CN103577719A - 一种区域雪灾风险估计方法 - Google Patents

Abstract

本发明公开了一种区域雪灾风险估计方法，该方法包括：确定感兴趣区域是否被划分为牧区；在所述感兴趣区域被划分为牧区的情况下，从不同数据源获取感兴趣区域的牧草高度分布数据、积雪深度分布数据、积雪分布范围数据，其中该积雪分布范围数据包含积雪持续时间；根据所述草高度分布数据和积雪深度分布数据计算雪草高度比；提供雪灾等级表，该雪灾等级表与所述雪草高度比和积雪持续时间相关联；根据计算出的雪草高度比和积雪持续时间从所述雪灾等级表中找到对应的雪灾等级值；根据该雪灾等级值估计雪灾风险。

Description

一种区域雪灾风险估计方法

技术领域

本发明涉及一种区域雪灾风险估计方法。

背景技术

雪灾是自然界的降雪作用于人类社会的产物，是人与自然之间关系的一种表现。由于雪灾的最终承灾体是人类及人类社会的集合体，如草原、牲畜、建筑设施等，所以，只有对承灾体的部分或整体造成直接或间接损害的降雪才能被称为雪灾。

草原牧区雪灾是指依靠天然草场放牧的畜牧业地区，由于冬半年降雪量过多和积雪过厚，雪层维持时间长，影响畜牧正常放牧活动，牲畜因冻、饿而出现死亡现象的一种灾害。对畜牧业的危害，主要是积雪掩盖草场，且超过一定深度，有的积雪虽不深，但密度较大，或者雪面覆冰形成冰壳，牲畜难以扒开雪层吃草，造成饥饿，有时冰壳还易划破羊和马的蹄腕，造成冻伤，致使牲畜瘦弱，常常造成牧畜流产，仔畜成活率低，老弱幼畜饥寒交迫，死亡增多。

在广大的非牧区，大范围的降雪和积雪，会严重影响甚至破坏交通、通讯等生命线工程，对人们的生产和生活造成威胁。

在中国高纬度、高海拔及干旱地区，不同程度的雪灾几乎每年都会发生，特别是在内蒙古、新疆、青海和西藏四大主要牧区，较严重的雪灾已呈周期性的出现，而这些地区的雪灾也往往和高原积雪有关，而在不同地区，雪灾的具体表现又有所不同，如在青藏高原地区，牧草低矮，轻度的积雪就可能会导致雪灾，而在新疆北部地区，草地高度较青藏高原地区高，这里的积雪通常也比较深，在内蒙古的雪灾又常常伴随着大风天气，形成的暴风雪等雪灾形式。因为草原牧区主要位于交通闭塞、经济落后、生产低下的边远地区和少数民族地区，游牧仍然是一些牧区主要的生产方式，加之政府对草原的管理和规划不当，再加上有些牧民观念意识不足，采用掠夺式经营，使草原生态失去平衡，所以牧区雪灾一旦发生，就会导致大量牲畜受低温雪冻难以生存，尤其是冬春季节，冰雪覆盖草场，牲畜无法采食，成批的牲畜受饥寒所迫，出现成片死亡的现象。

此外，由于深厚的积雪，交通严重受阻，通讯线路中断，对人们的日常生活造成了很大的影响。

发明内容

为解决现有技术中存在的问题，本发明的目的是提供一种区域雪灾风险估计方法，该方法包括：确定感兴趣区域是否被划分为牧区；在所述感兴趣区域被划分为牧区的情况下，从不同数据源获取感兴趣区域的牧草高度分布数据、积雪深度分布数据、积雪分布范围数据，其中该积雪分布范围数据包含积雪持续时间；根据所述草高度分布数据和积雪深度分布数据计算雪草高度比；提供雪灾等级表，该雪灾等级表与所述雪草高度比和积雪持续时间相关联；根据计算出的雪草高度比和积雪持续时间从所述雪灾等级表中找到对应的雪灾等级值；根据该雪灾等级值估计雪灾风险。

本发明的其他特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

附图是用来提供对本发明的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明，但并不构成对本发明的限制。在附图中：

