青海牧區(qū)雪災(zāi)綜合風(fēng)險評估

馬曉芳，黃曉東，鄧婕，王云龍，梁天剛

(蘭州大學(xué)草地農(nóng)業(yè)科技學(xué)院，草地農(nóng)業(yè)生態(tài)系統(tǒng)國家重點實驗室，甘肅 蘭州 730020)

青海牧區(qū)雪災(zāi)綜合風(fēng)險評估

馬曉芳，黃曉東*，鄧婕，王云龍，梁天剛

(蘭州大學(xué)草地農(nóng)業(yè)科技學(xué)院，草地農(nóng)業(yè)生態(tài)系統(tǒng)國家重點實驗室，甘肅 蘭州 730020)

本研究收集了影響青海省雪災(zāi)發(fā)生的社會經(jīng)濟、自然及氣象共計19種因素，通過主客觀結(jié)合的方法篩選基礎(chǔ)因子，再利用Logistic回歸模型自我挑選變量功能對初始因子進一步篩選，得到五項風(fēng)險評價因子，即人均GDP、年均溫、最大雪深、積雪覆蓋日數(shù)及坡度，最后基于ArcGIS平臺得到青海地區(qū)2001-2007年的雪災(zāi)平均風(fēng)險區(qū)劃圖，并對其劃分等級，分析不同雪災(zāi)等級在空間上的分布特征。得到以下結(jié)論：1)通過主客觀的分析方法，得到誘發(fā)雪災(zāi)形成的關(guān)鍵因素與自然因素、氣象因素、社會經(jīng)濟等因素有關(guān)；2)青海雪災(zāi)平均風(fēng)險分布與風(fēng)險因子最大雪深、坡度、積雪覆蓋日數(shù)具有基本一致的趨勢，而與年均溫和人均GDP 的分布趨勢相反；3)青海地區(qū)平均雪災(zāi)風(fēng)險呈現(xiàn)南高北低的態(tài)勢，其中高風(fēng)險區(qū)主要分布在研究區(qū)南部的稱多縣、玉樹縣、囊謙縣、達日縣、甘德縣以及瑪沁縣等地，相反，西北部的柴達木盆地和東部的農(nóng)業(yè)區(qū)為低風(fēng)險區(qū)；4)受地形地貌的影響，4000 m以上的山嶺地帶，即祁連山、昆侖山、唐古拉山、巴顏喀拉山、阿尼瑪卿山等為青海雪災(zāi)高風(fēng)險分布之地。

青海；雪災(zāi)災(zāi)害風(fēng)險；Logistic回歸

牧區(qū)雪災(zāi)是我國發(fā)生頻率最高，影響最為嚴(yán)重的一類雪災(zāi)，主要是指因降雪量過多或積雪過厚，草場被積雪掩埋，牲畜無法到達草場或無其他食物來源，從而導(dǎo)致牲畜掉膘或者死亡的自然現(xiàn)象[1]。在我國，雪災(zāi)災(zāi)害的發(fā)生受到時間與空間的限制，從時間尺度來看，它的發(fā)生時期一般是從當(dāng)年的10月開始到次年的4月結(jié)束[2]，從空間層面而言，雪災(zāi)主要活躍于高海拔、高緯度以及天然草場豐富的地區(qū)，即內(nèi)蒙古、新疆、青海、西藏等地[3]。雪災(zāi)還具有快速性、持久性，影響范圍廣泛、危害程度大等特點[4-5]。

青海處于青藏高原的東北部，因受到高原特殊地理環(huán)境及氣候條件的影響，冬春兩季時常遭受到雪災(zāi)的侵襲。已有的研究資料表明，1949-2002年青海省共發(fā)生29次雪災(zāi)，11次較嚴(yán)重雪災(zāi)和5次特大雪災(zāi)，從分布來看，青海南部地區(qū)雪災(zāi)事件的發(fā)生頻率最高、最廣泛[6]。雪災(zāi)狀況的嚴(yán)峻形勢，直接影響到青海農(nóng)牧業(yè)，甚至是國民經(jīng)濟的發(fā)展。因此，了解雪災(zāi)災(zāi)害的致災(zāi)因素、位置以及發(fā)生強度等，對于開展防御和災(zāi)后管理工作，具有重要的意義。

