2021, Vol. 41文章信息
- 赵佳琪, 张强, 朱秀迪, 申泽西, 余慧倩
- ZHAO Jiaqi, ZHANG Qiang, ZHU Xiudi, SHEN Zexi, YU Huiqian
- 中国旱灾风险定量评估
- Quantitative assessment of drought risk in China
- 生态学报. 2021, 41(3): 1021-1031
- Acta Ecologica Sinica. 2021, 41(3): 1021-1031
- http://dx.doi.org/10.5846/stxb202002260342
-
文章历史
- 收稿日期: 2020-02-26
- 网络出版日期: 2020-12-14
2. 北京师范大学地表过程与资源生态国家重点实验室, 北京 100875;
3. 北京师范大学地理科学学部 减灾与应急管理研究院, 北京 100875;
4. 长江流域水资源保护局 长江水资源保护科学研究院, 武汉 430051;
5. 中国科学院生态环境研究中心 城市与区域生态国家重点实验室, 北京 100085;
6. 中国科学院大学, 北京 100049
2. State Key Laboratory of Earth Surface Processes and Resource Ecology, Beijing Normal University, Beijing 100875, China;
3. Academy of Disaster Reduction and Emergency Management, Beijing Normal University, Beijing 100875, China;
4. Changjiang Water Resources Protection Institute, Yangtze River Vally Water Resources Protection Bureau, Wuhan 430051, China;
5. State Key Laboratory of Urban and Regional Ecology, Research Center for Eco-Environmental Sciences, CAS, Beijing 100085, China;
6. Chinese Academy of Sciences, Beiiing 100049, China
干旱是指因较长时期无雨或高温少雨, 导致水分缺乏[1], 而旱灾是危害性最大的灾害[2-3], 也是导致我国经济损失最严重的三大灾害之一。2012-2016年间, 旱灾导致我国直接经济损失高达2889.7亿元, 约占所有气象灾害直接经济损失总和的15.6%[4]。据政府间气候变化委员会(Intergovernmental Panel on Climate Change, IPCC)第五次评估报告[1], 在高排放情景下(RCP8.5), 21世纪末旱灾发生频率会增加。《2005-2015年兵库县行动框架：增强国家和社区应对灾害的能力》于2005年提出“减轻灾害风险(Disaster Risk Reduction, DRR)”[5]的概念, 进而灾害风险研究已成为国内外研究热点[6-10]。灾害风险主要包括不同强度的灾害发生的可能性以及灾害造成不同损失程度的可能性[11-12], 是危险性(由和气候变化相关的事件或趋势引起)、脆弱性(易受损害的程度)和暴露度(面临风险的人群、财产或生态系统)之间相互作用的结果[1]。IPCC报告[13]指出, 灾害风险是指特定时段由于危害性自然事件造成社区或社会出现剧烈改变的概率, 进而可能导致生命财产损失, 需做出应急响应, 以满足灾害应对的需要。因此, 旱灾综合风险可定义为旱灾可能对生态环境、社会发展及人类生产生活造成的潜在影响, 是致灾因子危险性、承灾体暴露度和承灾体脆弱性相互作用的结果, 干旱主要被划分为三种类型, 包括气象干旱、农业干旱、水文干旱[14], 本文讨论气象干旱造成的影响。
目前, 国际上对旱灾的应对仍以灾后处置为主[15], 但随着社会经济的发展, 气候变化对人类社会以及自然环境的影响越来越明显, 该方式的弊端也越来越显著, 2014-2018年间, 美国发生了5次严重旱灾, 每场旱灾造成的损失均超过十亿美元[16]；而1991-2006年欧洲年均旱灾损失较1979-1990年翻了一倍, 近几年已增加至每年62亿欧元[17]。2011年, 第十六届世界气象大会在日内瓦召开, 呼吁各国制定减灾框架, 降低灾害风险, 转换灾害管理模式, 采取措施主动防灾减灾。中国也在寻求应对灾害的良策, 并提出要从注重灾后救助向注重灾前预防转变[18]。评估并掌握气候变化带来的灾害风险具有极其重要的意义, 已经成为当前促进经济社会可持续发展的重要任务。
当前灾害风险研究已经成为各学科的研究热点[19-24], 近年来涌现了一批研究成果, 但灾害的风险评估结果难以验证[25], 在这种情况下, 如何构建更加合理的风险评估框架已经成为灾害风险评估中的一个重要问题。最常用的旱灾风险评估方法是结合层次分析法构建综合风险评估指数, 但该风险评估过程具有较强的主观性, 从而对评估结果产生影响, 因此本文基于此对该评估模型进行改进：首先基于旱灾风险的定义作出合理假设“历史干旱灾损高的地区遭受高旱灾损失的概率越大”, 引入历史实际旱灾损失序列对旱灾风险的评估过程进行校正, 并基于多元非线性回归法建立新的旱灾风险评估模型, 对中国旱灾综合风险进行评估, 划定中国高旱灾风险区域。本研究提供了一种新的旱灾风险评估思路, 为我国进行旱灾风险管理和综合防灾减灾提供了科技支撑。
