基于高精度房屋、人口數據的地震壓埋人員和緊急搜救區評估模型研究

白仙富， 戴雨芡， 葉燎原， 李 春

（1. 云南師范大學 旅游與地理科學學院， 云南 昆明 650500； 2. 云南省地震局， 云南 昆明 650224；3. 昆明市西山區防震減災局， 云南 昆明 650118； 4. 紅河學院 數學學院， 云南 蒙自 661100）

0 引言

習近平總書記指出， 我國是世界上自然災害最為嚴重的國家之一， 災害種類多， 分布地域廣， 發生頻率高， 造成損失重， 這是一個基本國情［1］。 在眾多的自然災害之中， 地震在我國大部分領土上都有可能造成災害。 最近十年，中國大陸發生了多次地震并造成嚴重的人員傷亡和財產損失， 比如2008 年汶川地震、 2010年玉樹地震、 2013 年蘆山地震、 2014 年魯甸地震等。 地震發生后的第一要務是救人， 將生命損失降到最低。 就全國范圍來看， 雖然地震災害應急管理服務取得了顯著提高， 但地震救災的總體效率和效益水平仍然相對較低［2］， 主要表現在難以及時一次性給出應有的響應等級和難以及時提出救災力量空間分配的合理建議。 造成這一現象的最主要原因是不能在地震應急黑箱期［3］準確評估人員傷亡狀況。 地震傷亡人數是決定啟動響應等級的重要條件， 地震傷亡人員的空間分布則決定救援力量的空間部署。 造成地震人員傷亡的因素較多， 其中房屋倒塌是導致地震人員傷亡的主要原因之一［4］和最普遍的因素； 通常情況下， 埋壓人員集中的地區需要優先開展救援， 我們將這樣的區域稱為緊急搜救區。 如果能夠迅速對地震中被困人員的位置和數量進行評估， 那么地震發生后立即采取行動來減少人員傷亡的可能性就會大大提高［5］。換言之， 地震應急時如果能提高地震壓埋人員數量和緊急搜救區的評估精度， 那么就有可能搶救更多的生命從而提高應急管理服務的社會效益。

