青海牧区雪灾综合风险评估

马晓芳，黄晓东，邓婕，王云龙，梁天刚

(兰州大学草地农业科技学院，草地农业生态系统国家重点实验室，甘肃 兰州 730020)

青海牧区雪灾综合风险评估

马晓芳，黄晓东*，邓婕，王云龙，梁天刚

(兰州大学草地农业科技学院，草地农业生态系统国家重点实验室，甘肃 兰州 730020)

本研究收集了影响青海省雪灾发生的社会经济、自然及气象共计19种因素，通过主客观结合的方法筛选基础因子，再利用Logistic回归模型自我挑选变量功能对初始因子进一步筛选，得到五项风险评价因子，即人均GDP、年均温、最大雪深、积雪覆盖日数及坡度，最后基于ArcGIS平台得到青海地区2001-2007年的雪灾平均风险区划图，并对其划分等级，分析不同雪灾等级在空间上的分布特征。得到以下结论：1)通过主客观的分析方法，得到诱发雪灾形成的关键因素与自然因素、气象因素、社会经济等因素有关；2)青海雪灾平均风险分布与风险因子最大雪深、坡度、积雪覆盖日数具有基本一致的趋势，而与年均温和人均GDP 的分布趋势相反；3)青海地区平均雪灾风险呈现南高北低的态势，其中高风险区主要分布在研究区南部的称多县、玉树县、囊谦县、达日县、甘德县以及玛沁县等地，相反，西北部的柴达木盆地和东部的农业区为低风险区；4)受地形地貌的影响，4000 m以上的山岭地带，即祁连山、昆仑山、唐古拉山、巴颜喀拉山、阿尼玛卿山等为青海雪灾高风险分布之地。

青海；雪灾灾害风险；Logistic回归

牧区雪灾是我国发生频率最高，影响最为严重的一类雪灾，主要是指因降雪量过多或积雪过厚，草场被积雪掩埋，牲畜无法到达草场或无其他食物来源，从而导致牲畜掉膘或者死亡的自然现象[1]。在我国，雪灾灾害的发生受到时间与空间的限制，从时间尺度来看，它的发生时期一般是从当年的10月开始到次年的4月结束[2]，从空间层面而言，雪灾主要活跃于高海拔、高纬度以及天然草场丰富的地区，即内蒙古、新疆、青海、西藏等地[3]。雪灾还具有快速性、持久性，影响范围广泛、危害程度大等特点[4-5]。

青海处于青藏高原的东北部，因受到高原特殊地理环境及气候条件的影响，冬春两季时常遭受到雪灾的侵袭。已有的研究资料表明，1949-2002年青海省共发生29次雪灾，11次较严重雪灾和5次特大雪灾，从分布来看，青海南部地区雪灾事件的发生频率最高、最广泛[6]。雪灾状况的严峻形势，直接影响到青海农牧业，甚至是国民经济的发展。因此，了解雪灾灾害的致灾因素、位置以及发生强度等，对于开展防御和灾后管理工作，具有重要的意义。

近些年来，随着各种监测手段和处理技术的进步，雪灾风险评估已经成为国内学者的研究热点。何永清等[6]选取气象、社会经济、畜牧等影响雪灾的因子，基于GIS平台，创建了青海地区雪灾风险区划图；王世金等[7]通过分析雪灾风险的成因，选取平均雪深、坡度、牲畜密度、冬春超载率、积雪天数、产草量、雪灾重现率、地区GDP及农牧民纯收入等9项因子，利用Logistic回归方法，建立了三江源地区雪灾综合评估模型。白媛等[8]通过青海省雪深数据与雪灾灾情案例数据，得到该区雪灾风险评价模型，并分析了不同致灾水平下的雪灾损失风险情况。刘兴元等[9]通过分析北疆牧区的雪灾状况，从积雪致灾体、家畜承灾体、草地抗灾体等3个方面选出9个因素作为雪灾预警的影响因子，并利用多层次综合法与目标线性加权函数法，创建了雪灾预警模型和风险评估模型。Wang等[10]综合青藏高原45场雪灾案例数据、积雪遥感监测数据、气象数据、社会经济数据等，利用主成分分析法筛选出雪灾预警的关键指标，结合多元非线性回归模型，构建了基于县域单元的青藏高原雪灾预警模型，同时提出了基于格网单元的雪灾风险评价方法。张国胜等[11]通过分析雪灾的诱发因素，采用各因素叠加运算的方法，构建了三江源地区越冬期雪灾风险预警指标体系；以上关于青海雪灾状况的研究，不同学者采用了不同的方法，均得到了一定的成果。

