东北三省洪涝灾害时空格局演变及驱动力分析

2022-08-08刘家福张昱鑫王丽丽张宇奇

吉林师范大学学报（自然科学版） 2022年3期

刘家福，张昱鑫，王丽丽，高萱，张宇奇

(吉林师范大学旅游与地理科学学院，吉林四平 136000)

0 引言

东北三省地处于中温带与寒温带之间，属于温带季风气候，地形以平原和山地为主，松花江、东辽河、西辽河和鸭绿江等几大主要河流皆发源于此.东北三省是我国受全球气候变化影响较显著的地区之一，气候变化加剧了洪涝灾害的发生，使东北三省成为洪涝灾害的多发区[1].2004—2018年，平均每年因洪受灾面积达99.06万公顷，平均每年因洪受灾人数达320.93万人，平均每年造成171.39亿元的经济损失[2].此外，随着城市化进程的加速发展，人口和社会经济受到影响，东北三省洪涝灾害的时空分布格局和驱动因子也发生了变化[3].因此，对东北三省进行洪涝灾害时空格局演变分析，并利用地理探测器对洪涝灾害成因进行定量分析，对东北三省洪涝灾害监测预警与防范治理具有重要理论和实践意义.

目前，许多学者对洪涝灾害的时空分布、风险评估及监测预警等进行了大量研究.一是分析洪涝灾害时空格局演变及影响因素[4]，根据各地洪涝灾情数据、降水量和社会经济数据，运用多种分析统计方法[5]，对研究区域洪涝灾害进行时空演变和影响因素分析；二是运用自然灾害风险评估方法，基于各类影响因子，实现对各区域洪涝灾害的风险评估，对区域洪灾综合管理具有重要意义[6]；三是根据可视化的洪涝灾害数据，结合云计算、大数据、互联网等技术，构建洪涝灾害预警系统[7].

但已有研究中对东北三省洪涝灾害时空格局演变及驱动因素的分析很少.因而，本文以2004—2018年东北三省洪涝灾害灾情数据为基础，结合降水数据、地表环境数据及社会经济数据，分析东北三省洪涝灾害的时空分布格局[8].采用SPI指数对研究区进行洪涝等级划分，利用地理探测器分析方法对东北三省洪涝灾害时空分布规律的驱动因素进行量化分析[14-15].研究结果可为东北三省洪涝灾害防灾减灾提供理论依据，同时也为其他区域和尺度的洪涝灾害时空格局演变及驱动因子提供参考[9].

1 研究区域与数据来源

1.1 研究区概况

东北三省介于东经118°53′～135°05′，北纬38°43′～53°33′之间[16]，包括辽宁、吉林、黑龙江三个省份(图1)，土地总面积为7.873×105km2，共计36个地级行政区划单位.东北三省地处于中温带与寒温带之间，属于温带季风气候，降水时空分布不均匀.总体地形分布格局为山环水绕，以平原和山地为主，主要有长白山、大兴安岭和小兴安岭；还有土壤肥沃的三江平原、松嫩平原和辽河平原；松花江、鸭绿江和辽河等几大主要河流皆发源于此.根据2020年第七次全国人口普查数据可知，东北三省人口为9 851.49万人，占6.98%，人口所占比重下降1.20个百分点.

图1 东北三省研究区概况

1.2 数据来源与处理

表1为本文数据资料来源.其中：东北三省行政区划数据来源于中国科学院资源环境科学与数据中心；洪涝灾害灾情信息取自中国气象局历年出版的《中国气象灾害年鉴》和国家统计局网站(http：//www.stats.gov.cn/)；降水量数据源于美国国家气候数据中心，包括2004—2018年东北三省39个气象站的逐日降水量数据；DEM与NDVI源于中国科学院资源环境科学与数据中心(https：//www.resdc.cn/)，DEM为STRM 90m分辨率数字高程模型，可提取东北三省高程和坡度数据，用以描述地形起伏程度及坡度，NDVI数据是生长季1KM植被指数空间分布数据集，用于检测植被覆盖度；土壤质地数据来源于联合国粮农组织(FAO)和维也纳国际应用系统研究所(IIASA)所构建的世界土壤数据库(HWSD)，按照土壤质地进行分类，数据格式为栅格数据集；社会经济数据包括人口和GDP数据，均来源于《辽宁省统计年鉴》《吉林省统计年鉴》和《黑龙江省统计年鉴》，人口数据包括2004—2018年东北三省各市的人口总数(万人)，GDP数据为2004—2018年东北三省各市GDP(亿元).

表1 数据资料来源

2 研究方法

2.1 趋势分析方法

利用趋势分析方法分析东北三省洪涝灾害时间、空间分布及变化特征.以一元线性回归模型的斜率表征洪涝灾害受灾面积、成灾面积、受灾率、成灾率与时间变化的趋势性，进而可以确定洪涝灾害灾情数据随时间的变化趋势[10].

