基于千米格网的地震应急灾情预评估数据开发

徐敬海　安基文　聂高众

1)南京工业大学测绘学院，空间信息综合减灾研究所，南京　211816 2)中国地震局地质研究所，北京　100029



基于千米格网的地震应急灾情预评估数据开发

徐敬海1)安基文2)聂高众2)

1)南京工业大学测绘学院，空间信息综合减灾研究所，南京211816 2)中国地震局地质研究所，北京100029

震后地震应急灾情的准确、快速评估(盲估)是有效地震应急决策的关键之一。为提高应急灾情评估的速度与准确性，文中提出开发基于千米格网技术的地震应急灾情预评估数据。阐述了预评估数据计算模型，包括承灾体数据、灾情计算用致灾因子和计算公式。介绍了千米格网地震应急灾情预评估数据计算的算法，该算法通过对计算参数的空间化和地图代数的应用实现。最后论述了预评估数据在地震应急灾情评估与应急救援中的应用，并以近期中国大陆发生的2次实际破坏性地震为实验案例，展示和检验了其应用。实验结果表明，千米格网地震应急灾情预评估数据能较好地提升灾情评估速度和准确度，还能精细地展示灾情的空间分布，为地震应急指挥和救援提供参考。

地震应急千米格网地震应急灾情灾情评估空间化

0　引言

中国是世界上地震灾害最严重的国家之一，仅2014年便发生了云南鲁甸和云南景谷2次6级以上破坏性地震，给人民生命和财产带来了较大的损失。在地震预报还处于世界性难题的现今，震后及时有效的地震应急救援已被多次地震救灾证明是有效的减轻地震灾害的重要途径之一(中国地震局震灾应急救援司，2004)。震后的即时地震应急辅助决策是地震应急指挥的关键，其中地震应急灾情的快速获取又是基础。由于地震应急灾情获取中的 “黑箱效应”存在，目前常用震后快速评估(盲估)灾情代替 “黑箱期”的真实灾情(聂高众，2012)。该方法以地震经纬度、震源深度、时间、震级等地震4要素作为输入，通过灾情预测模型推算可能的人口伤亡、经济损失等灾情。在“黑箱期”通过盲估获取的地震应急灾情与其他阶段应急灾情获取评估不同，对时效性要求非常高。目前评估耗时常>25min，遇到大地震时需要40min以上。灾情盲估结果，通常还需经相关专家会商，然后形成地震应急处置建议报告提交到相关抗震救灾指挥部。然而，中国政府对即时地震应急灾情和对应的处置方案的时效性要求非常高，通常在30min内(苗崇刚等，2004)。即使汶川地震这样的大地震，也要求于震后1h内提交第1次灾情分析与处置建议报告，因此探索提升地震应急灾情盲估速度的方法，具有较强的急迫性。除了地震应急灾情评估的速度要求高以外，地震应急灾情的快速评估结果的准确性也是一个困难而复杂的问题。近几年逐渐发展起来的千米格网技术，如基于千米格网的人口、建筑物、GDP等数据的发展和应用，为提高地震应急灾情的评估速度和准确性提供了可能的解决方案(刘红辉等，2005；韩贞辉等，2013；熊俊楠等，2013)。本文将在千米格网承灾体数据基础上，开发地震应急灾情预评估数据，并探索对应的灾情评估方法，旨在提高地震应急灾情评估速度和准确性。

1　地震应急灾情预评估数据

本节将介绍千米格网地震应急灾情预评估数据的定义与来源，并在理论上阐述其在提高灾情评估速度和准确性中的应用。

1.1地震灾情预评估数据的来源

在地理信息领域中，千米格网技术也常被称为人文要素的空间化，其本质是采用离散的空间格网精确地展示地理要素的空间分布。目前在全国尺度上(经纬格网30″×30″，30″在赤道处对应的地面长度约1km，其他地方随着纬度升高长度变小，但为了表述方便仍将30″格网简称为千米格网)的千米格网是一种主流趋势。经过多年的发展已形成一定的千米格网生成算法，如比例系数法，RS与GIS结合方法，空间插值法等(Goodchildetal.，1993；刘红辉等，2005；江东，2007)。国外在人口空间化方面的研究较多，其中美国能源部所属橡树岭国家实验室(ORNL)开发的LandScan数据已基本成为全球人口分布领域的标准数据(Dobsonetal.，2000；Caietal.，2006；Bhadurietal.，2007)。

