基于AHP-熵權法的西寧地區汛期暴雨災害風險評估

謝 捷，劉 瑋，徐月順，雷春苗

（青海氣象服務中心，青海西寧 810001）

引言

強降水暴雨引發災害，沖毀農田，淹沒作物，破壞生活生產設施，導致地質災害發生或人員傷亡。由于50 mm以上暴雨在青海出現少，而造成災害的降水量往往達不到國家規定的暴雨標準。青海地形復雜、生態脆弱，對水源涵養能力低，短時局地的集中降水很容易引發災害。在2016－2020年間西寧地區暴雨災害損失高達2億元以上。對西寧各地區進行暴雨災害風險評估，總結規律，在防災減災工作中提供有效服務和決策依據。由于降水引發災害的不確定性，即便同一量級降水，影響程度也是不確定的。如脆弱環境疊加密集人口或經濟聚集區，則降水對人員安全生產生活、經濟的影響程度更為明顯。因此需結合本地環境背景與影響體對降水可能引發的災害風險進行定量評估。

災害風險的定量評估主要有基于主觀評價的賦權方法和基于客觀評價的賦權方法。災害評價研究中，劉媛媛等［1］用層次分析法和AHP-熵權法對孟印緬地區的洪水災害風險進行評估。楊帥等［2］用因子加權評價結合ArcGIS空間分析評估湖南暴雨洪澇災害損失。方建等［3］對暴雨洪水危險性、環境影響和人口經濟的暴露性進行評估得到網格單元風險等級。黃曦濤等［4］用“壓力狀態響應”模型與層次分析法對城市內澇脆弱性進行評價。黃懿等［5］用加權綜合評分法進行暴雨洪澇災害評估。文朝菊等［6］用層次分析法為云南山區小流域洪水災害風險區劃。蔡順堯等［7］采用基于三角模糊數的層次分析法（TFN-AHP）確定重慶山地城市的洪水風險。孟雅埠等［8］利用WMS和SMS軟件，建立貴州銅仁市流域水文模型，模擬重現20、50、100年暴雨降雨徑流強度與洪水災害過程，并進行風險評估。陳俊飛等［9］利用多層加權主成分分析（MLWPCA）法建立城市暴雨災害風險評估體系，評估南京城市暴雨災害風險等級。張嘉陽等［10］采用層次分析法、地理信息系統分析和綜合加權評價法對廣東臺風洪災風險進行評價。劉文成等［11］利用HEC-HMS水文模型和FLO-2D洪水模型，模擬中國臺灣南部城市上游流域的降雨徑流和洪水區域，用模糊德爾菲法和層次分析法得出因子權重，生成臺灣南部城區洪水災害風險圖。國外研究中Van Ginkel Kees C.H.等［12］用開放式街道地圖數據通過基于對象的方法和Huizinga損傷曲線對歐洲道路基礎設施的河流洪水風險進行建模與路網損傷精確估計。Othmer等［13］探討建立德國普適中小城市城市洪澇風險評估方法。Jihoon等［14］用主成分分析、廣義極值（GEV）分布和卷積概率方法推演評估氣候變化二氧化碳濃度RCP4.5與RCP8.5情景下未來時間段的洪水風險。文中以西寧地區為研究區，利用主觀評價的層次分析AHP法與客觀評價的熵權法來建立西寧地區暴雨災害的綜合風險指數。

1 研究區概況與數據來源

1.1 研究區概況

西寧地區位于青海東部河湟谷地，包括西寧市、大通、湟源、湟中5區2縣，是人口、經濟、農業種植的聚集區，暴雨災害頻發，對人們生產生活的影響非常明顯。如圖1（a）所示，西寧地區地形西高東低，西部為山區環繞，東部為河谷地區，貫穿大通河與湟水河。在全球變暖，青藏高原暖濕化氣候背景下，高原地區水循環加快［6］，使地區間降水出現明顯增多趨勢，大氣水循環的增加也造成極端降水災害增多，加劇災害風險。西寧雨季主要集中在5～10月汛期，以7、8兩月最大，暴雨災害多集中在汛期［7-8］。

