青海牧區雪災綜合風險評估

馬曉芳，黃曉東，鄧婕，王云龍，梁天剛

(蘭州大學草地農業科技學院，草地農業生態系統國家重點實驗室，甘肅 蘭州 730020)

青海牧區雪災綜合風險評估

馬曉芳，黃曉東*，鄧婕，王云龍，梁天剛

(蘭州大學草地農業科技學院，草地農業生態系統國家重點實驗室，甘肅 蘭州 730020)

本研究收集了影響青海省雪災發生的社會經濟、自然及氣象共計19種因素，通過主客觀結合的方法篩選基礎因子，再利用Logistic回歸模型自我挑選變量功能對初始因子進一步篩選，得到五項風險評價因子，即人均GDP、年均溫、最大雪深、積雪覆蓋日數及坡度，最后基于ArcGIS平臺得到青海地區2001-2007年的雪災平均風險區劃圖，并對其劃分等級，分析不同雪災等級在空間上的分布特征。得到以下結論：1)通過主客觀的分析方法，得到誘發雪災形成的關鍵因素與自然因素、氣象因素、社會經濟等因素有關；2)青海雪災平均風險分布與風險因子最大雪深、坡度、積雪覆蓋日數具有基本一致的趨勢，而與年均溫和人均GDP 的分布趨勢相反；3)青海地區平均雪災風險呈現南高北低的態勢，其中高風險區主要分布在研究區南部的稱多縣、玉樹縣、囊謙縣、達日縣、甘德縣以及瑪沁縣等地，相反，西北部的柴達木盆地和東部的農業區為低風險區；4)受地形地貌的影響，4000 m以上的山嶺地帶，即祁連山、昆侖山、唐古拉山、巴顏喀拉山、阿尼瑪卿山等為青海雪災高風險分布之地。

青海；雪災災害風險；Logistic回歸

牧區雪災是我國發生頻率最高，影響最為嚴重的一類雪災，主要是指因降雪量過多或積雪過厚，草場被積雪掩埋，牲畜無法到達草場或無其他食物來源，從而導致牲畜掉膘或者死亡的自然現象[1]。在我國，雪災災害的發生受到時間與空間的限制，從時間尺度來看，它的發生時期一般是從當年的10月開始到次年的4月結束[2]，從空間層面而言，雪災主要活躍于高海拔、高緯度以及天然草場豐富的地區，即內蒙古、新疆、青海、西藏等地[3]。雪災還具有快速性、持久性，影響范圍廣泛、危害程度大等特點[4-5]。

青海處于青藏高原的東北部，因受到高原特殊地理環境及氣候條件的影響，冬春兩季時常遭受到雪災的侵襲。已有的研究資料表明，1949-2002年青海省共發生29次雪災，11次較嚴重雪災和5次特大雪災，從分布來看，青海南部地區雪災事件的發生頻率最高、最廣泛[6]。雪災狀況的嚴峻形勢，直接影響到青海農牧業，甚至是國民經濟的發展。因此，了解雪災災害的致災因素、位置以及發生強度等，對于開展防御和災后管理工作，具有重要的意義。

近些年來，隨著各種監測手段和處理技術的進步，雪災風險評估已經成為國內學者的研究熱點。何永清等[6]選取氣象、社會經濟、畜牧等影響雪災的因子，基于GIS平臺，創建了青海地區雪災風險區劃圖；王世金等[7]通過分析雪災風險的成因，選取平均雪深、坡度、牲畜密度、冬春超載率、積雪天數、產草量、雪災重現率、地區GDP及農牧民純收入等9項因子，利用Logistic回歸方法，建立了三江源地區雪災綜合評估模型。白媛等[8]通過青海省雪深數據與雪災災情案例數據，得到該區雪災風險評價模型，并分析了不同致災水平下的雪災損失風險情況。劉興元等[9]通過分析北疆牧區的雪災狀況，從積雪致災體、家畜承災體、草地抗災體等3個方面選出9個因素作為雪災預警的影響因子，并利用多層次綜合法與目標線性加權函數法，創建了雪災預警模型和風險評估模型。Wang等[10]綜合青藏高原45場雪災案例數據、積雪遙感監測數據、氣象數據、社會經濟數據等，利用主成分分析法篩選出雪災預警的關鍵指標，結合多元非線性回歸模型，構建了基于縣域單元的青藏高原雪災預警模型，同時提出了基于格網單元的雪災風險評價方法。張國勝等[11]通過分析雪災的誘發因素，采用各因素疊加運算的方法，構建了三江源地區越冬期雪災風險預警指標體系；以上關于青海雪災狀況的研究，不同學者采用了不同的方法，均得到了一定的成果。

