臺(tái)風(fēng)-洪澇災(zāi)害鏈影響人口風(fēng)險(xiǎn)評(píng)估-以海南省為例

臺(tái)風(fēng)—洪澇災(zāi)害鏈影響人口風(fēng)險(xiǎn)評(píng)估——以海南省為例摘要在全球氣候變化及經(jīng)濟(jì)發(fā)展背景下，極端天氣/氣候事件對(duì)社會(huì)經(jīng)濟(jì)造成的影響日益加劇。我國(guó)東南沿海地區(qū)臺(tái)風(fēng)及其導(dǎo)致的洪澇災(zāi)害頻發(fā)，人口與經(jīng)濟(jì)的集聚，使得該地區(qū)臺(tái)風(fēng)—洪澇災(zāi)害風(fēng)險(xiǎn)進(jìn)一步增大。在此背景下開(kāi)展多災(zāi)種自然災(zāi)害風(fēng)險(xiǎn)研究對(duì)該地區(qū)防災(zāi)減災(zāi)、災(zāi)害管理和區(qū)域可持續(xù)發(fā)展具有重要的意義。本文選取海南省為研究區(qū)，依據(jù)區(qū)域?yàn)?zāi)害系統(tǒng)理論，從致災(zāi)因子危險(xiǎn)性、承災(zāi)體脆弱性兩個(gè)方面，對(duì)海南省臺(tái)風(fēng)—洪澇災(zāi)害鏈影響人口風(fēng)險(xiǎn)進(jìn)行了定量評(píng)估與分析?；跉庀髷?shù)據(jù)，將日降雨量與極大風(fēng)速分別作為暴雨和大風(fēng)災(zāi)害的表征變量，擬合日降雨量與極大風(fēng)速的單變量概率分布函數(shù)，考慮到變量之間的相關(guān)引入Copula函數(shù)，將兩個(gè)單致災(zāi)因子的概率分布函數(shù)連接得到多致災(zāi)因子的聯(lián)合概率分布和重現(xiàn)期，基于概率分布曲面和重現(xiàn)期曲面進(jìn)行致災(zāi)因子危險(xiǎn)性分析。基于歷史災(zāi)情數(shù)據(jù)，利用廣義加性模型（Generalizedadditivemodels，GAMs），分析了各要素與影響人口的關(guān)系，建立了臺(tái)風(fēng)—洪澇災(zāi)害鏈影響人口定量脆弱性模型。最后，利用致災(zāi)因子危險(xiǎn)性和影響人口脆弱性模型，擬合出損失-概率曲線，對(duì)海南省臺(tái)風(fēng)—洪澇災(zāi)害鏈影響人口進(jìn)行了風(fēng)險(xiǎn)評(píng)估。論文得到的主要結(jié)論如下：（1）根據(jù)日降雨量與極大風(fēng)速擬合概率分布曲面，繪制的不同等級(jí)的致災(zāi)因子組合圖發(fā)現(xiàn)，隨著日降雨量和極大風(fēng)速的增大，重現(xiàn)期均呈現(xiàn)增大的趨勢(shì)，但重現(xiàn)期在縱向的變化比橫向更明顯，說(shuō)明重現(xiàn)期對(duì)日降雨量的變化更敏銳。（2）基于歷史數(shù)據(jù)擬合的臺(tái)風(fēng)—洪澇災(zāi)害鏈影響人口脆弱性模型顯示，各要素中日降雨量、極大風(fēng)速、災(zāi)害發(fā)生年份對(duì)影響人口有顯著的正向貢獻(xiàn)，GDP對(duì)影響人口有顯著的負(fù)向貢獻(xiàn)，海拔高度與影響人口關(guān)系曲線中出現(xiàn)了兩個(gè)峰值點(diǎn)27m、143m，該高程點(diǎn)對(duì)應(yīng)的行政區(qū)域?yàn)槲牟?、萬(wàn)寧市。（3）根據(jù)損失-概率曲線，繪制出的不同重現(xiàn)期的災(zāi)害風(fēng)險(xiǎn)圖發(fā)現(xiàn)，在50和100年一遇的條件下，海南省臺(tái)風(fēng)—洪澇災(zāi)害風(fēng)險(xiǎn)，沿海大于內(nèi)陸，東部大于西部；在200和500一遇的條件下，海南省臺(tái)風(fēng)—洪澇災(zāi)害風(fēng)險(xiǎn)，沿海大于內(nèi)陸，西部大于東部。