圖1 西寧地區地形圖（a）與模型流程圖（b）Fig.1 Topographic map of Xining Area（a）and model flow chart（b）

1.2 研究數據來源

氣象暴雨災害資料是來自青海民政局1984－2016年氣象災情統計資料，通過災情信息分析得出青海各鄉鎮暴雨災害發生次數；西寧地區地理信息數據來自（http://www.tpdc.ac.cn）國家青藏高原科學數據中心的高程DEM數據（2014年），精度為25 m×25 m，運用ArcGIS軟件分別計算得出相應分辨率的坡度、河網密度和洼地；經濟人口數據來自（http://www.dsac.cn）地理國情監測云平臺2015年土地利用數據，精度為1 km×1 km和青海省統計年鑒；氣象數據來自CIMISS數據平臺，選擇西寧地區2016－2020年汛期期間5～10月的日降水數據與小時降水數據。

柵格數據中高程DEM數據分辨率為25 m×25 m，人口、經濟、土地利用數據精度為1 km×1 km，因此利用ArcGIS統一數據分辨率，通過環境設置統一坐標為GCS_WGS_1984，利用空間重采樣、掩膜或最鄰近（NEAREST）等插值方法對柵格數據分辨率進行統一處理，將高分辨率區轉換為相對低分辨率，對站點數據也按照統一分辨率1 km×1 km和坐標進行環境設置插值計算。

2 研究方法

2.1 評估模型

建立西寧地區暴雨災害風險評估體系，對環境敏感性、承災體易損性與氣象危險性用主觀層次分析法（AHP）和客觀熵權法以及AHP-熵權組合法確定評估指標相應權重［1，18－19］，具體步驟如圖1（b）所示，計算出暴雨災害風險指數。首先統一量綱對數據進行標準化處理，再計算各指標相應權重，根據權重系數分別計算出敏感性指數、易損性指數和危險性指數，最后計算出暴雨綜合風險指數。式中，S ij（x）、Vi j（x）、Hij（x）是統一量綱標準化計算后的各指標值，乘以評估因子對應權重系數W，分別得出暴雨災害風險評估模型中的敏感性指數S（x）、易損性指數V（x）、危險性指數H（x）與綜合風險指數R（X），計算公式如（1）～（4）所示。

2.2 指標數據的處理

從孕災環境敏感性S、承災體易損性V和致災因子氣象因素H三方面選取西寧地區暴雨災害評價指標（如圖2所示）。敏感性因子S選取海拔（S1）、地形的坡度（S2）、河網的密度（S3）、洼地面積（S4）；承災體V的易損性選取西寧地區人口數（V1）、耕地面積（V2）和GDP（V3）；致災因子H的危險性選取西寧地區汛期期間（5～10月）的汛期總降水量（H1）、小時降水≧5 mm次數（H2）、小時降水≧10 mm次數（H3）、日降水≧10 mm次數（H4）、日降水≧25 mm次數（H5）、暴雨災害次數（H5）。

圖2 西寧地區暴雨災害風險評價指標體系Fig.2 Index system of rainstorm disaster risk assessment in Xining

2.2.1 孕災環境

評價指標孕災環境的敏感性選取海拔（S1）、坡度（S2）、河網密度（S3）和洼地面積（S4）來表示，包含下墊面的基本影響環境。

2.2.2 承災體

分析災情數據，暴雨災害損失基本圍繞著人的生活、生產與經濟。西寧地區是人口、經濟、農業種植的聚集區，暴雨災害對其造成的影響相比其他地區更為明顯，因此考慮人口數、農業耕地、經濟作為暴雨災害易損性因子，選取西寧地區人口數（V1）、耕地面積（V2）和GDP（V3）來評估。