1 数据 1.1 气象数据气象数据集来源于全球标准化降水蒸散发指数(Standardized Precipitation Evapotranspiration Index, SPEI)数据库(SPEIbase v.2.5), SPEIbase提供了关于全球范围干旱状况的长期、可靠的信息[26], 数据获取自西班牙的知识机构库DIGITAL.CSIC(https://digital.csic.es/), 该数据库应用CRU TS v3.24.01数据集计算了1901年1月至2015年12月期间空间分辨率为0.5°×0.5°, 多时间尺度的SPEI数据, 本研究应用其中3个月尺度的SPEI数据[27-29]。
1.2 社会经济数据NASA社会经济数据及应用中心(Socioeconomic Data and Applications Center, SEDAC)(https://sedac.ciesin.columbia.edu/)提供的世界栅格人口数据集、2000年全球农区分布数据集、2000年全球牧区分布数据集以及水库数据集作为本文研究所需社会经济数据集。世界栅格人口数据集的空间分辨率为2.5 min×2.5 min, 包含2000、2005、2010、2015等4年及所预测2020年人口数。本研究所用数据为2015年人口资料。农区、牧区分布数据集的空间分辨率为5 min×5 min, 栅格值分别代表2000年耕地面积、牧草地面积占栅格总面积的比例。水库数据集主要依据所修建大坝定位了2011年蓄水能力超过0.1m3的水库。各地市(不包括港澳台地区)的第一产业占GDP比重、水资源总量、用水总量获取自各省市2015年统计年鉴。国内生产总值(GDP)与土地利用资料均获取自资源环境数据云平台(http://www.resdc.cn/), 其中, GDP获取自2015年中国GDP空间分布公里网格数据集, 空间分辨率为1km×1km, 土地利用数据来源于2015年中国土地利用现状遥感监测数据集, 包括耕地、林地、草地、水域、居民地和未利用土地6个一级类型以及25个二级类型, 空间分辨率为1km×1km。
1.3 灾情数据灾情包括灾害造成的直接损失、间接损失及对生态环境的影响。《中国气象灾害年鉴》[4]记录了旱灾所导致的影响, 包括旱灾直接经济损失数据、干旱受灾人口数据以及干旱导致的农作物受灾面积数据。本研究应用2011-2016年的相关干旱灾情数据, 由于数据缺失, 不包含2013年灾情统计。
2 研究方法 2.1 旱灾风险综合评估框架旱灾风险(Risk)由致灾因子危险性(Haz)、承灾体暴露度(Expo)以及承灾体脆弱性(Vul)三个因子组成[21]：
|
(1) |
本文依据旱灾风险定义, 认为风险评估得到的结果应当能尽量反映实际灾情, 作出假设“历史干旱灾损高的地区遭受高旱灾损失的概率越大”, 基于此, 本研究将灾损数据融入灾害风险评估框架中, 运用多元非线性回归方法, 提出一种新的风险评估框架, 如图 1所示。
|
| 图 1 旱灾风险评估框架 Fig. 1 Frame of drought risk assessment |
致灾因子危险性表征气象干旱的严重程度, 相较于其他干旱指标, 标准化降水蒸散发指数(SPEI)综合考虑了降水、气温以及蒸散发要素对干旱的影响, 并具有多时间尺度特性, 目前已经被广泛应用于干旱研究[30-31], 其中, 为了体现干旱的季节性变化, 本研究选取3个月尺度SPEI指标计算致灾因子危险性[32]。
承灾体暴露度表征暴露于旱灾下的承灾体数量, 承灾体暴露度指标的选取应具有代表性。本文选取与干旱密切相关且较为通用的多个指标进行计算(表 1)。其中, 承灾体暴露度主要参考Carrão[15]所选取的指标, 考虑了易受旱灾影响的三类承灾体：人类、耕地、牧草地。由于农作物生长对气候及水分的变化最为敏感, 因此最易受到旱灾影响；旱灾对牧草地的影响则体现了旱灾对生态环境的影响；此外, 人类也是重要的承灾体之一。
| 影响因素 Factor |
指标 Indicator |
指标对影响因素的作用 Contribution of indicators |
权重 Weight |
| 危险性Drought hazard | SPEI | 正向 | 7.646 |
| 暴露度Drought exposure | 人口数量 | 正向 | 0.098 |
| 耕地面积比例 | 正向 | 11.170 | |
| 牧草地面积比例 | 正向 | 0.801 | |
| 脆弱性Drought vulnerability | GDP | 负向 | 0.015 |
| 第一产业占GDP比重 | 正向 | 18.897 | |
| 用水压力 | 正向 | 0.347 | |
| 灌溉面积占耕地比重 | 负向 | 0.019 | |
| 水库数量 | 负向 | 2.301 | |
| 灾情Drought loss | 旱灾直接经济损失 | 正向 | 0.333 |
| 干旱受灾人口 | 正向 | 0.333 | |
| 农作物受灾面积 | 正向 | 0.333 | |
| SPEI: 气象数据集来源于全球标准化降水蒸散发指数 | |||
