吴安坤，李忠良，李 艳，吴仕军

(1.贵州省防雷减灾中心，贵州贵阳 550081；2.成都信息工程大学大气科学学院，四川成都 610225；3.南京信息工程大学地理与遥感学院，江苏南京 210044；4.贵州省大气探测技术与保障中心，贵州贵阳 550081)

基于历史灾情数据的雷电灾害风险分析与评价

吴安坤1，2，李忠良3，李 艳4，吴仕军1

(1.贵州省防雷减灾中心，贵州贵阳 550081；2.成都信息工程大学大气科学学院，四川成都 610225；3.南京信息工程大学地理与遥感学院，江苏南京 210044；4.贵州省大气探测技术与保障中心，贵州贵阳 550081)

基于历史灾害数据的灾害风险分析与评价，采用信息扩散技术弥补历史灾情数据样本小、资料不充分的缺陷，运用投影寻踪聚类模型对评价指标进行客观赋值、综合评价。以贵州省近12年雷电灾害事故为样本、不同等级雷灾风险为评价指标，对全省雷电灾害风险进行评价。结果表明：毕节发生特重大、重大、较大雷灾事故的风险均高于其他市州，一般雷灾事故高发区出现在贵阳，≥45次的风险为0.0506，约为20a一遇；进一步进行综合灾害风险评价，应用自然间距断点法进行风险等级划分，毕节、黔南、铜仁属雷电灾害极高风险区，贵阳、六盘水、黔西南属高风险区，安顺、黔东南属中风险区，遵义属低风险区。

投影寻踪聚类；信息扩散理论；灾害重现率；风险评价

0 引言

基于模拟自然灾害形成过程的风险分析方法，无疑是比较科学的，但实际中存在诸多限制。比如难以获取研究区域详细的地理背景数据和对区域易损性指标定量化。相对而言，基于历史灾情数据、运用相应数学方法进行风险分析，无需详细的地理背景数据支持。同时，历史灾情数据本身作为自然灾害与承灾体作用的结果，体现承灾体在面临一定强度自然灾害时的损失程度，无需进行易损性分析，具有直观可信的优点。

雷电灾害作为最严重的十种自然灾害之一，对其进行灾害风险评价显得尤为重要。国内在雷电灾害风险评价方面已做了大量的研究[1-6]，倾向于采用模拟自然灾害形成过程，从致灾因子、孕灾环境、承灾体方面选取相应的评价指标，采用专家打分、分级统计、层次分析等主观分析方法确定评价指标权重并进行风险区划。本文基于贵州省历史雷电灾情数据，采用投影寻踪聚类模型结合信息扩散理论得到的雷电灾害风险指标，构建灾害评价模型进行风险分析与评价。

1 研究区域概况

贵州地处云贵高原东侧，地势由西部海拔2400m以上降到中部1200～1400m、东部500～800m，呈现梯级状大斜坡，属于典型的山区省份。全省闪电密度达到10.2fl·km-2·a-1，仅次于广东、广西、海南，排名全国第四，雷电活动频繁；据不完全统计，1997—2006年发生雷电灾害事故852起，其中人员伤亡雷灾事故数为222起，共造成320人死亡，361人受伤，人员死伤率每百万人为19.32，位居全国第四[7]。雷灾月频分布集中在4～8月，占雷灾总数的85%以上；时频分布主要集中在14～23时，占75%以上。

2 资料来源与方法

本文资料来源于贵州省2003—2014年雷电灾情统计数据，按照雷电灾害事故等级划分标准[8]，对各市州灾情数据进行统计。

目前国内外关于自然灾害风险评价的研究方法主要有专家打分法[9]、层次分析法[10]等主观赋权，主成分分析[11]、最大熵技术法[12]、模糊综合评价[13]、灰色模糊信息[14]等客观赋权以及主客观相结合的综合赋权。本文采用投影寻踪聚类模型结合信息扩散理论构建雷电灾害风险指标，进行雷电灾害风险分析与评价。

投影寻踪(Projection Pursuit，PP)是由Friedman等学者提出的基于探索性和确定性分析的聚类与分类方法，在一定程度解决多指标分类等非线性问题，减少人为的主观性操控[18]。投影寻踪聚类(Projection Pursuit Classification，称PPC)，它是以每一类内具有相对大的密集度，而各类之间具有相对大的散开度为目标来寻找最优一维投影方向，最终根据相应的综合投影特征值对样本进行综合分析评价。

