基于GWR模型的江西省山洪災(zāi)害區(qū)域異同性研究

苗月鮮, 方秀琴, 吳小君, 吳陶櫻

(河海大學(xué) 地球科學(xué)與工程學(xué)院, 江蘇 南京 211100)

山洪災(zāi)害是指山區(qū)小流域由暴雨引發(fā)的突發(fā)性、暴漲暴落的洪水及洪水引發(fā)的泥石流、山體滑坡、崩塌等給人民群眾帶來的災(zāi)害[1]，其特點是突發(fā)性隨機(jī)性強(qiáng)、歷時短、漲幅大、洪峰高、水量集中、成災(zāi)迅速、破壞力大[2]。中國山洪災(zāi)害頻發(fā)，尤其是位于中國東南部地區(qū)的江西省，屬于東亞季風(fēng)氣候，雨量充沛，地形條件復(fù)雜，河湖眾多，其降水時空分布不均勻，極易形成局部地區(qū)強(qiáng)降雨，再加上越來越頻繁的人類活動的影響以及災(zāi)害性天氣多發(fā)頻發(fā)，導(dǎo)致山洪災(zāi)害更加頻繁，損失和傷亡也更加嚴(yán)重[3]。

目前已經(jīng)有很多研究表明應(yīng)用地理加權(quán)回歸模型(geographically weighted regression， GWR)能更好地解釋空間趨勢和局部變化情況，并對數(shù)據(jù)進(jìn)行分析和解釋。GWR在多個領(lǐng)域得到廣泛應(yīng)用，比如：Katarzyna等[4]用GWR方法預(yù)測了波羅的海的近底水鹽度的空間分布；Sandra Oliveira等[5]利用GWR模型確定影響火災(zāi)發(fā)生的重要因子，評估因子對火災(zāi)發(fā)生的影響程度。Park[6]用GWR模型來估計年平均日交通流量，結(jié)果表明影響交通流量的因素與年平均日交通流量之間的關(guān)系在不同的地區(qū)不一樣，并用GWR模型預(yù)測了不同地區(qū)的年平均日交通流量；蘇方林[7]通過與其他模型對比發(fā)現(xiàn)GWR模型能夠更好地反映經(jīng)濟(jì)量的空間依賴性；覃文忠等[8]應(yīng)用GWR方法研究上海市住宅銷售平均價格空間分布特征；Huang Jinliang等[9]用GWR估量沿海水域的空間變量與水污染之間的相關(guān)關(guān)系；Zeng Canying等[10]用GWR預(yù)測區(qū)域內(nèi)氮的含量，并制作氮含量空間分布圖。然而，就目前而言，利用GWR在山洪災(zāi)害空間分布及預(yù)測方面的研究還相當(dāng)少，處于起點階段，需要進(jìn)一步的探索。基于此，本研究致力于應(yīng)用GWR模型探究江西省的山洪災(zāi)害的空間分布，揭示不同區(qū)域引發(fā)山洪的主要原因和造成的災(zāi)害程度，以期為實施有效的山洪災(zāi)害預(yù)防策略和保護(hù)策略提供參考依據(jù)。

1 數(shù)據(jù)與研究方法

1.1 研究區(qū)概況

江西省河流眾多，湖泊水庫星羅棋布，有贛江、撫河、信江、饒河和修水五大水系。五大水系均發(fā)源于與鄰省接壤的邊緣山區(qū)，從東南西三個方向匯入鄱陽湖，經(jīng)鄱陽湖調(diào)蓄后由湖口匯入長江。因贛江流域面積較廣，下墊面變化大，考慮其上下游關(guān)系分為3個流域分區(qū)，加上環(huán)鄱陽湖區(qū)域、省界處高山發(fā)源的流向其他河流的流域，江西省共分為13個流域。江西省東部的饒河流域往西三面環(huán)山，起伏較大；修水流域北面和中部分別為幕阜山和九嶺山，地勢較高，兩條山脈中間形成了河谷；南部的贛江上游流域內(nèi)多山地，地形起伏比較大。贛東(饒河流域)、贛西(修水流域和贛江下游)和贛南(贛江上游)都是該省極易發(fā)生山洪災(zāi)害的區(qū)域，是山洪災(zāi)害重點防治地區(qū)，也是山洪災(zāi)害調(diào)查的重點區(qū)域，積累了大量的山洪災(zāi)害調(diào)查點數(shù)據(jù)。故本研究選取江西省贛東(饒河流域)、贛西(修水流域和贛江下游)和贛南(贛江上游)3個流域作為研究區(qū)。