關(guān)鍵詞：臺(tái)風(fēng)—洪澇災(zāi)害鏈；致災(zāi)因子聯(lián)合概率分布；廣義相加模型；定量風(fēng)險(xiǎn)評(píng)估；海南省目錄TOC\o"1-3"\h\u第一章緒論 表4.3解釋變量描述性統(tǒng)計(jì)分析變量定義均值標(biāo)準(zhǔn)差A(yù)ffPopulation相關(guān)系數(shù)VIF偏差解釋相對(duì)影響力AffPopulation影響人口（人）77541.35123266.28AffProportion影響人口比率（%）Year災(zāi)害發(fā)生年份--0.140*1.5021.96%6.067Population總?cè)丝冢ㄈ耍?15933.39225142.310.0343.431--GDP國(guó)內(nèi)生產(chǎn)總值（億元）35.77952.8830.0862.9261.59%6.881sumRain累計(jì)降雨量（mm）185.533155.3890.231**6.0395.35%9.683maxRain最大降雨量（mm）121.09585.8530.236**4.9696.9%46.580maxWind最大風(fēng)速（m/s）20.2497.7930.225**1.1395.08%27.977Elevation海拔高度（m）134.3397.17-0.0121.7742.32%2.232Duration持續(xù)天數(shù)（天）3.13.590.0301.6890.728%0.575注：相關(guān)系數(shù)是預(yù)測(cè)變量與每個(gè)解釋變量的Pearson相關(guān)分析結(jié)果；VIF：方差評(píng)價(jià)因子是將所有解釋變量帶入模型，用線性回歸中共線性判斷得到的結(jié)果；偏偏差解釋能力是每個(gè)單解釋變量與預(yù)測(cè)變量采用GAM模型擬合后的響應(yīng)結(jié)果。相對(duì)影響力是通過(guò)增強(qiáng)回歸樹(shù)模型(Boostedregressiontrees,BRT)對(duì)解釋變量進(jìn)行的相對(duì)重要性（或相對(duì)貢獻(xiàn)度）排序。**顯著性（雙尾）水平0.01；*顯著性（雙尾）水平0.05序號(hào)公式adj-R2偏差解釋率（%）AICGCV10.20825.2%2195.871548.3820.21025.0%2194.326544.5730.15917.7%2202.503562.0340.12614%2210.466580.85表4.4最優(yōu)模型結(jié)果分析通過(guò)對(duì)災(zāi)害時(shí)長(zhǎng)、累計(jì)降雨量、日降雨量、極大風(fēng)速、海拔高度、國(guó)內(nèi)生產(chǎn)總值、災(zāi)害發(fā)生年份和人口數(shù)量這8個(gè)解釋變量進(jìn)行二變量之間的相關(guān)分析，可看出致災(zāi)因子方面累計(jì)降雨量與日降雨量在0.01級(jí)別(雙尾）相關(guān)性顯著，相關(guān)系數(shù)為0.851；設(shè)防水平方面災(zāi)害發(fā)生年份與國(guó)內(nèi)生產(chǎn)總值在0.01級(jí)別(雙尾）相關(guān)性顯著，相關(guān)系數(shù)為0.224；海拔高度與人口、國(guó)內(nèi)生產(chǎn)總值和災(zāi)害發(fā)生年份多變量之間相關(guān)性顯著；災(zāi)害時(shí)長(zhǎng)與累計(jì)降雨量、日降雨量和災(zāi)害發(fā)生年份多變量之間相關(guān)性顯著。從各解釋變量的均值和標(biāo)準(zhǔn)差可知，一場(chǎng)災(zāi)害平均影響人口為77541，影響率高于18%，且每場(chǎng)災(zāi)害造成的損失差異較大，標(biāo)準(zhǔn)差波動(dòng)超過(guò)12萬(wàn)人。致災(zāi)因子方面，一場(chǎng)災(zāi)害持續(xù)平均持續(xù)天數(shù)為3天；累計(jì)降雨量和日最大降雨量的平均值分別為185mm和121mm，已達(dá)到大暴雨等級(jí)；平均日最大風(fēng)速為20.2，已達(dá)到烈風(fēng)等級(jí)。通過(guò)臺(tái)風(fēng)—洪澇災(zāi)害鏈描述統(tǒng)計(jì)分析可知，災(zāi)害強(qiáng)度與影響人口數(shù)之間顯著相關(guān)。整體上看，影響人口與累計(jì)降雨量、日降雨量和日極大風(fēng)速呈正相關(guān)，這一結(jié)果與GAMs模型分析結(jié)果相同。單變量的GAMs模型結(jié)果顯示，累計(jì)降雨量、日降雨量、極大風(fēng)速和高程對(duì)影響人口（AffPopulation）有較好的解釋能力。通過(guò)BRT模型得到的相對(duì)影響力表明，災(zāi)害發(fā)生年份、國(guó)內(nèi)生產(chǎn)總值、累計(jì)降雨量和海拔高度對(duì)影響人口率(AffProportion)有較好的解釋能力，對(duì)于影響人口（AffPopulation），解釋變量累計(jì)降雨量、日降雨量和最大風(fēng)速在模型中最為重要，累計(jì)相對(duì)影響力為84.24%。