以往學者對雪災風險的評估，主要傾向于自然因子方面，且大多數采用的是多指標加權綜合法，這不僅忽視了雪災致災成因是社會經濟、自然條件、家畜狀況等多種因素綜合作用的結果，而且因受到人為因素的影響使得評價結果不夠客觀。因此，本文在已有研究成果的基礎上，將社會經濟數據等列入雪災影響因子中，完善雪災風險評估及監測基礎數據，并采用Logistic回歸方法分析青海雪災災害平均風險狀況，為進一步進行青海省雪災預警研究奠定堅實的基礎。

1 材料與方法

1.1 研究區概況

青海省處于青藏高原的東北部，地理位置介于東經89°35′-103°04′，北緯31°9′-39°19′之間，平均海拔3500 m以上(圖1)。因該省是我國許多大河的發源地，即黃河、長江、瀾滄江等，故有“中華水塔”之美稱。青海地勢具有自西向東降低的趨勢，以青南地區最為顯著，且地形復雜多樣，呈馬鞍形分布格局。其中，北部為山地，南部為青南高原，西北部是柴達木盆地，而東部為谷地。因受到地理要素及氣候條件，如海拔、地形地貌、大氣環流等的影響，青海形成了典型的高原大陸性氣候，主要表現為氣溫低且隨海拔增高而遞減，最低氣溫分布在青海南部以及祁連山等地勢高的地區，最高氣溫出現在柴達木盆地和東部的谷地；降水分布地域差異顯著，隨海拔增高而遞增；研究區大部分地區盛行偏西風，其中平均大風日數最多的是西南部地區，而西北部與東部地區最少。基于此背景，認識和掌握青海省雪災的主要誘發因子及其演變情況，對減輕雪災損失，保障畜牧業可持續發展具有重要的理論意義與實用價值。

圖1 研究區位置圖Fig.1 Location of the study area

1.2 研究數據

根據雪災風險系統的成因及其研究目的，選用的數據主要包含以下幾類：

(1)統計年鑒數據：依據青海省及相應地(州、市)2001-2007年的年鑒及統計年鑒，整理了各縣經濟水平、牲畜狀況等統計資料，如地區生產總值、人均GDP、人口密度、公路密度、年初存欄數、載畜力等。

(2)雪災案例數據：根據中國氣象災害大典(青海卷)和2001-2007年的雪災發生記錄，整理得到該省共發生雪災事件33次，并以縣級行政區劃為基本單元，統計出前冬雪災概率和牲畜死亡情況等。

(3)氣象數據：氣象數據來源于中國氣象科學數據共享服務(http://cdc.cma.gov.cn)，包括日均溫、日降水量、風速、坡度等。

(4)數字高程模型：根據90 m空間分辨率的數字高程模型提取坡度，從地形因素分析雪災狀況。

(5)植被分類數據：選用2001-2007年MCD12Q1產品中的國際地圈生物圈計劃(IGBP)分類數據集，其空間分辨率為500 m。MCD12Q1產品是MODIS Aqua和Terra衛星于2008年合成的年度土地覆蓋分類產品，可從USGS網站(http://www.usgs.gov/)下載得到。

(6)積雪遙感數據：雪蓋產品來源于中國西部環境與生態科學數據中心，由Huang等[12]開發的青藏高原地區MODIS逐日無云積雪產品(2002-2010年)。雪深數據是來源于該數據中心的中國長時間序列數據集，由Che等[13]和Dai等[14-15]利用美國國家雪冰數據中心(NSIDC)處理的被動微波傳感器SSM/I(1987-2008年)和AMSR-E(2002-2010年)亮度溫度資料反演得到，其空間分辨率為25 km。SSM/I(Special Sensor Microwave/Image)是美國國防氣象衛星計劃(DMSP)衛星所攜帶的星載微波輻射計，而AMSR-E是搭載在美國地球觀測系統(EOS)AQUA衛星上的微波掃描輻射計。

以上所用數據的來源和空間分辨率不同，為減小實驗誤差對分析結果的影響，對所有數據采用GIS柵格數據類型并重采樣為500 m，同時將坐標系統配準為Alberts坐標系統。