以往学者对雪灾风险的评估，主要倾向于自然因子方面，且大多数采用的是多指标加权综合法，这不仅忽视了雪灾致灾成因是社会经济、自然条件、家畜状况等多种因素综合作用的结果，而且因受到人为因素的影响使得评价结果不够客观。因此，本文在已有研究成果的基础上，将社会经济数据等列入雪灾影响因子中，完善雪灾风险评估及监测基础数据，并采用Logistic回归方法分析青海雪灾灾害平均风险状况，为进一步进行青海省雪灾预警研究奠定坚实的基础。

1 材料与方法

1.1 研究区概况

青海省处于青藏高原的东北部，地理位置介于东经89°35′-103°04′，北纬31°9′-39°19′之间，平均海拔3500 m以上(图1)。因该省是我国许多大河的发源地，即黄河、长江、澜沧江等，故有“中华水塔”之美称。青海地势具有自西向东降低的趋势，以青南地区最为显著，且地形复杂多样，呈马鞍形分布格局。其中，北部为山地，南部为青南高原，西北部是柴达木盆地，而东部为谷地。因受到地理要素及气候条件，如海拔、地形地貌、大气环流等的影响，青海形成了典型的高原大陆性气候，主要表现为气温低且随海拔增高而递减，最低气温分布在青海南部以及祁连山等地势高的地区，最高气温出现在柴达木盆地和东部的谷地；降水分布地域差异显著，随海拔增高而递增；研究区大部分地区盛行偏西风，其中平均大风日数最多的是西南部地区，而西北部与东部地区最少。基于此背景，认识和掌握青海省雪灾的主要诱发因子及其演变情况，对减轻雪灾损失，保障畜牧业可持续发展具有重要的理论意义与实用价值。

图1 研究区位置图Fig.1 Location of the study area

1.2 研究数据

根据雪灾风险系统的成因及其研究目的，选用的数据主要包含以下几类：

(1)统计年鉴数据：依据青海省及相应地(州、市)2001-2007年的年鉴及统计年鉴，整理了各县经济水平、牲畜状况等统计资料，如地区生产总值、人均GDP、人口密度、公路密度、年初存栏数、载畜力等。

(2)雪灾案例数据：根据中国气象灾害大典(青海卷)和2001-2007年的雪灾发生记录，整理得到该省共发生雪灾事件33次，并以县级行政区划为基本单元，统计出前冬雪灾概率和牲畜死亡情况等。

(3)气象数据：气象数据来源于中国气象科学数据共享服务(http://cdc.cma.gov.cn)，包括日均温、日降水量、风速、坡度等。

(4)数字高程模型：根据90 m空间分辨率的数字高程模型提取坡度，从地形因素分析雪灾状况。

(5)植被分类数据：选用2001-2007年MCD12Q1产品中的国际地圈生物圈计划(IGBP)分类数据集，其空间分辨率为500 m。MCD12Q1产品是MODIS Aqua和Terra卫星于2008年合成的年度土地覆盖分类产品，可从USGS网站(http://www.usgs.gov/)下载得到。

(6)积雪遥感数据：雪盖产品来源于中国西部环境与生态科学数据中心，由Huang等[12]开发的青藏高原地区MODIS逐日无云积雪产品(2002-2010年)。雪深数据是来源于该数据中心的中国长时间序列数据集，由Che等[13]和Dai等[14-15]利用美国国家雪冰数据中心(NSIDC)处理的被动微波传感器SSM/I(1987-2008年)和AMSR-E(2002-2010年)亮度温度资料反演得到，其空间分辨率为25 km。SSM/I(Special Sensor Microwave/Image)是美国国防气象卫星计划(DMSP)卫星所携带的星载微波辐射计，而AMSR-E是搭载在美国地球观测系统(EOS)AQUA卫星上的微波扫描辐射计。