4.2各解釋變量的相對(duì)影響力4.2.2影響人口脆弱性評(píng)估模型選取模型評(píng)價(jià)指標(biāo)a）赤池信息準(zhǔn)則（AIC）對(duì)于給定的數(shù)據(jù)集，赤池信息準(zhǔn)則（AIC）是一個(gè)\o"估計(jì)"估計(jì)的相對(duì)質(zhì)量的\o"統(tǒng)計(jì)模型"統(tǒng)計(jì)模型。給定數(shù)據(jù)模型集合的前提下，AIC會(huì)評(píng)估每個(gè)模型的質(zhì)量。因此，AIC提供了一種\o"型號(hào)選擇"模型選擇方法。b）廣義交叉驗(yàn)證（GCV）廣義交叉驗(yàn)證（GCV）來(lái)比較模型子集預(yù)測(cè)用于估算新數(shù)據(jù)的能力，以便選擇最佳子集，標(biāo)記\o"過(guò)度擬合"過(guò)度擬合或\o"選擇偏見(jiàn)"選擇偏差等問(wèn)題[3]。在實(shí)際應(yīng)用中GCV的較低值更好。GCV計(jì)算公式如下：（4.3）其中，是在訓(xùn)練數(shù)據(jù)上測(cè)量的殘差平方和，是觀測(cè)數(shù)（x矩陣中的行數(shù)），是MARS模型計(jì)算的指定參數(shù)因子。模型選取在模型選取方面，一般分為兩種模型：第一種模型包含最少的解釋變量，即“最簡(jiǎn)模型”；第二種模型至少包含每個(gè)變量組（致災(zāi)因子、孕災(zāi)環(huán)境、設(shè)防能力、承災(zāi)體）中的一個(gè)，即“全模型”?；趯?duì)4.2.1章節(jié)的討論，對(duì)不同解釋變量進(jìn)行組合，對(duì)模型進(jìn)行調(diào)整，調(diào)整模型中k值（平滑指數(shù)）、family（擬合分布）、method（平滑參數(shù)估計(jì)方法）和b（樣條函數(shù)）等參數(shù)。依據(jù)赤池信息準(zhǔn)則（AIC）、廣義交叉驗(yàn)證（GCV）較小為最優(yōu)模型的原則比較表4.4中的四個(gè)模型，可發(fā)現(xiàn)模型2的adj-R2為0.210，偏差解釋率為25%，AIC為2194.326，GCV為544.57，為四個(gè)模型中的最優(yōu)全模型。4.3人口脆弱性評(píng)估結(jié)果分析在最優(yōu)權(quán)模型2中，影響人口為預(yù)測(cè)變量，日降雨量、極大風(fēng)速、GDP、災(zāi)害發(fā)生年份和海拔高度為解釋變量，將上述變量帶入GAMs模型中，得到分析響應(yīng)曲線如圖4.3所示。圖4.3影響人口的最優(yōu)模型響應(yīng)曲線基于歷史數(shù)據(jù)擬合的臺(tái)風(fēng)—洪澇災(zāi)害鏈影響人口脆弱性模型顯示，日降雨量和極大風(fēng)速對(duì)影響人口有顯著的正向貢獻(xiàn)，當(dāng)日降雨量大于100mm時(shí)（達(dá)到暴雨等級(jí)）；極大風(fēng)速大于20m/s（達(dá)到烈風(fēng)等級(jí)）會(huì)產(chǎn)生影響人口。國(guó)內(nèi)生產(chǎn)總值在0-180區(qū)間內(nèi)，響應(yīng)曲線上升，即影響人口會(huì)隨著國(guó)內(nèi)生產(chǎn)總值的增加而增加；當(dāng)國(guó)內(nèi)生產(chǎn)總值大于180億元時(shí)，影響人口會(huì)隨著國(guó)內(nèi)生產(chǎn)總值的增加而減少，并在320億元左右趨于平穩(wěn)。災(zāi)害發(fā)生年份對(duì)影響人口有顯著的正向貢獻(xiàn)，因海南省各行政區(qū)人口基數(shù)都呈上升趨勢(shì)，各行政區(qū)的人口密度均在增大，故同等級(jí)災(zāi)害發(fā)生時(shí)，影響人口會(huì)增大。海拔高度與影響人口的響應(yīng)曲線中出現(xiàn)了兩個(gè)峰值點(diǎn)27、143，該高程點(diǎn)對(duì)應(yīng)的行政區(qū)域?yàn)槲牟?、萬(wàn)寧。根據(jù)海南省氣象局氣候中心已經(jīng)制作完成《海南臺(tái)風(fēng)歷史之最》，1949-2013年期間登陸海南島的臺(tái)風(fēng)共計(jì)149個(gè)，文昌是海南島臺(tái)風(fēng)登陸最頻繁的地區(qū)達(dá)到46個(gè)，萬(wàn)寧以43次排名第二，該結(jié)果與歷史數(shù)據(jù)統(tǒng)計(jì)結(jié)果相吻合。