基于高精度房屋、人口数据的地震压埋人员和紧急搜救区评估模型研究

白仙富， 戴雨芡， 叶燎原， 李 春

（1. 云南师范大学 旅游与地理科学学院， 云南 昆明 650500； 2. 云南省地震局， 云南 昆明 650224；3. 昆明市西山区防震减灾局， 云南 昆明 650118； 4. 红河学院 数学学院， 云南 蒙自 661100）

0 引言

习近平总书记指出， 我国是世界上自然灾害最为严重的国家之一， 灾害种类多， 分布地域广， 发生频率高， 造成损失重， 这是一个基本国情［1］。 在众多的自然灾害之中， 地震在我国大部分领土上都有可能造成灾害。 最近十年，中国大陆发生了多次地震并造成严重的人员伤亡和财产损失， 比如2008 年汶川地震、 2010年玉树地震、 2013 年芦山地震、 2014 年鲁甸地震等。 地震发生后的第一要务是救人， 将生命损失降到最低。 就全国范围来看， 虽然地震灾害应急管理服务取得了显著提高， 但地震救灾的总体效率和效益水平仍然相对较低［2］， 主要表现在难以及时一次性给出应有的响应等级和难以及时提出救灾力量空间分配的合理建议。 造成这一现象的最主要原因是不能在地震应急黑箱期［3］准确评估人员伤亡状况。 地震伤亡人数是决定启动响应等级的重要条件， 地震伤亡人员的空间分布则决定救援力量的空间部署。 造成地震人员伤亡的因素较多， 其中房屋倒塌是导致地震人员伤亡的主要原因之一［4］和最普遍的因素； 通常情况下， 埋压人员集中的地区需要优先开展救援， 我们将这样的区域称为紧急搜救区。 如果能够迅速对地震中被困人员的位置和数量进行评估， 那么地震发生后立即采取行动来减少人员伤亡的可能性就会大大提高［5］。换言之， 地震应急时如果能提高地震压埋人员数量和紧急搜救区的评估精度， 那么就有可能抢救更多的生命从而提高应急管理服务的社会效益。

