山东省干旱灾害风险评估与区划研究

2023-02-12李臻，季民，李云岭，王映然

人民长江 2023年1期

李臻，季民，李云岭，王映然

(山东科技大学测绘与空间信息学院，山东青岛 266590)

0 引言

联合国政府间气候变化专门委员会(Intergovernmental Panel on Climate Change，IPCC)在其一系列报告中指出，干旱是世界上最常见的自然灾害[1]。根据《中国气象灾害大典·山东卷》灾情统计，1949～2000年，除了1964年未发生旱灾外，其他年份山东省均发生了不同程度的旱灾。全省平均每年农作物旱灾受灾面积为186.209万hm2，成灾面积为114.964万hm2。其中，1992年农作物的受旱面积达到最大，为503.7万hm2。1999～2002年，连续4 a大旱导致粮食短缺、企业停工、城镇供水严重短缺[2]。2010～2011年，山东省同样出现了严重的旱灾。2015年，山东省再次遭遇严重干旱，部分城镇供水受到影响，1～3月，南四湖的蓄水量仅为常年同期的一半，水量亏缺导致水质下降，生态环境受到影响。由此可见，山东省常年发生旱灾，限制了农业生产和经济发展。

近年来，灾害风险引起了国内外学者的高度关注，许多学者对干旱灾害风险评估与区划方面进行了广泛而深入的研究。Ai等[3]提出了基于干旱发生概率和潜在影响的干旱动态风险评估概括模型；Xu等[4]应用灰色物元分析方法对河南省农业旱灾进行风险评估，评估结果与旱灾发生的实际情况基本一致；Zhang等[5]利用二维和三维Copula函数在中亚地区构建多维联合分布，并基于联合概率和重现期研究干旱风险特征；董涛等[6]以安徽省淮河流域为研究区域，引入正态云模型，并基于该模型建立了农业旱灾风险评估模型；Ismail[7]根据干旱风险指数(DRI)=危险指数(DHI)×脆弱性指数(DVI)基本模式，对土耳其各省的干旱综合风险进行评估；刘小艳[8]、王志春[9]、杨丰政[10]、尚小宁[11]、刘航[12]等基于自然灾害风险理论，选取评价指标并建立了干旱灾害风险指数模型，分别对陕西省、赤峰市、徐水县、泾阳县以及淮河流域进行了干旱灾害风险评估。

以往关于山东省干旱的研究多集中于干旱特征和时间序列分析方面等[2，13-14]，但关于该省干旱灾害风险区划和评估方面的研究较少。鉴于此，本文基于自然灾害风险理论，根据山东省的实际情况，从自然灾害形成机制的角度出发，在参照前人研究的基础上，考虑并选择干旱风险四要素中的若干评价指标，对所选指标间的相关性进行分析，采用AHP-熵权法确定相应的权重，并采用加权综合评价法构建了山东省旱灾风险评估模型。利用该风险评估模型，以16个地市的137个县区作为评价单元，开展了山东省干旱风险评估和区划研究。研究成果可为相关单位防灾减灾政策的制定提供一定的参考依据。

1 研究区概况与数据来源

1.1 研究区概况

山东省(34°22.9′N～38°24.01′N，114°47.5′E～122°42.3′E)位于中国东部沿海，地处黄河下游，全省面积近15.79万km2。如图1所示，山东省地形特征总体呈中部山地突起，西南、西北低洼平坦，东部缓丘起伏的态势。地貌类型以平原和丘陵为主，平原、丘陵和山地分别约占全省总面积的66%，15%和15%。土地利用类型主要包括耕地、林地、草地、水域、城乡居民用地等，耕地是山东省面积比例最大的地类。该省气候温和，降水集中，四季分明，属于暖温带季风气候。各地年平均气温在11.5～14.7 ℃之间，自鲁西南向半岛递减；年平均日照时数在2 301.8～2 856.2 h之间，自鲁南向鲁北递增；年平均降水量在657.6～1 138.4 mm之间，自鲁西北向鲁东南递增，且全年70%以上的降水量主要集中在6～9月，其他季节降雨量较少，因此该省干旱发生的频率高、持续时间长、范围广。