2.2 标准化降水指数

近年来，有很多学者进行洪涝指标方法研究，建立相应的定量指标.由于各区域降水、地表环境和社会经济等因素的影响，不同区域洪涝灾害程度明显不同[11].目前，常用的洪涝指标方法有SPI指数、Z指数、降水距平百分率等，袁文平等人通过对SPI指数和Z指数进行对比分析，证明SPI指数具有稳定的计算特性，可消除降水的时空分布差异，还可计算不同时间尺度的指标值，优于Z指数[12].计算方法见式(1)—(5)：

(1)

其中：c0=2.515 517，c1=0.802 853，c2=0.010 328，d1=1.432 788，d2=0.189 269，d3=0.001 308.

(2)

(3)

(4)

其中：β>0，γ>0分别为尺度和形状参数.并且当P>0.5时，P=1.0-P，S=1；当P≤0.5时，S=-1.

(5)

2.3 地理探测器

地理探测器是中国科学院地理科学与资源研究所王劲峰老师开发的一套用于度量空间分异性、探测驱动因子的软件.地理探测器用于探测自变量与因变量的相互关系，可探测单个因子及多个因子间交互作用对因变量的解释力[13].

本研究通过地理探测器的因子探测和交互作用探测分析东北三省洪涝灾害程度与各驱动因子的相关关系[14].首先，将通过SPI指数求出的洪涝灾害等级进行离散化处理，建立渔网点数据，统计分析各单元内均值作为洪涝灾害强度值；然后，对各自变量数据进行数据离散，借助自然断点法对数据进行重分类，统计各采样点数据的自变量分级值；最后利用地理探测器分析判断洪涝灾害强度与各驱动因子之间的关系[15].

(1)因子探测是用q值度量各驱动因子对洪涝灾害程度的解释力，表达式为

(6)

(2)交互作用探测用于比较判断两个因子共同作用与独立作用时解释力的大小差异[22]，交互作用的大小关系如表2所示.

表2 数据资料来源

3 东北三省洪涝灾害时空格局演变

3.1 时间变化特征

在全球气候变化和城市化快速发展的背景下，东北三省地区可能会成为洪涝灾害的多发区.2004—2018年洪涝灾害造成东北三省农作物受灾面积累计1.49×107hm2，年均0.99×106hm2，年均受灾率11.9%；成灾面积累计0.83×107hm2，年均0.55×106hm2；年均成灾率6.69%；受灾人口累计320.93万人，年均21.4万人；造成直接经济损失2 570.83亿元，年均损失171.39亿元[17].

如图2所示，近15年东北三省洪涝灾害灾情指标均具有明显的年际变化，其中，在2004—2005年、2009—2010年、2012—2013年、2016—2017年整体呈现上升趋势，2013年为峰值点，2013年以后整体呈现波动下降趋势.受灾面积、成灾面积、受灾率和成灾率的最高值出现在2013年，东北三省受灾面积达3.42×106hm2，成灾面积达2.26×106hm2，受灾率达9.2%，成灾率达3.83%；受灾人口和直接经济损失最高值出现在2010年，东北三省受灾人口达11.58×106人，经济损失达7.88×1010元.根据姜灵峰等人定义的标准来定义2004—2018年洪涝灾害为特大与重大洪涝灾害年[24]，可知东北三省近15年中共有6年(2005、2006、2009、2010、2013和2018年)达到特大暴雨洪涝灾害，有4年(2011、2014、2015、2017年)为重大洪涝灾害[18].

将2004—2018年东北三省的受灾面积和受灾率情况分为三个时段进行研究分析，发现第二时段2009—2013年东北三省受灾面积和受灾率的整体趋势要高于其他两时段，总受灾面积为1.47×106hm2，总受灾率为17.59%(表3).主要是由于2013年东北三省洪涝灾害灾情严重，松花江流域出现1998年来最大洪水，造成东北三省955.22万人受灾，直接经济损失552.89亿元.而大气环流异常是造成2013年东北三省洪涝灾害的最直接原因，导致降水较常年同期偏多.综合比较，三个时段内，黑龙江省的受灾面积和受灾率皆为同期最高.