1.3 指標歸一化

多指標綜合評價中，因各指標涵蓋的物理意義大不相同，若置于同一標準下計算，會影響結果的評估，因此，需要對指標進行標準化處理[16-17]。常見的關于指標標準化處理的方法有極差變換法、標準化法和均值化法，它們各有優缺點。其中，極差變換法不僅適用于正態分布，也適用于非正態分布的指標，同時該方法無論指標原始值是正數還是負數，經極差變換后，均可化為正向指標，省去了指標的同趨化處理[18]。因此，基于數據的實際情況，本研究選用該方法對各個指標量化處理。

對于正向指標：

(1)

對于逆向指標：

(2)

式中：i為指標的個數；xi為指標的初始值；min(xi)為指標的最小值；max(xi)為指標的最大值；yi的值域介于0～1之間。

1.4 指標篩選方法

在自然災害綜合風險評估中，指標是我們研究對象的起點，而評價指標的正確選取，直接影響到綜合評估的結果[19]。為了全面的洞悉研究對象，研究者往往會盡可能多的搜集相關指標，殊不知這樣會因各個指標間的內部關聯，帶來信息的重疊。因此，科學、合理地選擇因子構建指標體系，是雪災風險綜合評價中首要解決的問題。關于風險評估綜合指標的篩選，完全依靠客觀的統計分析方法或是主觀的評價方法(如專家打分法)都是片面的、不科學的。前者僅考慮了數據固有的特征，而沒有將評估指標與研究本身結合，脫離了研究本身的意義；后者往往參雜了太多人為因素，選出的各個指標之間容易存在共線性，會影響到下文模型的應用[20-21]。因此，基于前人的研究經驗，本研究采用主客觀結合的方法篩選指標，首先分析指標的來源及意義，構建雪災綜合風險評價指標體系。其次，利用因子分析法進行具體的分析。

因子分析法最早由英國心理學家斯皮爾曼提出[22]，其原理是用較少的互相獨立的因子反映原有變量的絕大部分信息，且要求原有變量之間應存在較強的相關性，可用數學模型加以表示[23]。設原有n個變量，X1，X2，X3，…,Xn，且每個變量(經標準化處理)的均值為0，標準差為1，現將每個原有變量用k個因子f1，f2，f3，…，fk的線性組合表示，則有：

(3)

圍繞濃縮原有變量(已做標準化處理)提取因子的核心思想，因子分析的主要步驟如下：

(2)利用主成分方法計算特征值和特征向量。根據特征方程式|λIp-R|=0，可得到p個特征值，其按大小順序排列為λ1≥λ2≥λ3≥…≥λp≥0，由每個特征值可得到對應的特征向量μ1,μ2,μ3,…,μp。

(5)結合相關系數矩陣，對旋轉成分矩陣分類后的各個因子取絕對值最大值，以此來篩選因子。

1.5Logistic回歸模型

近些年，國內外專家對雪災綜合風險評價的探索，歷經了定性評價到定量評價的思維演變。盡管所用方法多樣，但都是通過一定的數學方法(如層次分析法、人工神經網絡、模糊綜合評判等)篩選出若干基本因子，進行多指標加權綜合運算，從而評估最終的風險狀況[24]。這些方法可以評估雪災災害風險，但因指標權重的確定，參雜了許多主觀因素。為了尋求適合本研究區的評價模型，在查閱災害風險相關文獻的基礎上，得到Logistic回歸模型的預測精度高于其他預測模型[25-27]，因而本文選用Logistic回歸模型對青海地區雪災風險進行評估。

Logistic回歸模型，是多變量統計分析模型，其因變量可為二分類，也可是多分類變量。Logistic模型的優勢便是自變量既可以是連續的，也可以是離散的，且可以不服從正態分布[28-29]。本研究以篩選的雪災風險評價因子，即年均溫、積雪覆蓋日數、最大雪深、人均GDP、坡度等為自變量，災害發生與否為因變量，若雪災發生，取值為1，否則為0。

設P為雪災發生概率，其取值范圍介于0～1之間，1-P即為雪災不發生的概率。因P的取值接近0或1時，P的變化就很難把握，因此對P值進行一定的轉換是必要的。將其二者的比值取自然對數，ln[P/(1-P)],以P為因變量，χm為自變量，建立Logistic線性回歸方程：