2.2.3 致災因子

評價指標致災因子的危險性H選取西寧地區2016－2020年汛期期間的汛期總降水量（H1）、小時降水≧5 mm次數（H2）、小時降水≧10 mm次數（H3）、日降水≧10 mm次數（H4）、日降水≧25 mm次數（H5）以及1984－2016年間的暴雨災害次數（H5）作為危險性指標。西寧地區汛期降水時間集中在5～10月，由于青海地理生態環境的特殊性，很多暴雨災害的發生并不是一定要達到暴雨級別以上才致災，因此需考慮短時降水帶來的影響，選取小時降水強度作為災害評估因子［15］。

2.2.4 數據標準化

不同數據之間量綱不一致，為消除量綱影響，對數據進行標準化處理。采用極差變換法對正負方向指標數據進行標準化，其中正向指標是越大越明顯，負向指標則相反，各因子指標正負向由表1所示，正向指標由式（5）計算得到，負向指標由式（6）計算得到，

表1 各指標方向Table 1 Direction of each index

2.3 確定指標權重

2.3.1 層次分析法

主觀評價方法用層次分析法（Anaiytic Hierarchy Process，AHP）構建模型確定指標主觀權重。AHP法優點是利用較少的定量信息把決策思維數學化，形成定量與定性相結合的多準則決策方法［16，21－22］。具體步驟如表2所示，首先建立遞階層次結構，構造包含3層結構，然后根據1～9標度方法（表3）構造兩兩判斷矩陣，計算各指標主觀權重，最后并對其進行一致性進行檢驗（表4），看判斷矩陣是否合理。

表2 層次分析法確定主觀權重步驟Table 2 Determination of subjective weight by analytic hierarchy process

表3 常用1～9標度方法Table 3 Common 1～9 scaling methods

表4 平均隨機性一致性指標RITable 4 Average randomness consistency index R I

2.3.2 熵權法

客觀評價方法用熵權法對各指標進行客觀賦權。在信息論中，用熵來對不確定性進行度量，而風險本質表現出的也是不確定性，即熵的本質［23］。一般因子熵值越小，表明其變異程度越大，在綜合評價中的作用也越大，對應權重也越大，反之相反，因此通過引入熵權法來避免主觀因素對評價權重的影響［1，24］。熵權法計算權重，對m個研究指標，指標研究區的像元數為n，首先構建指標矩陣Yij，然后計算指標特征比值Pij，見式（7）：

然后根據標特征比值Pij和像元數n計算第j個指標的信息熵Ej，當標特征比值Pij=0時，令Pi jlnPij=0，計算得出指標的信息熵，見式（8）：

根據指標信息熵計算出對應的權重值Wj，其中0≦W j≦1，計算公式見式（9）：

最后根據每個指標的熵權重計算出綜合風險指數，見式（10）：

2.3.3 組合權重

綜合主觀權重WAHP與客觀權重W熵權法影響，運用線性組合法計算組合權重WAHP－熵權法［1］。為去除較大數據干擾影響，引入距離函數，計算出權重分配系數α與β，得出組合權重，最后得出3種方法計算出的各影響因子的權重，如表5所示。

表5 暴雨災害風險指標權重Table 5 Index weight of rainstorm disaster risk

引入主觀權重與客觀權重的距離函數公式（11）：

其中，WAHP代表層次分析法的指標權重，代表W熵權法熵權法的指標權重，確定組合權重的表達式見式（12）：

式中，α與β分別表示權重分配系數，同時α＋β=1，構造方程組見式（13）：

計算出α與β，代入式（12）算出各指標組合權重WAHP－熵權法。

3 結果分析

3.1 敏感性指標體系

暴雨災害孕災背景環境的敏感性主要考慮地形海拔（圖3（a））、地形坡度（圖3（b））、河網密度（圖3（c））和洼地（圖3（d））因素。

圖3 西寧地區敏感性指標體系空間分布Fig.3 Spatial distribution of sensitivity index system in Xining Area

