王瑩瑩 孫瀅悅

摘要 將多智能體建模技術(shù)應(yīng)用于城市內(nèi)澇災(zāi)害受災(zāi)人口動(dòng)態(tài)評(píng)估，可動(dòng)態(tài)地監(jiān)控受災(zāi)人口變化趨勢(shì)。以長春市南關(guān)區(qū)為實(shí)證對(duì)象，應(yīng)用多智能體建模技術(shù)，構(gòu)建內(nèi)澇災(zāi)害受災(zāi)人口動(dòng)態(tài)評(píng)估模型，實(shí)現(xiàn)了受災(zāi)人口在內(nèi)澇災(zāi)害前、中、后時(shí)期的全過程模擬。結(jié)果表明：內(nèi)澇災(zāi)害隨時(shí)間發(fā)展變化，受災(zāi)人口在低危險(xiǎn)呈現(xiàn)升高—降低—升高—降低的變化趨勢(shì)；受災(zāi)人口在中危險(xiǎn)狀態(tài)呈現(xiàn)升高—降低—升高—降低變化趨勢(shì)，但比低危險(xiǎn)狀態(tài)變化幅度?。皇転?zāi)人口在高危險(xiǎn)狀態(tài)呈現(xiàn)升高—降低變化趨勢(shì)。研究結(jié)果不僅可為監(jiān)控城市內(nèi)澇災(zāi)害人口受災(zāi)風(fēng)險(xiǎn)的動(dòng)態(tài)變化特征提供參考，亦可為城市內(nèi)澇災(zāi)害防災(zāi)減災(zāi)提供決策依據(jù)。

關(guān)鍵詞 內(nèi)澇災(zāi)害；多智能體；動(dòng)態(tài)評(píng)估

中圖分類號(hào)：TU992 文獻(xiàn)標(biāo)識(shí)碼：B 文章編號(hào)：2095–3305（2023）09–0-03

近年來，城市內(nèi)澇災(zāi)害問題凸顯，輕則影響居民日常出行，重則威脅人類的生命安全。目前，國內(nèi)外學(xué)者在暴雨內(nèi)澇的成因、脆弱性及應(yīng)對(duì)對(duì)策等方面進(jìn)行了廣泛研究，對(duì)城市內(nèi)澇災(zāi)害受災(zāi)人口動(dòng)態(tài)評(píng)估的研究較少，因此對(duì)受災(zāi)人口進(jìn)行動(dòng)態(tài)評(píng)估成為災(zāi)害風(fēng)險(xiǎn)研究的必然趨勢(shì)[1]。

智能體（agent）是指在一個(gè)復(fù)雜系統(tǒng)中，具有一定獨(dú)立性、自治性、社會(huì)性的基本單元。多智能體系統(tǒng)（Multi-agent System，MAS）則是由一系列的智能體構(gòu)成，通過相互之間的通信、合作、競爭等方式，完成單個(gè)智能體不能完成的數(shù)量龐大而復(fù)雜的工作[2-3]。當(dāng)前，國內(nèi)外研究學(xué)者將多智能體建模方法當(dāng)成模擬和研究復(fù)雜系統(tǒng)的重要方法，它自下而上的建模思想與傳統(tǒng)的“從系統(tǒng)描述與分析建立數(shù)學(xué)模型→建立仿真模型→模型驗(yàn)證”建模方式能更直觀、更真實(shí)地表達(dá)系統(tǒng)的復(fù)雜性。中國科技大學(xué)李文波團(tuán)隊(duì)將多智能體建模技術(shù)應(yīng)用于洪災(zāi)人口損失評(píng)估方面研究，其基本原理是找出洪災(zāi)的致災(zāi)因子、孕災(zāi)環(huán)境和承載體，設(shè)計(jì)其內(nèi)部結(jié)構(gòu)、通信機(jī)制及作用規(guī)則，并利用仿真平臺(tái)模擬居民損失情況將MAS應(yīng)用于洪災(zāi)風(fēng)險(xiǎn)動(dòng)態(tài)評(píng)估，取得了一定的研究成果。已有洪災(zāi)方面的研究成果為本研究提供了參考依據(jù)，為實(shí)現(xiàn)城市內(nèi)澇災(zāi)害受災(zāi)居民動(dòng)態(tài)評(píng)估提供技術(shù)支撐。