影響地震壓埋人數和緊急搜救區評估精度的因素較多， 包括基礎數據、 人員傷亡評估模型和影響場評估模型等。 在應急評估中， 我國早期使用的基礎數據主要是縣級精度的承載體數據［6］， 評估結果誤差大且很難依據結果判定可操作的緊急搜救區域， 應急服務效益不高。在2010 年前后， 開始了高精度公里網格的人口和房屋數據的研究。 中國地震局與中國科學院合作產出了第一套用于應急評估的高精度房屋和人口數據［7］， 隨后， 在武漢、 寧洱、 彝良、四川等地區進一步開展了面向防震減災的人口、房屋數據空間化研究［8-11］， 為服務于應急目標的高精度數據本地化制作和應用普及奠定了良好基礎。 當前， 各省市地震應急服務中心均已經部署了公里格網的高精度房屋和人口數據，也開展了一些基于公里格網數據的經濟損失快速評估（主要考慮經濟損失的總量評估） 算法研究。 然而， 高精度的房屋數據不僅僅是為了提高經濟損失總量的快速評估精度， 更要為減少人員傷亡的緊急搜救區評估發揮積極作用，即要能為人員傷亡的高精度空間分布評估服務，但這方面的研究還很薄弱。 在最近的20 年里，世界科學家們對區域地震人員傷亡和經濟損失程度評估進行了系列研究， 并基于可用數據的類型、 空間適用性和建模原則提出各種評估方法［12-17］。 例如Coburn 和Spence 用單位建筑面積的人口數量、 地震持續時間、 被困人員總數、房屋倒塌死亡率、 救援效率這五個因素來構建地震后的傷亡預測模型［18-19］。 Badal 等人采用了一種定量模型來評估地震人員傷亡和人口密度對傷亡的影響， 模型給出了震級和人員傷亡之間的相關性［20］。 為了建立地震過程中建筑物因素造成的人員傷亡和空間分布的評估模型，Aghamohammadi 等提出了一種神經網絡反向傳播算法［21］。 Feng TN 等人提出了一種地震傷亡數量快速評估模型， 該模型集成了衛星遙感技術和建筑物易損性來進行問題求解［22］。 通過不同類型的建筑物的破壞率和死亡率的關系， So和Spence 提出一個全球地震人員傷亡預測模型來評估地震動引起的全球地震人員傷亡和建筑物損毀情況［23］。 Ara 根據美國中部概率風險評價結果建立的建筑物類型和人員傷亡曲線來獲取可能的生命損失［17］。 Shapira 等結合流行病學和工程方法對地震造成的人員傷亡進行評估，并指出如果在傷亡評估模型中進一步考慮人口、社會經濟特征和醫療器械的準備水平， 評估結果會更準確［24］。 Park 等調查了韓國烏爾山人類一天中的時間—行為模式， 建立了時間—行為因素和建筑物倒塌因素相結合的人員傷亡評估模型， 根據該模型Park 評估了給定地震情景下的地震人員傷亡數量［25］。 總體來看， 現有的這些地震傷亡評估方法可以根據其相對接近性分為經驗型、 半經驗型和分析型三類。 經驗型主要由地震造成的災區人員傷亡與預測的地面震動強度之間的簡單相關關系構成。 半經驗型的方法推算了研究區不同建筑類型的倒塌率， 并在此基礎上論證了死亡率和每種類型建筑物易損性之間的關系。 分析方法通過預測建筑物在地震動過程中的反應， 然后確定地震對建筑物內人的影響。 鑒于地震災害嚴重的基本國情，我國的科學家們對地震生命損失評估也開展了大量研究［26-28］。 李媛媛等將地震傷亡評估模型分為三種基本類型： 經驗模型、 建筑震害概率模型和易損性模型［29］。 減少人員傷亡是從事地震應急工作人員的根本職責， 為了盡早將被困人員從廢墟中施救出來， 學者們指出應開展被困在倒塌的建筑物中的人員進行評估。 比如，許建東等以漳州市為例建立了考慮時間參數的街道單元的地震人員死亡模型［30］； 肖東升等以汶川地震災區部分中小學為例， 建立了基于倒塌率和在室率的壓埋率預估模型［31］。 余世舟等利用5.12 汶川8.0 級地震的資料， 考慮了地震初期災情信息以及影響地震人員壓埋率的主要參數， 對這些影響參數進行系統研究， 構建了地震初期壓埋人員分布的評估方法［32］。 這些方法主要是為了評估埋壓人員的傷亡數量， 但在建模過程中沒有考慮人類行為這一復雜因素。實際上， 對地震傷亡的評估要考慮到社會科學方面的影響［14］， 比如不同時段人類在不同場所的分布情況（即通常說的在室率） 對人員傷亡的影響。 此外， 通過適當的社會行為也可以及時減少地震對人員傷亡的潛在影響。 比如通過緊急行動的有效部署， 可以顯著減少地震傷亡人數［15］。 這些評估模型的研究為高精度壓埋人員和緊急搜救區的評估奠定了基礎， 本研究即是在這些基礎上回歸適用于公里格網房屋和人口數據的評估模型。 地震影響場的應急評估模型一直是地震應急中的一個關鍵， 影響場的評估可以分為三個內容： 宏觀震中的評估、 長軸方向的評估和烈度的衰減評估。 常用的方法包括余震法［33－35］、 構造及區劃分法［36］、 衰減模型法［37－48］和長短軸矩陣法［36］等， 在本研究中， 我們不開展該問題的探討， 作為方法研究， 我們使用現場調查后公布的影響場進行評估結果的反演和檢驗。

基于上述內容， 為了提升地震應急管理服務的效益， 有效減輕地震災害風險， 將地震人員傷亡風險識別提升到定量分析的層面， 將對緊急搜救區的判別提升到公里格網的空間尺度，本文提出高精度的地震壓埋人員數量和緊急搜救區域評估模型的研究。 為了便于研究， 對地震壓埋人員和緊急搜救區的界定， 我們只考慮由地震直接造成房屋破壞的影響， 而不考慮地震次生災害的疊加作用造成的損失。

1 數據和方法

1.1 震例選取

云南是我國地震最頻繁和受災最嚴重的區域之一， 也是地震災害資料最豐富最詳實的省區之一。 然而， 在面對地震人員傷亡的具體數量和空間位置的信息需求時， 仍然找不到能覆蓋全省8 個主要地震帶的樣本數據。 到目前為止， 能收集到地震人員傷亡直接原因和詳細空間位置的案例只有2012 年9 月7 日的彝良地震［49］和2014 年8 月3 日的魯甸地震（圖1）。作為一種方法的探索研究， 本研究以“7.09”彝良Ms5.7、 Ms5.6 地震和“8.03” 魯甸Ms6.5 地震為樣本。