近几年，随着对地震应急指挥要求的提高，人文要素的空间化思想逐渐引入到应急基础数据的研制中，并逐渐生产了格网化地震应急基础数据，如千米格网人口数据、千米格网建筑物数据等。目前，在中国地震局地质研究所的牵头下已基本建立了覆盖全国的人口、建筑物、GDP等千米格网数据。多个省地震局也正在开展格网地震应急基础数据升级工作，地震应急基础数据库的发展呈现出明显的格网化趋势。

在此背景下，本文提出开发基于千米格网的地震应急灾情预评估数据，并建议将此数据集作为地震应急基础数据库的建设内容之一。所谓预评估数据是指震前将各类震后需评估的应急灾情信息(具体内容包括建筑物震害、人口死亡、直接经济损失等) 在全国范围内事先完成计算，并以千米格网形式保存的数据。图1 展示了预评估数据的形成思路，通常震后的灾情评估包含3个主要步骤： 1)评估参数获取与输入；2)灾情评估计算；3)灾情评估结果输出。其中灾情评估计算是整个评估流程的关键，也是一个耗时的过程，常在震后实时计算。

如果能将整个评估过程中最耗时的部分工作(基于评估模型的灾情计算)分离出来，在震前完成计算，必将能有效地提高灾情评估效率。千米格网技术为此提供了可能，通过选择合适的评估参数，震前计算灾情数据，并以千米网格形式保存，便形成了地震应急灾情预评估数据。于是震后的应急灾情评估，可直接根据地震影响范围对预评估数据进行空间统计，从而能较大幅度地提高地震应急灾情评估速度。

图1　地震应急灾情预评估数据来源Fig. 1　Source of data for earthquake emergency disaster information pre-evaluation.

1.2预评估数据对评估准确性的提高

预评估数据不仅能较好地提高灾情评估速度，也能在一定程度上提升灾情评估的准确性。引起评估结果准确性问题的原因是多方面的，如地震影响场模拟误差、建筑物易损性估计误差等，但地震应急基础数据的误差和现有表达与使用方法的不足，是其中一个广为熟知的原因。地震应急基础数据是指当地震发生后，为了开展对灾区的救灾活动所需要了解和掌握的各种社会、经济、人口、城市地图、自然地理地貌、重要目标位置、救灾队伍、救灾通信联络和地震应急预案等综合性数据(聂高众，2002)。其中人口、建筑物数据等是震后应急灾情评估的基础和关键。

传统的地震应急灾情评估基础数据常以县级行政区划为最小统计单元(或类似于县级行政区划的评估单元)，如得到的人口数据详细粒度为某县多少人。在进行灾情评估计算时，如果一个地震影响范围只影响了此县的一部分，究竟多少人口应用于灾情分析。以图2a所示为例，假定某次地震影响场为IF，有A、B、C 3个区域(县)受到了地震的影响，传统地震应急基础数据支持的计算方法通常采用式(1)确定用于计算分析的人口数：

(1)

式(1)中，Popc为用于灾情分析计算的人口数，Sinfa为A区域内被地震影响场IF覆盖部分的面积，Sa为整个A区域的面积，Popa为A区域内的总人口数。

图2　基于行政区的人员死亡评估示例(a)和基于千米格网的人员死亡评估示例(b)Fig. 2　Illustration of death toll assessment based on administration unit(a) and Illustration of death toll assessment based on km grid unit(b).

不难发现式(1)的方法是将该县总人口按照全县面积进行平均然后乘以该县被地震影响范围的面积得到相应的人口数据。这种方法忽略了基础数据在县范围内空间分布的不均匀性，易产生较大的误差。现实中人口数据可能在空间上围绕居民点、城镇中心等分布，如A区域内被地震影响场IF覆盖的区域(infa)中可能无人口分布。

千米格网技术的应用为地震应急基础数据空间分布异质性问题的解决提供了可能的解决方案。将以行政区(如县行政区划)为基本空间单元的数据统计方式，改为以较高精度的格网方式展示空间数据，通过千米格网将空间区域进行细分，并将承灾体的值(如人口数) 量化表达为千米格网的属性值，可实现承灾体数据空间异质性的精细化表达。如图2b所示，每个深色千米格网表示了人口的实际空间分布。从而能在一定程度上减少以行政区平均所带来的灾情评估误差。