承灾体脆弱性表征受干旱影响的倾向, 脆弱性指标的选取主要参考Ahmadalipour等[33]的相关研究(表 1), 具体指标如表 1所示。旱灾具有缓发性, 因此经济发达地区可更好地减轻旱灾不良影响；而第一产业占GDP比重越高的地区, 经济受旱灾影响越大；本研究将地区用水总量与水资源总量的比值定义为用水压力指标[15], 当用水压力大于1时, 表明地区用水量超过水资源量, 地区用水安全受到威胁；作物类型及耕作方式也影响着旱灾脆弱性, 农业生产总体上可以分为雨养农业和灌溉农业两种类型，其中雨养农业靠天然降水为水源, 更易受旱灾影响；水库数量代表区域应对干旱的能力, 通过调控区域水资源, 在一定程度上能够缓解干旱。表 1中各风险因子的指标权重是通过灾损数据与旱灾风险指标进行多元非线性回归分析得到, 而对于旱灾直接经济损失数据、干旱受灾人口数据以及农作物受灾面积数据则采用等权重策略构建灾情指标。
由于各指标具有不同的量纲, 首先要通过极差标准化方法消除量纲差异, 当指标对影响因素有正向作用时, 采取正向标准化, 否则进行负向标准化：
|
(2) |
|
(3) |
其中xsequence代表数值序列, x0是其中需要进行标准化处理的数值, x为标准化的结果。
2.3 旱灾风险因子构建旱灾风险因子包括致灾因子危险性、承灾体暴露度、承灾体脆弱性三部分。致灾因子危险性表征气象干旱严重程度, 本研究选取3个月尺度的标准化降水蒸散发指数(SPEI)计算。依据游程理论[34], 定义当SPEI指标小于干旱阈值时, 发生干旱, 通常把干旱阈值定为-1。干旱从开始到结束所间隔的时间段称为干旱事件的持续时间(DT), 干旱期间的累计缺水程度为干旱强度(DI), 表征干旱的严重程度。通过采用对1901-2015年多年的干旱强度进行累加的方法, 综合考虑过去115年间干旱发生频率及强度, 定义致灾因子危险性指标：
|
(4) |
其中, i表示干旱发生的频次。承灾体暴露度与承灾体脆弱性分别采用加权求和的方法得到, 计算过程如下：
|
(5) |
|
(6) |
其中, de、dv分别表示承灾体暴露度以及承灾体脆弱性因子, αi和βj表示权重, Ie, i和Iv, j分别代表第i个暴露度指标与第j个脆弱性指标。
2.4 旱灾风险综合指标构建旱灾风险综合指标的构建是一个两步的复合模型, 在第一步中, 进行数据的预处理, 通过求取平均, 计算各省份的指标值, 使其与灾损数据具有相同的空间尺度。在第二步中, 用灾情指标校正风险的评估结果, 对灾情与各指标值进行多元非线性拟合, 确定各指标的权重, 从而得到灾害风险评估模型。最后, 将高分辨率的栅格指标值代入模型, 得到所评估的旱灾风险。具体的计算步骤如下：
|
(7) |
|
(8) |
|
(9) |
其中, Ile, k, Ilp, k, Ilc, k分别表示k省旱灾直接经济损失、干旱受灾人口以及干旱导致的农作物受灾面积, lossk表示k省的灾情指标, dhk, dek, dvk分别表示k省的危险性、暴露度、和脆弱性进, λ为致灾因子危险性的权重系数。
3 结果与讨论 3.1 致灾因子危险性分析综合区域气象干旱发生频率与强度, 绘制致灾因子危险性分布图(图 2), 高(极高)致灾因子危险性区域(Haz>0.651)集中于西北与西南地区, 约占研究区面积的35.7%, 而东北、华东以及华中、华南等区域等均属极低或低致灾因子危险性区域(Haz < 0.525), 面积比例为53.5%。依据SPEI指标对干旱特征的监测情况分析气象干旱特征, 我们发现在高致灾因子危险性区域, 干旱强度大且持续时间长。在干旱时期, 平均干旱强度为-1.5--1.9, 干旱平均历时约5个月至1年。依据游程理论, 干旱强度为负值, 且干旱强度的绝对值越大, 干旱越严重；而在低致灾因子危险性地区, 干旱期干旱强度在-1.1至-1.5之间, 干旱严重性较弱, 平均干旱历时小于4个月。从干旱频率看, 情况则完全相反, 低危险性区域干旱频率约为每年1次, 而高危险性区域干旱频率低于每1.5年1次。我国西北和西南地区容易发生多季节的连旱, 干旱强度大且干旱历时长，而我国东部地区时常发生季节性干旱, 这一点值得关注。
|
| 图 2 致灾因子危险性分布图 Fig. 2 Spatial distribution of the drought hazard across China |
承灾体暴露度指标包括牧草地面积, 耕地面积, 人口数量, 通过上述指标计算承灾体暴露度(图 3)。考虑到旱灾在无人区的影响可以忽略不记, 因此剔除人口稀少区[35-36]。研究发现我国高(极高)承灾体暴露度(Expo>0.478)区域占国土面积达13.8%, 主要集中在东北、华东及华中等区域, 这些区域地势平坦, 土地肥沃, 属于我国主要粮食产区。具体来看, 我国九大商品粮基地均处于高(极高)承灾体暴露度水平(Expo>0.478), 如东北的三江平原、松嫩平原；华东的江淮平原、太湖平原；华中的鄱阳湖平原、洞庭湖平原、江汉平原；西南地区的成都平原以及珠三角等。可以看出, 耕地是受旱灾影响的主要承灾体。通过相关性分析[37-38]评估了各暴露度指标对旱灾风险影响因子的贡献率, 研究发现耕地面积指标与承灾体暴露度指标的相关性达到0.99, 远高于牧草地面积指标与人口指标, 证明耕地对承灾体暴露度的贡献最大, 是旱灾的主要承灾体。牧草地、人口分布与暴露度指标的相关性分别为－0.024和0.22, 人口分布的贡献较小, 但对暴露度指标的构建起到了修正作用, 而牧草地分布与暴露度指标呈现负相关, 且接近于0, 说明暴露度基本未考虑牧草地的作用, 评估模型中应用的历史灾损数据难以反映旱灾对生态环境的影响可能是导致这一结果的主要原因。