图1 山东省高程分布Fig.1 Elevation distribution of Shandong Province

1.2 数据来源

气象资料来源于中国科学院资源环境科学与数据中心(https：∥www.resdc.cn/data.aspx?DATAID=230)，主要包括1969～2019年山东省123个气象站的逐日气温、降水量、日照时数、相对湿度以及平均风速等数据，剔除建站时间较晚以及缺失年份数据较多的站点，最后选取89个站点的气象资料[14]。社会经济数据来源于2016～2020年各市的统计年鉴，主要包括山东省137个县(区)的年末总人口、国民生产总值、粮食播种面积、粮食产量、有效灌溉面积、大牲畜年末存栏数等。土地利用类型数据来源于中国科学院资源环境科学与数据中心。1∶1 000 000河网数据源于国家基础地理信息中心(https：∥www.webmap.cn/main.do?method=index)。ASTER GDEM 30 m分辨率数字高程模型数据来自地理空间数据云网站(http：∥www.gscloud.cn/)。

2 研究方法

2.1 指标规范化法

为了消除灾害风险评价中各要素下指标之间的量纲和数值大小的影响，使评价具有可比性和一致性[15]，需要对指标进行标准化处理，使各指标的数值分布在[0.5，1]范围内。需要注意的是，防灾减灾指数的数据范围需要置于[0，0.5]范围内，具体的计算公式如下[16]：

(1)

式中：Dij为因子j的第i个指标的规范化值；mini和maxi为第i个指标值的最小值和最大值；Aij为因子j的第i个指标值。用该公式进行防灾减灾指数的指标处理时，不需要加0.5。

2.2 确定指标权重方法

2.2.1层次分析法

层次分析法(Analytic hierarchy process，AHP)是把与决策有关的元素分解成目标、准则和方案等层级[17]，是一种定性和定量相结合的简便、快捷计算决策权重的研究方法[18]，层次分析法求解权重的步骤如图2所示。

图2 AHP法求解权重的主要步骤Fig.2 Main steps of the AHP method for solving the weights

本文利用AHP-yaahp软件求解指标权重，最后检验判断矩阵的一致性比例是否小于0.1，若小于0.1，则认为判断矩阵通过一致性检验。

2.2.2熵值法

熵值法是利用信息熵根据各指标的变异程度计算出各指标的熵值，然后用熵值修正各指标的权重，从而得出比较客观的指标权重[19]。确定权重的计算方法及步骤如下[20]：

(1) 如果有n个评估指标和m个评估单元，则第i个指标的第j评价单元的值为yij，则指标原始数据矩阵Y=(yij)m×n，其中i=1，2，…，n；j=1，2，…，m。

(2) 对Y的指标数据进行归一化处理，得到归一化矩阵为B=(bij)m×n。

(3) 计算第i个指标下第j项评估对象的比重fij。

(2)

(4) 计算第i个评价指标的熵值Hi。

(3)

(5) 计算第i个评价指标的权重系数。

(4)

2.2.3组合权重法

组合权重法引入了距离函数的概念，通过计算层次分析法和熵权法两组权重之间的距离，使其等同于分配系数之间的差异程度，最后采用线性组合法获得干旱灾害风险评估体系中评价指标的组合权重[21]。

确定组合权重的表达式为

λi=αωi+βμi

(5)

式中：λi为组合权重；α、β为权重的分配系数，且α、β需要满足α+β=1；ωi为层次分析法得到的权重；μi为熵权法得到的权重。

根据上述内容，构造的方程组如下：

(6)

通过求解方程组(6)可以得到分配系数α和β，将分配系数代入公式(5) 即可得出组合权重λi。

2.3 加权综合评价法

采用加权综合评价法计算灾害风险评价中4个因子(危险性、敏感性、易损性、防灾减灾能力)的指数。该方法将各评价指标的权重与指标值相乘，得到最终的综合值。具体公式为

(7)

