2008-2019年影响南宁市台风灾害特征分析

利用2008-2019年影响南宁市辖区及县域的台风气象要素及灾情资料,对台风带来的风雨和灾情的分布特征进行了统计分析;同时,对影响南宁市辖区及县域的直接经济损失进行k-均值聚类,并根据台风致灾因子、直接经济灾损率和单次台风造成的经济损失程度进行相关性检验.结果 表明,影响南宁市台风的灾害具有明显的地域性分布特征,位于东南部县域的灾害最为严重;在影响南宁市的台风中,0814号强台风"黑格比"带来的持续强降水和大风天气、1409号超强台风"威马逊"带来的狂风暴雨,导致极其严重的灾害,给南宁市辖区造成上亿元的直接经济损失.     

基于Copula熵因子选取的PSO-ELM台风灾情预测模型

采用ISOMAP-Copula集成方法,分别构造台风灾害的致灾源指数、承灾体指数、防灾减灾指数及灾情指数。借助Copula熵研究台风灾情与影响因子的相关性,构造T检验的阈值,筛选与灾情显著相关的影响因子。构建的ELM和PSOELM模型,分别应用于广西台风灾情的预测。结果表明,基于Copula熵影响因子选取的PSO-ELM灾情预测模型的拟合度(0.9121)最高,均方误差(0.0044)最小,说明该模型的预测精度最高,可为广西台风灾情的预测提供一种新的途径。     

台风“威马逊”对钦州市的影响及气象服务总结

利用广西自动气象站资料及钦州市各部门台风灾情资料,对2014年第9号台风“威马逊”给钦州市造成的影响进行了分析,并对台风影响期间的气象服务工作进行了总结,为防灾减灾工作提供参考.     

影响广西电网输电线路的台风“威马逊”和“海鸥”环流特征分析

利用2008—2017年的台风路径、风雨强度及广西电网输电线路的台风灾情资料,分析了影响广西电网输电线路的台风特征及影响电网台风灾情的主要因子,并分析了影响较严重的1409号超强台风"威马逊"和1415号强台风"海鸥"的环流背景。结论如下:1)影响广西电网输电线路的台风强度主要是台风及其以上级别;第I类路径的台风更易对电网输电线路造成灾害;登陆时台风中心附近最大风速越大,通常在广西境内引起的最大风速就越大,同时过程暴雨站次数越多,灾害也越严重。2)台风"威马逊"和"海鸥"的环流形势具有多个共同点:生成后稳定地向西北移动,然后进入北部湾;生命史期间副高强盛,副高脊线维持在25°N附近;南海海温异常偏高;孟加拉湾水汽与南海水汽汇合,源源不断地向台风东南部输送;高层辐散、低层辐合结构配置良好,有利于台风的维持和加强。这些环流特征可对影响广西电网输电线路的台风预报提供有益的参考。     

宁波市台风灾情评估和基于层次分析法的风险评估

筛选了1956—2016年间对宁波地区影响大、具有较完整灾情记录的台风个例30个,分析了台风灾情特征,并进行灾情评估;利用模糊算法和层次分析法,建立宁波地区台风风险评估模型。结果表明:近年来台风导致的死亡人数、倒塌房屋数量、水利和农作物受灾呈下降趋势;但是经济损失越来越大,浙江登陆台风造成养殖业的损失也有增大趋势。实际灾情指数(ADI)达到1级特重的台风有4个,达到2级(严重)及以上的有9个,ADI总体呈减小趋势。风险评估指数(RAI)与实际灾情指数(ADI)的相关系数为0.78,二者等级的一致率为73%;不一致的样本中,2000年之前风险评估等级小于灾情等级,2000年之后风险评估等级大于灾情等级。风险评估指数RAI和直接经济损失率的相关系数为0.7。业务中,可根据风险评估模型计算即将影响台风的RAI,利用直接经济损失率与RAI的拟合方程或者相近RAI的历史台风,估算其可能造成的经济损失。      