|
| 图 3 承灾体暴露度及其指标分布图 Fig. 3 Spatial distribution of drought exposure and exposure indicators across China |
| 暴露度指标 Dxposure indicator |
牧草地面积比例 Proportion of pasture area |
耕地面积比例 Proportion of cropland area |
人口数量 Population |
| 指标与暴露度的相关系数 Correlation between indicators and drought exposure |
－0.01534 | 0.99261 | 0.21648 |
关于承灾体脆弱性的研究较多[39], 与灾害相关的研究中[40-41], 所应用的指标具有很高的相似性, 本文选取5个指标综合计算承灾体脆弱性(图 4), 分别是国民生产总值(GDP)、第一产业占GDP比重、灌溉面积占耕地比重、用水压力以及水库分布, 由于受数据来源限制, 承灾体脆弱性为各地级市评估结果, 但在历年记录中, 若存在数据缺失情况, 则用省级数据替代。为了使各等级的差异最大化, 采用自然断点法分级。图 4f表明, 我国东北地区的承灾体脆弱性最高, 达到Vul>0.584, 东北、西北、西南等区域均为高等级承灾体脆弱性(Vul>0.373)。上述区域具有较低的财政收入, 并且对第一产业依赖性较大。从各指标与承灾体脆弱性的相关性来看(表 3), 对承灾体脆弱性影响最大的指标是第一产业占GDP比重, 二者的相关系数达到0.988, 对承灾体脆弱性空间格局起到决定性作用, 其他指标作用较小。另外, GDP、灌溉面积占耕地比重以及水库数量均与承灾体脆弱性呈现负相关, 即经济发达, 发展灌溉农业并且基础设施建立更加完善的地区可以降低承灾体脆弱性, 使区域防御旱灾的韧性增加。
|
| 图 4 承灾体脆弱性及其指标分布图 Fig. 4 Spatial distribution of drought vulnerability and relevant influencing factors across China |
| 脆弱性指标 Drought vulnerability |
国内 生产总值 GDP |
第一产业占 GDP比重 Proportion of primary industry in GDP |
灌溉面积占 耕地比重 Proportion of irrigation area in cropland |
用水压力 Water pressure |
水库数量 Reservoir number |
| 脆弱性指标与承灾体脆弱性的相关性 Correlation between indicators and drought vulnerability |
－0.089 | 0.988 | －0.119 | 0.082 | －0.170 |
将各指标数据代入旱灾风险评估模型进行计算, 得到的最优评估结果与灾情数据的相关系数r为0.59。将致灾因子危险性、承灾体暴露度以及承灾体脆弱性按照公式(1)结合, 得到旱灾风险空间格局(图 5)。我国高(极高)旱灾风险区(Risk>0.796)主要分布在东北、西北部分地区, 上述区域均具有较高脆弱性以及暴露度。在危险性方面, 区域间有较大差别, 东北地区旱灾发生频率高, 而西北地区旱灾强度大。总体来看, 我国高(极高)旱灾风险区的面积比例达到4.33%, 其中极高旱灾风险区(Risk >1.49)占研究区面积的0.89%。中等风险区(1.49>Risk>0.796)分布更加广泛, 面积比例为10.83%, 并主要集中于华北地区。
|
| 图 5 旱灾风险空间分布 Fig. 5 Spatial pattern of drought risk across China |
针对各行政单元进一步统计各省市及全国部分区域(中国港澳台除外)不同等级旱灾风险面积(图 6)。我国约61%的面积范围属于极低旱灾风险, 中高等级干旱风险区面积比例占到15%。在各行政区中, 山东省的极低风险区所占面积比例最少, 同时, 山东省高风险及极高风险区面积比例也极低, 绝大部分区域属于中等风险区及低风险区, 占省份总面积的96%。中等风险、高风险及极高风险区总面积占比最多的省份是河南省, 其中中等风险区的面积约占全省面积的67%。河南省与山东省轻度、中度干旱发生频率高, 并且都属于农业大省, 容易受旱灾影响, 但实际上两个省份的经济发展均以工业、制造业为主, 对第一产业的依赖性较小, 并且修建有多座水库, 可对水资源进行调控, 综合各方面因素, 旱灾风险基本处于中高水平。从高风险及极高风险区来看, 总面积占比最高的省份是黑龙江省, 高达32%, 其次为宁夏回族自治区, 达到26%, 黑龙江省与宁夏回族自治区的情况并不完全相同, 黑龙江省位于湿润－半湿润区, 但降水量年内分布不均, 水库蓄水灌溉条件分布不平衡, 容易发生春旱[42], 同时, 黑龙江省作为我国的主要粮食基地, 旱灾风险高；而宁夏回族自治区属于水资源型缺水, 水资源空间分配不均, 导致南部水资源缺乏, 虽然黄河流经该地区, 但供水量有限, 导致干旱严重[43], 上述两个省份需更加重视旱灾的防范及应对。甘肃省的极高风险区占比例较高, 集中于陇南地区, 不利的气象条件, 加之高暴露度、高脆弱性, 导致该地区极易受到旱灾影响。