式中：V为4个因子加权求和后的值；Di为指标i的规范化值；Wi为指标i的权重值(0≤Wi≤1)，通过组合权重法得出，Wi之和为1；n为评价指标的个数。

2.4 干旱灾害风险模型

干旱灾害风险系统由4部分构成，包括致灾因子危险性(H)、孕灾环境敏感性(E)、承灾体易损性(S)和防灾减灾能力(R)，其表达式如下[22]：

I=Hwh×Ewe×Sws×1-Rwr

(8)

式中：I为干旱灾害风险指数，表示旱灾风险大小；wh、we、ws、wr是4个因子的权重指数。从公式中可以看出，高防灾能力会降低干旱风险，而其他因子会增加干旱风险。

2.5 干燥度指数

干燥度指数是指潜在蒸发量与降水量的比值，反映了当地的干燥程度，干燥度指数越大，说明该地区越容易发生干旱，其公式如下[23]：

(9)

式中：AI为干燥度指数；ET0为潜在蒸散量，mm/d；P为降水量，mm。

潜在蒸散量计算常用的方法主要有Thornthwaite方法和FAO Penman-Monteith方法。本文中各气象站点的潜在蒸散量根据联合国粮农组织(FAO)推荐的Penman-Monteith模型计算，该模型包含的气象要素较多，计算的误差较小，其公式如下[24]：

(10)

式中：ET0为潜在蒸散量，mm/d；Rn为地表净辐射，MJ/(m·d)；G为土壤热通量，MJ/(m·d)；γ为干湿表常数，kPa/℃；T为日平均温度，℃；μ2为2 m高处风速，m/s；es为饱和水气压，kPa；ea为实际水气压，kPa；Δ为饱和水汽压曲线斜率，kPa/℃。

3 指标体系构建及权重确定

3.1 指标体系构建

由于干旱形成的具体原因和过程十分复杂，涉及各种气象因素、社会经济因素、地形因素等方面，所以在干旱指标的选取上也会受到时间和空间尺度的诸多限制[25]。参照国内外干旱灾害的研究情况，同时考虑数据的可获取性和可用性，以及数据是否易于处理和表达[26]，本文筛选出构成风险要素的若干评价指标，最终确定了干燥度指数、气温、日照等15个指标，图3为建立的山东省干旱灾害风险评估指标体系。

图3 山东省干旱灾害风险评价指标体系Fig.3 Drought disaster risk evaluation index system in Shandong Province

3.2 基于波段集统计方法的指标间一致性分析

利用波段集统计工具对选取的评估指标间的一致性进行分析，得到指标间的相关矩阵，表1中的参数名称如图3所示。从表1中可以看出，大部分参数之间的相关性低于0.3，相关性较弱，只有气温与日照数、高程和坡度、人口密度与经济密度之间有较强的相关性，这表明所选参数间的总体相关性较弱，能够较为全面地反映干旱灾害风险评估所需要表达的指标[26]。

表1 干旱灾害风险评估参数间相关性

3.3 评价指标权重的确定

采用层次分析法和熵权法确定4个影响因子及其子指标的权重，层次分析法构造的判断矩阵均通过了一致性检验，再利用线性组合法得出各指标的组合权重，具体指标和权重如表2所列，其中权重值的大小表征评价因子对干旱灾害的影响程度，权重值越大影响越大。

表2 干旱灾害风险评估指标体系

4 干旱风险区划与分析

4.1 致灾因子危险性区划

致灾因子是引起灾害发生的最重要的影响因素。本文致灾因子危险性选取气温、日照以及干燥度指数等指标，这些因素控制着干旱灾害的分布，决定了干旱灾害的变化趋势。根据山东省89个气象站1969～2019年的逐日气象数据，利用彭曼公式(FAO Penman-Monteith)，采用ETO-Calculator软件计算潜在蒸散量，然后计算各站点的干燥度指数。采用反距离权重(IDW)插值法对气象站点进行空间插值，得到气温、日照、降水、干燥度指数等指标的多年平均空间分布栅格图(见图4)。