基于灰色关联法的县域台风灾情评估方法初探

利用2000—2016年的县域台风灾害历史灾情数据,选取受灾人数、死亡人数、倒损房屋数、农作物受灾面积和直接经济损失为评估指标,在对各项指标进行分级的基础上,通过灰色关联分析法建立了以县域为单位的台风灾害综合灾损指标,对所选取市县的台风灾害损失情况进行了分级评估分析。结果表明,所选取的指标能够快速实现不同台风灾害、不同市县间的台风灾害严重程度的对比分析,具有实际应用价值。灾害等级分布结果显示,东南沿海市县为台风灾害多发区,浙江省、广东省和福建省的各市县为严重灾害（特大型、大型灾害）的易发区;8月、9月为严重灾害的多发时间。以不同登陆地点、不同影响范围的1210号“达维”台风和1513号“苏迪罗”台风为例,对灾情评估的合理性进行了验证。     

基于遗传—神经网络方法的广西台风灾害评估模型研究

选取1981—2018年影响广西且灾情记录比较完整的86个台风样本,基于台风灾害伤亡人数、直接经济损失划分灾情等级,选取致灾因子,利用遗传算法与神经网络相结合的方法建立广西台风灾害评估模型。结果表明：选取的台风灾害致灾因子与台风灾情等级之间具有显著的相关性,构建的遗传—神经网络集合预报模型对台风灾情预估效果较好,训练样本拟合一致率为86.1%,测试样本预报准确率为71.4%,其中严重和较重的台风灾情等级预报结果与实况基本一致,较轻等级的预报准确率达83.3%。     

基于模糊综合评价法的登陆台风灾害影响评估模型

对登陆我国的台风灾害影响进行评估试验,遴选10个因子作为灾害的影响因子,利用加权平均规划法确定影响因子的权重,应用模糊综合评价法得出台风影响的评价系数及灾情分级.对2000-2006年登陆台风的影响评估进行试验,模型的评估等级与实际的灾情级别均很接近,灾情等级为特别重大、重大、较重、一般四级的Ts评分分别达到89%、87%、73%、78%,全部个例的拟合率达到90%.表明该模型能较好地评估我国登陆台风造成的灾情.     

基于BP神经网络的宁波市台风灾情预估模型研究

选取1949—2015年间对宁波市影响较大、灾情记录完整的58个台风样本,基于灾损数据,采用灰色关联分析法建立台风灾情关联度,选取台风灾害致灾因子、台风灾情综合关联度,利用BP神经网络建立台风灾情预估模型。结果表明,利用台风灾情关联度评估台风灾情大小合理可用,台风灾害致灾因子与灾情评价指标及台风灾情综合关联度间均存在一定的相关性,利用BP神经网络预估模型对台风灾情预估效果较好,其中训练样本、测试样本的模拟值与实际值相关系数分别达到0. 94、0. 865,均通过了0. 01信度的显著性检验,训练集、测试集灾情级别预报一致率为85. 3%、77. 8%,相关研究成果可为政府决策部门的抗台减灾工作提供科学依据。     

广西台风与非台风暴雨时空变化特征差异分析

利用1965—2020年广西91个国家气象观测站的逐日降水资料,对广西的台风与非台风暴雨过程时空变化特征进行统计分析。结果表明,台风暴雨和非台风暴雨时空特征差异明显。从时间变化看,两类暴雨过程发生频次的年际变化显著负相关,台风暴雨过程的平均综合强度、持续天数均大于非台风暴雨过程;两类暴雨过程发生频次的月际变化均呈单峰分布,非台风暴雨过程主要发生在4—8月,而台风暴雨主要在6—10月,期间其过程强度月平均值整体高于非台风暴雨过程。从空间变化看,台风暴雨过程降水中心集中在桂南和桂中部分地区,非台风暴雨过程降水覆盖广西大部地区;台风暴雨过程主要影响桂南沿海地区,各地受台风暴雨影响频率由桂南沿海向桂北地区逐级递减;非台风暴雨主要影响桂北地区,各地受影响频率在桂林、柳州、贺州、河池等市形成高值区。     