1.2 數據來源

高精度數據： 本文所指的高精度數據是相對早先的行政單元的地震應急基礎數據而言，系當前各省市地震系統均已經部署或可以自主生產的公里格網柵格數據。 本研究收集的兩個地震災區公里格網房屋數據和公里格網人口數據來源于云南省地震局地震應急聯動協同災情數據庫。 數據制作時間為2012 年1 月， 生產于兩次地震發生之前且距離地震發生的時間不長，可以認為數據總體上能反映地震時研究區的情況。 其中公里格網的人口數據屬性為公里格網人口數； 公里格網房屋數據共五層， 包括公里格網的房屋總面積、 框架結構房屋面積、 磚混結構房屋面積、 磚木結構房屋面積、 土木結構房屋面和其他結構房屋面積。 之所以考慮使用公里格網的數據， 是因為公里格網數據隨國家地震社會服務工程的實施已經在各省地震指揮中心安裝部署， 在統一使用的應急數據中是精度最高的數據， 但對該數據的使用研究還沒有較好的應用范例的研究， 而且， 以該數據為使用對象開展研究具有較好的代表性。

地震災害數據： 收集的地震災害數據為“7.09” 彝良Ms5.7、 Ms5.6 和“8.03” 魯甸Ms6.5兩次地震的人員死亡詳細數據、 烈度數據、 房屋震害抽樣數據等。 由于我們無法獲得地震時刻確切的壓埋人數， 所以， 在本研究中我們用收集到的因地震造成房屋倒塌壓埋死亡人數數據來替代。 原始的人員傷亡數據信息包括人員姓名、 死亡原因（分為房屋倒塌、 滑坡或滾石）、 死亡人員死亡地點（到自然村級別）、 死亡人員性別和年齡等， 為數據為excel 格式。魯甸地震人員死亡數據來源于魯甸縣民政局、巧家縣民政局、 會澤縣民政局和昭通市防震減災局， 為上述單位震后調查數據（表1）； 彝良地震人員死亡數據為云南省地震局早期收集的震例數據［49］（表2）。 烈度數據和房屋震害抽樣調查來源于震后地震災害損失評估報告①②云南省地震局， 2012 年9 月7 日彝良5.7 級、 5.6 級地震災害直接經濟損失評估報告（云南災區）. 昆明： 云南省地震局， 2012.。

圖1 魯甸地震和彝良地震房屋倒塌人員死亡分布圖Fig.1 The distribution of casualty caused by building collapse in Ludian and Yiliang earthquakes

表1 魯甸地震各地點死亡人員統計

表2 彝良地震各地點死亡人員統計

1.3 數據處理

由于本研究考慮的只是地震房屋倒塌造成的埋壓人數和緊急搜救區的評估， 因此人員傷亡數據中只保留了因房屋倒塌造成的人員傷亡信息， 且只保留了人員死亡的地點和數量信息（圖1）。 在將人員死亡信息轉化為空間的shape格式數據時， 將其投影坐標與數據庫中的柵格數據相統一。 收集的烈度數據也將其投影坐標與數據庫中的柵格數據相統一（圖1）。 為了研究的方便， 我們把公里格網的柵格數據轉為公里格網的矢量面屬性數據， 該數據包含7 個字段， 即人口（數量）、 （房屋） 總面積、 土木結構（房屋面積）、 磚木結構（房屋面積）、 磚混結構（房屋面積）、 框架結構（房屋面積） 和其他結構（房屋面積）（圖2）。 在云南地震房屋易損性計算中， 根據云南的實際情況， 通常把其他結構的房屋歸并到土木結構中［50］， 本研究中， 對房屋數據也做相應的處理， 以便與云南的災評工作和研究慣例相統一。 建模時， 根據收集的人口傷亡數據， 基于公里格網的人口和房屋矢量數據， 統計了災區每個單元網格內的因房屋倒塌造成的人員傷亡總數。

圖2 云南公里網格房屋和人口數據Fig.2 A kilometer grid-based building（population） distribution in Yunnan Province

