CN103605901B - 一种区域旱灾风险估计方法 - Google Patents
一种区域旱灾风险估计方法 Download PDFInfo
- Publication number
- CN103605901B CN103605901B CN201310631995.7A CN201310631995A CN103605901B CN 103605901 B CN103605901 B CN 103605901B CN 201310631995 A CN201310631995 A CN 201310631995A CN 103605901 B CN103605901 B CN 103605901B
- Authority
- CN
- China
- Prior art keywords
- index
- drought
- soil
- factor
- disaster
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种区域旱灾风险估计方法,该方法包括:从不同数据源获取感兴趣区域内的针对至少一个感兴趣点的至少一个孕灾因子、至少一个致灾因子、至少一个承灾体易损性评价因子和旱灾区划指数;基于所述至少一个孕灾因子计算旱灾敏感性指数;基于所述至少一个致灾因子计算旱灾危险性指数;基于所述至少一个承灾体易损性评价因子计算旱灾脆弱性指数;对所述旱灾区划指数、所述旱灾敏感性指数、所述旱灾危险性指数和所述旱灾脆弱性指数进行加权求和以计算旱灾风险指数;以及根据计算出的旱灾风险指数来估计旱灾风险。
Description
技术领域
本发明涉及一种区域旱灾风险估计方法。
背景技术
灾害是天体、地球大气系统中能量交换、物质运动在生态圈的一个客观事件。地球大气系统圈层由岩石圈、水圈、大气圈、生物圈组成,自然灾害由大气灾害、生物灾害及地质灾害相互有机结合而成一个系统。
其中,干旱是指由水分收支或供求不平衡所形成的水分短缺现象。当其危及人群的生命财产和生存条件时,就成为干旱灾害。中国通常将农作物生长期内因缺水而影响正常生长称为受旱,受旱减产三成以上称为成灾,经常发生旱灾的地区称为易旱地区。干旱可以分为气象干旱、农业干旱、水文干旱和社会经济干旱等。
以中国为例,干旱在中国分布虽最为广泛,但各地受旱程度不一。由1900-2000年资料统计,中国有3个明显的干旱区域。
1)东北干旱区,该区纬度高,气温低,农作物生长期较短,因常受低气压影响,降水较稳定,干旱发生频率相对低些,多数年份干旱属于一般性干旱。50年中大部地区干旱出现次数达15-25次,西部地区为15-23次,加上水土流失较严重和灌溉条件差,旱情严重。该区干旱主要出现在4-8月的春、夏季节,一般春季出现干旱的概率为66%、夏季为50%。
2)黄淮海干旱区,包括西北东部、华北地区以及东北南部,本区降水较少、变率大,是中国最大的干旱区,干旱发生次数居全国之首。近50年中,大部地区的干旱发生次数30-40次,其中华北平原最多,有40-45次,水资源短缺状况仅次于西北干旱区。该区在作物生长期间的3-10月均可能出现干旱,往往是春旱、春夏连旱或夏旱、夏秋连旱,少数年份的局部地区还出现春夏秋连旱等,但以春旱为主,几乎每年都有不同程度的春旱发生。
3)西南地区,本区干旱范围较小,干旱一般从上年的10月或11月开始,到下年的4月或5月,个别年份的局部地区持续到6月份;但主要干旱出现在冬春季节,出现概率约为78%。
目前遥感干旱监测技术从土壤水分、作物长势、温度等角度,从能量平衡、水分平衡等方面建立了多种监测模型。但是由于土壤、水分、植被之间关系的复杂性各种监测模型的适用性和精度都有待于进一步的改进和提高。例如热惯量法监测土壤水分的理论已趋于成熟,在裸土或低植被覆盖土地上取得了良好的监测结果,高植被覆盖区的监测精度并不高;作物长势与旱情在时间上存在着一定的滞后性,所以利用各种植被指数法难以对作物前期的旱情进行监测。植被指数与温度相结合的干旱监测模型对研究区域的要求比较高,必须满足土壤表层含水量应从萎焉含水量到田间持水量的条件。基于农作物区域蒸散量的干旱监测方法需要较多的常规气象和地面观测资料,涉及作物与大气、地表之间的能量交换及平衡,其监测的实时性不能够完全保证。
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旱灾风险估计方法,该方法包括:从不同数据源获取感兴趣区域内的针对至少一个感兴趣点的至少一个孕灾因子、至少一个致灾因子、至少一个承灾体易损性评价因子和旱灾区划指数;基于所述至少一个孕灾因子计算旱灾敏感性指数;基于所述至少一个致灾因子计算旱灾危险性指数;基于至少一个承灾体易损性评价因子计算旱灾脆弱性指数;对所述旱灾区划指数、所述旱灾敏感性指数、所述旱灾危险性指数和所述旱灾脆弱性指数进行加权求和以计算旱灾风险指数;以及根据计算出的旱灾风险指数来估计旱灾风险。
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旱灾风险估计方法的流程图;以及
图2是按照地貌一级区划进行的区域划分的示意图。
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。
