基于历史灾情的贵州雪灾脆弱性分析*

王丹丹，潘东华，贾慧聪，陈　方，贺原惠子

(1.民政部国家减灾中心，北京 100124；2.中国科学院遥感与数字地球研究所 中科院数字地球重点实验室，北京，100094)

雪灾是指因降雪形成大范围积雪，严重影响人畜生存，以及因降降雪造成交通中断，通讯、输电等基础设施受损的一种气象灾害[1]。我国北方牧区冬春季大面积、长时间持续降雪形成的雪灾，对牧区整个社会经济发展产生严重影响，因此一直以来都是雪灾研究的热点[2]。在全球气候变化影响下，特别是2008年初我国南方低温雨雪冰冻灾害发生后，电网、道路交通等基础设施面临严峻考验，南方地区雪灾造成的社会经济影响凸显[3-4]，雪灾还造成大面积农作物、林地等受灾，严重影响当地群众的正常生产生活秩序。

关于雪灾的研究，目前国内学者大多侧重于气候学特征、致灾机制以及危险性评价等方面，研究区域主要集中在北方地区，研究对象主要以畜牧业为主，研究方法涉及统计分析、模型评估、遥感监测、野外调查等[5-8]。为最大程度减轻灾害损失，及时预警或启动国家自然灾害应急救助响应，实际工作中往往需要以最快的速度完成灾害可能损失评估工作，在数据量较少或不完整的情况下，给出初步判断，以便于提前组织开展灾后救助工作。近年来，灾害损失快速评估逐渐成为灾害评估业务的重点工作，已有学者在相关领域取得研究一定进展[9]。本研究针对雪灾特点，选取过程降水(雪)量作为雪灾致灾因子，它不仅是造成雪灾的重要影响因素，且相对积雪日数、积雪深度等数据具有覆盖面全、获取快、处理易、持续性好等特点，更适用于损失快速评估；为衔接《自然灾害情况统计制度》[10]，本文选取受灾人口和农作物受灾面积两个灾情指标来反映雪灾总体灾情，并构建雪灾脆弱性曲线来表达致灾强度与损失之间的定量函数关系，脆弱性曲线是开展雪灾损失快速评估的重要基础，也为雪灾风险防范及灾后救助提供科学依据。

1　数据与方法

1.1　数据来源

根据基于历史灾情的雪灾脆弱性分析需求，本文收集和整理了研究所需的一系列的基础数据。①历史灾情数据主要来源于国家灾情信息管理系统中地方上报的分县灾情数据库，整理了2009-2016年以来的雪灾灾情案例数据，其中包括启动国家救灾应急Ⅳ级响应的2次案例数据，考虑到数据的完整性及连续性，本研究选取受灾人口和农作物受灾面积作为雪灾脆弱性研究的对象；②气象数据选取与每次灾害过程相对应的降水(雪)量作为致灾因子，降水(雪)量数据来源于中国气象局国家气象科学数据共享服务平台提供的中国地面气候资料日值数据集(V3.0)(2009-2016)；③社会经济数据中的贵州省分县年末总人口、农作物播种面积等数据主要来源于贵州省统计年鉴(2016)；④基础地理数据中的贵州省县域行政区划边界来源中国地图出版社(2015)。

1.2　研究方法

首先对来自国家灾情管理系统中的分县灾情数据按灾害事件进行梳理，即一条记录必须符合初报、续保、核报才能视为有效样本数据，灾害持续时段以地方灾情报告中记录的降水(雪)时段为准，并提取相应时段的累积降水(雪)量作为致灾因子。其次，为了对灾情分布规律进行统计推断，需要确定灾情总体所服从的分布，本研究选取受灾人口、农作物受灾面积两个指标作为雪灾脆弱性分析的因素，基于MINITAB工具，采用概率图方法对灾情样本数据进行最优参数估计，从而确定灾情所服从的概率分布形式；在此基础上，运用概率密度与累积概率函数对雪灾损失数据的分布规律进行统计分析；最后，结合雪灾持续时段的相应累积过程降水(雪)量数据，分别对雪灾受灾人口、农作物受灾面积进行脆弱性分析。

2　结果分析

2.1　最优参数估计

为了使各年不同县域的雪灾灾情数据具有可比性，首先对历史灾情数据进行了标准化处理，即以历年年末总人口、农作物播种面积为基数，将受灾人口、农作物受灾面积分别折算成受灾人口率(受灾人口占年末总人口比例)、农作物受灾率(农作物受灾面积占播种面积比例)；在灾情数据标准化处理结果的基础上，采用参数估计方法确定灾情总体所服从的概率分布形式。参数估计是根据从灾情总体中抽取的样本数据估计总体分布中包含的未知参数的方法，是分析或推断灾情数据本质规律的前提，本文基于MINITAB工具，采用概率图方法对灾情样本数据进行最优参数估计，备用参数模型包括Normal、Lognormal、Gamma、Weibull四种分布形式；通过概率图最优参数估计分析，得到受灾人口和农作物受灾面积的估计参数和概率分布图(图1、图2)，根据Anderson-Darling(AD)拟合优度统计量和关联的P值判断，结果表明在显著性水平α=0.05时，受灾人口、农作物受灾面积通过假设检验，服从Weibull分布，且参数最优(P值大于0.05，AD值越小拟合度越优)。

