張海軍， 白景鋒

（南陽師范學(xué)院環(huán)境科學(xué)與旅游學(xué)院，河南南陽 473061）

空間抽樣對東北地區(qū)邏輯火險建模的影響

張海軍， 白景鋒

（南陽師范學(xué)院環(huán)境科學(xué)與旅游學(xué)院，河南南陽 473061）

為分析不同空間抽樣方式對邏輯火險建模的影響，以我國東北為研究區(qū)，設(shè)計3種全局抽樣方案和1種分區(qū)抽樣方案，分別取得訓(xùn)練樣本并開發(fā)了邏輯火險模型，對模型的因子和因子相對重要性做比較分析?；?種抽樣方案的模擬結(jié)果，利用內(nèi)部檢驗子集和獨(dú)立檢驗子集，從可靠性和區(qū)分能力檢驗?zāi)Ｐ托阅懿⑦M(jìn)行比較。結(jié)果表明:①全局模型間差異較小，表明不同的全局抽樣方式對建模的影響有限，總體來看，空間平衡抽樣略優(yōu)于空間系統(tǒng)抽樣，空間系統(tǒng)抽樣略優(yōu)于空間隨機(jī)抽樣;②分區(qū)模型間差異顯著，表明不同子區(qū)的火災(zāi)事件與火環(huán)境因子間關(guān)系明顯不同;③分區(qū)建模的性能總體上優(yōu)于全局建模，但分區(qū)建模仍受限于邏輯模型自身的非空間、全局特征;④NDVI是全局尺度分析結(jié)果中最重要的火環(huán)境因子，高程因子的影響不顯著。本研究可為東北地區(qū)的火險研究和采用邏輯模型的相關(guān)研究提供參考。

邏輯回歸;火險;空間平衡抽樣;空間系統(tǒng)抽樣;空間隨機(jī)抽樣;分區(qū)抽樣;中國東北

0 引言

因邏輯回歸模型良好的建模特性，即不要求變量分布正態(tài)性，并且可同時使用連續(xù)和類別兩種類型的變量［1］，使其成為火險研究中應(yīng)用最成功和最廣泛的建模工具之一［2-11］。在火災(zāi)數(shù)據(jù)庫中一般僅記錄火災(zāi)發(fā)生數(shù)據(jù)，邏輯火險建模中需要未發(fā)生數(shù)據(jù)通常以空間抽樣方式提取并追加到數(shù)據(jù)庫中［2-5，7-8］。目前，選用邏輯回歸模型的火災(zāi)風(fēng)險研究都僅采用一種抽樣方法獲取訓(xùn)練樣本［2-5，7-8］，空間抽樣對建模存在的影響迄今尚無探討和分析。現(xiàn)有邏輯火險建模中，非火像元抽樣的方式主要包括等比空間隨機(jī)［2，4，5，8］、非等比空間隨機(jī)［3］和均勻抽樣［7］，文獻(xiàn)中尚未見使用其他抽樣方式研究。因等比抽樣可減少數(shù)據(jù)量并消除抽樣過程中的偏差［12］，故火險研究中常采用等比抽樣［2，4-5，8］。為了揭示不同空間抽樣方式對邏輯火險建模存在的影響，本研究以頻發(fā)嚴(yán)重森林火災(zāi)事件的我國東北為研究區(qū)［13］，選取影響該區(qū)火災(zāi)事件發(fā)生的一些自然和人為因子，分別采用等比全局空間隨機(jī)抽樣、等比全局空間系統(tǒng)抽樣、等比全局空間平衡抽樣和等比分區(qū)空間隨機(jī)抽樣取得訓(xùn)練樣本，并分別開發(fā)模型，通過對結(jié)果模型的比較分析和性能檢驗以揭示不同抽樣方式對邏輯火險建模的影響。本研究可為采用邏輯回歸模型的相關(guān)研究提供參考和借鑒，也可為我國東北地區(qū)的火險預(yù)警監(jiān)測和防火管理提供技術(shù)支持。

