致災暴雨對農(nóng)業(yè)生產(chǎn)影響的脆弱性分析

摘要 基于青海省2018—2022年氣象資料、暴雨洪澇災情資料及逐年經(jīng)濟數(shù)據(jù)，采用相關(guān)分析、曲線擬合等方法分析致災暴雨對農(nóng)業(yè)生產(chǎn)影響的脆弱性程度。結(jié)果表明，研究區(qū)致災暴雨對農(nóng)業(yè)生產(chǎn)的影響范圍主要集中在青海東部及海西州東部，近5年（2018—2022年）來，以2022年出現(xiàn)災情最多，8月出現(xiàn)頻率最高，降水持續(xù)時間大多不超過1 d；6 h、12 h及日最大降水量是造成該地農(nóng)作物暴雨災害單位面積經(jīng)濟損失的主要降水致災因子，在抗災能力保持一致時，農(nóng)作物暴雨災害單位面積經(jīng)濟損失隨著降水量的增大呈逐漸增加的趨勢。由于單一要素的脆弱性曲線誤差較大，選擇構(gòu)建多要素的農(nóng)作物暴雨災害脆弱性曲線：農(nóng)作物暴雨災害單位面積經(jīng)濟損失=0.020×12 h最大降水量-0.146×降水持續(xù)日數(shù)+0.585。該曲線可為未來暴雨洪澇對農(nóng)業(yè)生產(chǎn)的致災性預估提供參考。

關(guān)鍵詞 農(nóng)作物損失；暴雨；脆弱性曲線；氣象災害

中圖分類號 S164 文獻標識碼 A 文章編號 1007-7731（2024）19-0106-05

DOI號 10.16377/j.cnki.issn1007-7731.2024.19.022

Vulnerability analysis of the impact of disaster causing rainstorm to agricultural production

CHAO Qianhong ZHAO Minglu QI Caihong

（Qinghai Provincial Meteorological Observatory， Xining 810001， China）

Abstract Based on the meteorological data， rainstorm and flood disaster data and annual economic data of Qinghai Province from 2018 to 2022， the vulnerability of disaster causing rainstorm to agricultural production was analyzed by using correlation analysis， curve fitting and other methods. The results showed that the impact of disaster causing rainstorm on agricultural production in the study area was mainly concentrated in the Eastern part of Qinghai and the Eastern part of Haixi Prefecture. In recent five years （2018 to 2022）， the most disasters occurred in 2022， the highest frequency occurred in August， and the duration of precipitation mostly not exceed 1 day; 6 h， 12 h and daily maximum precipitation were the main precipitation disaster causing factors that cause economic losses per unit area of crop rainstorm disasters in this area. When the disaster resistance capacity was consistent， the economic losses per unit area of crop rainstorm disasters gradually increase with the increase of precipitation. Due to the large error of the vulnerability curve of a single element， a multi element vulnerability curve of crop rainstorm disaster was selected： economic loss per unit area of crop rainstorm disaster=0.020 × 12 h maximum precipitation -0.146 × precipitation duration days+0.585. The curve could provide references for the disaster prediction of rainstorm and flood on agricultural production in the future.

Keywords crop losses; rainstorm; vulnerability curve; meteorological disaster

近年來，氣候較為復雜多變，極端天氣日益增多，各地氣象災害發(fā)生較頻繁，災害造成的損失和影響呈上升趨勢。楊昭明等[1]研究指出，減輕氣象災害造成的影響和損失是亟待解決的問題之一。受地理位置和水汽輸送等因素影響，青海對流性天氣發(fā)生概率較高，而暴雨洪澇及其引發(fā)的次生災害是該地汛期主要的影響較為嚴重的一種氣象災害[2]。伏洋等[3]研究認為，該地地形復雜、山大溝深且植被覆蓋率較低，受植被及下墊面土壤特征的影響，強降水可能會匯集成山洪，嚴重時會發(fā)生泥石流及滑坡等地質(zhì)災害，進而造成房屋倒塌、農(nóng)田淹沒，公路和水利設施沖毀等。因此，對于氣象災害的影響研究尤為重要。周成虎等[4]和張婷等[5]研究認為，洪澇災害是由多種原因共同造成的，其中，降雨在致災因子中是較為常見且較具威脅性的因子之一，持續(xù)的暴雨是洪澇災害的主導因素之一。關(guān)于暴雨災害的研究，主要集中在致災指標、風險評估模型和區(qū)劃方法等方面，Li等[6]以暴雨災害發(fā)生頻率作為致災指標進行風險評價研究，該方法能描述單一災害的發(fā)生，暫不能高效評估災害發(fā)生的危險程度。于飛等[7]和陳曉紅等[8]研究認為，災情大小由致災因子、孕災環(huán)境和承災體脆弱性共同決定；張安凝知等[9]研究認為，脆弱性是聯(lián)系致災因子和承災體的重要橋梁，也是研究暴雨洪澇災損估算和風險評估的重要基礎之一。喻婷婷等[10]研究認為，災情指標的趨勢變化與日益增強的防災減災能力密切相關(guān)，構(gòu)建脆弱性曲線可為洪澇災害災情評估與防災規(guī)劃的制定提供參考。