近些年來，隨著各種監(jiān)測手段和處理技術(shù)的進步，雪災(zāi)風(fēng)險評估已經(jīng)成為國內(nèi)學(xué)者的研究熱點。何永清等[6]選取氣象、社會經(jīng)濟、畜牧等影響雪災(zāi)的因子，基于GIS平臺，創(chuàng)建了青海地區(qū)雪災(zāi)風(fēng)險區(qū)劃圖；王世金等[7]通過分析雪災(zāi)風(fēng)險的成因，選取平均雪深、坡度、牲畜密度、冬春超載率、積雪天數(shù)、產(chǎn)草量、雪災(zāi)重現(xiàn)率、地區(qū)GDP及農(nóng)牧民純收入等9項因子，利用Logistic回歸方法，建立了三江源地區(qū)雪災(zāi)綜合評估模型。白媛等[8]通過青海省雪深數(shù)據(jù)與雪災(zāi)災(zāi)情案例數(shù)據(jù)，得到該區(qū)雪災(zāi)風(fēng)險評價模型，并分析了不同致災(zāi)水平下的雪災(zāi)損失風(fēng)險情況。劉興元等[9]通過分析北疆牧區(qū)的雪災(zāi)狀況，從積雪致災(zāi)體、家畜承災(zāi)體、草地抗災(zāi)體等3個方面選出9個因素作為雪災(zāi)預(yù)警的影響因子，并利用多層次綜合法與目標(biāo)線性加權(quán)函數(shù)法，創(chuàng)建了雪災(zāi)預(yù)警模型和風(fēng)險評估模型。Wang等[10]綜合青藏高原45場雪災(zāi)案例數(shù)據(jù)、積雪遙感監(jiān)測數(shù)據(jù)、氣象數(shù)據(jù)、社會經(jīng)濟數(shù)據(jù)等，利用主成分分析法篩選出雪災(zāi)預(yù)警的關(guān)鍵指標(biāo)，結(jié)合多元非線性回歸模型，構(gòu)建了基于縣域單元的青藏高原雪災(zāi)預(yù)警模型，同時提出了基于格網(wǎng)單元的雪災(zāi)風(fēng)險評價方法。張國勝等[11]通過分析雪災(zāi)的誘發(fā)因素，采用各因素疊加運算的方法，構(gòu)建了三江源地區(qū)越冬期雪災(zāi)風(fēng)險預(yù)警指標(biāo)體系；以上關(guān)于青海雪災(zāi)狀況的研究，不同學(xué)者采用了不同的方法，均得到了一定的成果。

以往學(xué)者對雪災(zāi)風(fēng)險的評估，主要傾向于自然因子方面，且大多數(shù)采用的是多指標(biāo)加權(quán)綜合法，這不僅忽視了雪災(zāi)致災(zāi)成因是社會經(jīng)濟、自然條件、家畜狀況等多種因素綜合作用的結(jié)果，而且因受到人為因素的影響使得評價結(jié)果不夠客觀。因此，本文在已有研究成果的基礎(chǔ)上，將社會經(jīng)濟數(shù)據(jù)等列入雪災(zāi)影響因子中，完善雪災(zāi)風(fēng)險評估及監(jiān)測基礎(chǔ)數(shù)據(jù)，并采用Logistic回歸方法分析青海雪災(zāi)災(zāi)害平均風(fēng)險狀況，為進一步進行青海省雪災(zāi)預(yù)警研究奠定堅實的基礎(chǔ)。

1 材料與方法

1.1 研究區(qū)概況

青海省處于青藏高原的東北部，地理位置介于東經(jīng)89°35′-103°04′，北緯31°9′-39°19′之間，平均海拔3500 m以上(圖1)。因該省是我國許多大河的發(fā)源地，即黃河、長江、瀾滄江等，故有“中華水塔”之美稱。青海地勢具有自西向東降低的趨勢，以青南地區(qū)最為顯著，且地形復(fù)雜多樣，呈馬鞍形分布格局。其中，北部為山地，南部為青南高原，西北部是柴達木盆地，而東部為谷地。因受到地理要素及氣候條件，如海拔、地形地貌、大氣環(huán)流等的影響，青海形成了典型的高原大陸性氣候，主要表現(xiàn)為氣溫低且隨海拔增高而遞減，最低氣溫分布在青海南部以及祁連山等地勢高的地區(qū)，最高氣溫出現(xiàn)在柴達木盆地和東部的谷地；降水分布地域差異顯著，隨海拔增高而遞增；研究區(qū)大部分地區(qū)盛行偏西風(fēng)，其中平均大風(fēng)日數(shù)最多的是西南部地區(qū)，而西北部與東部地區(qū)最少。基于此背景，認(rèn)識和掌握青海省雪災(zāi)的主要誘發(fā)因子及其演變情況，對減輕雪災(zāi)損失，保障畜牧業(yè)可持續(xù)發(fā)展具有重要的理論意義與實用價值。

圖1 研究區(qū)位置圖Fig.1 Location of the study area

1.2 研究數(shù)據(jù)

根據(jù)雪災(zāi)風(fēng)險系統(tǒng)的成因及其研究目的，選用的數(shù)據(jù)主要包含以下幾類：

(1)統(tǒng)計年鑒數(shù)據(jù)：依據(jù)青海省及相應(yīng)地(州、市)2001-2007年的年鑒及統(tǒng)計年鑒，整理了各縣經(jīng)濟水平、牲畜狀況等統(tǒng)計資料，如地區(qū)生產(chǎn)總值、人均GDP、人口密度、公路密度、年初存欄數(shù)、載畜力等。

(2)雪災(zāi)案例數(shù)據(jù)：根據(jù)中國氣象災(zāi)害大典(青海卷)和2001-2007年的雪災(zāi)發(fā)生記錄，整理得到該省共發(fā)生雪災(zāi)事件33次，并以縣級行政區(qū)劃為基本單元，統(tǒng)計出前冬雪災(zāi)概率和牲畜死亡情況等。

(3)氣象數(shù)據(jù)：氣象數(shù)據(jù)來源于中國氣象科學(xué)數(shù)據(jù)共享服務(wù)(http://cdc.cma.gov.cn)，包括日均溫、日降水量、風(fēng)速、坡度等。

(4)數(shù)字高程模型：根據(jù)90 m空間分辨率的數(shù)字高程模型提取坡度，從地形因素分析雪災(zāi)狀況。

(5)植被分類數(shù)據(jù)：選用2001-2007年MCD12Q1產(chǎn)品中的國際地圈生物圈計劃(IGBP)分類數(shù)據(jù)集，其空間分辨率為500 m。MCD12Q1產(chǎn)品是MODIS Aqua和Terra衛(wèi)星于2008年合成的年度土地覆蓋分類產(chǎn)品，可從USGS網(wǎng)站(http://www.usgs.gov/)下載得到。