影响地震压埋人数和紧急搜救区评估精度的因素较多， 包括基础数据、 人员伤亡评估模型和影响场评估模型等。 在应急评估中， 我国早期使用的基础数据主要是县级精度的承载体数据［6］， 评估结果误差大且很难依据结果判定可操作的紧急搜救区域， 应急服务效益不高。在2010 年前后， 开始了高精度公里网格的人口和房屋数据的研究。 中国地震局与中国科学院合作产出了第一套用于应急评估的高精度房屋和人口数据［7］， 随后， 在武汉、 宁洱、 彝良、四川等地区进一步开展了面向防震减灾的人口、房屋数据空间化研究［8-11］， 为服务于应急目标的高精度数据本地化制作和应用普及奠定了良好基础。 当前， 各省市地震应急服务中心均已经部署了公里格网的高精度房屋和人口数据，也开展了一些基于公里格网数据的经济损失快速评估（主要考虑经济损失的总量评估） 算法研究。 然而， 高精度的房屋数据不仅仅是为了提高经济损失总量的快速评估精度， 更要为减少人员伤亡的紧急搜救区评估发挥积极作用，即要能为人员伤亡的高精度空间分布评估服务，但这方面的研究还很薄弱。 在最近的20 年里，世界科学家们对区域地震人员伤亡和经济损失程度评估进行了系列研究， 并基于可用数据的类型、 空间适用性和建模原则提出各种评估方法［12-17］。 例如Coburn 和Spence 用单位建筑面积的人口数量、 地震持续时间、 被困人员总数、房屋倒塌死亡率、 救援效率这五个因素来构建地震后的伤亡预测模型［18-19］。 Badal 等人采用了一种定量模型来评估地震人员伤亡和人口密度对伤亡的影响， 模型给出了震级和人员伤亡之间的相关性［20］。 为了建立地震过程中建筑物因素造成的人员伤亡和空间分布的评估模型，Aghamohammadi 等提出了一种神经网络反向传播算法［21］。 Feng TN 等人提出了一种地震伤亡数量快速评估模型， 该模型集成了卫星遥感技术和建筑物易损性来进行问题求解［22］。 通过不同类型的建筑物的破坏率和死亡率的关系， So和Spence 提出一个全球地震人员伤亡预测模型来评估地震动引起的全球地震人员伤亡和建筑物损毁情况［23］。 Ara 根据美国中部概率风险评价结果建立的建筑物类型和人员伤亡曲线来获取可能的生命损失［17］。 Shapira 等结合流行病学和工程方法对地震造成的人员伤亡进行评估，并指出如果在伤亡评估模型中进一步考虑人口、社会经济特征和医疗器械的准备水平， 评估结果会更准确［24］。 Park 等调查了韩国乌尔山人类一天中的时间—行为模式， 建立了时间—行为因素和建筑物倒塌因素相结合的人员伤亡评估模型， 根据该模型Park 评估了给定地震情景下的地震人员伤亡数量［25］。 总体来看， 现有的这些地震伤亡评估方法可以根据其相对接近性分为经验型、 半经验型和分析型三类。 经验型主要由地震造成的灾区人员伤亡与预测的地面震动强度之间的简单相关关系构成。 半经验型的方法推算了研究区不同建筑类型的倒塌率， 并在此基础上论证了死亡率和每种类型建筑物易损性之间的关系。 分析方法通过预测建筑物在地震动过程中的反应， 然后确定地震对建筑物内人的影响。 鉴于地震灾害严重的基本国情，我国的科学家们对地震生命损失评估也开展了大量研究［26-28］。 李媛媛等将地震伤亡评估模型分为三种基本类型： 经验模型、 建筑震害概率模型和易损性模型［29］。 减少人员伤亡是从事地震应急工作人员的根本职责， 为了尽早将被困人员从废墟中施救出来， 学者们指出应开展被困在倒塌的建筑物中的人员进行评估。 比如，许建东等以漳州市为例建立了考虑时间参数的街道单元的地震人员死亡模型［30］； 肖东升等以汶川地震灾区部分中小学为例， 建立了基于倒塌率和在室率的压埋率预估模型［31］。 余世舟等利用5.12 汶川8.0 级地震的资料， 考虑了地震初期灾情信息以及影响地震人员压埋率的主要参数， 对这些影响参数进行系统研究， 构建了地震初期压埋人员分布的评估方法［32］。 这些方法主要是为了评估埋压人员的伤亡数量， 但在建模过程中没有考虑人类行为这一复杂因素。实际上， 对地震伤亡的评估要考虑到社会科学方面的影响［14］， 比如不同时段人类在不同场所的分布情况（即通常说的在室率） 对人员伤亡的影响。 此外， 通过适当的社会行为也可以及时减少地震对人员伤亡的潜在影响。 比如通过紧急行动的有效部署， 可以显著减少地震伤亡人数［15］。 这些评估模型的研究为高精度压埋人员和紧急搜救区的评估奠定了基础， 本研究即是在这些基础上回归适用于公里格网房屋和人口数据的评估模型。 地震影响场的应急评估模型一直是地震应急中的一个关键， 影响场的评估可以分为三个内容： 宏观震中的评估、 长轴方向的评估和烈度的衰减评估。 常用的方法包括余震法［33－35］、 构造及区划分法［36］、 衰减模型法［37－48］和长短轴矩阵法［36］等， 在本研究中， 我们不开展该问题的探讨， 作为方法研究， 我们使用现场调查后公布的影响场进行评估结果的反演和检验。

基于上述内容， 为了提升地震应急管理服务的效益， 有效减轻地震灾害风险， 将地震人员伤亡风险识别提升到定量分析的层面， 将对紧急搜救区的判别提升到公里格网的空间尺度，本文提出高精度的地震压埋人员数量和紧急搜救区域评估模型的研究。 为了便于研究， 对地震压埋人员和紧急搜救区的界定， 我们只考虑由地震直接造成房屋破坏的影响， 而不考虑地震次生灾害的叠加作用造成的损失。

1 数据和方法

1.1 震例选取

云南是我国地震最频繁和受灾最严重的区域之一， 也是地震灾害资料最丰富最详实的省区之一。 然而， 在面对地震人员伤亡的具体数量和空间位置的信息需求时， 仍然找不到能覆盖全省8 个主要地震带的样本数据。 到目前为止， 能收集到地震人员伤亡直接原因和详细空间位置的案例只有2012 年9 月7 日的彝良地震［49］和2014 年8 月3 日的鲁甸地震（图1）。作为一种方法的探索研究， 本研究以“7.09”彝良Ms5.7、 Ms5.6 地震和“8.03” 鲁甸Ms6.5 地震为样本。