1 數(shù)據(jù)與方法

1.1 研究區(qū)概況

研究區(qū)包括黑龍江、吉林、遼寧省和內(nèi)蒙古自治區(qū)東部(115.23°E ～135.03°E 和 39.98°N ～53.57°N)。該區(qū)的大興安嶺、小興安嶺和長白山區(qū)是我國最大的天然林區(qū)，占全國林區(qū)總面積的37%，草地主要分布在黑龍江和內(nèi)蒙古自治區(qū)東部。1999～2007年，該區(qū)的火燒面積高達(dá)230萬hm2，占全國火燒區(qū)總面積的73.8%［13］。因區(qū)內(nèi)頻發(fā)嚴(yán)重火災(zāi)事件，該區(qū)成為火險研究的熱點(diǎn)區(qū)域［4，7-8，13］。全區(qū)的氣候以寒溫帶大陸性季風(fēng)氣候為主，四季分明，冬季漫長寒冷，夏季溫濕短暫，年均溫在5～10°C，南北溫差較大，東西降水差異較大，區(qū)內(nèi)植被類型復(fù)雜多樣，空間分布差異明顯。

1.2 數(shù)據(jù)來源與數(shù)據(jù)處理

火災(zāi)發(fā)生與多種自然和人為因素有關(guān)，是一個復(fù)雜相互作用過程［2，14］。結(jié)合當(dāng)前研究區(qū)的相關(guān)研究［4，7-8］，并 參 考 相 關(guān) 火 災(zāi) 發(fā) 生 驅(qū) 動 機(jī) 制 研 究 成果［2，5-6］，本研究選取的火環(huán)境變量的相關(guān)信息見表1。

1.3 邏輯火險模型的開發(fā)

邏輯回歸模型是一種因變量為二項分布(如:1—有火;0—無火)的廣義全局線性模型，其數(shù)學(xué)表達(dá)式為［4，8］

式中:p(y=1)為地面單元的火燒概率;xi為選定的火環(huán)境因子;bi為因子系數(shù);b0為常數(shù)項。利用訓(xùn)練子集可估計b0和bi的值，借助式(1)可計算整個研究區(qū)的火燒概率。模型開發(fā)流程見圖1。

圖1中各期的非火點(diǎn)采用設(shè)計的空間抽樣方案分別抽取并基于空間位置提取火環(huán)境因子值。2000～2004年共9期數(shù)據(jù)用于模型開發(fā)(70%)和內(nèi)部檢驗(30%)，2005～2009年共9期數(shù)據(jù)用于模型獨(dú)立檢驗(100%)。

1.3.1 空間抽樣方案設(shè)計

(1)等比全局空間隨機(jī)抽樣。依據(jù)等比例原則確定各期的非火點(diǎn)數(shù)，各期分別以空間簡單隨機(jī)抽樣方式抽取非火點(diǎn)。

(2)等比全局空間系統(tǒng)抽樣。依據(jù)等比例原則確定各期的非火點(diǎn)數(shù)，各期分別根據(jù)各自有效的非火燒區(qū)的幾何形狀計算抽樣間隔，按空間系統(tǒng)抽樣方式抽取非火點(diǎn)。

(3)等比全局空間平衡抽樣。空間平衡抽樣強(qiáng)調(diào)樣點(diǎn)抽取的隨機(jī)等概和空間上的均衡分布［15］。本研究使用ArcGIS(v10.1)的“創(chuàng)建空間平衡點(diǎn)”工具實現(xiàn)空間平衡抽樣，其中的“包含概率”參數(shù)表示一個像元相對其他像元被抽取的概率［15］?；诠P者的先前研究［4，8］，各期的包含概率采用下式計算:

式中:Inc_prob為包含概率;右側(cè)的7個因子均做歸一化處理。

各期分別以空間平衡抽樣方式按與火點(diǎn)等比例原則抽取非火點(diǎn)。

表1 因變量和火環(huán)境變量

圖1 模型開發(fā)流程

(4)等比分區(qū)空間隨機(jī)抽樣。基于中國林業(yè)科學(xué)數(shù)據(jù)中心(CFSDC)發(fā)布的省級火險區(qū)劃圖按火險等級把研究區(qū)分為3個子區(qū)(等級“其他”歸到“三級”中)，各期的火點(diǎn)按空間位置關(guān)系劃分到各子區(qū)，各子區(qū)分別以空間簡單隨機(jī)抽樣方式等比例抽取非火點(diǎn)。