以上所用数据的来源和空间分辨率不同，为减小实验误差对分析结果的影响，对所有数据采用GIS栅格数据类型并重采样为500 m，同时将坐标系统配准为Alberts坐标系统。

1.3 指标归一化

多指标综合评价中，因各指标涵盖的物理意义大不相同，若置于同一标准下计算，会影响结果的评估，因此，需要对指标进行标准化处理[16-17]。常见的关于指标标准化处理的方法有极差变换法、标准化法和均值化法，它们各有优缺点。其中，极差变换法不仅适用于正态分布，也适用于非正态分布的指标，同时该方法无论指标原始值是正数还是负数，经极差变换后，均可化为正向指标，省去了指标的同趋化处理[18]。因此，基于数据的实际情况，本研究选用该方法对各个指标量化处理。

对于正向指标：

(1)

对于逆向指标：

(2)

式中：i为指标的个数；xi为指标的初始值；min(xi)为指标的最小值；max(xi)为指标的最大值；yi的值域介于0～1之间。

1.4 指标筛选方法

在自然灾害综合风险评估中，指标是我们研究对象的起点，而评价指标的正确选取，直接影响到综合评估的结果[19]。为了全面的洞悉研究对象，研究者往往会尽可能多的搜集相关指标，殊不知这样会因各个指标间的内部关联，带来信息的重叠。因此，科学、合理地选择因子构建指标体系，是雪灾风险综合评价中首要解决的问题。关于风险评估综合指标的筛选，完全依靠客观的统计分析方法或是主观的评价方法(如专家打分法)都是片面的、不科学的。前者仅考虑了数据固有的特征，而没有将评估指标与研究本身结合，脱离了研究本身的意义；后者往往参杂了太多人为因素，选出的各个指标之间容易存在共线性，会影响到下文模型的应用[20-21]。因此，基于前人的研究经验，本研究采用主客观结合的方法筛选指标，首先分析指标的来源及意义，构建雪灾综合风险评价指标体系。其次，利用因子分析法进行具体的分析。

因子分析法最早由英国心理学家斯皮尔曼提出[22]，其原理是用较少的互相独立的因子反映原有变量的绝大部分信息，且要求原有变量之间应存在较强的相关性，可用数学模型加以表示[23]。设原有n个变量，X1，X2，X3，…,Xn，且每个变量(经标准化处理)的均值为0，标准差为1，现将每个原有变量用k个因子f1，f2，f3，…，fk的线性组合表示，则有：

(3)

围绕浓缩原有变量(已做标准化处理)提取因子的核心思想，因子分析的主要步骤如下：

(2)利用主成分方法计算特征值和特征向量。根据特征方程式|λIp-R|=0，可得到p个特征值，其按大小顺序排列为λ1≥λ2≥λ3≥…≥λp≥0，由每个特征值可得到对应的特征向量μ1,μ2,μ3,…,μp。

(5)结合相关系数矩阵，对旋转成分矩阵分类后的各个因子取绝对值最大值，以此来筛选因子。

1.5Logistic回归模型

近些年，国内外专家对雪灾综合风险评价的探索，历经了定性评价到定量评价的思维演变。尽管所用方法多样，但都是通过一定的数学方法(如层次分析法、人工神经网络、模糊综合评判等)筛选出若干基本因子，进行多指标加权综合运算，从而评估最终的风险状况[24]。这些方法可以评估雪灾灾害风险，但因指标权重的确定，参杂了许多主观因素。为了寻求适合本研究区的评价模型，在查阅灾害风险相关文献的基础上，得到Logistic回归模型的预测精度高于其他预测模型[25-27]，因而本文选用Logistic回归模型对青海地区雪灾风险进行评估。

Logistic回归模型，是多变量统计分析模型，其因变量可为二分类，也可是多分类变量。Logistic模型的优势便是自变量既可以是连续的，也可以是离散的，且可以不服从正态分布[28-29]。本研究以筛选的雪灾风险评价因子，即年均温、积雪覆盖日数、最大雪深、人均GDP、坡度等为自变量，灾害发生与否为因变量，若雪灾发生，取值为1，否则为0。