图1是根据本发明的实施方式的区域旱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,提供了一种区域旱灾风险估计方法,该方法包括:
从不同数据源获取感兴趣区域内的针对至少一个感兴趣点的至少一个孕灾因子、至少一个致灾因子、至少一个承灾体易损性评价因子和旱灾区划指数;
基于所述至少一个孕灾因子计算旱灾敏感性指数;
基于所述至少一个致灾因子计算旱灾危险性指数;
基于至少一个承灾体易损性评价因子计算旱灾脆弱性指数;
对所述旱灾区划指数、所述旱灾敏感性指数、所述旱灾危险性指数和所述旱灾脆弱性指数进行加权求和以计算旱灾风险指数;以及
根据计算出的旱灾风险指数来估计旱灾风险。
这里所述的孕灾因子是指孕育产生灾害的自然环境,其中举例来说,孕灾因子可以包括但不限于地貌类型指数、土壤类型指数、土地利用指数、农作物类型指数。
这里所述的致灾因子是指导致灾害发生的因素,例如可以包括但不限于降水量距平百分率指数、土壤相对湿度指数、土壤热惯量指数、距平植被指数、植被供水指数。
这里所述的承灾体是指灾害作用的对象,是人类及其活动所在的社会与各种资源的集合。承灾体易损性评价因子可以包括但不局限于:人口密度指数、GDP密度指数、综合抗灾能力指数。
所述不同的数据源可以例如是已经开放的一些关于天气、气候、资源环境、生态等的数据库,例如NASA SRTM、地球科学数据共享平台、气象科学数据共享平台、国土资源数据共享平台等。
1、下面介绍常用到的几种致灾因子的概念。
1)距平植被指数
距平植被指数(Anomaly Vegetation Index,AVI)的定义:
其中:NDVIi为某一年某一时期(如旬、月等)NDVI的值,为多年该时期NDVI的平均值,NDVI为归一化植被指数。如果AVI的值大于0,表明植被生长较一般年份好;如果AVI的值小于0,表明植被生长较一般年份差。一般而言AVI为-0.1~-0.2时表示旱情出现,-0.3~-0.6表示旱情严重。下表1示出了示例性的距平植被指数,其中示出了给不同距平植被指数分级所赋的不同值。
表1
条件植被温度指数 | -0.6--0.4 | -0.4--0.2 | -0.2--0.1 | -0.1--0 | 0-1 |
赋值 | 5 | 4 | 3 | 2 | 1 |
等级 | 特大旱 | 大旱 | 中旱 | 低旱 | 正常 |
2)植被供水指数:植被供水指数(Vegetation Supplication WatIndex,VSWI)表达式为:
VSWI=NDVI/Ts
其中:Ts为植被叶表温度。NDVI为归一化植被指数,VSWI代表植被受旱程度的相对大小,VSWI值越小表明作物冠层温度较高,植被指数较低,作物受旱程度越重。
此方法适用于植物蒸腾较强的季节。植被供水指数被广泛地应用到干旱的遥感监测中,最常用到的是NOAA/AVHRR的数据资料,其中VSWI式中的Ts为第4通道的温度。下表2示出了示例性的植被供水指数,其中示出了给不同植被供水指数分级所赋的不同值。
表2
植被供水指数 | 0-0.2 | 0.2-0.4 | 0.4-0.6 | 0.6-0.8 | 0.8-1 |
赋值 | 5 | 4 | 3 | 2 | 1 |
等级 | 特大旱 | 大旱 | 中旱 | 低旱 | 正常 |
3)土壤相对湿度指数
土壤相对湿度指的是土壤含水量占田间持水量的百分比。相对湿度越低,土壤越旱。
计算方法:
利用如下公式进行计算:
其中,Qt为评价时段实测土壤相对湿度,为评价时段最适土壤相对湿度即(土壤相对湿度平均值特定为75%,这里可以根据土壤类型改进)。
基于遥感数据进行土壤相对湿度的计算比较困难,尤其是光学遥感数据。目前使用比较多的是全国各地气象站点的地表以下20cm或30cm的实测土壤相对湿度数据,虽然点位的精度很高,但是将各个点经过插值后扩展到面上会带来很多问题。下表3示出了示例性土壤相对湿度指数及其赋值。
表3
土壤相对湿度% | <30 | 31-40 | 41-50 | 50-60 | >60 |
代表情况 | 旱情严重 | 旱情展开 | 旱象发展 | 旱象露头 | 无旱象 |
赋值 | 5 | 4 | 3 | 2 | 1 |
等级 | 极度干燥 | 很干燥 | 一般干燥 | 有点干燥 | 水分充足 |
4)土壤热惯量指数
土壤热惯量指的是土壤阻止其温度变化幅度的能力,其数值的大小与土壤含水量有很大关系,含水量越高,其热惯量数值越大。目前热惯量的计算基本上是基于下垫面为裸地或者是稀疏植被覆盖的假设,如果下垫面为浓密植被覆盖,热惯量法则不适用。
热惯量可以表达为:
式中P为热惯量,λ为土壤热导率,ρ为土壤密度,c为比热。
计算方法:
其数值可以通过遥感反演获取,计算公式如下:
P=B(1-A)/ΔTs
式中,P为遥感反演热惯量,ΔTs为地表日较差,可以利用热红外遥感数据通过反演白天和夜间的温度计算得到。如采用MODIS数据,可以由第31、32通道基于分裂窗算法进行温度的反演,或者直接使用NASA提供的地表温度产品。
A为地表全波段反照率,可由遥感数据可见光波段的波谱反射率加权计算得到。若使用MODIS数据,A也可以由第1、2通道反射率求得,公式如下