本文依據(jù)研究區(qū)暴雨災害實況資料及相關(guān)經(jīng)濟統(tǒng)計數(shù)據(jù)，對致災暴雨對農(nóng)業(yè)生產(chǎn)方面的脆弱性進行分析。可為暴雨洪澇災害防御及建立暴雨洪澇對農(nóng)業(yè)生產(chǎn)的風險影響評估模型提供一定參考。

1 材料與方法

1.1 研究區(qū)基本情況

青海省位于青藏高原東北部，地勢西高東低，境內(nèi)地形復雜，山大溝深，夏季多出現(xiàn)歷時短、強度大的局地性降水[11]。暴雨洪澇是近年來研究區(qū)各類氣象災害中發(fā)生頻率較高、影響較嚴重的災害之一，特別是對于農(nóng)業(yè)生產(chǎn)方面造成的影響較為明顯，尤其是2022年汛期多地降水超歷史同期，暴雨洪澇災害頻發(fā)，僅農(nóng)業(yè)生產(chǎn)方面的暴雨洪澇災情有近40例，超過2021年全年暴雨洪澇災情總和，造成的農(nóng)業(yè)經(jīng)濟損失較高。

1.2 數(shù)據(jù)來源與處理

研究數(shù)據(jù)來源于青海省2018—2022年氣象資料、暴雨洪澇災情資料及逐年經(jīng)濟數(shù)據(jù)。氣象資料包括青海省臺站逐小時降水量及降水時間、日數(shù)等，來源于青海省氣象臺；暴雨洪澇災情數(shù)據(jù)包括受災地區(qū)、起止時間、農(nóng)作物受災面積和農(nóng)作物經(jīng)濟損失等，來源于中國氣象局氣象災害管理系統(tǒng)；經(jīng)濟數(shù)據(jù)包括青海省逐年農(nóng)業(yè)總產(chǎn)值等，來源于青海省統(tǒng)計局。

通過SPSS 27.0.1.0軟件對研究數(shù)據(jù)進行相關(guān)性分析、統(tǒng)計學檢驗和回歸擬合分析等，構(gòu)建最優(yōu)脆弱性曲線模型。

1.3 研究方法

1.3.1 農(nóng)業(yè)暴雨災害時空分布特征 基于2018—2022年青海省氣象觀測數(shù)據(jù)及暴雨洪澇災情數(shù)據(jù)，篩選農(nóng)作物暴雨致災個例，共86例。由于研究區(qū)南部的農(nóng)作物種植面積少，農(nóng)業(yè)災情少且地形及氣候條件差異較大，容易對結(jié)果產(chǎn)生影響，因此選擇青海東部及海西州東部地區(qū)作為研究范圍，對農(nóng)作物暴雨致災個例的時間和空間分布特征進行分析。

1.3.2 農(nóng)作物損失數(shù)據(jù)校正 不同年份的經(jīng)濟水平以及農(nóng)作物種植數(shù)量存在差異，利用校正系數(shù)篩選個例農(nóng)業(yè)災情損失并逐一進行校正。采用逐年農(nóng)業(yè)生產(chǎn)總值對所選個例的農(nóng)作物暴雨災害損失進行物價水平校正，以2021年經(jīng)濟水平為準，對2018—2021年農(nóng)作物暴雨災情數(shù)據(jù)進行年代校正，得到校正后的農(nóng)業(yè)經(jīng)濟損失（L）及校正系數(shù)。其計算如式（1）。校正后利用2022年災情資料進行檢驗。

L=P_i/P_2021 ×L_i （1）

式（1）中，L為校正后農(nóng)業(yè)經(jīng)濟損失，萬元；Pi為第i年的農(nóng)業(yè)產(chǎn)值，萬元；P2021為2021年農(nóng)業(yè)產(chǎn)值，萬元；Li為第i年經(jīng)濟損失，萬元。

