高溫與干旱災害風險評估模型構建理論研究

李 成 楊 棚 陳燦偉

（中國移動通信集團廣東有限公司，廣東 廣州 510510）

1 引言

高溫災害主要是氣溫太高而引起人員、動植物不能適應的現象。高溫是一種災害性天氣，會對人們的工作、生活和身體產生不良影響，容易使人疲勞、煩躁和發(fā)怒，各類事故相對增多，甚至犯罪率也會上升，同時高溫時期是腦血管病、心臟病和呼吸道等疾病的多發(fā)期，死亡率相應增高，特別是老年人的死亡率增高更為明顯。而干旱是指長期無雨或少雨，使土壤水分不足、作物水分平衡遭到破壞而減產的氣象災害[1,2]。高溫和干旱都是人類面臨的主要自然災害，即使在科技發(fā)達的時代，它們造成的災難性后果仍然比比皆是[3,4]。值得注意的是，隨著人類的經濟發(fā)展和人口膨脹，水資源短缺現象日趨嚴重，高溫干旱災害越發(fā)常見[5,6]。因此，借助大數據模型構建等方法開展針對高溫與干旱災害的風險評估分析對于進一步提升高溫和干旱災害的應對能力愈發(fā)重要。

2 解決思路

本文提出一種高溫災害風險評估模型的構建方法，主要包括高溫災害事件集構建、高溫災害風險區(qū)劃模型構建、高溫災害風險區(qū)劃及風險評價分析等內容。同時，本文還提出了針對干旱災害的風險評估模型的構建方法，主要包括干旱指數構建、干旱災害風險區(qū)劃模型構建、干旱災害風險評價等。

2.1 高溫災害風險評估模型構建理論

2.1.1 高溫災害事件集構建

根據極值分布理論建立極端高溫分布函數，構建高溫災害事件集。擬選擇Pearson-III 型分布、Gumbel 分布、Weibull分布、對數正態(tài)分布等極值分布理論預測不同重現期下某區(qū)域各市（縣）級的高溫災害致災因子強度，構建極端高溫分布函數。

（1）Pearson-III型分布及參數估計

皮爾遜Ⅲ型分布也稱Γ分布，具有廣泛的概括和模擬能力，其概率密度函數和分布函數分別為：

式中：β為形狀參數；a為尺度參數；b為位置參數；x為隨機變量，f(x)為概率密度函數；Γ(β)為β的γ分布函數。3個原始參數，可以用基本參數m、Cs、Cv表示如下：

式中，m為數學期望；Cs為偏態(tài)系數；Cv為變差系數。

由此，可以推算得到要素的氣候重現期：T=1/P。

（2）Gumbel分布及參數估計

耿貝爾分布又稱第I 型極值分布。1928 年，費雪（R.A.Fisher）和蒂培特（L.H.C.Tippett）認為極值分布將趨于三種極限形式中的一種，具體由形式參數K確定，當K為0 即為耿貝爾分布。原始分布為指數型分布時，樣本極值漸近服從耿貝爾分布，其分布函數[F(x)]為：

式中，a為尺度參數；b為位置參數。

根據矩法進行參數a和b的估計，計算公式如下：

重現期為P（概率為1/P）時：

（3）Weibull分布及參數估計

威布爾分布又稱第三型極值分布，其分布函數如下：

式中：β為形狀參數；a為尺度參數；b為位置參數。

（4）對數正態(tài)分布及參數估計

假定極值變量的對數服從正態(tài)分布，設X為極值變量，x為其取值，它的對數Y=lnX服從正態(tài)分布，概率密度函數如下：

式中：參數my和σy可分別用Y序列的平均值和標準差來估計。

2.1.2 高溫災害風險區(qū)劃模型構建

采用國際通用的自然災害風險概念和分析方法，從高溫致人體健康風險的構成出發(fā)，分別計算某區(qū)域高溫致災危險性指數、暴露度指數、承災體敏感性指數和適應性指數，從而構建定量化的高溫致人體健康風險區(qū)劃模型，如圖1所示。

