2050年上海大都市圈海平面上升影響預(yù)估研究

宋苑震,覃盟琳*,朱梓銘,黎航

(1.廣西大學(xué)土木建筑工程學(xué)院，廣西南寧530004；2.廣西大學(xué)人居環(huán)境設(shè)計研究中心，廣西南寧530004；3.印第安納州立大學(xué)地球與環(huán)境系統(tǒng)學(xué)院，印第安納州特雷霍特47807)

0 引言

隨著全球氣候變暖，海平面上升加快，預(yù)計到2100年，全球?qū)⒂?0 %的沿海地區(qū)受到海平面上升影響[1]。海平面上升，將一定程度上放大、加強海平面上升淹沒、風(fēng)暴潮、洪澇影響、海岸侵蝕以及海水入侵等現(xiàn)象的強度，對沿海地區(qū)經(jīng)濟社會發(fā)展、生態(tài)安全和城市發(fā)展建設(shè)產(chǎn)生負面影響[2]。

國內(nèi)外學(xué)者在海平面上升對沿海地區(qū)相關(guān)影響上進行了較多研究，研究主要集中在以下幾個方面：①研究方法上，提出海岸帶脆弱性指數(shù)[3]、改進的SPRC模型[4]等用來預(yù)測海平面上升高度；②所用數(shù)據(jù)上，利用沿海臺站數(shù)據(jù)[5]、IPCC公告[6]、中國海洋公報[7]、遙感數(shù)據(jù)[8]等數(shù)據(jù)分析相關(guān)影響；③研究對象上，多集中在沿海濕地脆弱性[9]、海平面上升淹沒[10]、沿海紅樹林[11]、河口三角洲[12]等。近年來，諸多學(xué)者開始嘗試使用地理信息系統(tǒng)以及遙感數(shù)據(jù)對海平面上升的影響進行實時監(jiān)測和分析[13-15]。易思[16]使用多種地理分析方法對海平面上升和風(fēng)暴潮的復(fù)合作用進行風(fēng)險評估。高超等[17]則深入分析了海平面上升對我國大陸沿海地區(qū)的影響。吳濤等[18]對未來50 a上海海平面上升高度進行預(yù)測，并使用地理信息系統(tǒng)計算該地區(qū)潛在淹沒區(qū)域和范圍。綜上所述，相關(guān)研究的研究對象和研究方法較為單一，缺乏多種方法的結(jié)合；研究多集中在某一時間截面，缺少時間維度上的預(yù)測性研究，因此開展時空尺度上的多指標(biāo)海平面上升影響預(yù)估研究就顯得尤為重要。

上海大都市圈是我國的經(jīng)濟中心之一，其特殊的地理區(qū)位使其容易受到海平面上升的影響。在上海大都市圈蓬勃發(fā)展的趨勢下，在區(qū)域一體化進程的推動下，有必要對該地區(qū)開展長時間維度的海平面上升進行預(yù)測。所用數(shù)據(jù)主要來自地理空間數(shù)據(jù)云平臺、中國科學(xué)院資源環(huán)境科學(xué)數(shù)據(jù)中心、聯(lián)合國政府向氣候變化專門委員會以及美國地質(zhì)勘探局。2050年作為我國基本實現(xiàn)社會主義現(xiàn)代化、長三角一體化和上海全面建成卓越全球城市的重要時間節(jié)點，城市發(fā)展建設(shè)的安全性和經(jīng)濟性至關(guān)重要。因此選取2050年為時間節(jié)點，基于遙感數(shù)據(jù)、氣象數(shù)據(jù)和社會經(jīng)濟數(shù)據(jù)，建立上海大都市圈海平面上升影響評價指標(biāo)體系，使用BP神經(jīng)網(wǎng)絡(luò)模擬、CA-Markov模擬和前移回歸分析等方法對相關(guān)數(shù)據(jù)進行時間和空間尺度上的預(yù)測，并使用地理信息系統(tǒng)對數(shù)據(jù)進行疊加處理，得到不同等級的影響指數(shù)區(qū)劃。為上述地區(qū)后續(xù)經(jīng)濟社會發(fā)展重點和城市建設(shè)方向的選取的合理性提供科學(xué)依據(jù)和保障，并為類似地區(qū)應(yīng)對海平面上升影響應(yīng)對提供科學(xué)的指導(dǎo)思路。