图1是根据本发明的实施方式的雪灾风险估计方法的流程图。

具体实施方式

以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。

根据雪灾成灾机制的研究，雪灾的危险性主要是气象因素作用的结果，雪灾的形成需要具备一定的条件，并不是有降雪就有雪灾。雪灾的危险性主要是指积雪过厚、覆盖范围很大并伴随着低温和大风的天气，会使大批牲畜因吃不到草而饿死冻死的现象，同时，大量的积雪也会对牧民的生活造成危害，如牧民的冻伤、冻死，患雪盲等。在中国的其他地区，大量的降雪的危害主要是降雪和低温对人民正常生活的影响，如造成的交通阻断、电力通讯设备受到危害等。总之，雪灾的危害的致灾因素为大量的降雪和降温，根据降雪和降温的区域不同，对雪的适应性不同造成的不同程度的损失。在雪灾风险估计中主要考虑的因素包括积雪深度、积雪持续时间、低温持续天数等基于气象的因素。

雪灾灾害的主要承灾体是牲畜，牧区雪灾是牲畜因积雪覆盖草场吃不到草加之低温而造成的“饿灾”；而牧区每年提供了大量的肉类、皮革、奶制品，大量的牲畜死亡必然导致大的经济损失。所以，考虑雪灾的承灾体主要围绕牲畜来进行，包括赖以生存的草地状况和牲畜自身的抵抗状况。此外雪灾对道路交通的损害要考虑的是道路的等级以及道路被积雪覆盖的范围和长度等。

因此，本发明的实施方式提供的区域雪灾风险估计方法可以考虑尺度和牧区和非牧区的情况。

尺度可以分为国家范围级的尺度和国家范围内的区域尺度。根据尺度和牧区和非牧区，本发明的实施方式可以提供三种区域雪灾风险估计模型：

模型1：针对国家尺度、牧区的雪灾风险估计模型；

模型2：针对区域尺度、牧区的雪灾风险估计模型；以及

模型3：针对国家尺度、非牧区的雪灾风险估计模型。

下面将分别对这三种模型进行描述。

模型1

该模型适用全国尺度的牧区雪灾估计，通过判断积雪持续时间和积雪掩埋牧草高度的状况，在全国牧区的范围内识别高风险区域，再针对高风险区域调用牧区区域估计模型进一步估计。

本模型以积雪和牧草两方面的数据作为输入项，以栅格数据的形式输入，在模型中，通过判断积雪持续时间以及积雪深度和牧草的相对高度，与给定的雪灾成灾等级表对比，对栅格图上逐个象元判断可能发生雪灾的程度，把记录每个象元的雪灾等级值的栅格数据作为雪灾风险等级图，输出雪灾高风险区。由于雪灾具有持续性的特点，在模型中通过积雪持续时间这一累计量来考虑雪灾的持续性。

指标选取分析：通过分析得到积雪持续时间与过程降水量、积雪深度、平均气温等因素有很好的相关性，故可以用积雪持续时间作为具有代表性的反应积雪危害程度的因子，而雪草高度比可以大致反应积雪后牧区的受害程度，本模型选取因子如表1所示：

表1

因子层	指标层
		危险性	积雪持续时间
脆弱性	雪草高度比

雪草高度比的计算

H=H₁／H₂

H——栅格图上每个象元的雪草高度比，单位是％；

H₁——表示栅格图上每个象元的积雪深度，单位是厘米；

H₂——表示栅格图上每个象元的牧草高度，单位是厘米。

上述积雪持续时间、积雪深度和牧草高度可以从不同的数据源获取。这些数据源可以例如是地球系统科学数据共享平台、国家农业科学数据共享中心等。

根据雪灾风险等级表（下表2）找到对应的雪灾风险等级。

表2

在表3中，对积雪持续时间进行了分级，例如，按照3、5、7天为界限，对分成的四个区间可以赋予相应的值：0、1、2、3。

另外，按照雪草高度比给定的等级区间，可以分别以30%、40%、50%、70%、90%为界限，对分成的6个区间赋予相应的值：0、1、2、3、4、5。

将表3中雪草高度比和积雪持续时间用相应的值替换，并且对应项相加，可以得到雪灾综合分级指数值。例如，0、1对应无风险；2、3对应低风险；4、5对应中风险；6-8对应高风险，如下表3所示。