1.3.2 邏輯火險模型和火燒概率圖

對采用不同抽樣方案取得的訓(xùn)練樣本(見圖1)分別在SPSS(v21)中運(yùn)行二元邏輯回歸程序，對類別型火環(huán)境因子設(shè)置虛擬變量進(jìn)行分析(編碼值最小的類均設(shè)置為參照類)，采用后向逐步回歸程序，以迭代過程剔除那些不能導(dǎo)致－2LL值顯著變化(P＜0.01)的火環(huán)境因子［4］。通過Wald卡方檢驗，模型運(yùn)行結(jié)果中火環(huán)境因子(或因子類型)估計系數(shù)的顯著性水平＞0.05的賦值為0(參照類賦值為0)，＜0.05的賦其估計系數(shù)值［4，8］。借助式(1)即可分別得到邏輯火險模型。對等比分區(qū)空間隨機(jī)抽樣，各子區(qū)用各自的訓(xùn)練樣本分別開發(fā)模型，據(jù)上述模型即可分別生成各期的各子區(qū)火燒概率空間分布圖，鑲嵌各期各子區(qū)的火燒概率圖即可得到整個研究區(qū)的火燒概率圖。

1.3.3 模型性能檢驗

模型的性能應(yīng)同時從可靠性和區(qū)分能力兩個方面進(jìn)行檢驗［16］?？煽啃远攘磕M的火燒概率和觀測的火點(diǎn)落入百分比之間的一致程度，區(qū)分能力指模型正確區(qū)分火點(diǎn)和非火點(diǎn)的能力。為此，把每期的火燒概率圖都以分位數(shù)分類法分為10類，并分別統(tǒng)計檢驗火點(diǎn)落入各類中的百分比，然后按火險等級從高到低排序后計算各火險等級的累積頻率，繪制累積頻率曲線。內(nèi)部檢驗和獨(dú)立檢驗期間的各期均以上述程序處理，即可生成整個研究期的累積頻率曲線圖以檢驗?zāi)Ｐ偷目煽啃?。采用ROC曲線下面積(AUC)這個無偏的區(qū)分指數(shù)檢驗?zāi)Ｐ偷膮^(qū)分能力［12，16］。AUC 值為 0.5～0.7時模型區(qū)分能力較差;為0.7～0.9時區(qū)分能力合理;＞0.9時區(qū)分能力極好［16］。分別合并各期用于檢驗的火點(diǎn)和非火點(diǎn)生成各期的檢驗樣本，空間疊加檢驗樣本和火燒概率圖提取火燒概率值，利用SPSS(v21)計算AUC值。對等比分區(qū)空間隨機(jī)抽樣，各期分別合并各子區(qū)的檢驗樣本，采用和單模型相同的方式檢驗?zāi)Ｐ偷膮^(qū)分能力。

2 結(jié)果及結(jié)果分析

2.1 邏輯火險模型

基于上述4種抽樣方案開發(fā)的邏輯火險模型分別為:

式(3)～(5)分別為基于等比全局空間隨機(jī)抽樣、等比全局空間系統(tǒng)抽樣和等比全局空間平衡抽樣的模型;式(6)～(8)分別為基于等比分區(qū)空間隨機(jī)抽樣的一級火險區(qū)、二級火險區(qū)和三級火險區(qū)的模型。

2.2 模型性能檢驗

圖2顯示了第5期(2003年3月)的累積頻率曲線和內(nèi)部檢驗期間與獨(dú)立檢驗期間的平均值累積頻率曲線?？煽闯觯?種方案的模型，高火險等級都能識別較多火點(diǎn)，表明模型可靠性均較好?？傮w來看，4種方案的模型可靠性、內(nèi)部檢驗期間均優(yōu)于獨(dú)立檢驗期間。