1.2 数据来源

高精度数据： 本文所指的高精度数据是相对早先的行政单元的地震应急基础数据而言，系当前各省市地震系统均已经部署或可以自主生产的公里格网栅格数据。 本研究收集的两个地震灾区公里格网房屋数据和公里格网人口数据来源于云南省地震局地震应急联动协同灾情数据库。 数据制作时间为2012 年1 月， 生产于两次地震发生之前且距离地震发生的时间不长，可以认为数据总体上能反映地震时研究区的情况。 其中公里格网的人口数据属性为公里格网人口数； 公里格网房屋数据共五层， 包括公里格网的房屋总面积、 框架结构房屋面积、 砖混结构房屋面积、 砖木结构房屋面积、 土木结构房屋面和其他结构房屋面积。 之所以考虑使用公里格网的数据， 是因为公里格网数据随国家地震社会服务工程的实施已经在各省地震指挥中心安装部署， 在统一使用的应急数据中是精度最高的数据， 但对该数据的使用研究还没有较好的应用范例的研究， 而且， 以该数据为使用对象开展研究具有较好的代表性。

地震灾害数据： 收集的地震灾害数据为“7.09” 彝良Ms5.7、 Ms5.6 和“8.03” 鲁甸Ms6.5两次地震的人员死亡详细数据、 烈度数据、 房屋震害抽样数据等。 由于我们无法获得地震时刻确切的压埋人数， 所以， 在本研究中我们用收集到的因地震造成房屋倒塌压埋死亡人数数据来替代。 原始的人员伤亡数据信息包括人员姓名、 死亡原因（分为房屋倒塌、 滑坡或滚石）、 死亡人员死亡地点（到自然村级别）、 死亡人员性别和年龄等， 为数据为excel 格式。鲁甸地震人员死亡数据来源于鲁甸县民政局、巧家县民政局、 会泽县民政局和昭通市防震减灾局， 为上述单位震后调查数据（表1）； 彝良地震人员死亡数据为云南省地震局早期收集的震例数据［49］（表2）。 烈度数据和房屋震害抽样调查来源于震后地震灾害损失评估报告①②云南省地震局， 2012 年9 月7 日彝良5.7 级、 5.6 级地震灾害直接经济损失评估报告（云南灾区）. 昆明： 云南省地震局， 2012.。

图1 鲁甸地震和彝良地震房屋倒塌人员死亡分布图Fig.1 The distribution of casualty caused by building collapse in Ludian and Yiliang earthquakes

表1 鲁甸地震各地点死亡人员统计

表2 彝良地震各地点死亡人员统计

1.3 数据处理

由于本研究考虑的只是地震房屋倒塌造成的埋压人数和紧急搜救区的评估， 因此人员伤亡数据中只保留了因房屋倒塌造成的人员伤亡信息， 且只保留了人员死亡的地点和数量信息（图1）。 在将人员死亡信息转化为空间的shape格式数据时， 将其投影坐标与数据库中的栅格数据相统一。 收集的烈度数据也将其投影坐标与数据库中的栅格数据相统一（图1）。 为了研究的方便， 我们把公里格网的栅格数据转为公里格网的矢量面属性数据， 该数据包含7 个字段， 即人口（数量）、 （房屋） 总面积、 土木结构（房屋面积）、 砖木结构（房屋面积）、 砖混结构（房屋面积）、 框架结构（房屋面积） 和其他结构（房屋面积）（图2）。 在云南地震房屋易损性计算中， 根据云南的实际情况， 通常把其他结构的房屋归并到土木结构中［50］， 本研究中， 对房屋数据也做相应的处理， 以便与云南的灾评工作和研究惯例相统一。 建模时， 根据收集的人口伤亡数据， 基于公里格网的人口和房屋矢量数据， 统计了灾区每个单元网格内的因房屋倒塌造成的人员伤亡总数。

图2 云南公里网格房屋和人口数据Fig.2 A kilometer grid-based building（population） distribution in Yunnan Province