2　预评估数据开发模型与算法

2.1计算模型

2.1.1模型框架

在具体实现方法上，人口、GDP等千米格网数据的开发，本质上是将统计得到的专题数据从空间分辨率低的计量单元(如行政区划)，按照一定的规则解算到空间分辨率相对较高的计量单元(千米格网)，其中空间插值方法和空间插值模型是常用手段。按照此思路灾情预评估数据的格网化，似乎也可以首先按照历史震例，以影响场为范围，统计灾情，再应用空间插值形成格网灾情，但受制于历史灾情资料的局限性，此思路明显存在较大的局限性。

本文采用一种基于地震致灾机理的灾情评估模型开发地震应急灾情预评估数据，该模型的主要思路如图3 所示，通过应用灾情评估模型，分析承灾体数据在致灾因子影响下的损失，计算生成千米格网的地震应急灾情预评估数据。

图3　地震应急灾情预评估数据生成模型框架Fig. 3　Model framework of earthquake emergency disaster information evaluation data generation.

2.1.2承灾体数据

地震应急灾情预评估数据由人员伤亡、建筑物震害、直接经济损失等组成，因此相应的承灾体数据也由对应的千米格网数据组成。本文在开发千米格网地震应急灾情预评估数据时，采用的承灾体数据来源于前期研究工作(地震行业专项： 地震应急数据指标化和应急能力评价指标体系技术研究)的成果。以人口数据为例，在综合考虑了高程(DEM)、土地利用/土地覆盖等人-地综合关系建立的回归关系，将第5次全国人口普查数据(2000年)分解到细分的格网中，形成千米格网人口数据。2013年，采用第6次全国人口普查数据(2010年)对此数据集进行了更新，如图4 所示。房屋建筑物数据，按照面向建筑物易损性分析需求，按照结构类型分为钢混结构、混合结构、砖木结构和其他结构共4种类型。

图4　中国大陆千米格网人口数据Fig. 4　Chinese mainland population data in 1km grid format.

2.1.3灾情计算用致灾因子

地震灾害的孕灾环境和致灾因子较为复杂，如自然因素和社会人文因素等(高庆华，2011)。就地震应急而言，需要在震后快速评估地震可能造成的损失灾情以辅助地震应急指挥。目前震后通常能在几min内获取地震4要素(地震发生地的经纬度、时间、震级、震源深度)，这也是震后短时间内应急决策所能获得的关于地震的有限有效信息，因此从地震灾情快速评估的角度，本文初步认为地震4要素可以选为灾情快速评估用的致灾因子，这里强调为灾情快速评估用致灾因子，是为了与真正意义上的地震灾害致灾因子区分。

然而，同样大小震级的地震，甚至同样大小地震4要素的地震，可能造成的破坏不一样，如地震持续时间对地震破坏的影响便非常巨大。另外，同一次地震在不同地方的破坏也明显不同，因此现实中人们常常采用地震烈度衡量地震造成的破坏。于是本文选择地震烈度作为地震应急灾情预评估数据计算用致灾因子，作为图3 中的输入。在实际地震应急中，获得地震4要素后，可根据震级-烈度衰减关系进行换算。

2.1.4灾情计算公式

灾情计算模型的目的是分别计算千米格网承灾体数据，在不同致灾因子影响下所产生的可能震害，并作为盲估时的地震应急灾情，因此此时震害就是灾情。事实上在地震工程领域中，已有大量关于震害计算的研究，其代表性思路表现为对地震引起的建筑物破坏进行分类，然后划定破坏等级，确定破坏程度、损失比等，并由此得到地震引起的建筑物破坏、人员伤亡、经济损失等灾情(震害)。本文选择应用较广，易于应用于千米格网应急数据开发的震害计算模型，具体包括建筑物震害、人员死亡和直接经济损失计算模型。经过多次地震损失评估实践，许多地震应急专家认为尹之潜先生提出的承灾体震害计算方法有好的代表性，在实际中应用较多。