圖1 高溫致人體健康風險區(qū)劃模型

（1）高溫致災危險性指標及權重確定分析

某區(qū)域高溫對人體健康影響的危險性，主要體現在高溫的頻率、強度和持續(xù)時間方面，高溫頻率越高、強度越大、持續(xù)時間越長，對人體健康造成的潛在危害越大。因此，根據歷史及實時高溫資料，選擇極端最高氣溫、高溫日數、高溫最長持續(xù)日數等因子建立高溫熱浪致人體健康危險性指標體系。

采用專家打分法確定危險性指標權重，具體程序如下：

a.選擇5～7位有較高權威性和代表性的專家；

b.確定影響因素，設計因素價值分析對象征詢意見表；

c.向專家提供高溫熱浪致人體健康危險性的背景資料，以匿名方式征詢專家意見；

d.對專家意見進行分析匯總，將統(tǒng)計結果反饋給專家；

e.專家根據反饋結果修正自己的意見；

f.經過多輪匿名征詢和意見反饋，形成最終分析結論，得到各指標權重。

（2）高溫暴露度指數分析

通常來說，人口密度越大的地區(qū)，遭受高溫災害風險的暴露度就越大，人體健康風險也就越大。結合第七次全國人口普查數據資料，選擇人口密度作為暴露度指標，并對指標值進行空間極差標準化處理，處理方法為：

式中，Z為標準化值，X為暴露度指標值的多年平均值，Xmin和Xmax分別為暴露度指標值的最小值和最大值。

（3）高溫敏感性指標及權重確定分析

人體健康受高溫影響的敏感性，主要體現在高溫熱浪發(fā)生時人體的生理、心理和行為上的異常反應程度。大量研究發(fā)現，某些人群更容易受到包括高溫等極端天氣氣候事件在內的氣候變化的影響，例如，相對于青壯年，老年人和嬰幼兒由于自身的生理調節(jié)功能較弱，更容易受到高溫的危害；低收入的戶外體力勞動者、“靠天吃飯”的農業(yè)（含漁業(yè)）等從業(yè)人員，對高溫的敏感性更高。因此，本項目擬選定老年（年齡≥65歲）人口比例、兒童（年齡≤14歲）人口比例等因子作為高溫致人體健康敏感性的指標體系，并采用專家打分法確定各指標的權重系數，操作程序類似危險性指標權重確定程序。

（4）高溫適應性指標及權重確定分析

人體健康受高溫影響的適應性，主要體現在居住環(huán)境、醫(yī)療衛(wèi)生條件以及受教育程度等方面。對于具有良好的社會管理水平、先進的醫(yī)療衛(wèi)生體系、受到良好教育的群體而言，其抵抗自然災害的能力和恢復能力越強，適應水平越高。具有更多財務積累的人群，一般也可以有更多的資源選擇用于抵御自然災害，例如，具有更好的經濟狀況的人群，可以通過改善其住房條件、使用空調等調節(jié)和改善氣候環(huán)境途徑，緩解高溫熱浪可能對其產生的危害。因此，擬選用人均GDP、每千人醫(yī)療衛(wèi)生技術人員比例等因子作為高溫致人體健康適應性的指標體系，同樣采用專家打分法確定上述因子的權重系數。

（5）高溫致人體健康綜合風險區(qū)劃模型構建

國際通用的自然災害風險一般由危險性、暴露度和脆弱性3種因子構成，而敏感性和適應性是脆弱性的重要組成部分，故將高溫致人體健康綜合風險區(qū)劃模型可表示為：

其中，R為綜合風險，H、E、S和A分別為危險性、暴露度、敏感性和適應性。R值越大，表示風險程度越高；H、E、S值越大，分別表示人體的危險性、暴露度、敏感性越高；A值越大，表示人體的適應能力越弱，因此，在實際計算中采用適應性指數的倒數來表示與R變化方向一致。