利用西寧高程DE M數據，運用ArcGIS軟件分別計算得出相應的1 km×1 km分辨率的柵格數據，并對其進行歸一化處理，根據權重，利用柵格計算工具計算敏感性指數，如圖3（a）所示。起伏的山地河谷氣候引導、抬升或阻隔降水，西寧地區海拔西高東低，西部為山區，東部是河谷地帶。地形坡度越大，降水徑流越大，沖刷土壤，易造成水土流失，影響下墊面穩定性。河網密度表示地區河流密集程度，密度大的地區土壤滲透率差，降水量相對豐沛，間接顯示下墊面氣候狀態，當上游有較強或連續降水時，會導致下游河流各支流水位上漲，增加洪澇致災風險。洼地地形相對低于周圍地面，是降水與徑流的匯聚區，易產生積水或洪澇，尤其沿河洼地和河口洼地是暴雨災害最嚴重的的區域，強降水下極易導致洪澇災害［25］。

3.2 易損性指標體系

承災體的易損性考慮人口數（圖4（a））、耕地面積（圖4（b））和GDP（圖4（c）），根據2015年土地利用數據、西寧統計年鑒分別匯總出西寧地區的耕地分布，人口數和GDP值，通過ArcGIS軟件分別計算統一分辨率為1 km×1 km的柵格數據，并對其柵格數據進行歸一化處理，根據各指標權重，利用ArcGIS軟件柵格計算工具獲得易損性指數。人口數與地區經濟水平成正比，人口數的分布體現了城市與農村的差別，在人口密集區暴雨災害帶來的影響和損失較為嚴重，因此考慮人口數與GDP值為易損性指標。災情統計中暴雨災害80%以上受災均有農業，大部均是露天耕地，直接受天氣影響，因此選擇耕地面積做為易損性指標。

圖4 西寧地區易損性指標體系空間分布Fig.4 Spatial distribution of vulnerability index system in Xining Area

3.3 危險性指標體系

致災因子危險性主要考慮西寧地區2016－2020年5～10月汛期期間的汛期總降水量（圖5（a））、小時降水≧5 mm次數（圖5（c））、小時降水≧10 mm次數（圖5（d））、日降水≧10 mm次數（圖5（e））、日降水≧25 mm次數（圖5（f））以及1984－2026年間暴雨災害次數（圖5（b））。利用ArcGIS進行空間插值得出1 km×1 km柵格數據，進行歸一化處理，再根據各指標權重，利用柵格工具計算危險性指數。

統計西寧地區2016－2020年5～10月汛期降水數據與1984－2016年歷史暴雨災情數據，汛期平均總降水量在293～590 mm之間（如圖5（a）所示），其中有16個鄉鎮汛期平均總降水量超過500 mm，分別是大通縣的寶庫、東峽、極樂、向化、青山、青林、斜溝、良教、橋頭9個鄉鎮，湟源縣大華鎮，湟中區的上新莊、上五莊、群加、大才、漢東和土門6個鄉鎮。1984－2016年間歷史暴雨災害次數（如圖5（b）所示）集中鄉鎮分別是大通寶庫鄉，湟源巴燕鄉和日月藏族鄉，湟中多巴鎮和攔隆口鎮以及城北區朝陽街道。汛期期間小時降水量≧5 mm次數（如圖5（c）所示），年均次數≧12次的鄉鎮多集中在大通縣及湟中部分鄉鎮，分別位于大通的橋頭、極樂、東峽、寶庫、良教、向化、斜溝、樺林、塔爾、新莊、城關和石山12個鄉鎮和湟中的群加藏族鄉和土門關鄉，其中最多出現在大通橋頭鎮，年均出現18次。汛期期間小時降水量≧10 mm次數（如圖5（d）所示）最大出現在大通橋頭鎮，其次是大通東峽鎮和極樂鄉。日降水量≧10 mm年均次數（如圖5（e）所示）≧20次鄉鎮有湟中上新莊鎮、上五莊鎮和群加藏族鄉，大通寶庫鄉和東峽鎮。日降水量≧25 mm次數（如圖5（f）所示）最大出現在大通寶庫鄉，年均出現4次以上，大通東峽鎮、橋頭鎮及湟中大才回族鄉、上新莊鎮、上五莊鎮和群加藏族鄉年均出現3次以上。