表3

雪灾风险等级	综合分级值
		高风险	6、7、S
中风险	4、5
		低风险	2、3
无风险	0、1

模型2

本模型针对区域牧区范围的积雪致灾情况，草地情况，牲畜情况以及抗灾情况综合多个因子，根据雪灾的形成机制和危害性，估计分析可能产生雪灾的范围，并对范围内的雪灾估计得到雪灾风险等级。本模型选取致灾因子，孕灾环境，承灾体和抗灾能力四个方面的数据作为输入项，以栅格数据的形式输入，在模型中，通过栅格数据的标准化处理，再根据专家打分法确定的权重值，作加权叠加分析，对栅格图上的逐个象元判断可能发生雪灾的程度，把记录每个象元的雪灾等级值的栅格数据作为雪灾风险等级图，输出雪灾风险评估结果。

本模型选取的用于雪灾风险估计的危险性因子和脆弱性因子的指标如表4所示。

表4

雪灾风险等级的定义可以如表5所示。

表5

上述指标（因子）可以从不同数据源中获得。这样的数据源可以包括气象科学数据共享平台、国家人口与健康科学数据共享平台等。

雪草高度比、积雪持续时间的计算以及处理与模型1中的类似，不再赘述。

草地利用强度的计算

首先需要计算理论载畜量

干草产量计算公式：

$B_g=\frac{\mathrm{NPP}}{S_{\mathrm{bn}}(1-S_{\mathrm{ug}})}$

Bg——栅格图上每个象元的每月的干草产量，单位是g／(m₂)

NPP——栅格图上每个象元的每月的净初级生产力

S_bn——草地生物量到NPP转换系数，g／gC，数值为0.45

S_ug——草地地下部分和地上部分生物量比例系数。

表6提供了示例的不同草地植被类型的地下与地上部分生物量比例系数对照表。

表6

草地类型	Sue	草地类型	Sue
				温性草甸草原类	5.26	高寒荒漠草原类	7.89
温性草原类	4.25	温性草原化荒漠类	7.89
				高寒草甸草原类	7.9l	温性荒漠类	7.89
高寒草原类	4.25	高寒荒漠类	7.89
				温性荒漠草原类	7.89	热性草丛类	4.42
热性灌草丛类	4.42	暖性草丛类	4.42
				暖性灌草丛类	4.42	低地草甸类	6.3l
山地草甸类	6.23	高寒草甸类	7.92
				沼泽类	15.68

理论载畜量计算公式：

$\mathrm{CA}=\frac{B_g\·C_{\mathrm{use}}}{U_G\·\mathrm{DOY}}$

CA——全月理论载畜量(例如，以羊为单位)

B_g——栅格图上每个象元的每月的干草产量

C_use——牲畜对牧草的利用率，不同草地的类型有不同的牧草利用率；

表7提供了以羊为例子的示例不同草地类型草地利用率对照表。

表7

草地类型	Cuse
		草甸类组	60％
草原类组	50％
		荒漠类组	40％
(灌)草丛类组和沼泽类组	55％

U_c——每个羊单位每天需要的干草量，kg／d，数值为2.0

DAY——当月的天数。

然后计算实际载畜量

实际载畜量表示在单位牧场上实际采食的牲畜的数量，这里用草地上牲畜的密度表示，计算公式：

C=M／S

M——某行政单元的牲畜总数量

S——某行政单元的草地面积

最后计算草地利用强度：

E=C／CA

E——栅格图上每个象元的草地利用强度，单位％。

C——实际载畜量(以栅格为单位，即每个栅格象元上的实际牲畜数)

CA——理论载畜量(以栅格为单位，即每个栅格象元上的草地可供养的牲畜数)。

GDP密度计算：

GDP密度计算公式：

G_i=M_i／S_i

I——行政单元的数量

G_i——第i个行政单元的GDP密度

M_i——第i个行政单元的GDP总值

S_i——第i个行政单元的面积

可以对上述的危险性因子和脆弱性因子进行归一化（标准化）处理。归一化处理可以是本领域技术人员公知的方法，其作用是对估计中所需的多源数据进行无量纲化处理。

进行归一化处理后，可以对上述因子赋予权值，然后加权求和。权值的确定可以基于危险性因子和/或脆弱性因子对雪灾的影响程度。下表8示出了示例的权值分配，但本领域技术人员可以理解，权值分配方式不限于表8中公开的。

