1. 引言
雷电灾害作为自然界中影响人类活动的最重要灾害之一,已经被联合国列为“最严重的十种自然灾害之一”。据统计,1998年至2008年期间我国平均每年发生3700余起雷灾事故,涉及电力、通信、林业、建筑、航空航天、石油等行业 [1] [2] 。为了提高我国抵御自然灾害的能力,我国于2019年8月启动了全国自然灾害风险普查,要求对全国、省、市、县进行不同尺度的风险评估,开展风险区划和防治区划的制定 [3] 。
此前已有多名国内专家对雷灾综合风险进行多方面的研究,主要是通过分析人口、自然环境和经济状况等要素,结合多年雷电观测资料,使用致灾因子危险性、孕灾环境敏感性、承灾体易损性、经济损失模数和生命损失模数等评价指标,对研究区域进行综合评估并给出雷灾易损性区划。目前比较常见的有层次分析法 [4] [5] [6] 、投影寻踪法 [7] 、聚类分析 [8] 。以上对雷电灾害的分析都能给出雷电灾害风险区划,但由于研究的精度不够,且对社会统计数据及遥感数据利用较少,精细化程度仍可提高。因此本文利用长三角地区3年的雷电资料,结合社会统计数据、遥感数据从致灾因子危险性、孕灾环境敏感性、承灾体易损性三个方面构建雷电灾害风险评估模型,对长三角地区进行精细化研究。由于人口、经济等数据通常以县级为单位进行收集统计,空间尺度大、分辨率过低导致灾害区划缺乏精细程度,因此需要引入数据空间化的方法来解决这个问题。此前已有多名专家对空间化方法进行了研究,Sutton [9] 等第一次利用美国国防气象卫星计划和运行线性扫描系统(Defense Meteorological Sate-llite Program/Operational Linescan System, DMSP/OLS)稳定灯光数据和土地覆盖数据并得到了全球1 km格网GDP分布图。LU [10] 等在2008年提出的人居指数法采用夜间灯光与归一化植被指数(Normalized Difference Vegetation Index, NDVI)数据相互融合,可以直接反演人口分布情况并用以灾害区划研究。吴安坤等 [11] 利用DMSP/OLS夜间灯光数据、以道路密度修正LU构建的人居指数模型对贵阳雷电灾害风险评估。杨续超 [12] 等结合实际情况引入数字高程(Digital Elevation Model, DEM)进行修正,提出适合浙江省的人居指数模型。陈倩 [13] 等通过修正人居指数模型对长三角地区进行高温灾害风险研究。本文使用长三角2014~2020年闪电检测数据,基于统计年鉴资料、土地覆盖数据、NDVI、DMSP/OLS夜间灯光及DEM数据,建立人口、GDP数据空间化模型,结合道路网密度修正人居指数模型,对长三角地区雷电灾害进行精细化评估。
2. 数据来源
2.1. 研究数据
研究使用的资料包括以下内容:1) 雷电定位仪数据,来源于上海市、江苏省、浙江省、安徽省2018-2020年长三角地区ADTD闪电定位仪3年的雷电数据;2) DEM数据,来源于地理空间数据云提供的GDEMV3 30M产品;3) 土地利用类型数据,来源于武汉大学杨杰、黄昕两位教授的研究成果 [14] ;4) 经济和人口数据,来源于中国科学院地理科学与资源研究所中徐新良的2019年数据 [15] [16] ;5) 土壤电导率数据,来源于南京土壤研究所土壤电导率数据(2010年);6) 社会统计数据,来源于2022年上海、江苏、浙江、安徽统计年鉴。7) NVDI数据,来源于中国科学院资源环境科学数据中心提供的2020年300 m产品。由于DEM和土地利用类型为30 × 30 m的数据,因此采用Arcgis内的邻近算法将DEM和土地利用类型重新融合进1 × 1公里内,让数据精度变高的同时统一区划尺寸。
2.2. 长三角概况及雷暴日分布特征
中国最新的行政区划中长三角地区包括了江苏、安徽、浙江、上海,为我国最大的经济核心区之一。该辖区面积虽仅占国土面积的3.8%,但年均GDP占全国近1/4,人口约占全国1/6。长三角主要为亚热带季风气候,四季分明,夏季暖热多雨、冬季低温干燥。海拔较高的区域位于皖西大别山区、皖南山区、浙江西南群山,江苏及上海地势平坦,平均海拔在50 m以下。图1则是长三角地区城市雷暴日分布情况,从图中可以看出,长三角地区处于强雷区、多雷区、中雷区的城市分别为6个,8个,17个,9个。