圖5 西寧地區危險性指標體系空間分布Fig.5 Spatial distribution of risk index system in Xining Area

3.4 暴雨災害風險評估

將暴雨風險因子指標的空間分布（圖3～圖5）、敏感性指數（圖6（a））、易損性指數（圖6（b））和危險性指數（圖6（c））的空間分布與其對應權重（表5），根據風險評估模型計算出暴雨災害風險指數。通過ArcGIS自然間斷點分級法（Jenks）將暴雨災害風險的空間分布劃分為（低、較低、中等、較高、高）5個等級進行顯示（如圖7），利用層次分析法、熵權法以及AHP－熵權法組合法獲得的風險分布圖。

3.4.1 各指標層風險評估

如圖6（a）所示，西寧市區敏感性指數高于其他區縣，其中最大位于城北區，最低位于湟源縣。敏感性指數最大前12位鄉鎮分別位于大通寶庫鄉、城東互助中路社區、城中飲馬街街道、湟中田家寨鎮、城東林家崖社區、大通長寧鎮、湟中多巴鎮、城東周家泉社區、湟中甘河工業園、城西勝利路街道、城北大堡子鎮、城中南川工業園，其中最大位于大通寶庫鄉；如圖6（b）所示，西寧區縣平均易損性指數最高位于湟中區，其次是湟源縣和大通縣，西寧市區除城北區較高，其他地區平均易損性指數都較低。易損性指數最大前12位鄉鎮分別位于湟中的多巴、田家寨、上五莊、攔隆口、上新莊、李家山、西堡、海子溝和魯沙爾9個鄉鎮，城中總寨鎮，大通長寧鎮和寶庫鄉，其中最大位于湟中多巴鎮；如圖6（c）所示，區縣平均危險性指數排位分別是大通縣＞湟中區＞湟源縣＞城北區＞城東區，其中危險性指數最大前12位鄉鎮分別位于大通的寶庫鄉、橋頭鎮、東峽鎮、極樂鄉、向化藏族鄉、樺林鄉和塔爾鎮，湟中的上五莊鎮、上新莊鎮、群加藏族鄉和大才回族鄉，城北區馬坊街道，其中危險性指數最大位于大通寶庫鄉。

圖6 西寧地區指標層風險評估Fig.6 Risk assessment of index layer in Xining Area

3.4.2 層次分析法、熵權法與AHP－熵權組合法風險評估

利用層次分析AHP法計算風險分布，利用ArcGIS區域分析計算出各鄉鎮區域不同等級風險的面積，從西寧地區各區縣及各鄉鎮風險占比來看（圖7（a），表6～7），西寧地區5區2縣中，暴雨災害高風險占比最大的是西寧城北區，占31.4%，其次是湟源縣、大通縣和湟中區，分別占比27.6%、26.1%和22.8%。較高以上風險的面積占比超過50%的鄉鎮主要集中在城北的馬坊街道、生物科技產業園、大堡子鎮和廿里鋪鎮；湟源縣的波航、城關和申中3個鄉鎮；大通縣的景陽、橋頭、黃家寨、石山、多林、新莊、塔爾、良教、朔北和長寧9個鄉鎮；湟中區的甘河工業園、西堡、甘河灘、多巴、海子溝和攔隆口6個鄉鎮。

圖7 西寧地區層次分析法、熵權法與AHP-熵權組合法風險評估Fig.7 Risk assessment of AHP，entropy weight and combination method in Xining Area

利用熵權法計算暴雨災害風險分布（圖7（b），表6～7），高風險占比最大依舊是西寧城北區，占比面積達49.0%，高于AHP法，依次是湟源、大通和湟中，分別面積占比21.8%、19.8%和17.1%。較高以上風險的面積占比超過50%的鄉鎮主要集中在城北區的朝陽街道、馬坊街道、小橋大街、生物科技產業園、大堡子鎮和廿里鋪鎮；湟源縣的城關鎮、申中鄉；大通縣的景陽、橋頭、黃家寨、石山、多林、新莊、塔爾、朔北和長寧8個鄉鎮；湟中區的甘河工業園、西堡、甘河灘、多巴、海子溝和攔隆口6個鄉鎮。

