            axis: 0,
            xLabels: xValues
        });
        chart = chart.setChartType("pie")
            .setSeriesNames(xValues)
            .setOptions({
                title: {
                    name: chartOption.title
                },
                xAxis: {
                    name: chartOption.seriesName
                }
            });
        print(chart);
    });
}
var productLayer = null;
var productLegend = null;
function addProductLegend(title, labels, colors) {
    if (productLegend != null) {
        Map.removeUI(productLegend);
    }
    // 图例
    var data = {
        title: title,
        colors: colors,
        labels: labels,
        step: 30
    };
    var style = {
        right: "150px",
        bottom: "10px",
        height: "70px",
        width: "350px"
    };
    productLegend = ui.Legend(data, style);
    Map.addUI(productLegend);
}
function addProductLayer(layer, vis, layerName) {
    if (productLayer != null) {
        Map.removeLayer(productLayer);
    }
    productLayer = Map.addLayer(layer, vis, layerName);
}
/**暴露性 */
var ExposureShow = ui.Button({
    label: '暴露性等级分布图',
    onClick: showExposureShow
})
function showExposureShow() {
    var vis_exposure = {
        min:0,
        max:1,
        palette: ["1A9850", "A6D96A", "FFFFBF", 'EF6548', 'D7301F']
    };
    addProductLayer(Exposure, vis_exposure, "Exposure");
    addProductLegend('暴露性等级',
        ['very low', 'low', 'medium', 'high', 'very high'],
        ["#1A9850", "#A6D96A", "#FFFFBF", '#EF6548', '#D7301F']);
    print("暴露性结果统计与展示");
    //暴露性结果统计与展示
    var pie_options_Exposure = {
        title: '暴露性结果统计图',
        legend: ["very low", "low", "medium", "high", "very high"],
        seriesName: "暴露性等级",
    }
    generatePIEChart(Exposure, pie_options_Exposure);
}
print(ExposureShow);
/**脆弱性 */
var VulnerabilityShow = ui.Button({
    label: '脆弱性等级分布图',
    onClick: showVulnerability
})
function showVulnerability() {
    var vis_Vulnerability = {
        min:0,
        max:1,
        palette: ["#1A9850", "#66BD63", "#A6D96A", "#F46D43", "#D73027"]
    };
    addProductLayer(Vulnerability, vis_Vulnerability, 'Vulnerability');
    addProductLegend('脆弱性等级',
        ['very low', 'low', 'medium', 'high', 'very high'],
        ["#1A9850", "#66BD63", "#A6D96A", "#F46D43", "#D73027"]);
    print("脆弱性结果统计与展示");
    //脆弱性结果统计与展示
    var pie_options_Vulnerability = {
        title: '脆弱性结果统计图',
        legend: ["very low", "low", "medium", "high", "very high"],
        seriesName: "脆弱性等级",
    }
    generatePIEChart(Vulnerability, pie_options_Vulnerability);
}
print(VulnerabilityShow);
/**危险性 */
var dangerShow = ui.Button({
    label: '危险性等级分布图',
    onClick: showdanger
})
function showdanger() {
    var vis_danger = {
        min:0,
        max:1,
        palette: ["#35978F", "#80CDC1", "#C7EAE5", "#FF7F50", "#D73027"]
    };
    addProductLayer(danger, vis_danger, 'Hazard');
    addProductLegend('危险性等级',
        ['very low', 'low', 'medium', 'high', 'very high'],
        ["#35978F", "#80CDC1", "#C7EAE5", "#FF7F50", "#D73027"]);
    print("危险性结果统计与展示");
    //危险性结果统计与展示
    var pie_options_danger = {
        title: '危险性结果统计图',
        legend: ["very low", "low", "medium", "high", "very high"],
        seriesName: "危险性等级",
    }
    generatePIEChart(danger, pie_options_danger);
}
print(dangerShow);
/**总指标 */
var FDRCShow = ui.Button({
    label: '洪涝灾害风险分布图',
    onClick: showfdrc
})
function showfdrc() {
    var FDRC = {
        min:0,
        max:1,
        palette: ['#2166AC', '#4393C3', '#92C5DE', '#D6604D', '#AE182B']
    };
    addProductLayer(FloodDisasterrisk_cal, FDRC, 'FloodDisasterrisk_cal');
    addProductLegend('风险性等级',
        ['very low', 'low', 'medium', 'high', 'very high'],
        ['#2166AC', '#4393C3', '#92C5DE', '#D6604D', '#AE182B']);
    print("洪涝灾害风险结果统计与展示");
    //洪涝灾害风险结果统计与展示
    var pie_options_FloodDisasterrisk = {
        title: '风险性结果统计图',
        legend: ["very low", "low", "medium", "high", "very high"],
        seriesName: "风险等级",
    }
    generatePIEChart(FloodDisasterrisk_cal, pie_options_FloodDisasterrisk);
}
print(FDRCShow);

洪涝灾害风险分布图

image.png

危险性等级分布图

image.png

脆弱性等级分布图image.png

暴露性等级分布图image.png

相应的饼图结果：

image.png

 