1.4 评估方法

1.4.1 影响因素分析

影响地震房屋倒塌压埋人员的因素较多，但归纳起来主要包括以下四个方面： 地震的强度（震级、 烈度等）、 建筑物易损性、 受影响人数（即所谓的暴露人口）、 人的行为反应（包括人员在室率、 自救互救行为等）。 在本研究中，地震强度我们使用惯用的地震烈度； 建筑物易损性对压埋人员的影响从现场调查的结果看主要表现房屋毁坏（倒塌） 带来的影响， 因此本研究根据灾评报告， 整理了鲁甸地震和彝良地震不同烈度下框架结构、 砖混结构、 砖木结构和土木结构毁坏比（表3）。 受影响人数即为灾区人口数， 本文使用公里格网人口数据（图2）。 人的行为因素较为复杂， 针对房屋倒塌造成的压埋评估而言， 我们认为人员在室率是最主要的。 然而， 在室率又是一个非常复杂的问题， 有职人员（包括学生） 和无职人员存在差别、 农村和城市存在差别、 节假日和工作日存在差别， 一天中早中晚不同时段存在差别等等。基于对昭通地区人民生活习惯的区域性特征的了解， 给出昭通地区不同时段人员在室率的经验值（表4）， 在建模时我们采用本经验值。 其他的影响因子我们统一作为一个系数通过回归求解。

表3 各烈度下不同结构建筑的毁坏比

表4 昭通地区不同时段人员在室率

1.4.2 评估模型构建

根据我们的数据特征， 地震灾区房屋倒塌压埋人员总数为受影响区域各单元网格压埋人数的总和， 每一个单元网格的压埋人数为倒塌建筑面积与单位建筑面积人口密度的函数。 单元网格建筑物倒塌面积为公里格网该结构面积和所在烈度下毁坏比的函数， 单位建筑面积人口密度为公里格网人口数、 公里格网房屋面积和不同时段人员在室率的函数。 据此， 建立基于高精度的房屋（公里格网） 和人口（公里格网） 数据的地震房屋倒塌压埋人数评估模型。模型如下：

式中， Dall表示压埋总数； di表示第i 个公里网格内压埋人数； Pi表示第i 个公里网格内单位建筑面积人口密度； ti表示地震时刻t 对应的人口在室率； strij表示第i 个公里网格内j 类结构的建筑面积； cij表示第i 个公里网格内第j类结构建筑物倒塌率； ∂为回归系数， 根据鲁甸和彝良地震数据回归得到的平均值为0.15。

紧急搜救区是一个相对区域， 指地震事件中灾害较为严重需要优先开展救援或需要部署更多救援力量的区域。 地震应中对紧急搜救区的判定暂没有成熟的指标， 根据经验， 我们以公里格网为单元提出云南地区一种紧急搜救区的判定方法。 第一步， 公里格网的压埋人数达到或超过10 人时， 判定为紧急搜救区； 若第一步判定的区域达到或超过灾区面积的10%， 进入第二步， 将压埋人数超过压埋总数5%的公里格网区判定为紧急搜救区。 当然， 在实际应急中， 不仅要求判定紧急搜救区， 还需要给出其他区域的一些判定信息， 作为一种尝试， 我们先根据上述约定， 建立紧急搜救区评估模型。模型如下：

否则：

式中， Gi表示第i 个公里网格； Ei表示第i个紧急搜救区； Gdi表示Gi区域压埋人数di，N10表示压埋人数等于或大于10 人的网格数；Mall表示地震灾区总的公里格网数。 需要指出的是， 紧急搜救区是一个相对概念， 任何一个地震都可能有一个破坏相对严重的区域， 但在实际中并非每个地震都会造成人员被压埋的情况，因此我们给出的模型是一种相对“绝对” 的评估方法。