圖3為AUC曲線圖。可看出，區(qū)分能力合理以上的期數(shù)為77.8%(14/18)～83.3%(15/18)，表明模型均具有較好的區(qū)分能力。

圖2 累積頻率曲線

圖3 AUC曲線

2.3 結(jié)果分析

所有模型均不含高程因子。除高程外，基于等比全局空間平衡抽樣的模型包括所有因子，基于等比全局空間隨機(jī)抽樣的模型無因子LST，基于等比全局空間系統(tǒng)抽樣的模型無因子Dv。每個模型中各火環(huán)境因子或類型對火燒概率的貢獻(xiàn)程度可由其指數(shù)化系數(shù)exp(bi)解釋［12］。若系數(shù)bi＞0，exp(bi)＞1;bi＜0，exp(bi)＜1。exp(bi)是事件的發(fā)生頻數(shù)與不發(fā)生頻數(shù)之比，表示火環(huán)境因子每增加1個單位，因變量發(fā)生的變化情況［7-8，12］。從bi值可知，在3個全局模型中，NDVI的貢獻(xiàn)都最顯著，其他因子的貢獻(xiàn)程度相似(LST和Dv在各自模型中的貢獻(xiàn)都較小)。分區(qū)抽樣的3個模型存在差異，其中，一級火險區(qū)和三級火險區(qū)的模型差異不是很大(前者包含除高程外的所有因子，后者包含除高程和LST外的所有因子);二級火險區(qū)的模型則與一級和三級火險區(qū)的模型存在顯著差異(前者僅包含8個火環(huán)境因子)。圖4為模型中exp(bi)＞1的因子或類型的指數(shù)化系數(shù)直方圖。

圖4 火環(huán)境因子(或類型)的相對重要性

直接比較不同模型中相同因子的指數(shù)化系數(shù)值絕對大小的意義不大［5］。這里，通過排序同一模型中各因子的指數(shù)化系數(shù)值來評估其在該模型中的相對重要性。圖4(a)顯示，對3種全局方案，進(jìn)入模型且貢獻(xiàn)較大的因子或類型的相對重要性，前12種完全相同，即NDVI＞歷史火災(zāi)中被火燒類別＞草原＞草甸＞沼澤＞闊葉林＞灌叢＞栽培植被＞Lat＞針闊混交＞Log＞Dp。后兩種(Dv和LST)稍有差異，基于等比全局空間隨機(jī)抽樣方案，LST未進(jìn)入模型;基于等比全局空間系統(tǒng)抽樣方案，Dv未進(jìn)入模型;基于等比全局空間平衡抽樣方案，LST和Dv均進(jìn)入模型。圖4(b)顯示，基于等比分區(qū)空間隨機(jī)抽樣方案的3個模型中貢獻(xiàn)較大的因子或類型存在顯著差異。對一級火險區(qū)，因子或類型的排序為:9月＞6月＞草甸＞闊葉林＞Lat＞沼澤＞栽培植被＞灌叢＞Log＞草原＞Dp;二級火險區(qū)，則為:NDVI＞草原＞草叢＞灌叢＞闊葉林＞高山植被＞沼澤＞Lat＞栽培植被＞Dp＞5月;三級火險區(qū)，則僅為:NDVI＞Lat＞Dv＞Log?？傮w來看，3種全局方案的模型，無論是進(jìn)入模型的因子，還是模型中貢獻(xiàn)較大的因子或類型相對重要性的排序基本一致，僅存在微小差異。分區(qū)抽樣并分別建模，無論是進(jìn)入模型的因子還是模型中貢獻(xiàn)較大的因子或類型均存在顯著差異。

為了從整體上比較基于上述4種抽樣方案的模型可靠性的相對優(yōu)劣，對圖2(a)中的前5個最高火險等級分別按累積百分比值從大到小對4種抽樣方案排序，對研究期內(nèi)的18期均做上述處理，然后分別統(tǒng)計4種抽樣方案在前5個最高火險等級的排序情況，并以下式計算4種抽樣方案在各火險等級的綜合得分:

式中:i為抽樣方案;j為火險等級，此處j包括一級、二級、三級、四級、五級;TS(i，j)為抽樣方案i在第j等級的綜合得分值;k為抽樣方案i在第j等級的排序值;Nk為排序值為k的期數(shù)。

對前5個最高火險等級，分別按綜合得分值對4種抽樣方案排名，結(jié)果如表2所示。從表2可知，從一級火險到二級火險，4種抽樣方案的名次完全顛倒。即，小于20%的高火險區(qū)，4種抽樣方案識別火點(diǎn)的能力未表現(xiàn)出穩(wěn)定的優(yōu)勢。從三級火險起排名趨于穩(wěn)定，即高于30%的高火險區(qū)識別火點(diǎn)的能力，等比分區(qū)空間隨機(jī)＞等比全局空間平衡＞等比全局空間系統(tǒng)＞等比全局空間隨機(jī)。