1.3.3 主要降水致災因子選擇 將災情個例過程期間最大降水量、日最大降水量、1 h最大降水量、3 h最大降水量、6 h最大降水量、12 h最大降水量和持續(xù)日數(shù)等致災因子與農(nóng)作物暴雨災害單位面積經(jīng)濟損失進行相關(guān)性分析，通過描述各個變量間的相關(guān)程度，確定主要降水致災因子。

1.3.4 脆弱性曲線構(gòu)建 脆弱性是指承災體暴露于災害而可能遭受損害的程度[12]，通常可用致災與成害之間的關(guān)系曲線表示，又稱脆弱性曲線或災損曲線[13]。選擇降水致災因子作為自變量，農(nóng)作物暴雨災害單位面積經(jīng)濟損失作為因變量，利用曲線擬合方法，尋找降水致災因子與農(nóng)作物暴雨災害單位面積經(jīng)濟損失之間的近似函數(shù)關(guān)系，通過構(gòu)建連續(xù)不間斷的曲線近似地代替坐標上離散點之間的函數(shù)關(guān)系，得到脆弱性曲線方程，最終構(gòu)建單一變量的承災體脆弱性曲線和多要素的承災體脆弱性曲線。

2 結(jié)果與分析

2.1 農(nóng)業(yè)暴雨災害時空分布特征

2.1.1 時間分布特征 從年際變化看，2018—2022年，研究區(qū)農(nóng)業(yè)受暴雨災害的情況分為兩個階段，即2018—2020年逐年下降，2020年后逐漸增長。其中，2022年出現(xiàn)災情次數(shù)最多，這與2022年8月多次強降水天氣過程有直接關(guān)系（圖1A）。從月際變化看，5—9月均有災情出現(xiàn)，其中8月出現(xiàn)最多，為52例；7月次之，為21例；5月最少，僅有1例（圖1B）；7—8月出現(xiàn)的災情次數(shù)占總次數(shù)的84.8％，與暴雨的年內(nèi)分布規(guī)律相吻合。從降水持續(xù)時間看，56％的個例持續(xù)1 d，27％的個例持續(xù)2 d，17％的個例持續(xù)2 d以上。從出現(xiàn)時間看，80%以上的個例農(nóng)作物暴雨災害出現(xiàn)時間均在午后至前半夜，以對流性降水為主。

2.1.2 空間分布特征 從空間分布來看，受地形、地貌影響，農(nóng)作物受暴雨災害的影響區(qū)域比較集中，主要分布在青海東部及海西州東部地區(qū)，省內(nèi)各市州中海南州和海東市農(nóng)作物受暴雨災害影響較為嚴重，各縣（區(qū)）內(nèi)興海縣和湟中區(qū)在2018—2022年農(nóng)作物受暴雨災害的頻次最高，均出現(xiàn)10例災情；貴南縣次之，為9例。

2.2 農(nóng)作物損失數(shù)據(jù)校正

為增強數(shù)據(jù)可比較性，統(tǒng)一采用校正后的農(nóng)業(yè)經(jīng)濟損失數(shù)據(jù)進行分析。2018—2021年逐年的校正系數(shù)分別為0.83、0.89、0.92和1.00，農(nóng)業(yè)經(jīng)濟損失乘以每年的校正系數(shù)，即為2018—2021年農(nóng)作物在同一脆弱性水平下的校正后農(nóng)業(yè)經(jīng)濟損失，分別為10 193.740、10 843.938、3 884.355和817.760萬元（表1）。校正后的農(nóng)業(yè)經(jīng)濟損失略低于災情資料數(shù)據(jù)。

2.3 主要降水致災因子選擇

在承災體均為農(nóng)作物、抗災能力均保持不變的情況下，農(nóng)作物暴雨災害單位面積經(jīng)濟損失與3 h最大降水量、6 h最大降水量、12 h最大降水量、日最大降水量和過程最大降水量均呈正相關(guān)（表2），其相關(guān)系數(shù)依次為0.329、0.521、0.700、0.656和0.336，其中6 h、12 h和日最大降水量通過P=0.01統(tǒng)計學檢驗。由于6 h、12 h和日最大降水量與農(nóng)作物暴雨災害單位面積經(jīng)濟損失的相關(guān)性較強，因此，選擇其作為造成農(nóng)作物暴雨災害單位面積經(jīng)濟損失的3個主要降水致災因子。