以長春市南關(guān)區(qū)為研究對(duì)象，以減少在城市內(nèi)澇災(zāi)害發(fā)生過程中受災(zāi)人口數(shù)量為目的，將多智能體建模技術(shù)應(yīng)用于城市暴雨內(nèi)澇災(zāi)害研究，并通過多智能體Netlogo仿真平臺(tái)模擬城市內(nèi)澇災(zāi)害發(fā)生的全過程，得到可能受災(zāi)居民情況，將結(jié)果可作為減少內(nèi)澇災(zāi)害發(fā)生時(shí)居民受災(zāi)數(shù)量的有效依據(jù)，同時(shí)也為城市內(nèi)澇災(zāi)害相關(guān)研究提供新思路。

1 研究資料與方法

1.1 研究區(qū)概況

南關(guān)區(qū)位于長春市的中南部（125.33°E，43.87°N），西南部與高新技術(shù)產(chǎn)業(yè)開發(fā)區(qū)鄰近，東南部與經(jīng)濟(jì)技術(shù)開發(fā)區(qū)和凈月潭旅游經(jīng)濟(jì)開發(fā)區(qū)相接。總面積為497 km2，總?cè)丝?5萬人。氣候?qū)贉貛Т箨懶园霛駶櫦撅L(fēng)氣候，降雨量主要集中在5—8月，約占全年降水量的80%，尤其是7—8月臺(tái)風(fēng)等極端天氣造成的特大范圍暴雨，極易形成暴雨內(nèi)澇災(zāi)害。

1.2 數(shù)據(jù)資料

降雨數(shù)據(jù)來源于中國氣象數(shù)據(jù)科學(xué)共享服務(wù)網(wǎng)提供的長春市1985—2015年共31年的逐日降雨數(shù)據(jù)；研究區(qū)遙感影像數(shù)據(jù)來源于中國遙感數(shù)據(jù)網(wǎng)，運(yùn)用ArcGIS軟件對(duì)遙感影像進(jìn)行數(shù)字化處理，并結(jié)合研究區(qū)行政區(qū)劃，獲取研究區(qū)下墊面基礎(chǔ)地理信息數(shù)據(jù)；排水管網(wǎng)數(shù)據(jù)來源于長春市市政管理的排水管理部門，包括管網(wǎng)分布與排水能力，并結(jié)合實(shí)地調(diào)查數(shù)據(jù)，對(duì)整個(gè)排水管網(wǎng)進(jìn)行整合，最后通過GIS技術(shù)的專題制圖得到研究區(qū)排水分布情況。

1.3 研究方法

城市內(nèi)澇災(zāi)害受災(zāi)人口評(píng)估結(jié)果是由孕災(zāi)環(huán)境、致災(zāi)因子和承災(zāi)體組合而成的城市內(nèi)澇災(zāi)害復(fù)雜系統(tǒng)的產(chǎn)物[4]。根據(jù)智能體（agent）建模的性質(zhì)分別構(gòu)建孕災(zāi)環(huán)境智能體集合、致災(zāi)因子智能體集合、承災(zāi)體智能體集合和風(fēng)險(xiǎn)分析智能體集合四大智能體集合類型，形成城市內(nèi)澇災(zāi)害系統(tǒng)。通過數(shù)學(xué)表達(dá)式的規(guī)則和邏輯推理機(jī)制確定各智能體之間的相互關(guān)系，通過通信接口彼此進(jìn)行互動(dòng)，實(shí)現(xiàn)各智能體間的協(xié)調(diào)與協(xié)作，從而實(shí)現(xiàn)城市內(nèi)澇災(zāi)害復(fù)雜系統(tǒng)的建模與仿真，模擬城市內(nèi)澇災(zāi)害人口動(dòng)態(tài)損失情況[5-7]。

利用Netlogo仿真平臺(tái)構(gòu)建基于MAS

的城市內(nèi)澇災(zāi)害受災(zāi)人口動(dòng)態(tài)評(píng)估模型。運(yùn)行階段主要從3個(gè)模型著手，即產(chǎn)匯流模型、人口智能體移動(dòng)模型和風(fēng)險(xiǎn)分析模型。產(chǎn)匯流模型包括降雨量智能體生成、雨水智能體損失、雨水智能體匯流3種模型；風(fēng)險(xiǎn)分析模型包括人口受災(zāi)風(fēng)險(xiǎn)分析模型；人口智能體移動(dòng)模型表示的是發(fā)生內(nèi)澇時(shí)人口的移動(dòng)避險(xiǎn)策略；模型停止階段則是為模型滿足仿真停止條件，且完成對(duì)內(nèi)澇發(fā)生全過程中人口受到災(zāi)害風(fēng)險(xiǎn)的動(dòng)態(tài)評(píng)估，即該評(píng)估模型運(yùn)行結(jié)束。