2.2　灾情损失分析

图1　受灾人口概率图

图2　农作物受灾面积概率图

在确定贵州省雪灾受灾人口、农作物受灾面积灾情指标均服从Weibull分布的基础上，为进一步分析灾情损失分布特点，揭示雪灾致灾规律，本文运用概率密度函数(PDF)、累积分布函数(CDF)分别对灾受灾人口、农作物受灾面积两个灾情指标作相关特征量及趋势分布统计。从受灾人口概率密度与累积概率分布图可以看出(图3、图4)，绝大部分损失(受灾人口占年末总人口比例)集中分布在0～50%，累积比例达84%左右，其中20%～50%的累积概率为52%；50%～70%的累积概率约为14%，而大于70%的累积概率不足2%；从农作物受灾面积概率密度与累积概率分布图可以看出(图5、图6)，近一半的损失(农作物受灾面积占播种面积比例)集中分布在10%以下，累积概率达46%，10%～30%的累积概率为40%，30%～50%的概率密度为14%。从灾受灾人口、农作物受灾面积的概率密度函数、累积分布函数统计特征可以看出，贵州雪灾对群众和农作物均造成一定的影响，其中约80%的雪灾事件造成的受灾人口占年末人口的比例都在50%以下，约50%的雪灾事件的造成农作物受灾面积占播种面积比例在10%以下；即从统计角度来看，发生一次雪灾事件，农作物受灾情况相比受灾人口较轻。

图3　受灾人口概率密度图

图4　受灾人口累积概率图

图5　农作物受灾面积概率密度图

图6　农作物受灾面积累积概率图

2.3　脆性性分析

为了进一步确定不同致灾强度下雪灾损失的大小，本文选取过程降水(雪)量作为致灾强度，分别对不同过程累积降水(雪)量对应的受灾人口和农作物受灾面积进行脆弱性曲线拟合，构建致灾强度与损失之间的定量函数关系；在观察历史案例样本数据分布模态的基础上，本文选取Logistic增长曲线作为脆弱性函数的基础线型，95%的置信区间水平，收敛公差小于0.01，采用Gauss-Newton算法进过多次迭代拟合，分别得到受灾人口和农作物受灾面积的脆弱性曲线函数如下所示：

(1)

(2)

式中：y1为受灾人口占年末总人口比例，y2为农作物受灾面积占播种面积比例，x为过程降水(雪)量。

图7　受灾人口脆弱性曲线

图8　农作物受灾面积脆弱性曲线

从脆弱性曲线函数分布图可以看出(图7、图8)，随着过程累积降水(雪)量的不断增加，受灾人口占年末总人口比例和农作物受灾面积占播种面积比例也都随之不断升高，其中，当过程降水量(雪)在0～40 cm时，受灾人口占年末总人口比例增长速率较快，大于40 cm时，受灾人口占年末总人口比例增长速率相对平缓，灾情损失趋于稳定；当过程降水量(雪)在0～30 cm时，农作物受灾面积占播种面积比例增长速率快，大于30 cm时，农作物受灾面积比例趋于稳定，且一般情况下，农作物受灾面积占播种面积比例一般不超过50%。

3　结论与讨论

(1)本研究选取受灾人口、农作物受灾面积两个指标作为雪灾脆弱性分析的因素，在灾情数据标准化处理的基础上，采用参数估计方法确定灾情总体所服从的概率分布形式，根据AD拟合优度统计量和关联的P值判断，在显著性水平α=0.05时，受灾人口、农作物受灾面积均服从Weibull分布，且参数最优。

(2)从受灾人口、农作物受灾面积的概率密度函数、累积分布函数统计特征来看，约80%的雪灾事件造成的受灾人口占年末人口的比例在50%以下，约50%的雪灾事件的造成农作物受灾面积占播种面积比例在10%以下。

(3)从致灾强度与损失之间的脆弱性曲线函数关系可以看出，随着过程累积降水(雪)量的不断增加，受灾人口和农作物受灾面积总体均随之增加，其中，过程降水量(雪)大于40cm时，受灾人口趋于稳定；当过程降水量(雪)大于30cm时，农作物损失趋于稳定，且农作物受灾面积占播种面积比例一般不超过50%。