Logit(P)=ln[P/(1-P)]=α+β1χ1+β2χ2+……+βmχm

(4)

可得到，

(5)

式中:α為常數;β1，β2，…,βm為邏輯回歸系數;χ1，χ2，…,χm分別為影響雪災發生的各個風險因子。

2 結果與分析

2.1 雪災風險影響指標

本研究基于SPSS統計分析軟件，利用主客觀結合的方法，提取雪災風險的關鍵因子。通過分析指標的來源及意義，將雪災風險評價指標劃分為4類，見表1。

表1 雪災綜合風險評價指標體系Table 1 Integrated risk assessment indicator system of snow disaster

SU:羊單位Sheep unit.

通過分析表2，大部分變量間的相關系數值大于0.3，能夠從中提取公共因子，同時表3 中KMO統計量大于0.6，且Bartlett球形檢驗的顯著性小于0.01，驗證了此數據適合做因子分析。采用主成分方法對該四類數據進行分析，從表4可以得到，前兩個主成分的特征值大于1且累計方差貢獻率達到85%，說明前兩個主成分便可以反映全部指標的信息。因此，我們可以從這四類數據中分別提取兩個主成分。從表5可知，在A類因素中，地區生產總值、人口密度、公路密度在第1個成分上具有較高的載荷，相反，人均GDP、農牧業純收入在第2個成分上

表2 相關系數矩陣Table 2 Correlation matrix of principal components

表3 KMO和Bartlett檢驗Table 3 KMO and Bartlett test

表4 解釋的總方差Table 4 Total variance explained

具有較高的載荷；B類因素中，降水量、平均風速、年均溫在第1個成分上具有較高的載荷，相反，坡度、前冬雪災概率在第2個成分上具有較高的載荷；C類因素中，積雪覆蓋日數、草地積雪覆蓋率、積雪覆蓋率在第1個成分上具有較高的載荷，而最大雪深、平均雪深在第2個成分上具有較高的載荷；D類因素中，年初存欄數、年末存欄數在第1個成分上具有較高的載荷，而載畜力、草地面積比例在第2個成分上具有較高的載荷。基于表2、表5，篩選得到四類數據中的關鍵指標，即公路密度、人均GDP、年均溫、坡度、最大雪深、積雪覆蓋日數、載畜力、年初存欄數。

2.2 雪災風險因子分析

基于ArcGIS平臺，從縣域單元分析雪災各個風險因子空間分布情況(圖2)。總體來看，除了人均GDP與年均溫，青海西北部、東部地區各個風險因子水平較低，而北部與南部地區風險因子水平較高。從氣象角度來看，青海自西北向東一帶溫度較高，此界限以上或以下，溫度較低；研究區坡度較大的區域，主要集中在青海各個山脈周邊，即祁連山、昆侖山、唐古拉山、巴顏喀拉山及阿尼瑪卿山等地，其他地區坡度趨于平緩。從經濟狀況來看，青海人均GDP最高的縣是海西州、格爾木市，研究區南部及東南部地區經濟水平較低，其他縣為中等經濟水平。從積雪監測因素來看，青海積雪較深的區域主要分布在天峻縣、祁連縣、玉樹縣、囊謙縣、雜多縣、甘德縣、都蘭縣等地，而海西州、格爾木市和東部的農業區積雪深度較淺；整體來看，積雪覆蓋日數呈現較低趨勢，且以西北部、東部地區最少，而德令哈市、天峻縣最多。

表5 旋轉成分矩陣Table 5 Rotating component matrix

2.3 雪災災害風險評估

Logistic回歸模型可以進一步篩選變量，其原理是只有自變量對因變量貢獻率達到顯著水平，當可進入回歸模型，否則將會被剔除[24]。基于ArcGIS的空間分析功能，將2001-2007年各因子圖像轉化為相應的數字矩陣，在Excel中整理后導入統計分析軟件SPSS，然后利用Binary logistic回歸分析，采用逐步法篩選變量，多次迭代后，最終選擇出坡度、積雪覆蓋日數、年均溫、最大雪深和人均GDP等5個顯著性Sig小于0.5的因子，因其他指標沒達到顯著性水平而被剔除。最終得到青海雪災風險綜合評價的Logistic回歸模型：

Logistic(P)=-12.559+0.601x1+2.544x2+3.066x3+1.724x4+7.837x5

(6)