表8

对上述因子进行加权求和之后，可以得到雪灾风险指数，根据该指数可以判断雪灾风险程度。也可以对风险指数进行分级并对每个级赋值，如表9所示。

表9

雪灾等级	无风险	低风险	中风险	高风险
					风险指数范围	＜20	21-40	41-65	＞65
栅格赋值	4	3	2	l

模型3

本模型针对非牧区范围进行雪灾估计，根据雪灾在非牧区范围的形成机制和危害，主要对交通线造成影响，估计分析雪灾对交通线可能造成的危害。

因子分析：本模型考虑的主要地区是(中国的)广大非牧区，这些地区的冬季降雪比较普遍，降雪主要影响道路交通，而在模型中主要还是考虑气象方面的因素，应用暴雪预报产品，以及交通线分布数据，指标选取如表10所示。

表10

因子层	指标层
		危险性	暴雪预报产品
脆弱性	交通线分布

表10中的危险性因子和脆弱性因子可以从不同数据源获取，这样的数据源可以包括中国气象科学数据共享平台、国家基础地理信息系统数据库等。

暴雪预报产品包含暴雪预报数据，可以对暴雪预报数据进行栅格化，以形成暴雪预报分布图；

对交通线分布数据进行栅格化，以形成交通线分布图，并对该交通线分布图进行二值化；

将形成的暴雪预报分布图和二值化的交通线分布图进行叠加再进行分析，以确定受雪灾影响的交通线分布。可以根据预报的降雪厚度来确定该受雪灾影响的交通线分布上不同位置的受影响程度。

以上介绍的三种雪灾风险估计模型，本发明的实施方式提供的雪灾风险估计方法可以使用上述三种模型中的至少一种或任意组合。下面将描述该雪灾风险估计方法。

图1是根据本发明的实施方式的区域雪灾风险估计方法的流程图。如图1所示，根据本发明的一个实施方式，提供了一种区域雪灾风险估计方法，该方法可以包括：

确定感兴趣区域是否被划分为牧区；

在所述感兴趣区域被划分为牧区的情况下，从不同数据源获取感兴趣区域的牧草高度分布数据、积雪深度分布数据、积雪分布范围数据，其中该积雪分布范围数据包含积雪持续时间；

根据所述草高度分布数据和积雪深度分布数据计算雪草高度比；

提供雪灾等级表，该雪灾等级表与所述雪草高度比和积雪持续时间相关联；

根据计算出的雪草高度比和积雪持续时间从所述雪灾等级表中找到对应的雪灾等级值；

根据该雪灾等级值估计雪灾风险。

上述的方法可以例如使用模型1来进行。

其中，所述雪灾等级表可以根据以前的雪灾的历史统计数据来确定。

可选地，如果根据上述方法确定存在高风险子区域，则可以使用模型2对该高风险子区域进行雪灾风险估计。具体来说，针对该高风险子区域：

从不同数据源获取与该高风险子区域相关联的至少一个危险性因子和至少一个脆弱性因子，其中，该危险性因子包括低温持续时间、积雪持续时间、雪草高度比中的至少一项，该脆弱性因子包括草地利用强度、饲料储备、GDP密度、畜群结构中的至少一项；

对所述至少一个危险性因子和至少一个脆弱性因子进行归一化处理；

对处理后的至少一个危险性因子和至少一个脆弱性因子赋予权值；

将至少一个危险性因子和至少一个脆弱性因子和对应的权值进行加权求和，以计算出雪灾风险指数；

根据计算出的雪灾风险指数从雪灾风险指数等级值对照表中找出对应的雪灾风险等级。

可选地，在所述感兴趣区域被划分为非牧区的情况下，可以使用模型3进行雪灾风险估计，因此该方法还可以包括：

从不同数据源获取暴雪预报数据、交通线分布数据；

对所述暴雪预报数据进行栅格化，以形成暴雪预报分布图；

对所述交通线分布数据进行栅格化，以形成交通线分布图，并对该交通线分布图进行二值化；

将形成的暴雪预报分布图和二值化的交通线分布图进行叠加，以确定受雪灾影响的交通线分布。

在确定了受雪灾影响的交通线分布的基础上，根据预报的降雪厚度来确定该受雪灾影响的交通线分布上不同位置的受影响程度。

本领域技术人员可以理解，本发明提供的上述方法可以通过软件编程以模块化的形式来实现。适用的编程语言可以包括例如但不限于C语言、VB、Java等。还可以使用XML技术来建立灾害风险估计模型等。