1 研究方法

1.1 海平面上升影響預(yù)估指標(biāo)體系的構(gòu)建

海平面上升的影響預(yù)估是對某地區(qū)未來海平面上升可能造成的影響進行分析和判斷的過程[21-23]。本文深入分析海平面上升的可能影響因素和結(jié)果，構(gòu)建由潛在損害性、脆弱性和抵御性三個決策層維度構(gòu)成的海平面上升影響預(yù)估評價指標(biāo)體系。其中潛在損害性指標(biāo)，主要表征為與海平面上升較為相關(guān)的自然事件的強度，如海平面上升高度、洪澇影響等相關(guān)影響因子的強度和頻度；脆弱性指標(biāo)是指可能受到海平面上升影響的社會經(jīng)濟因素指標(biāo)的分布和程度，如人口分布、房屋建筑、農(nóng)作物、重大基礎(chǔ)設(shè)施等；抵御性指標(biāo)則主要表示應(yīng)對海平面上升的抵御、防御和反應(yīng)能力等，主要包括政府響應(yīng)程度、防護設(shè)施等級和密度等。一般來說一個地區(qū)的海平面上升影響的潛在損害性指數(shù)越高，海平面上升所導(dǎo)致的影響強度就越大；海平面上升影響的脆弱性指數(shù)越高，表明該地區(qū)在面臨海平面上升時的潛在損失越大；海平面上升影響抵御性指數(shù)越高，說明該地區(qū)防范和應(yīng)對能力越強，可能造成的損失就越小。

上海大都市圈海平面上升影響指數(shù)的計算公式如下：

I=f(P+V-R)，

(1)

式中：I(Impact)為海平面上升影響指數(shù)，P(Potentially damaging)為潛在損害性指數(shù)，V(Vulnerability)為脆弱性指數(shù)，R(Resilience)為抵御性指數(shù)。

同時利用加權(quán)綜合評分法，構(gòu)建海平面上升影響指數(shù)的評估模型，各類評價因子分級后的結(jié)果分別用于計算潛在損害性指數(shù)(P)、脆弱性指數(shù)(V)和抵御性指數(shù)(R)的結(jié)果，綜合上述三個指數(shù)結(jié)果計算海平面上升影響指數(shù)。

加權(quán)綜合評分法的通用模型如下：

(2)

式中：E代表各決策層指標(biāo)(P、V和R)的加權(quán)得分結(jié)果，Qi為第i個因子層指標(biāo)的權(quán)重，Ci為第i個因子層指標(biāo)的評價得分。

由此，即可建立海平面上升影響預(yù)估評價指標(biāo)體系。綜合考慮指標(biāo)體系的科學(xué)性、代表性和可推廣性，結(jié)合上海大都市圈各地區(qū)的指標(biāo)獲取的難易程度，確定指標(biāo)體系的具體指標(biāo)，使用AHP層次分析法將指標(biāo)體系分為決策層、中間層和因子層。同時使用層次分析法確定各指標(biāo)之間關(guān)系和權(quán)重，在咨詢相關(guān)專家的基礎(chǔ)上，構(gòu)建同級各指標(biāo)間的判斷矩陣，對指標(biāo)間的最大特征值和特征向量進行研判，并對結(jié)果進行一致性檢驗，最終得到各指標(biāo)的權(quán)重，見表1。

表1 上海大都市圈海平面上升影響預(yù)估指標(biāo)體系及權(quán)重Tab. 1 Estimate index system and weights of the impact of sea level rise in Shanghai metropolitan area