(6)積雪遙感數(shù)據(jù)：雪蓋產(chǎn)品來源于中國西部環(huán)境與生態(tài)科學(xué)數(shù)據(jù)中心，由Huang等[12]開發(fā)的青藏高原地區(qū)MODIS逐日無云積雪產(chǎn)品(2002-2010年)。雪深數(shù)據(jù)是來源于該數(shù)據(jù)中心的中國長時間序列數(shù)據(jù)集，由Che等[13]和Dai等[14-15]利用美國國家雪冰數(shù)據(jù)中心(NSIDC)處理的被動微波傳感器SSM/I(1987-2008年)和AMSR-E(2002-2010年)亮度溫度資料反演得到，其空間分辨率為25 km。SSM/I(Special Sensor Microwave/Image)是美國國防氣象衛(wèi)星計劃(DMSP)衛(wèi)星所攜帶的星載微波輻射計，而AMSR-E是搭載在美國地球觀測系統(tǒng)(EOS)AQUA衛(wèi)星上的微波掃描輻射計。

以上所用數(shù)據(jù)的來源和空間分辨率不同，為減小實驗誤差對分析結(jié)果的影響，對所有數(shù)據(jù)采用GIS柵格數(shù)據(jù)類型并重采樣為500 m，同時將坐標(biāo)系統(tǒng)配準(zhǔn)為Alberts坐標(biāo)系統(tǒng)。

1.3 指標(biāo)歸一化

多指標(biāo)綜合評價中，因各指標(biāo)涵蓋的物理意義大不相同，若置于同一標(biāo)準(zhǔn)下計算，會影響結(jié)果的評估，因此，需要對指標(biāo)進行標(biāo)準(zhǔn)化處理[16-17]。常見的關(guān)于指標(biāo)標(biāo)準(zhǔn)化處理的方法有極差變換法、標(biāo)準(zhǔn)化法和均值化法，它們各有優(yōu)缺點。其中，極差變換法不僅適用于正態(tài)分布，也適用于非正態(tài)分布的指標(biāo)，同時該方法無論指標(biāo)原始值是正數(shù)還是負數(shù)，經(jīng)極差變換后，均可化為正向指標(biāo)，省去了指標(biāo)的同趨化處理[18]。因此，基于數(shù)據(jù)的實際情況，本研究選用該方法對各個指標(biāo)量化處理。

對于正向指標(biāo)：

(1)

對于逆向指標(biāo)：

(2)

式中：i為指標(biāo)的個數(shù)；xi為指標(biāo)的初始值；min(xi)為指標(biāo)的最小值；max(xi)為指標(biāo)的最大值；yi的值域介于0～1之間。

1.4 指標(biāo)篩選方法

在自然災(zāi)害綜合風(fēng)險評估中，指標(biāo)是我們研究對象的起點，而評價指標(biāo)的正確選取，直接影響到綜合評估的結(jié)果[19]。為了全面的洞悉研究對象，研究者往往會盡可能多的搜集相關(guān)指標(biāo)，殊不知這樣會因各個指標(biāo)間的內(nèi)部關(guān)聯(lián)，帶來信息的重疊。因此，科學(xué)、合理地選擇因子構(gòu)建指標(biāo)體系，是雪災(zāi)風(fēng)險綜合評價中首要解決的問題。關(guān)于風(fēng)險評估綜合指標(biāo)的篩選，完全依靠客觀的統(tǒng)計分析方法或是主觀的評價方法(如專家打分法)都是片面的、不科學(xué)的。前者僅考慮了數(shù)據(jù)固有的特征，而沒有將評估指標(biāo)與研究本身結(jié)合，脫離了研究本身的意義；后者往往參雜了太多人為因素，選出的各個指標(biāo)之間容易存在共線性，會影響到下文模型的應(yīng)用[20-21]。因此，基于前人的研究經(jīng)驗，本研究采用主客觀結(jié)合的方法篩選指標(biāo)，首先分析指標(biāo)的來源及意義，構(gòu)建雪災(zāi)綜合風(fēng)險評價指標(biāo)體系。其次，利用因子分析法進行具體的分析。

因子分析法最早由英國心理學(xué)家斯皮爾曼提出[22]，其原理是用較少的互相獨立的因子反映原有變量的絕大部分信息，且要求原有變量之間應(yīng)存在較強的相關(guān)性，可用數(shù)學(xué)模型加以表示[23]。設(shè)原有n個變量，X1，X2，X3，…,Xn，且每個變量(經(jīng)標(biāo)準(zhǔn)化處理)的均值為0，標(biāo)準(zhǔn)差為1，現(xiàn)將每個原有變量用k個因子f1，f2，f3，…，fk的線性組合表示，則有：

(3)

圍繞濃縮原有變量(已做標(biāo)準(zhǔn)化處理)提取因子的核心思想，因子分析的主要步驟如下：

(2)利用主成分方法計算特征值和特征向量。根據(jù)特征方程式|λIp-R|=0，可得到p個特征值，其按大小順序排列為λ1≥λ2≥λ3≥…≥λp≥0，由每個特征值可得到對應(yīng)的特征向量μ1,μ2,μ3,…,μp。