1.4 評估方法

1.4.1 影響因素分析

影響地震房屋倒塌壓埋人員的因素較多，但歸納起來主要包括以下四個方面： 地震的強度（震級、 烈度等）、 建筑物易損性、 受影響人數（即所謂的暴露人口）、 人的行為反應（包括人員在室率、 自救互救行為等）。 在本研究中，地震強度我們使用慣用的地震烈度； 建筑物易損性對壓埋人員的影響從現場調查的結果看主要表現房屋毀壞（倒塌） 帶來的影響， 因此本研究根據災評報告， 整理了魯甸地震和彝良地震不同烈度下框架結構、 磚混結構、 磚木結構和土木結構毀壞比（表3）。 受影響人數即為災區人口數， 本文使用公里格網人口數據（圖2）。 人的行為因素較為復雜， 針對房屋倒塌造成的壓埋評估而言， 我們認為人員在室率是最主要的。 然而， 在室率又是一個非常復雜的問題， 有職人員（包括學生） 和無職人員存在差別、 農村和城市存在差別、 節假日和工作日存在差別， 一天中早中晚不同時段存在差別等等。基于對昭通地區人民生活習慣的區域性特征的了解， 給出昭通地區不同時段人員在室率的經驗值（表4）， 在建模時我們采用本經驗值。 其他的影響因子我們統一作為一個系數通過回歸求解。

表3 各烈度下不同結構建筑的毀壞比

表4 昭通地區不同時段人員在室率

1.4.2 評估模型構建

根據我們的數據特征， 地震災區房屋倒塌壓埋人員總數為受影響區域各單元網格壓埋人數的總和， 每一個單元網格的壓埋人數為倒塌建筑面積與單位建筑面積人口密度的函數。 單元網格建筑物倒塌面積為公里格網該結構面積和所在烈度下毀壞比的函數， 單位建筑面積人口密度為公里格網人口數、 公里格網房屋面積和不同時段人員在室率的函數。 據此， 建立基于高精度的房屋（公里格網） 和人口（公里格網） 數據的地震房屋倒塌壓埋人數評估模型。模型如下：

式中， Dall表示壓埋總數； di表示第i 個公里網格內壓埋人數； Pi表示第i 個公里網格內單位建筑面積人口密度； ti表示地震時刻t 對應的人口在室率； strij表示第i 個公里網格內j 類結構的建筑面積； cij表示第i 個公里網格內第j類結構建筑物倒塌率； ?為回歸系數， 根據魯甸和彝良地震數據回歸得到的平均值為0.15。

緊急搜救區是一個相對區域， 指地震事件中災害較為嚴重需要優先開展救援或需要部署更多救援力量的區域。 地震應中對緊急搜救區的判定暫沒有成熟的指標， 根據經驗， 我們以公里格網為單元提出云南地區一種緊急搜救區的判定方法。 第一步， 公里格網的壓埋人數達到或超過10 人時， 判定為緊急搜救區； 若第一步判定的區域達到或超過災區面積的10%， 進入第二步， 將壓埋人數超過壓埋總數5%的公里格網區判定為緊急搜救區。 當然， 在實際應急中， 不僅要求判定緊急搜救區， 還需要給出其他區域的一些判定信息， 作為一種嘗試， 我們先根據上述約定， 建立緊急搜救區評估模型。模型如下：

否則：

式中， Gi表示第i 個公里網格； Ei表示第i個緊急搜救區； Gdi表示Gi區域壓埋人數di，N10表示壓埋人數等于或大于10 人的網格數；Mall表示地震災區總的公里格網數。 需要指出的是， 緊急搜救區是一個相對概念， 任何一個地震都可能有一個破壞相對嚴重的區域， 但在實際中并非每個地震都會造成人員被壓埋的情況，因此我們給出的模型是一種相對“絕對” 的評估方法。