2 评估结果

2.1 地震压埋人员评估结果

根据式（1） 和式（2）， 对鲁甸地震和彝良地震公里格网尺度的房屋倒塌压埋人员数量进行反演， 得到各公里网格的压埋人数（图3），并据此计算出总的压埋人数。 鲁甸地震房屋倒塌死亡总数为480 人， 其中Ⅵ度区死亡0 人，Ⅶ度区死亡23 人， Ⅷ度区死亡137 人， Ⅸ度区死亡320 人（表5）。 根据评估模型反演结果为房屋倒塌压埋总数396 人， 比实际伤亡少86人， 误差率为17.5%， 两者没有数量级差别；其中Ⅵ度区压埋0 人， 与实际伤亡人数一样；Ⅶ度区压埋15 人， 比实际伤亡少8 人， 误差率为34.78%， 两者没有数量级差别； Ⅷ度区压埋100 人， 比实际伤亡少37 人， 误差率27.00%，两者无数量级差别； Ⅸ度区压埋281 人， 比实际伤亡少39 人， 误差率为12.19%， 两者没有数量级差别。 鲁甸地震房屋倒塌压埋人员评估结果总体与实际伤亡结果差别比较接近， 两者有数值上的少量差别但没有数量级上的差别，撇开Ⅵ度区看， 烈度越高， 误差越小。 从反演的压埋总数对地震应急服务需求的信息支撑看，这一结果也已经达到启动地震应急I 级响应的条件， 能够满足作出恰当地震应急响应等级的信息需求。 彝良地震房屋倒塌死亡总数为12人， 其中Ⅵ度区死亡1 人， Ⅶ度区死亡4 人，Ⅷ度区死亡7 人。 根据评估模型反演结果为房屋倒塌压埋总数15 人， 比实际伤亡多3 人， 误差率为25.00%， 两者没有数量级差别； 其中Ⅵ度区压埋0 人， 比实际伤亡人数少1 人； Ⅶ度区压埋2 人， 比实际伤亡少2 人， 误差率为50.00%， 两者也没有数量级差别； Ⅷ度区压埋13 人， 比实际伤亡多6 人， 误差率较大， 为85.71%， 但两者也没有数量级的差别。 就两个地震反演的结果看， 鲁甸地震的反演结果比彝良地震的反演结果要更为准确。 鲁甸地震总人数误差比彝良地震少7.5 个百分点， Ⅶ度区压埋人数比彝良地震误差少15.22 个百分点， Ⅷ度区压埋人数比彝良地震误差少58.71 个百分点。 就评估的绝对数字来看， 鲁甸地震的评估结果无论是总数还是各烈度区的统计， 评估的压埋人员数量都比实际伤亡人数要少。 但无论对哪个震例的反演， 评估结果与实际伤亡都没有数量级差别， 结果针对的应急响应等级也与实际伤亡针对的应急响应等级一致。 就案例反演的情况看， 震级越大或影响范围越大， 误差相对越小， 而震级越小或范围越小， 误差相对较大。 这是因为尽管我们评估的是房屋倒塌造成的人员压埋， 但在实际现实中同一类型的房屋千差万别， 而所使用的房屋倒塌率是大范围大样本的一个统计值， 范围越大、 震级越大则样本相对就越大， 就越符合统计规律， 相应的评估结果也就越准确。

图3 基于评估模型反演的房屋倒塌压埋人员分布Fig.3 The distributionQof trapped-victim in collapsed buildings based on models

表5 实际死亡人数和评估模型计算压埋人数

2.2 紧急搜救区评估结果

根据式（3） 和式（4）， 对鲁甸地震和彝良地震进行公里格网尺度的紧急搜救区评估， 得到公里格网的紧急搜救区。 根据本模型计算结果看， 彝良地震没有严格意义的紧急搜救区，所以我们对紧急搜救区评估结果的讨论只针对鲁甸地震的评估结果（图4）。 鲁甸地震共有8个紧急搜救区， 这8 个紧急搜救区共由38 个公里网格组成， 其面积占灾区总面积的0.37%。从房屋倒塌人员伤亡的地点（即死亡人员所在的自然村） 见图4（a）， 共有60 个点落在紧急搜救区内， 这60 个点实际房屋倒塌死亡共306人， 占实际房屋倒塌死亡总数（480 人） 的63.75%。 此外紧邻紧急搜救区还有6 个点， 因房屋倒塌死亡共38 人， 这6 个点分布在紧急搜救区的网格边界附近， 离网格边界都不足200m， 有的不到5m。 在实际工作中， 这6 个点是需要作为紧急搜救区域进行处置的， 若把这6 个点的实际伤亡统计进来， 紧急搜救区内实际房屋倒塌死亡共344 人， 占实际房屋倒塌死亡总数的71.67%。 从人员伤亡的行政村分布与紧急救助区分布的关系看， 共有7 个行政村所在地落在紧急救助区内， 这7 个行政村所辖的区域内， 因房屋倒塌实际死亡462 人， 占房屋倒塌实际死亡总数的96.25%。 这一现象给了我们一个新的启示， 即在进行高精度公里格网的紧急搜救区域评估时， 为了行政管理机制与救援力量的投入， 还需要将行政村的分布与紧急搜救区域进行综合考虑。