设P为雪灾发生概率，其取值范围介于0～1之间，1-P即为雪灾不发生的概率。因P的取值接近0或1时，P的变化就很难把握，因此对P值进行一定的转换是必要的。将其二者的比值取自然对数，ln[P/(1-P)],以P为因变量，χm为自变量，建立Logistic线性回归方程：

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

(4)

可得到，

(5)

式中:α为常数;β1，β2，…,βm为逻辑回归系数;χ1，χ2，…,χm分别为影响雪灾发生的各个风险因子。

2 结果与分析

2.1 雪灾风险影响指标

本研究基于SPSS统计分析软件，利用主客观结合的方法，提取雪灾风险的关键因子。通过分析指标的来源及意义，将雪灾风险评价指标划分为4类，见表1。

表1 雪灾综合风险评价指标体系Table 1 Integrated risk assessment indicator system of snow disaster

SU:羊单位Sheep unit.

通过分析表2，大部分变量间的相关系数值大于0.3，能够从中提取公共因子，同时表3 中KMO统计量大于0.6，且Bartlett球形检验的显著性小于0.01，验证了此数据适合做因子分析。采用主成分方法对该四类数据进行分析，从表4可以得到，前两个主成分的特征值大于1且累计方差贡献率达到85%，说明前两个主成分便可以反映全部指标的信息。因此，我们可以从这四类数据中分别提取两个主成分。从表5可知，在A类因素中，地区生产总值、人口密度、公路密度在第1个成分上具有较高的载荷，相反，人均GDP、农牧业纯收入在第2个成分上

表2 相关系数矩阵Table 2 Correlation matrix of principal components

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

表4 解释的总方差Table 4 Total variance explained

具有较高的载荷；B类因素中，降水量、平均风速、年均温在第1个成分上具有较高的载荷，相反，坡度、前冬雪灾概率在第2个成分上具有较高的载荷；C类因素中，积雪覆盖日数、草地积雪覆盖率、积雪覆盖率在第1个成分上具有较高的载荷，而最大雪深、平均雪深在第2个成分上具有较高的载荷；D类因素中，年初存栏数、年末存栏数在第1个成分上具有较高的载荷，而载畜力、草地面积比例在第2个成分上具有较高的载荷。基于表2、表5，筛选得到四类数据中的关键指标，即公路密度、人均GDP、年均温、坡度、最大雪深、积雪覆盖日数、载畜力、年初存栏数。

2.2 雪灾风险因子分析

基于ArcGIS平台，从县域单元分析雪灾各个风险因子空间分布情况(图2)。总体来看，除了人均GDP与年均温，青海西北部、东部地区各个风险因子水平较低，而北部与南部地区风险因子水平较高。从气象角度来看，青海自西北向东一带温度较高，此界限以上或以下，温度较低；研究区坡度较大的区域，主要集中在青海各个山脉周边，即祁连山、昆仑山、唐古拉山、巴颜喀拉山及阿尼玛卿山等地，其他地区坡度趋于平缓。从经济状况来看，青海人均GDP最高的县是海西州、格尔木市，研究区南部及东南部地区经济水平较低，其他县为中等经济水平。从积雪监测因素来看，青海积雪较深的区域主要分布在天峻县、祁连县、玉树县、囊谦县、杂多县、甘德县、都兰县等地，而海西州、格尔木市和东部的农业区积雪深度较浅；整体来看，积雪覆盖日数呈现较低趋势，且以西北部、东部地区最少，而德令哈市、天峻县最多。

表5 旋转成分矩阵Table 5 Rotating component matrix

2.3 雪灾灾害风险评估

Logistic回归模型可以进一步筛选变量，其原理是只有自变量对因变量贡献率达到显著水平，当可进入回归模型，否则将会被剔除[24]。基于ArcGIS的空间分析功能，将2001-2007年各因子图像转化为相应的数字矩阵，在Excel中整理后导入统计分析软件SPSS，然后利用Binary logistic回归分析，采用逐步法筛选变量，多次迭代后，最终选择出坡度、积雪覆盖日数、年均温、最大雪深和人均GDP等5个显著性Sig小于0.5的因子，因其他指标没达到显著性水平而被剔除。最终得到青海雪灾风险综合评价的Logistic回归模型：