2 評估結果

2.1 地震壓埋人員評估結果

根據式（1） 和式（2）， 對魯甸地震和彝良地震公里格網尺度的房屋倒塌壓埋人員數量進行反演， 得到各公里網格的壓埋人數（圖3），并據此計算出總的壓埋人數。 魯甸地震房屋倒塌死亡總數為480 人， 其中Ⅵ度區死亡0 人，Ⅶ度區死亡23 人， Ⅷ度區死亡137 人， Ⅸ度區死亡320 人（表5）。 根據評估模型反演結果為房屋倒塌壓埋總數396 人， 比實際傷亡少86人， 誤差率為17.5%， 兩者沒有數量級差別；其中Ⅵ度區壓埋0 人， 與實際傷亡人數一樣；Ⅶ度區壓埋15 人， 比實際傷亡少8 人， 誤差率為34.78%， 兩者沒有數量級差別； Ⅷ度區壓埋100 人， 比實際傷亡少37 人， 誤差率27.00%，兩者無數量級差別； Ⅸ度區壓埋281 人， 比實際傷亡少39 人， 誤差率為12.19%， 兩者沒有數量級差別。 魯甸地震房屋倒塌壓埋人員評估結果總體與實際傷亡結果差別比較接近， 兩者有數值上的少量差別但沒有數量級上的差別，撇開Ⅵ度區看， 烈度越高， 誤差越小。 從反演的壓埋總數對地震應急服務需求的信息支撐看，這一結果也已經達到啟動地震應急I 級響應的條件， 能夠滿足作出恰當地震應急響應等級的信息需求。 彝良地震房屋倒塌死亡總數為12人， 其中Ⅵ度區死亡1 人， Ⅶ度區死亡4 人，Ⅷ度區死亡7 人。 根據評估模型反演結果為房屋倒塌壓埋總數15 人， 比實際傷亡多3 人， 誤差率為25.00%， 兩者沒有數量級差別； 其中Ⅵ度區壓埋0 人， 比實際傷亡人數少1 人； Ⅶ度區壓埋2 人， 比實際傷亡少2 人， 誤差率為50.00%， 兩者也沒有數量級差別； Ⅷ度區壓埋13 人， 比實際傷亡多6 人， 誤差率較大， 為85.71%， 但兩者也沒有數量級的差別。 就兩個地震反演的結果看， 魯甸地震的反演結果比彝良地震的反演結果要更為準確。 魯甸地震總人數誤差比彝良地震少7.5 個百分點， Ⅶ度區壓埋人數比彝良地震誤差少15.22 個百分點， Ⅷ度區壓埋人數比彝良地震誤差少58.71 個百分點。 就評估的絕對數字來看， 魯甸地震的評估結果無論是總數還是各烈度區的統計， 評估的壓埋人員數量都比實際傷亡人數要少。 但無論對哪個震例的反演， 評估結果與實際傷亡都沒有數量級差別， 結果針對的應急響應等級也與實際傷亡針對的應急響應等級一致。 就案例反演的情況看， 震級越大或影響范圍越大， 誤差相對越小， 而震級越小或范圍越小， 誤差相對較大。 這是因為盡管我們評估的是房屋倒塌造成的人員壓埋， 但在實際現實中同一類型的房屋千差萬別， 而所使用的房屋倒塌率是大范圍大樣本的一個統計值， 范圍越大、 震級越大則樣本相對就越大， 就越符合統計規律， 相應的評估結果也就越準確。

圖3 基于評估模型反演的房屋倒塌壓埋人員分布Fig.3 The distributionQof trapped-victim in collapsed buildings based on models

表5 實際死亡人數和評估模型計算壓埋人數

2.2 緊急搜救區評估結果

根據式（3） 和式（4）， 對魯甸地震和彝良地震進行公里格網尺度的緊急搜救區評估， 得到公里格網的緊急搜救區。 根據本模型計算結果看， 彝良地震沒有嚴格意義的緊急搜救區，所以我們對緊急搜救區評估結果的討論只針對魯甸地震的評估結果（圖4）。 魯甸地震共有8個緊急搜救區， 這8 個緊急搜救區共由38 個公里網格組成， 其面積占災區總面積的0.37%。從房屋倒塌人員傷亡的地點（即死亡人員所在的自然村） 見圖4（a）， 共有60 個點落在緊急搜救區內， 這60 個點實際房屋倒塌死亡共306人， 占實際房屋倒塌死亡總數（480 人） 的63.75%。 此外緊鄰緊急搜救區還有6 個點， 因房屋倒塌死亡共38 人， 這6 個點分布在緊急搜救區的網格邊界附近， 離網格邊界都不足200m， 有的不到5m。 在實際工作中， 這6 個點是需要作為緊急搜救區域進行處置的， 若把這6 個點的實際傷亡統計進來， 緊急搜救區內實際房屋倒塌死亡共344 人， 占實際房屋倒塌死亡總數的71.67%。 從人員傷亡的行政村分布與緊急救助區分布的關系看， 共有7 個行政村所在地落在緊急救助區內， 這7 個行政村所轄的區域內， 因房屋倒塌實際死亡462 人， 占房屋倒塌實際死亡總數的96.25%。 這一現象給了我們一個新的啟示， 即在進行高精度公里格網的緊急搜救區域評估時， 為了行政管理機制與救援力量的投入， 還需要將行政村的分布與緊急搜救區域進行綜合考慮。