A=0.423ρ1+0.5;7ρ2
式中,ρ1,ρ2分别是第一、第二波段的波谱反射率。
B为经验系数,如果在同一地区,B可以视为常数。
在求得土壤热惯量后,需要根据土壤热惯量与土壤水分的经验关系计算土壤水分,进而根据土壤水分的多少进行旱情的评估。二者之间的经验关系可以是线性的、对数的、指数的或者是复杂指数的,本发明中,二者的关系可以采用复杂指数关系:
其中ds是土壤的密度,d为水的密度,w为土壤含水量的质量百分含量。由上述关系可知土壤的热惯量P与土壤含水量的质量百分含量、土壤密度之间,存在一一对应的关系。即每一组(w,ds)对应唯一的P。这样可以建立热惯量与土壤水分、土壤密度的查找表。根据查找表可以确定热惯量所对应的土壤水分。表4示出了示例的土壤质量百分含量w、土壤密度ds和土壤热惯量P的对应查找表:
表4.土壤质量百分含量w、土壤密度ds和土壤热惯量P的对应查找表
表5示出了示例性土壤热惯量指数(土壤水分含量(百分率))及其赋值。
表5
土壤水分含量 | 0-5 | 5-10 | 10-15 | 15-20 | >20 |
赋值 | 5 | 4 | 3 | 2 | 1 |
等级 | 特大旱 | 大旱 | 中旱 | 低旱 | 正常 |
5)降水量距平百分率指数
降水量距平百分率Pl是指某时段的降水量与常年同期降水量相比的百分比。表示某地评定时段的降水量与常年同期降水量的偏离程度。正值表示比常年值(气候平均值)偏多的百分数,负值表示比常年偏少。可以作为一个干旱程度监测指标。
计算方法:
其中,Pl是降水量距平百分率,Pr为最近时段降水量,为时段n年平均水量,一般取20-30年多年气候平均值。
降水量距平百分率主要通过气象站点的实测数据计算得到,利用遥感很难获取,可以从国家气候中心下载相应产品。表6示出了示例性降水量距平百分率指数及其赋值。
表6
旱期 | 一般干旱 | 大旱 | 特大干旱 |
>=5个月 | -10~-25% | -25~-50% | <=-50% |
3~4个月 | -25~-50% | -50~-80% | <=-80% |
2个月 | -50~-80% | <=-80% | |
1个月 | <=-80% | ||
赋值 | 3 | 4 | 5 |
2、几种常用到的孕灾因子的描述如下。
1)、地貌类型指数
将地貌类型数据按不同等级划分后,即可以得到待估计区域内的地貌类型指数。
例如可以使用GIS中的重分类功能,将地貌类型图根据分级标准划分为5级,并对每个级赋以相应的值。表7示出了示例性地貌类型指数及其赋值(敏感度)。
表7
地貌分类 | 丘陵 | 山地 | 平原 | 高原 | 水域 |
敏感度 | 5 | 4 | 3 | 2 | 1 |
等级 | 很高 | 高 | 中 | 低 | 无 |
2)、土壤类型指数
将土壤类型数据按不同等级划分后,即可以得到待估计区域内的土壤类型指数。
例如,可以使用GIS中的重分类功能,将土壤类型图根据分级标准划分为5级,并对每个级赋以相应的值。表8示出了示例性土壤类型指数及其赋值(敏感度)。
表8
土壤类型 | 棕壤 | 褐土 | 黑土、黑钙土 | 红壤 | 紫色土 |
敏感度赋值 | 4 | 3 | 3 | 3 | 2 |
主要分布 | 华北平原 | 黄土高原 | 东北平原 | 南方平原地区 | 四川盆地 |
3)土地利用指数
将土地利用数据按不同等级划分后,即可以得到待估计区域内的土地利用指数。
例如,可以使用GIS中的重分类功能,将土地利用图根据分级标准划分为5级,并对每个级赋以相应的值。表9示出了示例性土地利用指数及其赋值(敏感度)。
表9
土地利用分类 | 耕地 | 林地 | 草地 | 城市用地 | 未利用地 |
敏感度赋值 | 5 | 4 | 3 | 2 | 0 |
等级 | 很高 | 高 | 中 | 低 | 无 |
4)农作物类型指数
将农作物类型数据按不同等级划分后,即可以得到待估计区域内的农作物类型指数。
例如,可以使用GIS中的重分类功能,将农作物类型图根据分级标准划分为5级,并对每个级赋以相应的值。表10示出了示例性农作物类型指数及其赋值(敏感度)。
表10
土壤类型 | 春小麦 | 大豆、甜菜 | 水稻 | 谷子、向日葵 | 玉米、高粱 |
敏感度赋值 | 5 | 4 | 3 | 2 | 1 |
3、几种承灾体易损性评价因子的描述
1)抗灾能力指数
将抗灾能力数据按不同等级划分后,即可以得到待估计区域内的抗灾能力指数。
例如,可以使用GIS中的重分类功能,将土地利用图根据分级标准划分为5级,并对每个级赋以相应的值。表11示出了示例性抗灾能力指数及其赋值(脆弱性)。
表11
灌溉面积(%) | <20 | 20~40 | 40~60 | 60~80 | >80 |
脆弱性赋值 | 5 | 4 | 3 | 2 | 1 |
等级 | 很高 | 高 | 中 | 低 | 较低 |
2)人口密度指数
计算过程:
人口数据主要以一定的行政单元为单位进行统计,可根据各行政单元的面积和人口总数,计算该行政单元的人口密度。
示例的详细计算过程如下:
①通过分别在行政区划图和人口统计资料中选择相应的关联字段(一般为行政名称或行政区划编码),建立对应的关联关系。