臺(tái)風(fēng)—洪澇災(zāi)害鏈影響人口風(fēng)險(xiǎn)評(píng)估5.1臺(tái)風(fēng)—洪澇災(zāi)害鏈影響人口風(fēng)險(xiǎn)評(píng)估模型構(gòu)建本文的研究目標(biāo)是海南省臺(tái)風(fēng)—洪澇災(zāi)害鏈影響人口風(fēng)險(xiǎn)定量評(píng)估，根據(jù)第三章危險(xiǎn)性評(píng)估結(jié)果致災(zāi)因子聯(lián)合概率分布曲線和第四章脆弱性分析評(píng)估結(jié)果，繪制概率-損失曲線表示多災(zāi)種風(fēng)險(xiǎn)曲線。致災(zāi)因子聯(lián)合概率分布曲線表示指定強(qiáng)度的致災(zāi)因子發(fā)生的概率，是災(zāi)害發(fā)生概率與致災(zāi)因子之間的函數(shù)關(guān)系。脆弱性曲線表示指定災(zāi)害強(qiáng)度影響人口比率，是影響人口數(shù)與致災(zāi)因子的函數(shù)關(guān)系。這兩個(gè)函數(shù)關(guān)系中都有一個(gè)共同點(diǎn)—致災(zāi)因子強(qiáng)度，故以致災(zāi)因子強(qiáng)度為中間變量，便可得到概率-損失曲線。計(jì)算步驟如下：（1）對(duì)第四章使用的災(zāi)情數(shù)據(jù)進(jìn)行處理，得到災(zāi)害數(shù)據(jù)集1，如表5.1所示。（2）將數(shù)據(jù)集1中的日降雨量與極大風(fēng)速數(shù)據(jù)分別帶入到海南省各行政區(qū)域的重現(xiàn)期曲線中，得到指定災(zāi)害強(qiáng)度下的重現(xiàn)期，如表5.2所示（3）將影響人口與對(duì)應(yīng)的重現(xiàn)期一一配對(duì)，進(jìn)行曲線擬合得到海南省各行政區(qū)域的概率—損失曲線。表5.1災(zāi)害數(shù)據(jù)集1（部分?jǐn)?shù)據(jù)）影響人口(%)日降雨量（mm)極大風(fēng)速（m/s）69.56521739368.419.60.9764814819686319160.39.818.1818181891.713.5表5.2災(zāi)害數(shù)據(jù)集1（部分?jǐn)?shù)據(jù)）日降雨量（mm）極大風(fēng)速（m/s）保亭昌江三亞屯昌368.419.61099.060636.3111298.441878959.1988094160.39.2101.260102.80299.6043194394.6898242898102.80299.610629194.6818049791.713.573.09260.51483.3061861161.314908035.2臺(tái)風(fēng)—洪澇災(zāi)害綜合風(fēng)險(xiǎn)評(píng)估結(jié)果與分析將不同的重現(xiàn)期（50年，100年、200年，500年）代入5.2計(jì)算的重現(xiàn)期曲線中，得到該重現(xiàn)期下影響人口比率，如表5.3所示。表5.3不同重現(xiàn)期的影響人口比率刪除表格中數(shù)據(jù)刪除表格中數(shù)據(jù)的%，并且保留2位小數(shù)即可地區(qū)影響人口比率（%）50年一遇100年一遇200年一遇500年一遇白沙19.1519.15021.92627.23141.17718.33420.64225.06036.72719.14521.75126.77540.32319.60821.90626.30437.90919.54220.48522.34027.64219.39721.11924.45133.55621.12023.47227.93939.44721.82923.08525.50632.04518.58820.22723.40032.08119.35022.08327.27940.70219.56520.73723.02629.44522.90623.31424.12426.49618.65520.87022.36829.41520.69422.79526.85837.93119.16921.17125.02735.40019.58020.97923.70731.33319.55821.08324.05332.32817.99219.24521.69128.55221.9227.2