表2 4種抽樣方案綜合得分及名次

對模型區(qū)分能力，如果按照優(yōu)先比較極差類，若不能區(qū)分再比較極好類的原則，則4種抽樣方案的優(yōu)劣排序為:等比分區(qū)空間隨機(jī)＞等比全局空間平衡＞等比全局空間系統(tǒng)＞等比全局空間隨機(jī)。

3 結(jié)論

(1)基于3種全局抽樣方案的模型性能的相對優(yōu)劣可排序為:等比全局空間平衡＞等比全局空間系統(tǒng)＞等比全局空間隨機(jī)。然而，無論模型本身還是模型性能，3種全局模型間差別較小，表明抽樣方案對建模存在一定影響，但影響比較有限。分區(qū)抽樣的3個模型間差異明顯，分區(qū)建模的模型區(qū)分能力優(yōu)于所有全局模型，高于30%的高火險區(qū)，分區(qū)模型的可靠性最好。這反映出不同區(qū)域影響火災(zāi)發(fā)生的內(nèi)在驅(qū)動機(jī)制不同，火災(zāi)發(fā)生與影響因子間呈現(xiàn)空間變化性。

(2)基于邏輯回歸的東北地區(qū)區(qū)域尺度上的火險分析，NDVI是最顯著的火環(huán)境因子，高程對火災(zāi)發(fā)生的影響是非顯著的。選擇邏輯回歸模型建模火災(zāi)風(fēng)險，合理分區(qū)并分別建模可在一定程度上取得更好的建模效果。然而，作為一種非空間的全局建模方法，邏輯回歸觀測獨(dú)立的前提假設(shè)很難得到滿足，分區(qū)建模與空間過程連續(xù)的本質(zhì)也是矛盾的，靠分區(qū)建模提高的模型性能是有限的。

本研究進(jìn)一步努力的方向:①多時態(tài)抽樣然后合并取得訓(xùn)練樣本，合并仍可能導(dǎo)致子樣本間強(qiáng)空間自相關(guān)且無法控制，設(shè)計一種把多時態(tài)抽樣轉(zhuǎn)化為單次實現(xiàn)，把其結(jié)果分配到各時間片取得訓(xùn)練樣本的空間抽樣方案用于火災(zāi)風(fēng)險模擬。② 鑒于中國東北地區(qū)火災(zāi)和火環(huán)境因子間的空間異質(zhì)關(guān)系，開發(fā)局部火險模型進(jìn)行火災(zāi)風(fēng)險空間模擬和評估。

［1］ Lee S，Pradhan B.Landslide hazard mapping at Selangor，Malaysia using frequency ratio and logistic regression models［J］.Landslides，2007，4(1):33-41.

［2］ Lozano F J，Suárez-Seoane S，Luis E de.Assessment of several spectral indices derived from multi-temporal Landsat data for fire occurrence probability modeling［J］. Remote Sensing of Environment，2007，107(4):533-544.

［3］ Reineking B， Weibel P， Conedera M，et al. Environmental determinants of lightning-v.human induced forest fire ignitions differ in a temperate mountain region ofSwitzerland［J］.International Journal of Wildland Fire，2010，19(5):541-557.

［4］ 張海軍，戚鵬程.基于頻率比和邏輯回歸模型的東北地區(qū)火險制圖研究［J］.地理與地理信息科學(xué)，2012，28(5):35-38.

ZHANG Hai-jun， QIPeng-cheng. Mapping fire occurrence susceptibility in Northeast China:comparison of frequency ratio and binary logistic regression［J］.Geography and Geo-information Science，2012，28(5):35-38.

［5］ Padilla M，Vega García C.On the comparative importance of fire danger rating indices and their integration with spatial and temporal variables for predicting daily human-caused fire occurrences in Spain［J］.International Journal of Wildland Fire，2011，20(1):46-58.

［6］ Nieto H，Aguado I，García M，et al.Lightning-caused fires in Central Spain:Development of a probability model of occurrence for two Spanish regions［J］.Agricultural and Forest Meteorology，2012，(162-163):35-43.

［7］ 鄧 歐，李亦秋，馮仲科，等.基于空間Logistic的黑龍江省林火風(fēng)險模型與火險區(qū)劃［J］.農(nóng)業(yè)工程學(xué)報，2012，28(8):200-205.