2 結(jié)果與分析

2.1 全過程受災(zāi)人口動(dòng)態(tài)評(píng)估

一是內(nèi)澇災(zāi)害發(fā)生前期。承災(zāi)體中的人口智能體處于安全狀態(tài)。隨著模擬降雨過程的開始，致災(zāi)降雨因子開始產(chǎn)生并逐漸增加。研究區(qū)的不同網(wǎng)格區(qū)域出現(xiàn)了不同數(shù)量的雨水智能體。低風(fēng)險(xiǎn)人群開始出現(xiàn)在研究區(qū)域（圖1）。當(dāng)模型運(yùn)行2 h時(shí)，研究區(qū)域已經(jīng)出現(xiàn)一定數(shù)量的處于輕度受災(zāi)狀態(tài)的人群，由于災(zāi)害程度相對(duì)較輕，以及人口智能體的避險(xiǎn)作用，大部分受災(zāi)人群仍處于安全狀態(tài)。

二是內(nèi)澇災(zāi)害發(fā)生中期。隨著研究區(qū)降雨量的增加，災(zāi)體所在網(wǎng)格區(qū)域的水深進(jìn)一步增加，災(zāi)情進(jìn)一步加重。人口的災(zāi)難狀態(tài)由安全狀態(tài)轉(zhuǎn)變?yōu)榈惋L(fēng)險(xiǎn)狀態(tài)，處于中風(fēng)險(xiǎn)狀態(tài)和高風(fēng)險(xiǎn)狀態(tài)的人數(shù)開始呈現(xiàn)增加趨勢(shì)。當(dāng)模型運(yùn)行

7.2 h（峰值降雨）時(shí)，可以看到受災(zāi)面積有一定程度的增加，人口主體明顯的流動(dòng)性對(duì)沖效應(yīng)減弱，人口受災(zāi)程度呈增加趨勢(shì)（圖2）。降雨強(qiáng)度從峰值開始逐漸減弱，在降雨停止后24 h降為0。在這一階段，研究區(qū)受影響的人口進(jìn)一步增加。以模型運(yùn)行24 h（降雨停止時(shí)）為例（圖3），可以看出，當(dāng)前受災(zāi)面積有所增加，受災(zāi)地區(qū)水深進(jìn)一步增加，部分人口處于中高風(fēng)險(xiǎn)狀態(tài)。

三是內(nèi)澇災(zāi)害發(fā)生后期。降雨停止后，模型中不再產(chǎn)生降雨量智能體，但降雨過程造成的災(zāi)害仍影響人口，災(zāi)情并沒有立即得到緩解。在降雨停止后的一段時(shí)間內(nèi)，由于雨水因子的損失模型效應(yīng)，致災(zāi)因子對(duì)承災(zāi)體的影響程度開始減弱，研究區(qū)受災(zāi)面積開始減少，致災(zāi)水深逐漸下降。同時(shí)，由于人口智能體自身的移動(dòng)對(duì)沖功能，處于嚴(yán)重危險(xiǎn)狀態(tài)的種群開始處于較輕的災(zāi)情狀態(tài)。隨著模型繼續(xù)運(yùn)行，人口變得不那么脆弱。以模型運(yùn)行最后時(shí)刻37.6 h為例（圖4），可以看出，研究區(qū)域部分人群的災(zāi)情狀態(tài)已經(jīng)變?yōu)檩^輕的災(zāi)情狀態(tài)，甚至變?yōu)榘踩珷顟B(tài)。

2.2 結(jié)果分析

處于安全狀態(tài)下的人口智能體數(shù)量變化情況較為復(fù)雜，在內(nèi)澇發(fā)生的前2 h，受災(zāi)程度較輕，基本無受災(zāi)情況；在2～8 h期間，研究區(qū)受災(zāi)情況加重，安全人口數(shù)量呈現(xiàn)急劇下降趨勢(shì)；8～

24 h期間較2～8 h期間安全人口數(shù)量緩慢減少；在24～32 h期間，雖然停止降雨，但雨中造成的災(zāi)害也影響著人口的安全狀態(tài)，安全人口智能體趨于平緩；在32～36 h期間，研究區(qū)災(zāi)情得到控制，安全人口智能體數(shù)量呈增加趨勢(shì)；在36 h后，災(zāi)情影響趨于穩(wěn)定，安全人口智能體數(shù)量基本穩(wěn)定。實(shí)時(shí)分析災(zāi)害狀態(tài)下的人口智能體數(shù)量變化情況，分析研究區(qū)暴雨內(nèi)澇整個(gè)過程中低風(fēng)險(xiǎn)、中風(fēng)險(xiǎn)和高風(fēng)險(xiǎn)種群主體數(shù)量變化曲線（圖5～圖6）。