本文采用其建筑物震害计算模型，实现建筑物灾情数据的计算。I烈度下，S类建筑物破坏的计算公式为Dsj(I)=P[Dj|I]BS，其中P[Dj|I]是S类建筑物的震害矩阵，BS是S类建筑物的总面积，j是震害等级(尹之潜，1995)。

关于人员死亡模型，尹之潜提出的模型具有较强的代表性，该模型重点考虑了不同类型建筑物破坏对人员死亡的影响，先计算人口死亡率，然后计算死亡人口(尹之潜，1995)。马玉宏等(2000)在尹之潜模型的框架下，更新了人口死亡率的计算方法，并在计算人口死亡数时，引入了地震发生的时间修正系数(分为白天和晚上2个时段)和人口密度修正系数。本文采用此计算模型实现人员死亡灾情的计算。

公式为：log(RD)=9.0(RB)0.1-10.07 ；ND=ftfp(RD)P。其中，ND为死亡人口，RD为地震死亡率，RB为房屋建筑的倒塌率，P为目标区域内总人口，ft为地震发生时间的修正系数，fp为人口密度修正系数。

在地震经济损失评估方面尹之潜对地震经济损失产生机理进行了详细的分析，提出的模型较精细，但模型计算需要的参数多，有些参数不易获取，这也影响了模型的可操作性。也有研究人员建议采用震害损失评估的宏观震害分析法，如陈颙等(1999)提出地震导致的直接损失和商业中断引起的潜在损失与该地区的经济条件直接相关，而地区经济条件可以用一些宏观经济指标进行概略的表述。王晓青等(2009)搜集了中国大陆1989—2004年的地震灾害损失资料，并以此为基础进行分析研究，得出了中国大陆的地震烈度-GDP损失率关系模型及对应的地震直接经济损失快速评估模型，该模型针对汶川地震场景取得了较好的应用效果。本文采用其计算模型，具体公式为

L=∑If(I，GDP)×GDPI

其中，GDPI为烈度Ⅰ区域的GDP总量，f(I，GDP)是GDP损失率函数。

于是经过以上的分析，图3 中的灾情计算公式可细化表达为

(2)

2.2基于地图代数的算法

2.2.1算法框架

图3 和式(2)虽然在理论上解决了应急灾情预评估数据的计算过程和模型，但仍需具体的、可操作的面向千米格网数据的算法方能实现文中讨论的地震应急灾情预评估数据的计算。千米格网数据在GIS中本质上是一种栅格数据，通过观察式(2)不同类型灾情的计算公式，发现均是计算参数与栅格千米格网承灾体的代数运算，如相加，求幂等。因此，可以通过GIS中栅格数据的地图代数法实现千米格网预评估数据的计算，具体计算过程如图5 所示。为了实施栅格代数运算，灾情计算模型的参数也需格网空间化。

图5　千米格网地震应急灾情预评估数据生成算法框架Fig. 5　Algorithm framework of earthquake emergency disaster information pre-evaluation data generation.

2.2.2计算参数的空间化

参数的空间化需将参数适用的空间区域(如全国范围)转换为与承灾体数据同等空间分辨率的空间格网(即千米格网)，并将模型参数关联于对应的格网中。对于简单的参数可直接作为格网属性值，复杂的参数可采用ID进行关联，最终形成参数千米格网图层。建筑物震害矩阵便是一种复杂的模型参数，下面以其为例进一步说明模型参数的空间化。

本文仅以钢混结构震害矩阵为例，说明其空间化过程，其他结构类型的震害矩阵类似。(钢混结构)震害矩阵表现为在不同烈度下各不相同，如表1 和表2 所示。为简化问题的说明，在本文中全国采用一样的震害矩阵，对于省(市)不同的震害矩阵可用类似方法处理。

表1　烈度Ⅵ度地区钢混结构的震害矩阵

Table1　Earthquake damage matrix of steel-concrete building in intensity Ⅵ area　%

烈度完好轻微破坏中等破坏严重破坏毁坏ⅥⅦⅧⅨⅩ85604020101535363715.505212839.5002.512.525.5000.52.59.5

注其他烈度下针对不同类型建筑结构有不同的震害矩阵，此处省略。

表2　烈度Ⅶ度地区钢混结构的震害矩阵

Table2　Earthquake damage matrix of steel-concrete building in intensity Ⅶ area　%

烈度完好轻微破坏中等破坏严重破坏毁坏ⅥⅦⅧⅨⅩ887555351512233330.520.50210.325.540.5001.57.516.5000.21.57.5