3. 空间化
3.1. 人口空间化
LU等采用夜间灯光数据与NDVI相互融合,提出了人居指数(Human settlement index, HSI)概念模型,研究的结果表明夜间灯光遥感数据与NDVI数据有很强的互补性,人居指数模型如下:
(1)
![](//html.hanspub.org/file/68-1701169x9_hanspub.png?20231219084816640)
Figure 1. Distribution of thunderstorm days in Yangtze River Delta cities
图1. 长三角城市雷暴日分布
(2)
其中,
为NDVI的最大值,为经归一化处理的DMSP/OLS夜光强度,
和
分别为DMSP/OLS夜光强度最大值和最小值。
经过多名学者研究发现,该方法存在极亮像元、背景噪声等缺点 [17] ,DMSP/OLS夜间灯光数据也是如此。虽然DMSP/OLS数据的DN值范围在0~63之间,但是对于大部分城市来说,DN值最大为63,但是地表的可见光–近红外辐射都高于遥感识别的最大值,DN值不随辐射值增大而增加,即产生了饱和现象。为缓解过饱和问题,采用EVI增强植被指数调整后的夜间灯光指数EANTLI来对DMSP/OLS进行修正。EANTLI是由卓莉 [18] 提出的,通过将增强型植被指数(the Enhanced Vegetation Index, EVI)和DMSP/OLS融合,减少了饱和现象的同时还增强了夜间灯光强度的变化,解决了城市中心夜间灯光过饱和的问题。EANTLI计算公式如下所示:
(3)
式中,EVI表示年平均EVI值,NTL表示DMSP/OLS像元DN值,nNTL为DMSP/OLS归一化值。
将人口统计数据以及处理后的夜间灯光数据按照模型进行反演,图2为人口数据空间化路线图。
![](//html.hanspub.org/file/68-1701169x15_hanspub.png?20231219084816640)
Figure 2. Road map for the spatialization of population
图2. 人口空间化路线图
![](//html.hanspub.org/file/68-1701169x16_hanspub.png?20231219084816640)
Figure 3. Habitat index fitting results
图3. 人居指数拟合结果
![](//html.hanspub.org/file/68-1701169x17_hanspub.png?20231219084816640)
Figure 4. Road density distribution map
图4. 道路密度分布图
将经过处理的夜间灯光数据与NVDI数据放入Arcgis中,通过转换投影和归一化处理后通过公式(1)计算出HSI,然后将HSI与平均人口密度通过SPSS进行线性回归,得到人居指数拟合结果(图3)。通过人居指数的拟合R2达到0.897,修正长三角人口模拟误差,公式如下:
(4)
(5)
(6)
式中,AE为长三角地区人口模拟平均误差,XE为各市模拟单个误差,
为各市人口模拟值,
为各市人口统计值,n为长三角地区市个数。
根据(1)、(4)、(5)、(6)模拟出来的人口跟统计数据之间的平均相对误差在32.28%,跟实际值差距过大,因此引入道路密度对人居指数进行修正。通过Arcgis对长三角地区道路进行裁剪合并后得到长三角道路密度分布图(图4),然后使用SPSS内对道路密度和人口密度进行指数函数拟合,道路密度和人口密度关系分布图如图5所示,其回归方程拟合优度R2 = 0.735,呈现较高的正相关,利用拟合关系建立人居指数修正方程:
(7)
式中,
为经过道路密度R修正后的人居指数;
为浙江省经过道路密度和DEM修正后的人居指数。
建立的人居指数方程如式(7)所示,基于道路密度修正的结果与统计数据之间的平均误差为30.24%。但是在拟合过程中发现浙江省海拔较高的地区误差较大,并且通过浙江省高程与人口密度的拟合优度R2 = 0.647,因此采用高程对浙江省进行拟合,建立人居指数拟合公式如下所示:
(8)