本发明的实施方式提供的灾害风险估计方法，针对民政部国家减灾中心的实际业务需求，在保证科学性的基础上，充分考虑目前国内各类科学数据（气象数据、遥感影像数据、地质数据、地形数据、水文数据、农作物类型分布及生长状态数据等）可获取性和共享程度，设计并实现面向减灾业务的区域雪灾风险估计方法。经过多年的跟踪和验证，模型精度较高，满足业主单位的业务需求。

在全国尺度下的雪灾风险估计方面，自2010年5月3日17时起，国土资源部、中国气象台联合发布地质灾害气象预报。同时，基于该技术方法，制作全国地质灾害风险估计专题产品，通过对比分析，两类产品对雪灾预警的空间分布范围基本一致。

在区域尺度下的雪灾风险估计方面，参与建模的数据中，在置信区间为95%的情况下，实际情况为0的未发生雪灾的判断正确率为85.5%，实际情况为1的发生雪灾的判断正确率为74.4%，对建模数据总的回判正确率为80.0%，这说明该技术方法对研究区雪灾的发生具有较好的预测能力。

以上结合附图详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种简单变型，这些简单变型均属于本发明的保护范围。

另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明对各种可能的组合方式不再另行说明。

此外，本发明的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明的思想，其同样应当视为本发明所公开的内容。

Claims (4)

1.一种区域雪灾风险估计方法，该方法包括：

确定感兴趣区域是否被划分为牧区；

在所述感兴趣区域被划分为牧区的情况下，从不同数据源获取感兴趣区域的牧草高度分布数据、积雪深度分布数据、积雪分布范围数据，其中该积雪分布范围数据包含积雪持续时间；

根据所述草高度分布数据和积雪深度分布数据计算雪草高度比；

提供雪灾等级表，该雪灾等级表与所述雪草高度比和积雪持续时间相关联；

根据计算出的雪草高度比和积雪持续时间从所述雪灾等级表中找到对应的雪灾等级值；

根据该雪灾等级值估计雪灾风险。

2.根据权利要求1所述的方法，该方法还包括：

在估计所述感兴趣区域中存在高风险子区域的情况下，针对该高风险子区域：

从不同数据源获取与该高风险子区域相关联的至少一个危险性因子和至少一个脆弱性因子，其中，该危险性因子包括低温持续时间、积雪持续时间、雪草高度比中的至少一项，该脆弱性因子包括草地利用强度、饲料储备、GDP密度、畜群结构中的至少一项；

对所述至少一个危险性因子和至少一个脆弱性因子进行归一化处理；

对处理后的至少一个危险性因子和至少一个脆弱性因子赋予权值；

将至少一个危险性因子和至少一个脆弱性因子和对应的权值进行加权求和，以计算出雪灾风险指数；

根据计算出的雪灾风险指数从雪灾风险指数等级值对照表中找出对应的雪灾风险等级。

3.根据权利要求1所述的方法，其中，在所述感兴趣区域被划分为非牧区的情况下，该方法还包括：

从不同数据源获取暴雪预报数据、交通线分布数据；

对所述暴雪预报数据进行栅格化，以形成暴雪预报分布图；

对所述交通线分布数据进行栅格化，以形成交通线分布图，并对该交通线分布图进行二值化；

将形成的暴雪预报分布图和二值化的交通线分布图进行叠加，以确定受雪灾影响的交通线分布。

4.根据权利要求3所述的方法，该方法还包括：

在确定了受雪灾影响的交通线分布的基础上，根据预报的降雪厚度来确定该受雪灾影响的交通线分布上不同位置的受影响程度。

Images