林瑞坤，蔡　敏，陳清華，游儒蔚

(福州農(nóng)業(yè)氣象試驗(yàn)站　350001)

在全球氣候變暖和快速城市化的背景下，臺(tái)風(fēng)及其引發(fā)的大風(fēng)、暴雨和風(fēng)暴潮的強(qiáng)度和頻率增高，臺(tái)風(fēng)災(zāi)害對(duì)沿海地區(qū)造成的損失加大，嚴(yán)重威脅著人類社會(huì)的可持續(xù)發(fā)展[1]。福州市地處東南沿海，人口密集、經(jīng)濟(jì)發(fā)達(dá)，臺(tái)風(fēng)災(zāi)害常給農(nóng)業(yè)生產(chǎn)造成重大經(jīng)濟(jì)損失，是導(dǎo)致福州農(nóng)作物產(chǎn)量下降的主要風(fēng)險(xiǎn)因素之一。臺(tái)風(fēng)在福州年均發(fā)生5次，主要發(fā)生在6-10月，以7-9月最多。因此，評(píng)估福州市農(nóng)作物臺(tái)風(fēng)災(zāi)害風(fēng)險(xiǎn)對(duì)預(yù)防和減輕臺(tái)風(fēng)災(zāi)害具有重要意義。

近年來(lái)，國(guó)內(nèi)眾多專家學(xué)者熱衷于暴雨、干旱、洪澇、寒潮和臺(tái)風(fēng)等各種自然災(zāi)害風(fēng)險(xiǎn)評(píng)估研究[2-8]，有關(guān)臺(tái)風(fēng)災(zāi)害風(fēng)險(xiǎn)評(píng)估的研究報(bào)道也較多，但研究側(cè)重點(diǎn)有所不同。張廣平等[9]開展基于模糊神經(jīng)網(wǎng)絡(luò)的臺(tái)風(fēng)災(zāi)害損失模型及應(yīng)用研究；楊忠恩等[10]采用綜合災(zāi)害風(fēng)險(xiǎn)指數(shù)法開展熱帶氣旋對(duì)浙江省農(nóng)業(yè)影響的風(fēng)險(xiǎn)區(qū)劃；劉曉慶等[11]開展基于灰色關(guān)聯(lián)度的臺(tái)風(fēng)災(zāi)害影響因素分析研究；陳香[12]采用災(zāi)害風(fēng)險(xiǎn)指數(shù)法和加權(quán)綜合評(píng)價(jià)法對(duì)福建省臺(tái)風(fēng)災(zāi)害進(jìn)行風(fēng)險(xiǎn)評(píng)估與區(qū)劃；馮利華[13]基于熱帶氣旋出現(xiàn)次數(shù)對(duì)東南沿海各省的熱帶氣旋進(jìn)行了風(fēng)險(xiǎn)分析；殷潔等[14]從臺(tái)風(fēng)災(zāi)害成災(zāi)機(jī)理出發(fā)對(duì)承災(zāi)體脆弱性進(jìn)行評(píng)估；牛海燕等[15]采用臺(tái)風(fēng)災(zāi)次指數(shù)和承災(zāi)體指數(shù)對(duì)中國(guó)沿海地區(qū)臺(tái)風(fēng)災(zāi)害風(fēng)險(xiǎn)開展評(píng)價(jià)。本文基于信息擴(kuò)散理論的模糊計(jì)算方法，利用歷年臺(tái)風(fēng)所造成的農(nóng)業(yè)受災(zāi)和成災(zāi)面積資料，客觀分析和評(píng)估福州市臺(tái)風(fēng)災(zāi)害給農(nóng)作物帶來(lái)的風(fēng)險(xiǎn)，旨在揭示農(nóng)業(yè)水災(zāi)風(fēng)險(xiǎn)發(fā)生規(guī)律和強(qiáng)度，為相關(guān)部門制定防范措施提供科學(xué)依據(jù)。