1.2 數(shù)據(jù)收集與處理

1.2.1 數(shù)據(jù)收集

(1) 反應(yīng)變量。山洪災(zāi)害主要是對社會、經(jīng)濟(jì)、環(huán)境等方面造成的損失[11]。統(tǒng)計不同地區(qū)、不同時間發(fā)生的山洪災(zāi)害情況得到歷史山洪災(zāi)害災(zāi)情，可以反映山洪災(zāi)害發(fā)生的頻率、規(guī)模和泛濫范圍，較全面的概括這一段時期內(nèi)山洪災(zāi)害的危害程度[12]。根據(jù)《山洪災(zāi)害技術(shù)調(diào)查要求》，江西省歷史山洪災(zāi)害災(zāi)情的調(diào)查數(shù)據(jù)有：死亡人數(shù)、失蹤人數(shù)、轉(zhuǎn)移人數(shù)、損毀房屋數(shù)、直接經(jīng)濟(jì)損失。本研究將這幾個因子的實際調(diào)查數(shù)據(jù)作為描述山洪災(zāi)害危害程度的定量指標(biāo)，即災(zāi)害度指標(biāo)，作為GWR的反應(yīng)變量，來探索研究區(qū)山洪災(zāi)害程度的空間分布規(guī)律。

(2) 解釋變量。山洪災(zāi)害的形成機(jī)理復(fù)雜，受到多種因素的影響。本研究將這些影響因子分為3類：山洪觸發(fā)因子、下墊面孕災(zāi)環(huán)境因子和承災(zāi)能力因子。同時解釋性變量的選擇遵循以下幾個原則：目的性、可操作性、簡明性、獨立性。 ①山洪觸發(fā)因子。降雨是導(dǎo)致山洪災(zāi)害發(fā)生的最直接外動力因素，江西省小范圍暴雨或局部大暴雨發(fā)生概率相對較高，全省80%以上的山洪災(zāi)害發(fā)生在主汛期4—6月。據(jù)統(tǒng)計，江西省實測年最大1 h暴雨量、年最大6 h暴雨量和年最大10 min暴雨量會導(dǎo)致山洪災(zāi)害的發(fā)生[13]。年降雨量和年暴雨天數(shù)也是影響山洪爆發(fā)的因素。本文考慮到數(shù)據(jù)的可獲得性和可量化性，選取年最大1 h暴雨量、年最大6 h暴雨量、年最大10 min暴雨量、年降雨量和年暴雨天數(shù)5個特征指標(biāo)作為山洪觸發(fā)因子。 ②孕災(zāi)環(huán)境因子下墊面孕災(zāi)環(huán)境主要指下墊面自然條件，即地形條件。地形是控制山洪泛濫的重要因素，其影響主要表現(xiàn)在高程和坡度2個方面[14]。由于地形指數(shù)(TWI)借鑒于Beven 和Kirkby等[15]發(fā)展的地形指數(shù)模型Topography based hydrological model(TOPMODEL)，考慮了地形坡度對產(chǎn)流區(qū)形成和變化的影響，其空間分布反映了土壤飽和缺水量的空間分布，具有明確的物理意義。因此，本研究選用高程和TWI作為作為孕災(zāi)環(huán)境因子。TWI是由公式(1)計算得到：

(1)

式中：α——匯流面積/(hm2)；β——坡度(°)。

③承災(zāi)能力因子。承災(zāi)體的易損性與承災(zāi)能力

主要通過人口密度、社會經(jīng)濟(jì)發(fā)展?fàn)顩r來量化分析[16]。本研究選用GDP和人口密度作為指標(biāo)。GDP高、人口密度大一方面可能導(dǎo)致該地區(qū)受災(zāi)程度嚴(yán)重，另一方面，也可能其防洪減災(zāi)設(shè)施和政策完善，抗災(zāi)能力較強(qiáng)。9個影響因子的數(shù)據(jù)來源如表1所示。