注其他烈度下针对不同类型建筑结构有不同的震害矩阵，此处省略。

首先以全国第3代地震烈度区划图为模板，构建全国地震烈度分布图，此时不同的烈度区以矢量多边形的形式存在。接着在全国地震烈度分布图中根据不同的烈度值添加ID，并将不同的烈度对应于不同的ID。将不同烈度下的钢混结构建筑物震害矩阵以属性表的形式存储于数据库，并通过ID实现二者之间的链接。最后，利用ArcGIS提供的空间分析操作工具将链接后的基于矢量多边形的震害矩阵离散化处理，形成基于千米格网的震害矩阵，从而完成了震害矩阵的空间化。

模型计算参数经过空间化后将产生新的千米格网参数图层，此时式(2)中的建筑物震害计算公式便转换为可直接应用于地图代数计算的公式：

其中，Dsj是s类建筑物遭受j级别破坏的损失面积，Rsj是s类建筑物遭受j级别破坏的破坏率，AS是s类建筑物的面积。

这时的计算过程如图6 所示，将特定烈度分布下5种等级破坏率(Rsj)与不同类型的建筑物数据进行空间乘运算，便可得出4种结构类型、5个破坏等级的灾区房屋建筑破坏分布数据，共20层。

图6　基于地图代数的千米格网地震应急灾情预评估数据计算过程Fig. 6　Earthquake emergency disaster information pre-evaluation data calculation process based on map algebra.

3　预评估数据的开发实现

应用上面的模型和算法，本文开发了中国大陆范围的千米格网地震应急灾情预评估数据集。开发中应用ArcGIS Geodatabase实现了数据的存储与管理，采用Python结合ArcGIS Desktop编写了数据开发程序。开发完成的应急灾情快速评估数据集包括： 中国大陆范围千米格网建筑物震害预评估数据集(包括Ⅵ—Ⅹ度烈度下4种建筑结构的5个破坏等级，共100个数据层)，中国大陆范围千米格网人口死亡预评估数据集(包括Ⅵ—Ⅹ度烈度下白天和晚上2个时间段，共10个数据层)，中国大陆范围千米格网直接经济损失预评估数据集(包括Ⅵ—Ⅹ度烈度下的损失数据共5个数据层)(图7)。

图7　中国大陆范围千米格网地震应急灾情快速评估数据库Fig. 7　Nationwide 1km format database of earthquake emergency disaster information evaluation data.

图8　基于千米格网灾情数据的应急灾情评估过程Fig. 8　Workflow of emergency disaster information evaluation based on km grid data.

4　预评估数据的应用

4.1震后灾情快速评估应用

在千米格网灾情预评估数据的支持下，地震应急灾情评估流程与传统灾情评估流程有所不同，如图8 所示。该流程中将原来耗时的灾情模型计算过程在震前计算完成，并采用千米格网的方式存储于数据库中。震后可根据理论影响场直接从格网的灾情预评估数据中抽取，并统计计算出可能的灾情。

为验证数据的有效性，本文选取了近年发生在中国的2次破坏性地震(甘肃岷县地震和四川芦山地震)为算例，进行实验分析。以计算地震应急处置与救援决策中最关键的人员死亡灾情为评估内容，分别应用本文开发的千米格网应急灾情预评估数据和基于行政区划的承灾体基础数据，进行灾情评估。2次灾情评估应用的评估模型、参数和硬件运行环境均一致，结果如表3 所示。

表3　算例灾情评估结果效率与准确性对比

Table3　Comparing calculation speed and assessment results accuracy of experimental cases

对比性能计算用数据源甘肃岷县地震(MS6.6)四川芦山地震(MS7.0)硬件配置计算时间非千米格网数据10.4min14.7minIntelCore2i3CPUM380@2.53GHz,4.00GBRAM的笔记本电脑千米格网预评估数据34s54s人口死亡数非千米格网数据60人116人千米格网预评估数据107人212人实际值95人196人