文章知识点与官方知识档案匹配，可进一步学习相关知识

MySQL入门技能树SQL高级技巧CTE和递归查询19485 人正在系统学习中


文章标签：
SQL
关系型数据库
MySQL
数据格式
JSON
此星光明
目录
相关文章
此星光明
GEE——利用Landsat系列数据集进行1984-2023EVI指数趋势分析
GEE——利用Landsat系列数据集进行1984-2023EVI指数趋势分析
此星光明
965 0
游客k2gw4fr7y7zie
|
Python
10、pip换源加速下载的方式
10、pip换源加速下载的方式
游客k2gw4fr7y7zie
1363 1
10、pip换源加速下载的方式
Python-派大星
|
安全 小程序 物联网
WLAN基础 无线局域网配置方法 旁挂三层组网隧道转发方式配置
WLAN基础 无线局域网配置方法 旁挂三层组网隧道转发方式配置
Python-派大星
1892 0
WLAN基础 无线局域网配置方法 旁挂三层组网隧道转发方式配置
删库不跑路
|
SQL Oracle 关系型数据库
能与PowerDesigner媲美的数据库建模工具PDMan
在设计数据库时，对现实世界进行分析、抽象、并从中找出内在联系，进而确定数据库的结构，这一过程就称为数据库建模。
删库不跑路
599 0
能与PowerDesigner媲美的数据库建模工具PDMan
三掌柜666
|
程序员 API Android开发
iOS开发：简单的Toast提示框实现
博主是以iOS开发出身，那就最后一篇博文就分享一下关于iOS的内容吧。iOS开发过程中，有些时候操作App的时候，需要给用户对应的响应提示操作，使用系统自带的提示框不是每种情况都适用的。
三掌柜666
1017 0
iOS开发：简单的Toast提示框实现
Demo
|
NoSQL 关系型数据库 MySQL
使用redis（ RedisTemplate ）中的BitMap 记录用户签到情况
使用redis（ RedisTemplate ）中的BitMap 记录用户签到情况
Demo
813 0
半晴Miko
如何解决MyBatisPlus插入时生成的id为很大的数
如何解决MyBatisPlus插入时生成的id为很大的数
半晴Miko
512 0
如何解决MyBatisPlus插入时生成的id为很大的数
星繁
|
消息中间件 存储 SQL
分布式事务理论详解
分布式事务理论详解
星繁
391 0
分布式事务理论详解
嘿嘿不务正业
|
算法 IDE 大数据
二分法，不止是算法 - 你可能不知道的二分法应用
二分法大家都知道，记得应该是从初中学数学就学过，而在编程中也经常使用二分法来进行有序数列的查找。然而二分法并不紧紧局限于算法中的使用，他还被广泛使用于我们的工具中、数学中甚至生活中。
嘿嘿不务正业
791 0
吾非同
|
JSON JavaScript 前端开发
Python常用配置文件ini、json、yaml读写总结
Python常用配置文件ini、json、yaml读写总结
吾非同
681 0

热门文章

最新文章

  • 1
    云原生数据湖构建、分析与开发治理最佳实践及案例分享
  • 2
    在Linux中，如何配置VPN连接？
  • 3
    一场与自己心魔的 “殊死搏斗”
  • 4
    解决gradle下载慢的问题
  • 5
    HTTP协议中的“X-Real-IP”头字段的作用是什么？底层原理是什么？
  • 6
    数据治理怎么做？一文讲清数据治理全流程
  • 7
    JDK1.8源码(六)——java.util.LinkedList 类
  • 8
    流程 － 什么是真正的Scrum？
  • 9
    HDOJ 1090 A+B for Input-Output Practice (II)
  • 10
    HTTP权威指南_摘录
  • 1
    基于 YOLOv8 的智能车牌定位检测系统设计与实现—从模型训练到 PyQt 可视化落地的完整实战方案
    66
  • 2
    千万级数据表的count(*)查询优化
    50
  • 3
    GPT-5.2 Codex来了：能独立跑7+小时的AI程序员，老金手把手教你玩转
    116
  • 4
    YOLOv11改进 - C3k2融合 | C3k2融合 IIA信息整合注意力（Information Integration Attention ）平衡精度与计算成本 | TGRS2025
    31
  • 5
    阿里云轻量应用服务器开箱测评：最新升级200M带宽，不限流量
    80
  • 6
    《游戏场景下伪造内容的识别与处置技术指南》
    33
  • 7
    《从操作轨迹到认知图谱：玩家专属游戏知识体系图谱的搭建路径》
    35
  • 8
    钉钉一口气发20多个新品：Agent OS操作系统让AI从问答走向干活
    70
  • 9
    GPU vs NPU：算力江湖分家又合流，这事儿你真想清楚了吗？
    75
  • 10
    使用 Cursor 进行自动代码调试的实用指南
    45

    • 相关电子书

    更多
  • 低代码开发师（初级）实战教程
  • 冬季实战营第三期：MySQL数据库进阶实战
  • 阿里巴巴DevOps 最佳实践手册
    • 下一篇
    安全设备篇——WAF