表1 9個解釋變量及其數(shù)據(jù)來源

1.2.2 數(shù)據(jù)處理 由于選取的各個影響因素取值范圍和計量單位存在較大的差別，所以在構(gòu)建模型前需要進(jìn)行歸一化處理。目的在于消除計量單位的影響并使各指標(biāo)具有同等的數(shù)量級，避免構(gòu)建模型時可能產(chǎn)生的誤差。

在進(jìn)行歸一化處理中，認(rèn)為年降雨量、年暴雨天數(shù)、年最大1 h暴雨量、年最大10 min暴雨量、年最大6 h暴雨量、地形指數(shù)、人口密度和GDP等8個影響因素是與山洪災(zāi)害的反應(yīng)變量成線性關(guān)系的，因此對于這些影響因素進(jìn)行歸一化處理的公式為：

(2)

式中：xi——歸一化前的影響因子數(shù)值;Xi——歸一化后的影響因子數(shù)值;xmin——影響因子的最小值;xmax——影響因子的最大值。

本研究中，歷史山洪災(zāi)害點的高程值分布的概率密度函數(shù)符合偏正態(tài)分布，不能簡單認(rèn)為該因子與反應(yīng)變量是線性相關(guān)。因此，我們對高程這個影響因素的歸一化按照如下公式進(jìn)行處理：

x=lg(DEM)

(3)

(4)

式中：x——歸一化前高程值;X——歸一化后高程值；μ——歷史山洪災(zāi)害點處高程數(shù)據(jù)的算術(shù)平均值；σ——歷史山洪災(zāi)害點處高程數(shù)據(jù)的標(biāo)準(zhǔn)差。

1.3 研究方法

地理加權(quán)回歸模型(GWR)是近些年發(fā)展起來的一種對空間數(shù)據(jù)進(jìn)行回歸分析的方法，該方法考慮到地理位置鄰近的數(shù)據(jù)具有空間相關(guān)性，因此，在傳統(tǒng)的多元線性回歸方法的基礎(chǔ)上，將地理位置嵌入傳統(tǒng)的回歸模型中。在該模型中，回歸系數(shù)隨地理位置的變化而變化，研究區(qū)內(nèi)有多少個觀測點，就將研究區(qū)劃分為多少個區(qū)域，針對每個觀測點建立模型，作為該區(qū)域的局部回歸方程對區(qū)域變量進(jìn)行估計。GWR模型可表示為以下形式：

(i=1,2，…，n)

(5)

式中：(ui,vi)——第i個觀測點的坐標(biāo);βk(ui,vi)——第i個觀測點的第k個回歸系數(shù);εi——第i個觀測點的隨機(jī)誤差。然后利用局部加權(quán)最小二乘方法進(jìn)行逐點參數(shù)估計，各觀測點的回歸系數(shù)是根據(jù)距離衰減的一個函數(shù)，即對距離函數(shù)加權(quán)：

(6)

通常選用Gaussian函數(shù)作為距離的連續(xù)空間權(quán)重函數(shù)：

(7)

式中：wij——附近點j相對于觀測點i的空間權(quán)重；dij——j點到i點的距離；b——帶寬。帶寬是描述權(quán)重與距離之間函數(shù)關(guān)系的一個重要非負(fù)參數(shù)，帶寬的選擇很大程度影響模型預(yù)測準(zhǔn)確程度，通常有最佳固定距離和最佳鄰近點數(shù)2種形式。帶寬的選擇通過交叉驗證法(Cv)來實現(xiàn)，并通過AIC信息準(zhǔn)則(Akaike information criterion)來確定最佳帶寬[19]。

GWR結(jié)果可以得到模型的決定系數(shù) 和解釋變量的回歸參數(shù)，決定系數(shù) 代表模型在局部區(qū)域的擬合程度，回歸參數(shù)表示該解釋變量對反應(yīng)變量的影響程度。以此來探測空間關(guān)系的非平穩(wěn)性，揭示研究區(qū)重要性變量的分異性。該方法非常適用于具有空間異質(zhì)性的空間數(shù)據(jù)的建模[8,20]。在構(gòu)建GWR模型時，并不是解釋變量越多越好，一些解釋變量加入回歸模型后反而會使模型的擬合精度下降，因此要選用適宜的解釋變量使得模型擬合精度最優(yōu)。