②将建立关联后的各行政区划的人口数与行政区划面积相除,获得该行政区内平均每平方公里的人口数。
③将行政区划图层以关联后的人口密度作为计算字段,象元分辨率与其他输入数据相同,进行矢量转栅格运算。
④使用GIS中的重分类功能,将人口分布密度图根据人口密度分级标准划分为5级,并对每个级按赋以相应的值。
3)GDP(国民生产总值)密度指数
计算过程:
GDP经济数据主要以一定的行政单元为单位进行统计,可根据各行政单元的面积和GDP经济总数,计算该行政单元的GDP经济密度。
示例的详细计算过程如下:
①通过分别在行政区划图和GDP统计资料中选择相应的关联字段(一般为行政名称或行政区划编码),建立对应的关联关系。
②将建立关联后的各行政区划的GDP总量与行政区划面积相除,获得该行政区内平均每平方公里的GDP数值。
③将行政区划图层以关联后的GDP密度作为计算字段,象元分辨率与其他输入数据相同,进行矢量转栅格运算。
④使用GIS中的重分类功能,将GDP密度分布图根据GDP密度分级标准划分为5级,并对每个级赋以相应的值。表12示出了示例性人口密度指数及其赋值(脆弱性)。
表12
人口密度(人/Km2) | >800 | 600~800 | 400~600 | 200~400 | <200 |
脆弱性赋值 | 5 | 4 | 3 | 2 | 1 |
等级 | 很高 | 高 | 中 | 低 | 较低 |
4、旱灾区划指数
在进行旱灾风险估计时,还可以加入对以往历史灾害数据的考虑,因此本发明引入了旱灾区划指数。旱灾区划指数是根据各区域干旱出现频率来确定的。即,根据估计区域和估计的时间,通过“各区域干旱出现频率查找表”确定了旱灾区划指数。
具体来说,根据估计区域确定其在“各区域干旱出现频率查找表”中所处的范围。
根据估计时间确定其在“各区域干旱出现频率查找表”中所处的时间段。
可以将旱灾区划指数根据分级标准划分为例如5级,并对每个级赋以相应的值。
表13示出了中国地区的示例的“各区域干旱出现频率查找表”。
表13.全国范围旱灾区划标准描述表
所属地区 | 全年 | 春季 | 夏季 | 秋季 | 冬季 |
西北部中高山盆地高原区 | ≥60 | 70-90 | ≥90 | 50-70 | 10 |
东北部高中山地平原盆地区 | 30-55 | 50-70 | 50-70 | 50-70 | 10-20 |
西南部高山地貌区 | 10-50 | ≤30 | 30-50 | 50-70 | 30-50 |
东南部低中山地区 | 30-60 | 50-70 | 30-40 | 50-70 | 30-50 |
表14示出了示例性旱灾区划指数及其赋值(敏感度)。
表14
旱灾发生频率 | 81-100 | 61-80 | 41-60 | 21-40 | 0-20 |
敏感度赋值 | 5 | 4 | 3 | 2 | 1 |
等级 | 很高 | 高 | 中 | 低 | 较低 |
本发明的区域旱灾风险估计基于一个思想:旱灾发生是孕灾因子、致灾因子以及承灾体共同作用的结果。因此,在估计灾害风险时,可以计算孕灾因子和致灾因子对灾害的影响。
孕灾因子对风险灾害的影响可以用旱灾敏感性指数来表示。针对某指定区域,计算旱灾敏感性指数可以包括:
对所述至少一个孕灾因子进行归一化处理;
对处理后的每个孕灾因子赋予权值;
将每个孕灾因子和对应的权值进行加权求和,以计算出所述旱灾敏感性指数。
由于每个孕灾因子对灾害发生风险的影响不同,因此,可以根据孕灾因子对灾害发生风险的影响来对每个孕灾因子赋予权值,之后对赋予权值的孕灾因子进行加权求和,可以得到旱灾敏感性指数。
致灾因子对灾害发生风险的影响可以用旱灾危险性指数来表示。针对某指定区域,计算旱灾危险性指数可以包括:
对致灾因子进行归一化处理,对处理后的致灾因子赋予权值,然后加权求和。
类似地,计算旱灾脆弱性指数可以包括:
对所述至少一个承灾体易损性评价因子进行归一化处理;
对处理后的每个承灾体易损性评价因子赋予权值;
将每个承灾体易损性评价因子和对应的权值进行加权求和,以计算出所述旱灾脆弱性指数。
上述的对孕灾因子、致灾因子和/或承灾体易损性评价因子进行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。权值的选择可以基于各自的孕灾因子/致灾因子/承灾体易损性评价因子对旱灾风险的影响程度,这可以根据历史数据和/或统计数据来合适确定。例如所考虑的孕灾因子的权值和可以等于1。此外,所考虑的致灾因子的权值和可以等于1。
旱灾脆弱性指数表示人类社会经济系统对致灾因子的敏感(反映)程度。通常脆弱性愈大,则致灾后易形成灾情,反之,脆弱性愈小,则致灾后不易形成灾情。
之后,还要考虑旱灾区划指数。对所述旱灾区划指数、所述旱灾敏感性指数、所述旱灾危险性指数和所述旱灾脆弱性指数进行加权求和以计算旱灾风险指数。
可以根据计算出的旱灾风险指数来对旱灾风险进行估计。在本发明的一个实施方式中,可以采用例如最小方差法和因子组合法对该旱灾风险指数划分等级,生成旱灾风险等级,例如无风险、低风险、中风险、高风险,但本领域技术人员可以理解旱灾风险等级划分可以不局限于所列举的。
感兴趣区域的确定可以根据以下一个或多个原则。