基于云模型—风险矩阵的华南台风灾害综合等级评估

文中从台风灾害的致灾危险性和承灾体脆弱性两方面选取评价指标,利用最小鉴别信息原理计算组合权重,采用模糊数学方法得到台风致灾危险性和承灾体脆弱性的评价指数。基于云模型和风险矩阵,构建一个新的台风灾害等级评估模型。以1984—2016年登陆华南的50个台风为例,对华南台风灾害风险进行综合等级评估,结果与实际相符。与基于云模型—权重分配、模糊数学的台风灾害综合风险等级评估模型的结果进行比较,发现基于云模型—风险矩阵的台风灾害综合等级评估模型,不仅利用了云模型的优点,充分考虑了台风灾害的模糊性和随机性,还利用风险矩阵合成了台风致灾危险性和承灾体脆弱性的评价结果,比单一的模糊数学模型更合理可靠,在一定程度上也比云模型—权重分配模型结果更符合实际。     

2020年广西暴雨灾害天气综述与分析

利用气象及其灾情等资料,对2020年广西区域性暴雨灾害天气过程进行综合分析,并与历史同期的气候作比较,在此基础上对其进行综述.结果表明:(1)年初至春季出现冬春暴雨,比常年偏早、偏强.(2)前汛期5月底到6月上旬出现了破历史记录的暴雨灾害,具有时间长、雨量大、强降雨叠加及灾害重等特点.(3)6月底出现站点破历史记录的全...     

广西农业气象灾害灾情统计特征与灰色关联分析

利用广西1991～2011年农业受灾面积和农业总产值资料,对广西近21a的主要农业气象灾害进行统计,并采用灰色关联法对影响广西农业生产的主要气象灾害进行定量辨析与评价,得到各灾种对农业生产影响权重：涝灾＞旱灾＞风雹灾＞低温冷害灾.合理客观的对各种灾害情况进行综合评价,对于做好防灾减灾工作具有基础性的指导意义.     

2006-2016年昆明市雷电致灾因素分析及易损性风险区划

基于近11 a（2006-2016）云南省闪电定位监测数据以及雷电灾害汇编资料,运用ArcGIS对闪电数据与地理信息进行叠加,分析昆明市地闪活动规律和雷电灾害时空分布特征,结合地理环境、人口分布和经济社会发展情况,研究雷电致灾成因机制。从灾害系统理论和综合易损性出发,构建评价指标体系及权重判断矩阵,计算雷电灾害风险综合评价指数R值并进行分级,形成昆明市雷电灾害易损性风险区划。结果表明：频繁活跃的地闪活动是导致雷电灾害多发的主要致灾影响因子,雷电灾害的时空分布与地闪活动的变化特征存在较好的对应关系。全市有雷电灾害高易损区3个,次高易损区2个,中易损区4个,次低易损区4个,低易损区1个,建立雷电灾害易损性区划,能够为确定雷电防护重点和防范等级提供必要的参考依据,通过完善雷电防护措施,可以增强承灾体抵御雷电灾害的能力。     

1961-2019年新疆暴雨山洪灾害损失的时空变化特征

利用1961—2019年新疆86县(市)暴雨山洪灾害的5个灾情要素数据(死亡人数、倒塌房屋数、倒塌棚圈数、牲畜死亡数量、农作物受灾面积),采用比值权重法和无量纲化线性求和方法构建暴雨山洪灾害灾损指数,根据灾损指数的不同阈值范围将暴雨山洪灾害定量划分等级,并分析其时空分布特征。结果表明:(1)新疆暴雨山洪灾害主要出现在伊犁州、阿克苏地区和喀什地区,其中伊犁州伊宁县、巩留县、霍城县和尼勒克县最重,伊犁州暴雨山洪的致灾危险性与其暴雨日数分布有很好的一致性。(2)新疆暴雨山洪灾害发生具有很强的季节性,在夏季6—8月危害性最大,其中灾害出现次数和死亡人数均在7月最多(与降水相关性最大)。(3)近59 a来新疆暴雨山洪灾害的强度呈上升趋势,年灾损指数随时间呈线性增长趋势,暴雨山洪灾害的强度在20世纪80年代中期明显增加,其年际变化与3—10月降水量、大雨日数、暴雨日数密切相关。     