2 結(jié)果與分析

本次研究，首先利用ArcGIS中模型空間關(guān)系模塊對9個解釋變量進(jìn)行共線性檢驗，即對解釋變量進(jìn)行方差膨脹因子(VIF)檢驗，剔除掉VIF>5的解釋變量，因為VIF>5很有可能是變量間共線性出現(xiàn)的觸發(fā)點[21]。對3個研究分區(qū)的9個初始解釋變量進(jìn)行VIF檢驗，發(fā)現(xiàn)贛東地區(qū)VIF>5的變量為年最大10 min降雨量的，應(yīng)予以剔除；贛西地區(qū)無VIF>5的變量，因此9個初始解釋變量之間不存在共線性關(guān)系；在贛南地區(qū)，年暴雨天數(shù)和年降雨量的VIF>6，年最大6 h降雨量VIF>5，剔除年暴雨天數(shù)和年降雨量后，剩余的解釋變量的VIF值都小于5。然后用GWR 4.0軟件分別對3個研究分區(qū)的每個災(zāi)害度指標(biāo)構(gòu)建GWR模型，所得模型的解釋變量組合及擬合精度如表2。

由表2可知，贛東地區(qū)的死亡人口調(diào)查數(shù)據(jù)全為0，而贛南地區(qū)的死亡人口、轉(zhuǎn)移人口和損毀房屋的調(diào)查數(shù)據(jù)值的數(shù)量級跨度非常大，出現(xiàn)異常值，因此這些災(zāi)害度指標(biāo)無法構(gòu)建模型。最后利用GIS工具箱制作各區(qū)域不同災(zāi)害度指標(biāo)的空間分布圖。本文從同一區(qū)域不同災(zāi)害度指標(biāo)建模、不同區(qū)域同一災(zāi)害度指標(biāo)建模和不同災(zāi)害度指標(biāo)空間分布3個方面來進(jìn)行探討，對比各GWR模型之間的差異，分析討論造成這種差異的原因。

表2 江西省災(zāi)害度指標(biāo)構(gòu)建的GWR模型組合及精度對比

2.1 同一區(qū)域不同災(zāi)害度指標(biāo)建模

表2的縱向比較反映的是同一研究區(qū)域不同災(zāi)害度指標(biāo)建模的異同。根據(jù)表2，無論在哪個區(qū)域，所有的災(zāi)害度指標(biāo)都受到山洪觸發(fā)因子的影響，但具體是山洪觸發(fā)因子中的哪些解釋變量影響災(zāi)害度指標(biāo)存在差異。在贛東地區(qū)，轉(zhuǎn)移人口與損毀房屋有相同的山洪觸發(fā)因子，即年暴雨天數(shù)；轉(zhuǎn)移人口與直接經(jīng)濟(jì)損失也有相同的山洪觸發(fā)因子，即年最大6 h暴雨量；死亡人口和轉(zhuǎn)移人口涉及到承災(zāi)體，因此人口密度也是影響這2個災(zāi)害度指標(biāo)的有效解釋變量，而GDP也是影響死亡人口的其中一個因素。在贛西地區(qū)，失蹤人口、轉(zhuǎn)移人口、損毀房屋和直接經(jīng)濟(jì)損失有相同的山洪觸發(fā)因子，即年最大10 min暴雨量；死亡人口、失蹤人口、轉(zhuǎn)移人口和損毀房屋受到承災(zāi)能力因子中人口密度的影響，說明在該地區(qū)人口密度比人均GDP對模型結(jié)果的影響更大；死亡人口、轉(zhuǎn)移人口、損毀房屋和直接經(jīng)濟(jì)損失都受到孕災(zāi)環(huán)境因子的影響，其中轉(zhuǎn)移人口同時受到DEM和TWI這2個孕災(zāi)環(huán)境因子的影響，死亡人口和損毀房屋只受到DEM的影響，直接經(jīng)濟(jì)損失只受到TWI 的影響。這些模型中轉(zhuǎn)移人口模型的解釋變量數(shù)量最多，有7個，且擬合精度最高，達(dá)到0.920 2。在贛南地區(qū)，失蹤人口與直接經(jīng)濟(jì)損失模型沒有相同的山洪觸發(fā)因子，失蹤人口還同時受到2個孕災(zāi)環(huán)境因子的影響。