(5)結(jié)合相關(guān)系數(shù)矩陣，對旋轉(zhuǎn)成分矩陣分類后的各個因子取絕對值最大值，以此來篩選因子。

1.5Logistic回歸模型

近些年，國內(nèi)外專家對雪災(zāi)綜合風(fēng)險評價的探索，歷經(jīng)了定性評價到定量評價的思維演變。盡管所用方法多樣，但都是通過一定的數(shù)學(xué)方法(如層次分析法、人工神經(jīng)網(wǎng)絡(luò)、模糊綜合評判等)篩選出若干基本因子，進行多指標(biāo)加權(quán)綜合運算，從而評估最終的風(fēng)險狀況[24]。這些方法可以評估雪災(zāi)災(zāi)害風(fēng)險，但因指標(biāo)權(quán)重的確定，參雜了許多主觀因素。為了尋求適合本研究區(qū)的評價模型，在查閱災(zāi)害風(fēng)險相關(guān)文獻的基礎(chǔ)上，得到Logistic回歸模型的預(yù)測精度高于其他預(yù)測模型[25-27]，因而本文選用Logistic回歸模型對青海地區(qū)雪災(zāi)風(fēng)險進行評估。

Logistic回歸模型，是多變量統(tǒng)計分析模型，其因變量可為二分類，也可是多分類變量。Logistic模型的優(yōu)勢便是自變量既可以是連續(xù)的，也可以是離散的，且可以不服從正態(tài)分布[28-29]。本研究以篩選的雪災(zāi)風(fēng)險評價因子，即年均溫、積雪覆蓋日數(shù)、最大雪深、人均GDP、坡度等為自變量，災(zāi)害發(fā)生與否為因變量，若雪災(zāi)發(fā)生，取值為1，否則為0。

設(shè)P為雪災(zāi)發(fā)生概率，其取值范圍介于0～1之間，1-P即為雪災(zāi)不發(fā)生的概率。因P的取值接近0或1時，P的變化就很難把握，因此對P值進行一定的轉(zhuǎn)換是必要的。將其二者的比值取自然對數(shù)，ln[P/(1-P)],以P為因變量，χm為自變量，建立Logistic線性回歸方程：

Logit(P)=ln[P/(1-P)]=α+β1χ1+β2χ2+……+βmχm

(4)

可得到，

(5)

式中:α為常數(shù);β1，β2，…,βm為邏輯回歸系數(shù);χ1，χ2，…,χm分別為影響雪災(zāi)發(fā)生的各個風(fēng)險因子。

2 結(jié)果與分析

2.1 雪災(zāi)風(fēng)險影響指標(biāo)

本研究基于SPSS統(tǒng)計分析軟件，利用主客觀結(jié)合的方法，提取雪災(zāi)風(fēng)險的關(guān)鍵因子。通過分析指標(biāo)的來源及意義，將雪災(zāi)風(fēng)險評價指標(biāo)劃分為4類，見表1。

表1 雪災(zāi)綜合風(fēng)險評價指標(biāo)體系Table 1 Integrated risk assessment indicator system of snow disaster

SU:羊單位Sheep unit.

通過分析表2，大部分變量間的相關(guān)系數(shù)值大于0.3，能夠從中提取公共因子，同時表3 中KMO統(tǒng)計量大于0.6，且Bartlett球形檢驗的顯著性小于0.01，驗證了此數(shù)據(jù)適合做因子分析。采用主成分方法對該四類數(shù)據(jù)進行分析，從表4可以得到，前兩個主成分的特征值大于1且累計方差貢獻率達到85%，說明前兩個主成分便可以反映全部指標(biāo)的信息。因此，我們可以從這四類數(shù)據(jù)中分別提取兩個主成分。從表5可知，在A類因素中，地區(qū)生產(chǎn)總值、人口密度、公路密度在第1個成分上具有較高的載荷，相反，人均GDP、農(nóng)牧業(yè)純收入在第2個成分上

表2 相關(guān)系數(shù)矩陣Table 2 Correlation matrix of principal components

表3 KMO和Bartlett檢驗Table 3 KMO and Bartlett test

表4 解釋的總方差Table 4 Total variance explained

具有較高的載荷；B類因素中，降水量、平均風(fēng)速、年均溫在第1個成分上具有較高的載荷，相反，坡度、前冬雪災(zāi)概率在第2個成分上具有較高的載荷；C類因素中，積雪覆蓋日數(shù)、草地積雪覆蓋率、積雪覆蓋率在第1個成分上具有較高的載荷，而最大雪深、平均雪深在第2個成分上具有較高的載荷；D類因素中，年初存欄數(shù)、年末存欄數(shù)在第1個成分上具有較高的載荷，而載畜力、草地面積比例在第2個成分上具有較高的載荷。基于表2、表5，篩選得到四類數(shù)據(jù)中的關(guān)鍵指標(biāo)，即公路密度、人均GDP、年均溫、坡度、最大雪深、積雪覆蓋日數(shù)、載畜力、年初存欄數(shù)。