2.4 脆弱性曲線構(gòu)建

2.4.1 單一變量的承災體脆弱性曲線 從6 h最大降水量、12 h最大降水量和日最大降水量與農(nóng)作物暴雨災害單位面積經(jīng)濟損失間的散點分布（圖2）可以看出，經(jīng)濟損失與單個降水量間的關(guān)系呈現(xiàn)明顯的非線性關(guān)系。將以上3種主要降水致災因子與農(nóng)作物暴雨災害單位面積經(jīng)濟損失進行多種擬合，選擇擬合效果最好的指數(shù)函數(shù)，構(gòu)建兩者間的脆弱性曲線。可以看出，農(nóng)作物暴雨災害單位面積經(jīng)濟損失與6 h、12 h和日最大降水量間脆弱性曲線的R2分別為0.306、0.414和0.378，且3個曲線模型均通過統(tǒng)計學差異性檢驗（P<0.05）。為判斷擬合效果的合理性，對3個脆弱性曲線模型擬合程度進行評估，基于擬合誤差和殘差平方和的比例計算，得出農(nóng)作物暴雨災害單位面積經(jīng)濟損失與6 h、12 h和日最大降水量間擬合曲線的F值分別為20.736、33.239和28.534。對比可知，農(nóng)作物暴雨災害單位面積經(jīng)濟損失與12 h最大降水量間曲線模型的R2更接近1，F(xiàn)值最大，為最優(yōu)擬合脆弱性曲線。脆弱性曲線表明，在抗災能力保持一致時，農(nóng)業(yè)損失與6 h、12 h和日最大降水量間均呈正相關(guān)，即隨著降水量的增加，農(nóng)作物暴雨災害單位面積經(jīng)濟損失呈逐漸增大的趨勢。

利用2022年的暴雨災情資料對構(gòu)建的脆弱性曲線方程進行檢驗。將2022年暴雨災情降水觀測數(shù)據(jù)代入脆弱性曲線方程，對比實際經(jīng)濟損失和預估經(jīng)濟損失，結(jié)果表明，60%以上個例的6 h、12 h和日最大降水量預估損失誤差率分別在2.6%～113.7%、0.4%～70.2%和4.5%～77.2%，其中，12 h最大降水量與農(nóng)作物暴雨災害單位面積經(jīng)濟損失間的脆弱性曲線方程檢驗效果最好，但誤差較大。

2.4.2 多要素的承災體脆弱性曲線構(gòu)建 尋找單一的降水致災因子與災害損失間的關(guān)系不夠全面且誤差較大，因此，需建立多個降水致災因子與農(nóng)作物暴雨災害單位面積損失間的脆弱性曲線。利用多元回歸線性模型，根據(jù)不同的降水致災因子變量組合，通過多次擬合試驗，最終篩選出12 h最大降水量、過程最大降水量和降水持續(xù)日數(shù)的變量組合，并與農(nóng)作物暴雨災害單位面積經(jīng)濟損失進行擬合，構(gòu)建多要素的承災體脆弱性曲線。由表3可知，各降水致災因子的VIF<5，因此，各變量之間不存在多重共線性；由模型的F檢驗可知，其通過統(tǒng)計學檢驗（P<0.05），表明致災因子與農(nóng)作物暴雨災害單位面積損失存在線性相關(guān)關(guān)系，模型中過程最大降水量的t檢驗P>0.05，說明其對農(nóng)作物暴雨災害單位面積損失未產(chǎn)生明顯影響，因此在模型中剔除。12 h最大降水量和降水持續(xù)日數(shù)的t檢驗P<0.05，在模型中具有明顯線性關(guān)系。依據(jù)表3數(shù)據(jù)，得出多元線性回歸模型，如式（2）。

農(nóng)作物暴雨災害單位面積經(jīng)濟損失=0.020×12 h最大降水量-0.146×降水持續(xù)日數(shù)+0.585 （2）

3 結(jié)論與討論

致災因子與災情損失的關(guān)系判斷是災害風險評估的重要一環(huán)。本文利用2018—2022年氣象資料、暴雨洪澇災情資料及逐年經(jīng)濟數(shù)據(jù)，采用相關(guān)分析、曲線擬合等方法，對農(nóng)業(yè)暴雨災害分布特征、主要致災因子選取以及致災因子與農(nóng)作物暴雨災害單位面積經(jīng)濟損失間的關(guān)系進行研究，得出主要結(jié)論如下。