以中国为例,针对全国尺度的旱灾风险估计,可以按照地貌一级区划,将中国分为例如4个大的区域,即I:东南部低中山地区、II:东北部高中山地平原盆地区、III:西北部中高山盆地高原区、IV:西南部高山地貌区,如图2所示。据此,可以确定感兴趣区域。
针对区域尺度的旱灾风险估计,感兴趣区域可以基于农作物生产类型一级区划来确定。例如,根据全国农业种植条件及农业种植情况,全国被划分为11个区划,分别是1)青藏高原喜凉作物一熟轮歇区;2)北部高原半干旱凉温作物一熟区;3)东北西北半干旱喜温作物一熟区;4)东北平原丘陵半湿润温凉作物一熟区;5)西北干旱灌溉温凉作物一熟区;6)黄淮海地区水浇地二熟与旱地二熟一熟区;7)西南高原山地水田二熟旱地二熟一熟区;8)江淮平原丘陵麦稻二熟区;9)四川盆地平原丘陵山地湿润水旱兼作区;10)长江中下游平原丘陵水田三熟二熟区;11)华南晚三熟二熟与热三熟区。
本领域技术人员可以理解,上述区域划分方式只是示例性的,可以根据实际需要还有其他的区域划分方式。
在本发明的一个实施方式中,感兴趣区域的植被情况不同,对用于计算旱灾危险性指数的致灾因子的选择也可以不同。
感兴趣区域地理位置、气候的不同会导致植被情况有差异。举例来说,以全国尺度为例,对于稀疏植被覆盖农田为主的区域,可以选择降水量距平百分率指数、土壤相对湿度指数和土壤热惯量指数;对于稀疏植被覆盖草地、林地为主的区域,可以选择降水量距平百分率指数和土壤相对湿度指数;对于植被覆盖期的区域,可以选择降水量距平百分率指数、距平植被指数、土壤相对湿度指数、植被供水指数;等等。
上述与致灾因子选择有关的植被情况可以根据旱灾风险估计的时间和NDVI的值来判断。
以东南部低中山地区为例,如果旱灾风险估计的时间位于春或冬季,则从数据库中调取东南部低中山地区的NDVI数据,同时调用全国地貌区划的二级区划划分单元,分别计算该一级区划内各二级地貌区划内NDVI的平均值,然后进行判断。如果NDVI的平均值大于例如0.2,表明该区域的下垫面为植被覆盖,则可以选择降水量距平百分率指数、距平植被指数、土壤相对湿度指数、植被供水指数,否则选择降水量距平百分率指数、土壤相对湿度指数和土壤热惯量指数。如果估计的时间是夏或秋季,则认定下垫面为植被覆盖,选择降水量距平百分率指数、距平植被指数、土壤相对湿度指数、植被供水指数。将各地貌二级区划的计算结果进行拼接得到该一级地貌区划的旱灾风险估计结果。
在区域尺度的情况下对致灾因子的选择依据与全国尺度下的情况类似。概括来说,区域尺度的旱灾风险估计,在与全国尺度旱灾风险估计保持一致性的前提下,在估计指标的选择上,对于南方地区范围内的区域,一年四季基本上都是植被覆盖,因此在指标的选取上使用与植被相关的指标。对于北方地区,则需要按照季度进行考虑,春冬季节要考虑NDVI的数值来进行指标的选择,而夏秋两季则选择与植被指数相关的指标。此外,除了上述因素外,增加农作物类型这一项致灾因子,因为每一类作物其对旱灾的敏感性不同。其他的与全国尺度的旱灾估计一致。
本发明的实施方式提供的区域旱灾风险估计方法,可以在时间尺度(例如,按月、按季度、按年等)和/或在空间尺度(例如,估计区域的大小(例如,全国尺度、区域尺度)、地理位置等)上进行旱灾风险估计。在充分考虑旱灾发生机制及其分布时空格局的基础上,结合灾害孕灾环境特征,综合分析致灾因子的发生时间、范围、强度等;基于历史案例数据,通过统计分析和概率分析等方法,分析孕灾环境因子、致灾因子与旱灾程度的关系;适当选取若干因子,确定各影响因子所占的权重,计算灾害风险指数,最后进行灾害风险等级区划。
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旱灾风险估计方法。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。
在全国尺度下的旱灾风险估计方面,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,两类产品对旱灾预警的空间分布范围基本一致。
在区域尺度下的旱灾风险估计方面,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的未发生旱灾的判断正确率为85.5%,实际情况为1的发生旱灾的判断正确率为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旱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 (10)
1.一种区域旱灾风险估计方法,其特征在于,该方法包括:
从不同数据源获取感兴趣区域内的针对至少一个感兴趣点的至少一个孕灾因子、至少一个致灾因子、至少一个承灾体易损性评价因子和旱灾区划指数;
基于所述至少一个孕灾因子计算旱灾敏感性指数;
基于所述至少一个致灾因子计算旱灾危险性指数;
基于所述至少一个承灾体易损性评价因子计算旱灾脆弱性指数;
对所述旱灾区划指数、所述旱灾敏感性指数、所述旱灾危险性指数和所述旱灾脆弱性指数进行加权求和以计算旱灾风险指数;以及
根据计算出的旱灾风险指数来估计旱灾风险;
其中,所述方法还包括:
将旱灾区划指数根据分级标准分级,并对每个级赋以相应的值;