图4 紧急搜救区Fig.4 Emergency rescue areas

3 结果讨论

3.1 结果偏差的讨论

任何一个模型， 只可能是无限接近客观世界， 而不可能是客观世界的完全表述。 因此基于高精度房屋和人口数据的地震压埋人员和紧急搜救区评估模型也不可能做到绝对准确。 换言之， 模型计算结果与实际存在偏差这是由于事物的复杂性和模型的相对概括性决定的。 除此之外， 模型、 数据、 参数等因素也是引起结果偏差的重要因素。 本研究中， 无论压埋人员的判断还是紧急救助区的判断在数值上也都有一定的差别， 导致这些差别， 我们认为和数据本身、 模型参数是有关系的。 首先从基础数据本身看， 我们采用的公里格网的人口和房屋数据也是在一定的调查基础上建立推算模型后的产品， 数据本身也不可避免的存在偏差。 由于数据本身不可避免的偏差性， 也就决定了我们研究结果不可避免的会存在偏差。 其次， 本研究所采用的房屋毁坏率应该也是导致结果偏差的一个重要因素。 在实际地震中， 不同网格的房屋的倒塌率一般是不同的。 建模时采用的房屋毁坏率来源于灾评报告， 报告中的毁坏率是通过现场抽样调查后得到的整个烈度区的一个平均值， 而在建模时同一个烈度下每一个网格的毁坏率是相同的。 从表3 还可以看出， 在烈度相同的情况下， 同一类型房屋的毁坏率在两个地震中有较大差别， 总体来看， 相同情况下鲁甸地震的毁坏率比彝良地震的毁坏率高。 因此相对鲁甸地震， 其回归系数比实际偏小而彝良地震则相反。 这应该是鲁甸地震结果偏低而彝良地震结果偏高的原因。 同时， 由于鲁甸地震涉及的范围远比彝良地震大， 从统计上更具有普遍性， 这应该是鲁甸地震的评估结果的准确率比彝良地震的评估结果的准确率更高的主要原因。 再次， 参数的不够准确和完整可能是结果存在偏差的另一原因。 从影响参数的人类行为的因素看， 本研究考虑了不同时段人员的在室率， 所给出的不同时段的在室率只是一个粗略的调查值， 该经验值面对纷繁复杂的活动的人肯定是存在偏差的。 从影响参数的房屋的破坏因素看， 本研究对房屋破坏造成的人员压埋的考虑， 只考虑了倒塌房屋数理的影响， 这在一方面确实抓住了矛盾的主要方面， 但是也难免遗漏了其他破坏程度的房屋带来的影响。这些参数不可避免的偏差在客观上也是造成本研究反演结果与实际情况之间存在一定偏差的原因。

3.2 结果效能的讨论

模型反演的结果存在一定偏差是难以避免的， 对模型效能的评价不是简单的看是否存在偏差， 更要看是否满足建模的需求。 本研究针对的是应急管理服务在地震应急期间面对启动地震应急响应等级和救援力量部署建议对人员压埋数理等级和空间分布的信息需求。 从这一角度出发， 本研究给出了基于公里格网的压埋人员和紧急搜救区定量评估方法。 从鲁甸地震和彝良地震的反演结果看， 压埋人员数量的评估结果能为合理的应急响应等级启动提供恰当的信息参考， 评估结果对应的建议等级能够与实际需要的等级相符。 所给出的紧急救助区实际人员伤亡人数占总数的比例较高， 符合“紧急” 这两个字的要求， 其结果效能达到预期要求。 但是， 也需要指出， 面对决策建议的信息与面对现场处置的信息需求是不一样的。 也就是说， 由于我们的数据是基于公里格网的尺度进行的， 我们的结果也是公里格网尺度的， 而现场救援处置中在一个公里格网内可能存在多救援需求点或一个救援需求点横跨了我们给出的公里格网的情况。 因此我们的方法既能为造成的力量部署提出合理的建议， 又与具体的现场救援点信息需求有一定距离。