式中:x1,x2,…,x5分別為坡度、積雪覆蓋日數、年均溫、最大雪深、人均GDP；P為雪災發生的概率。分析得到，影響雪災風險的因子，不僅與自然因素有關，還受到社會經濟因素的影響，按照人均GDP、年均溫、積雪覆蓋日數、最大雪深等，對雪災風險的影響依次減弱。

根據公式(5)和(6)，結合GIS的柵格運算功能，得到研究區內像元單元雪災發生概率值P，并利用ArcGIS自帶的Natural Breaks(自然段點法)對其進行分級，見表6和圖3。整體來看，青海雪災平均風險呈現南高北低的趨勢，風險高的區域主要集中在青南高原，從縣域單元看，分布于格爾木市、稱多縣、玉樹縣、囊謙縣、達日縣、甘德縣以及瑪沁縣等地，少數分布于北部的德令哈市、都蘭縣、門源縣、祁連縣等地。從地形地貌而言，西北部的柴達木盆地和東部的農業區風險較低，而海拔高于4000 m的山嶺地帶，即祁連山、昆侖山、唐古拉山、巴顏喀拉山、阿尼瑪卿山等地的風險較高，其他地區為雪災發生的一般地區。

圖2 青海雪災風險因子空間分布Fig.2 The spatial pattern of risk factor of Qinghai

3 結論與討論

本研究采用主客觀結合的方法分析影響青海省雪災災害的關鍵因素，結合Logistic回歸方法構建青海雪災綜合風險評價回歸模型，該方法很大程度上減少了人為因素的影響。研究結果表明青海雪災高風險區主要集中在南部地區，即稱多縣、玉樹縣、囊謙縣、達日縣、甘德縣以及瑪沁縣等地，其中，高于4000 m的山嶺地帶， 即昆侖山、巴顏喀拉山、阿尼瑪卿山周邊成為雪災發生的高頻率地區(尤其是巴顏喀拉山兩側)，這與郝璐等[3]的研究基本一致，相反西北部的柴達木盆地和東部的農業區為低風險區域，這與已有的研究結果基本吻合[6-8]。造成青海南部地區風險高，而柴達木盆地風險低的原因，可以歸結為以下幾個方面：因青南地區海拔較高、溫度較低且草場豐富，同時受到來自東亞和印度季風驅動的氣流影響，使得該區降雪較多且維持時間長[30]，而這是促進雪災災害發生的前提。此外，受到西西伯利亞冷空氣的入侵和高原低值系統的共同作用，使得該區易形成寒潮[31-33]。而柴達木盆地因地貌類型主要以沙漠為主，且四周被高山環繞，地形封閉，同時溫度較高、降雪量少[34-36]，因此雪災風險最低。

表6 青海雪災風險等級劃分Table 6 Risk level of the snow disaster in the Qinghai

圖3 青海雪災平均風險區劃Fig.3 Regionalization of average risk assessment of snow disaster in the Qinghai

本文通過Logistic回歸方法構建雪災災害風險取得了一定的成果，但這并不意味著該方法在其他區域也能取得較好的結果，所以我們應根據研究區地域差異、氣候條件、經濟發展水平及分析目的的不同，有側重的選擇影響雪災發生的因素。研究收集了影響青海省雪災發生的社會經濟、自然及氣象共計19種因素，采用格網尺度和縣域尺度結合的方式來構建風險，雖具有一定的創新，但對于研究結果的分析會帶來一定的誤差。同時，本研究主要分析了青海2001-2007年時間序列雪災災害風險的綜合情況，盡管可以反映出該區雪災風險的分布情況，但不利于指導氣象和預警研究。因此，在接下來的研究中，將會從更小尺度，如冬春季度、月、旬等來分析雪災發生及風險分布情況。此外，本研究使用多數研究者采用的GIS自帶的分級方法Natural Breaks法對雪災災害風險分級[6-7]，雖然該方法可以直觀的顯示雪災風險不同的等級，但是缺乏一定的理論根據，不利于推廣，所以本項研究會在以后的工作中找到適合于研究區雪災風險模型的科學分級方法。

References：

[1] Li H H, Li X F, Zhang H Z,etal. Level indicators research of snow disaster in China’s pastoral areas. Journal of Qinghai Meteorology, 2006, (1): 24-28. 李海紅, 李錫福, 張海珍, 等. 中國牧區雪災等級指標研究. 青海氣象, 2006, (1): 24-28.