北京市雷电灾害易损性分析、评估及易损度区划

根据1995—2005年北京市18个区县的雷暴日和雷电灾害统计资料, 结合北京市的经济和人口密度特征, 提出了雷暴日数、雷电灾害频度、生命易损模数及经济易损模数作为北京市雷电灾害易损性评估指标, 并在此基础上, 给出了北京市雷电灾害易损度评估结构。采用4级分区法对上述雷电灾害易损性评估指标进行了分级, 并赋予各等级如下定值:极高级为1.0, 高级为0.8, 中级为0.5, 低级为0.2。将北京市18个区县按照4个雷电灾害易损性评估指标的所属等级获取相应等级值, 将各区县4个评估指标的等级值累加, 得到平均值作为雷电灾害易损性评估的评价指数。最后通过对北京市各区县雷电灾害易损性进行综合评估, 并利用4级分区法形成北京市雷电灾害易损度区划。结果表明:城区和丰台区为雷电灾害极高易损区, 海淀区、朝阳区、昌平区和石景山区为雷电灾害高易损区, 延庆县、大兴区、门头沟区和平谷区为雷电灾害低易损区, 其他区县为雷电灾害中易损区。     

基于GIS的雪灾风险区划

依据巴彦淖尔地区冬春季节降水少、年变率大的气候特点和易形成雪灾的量级指标进行雪灾风险区划。选取1971—2010年11月到次年3月,日降雪量大于等于3mm,并出现积雪和结冰现象为研究对象,分析了降雪量大于等于3mm的降雪日数和积雪深度大于等于5cm的积雪日数年代际变化,结合民政部门历史灾情记载、实地调查、农牧业现状以及各种基础资料数据与GIS技术,从致灾因子、脆弱性评估分析方面,在NOAA卫星遥感雪覆盖监测图像上,利用加权综合与层次分析法,构建雪灾判别模型,得出巴彦淖尔地区雪灾风险区划:雪灾最严重的地区为五原县大部、乌前旗南部和东北部部分区域、乌中旗东南和西南两区域、乌后旗的海力素附近大片区域。     

浙江省台风灾害影响评估模型

选取2000-2006年影响浙江省的20个台风所造成的灾害进行分析, 采用模糊数学原理和方法建立评估模型, 在考虑台风本身自然灾变因素的基础上加入了致灾的社会、经济因素, 组合成10个灾害影响因子输入模型, 计算出台风综合评价指数, 并利用数理统计分析方法将台风灾后的死亡人数、受伤人数和直接经济损失折算成规范化指数---灾级指数, 用来表示实际灾情, 并客观地将两指数划分为特别重大、重大、较重、一般4个等级, 分别得到两指数各自的轻重灾害判据。对比分析表明:该灾害评估模型具有较高的拟合率, 全部个例的两指数同级率达到了90 %, 错报等级也仅差一级, 能够较好地评价和预测台风可能造成的损失程度, 将其应用到应急管理中, 可为台风防灾减灾工作提供决策支持。     

福建省枇杷气象灾害综合风险评估

通过辨识影响福建省枇杷生长发育和产量的主要致灾因子,分析枇杷对气象灾害的敏感性和暴露性,考虑种植区的防灾减灾能力,构建出枇杷气象灾害综合风险评估指标体系,利用枇杷种植区1971—2011年气象资料,1992—2011年枇杷种植面积、产量及其他社会经济资料,采用层次分析法和熵权系数法融合方法计算各风险指标的权重及各评估单元的风险指数,进而构建枇杷气象灾害的综合风险评估模型,应用GIS技术制作出风险精细区划图,评估枇杷气象灾害的综合风险。结果表明:致灾危险性对综合风险的影响最大,起主要作用;重度以上的综合风险主要分布在福建省5个主要山脉的中高海拔山区以及枇杷种植面积大的莆田市、福清市、云霄县,轻度综合风险区主要分布在中南部沿海县市的低海拔种植区 (除种植大县和东山县外),其余种植区的综合风险属中度。