341.17保亭18.3319.15021.92627.23141.17718.33420.64225.06036.72719.14521.75126.77540.32319.60821.90626.30437.90919.54220.48522.34027.64219.39721.11924.45133.55621.12023.47227.93939.44721.82923.08525.50632.04518.58820.22723.40032.08119.35022.08327.27940.70219.56520.73723.02629.44522.90623.31424.12426.49618.65520.87022.36829.41520.69422.79526.85837.93119.16921.17125.02735.40019.58020.97923.70731.33319.55821.08324.05332.32817.99219.24521.69128.55220.6425.0636.72昌江19.1421.7526.7740.32澄邁19.6021.9026.3037.90儋州19.5420.4822.3427.64定安19.3921.1124.4533.55東方21.1223.4727.9339.44海口21.8223.0825.5032.04樂(lè)東18.5820.2223.4032.08臨高19.3522.0827.2740.70臨水19.5620.7323.0229.44瓊海22.9023.3124.1226.49瓊中18.6520.8722.3629.41三亞20.6922.7926.8537.93屯昌19.1621.1725.0235.40萬(wàn)寧19.5820.9723.7031.33文昌19.5521.0824.0532.32五指山17.9919.2421.6928.55圖5.1中4個(gè)小圖分別繪制了海南省各行政區(qū)域4種年遇型對(duì)應(yīng)的影響人口比率，顏色越深表示影響人口比率越大，則風(fēng)險(xiǎn)越大，顏色越淺表示影響人口比率越小，風(fēng)險(xiǎn)越小。從小圖之間的比較可以看出，看出隨著重現(xiàn)期的增大，影響人口比率也逐漸增大。在50年一遇的條件下，影響人口比率集中在17-23%的范圍內(nèi)，變化范圍較小。其中影響人口比率大于20%的地區(qū)為瓊海市、海口市、東方市和三亞市，其均為沿海城市。影響人口比率小于19%的地區(qū)為保亭黎族苗族自治縣、五指山市、瓊中黎族苗族自治縣和樂(lè)東黎族自治縣，多集中于內(nèi)陸地區(qū),。從整體來(lái)看，沿海的顏色比內(nèi)陸深，由此可以看出海南省臺(tái)風(fēng)—洪澇災(zāi)害風(fēng)險(xiǎn)是沿海大于內(nèi)陸。在100年一遇的條件下，影響人口主要集中在19-25%之間，變化范圍較小。其中影響人口比率大22%的地區(qū)為瓊海市、?？谑?、東方市、三亞市和臨高縣，其均為沿海城市。影響人口比率小于20%的地區(qū)為瓊中黎族苗族自治縣。從整體來(lái)看，沿海的顏色比內(nèi)陸深，東部的顏色比西部深，由此可以看出海南省臺(tái)風(fēng)—洪澇災(zāi)害風(fēng)險(xiǎn)是沿海大于內(nèi)陸，東部大于西部。在200年一遇的條件下，影響人口比率主要集中在20-30%之間。其中影響人口比率大于25%的地區(qū)有?？谑?、澄邁縣、臨高縣、屯昌縣、白沙黎族自治縣、昌江黎族自治縣、東方市和三亞市。影響人口比率小于22%的地區(qū)有瓊中黎族苗族自治縣。從整體來(lái)看，沿海的顏色比內(nèi)陸深，西部的顏色比東部深，由此可以看出海南省臺(tái)風(fēng)—洪澇災(zāi)害風(fēng)險(xiǎn)是沿海大于內(nèi)陸，西部大于東部。在500年一遇的條件下，數(shù)據(jù)變化范圍較大，影響人口比率集中在26-41%，人口影響比率大于40%的地區(qū)有臨高縣、白沙黎族自治縣和昌江黎族自治縣；影響人口小于30%的地區(qū)有儋州市、瓊中黎族自治縣、五指山市、陵水黎族自治縣和瓊海市。從整體來(lái)看，沿海的顏色比內(nèi)陸深，西部的顏色比東部深，由此可以看出海南省臺(tái)風(fēng)—洪澇災(zāi)害風(fēng)險(xiǎn)是沿海大于內(nèi)陸，西部大于東部。