[2] Wen K G. Meteorological Disaster Chinese Ceremony, Qinghai[M]. Qinghai: China Meteorological Press, 2007. 溫克剛. 中國氣象災害大典.青海卷[M]. 青海: 氣象出版社, 2007.

[3] Hao L, Gao J M, Yang C Y. Snow disaster system of grassland animal husbandry and control countermeasures. Pratacultural Science, 2006, 23(6): 48-54. 郝璐, 高景民, 楊春燕. 草地畜牧業雪災災害系統及減災對策研究. 草業科學, 2006, 23(6): 48-54.

[4] Lu A X, Feng X Z, Zeng Q Z. Study on the assessing parameter system and its classification of snow disaster in the pasture land of our country. Journal of Catastrophology, 1995, 10(3): 15-18.

[5] Liu D C, Qi J X. The effects of snow disaster on animal husbandry in Xinjiang. Arid Zone Research, 1997, 14(2): 51-55.

[6] He Y Q, Zhou B R, Zhang H J,etal. Assessment model on risk degree of snow disaster and its risk division in Qinghai Plateau. Pratacultural Science, 2010, 27(11): 37-42. 何永清, 周秉榮, 張海靜, 等. 青海高原雪災風險度評價模型與風險區域探討. 草業科學, 2010, 27(11): 37-42.

[7] Wang S J, Wei Y Q, Fang M. Integrated risk assessment of snow disaster in the Three Rivers Source Region, China. Acta Prataculturae Sinica, 2014, 23(2): 108-116. 王世金, 魏彥強, 方苗. 青海省三江源牧區雪災綜合風險評估. 草業學報, 2014, 23(2): 108-116.

[8] Bai Y, Zhang X M, Xu P H. The snow disaster risk assessment of animal husbandry in Qinghai Province. Journal of Qinghai Normal University, 2011, 27(1): 71-77. 白媛, 張興明, 徐品泓. 青海省畜牧業雪災風險評價研究. 青海師范大學學報, 2011, 27(1): 71-77.

[9] Liu X Y, Liang T G, Guo Z G,etal. Early warning and risk assessment of snow disaster in pastoral area of northern Xinjiang. Chinese Journal of Applied, 2008, 19(1): 133-138. 劉興元, 梁天剛, 郭正剛, 等. 北疆牧區雪災預警與風險評估方法. 應用生態學報, 2008, 19(1): 133-138.

[10] Wang W, Liang T G, Huang X D,etal. Early warning of snow-caused disasters in pastoral areas on the Tibetan Plateau. Natural Hazards and Earth System Sciences, 2013, 13(6): 1411-1425.

[11] Zhang G S, Fu Y, Yan L D,etal. Study on warning indicator system of snow disaster and risk management in headwaters region. Pratacultural Science, 2009, 26(5): 144-150. 張國勝, 伏洋, 顏亮東, 等. 三江源地區雪災風險預警指標體系及風險管理研究. 草業科學, 2009, 26(5): 144-150.

[12] Huang X D, Hao X H, Wang W,etal. Algorithms for cloud removal in MODIS daily snow products. Journal of Glaciology and Geocryology, 2012, 34(5): 1118-1126.

[13] Che T, Xin L, Jin R,etal. Snow depth derived from passive microwave remote-sensing data in China. Annals of Glaciology, 2008, 49(1): 145-154.

[14] Dai L Y, Che T, Wang J,etal. Snow depth and snow water equivalent estimation from AMSR-E data based on a priori snow characteristics in Xinjiang, China. Remote Sensing of Environment, 2012, 127(12): 14-29.

[15] Dai L Y, Che T, Ding Y J. Inter-calibrating SMMR, SSM/I and SSMI/S data to improve the consistency of snow-depth products in China. Remote Sensing, 2015, 17: 7212-7230.

[16] Fan H Y, Liu X L. Comparison and optimization of various non-dimensionalized methods based on comprehensive evaluation method-a case study of land development in Yongdeng Country of Lanzhou City. Hunan Agricultural Sciences, 2010, (17): 163-166. 樊紅艷, 劉學錄. 基于綜合評價法的各種無量綱化方法的比較和優選——以蘭州市永登縣的土地開發為例. 湖南農業科學, 2010, (17): 163-166.