同時根據(jù)影響指數(shù)的計算公式和加權(quán)綜合評分法的通用模型，結(jié)合指標(biāo)體系和權(quán)重，對各決策層指標(biāo)得分的上限做出說明：除影響指數(shù)的最大值為6.08外，其余得分最大值均為10；各不同指數(shù)間的得分不具有可比性。

本文是對2050年上海大都市圈海平面上升影響的預(yù)估研究，需對海平面上升高度、降水量變化、人口密度、GDP密度、建筑密度、地方財政收入和道路網(wǎng)密度等指標(biāo)進行模擬預(yù)測；其余沿海沿江岸線長度、地形因素等指標(biāo)具有一定的穩(wěn)定性和長久性，可采用現(xiàn)有數(shù)據(jù)表征2050年的情況。其中海平面上升高度采用IPCC (Intergorernmental Panel on Climate Change)公布數(shù)據(jù)，其余數(shù)據(jù)則采用不同方法進行模擬預(yù)測。

1.2 BP神經(jīng)網(wǎng)絡(luò)模擬法模擬降水量

圖1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.1 BP neural network structure diagram

神經(jīng)網(wǎng)絡(luò)方法是一種來源于人類腦神經(jīng)運作的平行分散式的數(shù)據(jù)模擬處理模型，具有自行組織、學(xué)習(xí)的能力，具有較強的容錯性和良好的非線性逼近能力，在各個學(xué)科和領(lǐng)域具有廣泛地應(yīng)用，在實際運用中多用于經(jīng)濟規(guī)模、故障檢測、降水量預(yù)測等[24-25]。而BP神經(jīng)網(wǎng)絡(luò)是一種基于誤差調(diào)整方向多向傳播的多反饋網(wǎng)絡(luò)，是基于Widrow-Hoff學(xué)習(xí)算法和非線性可微轉(zhuǎn)移函數(shù)的神經(jīng)網(wǎng)絡(luò)模型。其網(wǎng)絡(luò)一般具有三層或三層以上的結(jié)構(gòu)，主要為輸入層、多層隱藏層和輸出層，各因子之間實現(xiàn)全連接，各隱含節(jié)點一般使用Sigmoid激勵函數(shù)進行運算，主要結(jié)構(gòu)如圖1所示。

BP神經(jīng)網(wǎng)絡(luò)的計算過程包括以下幾個步驟：

①將學(xué)習(xí)樣本輸入模型，進行網(wǎng)絡(luò)初始化，計算隱藏層的啟動值，根據(jù)輸入x向量，輸入層與隱藏次權(quán)值ωij以及隱藏層閾值aj，計算輸出值。其中i為節(jié)點數(shù)：

(3)

其中節(jié)點數(shù)的轉(zhuǎn)移Sigmodi函數(shù)為：

f(x)=1/(1+ε-x)。

(4)

②根據(jù)輸出層H每一集輸出層閾值bk，計算預(yù)測輸出O：

(5)

③隨后根據(jù)預(yù)測輸出H和期望輸出Y計算預(yù)測誤差e，并依據(jù)誤差e進行判斷預(yù)測值是否合理，若不合理，則需要對權(quán)值ωij和ωjk進行更新；

ek=Yk-Ok,

(6)

(7)

ωjk=ωjk+ηHjek。

(8)

④根據(jù)誤差e更新網(wǎng)絡(luò)的節(jié)點閾值a，b。由此判斷算法是否完成迭代，若沒有完成，則繼續(xù)循環(huán)上述第3步直至完成迭代:

(9)

bk=bk+ek。

(10)

根據(jù)上述神經(jīng)網(wǎng)絡(luò)方法，結(jié)合上海大都市圈氣象站點歷史觀測數(shù)據(jù)，預(yù)測2050年上海大都市圈雨季的日值降水量。同時使用經(jīng)驗公式將降水量對洪澇的影響進行轉(zhuǎn)化：

(11)