注以上计算时间，仅以人口死亡评估算法开始直至算法结束时间，不包含界面I/O等其他时间。

试验结果表明，文中开发的千米格网应急灾情预评估数据，能显著提高地震应急灾情盲估效率，主要原因为千米格网应急灾情预评估数据，针对应急灾情评估需要，以不同烈度为计算用致灾因子，在震前已完成了不同灾情的计算，并以千米格网格方式存储，震时可直接根据影响场对不同烈度下的灾情进行统计，完成地震应急灾情的快速评估。相比较而言，传统承灾体数据及对应的灾情评估方法不仅评估计算工作量大，而且计算流程固定，如为了评估人员死亡灾情，必须先完成建筑物震害的评估，而这些计算过程全部执行于地震发生之后，消耗宝贵的地震应急处置时间。

实验还表明，应用千米格网应急灾情预评估数据能在一定程度上提高灾情评估准确性，主要原因为： 千米格网数据考虑了不同灾情计算承灾体数据的空间异质性，以千米格网的形式离散化表达原来以行政区平均的承灾体数据，提高了应急灾情评估数据的合理性。当然地震应急灾情快速评估具有较强的复杂性，存在多个因素影响评估结果，如评估参数(如建筑物震害矩阵)的准确性，地震模拟影响场的准确性等。总体上千米格网应急灾情预评估数据能显著提高灾情评估效率，也能有效改进评估的准确性。

4.2辅助应急救援应用

图9　预估芦山地震应急救援重点分布图Fig. 9　Prediction of earthquake rescue key points in “Lushan earthquake”.

千米格网地震应急灾情预评估数据还能在震后辅助搜救中发挥很好的作用。震后的应急搜救工作对减轻人员伤亡有重要的作用，受灾人员(特别是压埋人员)的快速定位是其中的一个关键因素，也是目前的一个困难问题。千米格网应急灾情预评估数据提供的灾情评估结果还可给出灾情的空间分布，根据评估的人员伤亡分布，形成应急救援重点分布图。以四川芦山地震为例，如图9 所示，由于千米格网地震应急灾情预评估数据的支持，震后可快速评估出应急救援重点分布图(图9 中红色圈所指示的范围)，辅助地震应急救援。

5　结论

如何在震后1～2h内快速评估地震应急灾情，是地震应急辅助决策的关键内容之一。地震应急灾情的快速评估是目前常用的解决方案，然而其时效性和准确性还存在一些不足。基于千米格网的地震应急基础数据为此问题的解决提供了可能的方案。目前关于地震应急承灾体基础数据(如人口、GDP、建筑物等)的格网化方法已有较多的探讨。在此基础上本文分析了地震应急基础数据的格网化发展趋势，提出开发基于千米格网的地震应急灾情预评估数据(包括千米格网建筑物灾情数据、千米格网人员死亡数据、千米格网直接经济损失数据等)，并建议将此数据列入地震应急基础数据库建设。

研究了千米格网地震应急灾情预评估数据的计算模型，论述了数据的计算框架。介绍了框架中的承灾体数据，包括千米格网GDP数据、千米格网人口数据和千米格网建筑物数据等。接着从灾情计算的角度讨论了计算用致灾因子，并选择地震烈度作为计算用致灾因子。分别从建筑物震害、人员死亡、直接经济损失等方面详细介绍了应急灾情计算模型。以建筑物震害计算参数为例，论述了其空间化方法，将其转化为基于空间千米格网的计算参数图层。在此基础上，通过应用地图代数方法，介绍了应急灾情预评估数据计算模型的算法化实现。

以Python和ArcGIS为工具应用前期课题开发的千米格网GDP、人口和建筑物数据，实现了中国大陆范围千米格网地震应急灾情预评估数据的开发。接着以中国境内的2次破坏性地震为案例，以人口死亡评估为内容，测试了千米格网地震应急灾情预评估数据的应用。应用结果表明，文中开发的应急灾情预评估数据能较好地提升地震应急灾情评估速度，并在一定程度上改善地震应急灾情评估的准确性。同时千米格网地震应急灾情预评估数据可给出地震应急灾情的空间分布，形成地震应急救援重点分布图，为地震应急救援提供参考。未来将进一步探索千米格网承灾体数据的开发模型，提升千米格网数据的准确性，并研究地震应急灾情快速评估优化算法与方法，提高地震应急灾情评估的准确性和时效性。

陈颙，刘杰. 1999. 地震危险性分析和震害预测 [M]. 北京： 地震出版社.