图4 致灾因子指标分布Fig.4 Distribution of disaster-causing factor indicators

山东省年平均降水量由东南地区向西北地区减少，其中鲁南地区降水量可达800～870 mm，是降雨量最多的地区，而干燥度指数的空间分布特征与降水量的分布相反，鲁北日照时间长，鲁西南气温高，气温在14.0～14.7 ℃之间。

对各指标进行规范化处理后，根据公式(7)建立风险分析模型，并利用自然断点分级法将致灾因子危险性指数(H)划分为5个等级：H<0.68为低危险区，0.68≤H<0.72为次低危险区，0.72≤H<0.77为中等危险区，0.77≤H<0.81为次高危险区，H≥0.81为高危险区。

从图5可以看出，致灾因子危险性大体趋势是西北高、东南低。高危险区和次高危险区主要位于山东省西北地区，包括平原县、禹城市、宁津县、利津县、沾化区等地方，低危险区和次低危险区主要分布在威海市、日照市、临沂市、青岛市南部、枣庄市和烟台市南部，其他地方为中等危险区。主要由于鲁西北降水量少、蒸发量大、气温较高，成为高危险区，鲁南及东部沿海地区降水量多、蒸发量小、气候适宜，危险性低。

图5 山东省干旱灾害致灾因子危险性分布Fig.5 Hazard distribution of drought-causing factors in Shandong Province

4.2 孕灾环境敏感性区划

孕灾环境包括当地的地形条件、植被状态、水文条件以及土壤条件等。在本文中，孕灾环境指标重点考虑地形、水系、土地利用类型等3个方面对干旱灾害所产生的综合影响。地形因素主要包括高程和坡度，坡度基于DEM提取。地势较高、坡度越陡的地带不容易蓄积足够的水分，容易发生旱灾。水系由河网密度表示，河网密度可以反映流域内一定面积范围内的河流密集程度，本研究中，利用GIS中的density模块计算了河网密度。河流、支流多且密集，水资源丰富，河网密度越高，干旱发生的概率就越小。不同的土地利用类型对干早灾害的敏感性不同，本文在参考何娇楠[22]研究的基础上，确定各类型的敏感性系数分别为耕地0.9、园地0.7、林地0.6、草地0.5、水域0.2、农村城镇居民点0.1、其他0，数值越大说明对旱灾的影响越大，耕地区域更容易孕育旱灾。

将孕灾环境敏感性指数(E)利用自然断点法划分为低敏感区(E<0.52)、次低敏感区(0.52≤E<0.56)、中等敏感区(0.56≤E<0.59)、次高敏感区(0.59≤E<0.63)和高敏感区(E≥0.63)5个等级，最终得到山东省干旱灾害孕灾环境敏感性分布图。

从图6中可以看出，孕灾环境敏感性的分布很不规则。山东省中部地区以及东部地区敏感度高，主要是由于这些地区的地形以山地和丘陵为主，平均海拔较高。而山东省北部地区敏感性较低，原因是这些地区地势平坦，水系发达，河网密度高，容易蓄积足够的水分。

图6 山东省干旱灾害孕灾环境敏感性分布 Fig.6 Distribution of environmental sensitivity of drought disasters in Shandong Province

4.3 承灾体易损性区划

承灾体的易损程度是决定灾害发生严重程度的因素之一[27]。本文选择人口密度、耕地率、粮食单产、经济密度、农林牧渔业产值密度以及地均大牲畜等6个指标表征承灾体易损性，这些指标能较为全面地反映出承灾体易损性的特点。人口密度、经济密度、耕地率、地均大牲畜、农林牧渔业产值密度分别为区域人口总数、国内生产总值、耕地面积、年末大牲畜存栏数、农林牧渔业总产值与区域面积的比率，粮食单产为单位粮食播种面积上的粮食产量。通过GIS空间处理技术将上述两个指标转换成栅格数据层，并赋予相应的权重，利用加权综合评价法计算出各地区的承灾体易损性指数(S)，并将S划分为低易损区(S<0.60)、次低易损区(0.60≤S<0.63)、中等易损区(0.63≤S<0.65)、次高易损区(0.60≤S<0.68)和高易损区(S≥0.68)5个等级，得到相应的区别划图。