1　材料與方法

1.1　數(shù)據(jù)來(lái)源

2001年以前，農(nóng)作物因臺(tái)風(fēng)受災(zāi)的災(zāi)情數(shù)據(jù)沒有單獨(dú)統(tǒng)計(jì)，均籠統(tǒng)地包括在風(fēng)雹災(zāi)情中。因此，在農(nóng)作物臺(tái)風(fēng)災(zāi)害風(fēng)險(xiǎn)評(píng)估中，選取福州市2001-2016年共16年的農(nóng)作物臺(tái)風(fēng)災(zāi)害的受災(zāi)和成災(zāi)面積資料作為臺(tái)風(fēng)災(zāi)害風(fēng)險(xiǎn)分析的基礎(chǔ)數(shù)據(jù)[22]，資料來(lái)源于《福州統(tǒng)計(jì)年鑒》和《中國(guó)氣象災(zāi)害年鑒》。

1.2　風(fēng)險(xiǎn)評(píng)估方法

氣象災(zāi)害的致險(xiǎn)程度評(píng)估方法有很多，如神經(jīng)網(wǎng)絡(luò)法、熵權(quán)分析法、鄰域類比法、專家打分法、多指標(biāo)綜合評(píng)估法、災(zāi)害情景模擬法和頻率統(tǒng)計(jì)法等。因樣本較少，通過(guò)綜合考慮，本研究適合應(yīng)用頻率統(tǒng)計(jì)法中的模糊評(píng)價(jià)方法。信息擴(kuò)散是為了彌補(bǔ)信息不足而考慮優(yōu)化利用樣本模糊信息的一種對(duì)樣本進(jìn)行集值化的模糊數(shù)學(xué)處理方法。該方法可以將只有一個(gè)觀測(cè)值的樣本，變成一個(gè)模糊集，通過(guò)優(yōu)化利用樣本模糊信息來(lái)彌補(bǔ)小樣本導(dǎo)致的信息不足，從而得出小概率事件的致災(zāi)程度。最簡(jiǎn)單的模型是正態(tài)擴(kuò)散模型。

具體評(píng)估方法，首先是建立致災(zāi)強(qiáng)度指標(biāo)系列，即設(shè)單值觀測(cè)樣本(yj)。

yj={y1，y2，…，ym}

(1)

設(shè)指標(biāo)離散論域?yàn)椋?/p>

ui={u1，u2，…，un}

(2)

式(2)中u1，u2，…，un為控制點(diǎn)。按照下式(3)，一個(gè)單值觀測(cè)樣本yj可以將其所攜帶的信息擴(kuò)散給ui中的所有點(diǎn)：

(3)

式(3)中h為擴(kuò)散系數(shù)，可根據(jù)樣本集合中樣本的最大值b、最小值a和樣本個(gè)數(shù)m來(lái)確定：

(4)

則就將單值觀測(cè)樣本yj變成一個(gè)以μyi(ui)。為隸屬函數(shù)的模糊集。

令：

(5)

相應(yīng)的模糊子集的隸屬函數(shù)為：

μyi(ui)=fj(ui)/cj

(6)

稱μyi(ui)。為樣本yj的歸一化信息分布。

對(duì)μyi(ui) 進(jìn)行處理，令

(7)

其物理意義是：由觀測(cè)樣本集合{y1，y2，…，ym}，經(jīng)信息擴(kuò)散推斷出，如果樣本觀測(cè)值只能取u1，u2，…，un中的一個(gè)，那么，在將yj均看作是樣本代表時(shí)，觀測(cè)值為ui的樣本個(gè)數(shù)為q(ui)個(gè)。顯然，q(ui)通常不是一個(gè)正整數(shù)，但一定是一個(gè)不小于零的數(shù)。

再令：

(8)

事實(shí)上，Q 就是各ui點(diǎn)上的樣本數(shù)的總和。已知：

P(ui)=q(ui)/Q

(9)