圖5.1海南省各市縣不同年遇型的影響人口比率總結(jié)與展望6.1總結(jié)本文選取海南省為研究區(qū)，依據(jù)區(qū)域?yàn)?zāi)害系統(tǒng)理論，從臺(tái)風(fēng)—洪澇災(zāi)害致災(zāi)因子危險(xiǎn)性、承災(zāi)體脆弱性兩個(gè)方面，對(duì)海南省臺(tái)風(fēng)—洪澇災(zāi)害影響人口風(fēng)險(xiǎn)進(jìn)行了定量評(píng)估和分析。主要結(jié)論如下：（1）根據(jù)日降雨量與極大風(fēng)速擬合概率分布曲面，繪制的不同等級(jí)的致災(zāi)因子組合圖發(fā)現(xiàn)，隨著日降雨量和極大風(fēng)速的增大，重現(xiàn)期均呈現(xiàn)增大的趨勢(shì)，即發(fā)生概率減小的趨勢(shì)。重現(xiàn)期在縱向的變化比橫向更明顯，說(shuō)明重現(xiàn)期對(duì)日降雨量的變化更敏銳，隨著日降雨量的增大對(duì)應(yīng)的重現(xiàn)期顯著增大。（2）基于歷史數(shù)據(jù)擬合的臺(tái)風(fēng)—洪澇災(zāi)害影響人口脆弱性模型顯示，日降雨量與極大風(fēng)速對(duì)影響人口有顯著的正向貢獻(xiàn)，當(dāng)日降雨量大于100mm時(shí)（達(dá)到暴雨等級(jí)）；極大風(fēng)速大于20m/s（達(dá)到烈風(fēng)等級(jí)）會(huì)產(chǎn)生影響人口。國(guó)內(nèi)生產(chǎn)總值在0-180區(qū)間內(nèi)，響應(yīng)曲線上升，即影響人口會(huì)隨著國(guó)內(nèi)生產(chǎn)總值的增加而增加；當(dāng)國(guó)內(nèi)生產(chǎn)總值大于180億元時(shí)，影響人口會(huì)隨著國(guó)內(nèi)生產(chǎn)總值的增加而減少，并在320億元左右趨于平穩(wěn)。災(zāi)害發(fā)生年份對(duì)影響人口有顯著的正向貢獻(xiàn)，因海南省各行政區(qū)人口基數(shù)都呈上升趨勢(shì)，各行政區(qū)的人口密度均在增大，故同等級(jí)災(zāi)害發(fā)生時(shí)，影響人口會(huì)增大。海拔高度與影響人口的響應(yīng)曲線中出現(xiàn)了兩個(gè)峰值點(diǎn)27、143，該高程點(diǎn)對(duì)應(yīng)的行政區(qū)域?yàn)槲牟?、萬(wàn)寧。根據(jù)海南省氣象局氣候中心已經(jīng)制作完成《海南臺(tái)風(fēng)歷史之最》，1949-2013年期間登陸海南島的臺(tái)風(fēng)共計(jì)149個(gè)，文昌是海南島臺(tái)風(fēng)登陸最頻繁的地區(qū)達(dá)到46個(gè)，萬(wàn)寧以43次排名第二，該結(jié)果與歷史數(shù)據(jù)統(tǒng)計(jì)結(jié)果相吻合。（3）根據(jù)損失—概率曲線，繪制出的不同重現(xiàn)期的災(zāi)害風(fēng)險(xiǎn)圖發(fā)現(xiàn)，在50年和100年一遇的條件下，海南省臺(tái)風(fēng)—洪澇災(zāi)害風(fēng)險(xiǎn)，沿海大于內(nèi)陸，東部大于西部；在200和500一遇的條件下，海南省臺(tái)風(fēng)—洪澇災(zāi)害風(fēng)險(xiǎn)，沿海大于內(nèi)陸，西部大于東部。6.2展望在研究完成過(guò)程中，仍存在一些不足，今后須在以下方面進(jìn)行改進(jìn)和完善本文的研究區(qū)域?yàn)楹Ｄ鲜。ú话ㄈ呈校行У呐_(tái)風(fēng)—洪澇災(zāi)害災(zāi)情數(shù)據(jù)量較少。本文的研究數(shù)據(jù)為海南省1983-2008災(zāi)情數(shù)據(jù)，經(jīng)過(guò)篩選有效數(shù)據(jù)僅有240條，樣本數(shù)據(jù)量較少且數(shù)據(jù)的不確定性又較大，故脆弱性分析時(shí)預(yù)測(cè)值偏差較大。海南省共有18個(gè)行政區(qū)域，但標(biāo)準(zhǔn)氣象站點(diǎn)數(shù)僅為7個(gè)，且多位于西部沿海地區(qū)和內(nèi)陸地區(qū)。本文利用反距離插值的方法對(duì)無(wú)氣象數(shù)據(jù)的地區(qū)進(jìn)行賦值，這種處理方法會(huì)導(dǎo)致東部沿海的降雨數(shù)據(jù)和風(fēng)速數(shù)據(jù)較小，導(dǎo)致在危險(xiǎn)性分析中，出現(xiàn)多出內(nèi)陸地區(qū)危險(xiǎn)性大于沿海地區(qū)。