|
| 图 6 中国及各地市不同等级旱灾风险面积比例 Fig. 6 Percentage of areas with different classes of drought risk across China and major provinces |
分析旱灾风险的每个影响因素对其空间分布的影响, 是各地区实施干旱政策的重要依据。本文对旱灾风险进行归因[44], 将危险性、暴露度、脆弱性按照不同等级进行组合, 得到各地区旱灾风险结构组成, 根据各影响因素的中值可以划分8个区域(危险性= 0.562, 暴露度= 0.614, 脆弱性= 0.620), 并确定适当的防灾减灾对策(图 7)。低危险性-低暴露度-低脆弱性地区, 属于极低旱灾风险区, 在当前的产业结构下, 不需要采取额外的减灾措施。总体来说, 对于具有高危险性(Hhigh)的地区, 水资源短缺是地区面临的重要问题, 需要因地制宜, 结合地区实际情况加强基础设施建设, 例如, 我国实施的跨流域调水工程帮助缓解了一部分西北地区的用水困难, 此外, 通过普及雨水集蓄利用的方式, 可以一定程度上缓解旱灾风险；在农业生产方面, 通过推广农业节水技术, 完善农牧地基础设施建设, 发展节水灌溉等方式, 提高用水效率。具有高暴露度(Ehigh)的地区, 是我国人口、耕地最为集中的区域, 如黑龙江省、山东省、河南省等广阔的东部地区, 在历史旱灾中往往遭受严重的损失, 需要予以高度重视, 在这一类地区防治旱灾可主要从两方面入手, 一方面, 减少承灾体暴露度, 例如, 严格控制耕地面积、落实退耕还林还草政策[45], 另一方面, 通过加强对耕地等承灾体的保护, 降低脆弱性, 例如, 通过科学选取节水抗旱作物品种, 调整种植结构, 加强农牧地的抗旱能力, 推广农业保险, 保障我国的粮食生产, 保护生态[46]。对于具有高脆弱性(Vhigh)的地区, 可从多方面采取相应措施, 如, 进行产业结构调整, 减少对农业的依赖性, 促进非农经济和经济发展的多样化, 通过促进农畜产品的深加工, 提高农畜产品附加值, 促进产业转型[45], 除此之外, 还需因地制宜, 结合实际情况, 通过修建水库等水利设施, 调节雨水的时空分布, 保证农业适时灌溉；同时加大监管力度, 治理水资源污染等。
|
| 图 7 旱灾风险影响因素区划图 Fig. 7 Hazard-exposure-vulnerability pattern map of China Hhigh：高危险性Hlow：低危险性Ehigh：高暴露度Elow：低暴露度Vhigh：高脆弱性Vlow：低脆弱性 |
本文基于致灾因子危险性、承灾体暴露度以及承灾体脆弱性三个部分, 构建了新的旱灾风险评估框架, 通过绘制中国旱灾风险分布图, 直观表示出当综合考虑各地区的财产数量以及防灾减灾能力后, 旱灾风险的分布情况, 并分析了各地区旱灾风险的主要影响因素, 从而使各级政府之间能够更好地协调, 可为政府决策提供科学依据。研究的主要内容及结果可归结为以下几点：
(1) 建立假设“历史上旱灾损失高的地区遭受高旱灾损失的概率越大”, 通过将旱灾损失数据融合进风险评估模型, 对旱灾风险进行校正, 构建了新的旱灾风险评估模型, 克服了以往研究方法中权重主观性太强和理论依据薄弱的问题。评估得到的旱灾风险将影响因素与评估结果联系起来, 为旱灾影响因素分析提供了依据, 该方法为旱灾风险评估提供了一条新的思路。
(2) 绘制了中国旱灾风险分布图, 研究结果表明我国存在5个显著的旱灾高风险区：东北地区、华北地区、西北地区东部、西南地区东部以及西北地区西部的小部分区域。其中, 黑龙江省、吉林省、辽宁省、甘肃省、宁夏回族自治区、四川东部以及新疆部分地区属于高风险地区, 需着重加强对旱灾的风险管理以及灾害防范。
(3) 进一步对不同地区的旱灾风险进行了影响因素分析, 发现我国高风险地区均具备高暴露度与高脆弱性, 说明社会经济财富的增长可能会导致地区遭受更高的旱灾损失。在此基础上, 地区可以采取针对性措施降低风险, 研究表明, 暴露度中的重要指标为耕地面积比例, 而脆弱性中的重要指标主要是第一产业占GDP比重, 因此, 高旱灾风险地区可以从三个方面入手, 降低旱灾风险, 减少旱灾造成的损失：加强对耕地的保护；加强农田基础设施建设；调节产业结构, 减少对第一产业的依赖性。
| [1] |
IPCC. Climate Change 2014: Synthesis Report. Contribution of Working Groups I, Ⅱ and Ⅲ to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change. Geneva, Switzerland: IPCC, 2014.
|
| [2] |
Carrão H, Naumann G, Barbosa P. Global projections of drought hazard in a warming climate: a prime for disaster risk management. Climate Dynamics, 2018, 50(5/6): 2137-2155. DOI:10.1007/s00382-017-3740-8 |
| [3] |