图2 2004—2018年东北三省洪涝灾害灾情指标年际变化

表3 2004—2018年东北三省洪涝灾害农作物受灾面积、受灾率常规统计结果

3.2 空间变化特征

东北三省洪涝灾害受灾情况具有显著的地域差异[19].如图3所示，受灾面积最大的是黑龙江省，年均受灾面积为1.04×107hm2，占总播种面积的79.93%，占东北三省总受灾面积的69.74%，年均成灾面积为5.64×106hm2，占总播种面积的42.74%，占东北三省总成灾面积的68.05%；受灾面积第二的是辽宁省，年均受灾面积为2.26×106hm2，占总播种面积的57.41%，占东北三省总受灾面积的15.24%，年均成灾面积为1.3×106hm2，占总播种面积的32.78%，占东北三省总成灾面积的15.68%；受灾面积最小的是吉林省，年均受灾面积为2.23×106hm2，占总播种面积的41.24%，占东北三省总受灾面积的15.02%，年均成灾面积为1.35×106hm2，占总播种面积的24.84%，占东北三省总成灾面积的16.27%.

图3 2004—2018年东北三省洪涝灾害受灾面积、成灾面积、受灾率和成灾率空间分布

4 东北三省洪涝灾害驱动力分析

4.1 洪涝灾害等级分析

4.1.1 洪涝指标构建与验证

分别计算东北三省各气象站在2004—2008年、2009—2013年、2014—2018年三个时段内的SPI指数，并根据表4分析判断每个时段各气象站的洪涝灾害程度，按照洪涝灾害等级进行分级，并依据空间插值方法对各气象站的洪涝灾害等级进行插值，得到区域内洪涝灾害程度[20].依据《中国气象灾害年鉴》中的洪涝灾害记录对由SPI指数得到的洪涝灾害程度进行验证，结果表明SPI指数能较好地反映东北三省洪涝灾害情况，具有较好的代表性[21].

表4 SPI指数洪涝等级

4.1.2 洪涝灾害强度分析

从图4中可以看出，2004—2008年洪涝灾害区域主要集中于黑龙江省大兴安岭地区、吉林省延边州、辽宁省朝阳市和葫芦岛市；2009—2013年整体洪涝灾害程度较为严重，几乎东三省各市域皆有洪涝灾害发生，主要是由于2013年东三省降水量异常偏多，洪涝灾害灾情较为严重，松嫩流域出现明显涝灾；相对而言，2014—2018年洪涝灾害发生较少，东三省中部区域发生轻度洪涝.

图4 东北三省不同时段洪涝灾害等级

4.2 驱动因素分析

4.2.1 降雨因子

从图5中可以看出，东北三省三个时段的整体年均降水量呈现出从西北到东南递增的趋势，西北和北部地区年均降水量最少，东南部吉林省与辽宁省接壤处年均降水量最高，超过800 mm.第二时段2009—2013年降水量整体高于其他两时段，2014—2018年年均降水量相对最少.黑龙江省整体降水量偏少，其中伊春市和佳木斯市东部年均降水量最多；吉林省和辽宁省年均降水呈现自西北向东南递增趋势，其中吉林省通化市、白山市和辽宁省本溪市、丹东市年均降水分布最多.

图5 东北三省不同时段年均降水量

4.2.2 地表环境因子

地表环境因子包括高程、坡度、土壤质地和NDVI，分布情况如图6和图7所示.东北三省地形以山地和平原为主，小兴安岭和长白山所在区域内海拔较高，高于400 m，松嫩平原、三江平原和辽河平原所在区域海拔较低，低于200 m.坡度分布格局同高程相似，坡度较高区域分布于大兴安岭、小兴安岭和长白山.土壤质地分为三种类型：砂土、壤土和黏土，可以从图6中看出，东北三省大多区域以壤土类型分布，壤土是粒径介于0.2～0.02 mm之间的土壤，通风良好，保水性和保温性能较好[22].2004—2018年三个时段的植被覆盖指数分布皆较为稳定，研究区域东北部要比西南部NDVI值高，植被区域多分布于东北部(图7).

图6 东北三省高程、坡度与土壤质地分类

图7 东北三省不同时段植被覆盖指数

4.2.3 社会经济因子

随着社会经济的发展，洪涝灾害的时空分布格局也发生了变化.2004—2018年三个时段各市域人口和GDP分布情况如图8和图9所示.三个时段人口数量最多的皆是黑龙江省哈尔滨市，超过800万人；吉林省长春市和辽宁省沈阳市人口数量位居第二；人口数量最低的包括黑龙江省大兴安岭、黑河市、伊春市、鹤岗市、双鸭山市、鸡西市，吉林省辽源市、白山市和辽宁省阜新市、盘锦市、辽阳市、本溪市，人口数量小于200万人.三个时段有明显人口减少趋势的是吉林省白城市.

分析可知，随着社会经济的发展，各市域生产总值大多呈现增长的趋势.2004—2008年各市域GDP整体偏低，2014—2018年各市域GDP明显增长.其中，三个时段GDP发展水平较高的皆为黑龙江省哈尔滨市、吉林省长春市、辽宁省沈阳市和大连市.