2.2 雪災(zāi)風(fēng)險因子分析

基于ArcGIS平臺，從縣域單元分析雪災(zāi)各個風(fēng)險因子空間分布情況(圖2)。總體來看，除了人均GDP與年均溫，青海西北部、東部地區(qū)各個風(fēng)險因子水平較低，而北部與南部地區(qū)風(fēng)險因子水平較高。從氣象角度來看，青海自西北向東一帶溫度較高，此界限以上或以下，溫度較低；研究區(qū)坡度較大的區(qū)域，主要集中在青海各個山脈周邊，即祁連山、昆侖山、唐古拉山、巴顏喀拉山及阿尼瑪卿山等地，其他地區(qū)坡度趨于平緩。從經(jīng)濟狀況來看，青海人均GDP最高的縣是海西州、格爾木市，研究區(qū)南部及東南部地區(qū)經(jīng)濟水平較低，其他縣為中等經(jīng)濟水平。從積雪監(jiān)測因素來看，青海積雪較深的區(qū)域主要分布在天峻縣、祁連縣、玉樹縣、囊謙縣、雜多縣、甘德縣、都蘭縣等地，而海西州、格爾木市和東部的農(nóng)業(yè)區(qū)積雪深度較淺；整體來看，積雪覆蓋日數(shù)呈現(xiàn)較低趨勢，且以西北部、東部地區(qū)最少，而德令哈市、天峻縣最多。

表5 旋轉(zhuǎn)成分矩陣Table 5 Rotating component matrix

2.3 雪災(zāi)災(zāi)害風(fēng)險評估

Logistic回歸模型可以進一步篩選變量，其原理是只有自變量對因變量貢獻率達到顯著水平，當(dāng)可進入回歸模型，否則將會被剔除[24]。基于ArcGIS的空間分析功能，將2001-2007年各因子圖像轉(zhuǎn)化為相應(yīng)的數(shù)字矩陣，在Excel中整理后導(dǎo)入統(tǒng)計分析軟件SPSS，然后利用Binary logistic回歸分析，采用逐步法篩選變量，多次迭代后，最終選擇出坡度、積雪覆蓋日數(shù)、年均溫、最大雪深和人均GDP等5個顯著性Sig小于0.5的因子，因其他指標(biāo)沒達到顯著性水平而被剔除。最終得到青海雪災(zāi)風(fēng)險綜合評價的Logistic回歸模型：

Logistic(P)=-12.559+0.601x1+2.544x2+3.066x3+1.724x4+7.837x5

(6)

式中:x1,x2,…,x5分別為坡度、積雪覆蓋日數(shù)、年均溫、最大雪深、人均GDP；P為雪災(zāi)發(fā)生的概率。分析得到，影響雪災(zāi)風(fēng)險的因子，不僅與自然因素有關(guān)，還受到社會經(jīng)濟因素的影響，按照人均GDP、年均溫、積雪覆蓋日數(shù)、最大雪深等，對雪災(zāi)風(fēng)險的影響依次減弱。

根據(jù)公式(5)和(6)，結(jié)合GIS的柵格運算功能，得到研究區(qū)內(nèi)像元單元雪災(zāi)發(fā)生概率值P，并利用ArcGIS自帶的Natural Breaks(自然段點法)對其進行分級，見表6和圖3。整體來看，青海雪災(zāi)平均風(fēng)險呈現(xiàn)南高北低的趨勢，風(fēng)險高的區(qū)域主要集中在青南高原，從縣域單元看，分布于格爾木市、稱多縣、玉樹縣、囊謙縣、達日縣、甘德縣以及瑪沁縣等地，少數(shù)分布于北部的德令哈市、都蘭縣、門源縣、祁連縣等地。從地形地貌而言，西北部的柴達木盆地和東部的農(nóng)業(yè)區(qū)風(fēng)險較低，而海拔高于4000 m的山嶺地帶，即祁連山、昆侖山、唐古拉山、巴顏喀拉山、阿尼瑪卿山等地的風(fēng)險較高，其他地區(qū)為雪災(zāi)發(fā)生的一般地區(qū)。

圖2 青海雪災(zāi)風(fēng)險因子空間分布Fig.2 The spatial pattern of risk factor of Qinghai

3 結(jié)論與討論

本研究采用主客觀結(jié)合的方法分析影響青海省雪災(zāi)災(zāi)害的關(guān)鍵因素，結(jié)合Logistic回歸方法構(gòu)建青海雪災(zāi)綜合風(fēng)險評價回歸模型，該方法很大程度上減少了人為因素的影響。研究結(jié)果表明青海雪災(zāi)高風(fēng)險區(qū)主要集中在南部地區(qū)，即稱多縣、玉樹縣、囊謙縣、達日縣、甘德縣以及瑪沁縣等地，其中，高于4000 m的山嶺地帶， 即昆侖山、巴顏喀拉山、阿尼瑪卿山周邊成為雪災(zāi)發(fā)生的高頻率地區(qū)(尤其是巴顏喀拉山兩側(cè))，這與郝璐等[3]的研究基本一致，相反西北部的柴達木盆地和東部的農(nóng)業(yè)區(qū)為低風(fēng)險區(qū)域，這與已有的研究結(jié)果基本吻合[6-8]。造成青海南部地區(qū)風(fēng)險高，而柴達木盆地風(fēng)險低的原因，可以歸結(jié)為以下幾個方面：因青南地區(qū)海拔較高、溫度較低且草場豐富，同時受到來自東亞和印度季風(fēng)驅(qū)動的氣流影響，使得該區(qū)降雪較多且維持時間長[30]，而這是促進雪災(zāi)災(zāi)害發(fā)生的前提。此外，受到西西伯利亞冷空氣的入侵和高原低值系統(tǒng)的共同作用，使得該區(qū)易形成寒潮[31-33]。而柴達木盆地因地貌類型主要以沙漠為主，且四周被高山環(huán)繞，地形封閉，同時溫度較高、降雪量少[34-36]，因此雪災(zāi)風(fēng)險最低。