![](//html.hanspub.org/file/68-1701169x27_hanspub.png?20231219084816640)
Figure 5. Relationship between road density and population density
图5. 道路密度与人口密度关系
利用线性纠正方程对长三角人口进行修正,公式如下:
(9)
式中,G为空间化结果;
为模拟得到的栅格值;
和
为对应区域的统计值和模拟值。
最后通过综合拟合后,分析得到的长三角地区模拟人口分布与统计数据之间的相对误差为25.42%。经过空间化的人口密度分布图如图6所示。
![](//html.hanspub.org/file/68-1701169x32_hanspub.png?20231219084816640)
Figure 6. Population density distribution map of Yangtze River Delta
图6. 长三角人口密度分布图
3.2. GDP空间化
GDP作为反映社会经济发展状况的重要指标,与社会生产活动有着密切的联系。结合第一、二、三产业特点,采用土地覆盖分类、夜间灯光数据进行反演,GDP数据空间化路线如图7所示。
通过Arcgis创建渔网工具建立格网,统计格网内农、林、渔、牧的面积,建立第一产业反演模型;第一产业总值用GDP1表示:
(11)
(12)
式中,
为某产业对应系数;
为第k种土地利用类型产值;
为某市第k种土地利用类型总产值;
第k种土地利用类型每平方公里面积;
某市第k种土地利用类型总面积。
将各市第一产业统计值与耕地、林地、草地、水域面积进行多元回归分析,耕地、林地、草地、水域对应的系数分别为0.043、0.032、0.032、0.046,拟合优度R2 = 0.972。利用式(5)、(6)与各市第一产业统计值比较计算平均相对误差为4.87%。
长三角第二、三产业的活动主要在建筑用地,通过格网统计,将建筑用地与夜间灯光进行拟合,第二产业和第三产业与夜间灯光的拟合优度分别为0.946和0.850,通过多元回归分析,得到以下反演模型:
(13)
式中,
为第i个栅格夜间灯光值;
为第i个栅格每平方公里建筑用地面积。
长三角地区GDP由第一、第二以及第三产业叠加获得,得到的GDP分布结果如图8所示。所拟合的GDP与统计值的平均误差为24.30%,利用公式(9)修正后最终得到的长三角GDP分布图如图8所示。
![](//html.hanspub.org/file/68-1701169x44_hanspub.png?20231219084816640)
Figure 8. Distribution of GDP in Yangtze River Delta
图8. 长三角GDP分布图
4. 雷电灾害风险评估
4.1. 雷电风险评估模型的建立
根据灾害学理论,灾害的发生由致灾因子、孕灾环境、承灾体共同作用,因此本次研究基于雷电灾害风险指数LDRI (lightning Disaster Risk Index)来表示风险程度,LDRI计算公式如下所示:
(14)
其中,RH、RE、RF分别为雷电灾害风险指数中的致灾因子危险性、承灾体暴露度和承灾体脆弱性,wh、we、wf为各评价因子的权重。
4.2. 风险评估方法
致灾因子危险性主要考虑地闪强度和地闪密度两个指标。根据长三角地区2014~2020年闪电定位仪资料,利用百分位数法对雷电进行分级。
(15)
式中,Fi为每个网格第i个等级出现的频次;Ln为地闪强度指数。地闪强度越大,地闪密度越高,雷击危险性越大。
孕灾环境则考虑DEM、起伏度、电导率三个指标。起伏度由Arcgis对DEM通过焦点统计工具经过处理获得;长三角电导率则由南京土壤研究所土壤电导率数据通过Arcgis工具提取获得。
承灾体易损性则通过城镇化率以及空间化后的人口密度、GDP密度3个指标进行计算。
4.3. 雷电灾害评估权重确定
层次分析法(Analytic Hierarchy Process,简称AHP)是由美国运筹学家Saaty教授提出的。层次分析法包括构造判断矩阵,一致性检验和权重分配。权重分配则按照《C-07_全国气象灾害综合风险普查技术规范–雷电》5.2.3规定的方法进行划分,具体如表1所示。