圖4 緊急搜救區Fig.4 Emergency rescue areas

3 結果討論

3.1 結果偏差的討論

任何一個模型， 只可能是無限接近客觀世界， 而不可能是客觀世界的完全表述。 因此基于高精度房屋和人口數據的地震壓埋人員和緊急搜救區評估模型也不可能做到絕對準確。 換言之， 模型計算結果與實際存在偏差這是由于事物的復雜性和模型的相對概括性決定的。 除此之外， 模型、 數據、 參數等因素也是引起結果偏差的重要因素。 本研究中， 無論壓埋人員的判斷還是緊急救助區的判斷在數值上也都有一定的差別， 導致這些差別， 我們認為和數據本身、 模型參數是有關系的。 首先從基礎數據本身看， 我們采用的公里格網的人口和房屋數據也是在一定的調查基礎上建立推算模型后的產品， 數據本身也不可避免的存在偏差。 由于數據本身不可避免的偏差性， 也就決定了我們研究結果不可避免的會存在偏差。 其次， 本研究所采用的房屋毀壞率應該也是導致結果偏差的一個重要因素。 在實際地震中， 不同網格的房屋的倒塌率一般是不同的。 建模時采用的房屋毀壞率來源于災評報告， 報告中的毀壞率是通過現場抽樣調查后得到的整個烈度區的一個平均值， 而在建模時同一個烈度下每一個網格的毀壞率是相同的。 從表3 還可以看出， 在烈度相同的情況下， 同一類型房屋的毀壞率在兩個地震中有較大差別， 總體來看， 相同情況下魯甸地震的毀壞率比彝良地震的毀壞率高。 因此相對魯甸地震， 其回歸系數比實際偏小而彝良地震則相反。 這應該是魯甸地震結果偏低而彝良地震結果偏高的原因。 同時， 由于魯甸地震涉及的范圍遠比彝良地震大， 從統計上更具有普遍性， 這應該是魯甸地震的評估結果的準確率比彝良地震的評估結果的準確率更高的主要原因。 再次， 參數的不夠準確和完整可能是結果存在偏差的另一原因。 從影響參數的人類行為的因素看， 本研究考慮了不同時段人員的在室率， 所給出的不同時段的在室率只是一個粗略的調查值， 該經驗值面對紛繁復雜的活動的人肯定是存在偏差的。 從影響參數的房屋的破壞因素看， 本研究對房屋破壞造成的人員壓埋的考慮， 只考慮了倒塌房屋數理的影響， 這在一方面確實抓住了矛盾的主要方面， 但是也難免遺漏了其他破壞程度的房屋帶來的影響。這些參數不可避免的偏差在客觀上也是造成本研究反演結果與實際情況之間存在一定偏差的原因。

3.2 結果效能的討論

模型反演的結果存在一定偏差是難以避免的， 對模型效能的評價不是簡單的看是否存在偏差， 更要看是否滿足建模的需求。 本研究針對的是應急管理服務在地震應急期間面對啟動地震應急響應等級和救援力量部署建議對人員壓埋數理等級和空間分布的信息需求。 從這一角度出發， 本研究給出了基于公里格網的壓埋人員和緊急搜救區定量評估方法。 從魯甸地震和彝良地震的反演結果看， 壓埋人員數量的評估結果能為合理的應急響應等級啟動提供恰當的信息參考， 評估結果對應的建議等級能夠與實際需要的等級相符。 所給出的緊急救助區實際人員傷亡人數占總數的比例較高， 符合“緊急” 這兩個字的要求， 其結果效能達到預期要求。 但是， 也需要指出， 面對決策建議的信息與面對現場處置的信息需求是不一樣的。 也就是說， 由于我們的數據是基于公里格網的尺度進行的， 我們的結果也是公里格網尺度的， 而現場救援處置中在一個公里格網內可能存在多救援需求點或一個救援需求點橫跨了我們給出的公里格網的情況。 因此我們的方法既能為造成的力量部署提出合理的建議， 又與具體的現場救援點信息需求有一定距離。