表6 西寧地區各區縣暴雨災害風險等級比例Table 6 The proportion of rainstorm disaster risk grade in Xining Area

利用AHP-熵權組合法獲得風險分布（圖7（c），表6～表7），暴雨災害高風險最大占比區與前兩者方法得出一致在西寧城北區，面積占比介于兩者之間（37.0%），其次是湟中地區（21.5%）、大通縣（19.1%）和湟源縣（17.0%）。較高以上風險的面積占比超過50%的鄉鎮主要集中區域在城北區的馬坊街道、生物科技產業園、大堡子和廿里鋪鎮；湟中區的漢東、甘河工業園、西堡、甘河灘、多巴、海子溝和攔隆口7個鄉鎮；大通縣的景陽、橋頭、黃家寨、石山、多林、新莊、塔爾、朔北和長寧9個鄉鎮；湟源縣的波航、申中和城關3個鄉鎮。

表7 西寧地區高與較高風險總占比≧50%的鄉鎮Table 7 Villages and towns with high and sub high risk accounting for more than 50%in Xining area

3.4.3 熵權法、AHP法與AHP-熵權組合法風險評估比較

利用ArcGIS區域分析對風險評估的柵格數據進行面積制表計算出各鄉鎮區域不同等級風險的面積，并計算各區縣及鄉鎮風險面積占比，對3種評估方法計算出的各鄉鎮較高以上風險面積占比進行兩兩比較，得出其風險分布的差異。

熵權法相比AHP法，大通縣的向化、景陽、橋頭、寶庫、朔北5個鄉鎮較高以上風險面積占比偏高0.4%～34%，尤其寶庫鄉偏高34%，橋頭鎮偏高15.2%，其余地區則偏低0.2%～8.1%；湟源縣除城關鎮、寺寨鄉、巴燕鄉偏高0.24%～4.9%，其余地區均偏低0.2%～4.4%；湟中區除共和、魯沙爾、大才、上五莊4鄉鎮偏高0.3%～11.8%，尤其上五莊鎮偏高11.8%，其余地區均偏低0.1%～12.9%；其中田家寨鎮、甘河工業園、西堡鎮、甘河灘鎮、海子溝鄉偏低7%以上，尤其甘河灘鎮偏低12.9%；西寧城北區除生物科技產業園偏低4.1%，其余地區均偏高0.3%～32.3%，尤其朝陽街道、小橋大街、馬坊街道偏高28%以上；城西區均呈偏高，城東區除東關社區和韻家口鎮分別偏低30.5%和8.6%，其余地區均持平；城中區南川工業園、總寨鎮、南川東路街道偏低3.9%～7.2%，其余地區均偏高。

AHP-熵權組合法相比AHP法，大通縣的景陽、橋頭、寶庫、多林和長寧5個鄉鎮偏高0.85%～21.4%，其中寶庫鄉偏高21.4%，其余地區則持平或偏低0.4%～7.5%；湟源縣除波航鄉和寺寨鄉略偏低，其余地區均偏高，尤其城關鎮偏高4%；湟中區除西堡鎮偏高4.2%，其余地區占比面積差別不明顯；西寧城北區除生物科技產業園持平，馬坊街道持平略偏低0.1%，其余地區均偏高1%～5.9%，其中廿里鋪鎮偏高5.9%；城東區韻家口鎮偏低6.1%，東關社區、樂家灣鎮分別偏高10.7%和1.7%，其余地區均持平；城西區的虎臺街道和彭家寨鎮偏高7.1%和3.5%，其余地區均持平；城中區除南川西路街道偏低9.6%，倉門街、人民街、飲馬街和禮讓街持平，其余地區偏高1.4%～40%，尤其南灘街道偏高40%，南川東路街道偏高11.7%。