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

(6)

式中:x1,x2,…,x5分别为坡度、积雪覆盖日数、年均温、最大雪深、人均GDP；P为雪灾发生的概率。分析得到，影响雪灾风险的因子，不仅与自然因素有关，还受到社会经济因素的影响，按照人均GDP、年均温、积雪覆盖日数、最大雪深等，对雪灾风险的影响依次减弱。

根据公式(5)和(6)，结合GIS的栅格运算功能，得到研究区内像元单元雪灾发生概率值P，并利用ArcGIS自带的Natural Breaks(自然段点法)对其进行分级，见表6和图3。整体来看，青海雪灾平均风险呈现南高北低的趋势，风险高的区域主要集中在青南高原，从县域单元看，分布于格尔木市、称多县、玉树县、囊谦县、达日县、甘德县以及玛沁县等地，少数分布于北部的德令哈市、都兰县、门源县、祁连县等地。从地形地貌而言，西北部的柴达木盆地和东部的农业区风险较低，而海拔高于4000 m的山岭地带，即祁连山、昆仑山、唐古拉山、巴颜喀拉山、阿尼玛卿山等地的风险较高，其他地区为雪灾发生的一般地区。

图2 青海雪灾风险因子空间分布Fig.2 The spatial pattern of risk factor of Qinghai

3 结论与讨论

本研究采用主客观结合的方法分析影响青海省雪灾灾害的关键因素，结合Logistic回归方法构建青海雪灾综合风险评价回归模型，该方法很大程度上减少了人为因素的影响。研究结果表明青海雪灾高风险区主要集中在南部地区，即称多县、玉树县、囊谦县、达日县、甘德县以及玛沁县等地，其中，高于4000 m的山岭地带， 即昆仑山、巴颜喀拉山、阿尼玛卿山周边成为雪灾发生的高频率地区(尤其是巴颜喀拉山两侧)，这与郝璐等[3]的研究基本一致，相反西北部的柴达木盆地和东部的农业区为低风险区域，这与已有的研究结果基本吻合[6-8]。造成青海南部地区风险高，而柴达木盆地风险低的原因，可以归结为以下几个方面：因青南地区海拔较高、温度较低且草场丰富，同时受到来自东亚和印度季风驱动的气流影响，使得该区降雪较多且维持时间长[30]，而这是促进雪灾灾害发生的前提。此外，受到西西伯利亚冷空气的入侵和高原低值系统的共同作用，使得该区易形成寒潮[31-33]。而柴达木盆地因地貌类型主要以沙漠为主，且四周被高山环绕，地形封闭，同时温度较高、降雪量少[34-36]，因此雪灾风险最低。

表6 青海雪灾风险等级划分Table 6 Risk level of the snow disaster in the Qinghai

图3 青海雪灾平均风险区划Fig.3 Regionalization of average risk assessment of snow disaster in the Qinghai

本文通过Logistic回归方法构建雪灾灾害风险取得了一定的成果，但这并不意味着该方法在其他区域也能取得较好的结果，所以我们应根据研究区地域差异、气候条件、经济发展水平及分析目的的不同，有侧重的选择影响雪灾发生的因素。研究收集了影响青海省雪灾发生的社会经济、自然及气象共计19种因素，采用格网尺度和县域尺度结合的方式来构建风险，虽具有一定的创新，但对于研究结果的分析会带来一定的误差。同时，本研究主要分析了青海2001-2007年时间序列雪灾灾害风险的综合情况，尽管可以反映出该区雪灾风险的分布情况，但不利于指导气象和预警研究。因此，在接下来的研究中，将会从更小尺度，如冬春季度、月、旬等来分析雪灾发生及风险分布情况。此外，本研究使用多数研究者采用的GIS自带的分级方法Natural Breaks法对雪灾灾害风险分级[6-7]，虽然该方法可以直观的显示雪灾风险不同的等级，但是缺乏一定的理论根据，不利于推广，所以本项研究会在以后的工作中找到适合于研究区雪灾风险模型的科学分级方法。

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. 李海红, 李锡福, 张海珍, 等. 中国牧区雪灾等级指标研究. 青海气象, 2006, (1): 24-28.