CHEN Yong，LIU Jie. 1999. Earthquake Risk Analysis and Hazard Prediction [M]. Seismological Press，Beijing(in Chinese).

高庆华. 2011. 论地震风险 [M]. 北京： 气象出版社.

GAO Qing-hua. 2011. On Earthquake Disaster Risk [M]. Meteorological Press，Beijing(in Chinese).

韩贞辉，李志强，陈振拓，等. 2013. 人口、房屋数据空间化及其在震灾快速评估中的应用: 以彝良地震为例 [J]. 地震地质，35(4)： 894—906. doi: 10.3969/j.issn.0253-4967.2013.04.018.

HAN Zhen-hui，LI Zhi-qiang，CHEN Zhen-tuo，etal. 2013. Population，housing statistics data spatialization research in the application of rapid earthquake loss assessment-A case of Yiliang earthquake [J]. Seismology and Geology，35(4): 894—906(in Chinese).

江东. 2007. 人文要素空间化研究进展 [J]. 甘肃科学学报，19(2)： 91—94.

JIANG Dong. 2007. Study on the progress of spatialization of anthrop factors [J]. Journal of Gansu Sciences，19(2): 91—94(in Chinese).

刘红辉，江东，杨小唤，等. 2005. 基于遥感的全国GDP 1km格网的空间化表达 [J]. 地球信息科学，7(2)： 120—123.

LIU Hong-hui，JIANG Dong，YANG Xiao-huan，etal. 2005. Spatialization approach to 1km grid GDP supported by remote sensing [J]. Geo-information Science，7(2): 120—123(in Chinese).

马玉宏，谢礼立. 2000. 地震人员伤亡估算方法研究 [J]. 地震工程与工程振动，20(4)： 140—147.

MA Yu-hong，XIE Li-li. 2000. Methodologies for assessment of earthquake causality [J]. Earthquake Engineering and Engineering Vibration，20(4): 140—147(in Chinese).

苗崇刚，聂高众. 2004. 地震应急指挥模式探讨 [J]. 自然灾害学报，13(5)： 48—54.

MIAO Chong-gang，NIE Gao-zhong. 2004. Exploration on mode of earthquake emergency command [J]. Journal of Natural Disasters，13(5): 48—54(in Chinese).

聂高众，安基文，邓砚. 2012. 地震应急灾情服务进展 [J]. 地震地质，34(4)： 782—791. doi: 10.3969/ j.issn.0253-4967.2012.04.020.

NIE Gao-zhong，AN Ji-wen，DENG Yan. 2012. Advances in earthquake emergency disaster service [J]. Seismology and Geology，34(4): 782—791(in Chinese).

聂高众，陈建英，李志强，等. 2002. 地震应急基础数据库建设 [J]. 地震，22(3)： 105—112.

NIE Gao-zhong，CHEN Jian-ying，LI Zhi-qiang，etal. 2002. The construction of basic database for earthquake emergency response [J]. Earthquake，22(3): 105—112(in Chinese).

王晓青，丁香，王龙，等. 2009. 四川汶川8 级大地震灾害损失快速评估研究 [J]. 地震学报，31(2)： 205—211.

WANG Xiao-qing，DING Xiang，WANG Long，etal. 2009. A study on fast earthquake loss assessment and its application to 2008 WenchuanM8 earthquake [J]. Acta Seismologica Sinica，31(2)： 205—211(in Chinese).

熊俊楠，韦方强，苏鹏程，等. 2013. 基于多源数据的四川省GDP千米格网化研究 [J]. 应用基础与工程科学学报，21(2)： 317—326. doi: 10.3969 /j.issn.1005-0930.2013.02.013.

XIONG Jun-nan，WEI Fang-qiang，SU Peng-cheng，etal. 2013. Research on GDP spatialization approach of Sichuan Province supported by multi-source data [J]. Journal of Basic Science and Engineering，21(2): 317—326(in Chinese).

尹之潜. 1995. 地震灾害及损失预测方法 [M]. 北京： 地震出版社.

YIN Zhi-qian. 1995. Earthquake Disaster and Loss Prediction Method [M]. Seismological Press，Beijing(in Chinese).