綜上所述，5個災(zāi)害度指標(biāo)的建模存在共性，即同一區(qū)域不同災(zāi)害度指標(biāo)構(gòu)建的模型都包含山洪觸發(fā)因子，說明無論描述山洪災(zāi)害度的指標(biāo)是什么，降雨條件都是導(dǎo)致山洪災(zāi)害發(fā)生的最主要因素。同時，5個災(zāi)害度指標(biāo)的建模也存在差異性：在贛東地區(qū)，孕災(zāi)環(huán)境因子和承載能力因子對有的災(zāi)害度指標(biāo)有影響，對有的災(zāi)害度指標(biāo)影響不明顯，有時甚至?xí)鼓Ｐ驼w擬合精度降低；在贛西地區(qū)，在5個描述降雨的山洪觸發(fā)因子中，對不同災(zāi)害度指標(biāo)有影響的解釋變量不同數(shù)量也不同，孕災(zāi)環(huán)境因子和承災(zāi)能力因子中的人口密度也是造成山洪災(zāi)害的重要原因；在贛南地區(qū)，失蹤人口和直接經(jīng)濟(jì)損失量模型的影響因子包含了不同的山洪觸發(fā)因子，而死亡人口還受到地形因子的影響。

2.2 不同區(qū)域同一災(zāi)害度指標(biāo)建模

表2的橫向比較反映的是不同區(qū)域同一災(zāi)害度指標(biāo)建模的異同。根據(jù)表2，無論災(zāi)害度指標(biāo)是什么，所有地區(qū)都受到山洪觸發(fā)因子的影響，但具體是山洪觸發(fā)因子中的哪些解釋變量影響災(zāi)害度指標(biāo)存在差異。當(dāng)災(zāi)害度指標(biāo)為死亡人口時，贛東和贛西地區(qū)都受到承災(zāi)能力因子人口密度的影響，贛東地區(qū)還受到GDP的影響，贛西地區(qū)受到地形條件DEM的影響。當(dāng)災(zāi)害度指標(biāo)為失蹤人口時，贛西地區(qū)受到承災(zāi)因子人口密度的影響，而贛南地區(qū)同時受到2個孕災(zāi)環(huán)境因子TWI和DEM的影響。當(dāng)災(zāi)害度指標(biāo)為轉(zhuǎn)移人口時，贛東和贛西地區(qū)有人口密度和年最大6 h暴雨量2個共同的解釋變量，贛西地區(qū)還同時受到2個孕災(zāi)環(huán)境因子DEM和TWI的影響。當(dāng)災(zāi)害度指標(biāo)為損毀房屋時，贛東地區(qū)只包含了一個山洪觸發(fā)因子年暴雨天數(shù)，而贛西地區(qū)同時受到山洪觸發(fā)因子、孕災(zāi)環(huán)境因子和承災(zāi)能力因子的影響。當(dāng)災(zāi)害度指標(biāo)為直接經(jīng)濟(jì)損失時，贛東和贛南地區(qū)都受到一個相同的山洪觸發(fā)因子年最大6 h暴雨量的影響，但擬合精度不同，而贛西地區(qū)還受到孕災(zāi)環(huán)境因子TWI的影響。

綜上所述，3個研究區(qū)的建模存在共性，即不同區(qū)域同一災(zāi)害度指標(biāo)構(gòu)建的模型都包含山洪觸發(fā)因子，說明不論在哪個區(qū)域，降雨條件都是導(dǎo)致山洪災(zāi)害發(fā)生的最主要因素。同時，3個研究區(qū)的建模也存在差異性：當(dāng)災(zāi)害度指標(biāo)為死亡人口時，贛東和贛西的模型有相同承災(zāi)能力因子，贛西的模型還包含孕災(zāi)環(huán)境因子；當(dāng)災(zāi)害指標(biāo)為失蹤人口時，贛西的模型受到承災(zāi)能力因子的影響，而贛南的模型受到孕災(zāi)環(huán)境因子的影響；當(dāng)災(zāi)害度指標(biāo)為轉(zhuǎn)移人口時，贛東和贛西的模型有相同的承災(zāi)能力因子和山洪觸發(fā)因子，兩個地區(qū)的模型包含的其他山洪觸發(fā)因子有差異，贛西的模型還受到孕災(zāi)環(huán)境因子的影響；當(dāng)災(zāi)害度指標(biāo)為損毀房屋時，贛東的模型只包含一個山洪觸發(fā)因子，贛西的模型除了山洪觸發(fā)因子還受到孕災(zāi)環(huán)境因子和承災(zāi)能力因子的影響；當(dāng)災(zāi)害度指標(biāo)為直接經(jīng)濟(jì)損失時，贛東和贛南的模型有且只有一個相同的山洪觸發(fā)因子，但模型的精度也不同，而贛西的模型還受到孕災(zāi)環(huán)境因子的影響。