就是樣本落在ui處的頻率值，可以作為概率的估計(jì)值。

對(duì)于單值觀測(cè)樣本指標(biāo)yj={y1，y2，…，ym}，通常將yj取為式(2)中的指標(biāo)離散論域，yj取為論域U中的一個(gè)元素ui。顯然，超越ui的概率值應(yīng)為：

(10)

P(u≥ui) 就是所要求的風(fēng)險(xiǎn)估計(jì)值。

1.3　選取臺(tái)風(fēng)致災(zāi)風(fēng)險(xiǎn)指標(biāo)

選取農(nóng)作物臺(tái)風(fēng)災(zāi)害受災(zāi)指數(shù)和成災(zāi)指數(shù)作為致災(zāi)風(fēng)險(xiǎn)指標(biāo)進(jìn)行臺(tái)風(fēng)災(zāi)害風(fēng)險(xiǎn)分析，各災(zāi)害指數(shù)定義為：

受災(zāi)指數(shù)(%)=受災(zāi)面積/種植面積

上式中：受災(zāi)面積指因臺(tái)風(fēng)災(zāi)害造成農(nóng)作物產(chǎn)量減產(chǎn)幅度超過(guò)正常產(chǎn)量10%的面積。

成災(zāi)指數(shù)(%)=成災(zāi)面積/種植面積

上式中：成災(zāi)面積指因臺(tái)風(fēng)災(zāi)害造成農(nóng)作物產(chǎn)量減產(chǎn)幅度超過(guò)正常產(chǎn)量30%的面積。

2　結(jié)果與分析

2.1　2001-2016年農(nóng)作物臺(tái)風(fēng)災(zāi)害分析

臺(tái)風(fēng)來(lái)襲常伴有大風(fēng)和暴雨，容易造成農(nóng)作物大面積倒伏和機(jī)械損傷，設(shè)施大棚大量被毀，給農(nóng)業(yè)生產(chǎn)造成較大損失。從福州地區(qū)歷年臺(tái)風(fēng)受災(zāi)、成災(zāi)指數(shù)曲線圖(圖1)可見，2001-2016年福州市農(nóng)作物臺(tái)風(fēng)受災(zāi)指數(shù)介于0～17.75%之間，歷年平均值為5.53%；受災(zāi)指數(shù)≥10%的年份占到31.3%，分別出現(xiàn)在2001年、2005年、2013年、2015年和2016年，最大值出現(xiàn)在2005年，臺(tái)風(fēng)受災(zāi)面積達(dá)5.6萬(wàn)hm2；歷年臺(tái)風(fēng)成災(zāi)指數(shù)為0～8.24%之間，平均值為2.62%，成災(zāi)指數(shù)≥5%的年份有2001年、2005年、2012年和2015年，占統(tǒng)計(jì)年份的25.0%，最大值出現(xiàn)在2005年，臺(tái)風(fēng)成災(zāi)面積達(dá)2.6萬(wàn)hm2。