Mukherjee S, Mishra A, Trenberth K E. Climate change and drought: a perspective on drought indices. Current Climate Change Reports, 2018, 4(2): 145-163. DOI:10.1007/s40641-018-0098-x |
| [4] |
中国气象局. 中国气象灾害年鉴2017. 北京: 气象出版社, 2018.
|
| [5] |
Khunwishit S, Choosuk C, Webb G. Flood resilience building in Thailand: assessing progress and the effect of leadership. International Journal of Disaster Risk Science, 2018, 9(1): 44-54. DOI:10.1007/s13753-018-0162-0 |
| [6] |
Bachmair S, Svensson C, Prosdocimi F, Hannaford J, Stahl K. Developing drought impact functions for drought risk management. Natural Hazards and Earth System Sciences, 2017, 17(11): 1947-1960. DOI:10.5194/nhess-17-1947-2017 |
| [7] |
Blauhut V, Stahl K, Stagge J H, Tallaksen L M, De Stefano L, Lucia D S, Vogt J. Estimating drought risk across Europe from reported drought impacts, drought indices, and vulnerability factors. Hydrology and Earth System Sciences, 2016, 20(7): 2779-2800. DOI:10.5194/hess-20-2779-2016 |
| [8] |
Chen L T, Chen X H, Cheng L Y, Zhou P, Liu Z Y. Compound hot droughts over China: identification, risk patterns and variations. Atmospheric Research, 2019, 227: 210-219. DOI:10.1016/j.atmosres.2019.05.009 |
| [9] |
Hao Z C, Singh V P, Xia Y L. Seasonal drought prediction: advances, challenges, and future prospects. Reviews of Geophysics, 2018, 56(1): 108-141. DOI:10.1002/2016RG000549 |
| [10] |
Cook B I, Ault T R, Smerdon J E. Unprecedented 21st century drought risk in the American Southwest and Central Plains. Science Advances, 2015, 1(1): e1400082. DOI:10.1126/sciadv.1400082 |
| [11] |
Su B D, Huang J L, Fischer T, Wang Y J, Kundzewicz Z W, Zhai J Q, Sun H M, Wang A Q, Zeng X F, Wang G J, Tao H, Gemmer M, Li X C, Jiang T. Drought losses in China might double between the 1.5 ℃ and 2.0 ℃ warming. Proceedings of the National Academy of Sciences of the United States of America, 2018, 115(42): 10600-10605. DOI:10.1073/pnas.1802129115 |
| [12] |
Wang R, Zhang J Q, Guo E L, Alu S, Li D J, Ha S, Dong Z H. Integrated drought risk assessment of multi-hazard-affected bodies based on copulas in the Taoerhe Basin, China. Theoretical and Applied Climatology, 2019, 135(1/2): 577-592. |
| [13] |
IP CC. Managing the Risks of Extreme Events and Disasters to Advance Climate Change Adaptation. A Special Report of Working Groups I and Ⅱ of the Intergovernmental Panel on Climate Change. UK: Cambridge University Press, 2012.