图9 东北三省不同时段各市域GDP

4.3 洪涝灾害驱动力探测分析

4.3.1 主导驱动因子探测分析

根据三个不同时段地理探测器的因子探测结果如表5所示，除了土壤质地因子的p值>0.001，其余所有驱动因子的p值皆<0.001，所以所选降水量、坡度、地形、NDVI、GDP及人口因子均对东北三省洪涝灾害程度有显著影响[23].

2004—2008年间的驱动因子由强至弱依次是高程>人口>坡度>NDVI>GDP>降水量>土壤质地，说明该时段内洪涝灾害程度主要受高程影响；2009—2013年间的驱动因子由强至弱是降水量>GDP>高程>坡度>人口>NDVI>土壤质地，该时段内洪涝灾害程度主要受降水量和GDP影响，该时段内2013年东三省降水量异常偏多，洪涝灾害灾情较为严重，且城市化进程发展较快；2014—2018年间的驱动因子由强至弱依次是降水量>坡度>人口>高程>NDVI>GDP>土壤质地[24]，该时段内洪涝灾害程度主要受降水量影响，较前两个时段相比，GDP影响较弱，是由于改革开放推进，我国各项产业历经转型与更新，而东北地区转型难，人口流失严重，因而自2016年起，东三省城镇化率已低于全国平均水平.整体来看，可见东北三省洪涝灾害程度不仅受降水影响，还受地表环境和社会经济影响[25].

表5 单一驱动因子探测结果

4.3.2 交互作用探测分析

2004—2008年间的驱动因子的交互作用分析如表6所示，结果表明任意两个驱动因子之间的交互作用解释力都要大于单一驱动因子的解释力[21].其中，坡度与高程、土壤质地与NDVI两两交互呈现双因子增强交互作用，其余两两之间均呈现非线性增强交互作用.降水量与人口的交互作用值最大，为0.269 7，即对东北三省洪涝灾害强度的解释力为26.97%，在所有因子中对东北三省洪涝灾害强度有最强的解释力.

表6 2004—2008年驱动因子交互作用探测结果

2009—2013年间的驱动因子的交互作用分析如表7所示[26].降水量与坡度、降水量与高程、坡度与高程、坡度与NDVI两两交互呈双因子增强交互作用，坡度与土壤质地呈独立作用，其余两两之间均呈非线性增强交互作用.GDP与人口对洪涝灾害程度的q值最大，为0.468 9，即对东北三省洪涝灾害强度的解释力为46.89%，在所有因子中对东北三省洪涝灾害强度有最强的解释力[27].

表7 2009—2013年驱动因子交互作用探测结果

2014—2018年间的驱动因子的交互作用分析如表8所示.其中，降水量与高程呈双因子增强交互作用，其余两两之间均呈非线性增强交互作用.GDP与人口对洪涝灾害程度的q值最大，为0.3020，即对东北三省洪涝灾害强度的解释力为30.2%，在所有因子中对东北三省洪涝灾害强度有最强的解释力.

表8 2014—2018年驱动因子交互作用探测结果

综合以上分析结果可知，东北三省的洪涝灾害强度不仅受单一驱动因子直接作用，还受降水因子、地表环境因子和社会经济因子共同作用所影响.通过比较单因子探测和交互作用探测的分析结果，可以发现对于东北三省洪涝灾害强度的解释力，大部分驱动因子与其他因子的交互协同作用可以比独立作用更好地体现出来.

5 结论与讨论

5.1 结论

本文通过借助趋势分析、SPI指数和地理探测器分析方法，对东北三省2004—2018年洪涝灾害时空格局演变及其驱动力进行探测分析.其中，驱动因子选取降水因子、地表环境因子、社会经济因子三大类型，包含降水量、坡度、高程、土壤质地、NDVI、GDP和人口共7个驱动因子.研究结果表明：

(1)近15年东北三省洪涝灾害灾情指标均具有明显的年际变化，在2004—2005年、2009—2010年、2012—2013年、2016—2017年整体呈现上升趋势，2013年为峰值点.综合三个时段比较，可见第二时段2009—2013年东北三省受灾面积和受灾率的整体趋势要高于其他两时段.

(2)东北三省洪涝灾害受灾情况具有显著的地域差异，受灾面积最大的是黑龙江省，最小的为吉林省，且三个时段内黑龙江省的受灾面积和受灾率皆为同期最高.

(3)通过地理探测器分析可知，在单因子探测方面，东北三省洪涝灾害强度受降水因子和地表环境因子影响要高于受社会经济因子的影响；在因子交互作用探测方面，东北三省洪涝灾害强度受多个驱动因子共同作用，每两个驱动因子之间交互作用的解释力均高于单一因子的解释力，其中2004—2008年间降水量与人口的交互作用最为显著，其余两个时段GDP与人口的交互作用最为显著.