3.3 模型外延的討論

從方法論的角度看， 本研究是在高精度公里格網的房屋和人口數據全面部署的前提之下，為了提升地震應急管理服務的效益， 發揮好高精度數據的效益進行的一種方法探索。 因此，基于魯甸地震和彝良地震建立房屋倒塌壓埋人員和緊急搜救區評估模型最終是為了能在今后的地震應急中更好發揮應急管理服務的作用，這就必須考慮模型的外延性。 從模型震例數據的情況和上述分析看， 我們認為模型有其推廣性， 但也有其局限性。 模型外推時， 首先應考慮區域性。 地理環境復雜性決定了房屋易損性的區域性， 不同地區房屋的易損性差別較大，也就是說在相同地震動影響下， 由于區域的差別其房屋的倒塌率會有很大的區別； 同時地理環境內部的相對一致性又決定了一定區域內房屋易損性的一致性， 換言之， 一定區域內的房屋的易損性相差不大， 可以用某種方法計算后的平均值代替。 其次， 在模型外推時要注意人類活動的影響。 對應到本模型的參數， 要注意不同區域不同時段人員的在室率問題。 以云南為例， 人類活動城鄉有差別， 職業有差別， 滇東滇西有差別、 壩區和山區有差別； 但最主要的可能是要考慮在室率的季節變化， 不同季節，同一時段人員的在室率可能存在較大差別。 再次， 要考慮數據本身的問題。 世界本身是發展變化的， 人口和房屋也是發展變化的， 因此，再精確的數據也無法做到和現實同步， 這是不可避免的矛盾； 但是不可否認的是相同方法下產生的數據， 一般來說時段越新， 數據應該越準確。 除了社服工程統一部署的公里格網數據外， 可能不同地區還產出了更精確的數據， 比如山東省地震局根據六普房屋數據結合遙感影像產出的房屋數據［51］， 模型在這些地方使用時， 做相應的調整可能會取得更好的效果。

4 結論

基于高精度的房屋和人口數據， 以2014 年“8.03” 魯甸地震和2012 年“9.07” 彝良地震為樣本， 建立了地震壓埋人員和緊急搜救區評估模型。 人員壓埋數與公里格網人口數量、 公里格網不同建筑結構的房屋面積及房屋易損性、人類行為（人員在室率） 等因素關系密切。 本研究中， 人口和房屋數據使用社服工程統一部署的高精度公里格網數據， 房屋易損性數據采用災評報告中的房屋毀壞率數據， 壓埋數據用震后自然村尺度的房屋倒塌人員死亡數據。 人類行為中的人員在室率使用基于對昭通地區不同時段的人員在室率的經驗值。 從模型看， 相同地震動（本研究使用地震烈度）影響下，房屋倒塌人員壓埋人數與人口密度、房屋數量、房屋倒塌率、人員在室率成正相關關系。使用本研究產出的模型，能定量評估基于公里格網的緊急搜救區。 從模型和數值特征看，緊急搜救區是房屋倒塌壓埋人員數量的一個布爾函數。

從模型反演結果看，研究結果的準確性能有效提升應急管理服務效能。根據評估模型反演魯甸地震的房屋倒塌壓埋人員總數396人，比實際傷亡少86人，誤差率為17.5%；根據評估模型反演彝良地震的房屋倒塌壓埋人員總數15人，比實際傷亡多3人，誤差率為25.00%。反演結果與實際傷亡沒有數量級差別，且反演結果指示的應急響應等級與實際地震的需求一致，能為啟動適當的響應等級提供準確的數據支撐。根據模型反演得到魯甸地震共有8個緊急搜救區，緊急搜救區面積災區占總面積的0.37%。這8個緊急搜救區因房屋倒塌實際死亡共306人，占實際房屋倒塌死亡總數的63.75%。從反演結果看，模型評估能為應急期救援力量的合理高效部署提供準確的數據支撐。

模型評估結果與實際案例有一定偏差。除了模型本質特征外，數據本身、模型參數等是引起偏差的主要原因。因此模型在外推使用時，要考慮所在區域的區域性、數據本身的精度、人類行為等因子的影響，并依此對模型做相應的本地化調整。