在統(tǒng)計(jì)資料中，2003年臺(tái)風(fēng)對(duì)福州農(nóng)作物的影響不大，未造成災(zāi)害損失，當(dāng)年臺(tái)風(fēng)受災(zāi)和成災(zāi)指數(shù)均為0，說(shuō)明當(dāng)年福州市的農(nóng)業(yè)生產(chǎn)受臺(tái)風(fēng)影響的概率較小。從臺(tái)風(fēng)受災(zāi)指數(shù)和成災(zāi)指數(shù)的年際狀況來(lái)看，臺(tái)風(fēng)受災(zāi)指數(shù)和臺(tái)風(fēng)成災(zāi)指數(shù)的年際波動(dòng)狀況比較一致，臺(tái)風(fēng)受災(zāi)指數(shù)和成災(zāi)指數(shù)最大值均出現(xiàn)在2005年。2005年登陸或影響福州的臺(tái)風(fēng)有6個(gè)，其中3個(gè)臺(tái)風(fēng)(5號(hào)“海棠”臺(tái)風(fēng)、13號(hào)“泰利”臺(tái)風(fēng)、19號(hào)“龍王”臺(tái)風(fēng))對(duì)福州造成嚴(yán)重災(zāi)害。特別是19號(hào)“龍王”臺(tái)風(fēng)，強(qiáng)度強(qiáng)、結(jié)構(gòu)密實(shí)、移動(dòng)速度快，給福州市帶來(lái)嚴(yán)重危害。此次過(guò)程沿海普遍出現(xiàn)12級(jí)以上大風(fēng)，大部分縣(市)城區(qū)出現(xiàn)8級(jí)以上大風(fēng)，福州地區(qū)均出現(xiàn)暴雨到特大暴雨，臺(tái)風(fēng)過(guò)程雨量為100～340 mm；適逢天文大潮和臺(tái)風(fēng)引發(fā)的風(fēng)暴潮增水，閩江潮水水位異常升高，使得城區(qū)澇水受洪潮頂托，延長(zhǎng)了排泄時(shí)間。福州市受災(zāi)嚴(yán)重，受災(zāi)人口達(dá)223.93萬(wàn)人，房屋倒塌14 018間，直接經(jīng)濟(jì)損失35.59億元；受淹汽車8000多輛，停產(chǎn)工礦企業(yè)1647家；水利、電力、通訊、道路等基礎(chǔ)設(shè)施損毀嚴(yán)重；農(nóng)作物受災(zāi)4.8萬(wàn)hm2，成災(zāi)2.4萬(wàn)hm2，牲畜死亡6.06萬(wàn)頭。

圖1　2001-2016年福州市農(nóng)作物臺(tái)風(fēng)災(zāi)害受災(zāi)指數(shù)和成災(zāi)指數(shù)

2.2　農(nóng)作物臺(tái)風(fēng)災(zāi)害風(fēng)險(xiǎn)評(píng)估

采用基于信息擴(kuò)散理論的模糊計(jì)算方法進(jìn)行農(nóng)作物臺(tái)風(fēng)災(zāi)害風(fēng)險(xiǎn)評(píng)估，根據(jù)農(nóng)作物受災(zāi)指數(shù)和成災(zāi)指數(shù)的變化范圍，以及將連續(xù)論域等間距取點(diǎn)，取農(nóng)作物臺(tái)風(fēng)受災(zāi)指數(shù)離散論域ui為：{0，0.02，0.04，0.06，0.08，0.1，0.12，0.14，0.16，0.18，0.2}，取農(nóng)作物臺(tái)風(fēng)成災(zāi)指數(shù)離散論域ui為：{0，0.01，0.02，0.03，0.04，0.05，0.06，0.07，0.08，0.09，0.1}，按照式(3)至(6)進(jìn)行計(jì)算，得出受災(zāi)指數(shù)和成災(zāi)指數(shù)的歸一化信息分布μyi(ui)，然后根據(jù)式(7)至(10)計(jì)算得出各風(fēng)險(xiǎn)水平的農(nóng)作物受災(zāi)和成災(zāi)的風(fēng)險(xiǎn)概率值(表1)。

由表1可見，農(nóng)作物因臺(tái)風(fēng)受災(zāi)和成災(zāi)的風(fēng)險(xiǎn)概率隨著臺(tái)風(fēng)災(zāi)害風(fēng)險(xiǎn)水平的提高而下降。當(dāng)農(nóng)作物臺(tái)風(fēng)受災(zāi)風(fēng)險(xiǎn)水平即臺(tái)風(fēng)造成的農(nóng)作物受災(zāi)面積占種植面積比例為2%、6%、12%和18%時(shí)，福州市農(nóng)作物因臺(tái)風(fēng)受災(zāi)的風(fēng)險(xiǎn)概率為0.8054、0.3067、0.1137和0.0318，即意味著因臺(tái)風(fēng)造成的農(nóng)作物受災(zāi)面積達(dá)種植面積2%、6%、12%和18%時(shí)出現(xiàn)1.2年、3.3年、8.8年和31.4年一遇風(fēng)險(xiǎn)；當(dāng)受災(zāi)風(fēng)險(xiǎn)水平上升至20%時(shí)，福州市農(nóng)作物臺(tái)風(fēng)受災(zāi)風(fēng)險(xiǎn)概率約為156.3年一遇。在平均受災(zāi)風(fēng)險(xiǎn)水平時(shí)，即臺(tái)風(fēng)造成的農(nóng)作物受災(zāi)面積占種植面積比例達(dá)5.53%時(shí)，受災(zāi)風(fēng)險(xiǎn)概率為0.3156，即3.2年一遇。