式中：f(x)為降水量影響因子，輸入數(shù)據(jù)x為最大連續(xù)3d降水量(mm)。

1.3 CA-Markov模擬法模擬空間因素

CA-Markov是整合了元胞自動機(cellular automata)和馬爾科夫模型的土地利用類型的預(yù)測模型[26]。元胞自動機是具有時空計算特征的動力學(xué)模型，能夠模擬復(fù)雜的自然和社會現(xiàn)象，具有時空和狀態(tài)離散的特點，主要表示為：

(12)

式中：S為元胞有限、離散的狀態(tài)集合；N為元胞的鄰域；t，t+1表示不同的時刻；f為空間元胞的狀態(tài)轉(zhuǎn)化規(guī)則。Markov模型是處理柵格的空間概率模型，具有后續(xù)無效性的特點，常用于地理信息的預(yù)測。CA-Markov模型的主要原理和計算公式如下：

①馬爾科夫過程：在事件發(fā)展過程中，如果狀態(tài)轉(zhuǎn)移過程無后效性，即每次狀態(tài)轉(zhuǎn)移都與且只與前一時刻的狀態(tài)有關(guān)，這樣的過程稱為馬爾科夫過程。

②狀態(tài)轉(zhuǎn)移矩陣：在事件發(fā)展過程中，從某一種狀態(tài)轉(zhuǎn)移到下一時刻其他狀態(tài)的可能性，稱為狀態(tài)轉(zhuǎn)移矩陣，記為pij。在土地利用結(jié)構(gòu)的預(yù)測中，狀態(tài)通常指的是土地利用類型，如建設(shè)用地、非建設(shè)用地等。

③狀態(tài)轉(zhuǎn)移概率矩陣：假定某一事件發(fā)展過程中有n個可能的狀態(tài)，并記pij為狀態(tài)Ei的狀態(tài)轉(zhuǎn)移概率，則下面矩陣被稱為是狀態(tài)轉(zhuǎn)移矩陣:

(13)

④狀態(tài)轉(zhuǎn)移概率矩陣的計算：計算狀態(tài)轉(zhuǎn)移概率矩陣p，即求每個狀態(tài)轉(zhuǎn)移到其他任何一個狀態(tài)的狀態(tài)轉(zhuǎn)移概率pij，其計算的基本方程為:

(14)

具有無后效性和齊次性兩個特征的馬爾科夫鏈，滿足以下方程：

(15)

首先基于CA-Markov模擬法，使用2005年和2010年數(shù)據(jù)模擬2015年土地利用情況以此進行結(jié)果的精度檢驗，所得Kappa系數(shù)為0.83，證明該方法適用于該地區(qū)。隨后以2010年和2015年的土地利用類型數(shù)據(jù)作為模型的運行起始時間，以5 a為周期，模擬2050年上海大都市圈的土地利用空間分布狀況。同時使用該技術(shù)對2050年上海大都市圈的GDP密度和人口密度等空間因子進行預(yù)測。

1.4 前移回歸分析法模擬社會經(jīng)濟因素

回歸分析是建立在歷史數(shù)據(jù)的基礎(chǔ)上，選取分析對象中具有代表性的變量作為自變量和因變量，進一步探尋事物發(fā)展的內(nèi)在聯(lián)系，并以數(shù)學(xué)方程式的方式表現(xiàn)出來的方法?；貧w分析多用于經(jīng)濟發(fā)展預(yù)測、成本分解和銷售預(yù)測等經(jīng)濟活動[27]。但回歸分析法應(yīng)用較為受限，只有在保證同期其余變量可知的情況下才能求得，所以本文使用前移回歸分析法對上海大都市圈的地方財政收入進行預(yù)測。