2.3 不同區(qū)域山洪災(zāi)害度指標(biāo)的空間分布

本文對每個區(qū)域的每個災(zāi)害度指標(biāo)都構(gòu)建了合適的模型，然后利用這些模型對無實地調(diào)查數(shù)據(jù)的地區(qū)進(jìn)行預(yù)測。由于GWR模型得到的局部擬合精度變化范圍較大，有些地區(qū)得到的預(yù)測結(jié)果不可靠，即出現(xiàn)超出正常范圍的偏大或偏小現(xiàn)象，因此本文結(jié)合實際情況對預(yù)測結(jié)果數(shù)據(jù)進(jìn)行剔除，使得數(shù)據(jù)能有效反映災(zāi)害度指標(biāo)的空間分布情況。

在贛東地區(qū)，死亡人口、轉(zhuǎn)移人口、損毀房屋和直接經(jīng)濟(jì)損失4個災(zāi)害度指標(biāo)的值普遍在東部較低，在西北方向受災(zāi)程度偏大，原因是饒河流域東部為平原地區(qū)，地勢平坦，往西三面環(huán)山，起伏較大，當(dāng)有較大的降雨、暴雨時，容易形成山洪造成損失。但是當(dāng)災(zāi)害度指標(biāo)不同時，受災(zāi)嚴(yán)重的地區(qū)分布存在明顯的差異：死亡人口較多的地方主要在婺源縣北部、樂平市西部、波陽縣南部和德興市東部，轉(zhuǎn)移人口較多的地方主要在樂平市和景德鎮(zhèn)市，波陽縣南部也有較多的人口轉(zhuǎn)移，損毀房屋嚴(yán)重的地方主要在景德鎮(zhèn)市，在浮梁縣、婺源縣和德興市也有少數(shù)村落的房屋損毀嚴(yán)重。

在贛南地區(qū)，失蹤人口較多的地區(qū)主要集中在該流域中心即甘心和于都縣，而直接經(jīng)濟(jì)損失較嚴(yán)重的地區(qū)在該區(qū)崇義縣西部、上猶縣西部和信豐縣北部。該流域內(nèi)多山地，地形起伏比較大，且分布沒有明顯的規(guī)律，流域北部地區(qū)暴雨量相對南部較大，因此該地區(qū)不同指標(biāo)受災(zāi)程度差異性較大。

在贛西地區(qū)，由修水流域和贛江下游兩部分組成，修水流域北面和中部分別為幕阜山和九嶺山，地勢較高，兩條山脈中間形成了河谷，東南部地區(qū)的降雨豐沛，因此該流域的山谷地帶和東南地區(qū)容易形成山洪災(zāi)害，而贛江下游東部為平原地區(qū)，西北為九嶺山脈，西南有武山，從西往東地形指數(shù)逐漸增大，年降雨量從西北到東南呈遞減趨勢，且暴雨中心都分布在流域的北部，因此在該流域北部和九嶺山的南面容易形成山洪災(zāi)害。因此，受災(zāi)較嚴(yán)重的地區(qū)分布在修水流域東部和贛江下游西北部。但是，每個災(zāi)害度指標(biāo)受災(zāi)嚴(yán)重地區(qū)的分布存在差異：死亡人口較多的地方在銅鼓縣和萬載縣北部，失蹤人口多的地方主要在銅鼓縣和修水縣南部，轉(zhuǎn)移人口較多的地方在銅鼓縣南部和高安市南部，宜春市、上高縣和萬載縣有少部分地區(qū)需要人口較多，損毀房屋嚴(yán)重的地區(qū)主要分布在銅鼓縣、新干縣和萬載縣北部，直接經(jīng)濟(jì)損失嚴(yán)重的地區(qū)安義縣和宜春市北部，高安市和銅鼓縣的損失比較嚴(yán)重。