表1　福州市農(nóng)作物臺(tái)風(fēng)受災(zāi)和成災(zāi)的風(fēng)險(xiǎn)概率

從成災(zāi)風(fēng)險(xiǎn)來(lái)看，當(dāng)農(nóng)作物因臺(tái)風(fēng)成災(zāi)風(fēng)險(xiǎn)水平即臺(tái)風(fēng)造成的農(nóng)作物成災(zāi)面積占播種面積比例為1%、3%、5%和8%時(shí)，臺(tái)風(fēng)成災(zāi)風(fēng)險(xiǎn)概率值為0.5331、0.3577、0.1983和0.0334，即意味著因臺(tái)風(fēng)造成的農(nóng)作物成災(zāi)面積達(dá)播種面積1%、3%、5%和8%時(shí)出現(xiàn)1.9年、2.8年、5.0和29.9年一遇風(fēng)險(xiǎn)；當(dāng)成災(zāi)風(fēng)險(xiǎn)水平達(dá)到10%時(shí)，福州市農(nóng)作物臺(tái)風(fēng)成災(zāi)風(fēng)險(xiǎn)約為434.8年一遇。在平均成災(zāi)風(fēng)險(xiǎn)水平時(shí)，即臺(tái)風(fēng)造成的農(nóng)作物成災(zāi)面積占種植面積比例達(dá)2.62%時(shí)，成災(zāi)風(fēng)險(xiǎn)概率為0.3657，即2.7年一遇。

3　結(jié)論

本文基于正態(tài)信息擴(kuò)散法對(duì)福州市農(nóng)作物受臺(tái)風(fēng)災(zāi)害影響，受災(zāi)和成災(zāi)的概率進(jìn)行風(fēng)險(xiǎn)評(píng)估，利用直接發(fā)生頻次法對(duì)風(fēng)險(xiǎn)評(píng)估結(jié)果進(jìn)行檢驗(yàn)，實(shí)際評(píng)估效果較好。得出如下主要結(jié)論：

(1)福州市農(nóng)作物臺(tái)風(fēng)成災(zāi)指數(shù)與受災(zāi)指數(shù)的年際波動(dòng)狀況較為一致，可以反映臺(tái)風(fēng)災(zāi)害的影響范圍，受災(zāi)指數(shù)和成災(zāi)指數(shù)最大值均出現(xiàn)在2005年。

(2)農(nóng)作物因臺(tái)風(fēng)受災(zāi)和成災(zāi)的風(fēng)險(xiǎn)概率隨著災(zāi)害風(fēng)險(xiǎn)水平的提高而下降，受災(zāi)風(fēng)險(xiǎn)大于成災(zāi)風(fēng)險(xiǎn)；在平均受災(zāi)和成災(zāi)風(fēng)險(xiǎn)水平時(shí)，即臺(tái)風(fēng)造成的農(nóng)作物受災(zāi)和成災(zāi)面積占種植面積比例分別達(dá)5.53%和2.62%時(shí)，受災(zāi)和成災(zāi)風(fēng)險(xiǎn)分別約3.2年一遇和2.7年一遇。

(3)運(yùn)用信息擴(kuò)散理論模型對(duì)福州市農(nóng)作物臺(tái)風(fēng)災(zāi)害進(jìn)行風(fēng)險(xiǎn)分析，不但給出了福州市農(nóng)作物臺(tái)風(fēng)災(zāi)害影響的時(shí)間頻率，還給出了定量分析，結(jié)果直觀、簡(jiǎn)便，便于對(duì)福州市農(nóng)作物臺(tái)風(fēng)災(zāi)害的認(rèn)識(shí)。

參考文獻(xiàn)：

[1]廖永豐，趙飛，王志強(qiáng)，等.2000-2011年中國(guó)自然災(zāi)害災(zāi)情空間分布格局分析[J].災(zāi)害學(xué)，2013，28(4)：55-60.