[17] Jiao L X. On methods of standardization management of index. Journal of Anhui Agrotechnical Teachers College, 1999, 13(3): 7-10. 焦立新. 評價指標標準化處理方法的探討. 安徽農業技術師范學院學報, 1999, 13(3): 7-10.

[18] Li M J, Chen G H, Chen Y T. Study on target standardization method of comprehensive evaluation. Chinese Journal of Management Science, 2004, (12): 45-48. 李美娟, 陳國宏, 陳衍泰. 綜合評價中指標標準化方法研究. 中國管理科學, 2004, (12): 45-48.

[19] Zhang H, Zhao Q H. An economic indicator screening method based on fundamental principle of principal components analysis. Journal of Shandong University of finance, 2013, 124(2): 52-61. 張輝, 趙秋紅. 基于主成分分析基本原理的經濟指標的篩選方法. 山東財經學院學報, 2013, 124(2): 52-61.

[20] Zhang L J, Luo Z. The screening method of the performance evaluation index of listing company. Statistics and Decision, 2008, 270(18): 63-65. 張立軍, 羅珍. 上市公司經營業績評價指標的篩選方法. 統計與決策, 2008, 270(18): 63-65.

[21] Huang R Q, Xiang X Q, Ju N P. Assessment of China’s regional geohazards: present situation and problems. Geological Bulletin of China, 2004, 23(11): 1078-1082. 黃潤秋, 向喜瓊, 巨能攀. 我國區域地質災害評價的現狀及問題. 地質通報, 2004, 23(11): 1078-1082.

[22] Zheng G Q. Basic Tutorial of Travel Survey[M]. Shanghai: Shanghai Renmin Chubanshe, 2010. 鄭國全. 旅游調查基礎教程[M]. 上海: 上海人民出版社, 2010.

[23] Xue W. SPSS Statistical Analysis Method and Application[M]. Beijing: Publishing House of Electronics Industry, 2013. 薛薇. SPSS統計分析方法及運用[M]. 北京: 電子工業出版社, 2013.

[24] Zhou W. Landslide Hazard Assessment Based on Logistic Regression and SINMAP Model in Bailong River Basin[D]. Lanzhou: Lanzhou University, 2012. 周偉. 基于Logistic回歸和SINMAP模型的白龍江流域滑坡危險性評價研究[D]. 蘭州: 蘭州大學, 2012.

[25] Lulseged A, Hiromitsu Y. The application of GIS-based logistic regression for landslide susceptibility mapping in Kakuda-Yahiko Mountains, central Janpan. Geomorphology, 2005, 65(1/2): 15-31.

[26] Peter V, Paul G, Randy B. Spatial Prediction of Landslide Hazard Using Logistic Regression and GIS[C]. Banff, Alberta: 4th International Conference on Integrating GIS and Environmental Modeling(GIS/EM4): Problems, Prospects and Research Needs, 2000.

[27] Wang W D, Chen Y P, Zhong S. Landslides susceptibility mapped with CF and Logistic regression model. Journal of Central South University, 2009, 40(4): 1127-1132. 王衛東, 陳燕平, 鐘晟. 應用CF和Logistic回歸模型編制滑坡危險性區劃圖. 中南大學學報, 2009, 40(4): 1127-1132.

[28] Gregory C O, John C D. Using multiple logistic regression and GIS technology to predict landslide hazard in northeast Kansas, USA. Engineering Geology, 2003, 69(3/4): 331-343.

[29] Wang J C, Guo Z G. Logistic Regression Model-method and Application[M]. Beijing: High Education Press, 2001. 王濟川, 郭志剛. Logistic回歸模型——方法與應用[M]. 北京: 高等教育出版社, 2001.

[30] Li S C, Li D L, Zhao P,etal. The climatic characteristics of vapor transportation in rainy season of the origin area of three rivers in Qinhai-Xizang Plateau. Acta Meteorologica Sinica, 2009, 67(4): 591-598. 李生辰, 李棟梁, 趙平, 等. 青藏高原“三江源地區”雨季水汽輸送特征. 氣象學報, 2009, 67(4): 591-598.

[31] Hong G L, Zhao X, Li F,etal. Snow disaster risk assessment of township population-livestock in Guoluo prefecture of Qinghai Province. Journal of Natural Disasters, 2015, 24(5): 246-253. 侯光亮, 趙霞, 李凡, 等. 青海省果洛州鄉級人口——牲畜雪災風險評估. 自然災害學報, 2015, 24(5): 246-253.