為了進(jìn)一步突出人口災(zāi)害風(fēng)險(xiǎn)的動(dòng)態(tài)特征，對(duì)獲得的人口災(zāi)害風(fēng)險(xiǎn)數(shù)據(jù)進(jìn)行定量分析。對(duì)暴雨內(nèi)澇全過程的人口災(zāi)害風(fēng)險(xiǎn)數(shù)據(jù)進(jìn)行2 h采樣，定量呈現(xiàn)不同狀態(tài)的人口數(shù)量和不同時(shí)間的人口統(tǒng)計(jì)結(jié)果。

根據(jù)圖6可知，暴雨內(nèi)澇發(fā)生的前4 h，研究區(qū)受災(zāi)程度較輕，受災(zāi)人數(shù)僅占人口總數(shù)的0.4%，且大部分人員處于低危險(xiǎn)，只有少部分人員處于中危險(xiǎn)和高危險(xiǎn)；在6～8 h，研究區(qū)災(zāi)情加重，受災(zāi)人口數(shù)量增加；當(dāng)8 h時(shí)，受災(zāi)人數(shù)已占總數(shù)的3.4%；當(dāng)10 h時(shí)，受災(zāi)人數(shù)已經(jīng)增加至4.07%，且低危險(xiǎn)占2.27%，中危險(xiǎn)占1.38%，高危險(xiǎn)占0.42%；在12～18 h，研究區(qū)災(zāi)情進(jìn)一步加重，受災(zāi)人口數(shù)量也一直增加，從12 h的4.58%增加至18 h的6.02%，而且中危險(xiǎn)人口數(shù)量增加最顯著，由1.62%增加至2.78%；在18～24 h，受災(zāi)人口仍呈增加趨勢(shì)，但中危險(xiǎn)人口數(shù)量減少，由2.78%降至1.8%，低危險(xiǎn)人口數(shù)量增加，由2%增加至4.18%，高危險(xiǎn)人口數(shù)量由1.23%增至1.68%；在24～32 h期間，降雨停止后，研究區(qū)災(zāi)情得到控制，受災(zāi)人口數(shù)量趨于穩(wěn)定，沒有明顯的增加趨勢(shì)，但低風(fēng)險(xiǎn)受災(zāi)人口數(shù)量仍在增加，但高危險(xiǎn)受災(zāi)人口數(shù)量由1.68%降至0.5%，高危險(xiǎn)人員轉(zhuǎn)變?yōu)榈臀ｋU(xiǎn)或中危險(xiǎn)的狀態(tài)；從34 h開始，受災(zāi)人口數(shù)量開始呈下降趨勢(shì)，在36 h后，高危險(xiǎn)狀態(tài)的人口數(shù)量基本為0，研究區(qū)災(zāi)情得到有效控制，高危險(xiǎn)和中危險(xiǎn)狀態(tài)逐漸轉(zhuǎn)變?yōu)榈臀ｋU(xiǎn)，所以低危險(xiǎn)人口數(shù)量增加，高危險(xiǎn)和中危險(xiǎn)人口數(shù)量逐步減少，直至37.6 h，低危險(xiǎn)占比3.52%，中危險(xiǎn)占比2.57%，高危險(xiǎn)占比僅為0.01%。

3 結(jié)論與展望

（1）采用內(nèi)澇災(zāi)害影響人群動(dòng)態(tài)評(píng)估的多智能體建模模型，建立各種智能體的內(nèi)部結(jié)構(gòu)和流程設(shè)計(jì)以及智能體之間的通信機(jī)制。利用Netlogo仿真平臺(tái)，構(gòu)建城市內(nèi)澇災(zāi)害影響人群動(dòng)態(tài)評(píng)估系統(tǒng)。在內(nèi)澇災(zāi)害發(fā)生發(fā)展的全過程中，動(dòng)態(tài)模擬受內(nèi)澇災(zāi)害影響人群的風(fēng)險(xiǎn)，實(shí)時(shí)分析受內(nèi)澇災(zāi)害影響人群的動(dòng)態(tài)風(fēng)險(xiǎn)，分析結(jié)果揭示了受影響人群的動(dòng)態(tài)變化特征。結(jié)果表明，該模型能夠有效地解決人口災(zāi)害風(fēng)險(xiǎn)的動(dòng)態(tài)變化問題。