|
| [14] |
An Q, He H X, Gao J J, Nie Q W, Cui Y J, Wei C J, Xie X M. Analysis of temporal-spatial variation characteristics of drought: a case study from Xinjiang, China. Water, 2020, 12(3): 741. DOI:10.3390/w12030741 |
| [15] |
Carrão H, Naumann G, Barbosa P. Mapping global patterns of drought risk: an empirical framework based on sub-national estimates of hazard, exposure and vulnerability. Global Environmental Change, 2016, 39: 108-124. DOI:10.1016/j.gloenvcha.2016.04.012 |
| [16] |
National Climate Data Center, 2019. Billion-dollar weather and climate disasters 1980-2019. http://www.ncdc.noaa.gov/billions/.(accessed Jan 2020)
|
| [17] |
EEA. Mapping the Impacts of Natural Hazards and Technological Accidents in Europe: An Overview of the Last Decade. Technical Report 13/2010. Copenhagen: European Environment Agency, 2010.
|
| [18] |
Sivakumar M V K, Stefanski R, Bazza M, Zelaya S, Wilhite D, Magalhaes A R. High level meeting on national drought policy: summary and major outcomes. Weather and Climate Extremes, 2014, 3: 126-132. DOI:10.1016/j.wace.2014.03.007 |
| [19] |
陈峰, 李红波, 张安录. 基于生态系统服务的中国陆地生态风险评价. 地理学报, 2019, 74(3): 432-445. |
| [20] |
李青圃, 张正栋, 万露文, 杨传训, 张杰, 叶晨, 陈裕婵. 基于景观生态风险评价的宁江流域景观格局优化. 地理学报, 2019, 74(7): 1420-1437. |
| [21] |
Ahmadalipour A, Moradkhani H, Castelletti A, Magliocca N. Future drought risk in Africa: integrating vulnerability, climate change, and population growth. Science of the Total Environment, 2019, 662: 672-686. DOI:10.1016/j.scitotenv.2019.01.278 |
| [22] |
Han L Y, Zhang Q, Ma P L, Jia J Y, Wang J S. The spatial distribution characteristics of a comprehensive drought risk index in southwestern china and underlying causes. Theoretical and Applied Climatology, 2016, 124(3/4): 517-528. DOI:10.1007/s00704-015-1432-z |
| [23] |
Xu X C, Ge Q S, Zheng J Y, Liu C W. Risk assessment on agricultural drought in Southwest China//International Conference on Information Science and Technology. Nanjing: IEEE, 2011, 1266-1270. |
| [24] |
Jia J Y, Han L Y, Liu Y F, He N, Zhang Q, Wan X, Zhang Y F, Hu J M. Drought risk analysis of maize under climate change based on natural disaster system theory in southwest China. Acta Ecologica Sinica, 2016, 36(5): 340-349. DOI:10.1016/j.chnaes.2016.06.001 |
| [25] |
Hagenlocher M, Meza I, Anderson C C, Min A, Renaud F G, Walz Y, Siebert S, Sebesvari Z. Drought vulnerability and risk assessments: state of the art, persistent gaps, and research agenda. Environmental Research Letters, 2019, 14(8): 083002. DOI:10.1088/1748-9326/ab225d |
| [26] |
Begueria S, Vicente-Serrano S M, Angulo-Martinez M. A multiscalar global drought dataset: the SPEIbase: a new gridded product for the analysis of drought variability and impacts. Bulletin of the American Meteorological Society, 2010, 91(10): 1351-1356. DOI:10.1175/2010BAMS2988.1 |
| [27] |
Wang Y F, Liu G X, Guo E L. Spatial distribution and temporal variation of drought in Inner Mongolia during 1901-2014 using Standardized Precipitation Evapotranspiration Index. Science of the Total Environment, 2019, 654: 850-862. DOI:10.1016/j.scitotenv.2018.10.425 |
| [28] |
Miah M G, Abdullah H M, Jeong C. Exploring standardized precipitation evapotranspiration index for drought assessment in Bangladesh. Environmental Monitoring and Assessment, 2017, 189(11): 547. DOI:10.1007/s10661-017-6235-5 |
| [29] |
Vicente-Serrano S M, López-Moreno J I, Gimeno L, Nieto R, Morán-Tejeda E, Lorenzo-Lacruz J, Beguería S, Azorin-Molina C. A multiscalar global evaluation of the impact of ENSO on droughts. Journal of Geophysical Research: Atmospheres, 2011, 116(D20): D20109. DOI:10.1029/2011JD016039 |
| [30] |
闫研, 李忠贤. 基于SPEI指数分析华中地区近40a干旱时空分布特征. 气象科学, 2015, 35(5): 646-652. |
| [31] |