中国地震局震灾应急救援司. 2004. 地震应急 [M]. 北京： 地震出版社.

Earthquake Emergency Rescue Department，China Earthquake Administration. 2004. Earthquake Emergency Response [M]. Seismological Press，Beijing(in Chinese).

Bhaduri B，Bright E，Coleman P，etal. 2007. LandScan USA: A high-resolution geospatial and temporal modeling approach for population distribution and dynamics [J]. GeoJournal，69：103—117.

Cai Q，Rushton G，Bhaduri B L，etal. 2006. Estimating small-area populations by age and sex using spatial interpolation and statistical inference methods [J]. Transactions in GIS，10： 577—598.

Dobson J E，Bright E A，Coleman P R，etal. 2000. Landscan: A global population database for estimating populations at risk [J]. Photogrammetric Engineering & Remote Sensing，66： 849—857.

Goodchild M F，Anselin L，Deichmann U. 1993. A framework for the areal interpolation of socioeconomic data [J]. Environment and Planning A，25: 383—397.

The development of the km grid technology provides good prospect to solve this problem. The paper suggests to develop earthquake disaster information pre-estimation data with the support of the km grid technology. The definition and source of the pre-estimation data are introduced and its possibility in improving the estimation speed and accuracy are analyzed theoretically.

Then，we elaborate the calculation model of the pre-estimation data. The framework of the model includes disaster-bearing body data，disaster-causing factors used in calculation and calculation formula. The disaster-bearing body data in km grid format are introduced，including population data in km grid format and building data in km grid format. Then the four elements of the earthquake(earthquake occurrence time，earthquake location，earthquake magnitude and focal depth)are selected as disaster-causing factors for calculation. Map algebra method is used to realize the calculation model in which calculation parameters are associated with base map in the km grid format. So the pre-estimation data are developed by python and ArcGIS，which includes building damage dataset(100 layers)，death toll dataset(10 layers)and direct economic loss dataset(5 layers).

Finally，the pre-estimation data based method for earthquake emergency disaster information estimation is presented. With the support of this method，two real earthquake cases are used to validate the effect of the pre-estimation data. The validation results show the pre-estimation data can not only significantly improve the speed of the estimation but also greatly improve the accuracy of the estimation. Another good result is found in the validation process that with the support of the pre-estimation data，the estimated result can display the spatial distribution of the disaster information，which will effectively aid earthquake emergency response and rescues.

DEVELOPMENT OF EARTHQUAKE EMERGENCY DISASTER INFORMATION PRE-EVALUATION DATA BASED ON KM GRID

XU Jing-hai1)AN Ji-wen2)NIE Gao-zhong2)

1)InstituteofSpatialInformationandComprehensiveDisasterReduction，CollegeofGeomaticsEngineering，NanjingUniversityofTechnology，Nanjing211816，China2)InstituteofGeology，ChinaEarthquakeAdministration，Beijing100029，China

After an earthquake，earthquake emergency response and rescue is one of the effective ways to reduce casualties from the earthquake. Earthquake emergency disaster information is one of crucial factors to effectively guide the rescue work. However，there is a “black box effect” on the emergency disaster information acquisition after an earthquake，which means real-time earthquake disaster information is insufficient. Hazard estimates are usually used as a substitute for the real-time disaster information in the “black box” period. However，it is subject to the accuracy and speed of the estimation.

earthquake emergency，kilometer (km) grid，earthquake emergency disaster information，disaster information estimation，spatialization

10.3969/j.issn.0253- 4967.2016.03.020

2015-03-23收稿，2016-07-07改回。

中国地震局地质研究所基本科研业务专项(IGCEA1506)、国家科技支撑计划项目(2012BAK15B06)、空间信息智能感知与服务深圳市重点实验室(深圳大学)开放基金资助项目(201404)、江苏省测绘地理信息科研项目(JSCHKY201506)与中国地震局工程力学研究所基本科业务费专项(2016QJGJ16)共同资助。

P315.9

A

0253-4967(2016)03-0760-13

徐敬海，男，1977年生，2006年于武汉大学获摄影测量与遥感专业博士学位，副教授，主要从事地震应急、空间技术减灾集成与工程应用研究，电话： 025-58139462，E-mail: xu_jing_hai@163.com。