[2]吳息，楊靜.利用信息擴(kuò)散模式對(duì)浙江省大暴雨的風(fēng)險(xiǎn)分析[J].災(zāi)害學(xué)，2002，17(4)：7-10.

[3]杜曉燕，黃歲樑，趙慶香.基于信息擴(kuò)散理論的天津旱澇災(zāi)害危險(xiǎn)性評(píng)估[J].災(zāi)害學(xué)，2009，24(1)：22-25.

[4]羅培.基于GIS的重慶市干旱災(zāi)害風(fēng)險(xiǎn)評(píng)估與區(qū)劃[J].中國(guó)農(nóng)業(yè)氣象，2007，28(1)：100-104.

[5]陳家金，王加義，林晶，等.基于信息擴(kuò)散理論的東南沿海三省農(nóng)業(yè)干旱風(fēng)險(xiǎn)評(píng)估[J].干旱地區(qū)農(nóng)業(yè)研究，2010，28(6)：248-251.

[6]王加義，陳家金，林晶，等.基于信息擴(kuò)散理論的福建省農(nóng)業(yè)水災(zāi)風(fēng)險(xiǎn)評(píng)估[J].自然資源學(xué)報(bào)，2012，27(9)：1497-1503.

[7]李梅，張洪波，黃強(qiáng)，等.基于信息擴(kuò)散估計(jì)的洪水風(fēng)險(xiǎn)分析[J].中北大學(xué)學(xué)報(bào)：自然科學(xué)版，2007，28(3)：193-198.

[8]劉引鴿，繆啟龍，高慶九.基于信息擴(kuò)散理論的氣象災(zāi)害風(fēng)險(xiǎn)評(píng)價(jià)方法[J].氣象科學(xué)，2005，25(1)：84-89.

[9]張廣平，謝忠，羅顯剛，等.基于模糊神經(jīng)網(wǎng)絡(luò)的臺(tái)風(fēng)災(zāi)害損失模型及應(yīng)用[J].國(guó)土資源科技管理，2012，25(6)：135-140.

[10]楊忠恩，金志鳳，胡波，等.熱帶氣旋對(duì)浙江省農(nóng)業(yè)影響的風(fēng)險(xiǎn)區(qū)劃[J].生態(tài)學(xué)雜志，2011，30(12)：2821-2826.

[11]劉曉慶，陳仕鴻.基于灰色關(guān)聯(lián)度的臺(tái)風(fēng)災(zāi)害影響因素分析[J].農(nóng)業(yè)災(zāi)害研究，2015，5(7)：32-33，48.

[12]陳香.福建省臺(tái)風(fēng)災(zāi)害風(fēng)險(xiǎn)評(píng)估與區(qū)劃[J].生態(tài)學(xué)雜志，2007，26(6)：961-966.

[13]馮利華.熱帶氣象的風(fēng)險(xiǎn)評(píng)估[J].海洋通報(bào)，1999，18(2)：40-43.

[14]殷潔，戴爾阜，吳紹洪.中國(guó)臺(tái)風(fēng)災(zāi)害綜合風(fēng)險(xiǎn)評(píng)估與區(qū)劃[J].地理科學(xué)，2013，33(11)：1370-1376.

[15]牛海燕，劉敏，陸敏，等.中國(guó)沿海地區(qū)近20年臺(tái)風(fēng)災(zāi)害風(fēng)險(xiǎn)評(píng)價(jià)[J].地理科學(xué)，2011，31(6)：764-768.