3.3 模型外延的讨论

从方法论的角度看， 本研究是在高精度公里格网的房屋和人口数据全面部署的前提之下，为了提升地震应急管理服务的效益， 发挥好高精度数据的效益进行的一种方法探索。 因此，基于鲁甸地震和彝良地震建立房屋倒塌压埋人员和紧急搜救区评估模型最终是为了能在今后的地震应急中更好发挥应急管理服务的作用，这就必须考虑模型的外延性。 从模型震例数据的情况和上述分析看， 我们认为模型有其推广性， 但也有其局限性。 模型外推时， 首先应考虑区域性。 地理环境复杂性决定了房屋易损性的区域性， 不同地区房屋的易损性差别较大，也就是说在相同地震动影响下， 由于区域的差别其房屋的倒塌率会有很大的区别； 同时地理环境内部的相对一致性又决定了一定区域内房屋易损性的一致性， 换言之， 一定区域内的房屋的易损性相差不大， 可以用某种方法计算后的平均值代替。 其次， 在模型外推时要注意人类活动的影响。 对应到本模型的参数， 要注意不同区域不同时段人员的在室率问题。 以云南为例， 人类活动城乡有差别， 职业有差别， 滇东滇西有差别、 坝区和山区有差别； 但最主要的可能是要考虑在室率的季节变化， 不同季节，同一时段人员的在室率可能存在较大差别。 再次， 要考虑数据本身的问题。 世界本身是发展变化的， 人口和房屋也是发展变化的， 因此，再精确的数据也无法做到和现实同步， 这是不可避免的矛盾； 但是不可否认的是相同方法下产生的数据， 一般来说时段越新， 数据应该越准确。 除了社服工程统一部署的公里格网数据外， 可能不同地区还产出了更精确的数据， 比如山东省地震局根据六普房屋数据结合遥感影像产出的房屋数据［51］， 模型在这些地方使用时， 做相应的调整可能会取得更好的效果。

4 结论

基于高精度的房屋和人口数据， 以2014 年“8.03” 鲁甸地震和2012 年“9.07” 彝良地震为样本， 建立了地震压埋人员和紧急搜救区评估模型。 人员压埋数与公里格网人口数量、 公里格网不同建筑结构的房屋面积及房屋易损性、人类行为（人员在室率） 等因素关系密切。 本研究中， 人口和房屋数据使用社服工程统一部署的高精度公里格网数据， 房屋易损性数据采用灾评报告中的房屋毁坏率数据， 压埋数据用震后自然村尺度的房屋倒塌人员死亡数据。 人类行为中的人员在室率使用基于对昭通地区不同时段的人员在室率的经验值。 从模型看， 相同地震动（本研究使用地震烈度）影响下，房屋倒塌人员压埋人数与人口密度、房屋数量、房屋倒塌率、人员在室率成正相关关系。使用本研究产出的模型，能定量评估基于公里格网的紧急搜救区。 从模型和数值特征看，紧急搜救区是房屋倒塌压埋人员数量的一个布尔函数。

从模型反演结果看，研究结果的准确性能有效提升应急管理服务效能。根据评估模型反演鲁甸地震的房屋倒塌压埋人员总数396人，比实际伤亡少86人，误差率为17.5%；根据评估模型反演彝良地震的房屋倒塌压埋人员总数15人，比实际伤亡多3人，误差率为25.00%。反演结果与实际伤亡没有数量级差别，且反演结果指示的应急响应等级与实际地震的需求一致，能为启动适当的响应等级提供准确的数据支撑。根据模型反演得到鲁甸地震共有8个紧急搜救区，紧急搜救区面积灾区占总面积的0.37%。这8个紧急搜救区因房屋倒塌实际死亡共306人，占实际房屋倒塌死亡总数的63.75%。从反演结果看，模型评估能为应急期救援力量的合理高效部署提供准确的数据支撑。

模型评估结果与实际案例有一定偏差。除了模型本质特征外，数据本身、模型参数等是引起偏差的主要原因。因此模型在外推使用时，要考虑所在区域的区域性、数据本身的精度、人类行为等因子的影响，并依此对模型做相应的本地化调整。