[32] Xu Y H, Zeng H. The characteristics of the atmospheric environment of the Tibetan Plateau snow disaster. Sichuan Meteorological Journal, 1998, 66(4): 1-4. 徐裕華, 曾皓. 青藏高原雪災的大氣環境場特征. 四川氣象, 1998, 66(4): 1-4.

[33] Li H M, Li L, Gao G,etal. Snow disaster in Qinghai Plateau: risk division and countermeasure. Journal of Glaciology and Geocryology, 2013, 35(3): 656-661. 李紅梅, 李林, 高歌, 等. 青海高原雪災風險區劃及對策建議. 冰川凍土, 2013, 35(3): 656-661.

[34] Wang J S, Li X F. Meteorological and Climate in Qinghai[M]. Beijing: China Meteorological Press, 2004. 王江山, 李錫福. 青海氣象氣候[M]. 北京: 氣象出版社, 2004.

[35] Li Y F, Yang T B. The temperature ascends in the Qaidam Basin in the past 50 years and global warming. Journal of Shangrao Normal College, 2005, 25(3): 105-109. 李永飛, 楊太保. 近50年來柴達木盆地升溫與全球變暖. 上饒師范學院學報, 2005, 25(3): 105-109.

[36] Shi X H, Zhao Y N, Dai S,etal. Research on climatic change of Qaidam Basin since 1961. Journal of Desert Research, 2005, 25(1): 123-128. 時興合, 趙燕寧, 戴升, 等. 柴達木盆地40多年來的氣候變化研究, 中國沙漠, 2005, 25(1): 123-128.

Comprehensive risk assessment of snow disasters in Qinghai Province

MA Xiao-Fang, HUANG Xiao-Dong*, DENG Jie, WANG Yun-Long, LIANG Tian-Gang

CollegeofPastoralAgricultureScienceandTechnology,StateKeyLaboratoryofGrasslandAgro-ecosystems,LanzhouUniversity,Lanzhou730020,China

We collected data on 19 factors, including social, economic, and meteorological factors, leading to snow disasters in Qinghai Province. A combination of subjective and objective methods was used to filter these data. Then, logistic regression models were used to further screen the initial factors and identify five risk assessment factors (per capita gross domestic product, annual average temperature, number of snow-covered days, maximum snow depth, and slope). These data were analyzed using ArcGIS to construct a snow disaster average risk zoning map from 2001-2007 for the Qinghai region, to illustrate the spatial distribution of different snow disaster levels. The results of the subjective and objective analyses indicated that the key factors leading to snow disasters were not only natural and meteorological factors, but also social economic factors. The average risk distribution of snow disasters, and risk factors (maximum snow depth, slope, number of snow-covered days) showed consistent trends, in contrast to the trends in the distribution of annual mean temperature and per capita gross domestic product. The risk of snow disasters was higher in the south and lower in the north of Qinghai Province. The high risk areas were mainly distributed in the south region of Qinghai Province including Chengduo, Yushu, Xiangqian, Dari, Gande, and Maqin, while the low-risk areas included the Qaidam Basin in the northwest and the eastern agricultural region. A high risk of snow disasters was associated with topography and geomorphology. Mountainous areas above 4000 m (including the Qilian, Kunlun, Tanggula, Bayankala, and Anyemaqen mountains) were high-risk areas for snow disasters in Qinghai Province.

Qinghai; the snow disaster risk; Logistic regression model

10.11686/cyxb2016108

http://cyxb.lzu.edu.cn

2016-03-09；改回日期：2016-04-28

國家自然科學基金項目(31372367)和國家重點基礎研究發展計劃項目(2013CBA01802)資助。

馬曉芳(1991-)，女，甘肅會寧人，在讀碩士。E-mail：ymaxiaofangy@163.com

*通信作者Corresponding author. E-mail：huangxd@lzu.edu.cn

馬曉芳, 黃曉東, 鄧婕, 王云龍, 梁天剛. 青海牧區雪災綜合風險評估. 草業學報, 2017, 26(2): 10-20.

MA Xiao-Fang, HUANG Xiao-Dong, DENG Jie, WANG Yun-Long, LIANG Tian-Gang. Comprehensive risk assessment of snow disasters in Qinghai Province. Acta Prataculturae Sinica, 2017, 26(2): 10-20.