在今后的研究中會(huì)擴(kuò)充海南省非標(biāo)準(zhǔn)站的氣象數(shù)據(jù)和其余年份的災(zāi)情數(shù)據(jù)，提高模型模型精度。在研究方法上，目前的研究中可對(duì)多因子進(jìn)行響應(yīng)分析的方法且預(yù)測(cè)效果較好的方法有很多，如隨機(jī)森林、梯度提升樹(shù)等。在今后在研究中會(huì)對(duì)更多方法進(jìn)行了解，與廣義加性的結(jié)果進(jìn)行對(duì)比或矯正。（3）本文研究的是臺(tái)風(fēng)—洪澇災(zāi)害鏈，臺(tái)風(fēng)災(zāi)害強(qiáng)度的表征變量是日降雨量和極大風(fēng)速，洪澇災(zāi)害的表征變量應(yīng)為淹沒(méi)面積和淹沒(méi)深度。在研究過(guò)程中，因沒(méi)有淹沒(méi)面積和淹沒(méi)深度，故用日降雨量代替淹沒(méi)深度進(jìn)行分析。在今后的研究中會(huì)利用降雨量進(jìn)行城市內(nèi)三維淹沒(méi)模擬，從而得到淹沒(méi)數(shù)據(jù)。ADDINNE.Bib參考文獻(xiàn)[1] 余瀚,王靜愛(ài),柴玫,等.災(zāi)害鏈災(zāi)情累積放大研究方法進(jìn)展[J].地理科學(xué)進(jìn)展,2014,33(11):1498-1511.[2] 廖永豐,趙飛,王志強(qiáng),等.2000-2011年中國(guó)自然災(zāi)害災(zāi)情空間分布格局分析[J].災(zāi)害學(xué),2013,28(04):55-60.[3] 田心.2018年全國(guó)自然災(zāi)害基本情況[EB/OL]./xw/zhsgxx/201901/t20190108_242580.shtml.[4] 王靜愛(ài),雷永登,周洪建,等.中國(guó)東南沿海臺(tái)風(fēng)災(zāi)害鏈區(qū)域規(guī)律與適應(yīng)對(duì)策研究[J].北京師范大學(xué)學(xué)報(bào)(社會(huì)科學(xué)版),2012(02):130-138.[5] 劉少軍,張京紅,蔡大鑫,等.臺(tái)風(fēng)過(guò)程引發(fā)洪澇災(zāi)害的風(fēng)險(xiǎn)評(píng)估——以海南島為例[J].自然災(zāi)害學(xué)報(bào),2010,19(03):146-150.[6] 史培軍.三論災(zāi)害研究的理論與實(shí)踐[J].自然災(zāi)害學(xué)報(bào),2002(03):1-9.[7] 史培軍.災(zāi)害風(fēng)險(xiǎn)科學(xué)[M].2016年12月第1版.北京:北京師范大學(xué)出版社,2016.[8] 明曉東,徐偉,劉寶印,等.多災(zāi)種風(fēng)險(xiǎn)評(píng)估研究進(jìn)展[J].災(zāi)害學(xué),2013,28(01):126-132.[9] 何報(bào)寅,張海林,張穗,等.基于GIS的湖北省洪水災(zāi)害危險(xiǎn)性評(píng)價(jià)[J].自然災(zāi)害學(xué)報(bào),2002(04):84-89.[10] 唐川.金沙江流域(云南境內(nèi))山地災(zāi)害危險(xiǎn)性評(píng)價(jià)[J].山地學(xué)報(bào),2004(04):451-460.[11] 柳源.中國(guó)地質(zhì)災(zāi)害(以崩、滑、流為主)危險(xiǎn)性分析與區(qū)劃[J].中國(guó)地質(zhì)災(zāi)害與防治學(xué)報(bào),2003(01):98-102.[12] 李倩,俞海洋,李婷,等.京津冀地區(qū)臺(tái)風(fēng)危險(xiǎn)性評(píng)估——基于Gumbel分布的分析[J].地理科學(xué)進(jìn)展,2018,37(07):933-945.[13] 彭建,魏海,武文歡,等.基于土地利用變化情景的城市暴雨洪澇災(zāi)害風(fēng)險(xiǎn)評(píng)估——以深圳市茅洲河流域?yàn)槔齕J].生態(tài)學(xué)報(bào),2018,38(11):3741-3755.[14] DELMONACOGMCSD.ARMONIAmethodologyformulti-riskassessmentandtheharmonisationofdifferentnaturalriskmaps[J].ARMONIA,2006.