同一地區(qū)，當(dāng)災(zāi)害度指標(biāo)不同時，受災(zāi)程度的分布情況存在差異：一些行政區(qū)在多個災(zāi)害度指標(biāo)中都呈現(xiàn)出比較嚴(yán)重的受災(zāi)程度，例如景德鎮(zhèn)市在轉(zhuǎn)移人口、損毀房屋和直接經(jīng)濟(jì)損失中的受災(zāi)程度都嚴(yán)重；樂平市在死亡人口、轉(zhuǎn)移人口和直接經(jīng)濟(jì)損失中的受災(zāi)程度嚴(yán)重；銅鼓縣在死亡人口、失蹤人口、轉(zhuǎn)移人口和損毀房屋中的受災(zāi)程度嚴(yán)重。一些行政區(qū)雖然在多個災(zāi)害度指標(biāo)中都呈現(xiàn)出嚴(yán)重的受災(zāi)程度，但是由于災(zāi)害度指標(biāo)不同，受災(zāi)嚴(yán)重的地方在該行政區(qū)的地域分布不同，例如萬載縣死亡人口多和損毀房屋嚴(yán)重的地方都在該縣北部，轉(zhuǎn)移人口較多的地方在該縣的北方和西南角，直接經(jīng)濟(jì)損失嚴(yán)重的地區(qū)在該縣西南角；高安市的轉(zhuǎn)移人口較多的地區(qū)在該市南部，直接經(jīng)濟(jì)損失嚴(yán)重的地區(qū)在該市東北部。其他的行政區(qū)只在其中一個災(zāi)害度指標(biāo)中有嚴(yán)重的受災(zāi)現(xiàn)象。

3 結(jié) 論

通過GWR對江西省贛東、贛西和贛南3個研究區(qū)的5項山洪災(zāi)害度指標(biāo)構(gòu)建模型，并將該模型應(yīng)用到無實地調(diào)查數(shù)據(jù)的地區(qū)，并分別將這幾項山洪災(zāi)害指標(biāo)的空間分布進(jìn)行制圖，使我們更加直觀的了解山洪災(zāi)害的空間分布情況，更加清楚地反映江西省不同研究區(qū)山洪災(zāi)害的空間分布規(guī)律以及差異。

結(jié)果表明，不同地區(qū)構(gòu)建的模型有不同的共線性因子，所有構(gòu)建的模型都有山洪觸發(fā)因子，雖然不同的模型中表述山洪觸發(fā)因子的解釋變量及其數(shù)量有差異，但降雨是誘發(fā)山洪災(zāi)害的最主要因素；同一地區(qū)不同災(zāi)害度指標(biāo)構(gòu)建的模型之間和不同地區(qū)同一災(zāi)害度指標(biāo)構(gòu)建的模型之間都有共性和差異性。在其中任一條件下，一些模型會存在相同的解釋變量，也有一些模型的解釋變量完全不同；受災(zāi)嚴(yán)重的地區(qū)都集中分布在容易形成山洪的地區(qū)，該地區(qū)通常地形起伏較大，降雨量也大。但當(dāng)災(zāi)害度指標(biāo)不同時，受災(zāi)程度的具體分布情況存在明顯差異。

因此，在構(gòu)建各項災(zāi)害度指標(biāo)模型時，不僅要考慮到地域上的差異，也要考慮到不同災(zāi)害度指標(biāo)之間的差異，GWR能有效地解釋局部空間變化情況和重要解釋變量的分異性。而好的模型能詳細(xì)準(zhǔn)確的描述災(zāi)害度指標(biāo)的空間分布情況，為行政區(qū)域綜合災(zāi)害度評估提供基礎(chǔ)數(shù)據(jù)，為抗洪救災(zāi)時資源以及人力的分配提供參考，幫助人們規(guī)劃設(shè)置避災(zāi)的工程措施和非工程措施提供依據(jù)，同時也為政府對各分區(qū)的監(jiān)測和管理提供重要決策支持。

[1] 許小華,何雯.基于土地利用分析的山洪災(zāi)害危險等級劃分研究[J].江西水利科技,2015,41(4):283-290.