所述致灾因子包括:降水量距平百分率指数、土壤相对湿度指数、土壤热惯量指数和距平植被指数,
其中,降水量距平百分率指数为:
Pl是降水量距平百分率指数,Pr为最近时段降水量,为时段n年平均水量;
土壤相对湿度指数为:
其中,Qi为土壤相对湿度指数,Qt为评价时段实测土壤相对湿度,为评价时段最适土壤相对湿度;
距平植被指数为:
AVI为距平植被指数,NDVIi为某一年某一时期NDVI的值,为n年该时期NDVI的平均值,NDVI为归一化植被指数;
土壤热惯量指数按如下方式获得:
P=B(1-A)/ΔTs
P为土壤热惯量,ΔTs为地表日较差,A为地表全波段反照率,A=0.423ρ1+0.577ρ2,ρ1,ρ2分别是第一、第二波段的波谱反射率,B为经验系数;
根据土壤热惯量与土壤水分含量和土壤密度间如下关系建立土壤热惯量与土壤水分含量和土壤密度的查找表;
其中,P为土壤热惯量,ds为土壤密度,d为水的密度,w为土壤水分含量的质量百分含量;
根据查找表确定土壤热惯量所对应的土壤水分含量,以土壤水分含量作为土壤热惯量指数。
2.根据权利要求1所述的方法,其特征在于,基于所述至少一个孕灾因子计算旱灾敏感性指数包括:
对所述至少一个孕灾因子进行归一化处理;
对处理后的每个孕灾因子赋予权值;
将每个孕灾因子和对应的权值进行加权求和,以计算出所述旱灾敏感性指数。
3.根据权利要求1所述的方法,其特征在于,基于所述至少一个承灾体易损性评价因子计算旱灾脆弱性指数包括:
对所述至少一个承灾体易损性评价因子进行归一化处理;
对处理后的每个承灾体易损性评价因子赋予权值;
将每个承灾体易损性评价因子和对应的权值进行加权求和,以计算出所述旱灾脆弱性指数。
4.根据权利要求1所述的方法,其特征在于,根据计算出的旱灾风险指数来估计旱灾风险包括:
采用最小方差法和因子组合法对所述旱灾风险指数进行等级划分,以生成旱灾风险等级。
5.根据权利要求1所述的方法,其特征在于:
所述孕灾因子包括以下各项中的至少一项:地貌类型指数、土壤类型指数、土地利用指数、农作物类型指数;
承灾体易损性评价因子包括以下各项中的至少一项:人口密度指数、GDP密度指数、综合抗灾能力指数。
6.根据权利要求1所述的方法,其特征在于:
所述感兴趣区域基于地貌一级区划来确定;或
所述感兴趣区域基于农作物生产类型一级区划来确定。
7.根据权利要求1所述的方法,其特征在于,基于感兴趣区域的植被情况来确定用于计算旱灾危险性指数的致灾因子。
8.根据权利要求7所述的方法,其特征在于,所述植被情况是基于旱灾风险估计的时间和归一化植被指数NDVI的值来判断的。
9.根据权利要求1所述的方法,其特征在于,该方法是针对不同的时间尺度被执行的。
10.根据权利要求1所述的方法,其特征在于,该方法是针对不同的空间尺度被执行的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310631995.7A CN103605901B (zh) | 2013-11-29 | 2013-11-29 | 一种区域旱灾风险估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310631995.7A CN103605901B (zh) | 2013-11-29 | 2013-11-29 | 一种区域旱灾风险估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103605901A CN103605901A (zh) | 2014-02-26 |
CN103605901B true CN103605901B (zh) | 2017-06-20 |
Family
ID=50124122
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310631995.7A Expired - Fee Related CN103605901B (zh) | 2013-11-29 | 2013-11-29 | 一种区域旱灾风险估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103605901B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105930954A (zh) * | 2016-04-08 | 2016-09-07 | 中国水利水电科学研究院 | 一种基于三层风险评估的干旱灾害风险应对方法 |
CN110909973B (zh) * | 2019-09-25 | 2020-10-16 | 中国水利水电科学研究院 | 考虑下垫面条件的旱情综合监测评估方法 |
CN110909933B (zh) * | 2019-11-20 | 2020-07-17 | 北京师范大学 | 一种耦合作物模型与机器学习语言的农业干旱快速诊断和评估方法 |
CN110991332A (zh) * | 2019-11-30 | 2020-04-10 | 内蒙古蒙草生命共同体大数据有限公司 | 一种植被指数预警方法 |