[15] LIY,YET,LIUW,etal.LinkinglivestocksnowdisastermortalityandenvironmentalstressorsintheQinghai-TibetanPlateau:Quantificationbasedongeneralizedadditivemodels[J].ScienceofTheTotalEnvironment,2018,625:87-95.[16] TRANLT,KNIGHTCG,O'NEILLRV,etal.FuzzyDecisionAnalysisforIntegratedEnvironmentalVulnerabilityAssessmentoftheMid-AtlanticRegion1[J].EnvironmentalManagement,2002,29(6):845-859.[17] 劉毅,黃建毅,馬麗.基于DEA模型的我國(guó)自然災(zāi)害區(qū)域脆弱性評(píng)價(jià)[J].地理研究,2010,29(07):1153-1162.[18] 萬(wàn)洪秀,孫占東,王潤(rùn).博斯騰湖濕地生態(tài)脆弱性評(píng)價(jià)研究[J].干旱區(qū)地理,2006(02):248-254.[19] 王鈺,胡寶清.西江流域生態(tài)脆弱性時(shí)空分異及其驅(qū)動(dòng)機(jī)制研究[J].地球信息科學(xué)學(xué)報(bào),2018,20(07):947-956.[20] MINGX,XUW,LIY,etal.Quantitativemulti-hazardriskassessmentwithvulnerabilitysurfaceandhazardjointreturnperiod[J].StochasticEnvironmentalResearchandRiskAssessment,2015,29(1):35-44.[21] 黃崇福,劉新立,周國(guó)賢,等.以歷史災(zāi)情資料為依據(jù)的農(nóng)業(yè)自然災(zāi)害風(fēng)險(xiǎn)評(píng)估方法[J].自然災(zāi)害學(xué)報(bào),1998(02):4-12.[22] 海南省統(tǒng)計(jì)局國(guó)家統(tǒng)計(jì)局海南調(diào)查總隊(duì).2018年海南省國(guó)民經(jīng)濟(jì)和社會(huì)發(fā)展統(tǒng)計(jì)公報(bào)[R].2019.[23] 殷潔,吳紹洪,戴爾阜.基于歷史數(shù)據(jù)的中國(guó)臺(tái)風(fēng)災(zāi)害孕災(zāi)環(huán)境敏感性分析[J].地理與地理信息科學(xué),2015,31(01):101-105.[24] FISHER.Tippett.Limitingformsofthefrequencydistributionofthelargestorsmallestmemberofasample[J].1982.[25] 杜鴻,夏軍,曾思棟,等.淮河流域極端徑流的時(shí)空變化規(guī)律及統(tǒng)計(jì)模擬[J].地理學(xué)報(bào),2012,67(03):398-409.[26] SALVADORIG,DeMICHELEC.Frequencyanalysisviacopulas:Theoreticalaspectsandapplicationstohydrologicalevents[J].WaterResourcesResearch,2004,40(12).致謝坐在電腦前，看著致謝兩個(gè)字，心中萬(wàn)千感慨卻不知道從何下筆。畢設(shè)的結(jié)束說(shuō)明了我大學(xué)生活的結(jié)束，我也將邁入人生的新階段，雖對(duì)未來(lái)期待，但更多的是對(duì)這四年的不舍。這四年中沒(méi)有青春偶像劇中那樣狗血的劇情出現(xiàn)，就這樣平平淡淡，波波折折。大一成績(jī)的不理想，實(shí)驗(yàn)班的淘汰等等，這些平淡中的曲折，就像人生中的岔路口，慶幸的是在每一個(gè)岔路口都出現(xiàn)在一個(gè)路標(biāo)指引我選擇正確的道路。這一路上給予我?guī)椭娜瞬粍倨鋽?shù)，這短短的一章不足以表達(dá)我對(duì)他們的感謝。首先要感謝的是我畢業(yè)設(shè)計(jì)校外指導(dǎo)老師—北京師范大學(xué)地理科學(xué)學(xué)部減災(zāi)與應(yīng)急管理研究院的徐偉老師。徐老師學(xué)識(shí)淵博、風(fēng)趣幽默、溫文爾雅、亦師亦友，我的畢業(yè)設(shè)計(jì)從開(kāi)題到論文完稿，徐