表6 青海雪災(zāi)風(fēng)險等級劃分Table 6 Risk level of the snow disaster in the Qinghai

圖3 青海雪災(zāi)平均風(fēng)險區(qū)劃Fig.3 Regionalization of average risk assessment of snow disaster in the Qinghai

本文通過Logistic回歸方法構(gòu)建雪災(zāi)災(zāi)害風(fēng)險取得了一定的成果，但這并不意味著該方法在其他區(qū)域也能取得較好的結(jié)果，所以我們應(yīng)根據(jù)研究區(qū)地域差異、氣候條件、經(jīng)濟發(fā)展水平及分析目的的不同，有側(cè)重的選擇影響雪災(zāi)發(fā)生的因素。研究收集了影響青海省雪災(zāi)發(fā)生的社會經(jīng)濟、自然及氣象共計19種因素，采用格網(wǎng)尺度和縣域尺度結(jié)合的方式來構(gòu)建風(fēng)險，雖具有一定的創(chuàng)新，但對于研究結(jié)果的分析會帶來一定的誤差。同時，本研究主要分析了青海2001-2007年時間序列雪災(zāi)災(zāi)害風(fēng)險的綜合情況，盡管可以反映出該區(qū)雪災(zāi)風(fēng)險的分布情況，但不利于指導(dǎo)氣象和預(yù)警研究。因此，在接下來的研究中，將會從更小尺度，如冬春季度、月、旬等來分析雪災(zāi)發(fā)生及風(fēng)險分布情況。此外，本研究使用多數(shù)研究者采用的GIS自帶的分級方法Natural Breaks法對雪災(zāi)災(zāi)害風(fēng)險分級[6-7]，雖然該方法可以直觀的顯示雪災(zāi)風(fēng)險不同的等級，但是缺乏一定的理論根據(jù)，不利于推廣，所以本項研究會在以后的工作中找到適合于研究區(qū)雪災(zāi)風(fēng)險模型的科學(xué)分級方法。

References：

[1] Li H H, Li X F, Zhang H Z,etal. Level indicators research of snow disaster in China’s pastoral areas. Journal of Qinghai Meteorology, 2006, (1): 24-28. 李海紅, 李錫福, 張海珍, 等. 中國牧區(qū)雪災(zāi)等級指標(biāo)研究. 青海氣象, 2006, (1): 24-28.

[2] Wen K G. Meteorological Disaster Chinese Ceremony, Qinghai[M]. Qinghai: China Meteorological Press, 2007. 溫克剛. 中國氣象災(zāi)害大典.青海卷[M]. 青海: 氣象出版社, 2007.

[3] Hao L, Gao J M, Yang C Y. Snow disaster system of grassland animal husbandry and control countermeasures. Pratacultural Science, 2006, 23(6): 48-54. 郝璐, 高景民, 楊春燕. 草地畜牧業(yè)雪災(zāi)災(zāi)害系統(tǒng)及減災(zāi)對策研究. 草業(yè)科學(xué), 2006, 23(6): 48-54.

[4] Lu A X, Feng X Z, Zeng Q Z. Study on the assessing parameter system and its classification of snow disaster in the pasture land of our country. Journal of Catastrophology, 1995, 10(3): 15-18.

[5] Liu D C, Qi J X. The effects of snow disaster on animal husbandry in Xinjiang. Arid Zone Research, 1997, 14(2): 51-55.

[6] He Y Q, Zhou B R, Zhang H J,etal. Assessment model on risk degree of snow disaster and its risk division in Qinghai Plateau. Pratacultural Science, 2010, 27(11): 37-42. 何永清, 周秉榮, 張海靜, 等. 青海高原雪災(zāi)風(fēng)險度評價模型與風(fēng)險區(qū)域探討. 草業(yè)科學(xué), 2010, 27(11): 37-42.

[7] Wang S J, Wei Y Q, Fang M. Integrated risk assessment of snow disaster in the Three Rivers Source Region, China. Acta Prataculturae Sinica, 2014, 23(2): 108-116. 王世金, 魏彥強, 方苗. 青海省三江源牧區(qū)雪災(zāi)綜合風(fēng)險評估. 草業(yè)學(xué)報, 2014, 23(2): 108-116.

[8] Bai Y, Zhang X M, Xu P H. The snow disaster risk assessment of animal husbandry in Qinghai Province. Journal of Qinghai Normal University, 2011, 27(1): 71-77. 白媛, 張興明, 徐品泓. 青海省畜牧業(yè)雪災(zāi)風(fēng)險評價研究. 青海師范大學(xué)學(xué)報, 2011, 27(1): 71-77.

[9] Liu X Y, Liang T G, Guo Z G,etal. Early warning and risk assessment of snow disaster in pastoral area of northern Xinjiang. Chinese Journal of Applied, 2008, 19(1): 133-138. 劉興元, 梁天剛, 郭正剛, 等. 北疆牧區(qū)雪災(zāi)預(yù)警與風(fēng)險評估方法. 應(yīng)用生態(tài)學(xué)報, 2008, 19(1): 133-138.

[10] Wang W, Liang T G, Huang X D,etal. Early warning of snow-caused disasters in pastoral areas on the Tibetan Plateau. Natural Hazards and Earth System Sciences, 2013, 13(6): 1411-1425.

[11] Zhang G S, Fu Y, Yan L D,etal. Study on warning indicator system of snow disaster and risk management in headwaters region. Pratacultural Science, 2009, 26(5): 144-150. 張國勝, 伏洋, 顏亮東, 等. 三江源地區(qū)雪災(zāi)風(fēng)險預(yù)警指標(biāo)體系及風(fēng)險管理研究. 草業(yè)科學(xué), 2009, 26(5): 144-150.