Yu M X, Li Q F, Hayes M J, Svoboda M D, Heim R R. Are droughts becoming more frequent or severe in china based on the standardized precipitation evapotranspiration index: 1951-2010?. International Journal of Climatology, 2014, 34(3): 545-558. DOI:10.1002/joc.3701 |
| [32] |
Gumus V, Algin H M. Meteorological and hydrological drought analysis of the Seyhan-Ceyhan river basins, turkey. Meteorological Applications, 2017, 24(1): 62-73. DOI:10.1002/met.1605 |
| [33] |
Ahmadalipour A, Moradkhani H. Multi-dimensional assessment of drought vulnerability in Africa: 1960-2100. Science of the Total Environment, 2018, 644: 520-535. DOI:10.1016/j.scitotenv.2018.07.023 |
| [34] |
Spinoni J, Naumann G, Carrao H, Barbosa P, Vogt J. World drought frequency, duration, and severity for 1951-2010. International Journal of Climatology, 2014, 34(8): 2792-2804. DOI:10.1002/joc.3875 |
| [35] |
Güneralp B, Güneralp, Liu Y. Changing global patterns of urban exposure to flood and drought hazards. Global Environmental Change, 2015, 31: 217-225. DOI:10.1016/j.gloenvcha.2015.01.002 |
| [36] |
Chen J, Liu Y J, Pan T, Liu Y H, Sun F B, Ge Q S. Population exposure to droughts in China under the 1.5 ℃ global warming target. Earth System Dynamics, 2018, 9(3): 1097-1106. DOI:10.5194/esd-9-1097-2018 |
| [37] |
Guo B, Zhou Y, Zhu J F, Liu W L, Wang F T, Wang L T, Yan F L, Wang F, Yang G, Luo W, Jiang L. Spatial patterns of ecosystem vulnerability changes during 2001-2011 in the three-river source region of the Qinghai-Tibetan Plateau, China. Journal of Arid Land, 2016, 8(1): 23-35. DOI:10.1007/s40333-015-0055-7 |
| [38] |
Nguyen K A, Liou Y A. Global mapping of eco-environmental vulnerability from human and nature disturbances. Science of the Total Environment, 2019, 664: 995-1004. DOI:10.1016/j.scitotenv.2019.01.407 |
| [39] |
Kim J S, Jain S, Lee J H, Chen H, Park S Y. Quantitative vulnerability assessment of water quality to extreme drought in a changing climate. Ecological Indicators, 2019, 103: 688-697. DOI:10.1016/j.ecolind.2019.04.052 |
| [40] |
Chen W F, Cutter S L, Emrich C T, Shi P J. Measuring social vulnerability to natural hazards in the Yangtze River delta region, China. International Journal of Disaster Risk Science, 2013, 4(4): 169-181. DOI:10.1007/s13753-013-0018-6 |
| [41] |
Naumann G, Barbosa P, Garrote L, Iglesias A, Vogt J. Exploring drought vulnerability in Africa: an indicator based analysis to be used in early warning systems. Hydrology and Earth System Sciences, 2014, 18(5): 1591-1604. DOI:10.5194/hess-18-1591-2014 |
| [42] |
Fu Q, Zhou Z Q, Li T X, Liu D, Hou R J, Cui S, Yan P R. Spatiotemporal characteristics of droughts and floods in northeastern China and their impacts on agriculture. Stochastic Environmental Research and Risk Assessment, 2018, 32(10): 2913-2931. DOI:10.1007/s00477-018-1543-z |
| [43] |
Yang J P, Tan C P, Wang S J, Wang S X, Yang Y, Chen H J. Drought adaptation in the Ningxia Hui autonomous region, China: actions, planning, pathways and barriers. Sustainability, 2015, 7(11): 15029-15056. DOI:10.3390/su71115029 |
| [44] |
Wu D H, Zhao X, Liang S L, Zhou T, Huang K C, Tang B J, Zhao W Q. Time-lag effects of global vegetation responses to climate change. Global Change Biology, 2015, 21(9): 3520-3531. DOI:10.1111/gcb.12945 |
| [45] |
Pei W, Fu Q, Liu D, Li T X, Cheng K, Cui S. Spatiotemporal analysis of the agricultural drought risk in Heilongjiang Province, China. Theoretical and Applied Climatology, 2018, 133(1/2): 151-164. DOI:10.1007/s00704-017-2182-x |
| [46] |
Xing Z X, Yang Z R, Fu Q, Li H, Gong X L, Wu J Y. Characteristics and risk assessment of agricultural meteorological disasters based on 30 years' disaster data from Heilongjiang Province of China. International Journal of Agricultural and Biological Engineering, 2017, 10(6): 144-154. DOI:10.25165/j.ijabe.20171006.2537 |