CN110991333A (zh) * | 2019-11-30 | 2020-04-10 | 内蒙古蒙草生命共同体大数据有限公司 | 一种地上生物量预警方法 |
CN111950813B (zh) * | 2020-08-31 | 2024-07-05 | 广西壮族自治区农业科学院 | 一种气象干旱监测与预测方法 |
CN114781932B (zh) * | 2022-06-16 | 2022-11-01 | 长江水利委员会长江科学院 | 区域干旱防治的区划方法、计算机设备及计算机存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101257421A (zh) * | 2007-02-27 | 2008-09-03 | 仁荷大学教产学协力团 | 用于灾害损失调查的实时自动更新系统和方法 |
CN103177301A (zh) * | 2013-03-12 | 2013-06-26 | 南京信息工程大学 | 一种台风灾害风险预估方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8527301B2 (en) * | 2006-01-20 | 2013-09-03 | Deere & Company | System and method for evaluating risk associated with a crop insurance policy |
-
2013
- 2013-11-29 CN CN201310631995.7A patent/CN103605901B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101257421A (zh) * | 2007-02-27 | 2008-09-03 | 仁荷大学教产学协力团 | 用于灾害损失调查的实时自动更新系统和方法 |
CN103177301A (zh) * | 2013-03-12 | 2013-06-26 | 南京信息工程大学 | 一种台风灾害风险预估方法 |
Non-Patent Citations (4)
Title |
---|
吉林省农业气象干旱灾害的风险分析及区划;刘玉英等;《生态学杂志》;20130615;第32卷(第6期);第1519页右栏-第1522页左栏 * |
环境减灾卫星数据在旱灾预警监测中的应用;温奇等;《遥感技术与应用》;20120831;第27卷(第4期);第592-593页、图3 * |
辽宁省地质灾害的潜在性分布研究;付建飞;《中国博士学位论文全文数据库基础科学辑》;20110515(第05期);第80-84页 * |
陕西省冬小麦干旱风险分析及区划;朱琳等;《应用气象学报》;20020430;第13卷(第2期);第205页最后一段 * |
Also Published As
Publication number | Publication date |
---|---|
CN103605901A (zh) | 2014-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103605901B (zh) | 一种区域旱灾风险估计方法 | |
Santos et al. | Drought assessment using a TRMM-derived standardized precipitation index for the upper São Francisco River basin, Brazil | |
Zhang et al. | A modified water demand estimation method for drought identification over arid and semiarid regions | |
Ngo et al. | Effect of land use change on runoff and sediment yield in Da River Basin of Hoa Binh province, Northwest Vietnam | |
CN103577720A (zh) | 一种区域旱灾风险估计方法 | |
Wei et al. | Monitoring drought dynamics in China using Optimized Meteorological Drought Index (OMDI) based on remote sensing data sets | |
Wang et al. | Water resource spatiotemporal pattern evaluation of the upstream Yangtze River corresponding to climate changes | |
CN102034002A (zh) | 一种高分辨率的全分布式水文模型topx的设计方法 | |
Poonia et al. | Impact of climate change on crop water and irrigation requirements over eastern Himalayan region | |