前移回歸分析法是基于事物發(fā)展是具有前兆和基礎(chǔ)的原理進行的[28]?；谇耙粫r間段的指標(biāo)值是后續(xù)時間段指標(biāo)值的基礎(chǔ)的觀點，將回歸方程寫為：

y1=b0+b1x1+b2x2+…bpxp,
y2=b0+b1x11+b2x12+…bpx1p+φ1,
?
yn=b0+b1xm1+b2xm2+…bpxmp+φm,

(16)

其中:m=n-1，基本運算方法與普通回歸模型相同。將歷史地方財政收入代入，設(shè)定循環(huán)次數(shù)，即可獲得2050年上海大都市圈的區(qū)縣級地方財政收入。

1.5 指標(biāo)量化法

由于各指標(biāo)單位和維度不同，為方便數(shù)據(jù)比較，需對指標(biāo)進行量化并賦值，依據(jù)不同劃分標(biāo)準將各指標(biāo)劃分為高、較高、中、較低和低等五個等級，并分別賦予10、8、6、4、2的無量綱量化得分。其中沿海沿江岸線長度、人口密度、GDP密度、建筑物密集程度、地方財政收入、政府機構(gòu)及防護設(shè)施分布和道路網(wǎng)密度等指標(biāo)均采用百分比位序法對指數(shù)進行量化得分。其余指標(biāo)的量化標(biāo)準詳見表2。

表2 部分指標(biāo)分級標(biāo)準和量化得分Tab.2 Quantitative standards and scores of some indicators

2 影響預(yù)估結(jié)果與等級區(qū)劃

基于第二部分的數(shù)據(jù)預(yù)測方法獲取到上海大都市圈2050年相關(guān)數(shù)據(jù)，并根據(jù)海平面上升影響預(yù)估評價指標(biāo)體系和各指標(biāo)加權(quán)綜合評分法，計算得到2050年上海大都市圈海平面上升影響的潛在損害性指數(shù)、脆弱性指數(shù)、抵御性指數(shù)和影響指數(shù)。同時以市級(直轄市、地級市)、區(qū)縣級行政區(qū)劃為評估單元，使用分區(qū)統(tǒng)計技術(shù)對潛在損害性指數(shù)、脆弱性指數(shù)、抵御性指數(shù)和影響指數(shù)進行統(tǒng)計計算，并使用地理信息系統(tǒng)進行可視化展示。

2.1 潛在損害性指數(shù)評估

根據(jù)圖2可得，潛在損害性指數(shù)較高的區(qū)域主要為沿海沿江以及沿湖區(qū)域，其指數(shù)最大值為9.41，最小值為1.85；空間分布呈現(xiàn)中部、東部高，西部、南部低的特征。同時結(jié)合圖3和表3，對市級(直轄市、地級市)尺度的潛在損害性指數(shù)進行分析：舟山市和上海市所面臨的海平面上升的潛在損害性最大，平均潛在損害性指數(shù)為6.33和6.28；上述地區(qū)多屬于群島以及沖積平原地區(qū)，且平均地面高程低、地勢平坦、沿海沿江岸線漫長、暴雨頻發(fā)、易于受到臺風(fēng)等風(fēng)暴潮的影響，極易受到海平面上升的直接影響。蘇州市、南通市、嘉興市的洪澇影響較高、地面高程低，但其受海平面直接上升的影響較小，綜合評價后其潛在損害性指數(shù)仍然偏高。至于寧波市、無錫市、常州市和湖州市，或因地面起伏度高，或因洪澇影響程度較低，或因沿海岸線較短等原因，所以其潛在損害性指數(shù)相對較低。

圖2 潛在損害性指數(shù)分布圖Fig.2 Distribution diagram of potentially damaging index

圖3 區(qū)縣尺度潛在損害性指數(shù)區(qū)劃圖Fig.3 Zoning map of county-level potentially damaging index

表3 各市(直轄市、地級市)海平面上升潛在損害性指數(shù)Tab.3 Sea level rise potentially damaging index by city (municipal municipality and prefecture-level city)