从图7中可以看出，高易损区主要分布在阳信县、汶上县、陵城区、曹县、嘉祥县、宁阳县等地区，次高易损区主要分布在东明县、单县、成武县、曲阜市、高唐县等地区，这些区域人口密度大，耕地比重大，大牲畜存栏数量多，因而易损性相对较高；低易损区主要分布在李沧区、博山区、城阳区等地，这些人口密度较低，耕地比重小，承灾体易损性小，对干旱灾害的应对和适应能力强。

图7 山东省干旱灾害承灾体易损性分布 Fig.7 Vulnerability distribution of drought hazard carriers in Shandong Province

4.4 防灾减灾能力区划

干旱防灾减灾能力是指一个地区抵御和恢复旱灾的能力。本文采用人均GDP和有效灌溉率两个指标来计算防灾减灾能力指数。有效灌溉率也就是有效灌溉面积与耕地面积之比，它是体现当前耕地抗旱能力的一项关键指标，有效灌溉率越高，抗旱能力就越强。人均GDP越高，经济越发达，旱灾后的社会经济方面的应对能力也越强。

利用加权综合评价法计算出各地区的防灾减灾指数(R)，并将R划分低防灾减灾区(R<0.11)、次防灾减灾区(0.11≤R<0.16)、中等防灾减灾区(0.16≤R<0.21)、次高防灾减灾区(0.21≤R<0.28)和高防灾减灾区(R≥0.28)5个等级，得到相应的区划图。从图8中可以看出各等级分布比较零散，高防灾减灾能力区零星分布在福山区、黄岛区、龙口市、荣成市等地，这些地区人均GDP水平高，防灾减灾能力强。低防灾减灾能力区主要分布在平邑县、山亭区、兰陵县、沂南县、临朐县等地，整个临沂市的防灾减灾能力水平相对较低，这些地区有效灌溉率较低，因而防灾减灾能力不高。

图8 山东省干旱灾害防灾减灾能力分布 Fig.8 Distribution of drought disaster prevention and mitigation capacity in Shandong Province

5 干旱灾害综合风险区划及分析

在对上述4个因子进行定量评估的基础上，根据干旱灾害风险评估模型计算出综合风险指数(I)，并利用自然断点法将指数I划分为5个风险等级区，等级划分如表3所列，从而得到山东省干旱灾害综合风险等级区划图(见图9)。

表3 山东旱灾风险等级划分标准

经统计，高风险区域占全区面积的13.7%，次高风险区域面积占25.9%，中等风险区域占26.5%，次低风险区域面积占22.5%，低风险区占11.5%。从图9中可以看出，山东省干旱风险总体上呈现从东向西逐渐递增的现象。干旱风险图反映了区域特征，高、次高风险区主要分布在鲁西北、鲁西南及鲁中地区，包括武城县、阳信县、临清市、夏津县、禹城市等。高风险区如德州市平原县，多年平均降水量在500～580 mm之间，与其他地区相比较少。该类地区干燥程度高，光照充足，热量丰富，加之其耕地面积大，粮食单产高，农林牧渔业产值密度较高，所以致灾因子危险性和承灾体易损性高。平原县地处鲁西北平原，地势平坦，河网密度中等，孕灾环境敏感性为中等，防灾减灾能力也处于中等水平。由于干旱灾害风险评估体系中致灾因子和承灾体易损性因子所占的权重高，因此该地区干旱灾害发生的风险高。次低和低危险区主要分布在山东省南部及东部沿海地区。例如，整个威海市处于干旱灾害的低风险区。据统计[28]，从1949～2008年，山东省共发生399次干旱，威海市共发生4次干旱，干旱频率为1%。威海市为沿海城市，降水多，夏季气温较内陆低，冬季气温较内陆高，致灾因子危险性低，加之威海市人口密度较低，有效灌溉率和人均GDP水平高，承灾体易损性低，防灾减灾能力强，因此该地区干旱灾害发生风险较低。