Alharbi et al. | Assessment of Drought vulnerability through an integrated approach using AHP and Geoinformatics in the Kangsabati River Basin | |
Prodhan et al. | Monitoring of drought condition and risk in Bangladesh combined data from satellite and ground meteorological observations | |
Guo et al. | Dynamic risk assessment of waterlogging disaster for maize based on CERES-Maize model in Midwest of Jilin Province, China | |
Cheng et al. | Cold damage risk assessment of double cropping rice in Hunan, China | |
Takamatsu et al. | Development of a land-use forecast tool for future water resources assessment: case study for the Mekong River 3S Sub-basins | |
Li et al. | Impact of land use/cover change on the relationship between precipitation and runoff in typical area | |
Jin et al. | Satellite-based analysis of regional evapotranspiration trends in a semi-arid area | |
Farhan et al. | Estimation of the surface runoff volume of Al-Mohammedi valley for long-term period using SWAT model | |
Shamloo et al. | Evapotranspiration estimation using SEBAL algorithm integrated with remote sensing and experimental methods | |
Li et al. | Effect of human disturbances and hydrologic elements on the distribution of plant diversity within the Shamu watershed, Mt. Yuntai Nature Reserve, China | |
Banihashemi et al. | The impact of climate change on wheat, barley, and maize growth indices in near-future and far-future periods in qazvin plain, Iran | |
Matera et al. | Use of a new agricultural drought index within a regional drought observatory | |
Wu et al. | Factor analysis of hydrologic services in water-controlled grassland ecosystems by InVEST model and geodetector | |
Son et al. | GIS application in assessment on environmental management and natural resources of communes in Thua Thien-Hue province | |
Xin et al. | Quantitative assessment and spatial characteristics of agricultural drought risk in the Jinghe Watershed, Northwestern China | |
Wang et al. | Estimation of evapotranspiration and its relationship with environmental factors in Jinghe River Basin |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170620 Termination date: 20211129 |