![](Images/Table_Tmp.jpg)
Table 1. Weight of lightning disaster risk assessment index in Yangtze River Delta Region
表1. 长三角雷电灾害评估指标权重
经过一致性检验,CR = 0.006 < 0.1,无显著性差异。
5. 结果与讨论
根据各指标权重结合雷电灾害风险评估模型,将上述所有评价层要素经归一化处理后通过Arcgis内自带的栅格计算器进行叠加计算后得到长三角地区致灾因子危险性、孕灾环境敏感性、承灾体易损性区划,如图9所示。
![](//html.hanspub.org/file/68-1701169x47_hanspub.png?20231219084816640)
![](//html.hanspub.org/file/68-1701169x48_hanspub.png?20231219084816640)
![](//html.hanspub.org/file/68-1701169x49_hanspub.png?20231219084816640)
![](//html.hanspub.org/file/68-1701169x50_hanspub.png?20231219084816640)
Figure 9. Distribution of lightning risk, disaster environment, vulnerability of hazard bearing body and Aggregate assessment in Yangtze River Delta
图9. 长三角雷电灾害致灾因子、孕灾环境、承灾体易损性区划图及综合评估图
长三角雷电灾害致灾因子危险性主要受地闪密度和地闪强度的影响,图9表明长三角雷电灾害致灾因子危险性呈现南高北低的分布态势。高值区主要分布在绍兴市、宁波市、台州市、金华市、宣城市、安庆市、镇江市、连云港市西部等地。孕灾环境主要受海拔高度、地形起伏度以及土壤电导率的影响,海拔越高、地形起伏度越大、土壤电导率越小,越容易发生雷电灾害。从孕灾环境敏感性区划图中可以看出,高敏感区分布得比较密集,主要分布在丽水市、温州市、台州市、宁波市、宣城市南部、黄山市中部、池州市东部、杭州市东北部、安庆市西北部、六安市西南部等海拔较高的地区,中值区主要也分布在这些较高海拔处附近。承灾体易损性考虑长三角人口、GDP以及城镇化率3个因素,经济越发达、人口越密集、城镇化率越高,受灾时损失越大。从图中可以看出,上海市、苏州市、合肥市、南京市、宁波市、无锡市市区、杭州市东北部等地区易损性较高,中值区主要包括苏州周边以及无锡、南京、杭州市。
结合长三角致灾因子、孕灾环境、承灾体三个方面,通过Arcgis内栅格计算器计算后可以得到长三角地区雷电灾害风险区划图。根据结果可知,高和次高风险地区主要分布在两种区域,一种是雷电发生较多的地区,如舟山市、宁波市、绍兴市、台州市、六安市西南部、安庆市西北部等,这些地区需要对雷电进行重点防御;还有一种是经济发达、人口密集的城市,当雷电灾害发生时造成的损失较大,主要是上海市、南京市、无锡市、合肥市等发达城市,需重点防护。中风险地区也分布在这些地区以及城镇化率高的市区附近,低风险地区主要分布在江苏省北部,安徽省西部、嘉兴市等雷电发生频率较少的市县。
6. 结论
本文使用遥感数据和社会统计数据对长三角承灾体进行空间化处理,建立了长三角雷电灾害风险评估模型,研究结果如下:
1) 对长三角地区人口以及GDP进行空间化处理,在增加评估精度的同时也使评估中数据更符合现实。最终得到的空间化结果与实际统计值误差在28%左右,可以得到承灾体空间分布情况。此外,本文还引入了DSMP夜间灯光数据的预处理,增加了夜间灯光的精度。
2) 本文选取了8个指标通过Arcgis对长三角雷电灾害进行叠加评估分析,但对于雷电指标的评估选择还有待讨论,如雷电会受到附近水域密度、植被密度的影响,在未来的区划还需要进一步考虑。
基金项目
国家自然科学基金项目(41905026);江苏省自然科学基金资助项目(BK20170945);南京信息工程大学人才启动基金资助项目(2016r028);江苏省333工程高层次人才培养资助(第三层次)。
NOTES
*通讯作者。