[12] Huang X D, Hao X H, Wang W,etal. Algorithms for cloud removal in MODIS daily snow products. Journal of Glaciology and Geocryology, 2012, 34(5): 1118-1126.

[13] Che T, Xin L, Jin R,etal. Snow depth derived from passive microwave remote-sensing data in China. Annals of Glaciology, 2008, 49(1): 145-154.

[14] Dai L Y, Che T, Wang J,etal. Snow depth and snow water equivalent estimation from AMSR-E data based on a priori snow characteristics in Xinjiang, China. Remote Sensing of Environment, 2012, 127(12): 14-29.

[15] Dai L Y, Che T, Ding Y J. Inter-calibrating SMMR, SSM/I and SSMI/S data to improve the consistency of snow-depth products in China. Remote Sensing, 2015, 17: 7212-7230.

[16] Fan H Y, Liu X L. Comparison and optimization of various non-dimensionalized methods based on comprehensive evaluation method-a case study of land development in Yongdeng Country of Lanzhou City. Hunan Agricultural Sciences, 2010, (17): 163-166. 樊紅艷, 劉學(xué)錄. 基于綜合評價法的各種無量綱化方法的比較和優(yōu)選——以蘭州市永登縣的土地開發(fā)為例. 湖南農(nóng)業(yè)科學(xué), 2010, (17): 163-166.

[17] Jiao L X. On methods of standardization management of index. Journal of Anhui Agrotechnical Teachers College, 1999, 13(3): 7-10. 焦立新. 評價指標(biāo)標(biāo)準(zhǔn)化處理方法的探討. 安徽農(nóng)業(yè)技術(shù)師范學(xué)院學(xué)報, 1999, 13(3): 7-10.

[18] Li M J, Chen G H, Chen Y T. Study on target standardization method of comprehensive evaluation. Chinese Journal of Management Science, 2004, (12): 45-48. 李美娟, 陳國宏, 陳衍泰. 綜合評價中指標(biāo)標(biāo)準(zhǔn)化方法研究. 中國管理科學(xué), 2004, (12): 45-48.

[19] Zhang H, Zhao Q H. An economic indicator screening method based on fundamental principle of principal components analysis. Journal of Shandong University of finance, 2013, 124(2): 52-61. 張輝, 趙秋紅. 基于主成分分析基本原理的經(jīng)濟指標(biāo)的篩選方法. 山東財經(jīng)學(xué)院學(xué)報, 2013, 124(2): 52-61.

[20] Zhang L J, Luo Z. The screening method of the performance evaluation index of listing company. Statistics and Decision, 2008, 270(18): 63-65. 張立軍, 羅珍. 上市公司經(jīng)營業(yè)績評價指標(biāo)的篩選方法. 統(tǒng)計與決策, 2008, 270(18): 63-65.

[21] Huang R Q, Xiang X Q, Ju N P. Assessment of China’s regional geohazards: present situation and problems. Geological Bulletin of China, 2004, 23(11): 1078-1082. 黃潤秋, 向喜瓊, 巨能攀. 我國區(qū)域地質(zhì)災(zāi)害評價的現(xiàn)狀及問題. 地質(zhì)通報, 2004, 23(11): 1078-1082.

[22] Zheng G Q. Basic Tutorial of Travel Survey[M]. Shanghai: Shanghai Renmin Chubanshe, 2010. 鄭國全. 旅游調(diào)查基礎(chǔ)教程[M]. 上海: 上海人民出版社, 2010.

[23] Xue W. SPSS Statistical Analysis Method and Application[M]. Beijing: Publishing House of Electronics Industry, 2013. 薛薇. SPSS統(tǒng)計分析方法及運用[M]. 北京: 電子工業(yè)出版社, 2013.

[24] Zhou W. Landslide Hazard Assessment Based on Logistic Regression and SINMAP Model in Bailong River Basin[D]. Lanzhou: Lanzhou University, 2012. 周偉. 基于Logistic回歸和SINMAP模型的白龍江流域滑坡危險性評價研究[D]. 蘭州: 蘭州大學(xué), 2012.

[25] Lulseged A, Hiromitsu Y. The application of GIS-based logistic regression for landslide susceptibility mapping in Kakuda-Yahiko Mountains, central Janpan. Geomorphology, 2005, 65(1/2): 15-31.

[26] Peter V, Paul G, Randy B. Spatial Prediction of Landslide Hazard Using Logistic Regression and GIS[C]. Banff, Alberta: 4th International Conference on Integrating GIS and Environmental Modeling(GIS/EM4): Problems, Prospects and Research Needs, 2000.

[27] Wang W D, Chen Y P, Zhong S. Landslides susceptibility mapped with CF and Logistic regression model. Journal of Central South University, 2009, 40(4): 1127-1132. 王衛(wèi)東, 陳燕平, 鐘晟. 應(yīng)用CF和Logistic回歸模型編制滑坡危險性區(qū)劃圖. 中南大學(xué)學(xué)報, 2009, 40(4): 1127-1132.

[28] Gregory C O, John C D. Using multiple logistic regression and GIS technology to predict landslide hazard in northeast Kansas, USA. Engineering Geology, 2003, 69(3/4): 331-343.