（1）2018—2022年青海省農(nóng)業(yè)暴雨災害共86例，影響范圍主要集中在東部及海西州東部地區(qū)，其中興?？h和湟中區(qū)出現(xiàn)頻次最高，貴南縣次之。（2）2022年研究區(qū)農(nóng)業(yè)暴雨災害出現(xiàn)次數(shù)最多，2020年最少；災情主要集中在7—8月，8月出現(xiàn)最多；56％的個例持續(xù)1 d，27％的個例持續(xù)2 d，持續(xù)2 d以上個例占比較低；80%以上的個例暴雨災害出現(xiàn)時間均在午后至前半夜。（3）6 h、12 h和日最大降水量是造成2018—2021年研究區(qū)農(nóng)作物暴雨災害單位面積經(jīng)濟損失的主要致災因子，其中12 h最大降水量與農(nóng)作物暴雨災害單位面積經(jīng)濟損失的相關(guān)性最強。（4）12 h最大降水量與農(nóng)作物暴雨災害單位面積經(jīng)濟損失的曲線擬合效果在3種主要致災因子中表現(xiàn)最好。脆弱性曲線表明，在抗災能力保持一致時，農(nóng)作物單位面積經(jīng)濟損失與主要致災因子間均呈明顯正相關(guān)。（5）由于單一變量的脆弱性曲線誤差較大，因此通過致災因子分組擬合構(gòu)建多要素的農(nóng)作物暴雨災害脆弱性曲線：農(nóng)作物暴雨災害單位面積經(jīng)濟損失=0.020×12 h最大降水量-0.146×降水持續(xù)日數(shù)+0.585。脆弱性曲線可為未來暴雨洪澇對農(nóng)業(yè)生產(chǎn)的致災性預估提供一定參考。

本研究的不足之處在于擬合模型的變量因子考慮較少，基礎樣本數(shù)據(jù)不充足，未來將進一步補充災情數(shù)據(jù)，考慮更多的致災因子，建立可信度更高的預估模型。

參考文獻

[1] 楊昭明，李萬志，馮曉莉，等. 氣候變暖背景下青海汛期暴雨洪澇及次生災害風險評估[J]. 中國農(nóng)學通報，2019，35（3）：131-138.

[2] 《青海自然災害》編纂委員會. 青海自然災害[M]. 西寧：青海人民出版社，2003.

[3] 伏洋，李鳳霞，郭廣，等. 青海省自然災害災情與特征分析[J]. 高原地震，2004，16（4）：59-67.

[4] 周成虎，萬慶，黃詩峰，等. 基于GIS的洪水災害風險區(qū)劃研究[J]. 地理學報，2000，55（1）：15-24.

[5] 張婷，李怡，李建柱，等. 多源降雨數(shù)據(jù)融合及其水文應用研究進展[J]. 自然災害學報，2022，31（1）：15-28.

[6] LI S J，YUAN J，XIAO Q H，et al.Characteristics of drought and humidification based on standardized precipitation index in Weifang City during the past 50 years [J]. Agricultural science & technology，2012，13（4）：861-866.

[7] 于飛，谷曉平，袁淑杰. 貴州省農(nóng)業(yè)氣象災害致災因子的風險區(qū)劃[J]. 貴州農(nóng)業(yè)科學，2016，44（4）：138-141.

[8] 陳曉紅，萬魯河. 城市化與生態(tài)環(huán)境耦合的脆弱性與協(xié)調(diào)性作用機制研究[J]. 地理科學，2013，33（12）：1450-1457.

[9] 張安凝知，趙鐵松，陳霞，等. 河北省農(nóng)作物暴雨洪澇災害的脆弱性評價[J]. 貴州農(nóng)業(yè)科學，2018，46（5）：143-146.

[10] 喻婷婷，萬金紅，高路. 福建省暴雨時空演變規(guī)律與洪澇災害脆弱性曲線研究[J]. 水利水電技術(shù)（中英文），2023，54（12）：64-74.

[11] 王江山. 青海天氣氣候[M]. 北京：氣象出版社，2004.

[12] 李鶴，張平宇. 全球變化背景下脆弱性研究進展與應用展望[J]. 地理科學進展，2011，30（7）：920-929.

[13] 周瑤，王靜愛. 自然災害脆弱性曲線研究進展[J]. 地球科學進展，2012，27（4）：435-442.

（責任編輯：楊歡）