[2] 劉志雨.山洪預(yù)警預(yù)報技術(shù)研究與應(yīng)用[J].中國防汛抗旱,2012,22(2):41-45.

[3] 李明輝,熊劍英.江西省山洪災(zāi)害防治規(guī)劃概述[J].江西水利科技,2005,31(2):73-77.

[4] Lukawska-Matuszewska K, Urbański J A. Prediction of near-bottom water salinity in the Baltic Sea using Ordinary Least Squares and Geographically Weighted Regression models[J]. Estuarine Coastal and Shelf Science, 2014,149:255-263.

[5] Oliveira S, Pereira J M C, San-Miguel-Ayanz J, et al. Exploring the spatial patterns of fire density in Southern Europe using geographically weighted regression[J]. Applied Geography, 2014,51：143-157.

[6] Park N. Estimation of average annual daily traffic(AADT)using geographically weighted regression(GWR) method and geographic information systems[D]. Florida: Florida International University, ProQuest Dissertations Publishing, 2004.

[7] 蘇方林.基于地理加權(quán)回歸模型的縣域經(jīng)濟(jì)發(fā)展的空間因素分析：以遼寧省縣域為例[J].學(xué)術(shù)論壇,2005(5):81-84.

[8] 覃文忠,王建梅,劉妙龍.地理加權(quán)回歸分析空間數(shù)據(jù)的空間非平穩(wěn)性[J].遼寧師范大學(xué)學(xué)報：自然科學(xué)版,2005,28(4):476-479.

[9] Huang Jinliang, Huang Yaling, Pontius R G, et al. Geographically weighted regression to measure spatial variations in correlations between water pollution versus land use in a coastal watershed[J]. Ocean & Coastal Management, 2015,103(103):14-24.

[10] Zeng Canying, Yang Lin, Zhu Axing, et al. Mapping soil organic matter concentration at different scales using a mixed geographically weighted regression method[J]. Geoderma, 2016,281:69-82.

[11] 孫厚才,沙耘,黃志鵬.山洪災(zāi)害研究現(xiàn)狀綜述[J].長江科學(xué)院院報,2004,21(6):77-80.

[12] 唐川,朱靜.基于GIS的山洪災(zāi)害風(fēng)險區(qū)劃[J].地理學(xué)報,2005,60(1):87-94.

[13] 劉少軍,張京紅,張明潔,等.海南島山洪災(zāi)害風(fēng)險區(qū)劃研究[J].水土保持研究,2013,20(5):165-169.

[14] 許小華,何雯.基于DEM的山洪災(zāi)害風(fēng)險區(qū)劃分研究[J].中國農(nóng)村水利水電,2015(10):83-86.

[15] 鄧慧平,李秀彬.地形指數(shù)的物理意義分析[J].地理科學(xué)進(jìn)展,2002,21(2):103-110.

[16] 哈斯塔木嘎,蔡云松,石力偉.基于GIS的暴雨山洪氣象災(zāi)害風(fēng)險評估[J].現(xiàn)代農(nóng)業(yè)科技,2013(18):240-241.

[17] 《江西地圖集》編纂委員會.江西省地圖集[M].北京:中國地圖出版社,2008.

[18] 江西省水文局.江西省暴雨洪水查算手冊(2010版)[EB/OL].(2013-04-19)[2015-07-16]. http://www. bzfxw. com/soft/sort011/ShuiLi/168219063. html.

[19] 覃文忠.地理加權(quán)回歸基本理論與應(yīng)用研究[D].上海:同濟(jì)大學(xué),2007.

[20] 郭含茹,張茂震,徐麗華,等.基于地理加權(quán)回歸的區(qū)域森林碳儲量估計[J].浙江農(nóng)林大學(xué)學(xué)報,2015,32(4):497-508.

[21] 王旭,林征,張志,等.基于GWR模型的北極濱海平原融凍湖表面溫度空間分布模擬[J].武漢大學(xué)學(xué)報:信息科學(xué)版,2016,41(7):918-924.