基于前文對危險性、暴露度、敏感性和適應性的指標及權重確定分析服務，采用加權綜合指數法分別給定危險性、暴露度、敏感性和適應性的定量化指數，計算方法如下：

式中，X為指數值，D為各指標值，W為各指標所對應的權重系數，k為指標個數。

計算得到危險性、暴露度、敏感性和適應性的指數值后，采用層次分析法確定上述4個因子的權重系數。層次分析法計算方法如下：

將高溫風險作為頂層；將危險性、暴露度、敏感性和適應性4 種因子作為中層，除了暴露度之外將構建中層其他3 種因子的多項指標作為底層，詳見圖2。

圖2 基于層次分析法的指標劃分

最后，基于風險因子確定某高溫致人體健康風險指數，定量化評估某個地區(qū)高溫對人體健康影響的風險差異，計算公式如下：

式中，h、e、s和a分別為危險性、暴露度、敏感性和適應性的權重系數。

2.1.3 高溫災害風險區(qū)劃及風險評價分析

基于風險度等級指數，對某地區(qū)高溫致人體健康風險進行等級（低等、中等、高等）劃分，編制某區(qū)域高溫致人體健康危險性指數等級空間分布圖、某區(qū)域高溫致人體健康暴露度指數等級空間分布圖、某區(qū)域高溫致人體健康敏感性指數等級空間分布圖、某區(qū)域高溫致人體健康適應性指數等級空間分布圖、某區(qū)域高溫致人體健康綜合風險區(qū)劃圖等。然后，根據某區(qū)域高溫致人體健康綜合風險區(qū)劃圖（圖3），對高溫災害進行風險分析，便于提供針對性的高溫防御措施建議。

圖3 高溫致人體健康綜合風險區(qū)劃圖

2.2 干旱風險評估模型構建理論

2.2.1 干旱指數構建

基于降水、土壤濕度、日照等數據，構建合理、適用的氣象干旱監(jiān)測指數。

（1）單站逐日氣象干旱指數

單站逐日氣象干旱指數DI（Daily dry Index）定義為：

式11 中SAPI(i)是第i日前期降水指數API（Antecedent Precipitation Index）的標準化變量SAPI（Standard Antecedent Precipitation Index），SAPI標準化計算方法參見《氣象干旱等級》國家標準（GB/T 20481—2006）附錄C 標準化降水指數SPI計算方法，歷史樣本資料為各站近30a（1981—2010）逐日API。API計算公式為：

式12 中API(i)為第i日API，P(i)為當日降水量（mm），API(i-1)為前一日的API，k為衰減系數，取經驗值0.955。每個站從建站開始逐日滾動計算API，初始API設為0。建站開始后的頭4個月API受邊界效應影響舍棄不用。

第一步：逐站計算1981—2010 年逐日相對濕潤度指數M：

式13中P(i)為逐日降水量，單位為毫米；PE(i)為可能蒸散量，單位為毫米，采用FAO Penman-Monteith 方法計算，參見《氣象干旱等級》國家標準（GB/T 20481—2006）附錄B。

第二步：計算M(i)的30 年平均值，i=1～365，表示一年中日序號，閏年2月29日取3月1日值。

（2）單站月氣象干旱指數

單站月氣象干旱指數MI（Monthly Index）用于評價單站月尺度氣象干旱程度。MI 定義為該站月內小于0 的逐日干旱指數DI之和除以月總天數，即：

式中n為月內總天數。

（3）某區(qū)域月干旱指數

某區(qū)域月干旱指數MIg（Monthly Index of Guangdong）用于評價區(qū)域月干旱程度。MIg 定義為區(qū)域內所有氣象站月干旱指數之平均，即：

2.2.2 干旱災害風險評價

繪制某區(qū)域干旱災害風險區(qū)劃圖（圖4）。基于風險度等級指數，對某地區(qū)干旱災害影響風險進行等級（低等、中等、高等）劃分和風險分析，便于提供針對性的干旱防御措施建議。

圖4 干旱災害風險區(qū)劃圖

3 研究結論

本文通過大數據分析模型提出了一些針對高溫和干旱災害的風險評估模型。通過借助相關監(jiān)測數據的分析，結合數學算法模型，生成災害風險區(qū)劃圖，以支撐開展災害動態(tài)監(jiān)測和風險評估，可幫助進一步提升針對高溫和干旱災害的風險識別和應急搶險救援能力，縮短應急決策時間，更加有效保障人民群眾生命安全和糧食作物農產品的生產安全。