DENG Ou，LI Yi-qiu，F(xiàn)ENG Zhong-ke，et al.Model and zoning of forest fire risk in Heilongjiang province based on spatial Logistic［J］.Transactions of the Chinese Society of Agricultural Engineering，2012，28(8):200-205.

［8］ Zhang H J，Han X Y，Dai S.Fire Occurrence Probability Mapping of Northeast China with Binary Logistic Regression Model［J］.IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2013，6(1):121-127.

［9］ Chuvieco E，Aguado I，Yebra M，et al.Development of a framework for firerisk assessmentusingremotesensingand geographic information system technologies［J］.Ecological Modelling，2010，221(1):46-58.

［10］ Preisler H K，Westerling A L，Gebert K M，et al.Spatially explicit forecasts of large wildland fire probability and suppression costs for California［J］.International Journal of Wildland Fire，2011，20(4):508-517.

［11］ Hernandez-Leal P A，Gonzalez-Calvo A，Arbelo M，et al.Synergy of GIS and Remote Sensing Data in Forest Fire Danger Modeling［J］.IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2008(4):240-247.

［12］ Mathew J，Jha V K，Rawat G S.Landslide susceptibility zonation mapping and its validation in part of Garhwal Lesser Himalaya，India，using binary logistic regression analysis and receiver operating characteristic curve method［J］.Landslides，2009，6(1):17-26.

［13］ Yang G，Di X Y，Guo Q X，et al.The impact of climate change on forest fire danger rating in China’s boreal forest［J］.Journal of Forestry Research，2011，22(2):249-257.

［14］ Lozano F J，Suárez-Seoane S，Kelly M，et al.A multi-scale approach for modeling fire occurrence probability using satellite data and classification trees:A case study in a mountainous Mediterranean region［J］.Remote Sensing of Environment，2008，112(3):708-719.

［15］ Theobald D M，Stevens Jr D L，White D.Using GIS to generate spatially balanced random survey designsfornaturalresource applications［J］.Environmental Management，2007，40(1):134-146.

［16］ Pearce J，F(xiàn)errier S.Evaluating the predictive performance of habitat models developed using logistic regression［J］. Ecological Modelling，2000，133(3):225-245.

Influences of Different Spatial Sampling Programs on Logistic Fire Danger Modeling—A Case Study in for Northeast China

ZHANG Hai-jun，BAI Jing-feng(School of Environmental Science and Tourism，Nanyang Normal University，Nanyang 473061，China)

In order to analyze the influences of different spatial sampling programs on logistic fire danger modeling，the northeast China was selected as the study area and three global sampling methods and one zonal sampling pattern were employed to create six training subsets，and then the six training subsets were respectively used to develop six logistic fire danger models.In terms of the included fire-influencing factors and the relative importance of the included factors or types，the six developed models were analyzed and compared.For the four modeling results，deriving from four corresponding spatial sampling programs，evaluated by the inner testing and independent validation，better reliability and discrimination capacity of the four modeling were concluded.In addition，the reliability and discrimination capacity of the four modeling were also compared.The results or conclusions are as follows:i)There exists little difference among the three global models，indicating limited influence of different global sampling programs on logistic fire danger modeling.In summary，the spatially balanced sampling is slightly better than the spatially systematic sampling and the spatially systematic sampling is slightly better than the spatially random sampling.ii)Obvious differences exist among three zonal models，showing that the relationships between fire events and fire-influencing factors are different for different subregions.iii)On the whole，the performance is better for zonal modeling than for global modeling，but the performance of zonal modeling is still limited by the characteristics of being non-spatial and global of the binary logistic model.iv)It can be seen from the results of global scale analysis that NDVI is the most important fire-influencing factor in Northeast China whereas altitude can be ignored.The current study can support fire danger studies of Northeast China and related studies which employ binary logistic regression model.

logistic regression;fire danger;spatially balanced sampling;spatially systematic sampling;spatially random sampling;zonal sampling;Northeast China

N 34;N 37

A

1006－7167(2014)05－0020－06

2013－08－23

國家自然科學(xué)基金項目(30771744;41201099)

張海軍(1978－)，男，河北灤平人，講師，現(xiàn)主要從事自然災(zāi)害模擬、評估和預(yù)警監(jiān)測研究。

Tel.:15936167992;E-mail:hjzhangny@126.com