[29] Wang J C, Guo Z G. Logistic Regression Model-method and Application[M]. Beijing: High Education Press, 2001. 王濟川, 郭志剛. Logistic回歸模型——方法與應(yīng)用[M]. 北京: 高等教育出版社, 2001.

[30] Li S C, Li D L, Zhao P,etal. The climatic characteristics of vapor transportation in rainy season of the origin area of three rivers in Qinhai-Xizang Plateau. Acta Meteorologica Sinica, 2009, 67(4): 591-598. 李生辰, 李棟梁, 趙平, 等. 青藏高原“三江源地區(qū)”雨季水汽輸送特征. 氣象學(xué)報, 2009, 67(4): 591-598.

[31] Hong G L, Zhao X, Li F,etal. Snow disaster risk assessment of township population-livestock in Guoluo prefecture of Qinghai Province. Journal of Natural Disasters, 2015, 24(5): 246-253. 侯光亮, 趙霞, 李凡, 等. 青海省果洛州鄉(xiāng)級人口——牲畜雪災(zāi)風(fēng)險評估. 自然災(zāi)害學(xué)報, 2015, 24(5): 246-253.

[32] Xu Y H, Zeng H. The characteristics of the atmospheric environment of the Tibetan Plateau snow disaster. Sichuan Meteorological Journal, 1998, 66(4): 1-4. 徐裕華, 曾皓. 青藏高原雪災(zāi)的大氣環(huán)境場特征. 四川氣象, 1998, 66(4): 1-4.

[33] Li H M, Li L, Gao G,etal. Snow disaster in Qinghai Plateau: risk division and countermeasure. Journal of Glaciology and Geocryology, 2013, 35(3): 656-661. 李紅梅, 李林, 高歌, 等. 青海高原雪災(zāi)風(fēng)險區(qū)劃及對策建議. 冰川凍土, 2013, 35(3): 656-661.

[34] Wang J S, Li X F. Meteorological and Climate in Qinghai[M]. Beijing: China Meteorological Press, 2004. 王江山, 李錫福. 青海氣象氣候[M]. 北京: 氣象出版社, 2004.

[35] Li Y F, Yang T B. The temperature ascends in the Qaidam Basin in the past 50 years and global warming. Journal of Shangrao Normal College, 2005, 25(3): 105-109. 李永飛, 楊太保. 近50年來柴達木盆地升溫與全球變暖. 上饒師范學(xué)院學(xué)報, 2005, 25(3): 105-109.

[36] Shi X H, Zhao Y N, Dai S,etal. Research on climatic change of Qaidam Basin since 1961. Journal of Desert Research, 2005, 25(1): 123-128. 時興合, 趙燕寧, 戴升, 等. 柴達木盆地40多年來的氣候變化研究, 中國沙漠, 2005, 25(1): 123-128.

Comprehensive risk assessment of snow disasters in Qinghai Province

MA Xiao-Fang, HUANG Xiao-Dong*, DENG Jie, WANG Yun-Long, LIANG Tian-Gang

CollegeofPastoralAgricultureScienceandTechnology,StateKeyLaboratoryofGrasslandAgro-ecosystems,LanzhouUniversity,Lanzhou730020,China

We collected data on 19 factors, including social, economic, and meteorological factors, leading to snow disasters in Qinghai Province. A combination of subjective and objective methods was used to filter these data. Then, logistic regression models were used to further screen the initial factors and identify five risk assessment factors (per capita gross domestic product, annual average temperature, number of snow-covered days, maximum snow depth, and slope). These data were analyzed using ArcGIS to construct a snow disaster average risk zoning map from 2001-2007 for the Qinghai region, to illustrate the spatial distribution of different snow disaster levels. The results of the subjective and objective analyses indicated that the key factors leading to snow disasters were not only natural and meteorological factors, but also social economic factors. The average risk distribution of snow disasters, and risk factors (maximum snow depth, slope, number of snow-covered days) showed consistent trends, in contrast to the trends in the distribution of annual mean temperature and per capita gross domestic product. The risk of snow disasters was higher in the south and lower in the north of Qinghai Province. The high risk areas were mainly distributed in the south region of Qinghai Province including Chengduo, Yushu, Xiangqian, Dari, Gande, and Maqin, while the low-risk areas included the Qaidam Basin in the northwest and the eastern agricultural region. A high risk of snow disasters was associated with topography and geomorphology. Mountainous areas above 4000 m (including the Qilian, Kunlun, Tanggula, Bayankala, and Anyemaqen mountains) were high-risk areas for snow disasters in Qinghai Province.

Qinghai; the snow disaster risk; Logistic regression model

10.11686/cyxb2016108

http://cyxb.lzu.edu.cn

2016-03-09；改回日期：2016-04-28

國家自然科學(xué)基金項目(31372367)和國家重點基礎(chǔ)研究發(fā)展計劃項目(2013CBA01802)資助。

馬曉芳(1991-)，女，甘肅會寧人，在讀碩士。E-mail：ymaxiaofangy@163.com

*通信作者Corresponding author. E-mail：huangxd@lzu.edu.cn

馬曉芳, 黃曉東, 鄧婕, 王云龍, 梁天剛. 青海牧區(qū)雪災(zāi)綜合風(fēng)險評估. 草業(yè)學(xué)報, 2017, 26(2): 10-20.

MA Xiao-Fang, HUANG Xiao-Dong, DENG Jie, WANG Yun-Long, LIANG Tian-Gang. Comprehensive risk assessment of snow disasters in Qinghai Province. Acta Prataculturae Sinica, 2017, 26(2): 10-20.