2.2 脆弱性指數(shù)評估

根據(jù)圖4分析可得，脆弱性指數(shù)較高的區(qū)域主要為人口密集、地勢相對平坦以及河流分布密集的東部以及中部地區(qū)，其指數(shù)最大值為10，最小值為2；呈現(xiàn)中部、東部高，西部、北部和南部低的特征。同時結(jié)合圖5和表4，對市級(直轄市、地級市)尺度的脆弱性指數(shù)進行分析：上海市、無錫市、蘇州市和嘉興市等地區(qū)，表現(xiàn)為高度的GDP密度和人口密度，其暴露在海平面上升影響中的脆弱性指數(shù)較高。常州市、舟山市、寧波市等地GDP密度較高，但人口密度相對較低、建筑密集程度不高，其脆弱性指數(shù)相對較低。而南通市和湖州市經(jīng)濟相對不發(fā)達、人口相對較少，其脆弱性指數(shù)較低。

圖4 脆弱性指數(shù)分布圖Fig.4 Distribution diagram of vulnerability index

圖5 區(qū)縣尺度脆弱性指數(shù)區(qū)劃圖Fig.5 Zoning map of county-level vulnerability index

表4 各市(直轄市、地級市)海平面上升脆弱性指數(shù)Tab.4 Sea level rise vulnerbility index by city (municipal municipality and prefecture-level city)

2.3 抵御性指數(shù)評估

根據(jù)圖6可得，抵御性指數(shù)較高的區(qū)域主要為長江南岸以及錢塘江入?？谀蟼?cè)，其指數(shù)最大值為10，最小值為2；空間分布呈現(xiàn)中部高、其余地方低的特征。同時結(jié)合圖7和表5對市級(直轄市、地級市)尺度的抵御性指數(shù)進行分析：上海市、常州市、蘇州市以及無錫市的地方財政收入水平高、政府服務(wù)設(shè)施及防護設(shè)施分布密集，有利于應(yīng)對海平面上升所帶來的影響，具有較強的應(yīng)對能力；同時具有較高的道路密度，具有較強的疏散能力，因此上述地區(qū)的抵御性指數(shù)較高。寧波市、嘉興市和南通市的財政收入水平較高，但其政府服務(wù)和防護設(shè)施分布稀疏、道路密度較低，它們的抵御性指數(shù)相對較低。湖州市和舟山市的地方財政收入、政府服務(wù)和防護設(shè)施密度和道路密度均較低，它們的抵御性指數(shù)較低。

表5 各市(直轄市、地級市)海平面上升抵御性指數(shù)Tab.5 Sea level rise resilience index by city (municipal municipality and prefecture-level city)

2.4 海平面上升影響預(yù)估及等級區(qū)劃

綜合上海大都市圈海平面上升影響指數(shù)的計算公式以及潛在損害性、脆弱性和抵御性的結(jié)果，得到上海大都市圈海平面上升影響指數(shù)，并使用自然間斷法進行等級劃分，得到不同等級的區(qū)劃結(jié)果(圖8、圖9、表6、表7)。

圖6 抵御性指數(shù)分布圖Fig.6 Distribution diagram of resilience index

圖7 區(qū)縣尺度抵御性指數(shù)區(qū)劃圖Fig.7 Zoning map of county-level resilience index

由圖8和表6分析可得：2050年上海大都市圈共有約21 500 km2的用地表現(xiàn)為中度以上影響等級，約占該區(qū)域面積的40 %，主要為距海岸線0～10 km地區(qū)、長江南岸0～15 km地區(qū)、長江北岸0～10 km地區(qū)以及太湖沿岸等地區(qū)，該地區(qū)降水頻繁、地勢低洼且平坦，易受到海平面上升的直接影響。其余地區(qū)的海平面上升影響等級則主要表現(xiàn)為中度和低度，受海平面上升的影響較小。