（2）長春市南關(guān)區(qū)內(nèi)澇災(zāi)害低危險(xiǎn)曲線變化呈現(xiàn)升高—降低—升高—降低的波浪形變化趨勢(shì)；中危險(xiǎn)曲線也呈現(xiàn)出升高—降低—升高—降低的變化趨勢(shì)，但相比低危險(xiǎn)曲線變化幅度??；高危險(xiǎn)曲線呈現(xiàn)升高—降低單峰形變化趨勢(shì)。經(jīng)受災(zāi)人口統(tǒng)計(jì)分析發(fā)現(xiàn)，受災(zāi)人口變化在災(zāi)區(qū)低危險(xiǎn)、中危險(xiǎn)、高危險(xiǎn)時(shí)變化曲線與內(nèi)澇災(zāi)害變化曲線大致相符，即受災(zāi)人口在低危險(xiǎn)狀態(tài)呈現(xiàn)升高—降低—升高—降低、中危險(xiǎn)呈現(xiàn)升高—降低—升高—降低、高危險(xiǎn)呈現(xiàn)升高—降低變化趨勢(shì)。

（3）研究的城市暴雨內(nèi)澇災(zāi)害受災(zāi)人口動(dòng)態(tài)評(píng)估與孕災(zāi)環(huán)境設(shè)定以長春市南關(guān)區(qū)為例，不具有普適性，要想將多智能體建模技術(shù)在城市內(nèi)澇災(zāi)害中廣泛應(yīng)用，還需更多的實(shí)地調(diào)查與研究。

在未來的研究中基于MAS的城市內(nèi)澇災(zāi)害的建模過程、智能體的種類、各智能體的內(nèi)部結(jié)構(gòu)設(shè)計(jì)相關(guān)參數(shù)需要得到完善，如房屋安全性問題、房屋承載力、淹沒的參數(shù)和時(shí)間還需精確設(shè)計(jì)和考慮，同時(shí)也需要進(jìn)一步改善房屋的受災(zāi)狀態(tài)。

參考文獻(xiàn)

[1] 陳鵬，趙洪陽，張繼權(quán)，等.城市內(nèi)澇災(zāi)害受災(zāi)人口評(píng)估方法與實(shí)證研究：以哈爾濱市道里區(qū)為例[J].地理科學(xué)，2020， 40（1）：158-164.

[2] 王飛，尹占娥，溫家洪.基于多智能體的自然災(zāi)害動(dòng)態(tài)風(fēng)險(xiǎn)評(píng)估模型[J].地理與地理信息科學(xué)，2009，25（2）：85-88.

[3] 薛領(lǐng)，楊開忠，沈體雁.基于agent的建模：地理計(jì)算的新發(fā)展[J].地球科學(xué)進(jìn)展，2004，19（2）：305-311.

[4] 張亞東，王碩，李亞，等.基于STPA與多智能體的列控運(yùn)營場(chǎng)景危險(xiǎn)分析及仿真驗(yàn)證方法[J].中國鐵道科學(xué)，2021，42 （1）：147-155.

[5] 陳曉利，韓鋒斌.基于多智能體的城市環(huán)道交通信號(hào)控制算法[J].重慶大學(xué)學(xué)報(bào)，2021，44（1）：37-45，118.

[6] 張超省，王健，張林，等.面向復(fù)雜障礙場(chǎng)的多智能體系統(tǒng)集群避障模型[J].兵工學(xué)報(bào)，2021，42（1）：141-150.

[7] 張曉君，林穎，周昌樂.智能主體的等級(jí)BDI（信念、愿望和意圖）模型[J].計(jì)算機(jī)科學(xué)，2016，43（7）：35-40.

Dynamic Assessment of Urban Waterlogging Disaster Affected Population based on Multi-agent Technology

Wang Ying-ying et al（College of Tourism and Geography Science， Jilin Normal University， Siping， Jilin 136000）

Abstract Applying multi-agent modeling technology to the dynamic assessment of the affected population in urban waterlogging disasters can dynamically monitor the changing trends of the affected population. Taking Nanguan District， Changchun City as the empirical object， a dynamic evaluation model for the affected population of waterlogging disasters was constructed using multi-agent modeling technology. The entire process simulation of the affected population before， during， and after the waterlogging disaster was achieved. The results showed that waterlogging disasters develop over time， and the affected population showed a trend of increasing decreasing increasing decreasing decreasing at low risk; The affected population showed an increasing decreasing increasing decreasing decreasing decreasing trend in the medium risk state， but the change amplitude was smaller than that in the low risk state; The affected population showed an increasing decreasing trend in a high-risk state. The research results not only provided dynamic changes in the risk of urban waterlogging disasters to the population， but also provided decision-making basis for disaster prevention and reduction of urban waterlogging disasters.

Key words Waterlogging disaster; Multi-agent; Dynamic evaluation