3.5 結果驗證

通過分析2016－2020年5年間西寧地區歷史暴雨災害事件（如圖8（a），表8）得出，大通縣在2018年、2019年和2020年發生暴雨災害，均發生在8月中下旬，經濟損失在656～2 272萬元之間，均伴有農作物受災損失，3年間高與較高風險面積占比≧50%的鄉鎮受災達90%，鄉鎮受災中橋頭、塔爾、良教3鄉鎮連續3年發生降水災情，黃家寨和新莊鎮發生了2次；湟源縣暴雨災害2016年發生了2次，2020年發生了1次，均發生在8月中下旬，經濟損失在2 542～8 740萬元之間，均伴有農作物受災損失，3年間高與較高風險面積占比≧50%的鄉鎮受災達100%，鄉鎮受災中波和平、日月、波航、城關、大華5鄉鎮發生了3次；湟中區在2018－2020連續3年發生了9次暴雨災害，7、8、10月有發生，其中8月發生最多，經濟損失2～1 152萬元之間，高與較高風險面積占比≧50%的鄉鎮受災達100%，鄉鎮受災中田家寨、魯沙爾、多巴、海子溝4鄉鎮每年都發生降水災情，其中田家寨鎮和海子溝鄉每年甚至發生多次降水災害；西寧市區2016和2018年只有城北區發生了2次暴雨災害，分別發生在7、8月，經濟損失為30和518萬元，城北區高與較高風險面積占比≧50%的鄉鎮街道受災比為50%，分別是馬坊、大堡子和廿里鋪，其中大堡子鎮發生了2次。

圖8 2016-2020年西寧地區暴雨災害事件Fig.8 Rainstorm disaster events in Xining from 2016 to 2020

表8 2016-2020年間西寧地區暴雨災情Table 8 Rainstorm disaster in Xining area from 2016 to 2020

大通、湟源、湟中高頻受災鄉鎮與高與較高風險面積占比≧50%鄉鎮有較好對應，西寧市區城北區有對應，其他區在2016－2020年間無災情發生，這也許與城市應急防災減災能力有關，從而減少了暴雨災害發生。在考慮較高以上風險面積占比之外，還需注意局部小范圍的高風險點（表9所示），如大通寶庫鄉雖然在2016－2020年間受災1次，但在大通歷史上暴雨受災次數最多，其暴雨風險值均是最高的；湟源縣各鄉鎮平均暴雨風險指數相比其他區縣值較低，但暴雨災害發生整體頻率與集中程度均高于其他區縣（圖8（a）），2016－2020年間各鄉鎮暴雨受災次數甚至趕超1984－2016年間受災次數，這其中也有災情記錄方式改進的因素。其中日月鄉洼地面積在西寧地區各鄉鎮排第七，河網密度排第二。湟源各鄉鎮平均地形坡度在［16，23］之間，為陡坡，其中大華鎮和東峽鄉的平均地形坡度為＞20°，在短時強降水下易受到水流匯集侵蝕；湟中區的田家寨鎮雖然較高以上風險面積占比并不最高，AHP法占比35.7%，熵權法占比26.4%，AHP-熵權組合法占比35.7%，然而田家寨鎮的暴雨災害風險指數較高（如圖8（b）），AHP法風險指數區間［0.14，0.59］中田家寨鎮暴雨災害風險指數為0.49；熵權法風險指數區間［0.1，0.5］中田家寨鎮風險指數為0.35；AHP-熵權組合法風險指數區間［0.1，0.5］中田家寨風險指數為0.35。田家寨鎮5年間暴雨災害發生了7次，與暴雨災害風險指數相匹配，尤其易損性指數在鄉鎮排行第二高，易損性指數區間［0，0.77］中田家寨鎮高達0.69，敏感性指數鄉鎮排行第四高，在［0.1，0.55］區間達0.42（如圖8（c））；西寧市區廿里鋪鎮各平均指數在［0.21，0.26］之間，不算大，但該地區洼地面積相對整個市區排第四，約為5萬m2，最大是城北大堡子鎮大致為9萬m2，因此該地在排水功能不暢情況下，強降水易引發積水。