圖8 影響指數(shù)分布圖Fig.8 Distribution diagram of impact index

圖9 區(qū)縣尺度影響區(qū)劃圖Fig.9 Zoning map of impact index

表6 各指標(biāo)等級占比劃分Tab.6 Classification of various index levels

表7 各市(直轄市、地級市)海平面上升影響指數(shù)Tab.7 Sea level rise impact index by city (municipal municipality and prefecture-level city)

結(jié)合圖9和表7，從行政區(qū)劃角度進行分析，2050年舟山市海平面上升影響指數(shù)為4.04，主要因為該市地形多為島嶼、散布在海內(nèi)，其潛在損害性指數(shù)最高且脆弱性指數(shù)位居各市(直轄市、地級市)中游，但抵御性指數(shù)卻排在最后一位，綜合分析其海平面上升影響指數(shù)是最高的。而其他地區(qū)或是因為潛在損害性指數(shù)較高如上海市，或是脆弱性指數(shù)較高如蘇州市，或是抵御性指數(shù)較差如南通市、嘉興市，導(dǎo)致它們面臨的海平面上升影響較高。但無錫市、寧波市等地因為其潛在損害性指數(shù)較低，且具有相對較高的抵御性能力從而抵消了一部分潛在損害性因素的影響，程度有所下降。常州市和湖州市則因為其潛在損害性和脆弱性指數(shù)不高，且具有較強的抵御性能力，所以其海平面上升影響最低。

從影響預(yù)防和管理視角出發(fā)，對不同的影響等級區(qū)域采取不同的應(yīng)對和處置措施。對于高度影響的舟山市、上海市等地，政府和社會各界需要提高防范和危機意識，在海岸帶地區(qū)開發(fā)建設(shè)時應(yīng)充分評估海平面上升的影響，加大對沿海堤防等硬件設(shè)施的投入；對于中度影響的蘇州市、南通市和嘉興市則應(yīng)根據(jù)當(dāng)?shù)貙嶋H情況對海平面上升影響預(yù)防和發(fā)展建設(shè)進行充分評估；對于低度影響的無錫市、寧波市、常州市和湖州市，可能需要提高必要的應(yīng)對等級。

3 結(jié)語

選取上海大都市圈作為研究范圍，以2050年為時間節(jié)點，構(gòu)建由潛在損害性、脆弱性和抵御性等三個決策層維度、海平面上升淹沒、人口密度和道路密度等12個指標(biāo)的海平面上升影響預(yù)估評價指標(biāo)體系，展開對海平面上升影響的預(yù)估。

①使用BP神經(jīng)網(wǎng)絡(luò)模擬法、CA-Markov模擬法和前移回歸分析法等多種方法對2050年上海大都市圈相關(guān)數(shù)據(jù)進行科學(xué)預(yù)測，多種科學(xué)的模擬預(yù)測方法為海平面上升背景下的影響預(yù)測奠定了基礎(chǔ)。

②基于海平面上升影響預(yù)估評價指標(biāo)體系和計算公式，得到海平面上升影響程度及其空間分布：2050年上海大都市圈共有約21 500 km2的用地表現(xiàn)為中度以上影響等級，約占該區(qū)域面積的40 %，主要為距海岸線0～10 km地區(qū)、長江南岸0～15 km地區(qū)、長江北岸0～10 km地區(qū)以及太湖沿岸等地區(qū)。以行政區(qū)劃為單元進行分析可得，舟山市、上海市的海平面上升影響較大，易受到較為嚴重的海平面上升影響；蘇州市、南通市和嘉興市則表現(xiàn)為中度影響；無錫市、寧波市、常州市和湖州市表現(xiàn)為低度影響。

③影響預(yù)估的準確性受制于評價方法的科學(xué)性和指標(biāo)體系的全面性。受限于資料的可獲取性，本文僅選取了12個指標(biāo)，主要考慮了空間因素和經(jīng)濟指標(biāo)的影響，缺乏對社會指標(biāo)的考慮。指標(biāo)體系的構(gòu)建和指標(biāo)的模擬預(yù)測方法有待進一步改善。