[2] Wen K G. Meteorological Disaster Chinese Ceremony, Qinghai[M]. Qinghai: China Meteorological Press, 2007. 温克刚. 中国气象灾害大典.青海卷[M]. 青海: 气象出版社, 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, 杨春燕. 草地畜牧业雪灾灾害系统及减灾对策研究. 草业科学, 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, 周秉荣, 张海静, 等. 青海高原雪灾风险度评价模型与风险区域探讨. 草业科学, 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, 魏彦强, 方苗. 青海省三江源牧区雪灾综合风险评估. 草业学报, 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, 张兴明, 徐品泓. 青海省畜牧业雪灾风险评价研究. 青海师范大学学报, 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. 刘兴元, 梁天刚, 郭正刚, 等. 北疆牧区雪灾预警与风险评估方法. 应用生态学报, 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. 张国胜, 伏洋, 颜亮东, 等. 三江源地区雪灾风险预警指标体系及风险管理研究. 草业科学, 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. 樊红艳, 刘学录. 基于综合评价法的各种无量纲化方法的比较和优选——以兰州市永登县的土地开发为例. 湖南农业科学, 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. 评价指标标准化处理方法的探讨. 安徽农业技术师范学院学报, 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, 陈国宏, 陈衍泰. 综合评价中指标标准化方法研究. 中国管理科学, 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. 张辉, 赵秋红. 基于主成分分析基本原理的经济指标的筛选方法. 山东财经学院学报, 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. 张立军, 罗珍. 上市公司经营业绩评价指标的筛选方法. 统计与决策, 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. 黄润秋, 向喜琼, 巨能攀. 我国区域地质灾害评价的现状及问题. 地质通报, 2004, 23(11): 1078-1082.

[22] Zheng G Q. Basic Tutorial of Travel Survey[M]. Shanghai: Shanghai Renmin Chubanshe, 2010. 郑国全. 旅游调查基础教程[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统计分析方法及运用[M]. 北京: 电子工业出版社, 2013.

[24] Zhou W. Landslide Hazard Assessment Based on Logistic Regression and SINMAP Model in Bailong River Basin[D]. Lanzhou: Lanzhou University, 2012. 周伟. 基于Logistic回归和SINMAP模型的白龙江流域滑坡危险性评价研究[D]. 兰州: 兰州大学, 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. 王卫东, 陈燕平, 钟晟. 应用CF和Logistic回归模型编制滑坡危险性区划图. 中南大学学报, 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. 王济川, 郭志刚. Logistic回归模型——方法与应用[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, 李栋梁, 赵平, 等. 青藏高原“三江源地区”雨季水汽输送特征. 气象学报, 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, 赵霞, 李凡, 等. 青海省果洛州乡级人口——牲畜雪灾风险评估. 自然灾害学报, 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. 徐裕华, 曾皓. 青藏高原雪灾的大气环境场特征. 四川气象, 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. 李红梅, 李林, 高歌, 等. 青海高原雪灾风险区划及对策建议. 冰川冻土, 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, 李锡福. 青海气象气候[M]. 北京: 气象出版社, 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. 李永飞, 杨太保. 近50年来柴达木盆地升温与全球变暖. 上饶师范学院学报, 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. 时兴合, 赵燕宁, 戴升, 等. 柴达木盆地40多年来的气候变化研究, 中国沙漠, 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

国家自然科学基金项目(31372367)和国家重点基础研究发展计划项目(2013CBA01802)资助。

马晓芳(1991-)，女，甘肃会宁人，在读硕士。E-mail：ymaxiaofangy@163.com

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

马晓芳, 黄晓东, 邓婕, 王云龙, 梁天刚. 青海牧区雪灾综合风险评估. 草业学报, 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.