表9 西寧地區暴雨相關風險指數較大鄉鎮Table 9 Villages and towns with large rainstorm related risk index in Xining Area

4 討論

目前風險評估方法有基于歷史數據的數理統計；指標評價方法如模糊綜合評價、主成分分析、灰色關聯、綜合加權、層次分析法，同時這些方法結合數理、水文模型、GIS技術和遙感衛星數據進行評估；還有根據歷史數據、情境數據模擬未來風險評估。本研究依據現有精度數據結合歷史數據、氣象、環境、社會因子采用主觀賦權的層次分析法結合客觀信息定量分析賦權的熵權法來評估各因子影響下的暴雨災害風險，在參考人為主觀經驗的同時，考慮客觀環境數據被忽略的潛在影響。由于在氣候變化背景下，氣象環境因素的不穩定性加強，如何適應越來越非常規的環境變化，因此選取結合信息熵評價方法進行綜合評估與對比，利用地理信息空間分析繪制風險分布圖。

先前關于青海暴雨災害研究，李萬志等［16］用AHP法得出縣級暴雨洪澇災害風險區劃與本文得出的區縣結果大體符合。馬偉東等［15］分析得出青藏高原極端降水閾值范圍在7.8～51.9 mm之間，均值為23 mm。由于高原環境的脆弱性，即便達不到中到大雨，小時較強的降水也會引發災害，因此考慮降水因子時，不僅要考慮日降水量，還需考慮小時降水量。

由于降水引發災害是一個復雜系統，對災害評估需考慮相應的地形、土地利用、社會經濟、設施、氣象、災害等數據做支撐，本文土地利用只選取耕地信息做災害評估，沒有考慮植被覆蓋、土地類型等因素，社會經濟方面沒有考慮對交通、電力、建筑等設施影響，如評估需根據實際需求對影響因子進行增減選取，做有針對性的災害風險評估。

今后研究暴雨災害風險評估可結合運用水文模型或洪水模型構建降水影響，也可根據情景環境模擬重現不同時間的災害影響。更為精確的風險評估需要更為精細的數據做支撐，因此今后研究中需結合遙感衛星等多元數據進行風險評估。

5 結論

本研究用層次分析法與熵權法對西寧地區5區2縣的暴雨災害進行風險評估，結論如下：

（1）降水災害風險市區敏感性高于區縣，城北區最敏感，鄉鎮最敏感區位于大通寶庫鄉。湟中區易損性指數最高，鄉鎮最大位于多巴鎮。大通縣危險性指數最高，鄉鎮最大位于寶庫鄉。暴雨災害高風險面積占比最大位于城北區，其次是湟源縣、大通縣和湟中區，鄉鎮高風險區主要位于大通的寶庫、長寧和橋頭3鄉鎮，湟中的田家寨、上新莊、多巴、上五莊、海子溝、攔隆口和李家山7鄉鎮，城北區的馬坊街道和大堡子鎮，綜合風險指數最大位于大通寶庫鄉。

（2）3種方法風險結果比較，熵權法更能突出局部鄉鎮的較高以上風險評估，如突出了大通縣寶庫鄉與橋頭鎮、湟中區上五莊鎮、城北區大部地區的較高以上風險。組合法則平衡了熵權法與AHP法的共同影響，既考慮了主觀經驗，也考慮數據的客觀影響。

（3）利用降水災情數據進行檢驗，得出熵權法、AHP法和組合法對暴雨災害評估均具有一定可靠性，同時發現風險評估中，較高以上風險面積占比大于50%的鄉鎮與實際災情具有較好對應，敏感性和易損性指數與實際局地災情的發生具有較好的對應關系。同時熵權法、AHP-熵權組合法可以根據后期數據的更新積累其權重也可以不斷地動態更新訂正，因此更能適用于不斷變化的氣候環境背景。