信息扩散理论是一种对样本进行集值化的模糊数学处理方法，它可以将单值样本变成集值样本，最简单的模型是一维线性信息分配模型。最原始的形式是信息分配方法，最简单的信息扩散函数是正态扩散函数。将一个分明值的样本点，变成一个模糊集或者说，是把单值样本点，变成集值样本点。

3 不同等级雷灾风险分析

历史雷电灾情数据由于受地域、经济、社会关注度等因素的影响，有资料时间序列短、数量少的特点。采取概率统计进行分析，通常需要样本容量尽可能大，小样本会导致分析结果波动性较大，存在大幅度偏离实际的情况。黄崇福教授提出基于信息扩散理论的灾害风险分析方法[19]，以解决小样本事件的缺陷，并在自然灾害风险分析中得到了广泛的应用[20-22]。本文采用信息扩散理论对雷电灾情数据样本进行扩充，以此分析各市州不同等级雷灾风险。

以贵阳为例，将特别、重大、较大、一般雷电灾害事故样本Xi={x1、x2、x3、…、x12}，分别按正态分布函数次扩散至以历史最大灾情频数确定的离散灾情论域Un：{0，1，…，3}、{0，1，…，4}、{0，1，…，11}、{0，5，…，45}中，得到新的大数据样本进行归一化处理，并计算经信息扩散后推断出论域值并计算经信息扩散后推断出论域值点上样本数的总和样本点落在uj处的频率值的概率值应为p系数根据样本最大值b、最小值a及样本点个数m按照h=(b-a)/(m-1)确定。

其他市州参照贵阳依次将雷灾数据样本进行扩散，各等级雷灾中的最大频数的超越概率分布如图1所示。特重大雷灾事故发生的可能性(图1a)，毕节市高于全省其他区域；雷灾频数不小于历史极值3次的风险估计值约为0.0589，呈现大约17a一遇，高于贵阳约50a一遇。毕节、六盘水、黔东南发生重大雷灾事故的风险高于其他市州，雷灾频数不小于历史极值4次的可能性大约为16a一遇(图1b)。较大雷灾以毕节、铜仁发生的可能性较大，雷灾频数大于等于11次的重现率分别为50 a、60a一遇(图1 c)。一般雷灾风险从高至低分别为贵阳、遵义、铜仁、黔东南、安顺、黔南、黔西南、毕节、六盘水，其中贵阳雷灾频数不小于45次的风险为20a一遇(图1d)。

4 综合风险评价

4.1 评价指标

基于历史灾情数据的风险分析，对全省各地雷电灾害风险进行综合评价，选定特别重大、重大、较大、一般雷灾事故发生的风险概率作为综合雷电灾害风险评价的1级指标，各等级雷灾历史频数最值作为评价的2级指标，构建指标体系结构如表1所示。

4.2 风险区划

基于遗传算法的投影寻踪聚类模型对全省雷电灾害风险进行综合评价，利用MATLAB环境编制程序来完成模型的实现。1级指标中特重大雷灾选取历史雷灾频数不小于1次、不大于3次，重大雷灾选取历史雷灾频数不小于1次、不大于4次，较大雷灾选取历史雷灾频数不小于1次、不大于11次，一般雷灾选取历史雷灾频数不小于5次、不大于45次的概率值作为样本代入PPC模型。遗传计算过程中选定父代初始种群规模为400，交叉概率为0.80，变异概率为0.20，变异方向所需要的随机数为10，加速次数为7次，得到的最优投影方向向量分别为a1= (0.9609，0.2769)，a2=(0.3458，0.9383)，a3=(0.9163，0.4005)，a4=(0.7283，0.6852)。计算不同等级雷灾对应的投影特征值Zi见表1所示。

图1 不同强度等级雷灾事故风险概率分布(历史最大雷灾事故数)Fig.1 Distribution of lighcing accident risk probability at different intensity levels (the maximum number of lightning accidents in history)

表1 雷灾风险评价指标体系Tab.1 The evaluation index system of lightning risk

表2 不同强度等级雷灾事故风险投影特征值ZiTab.2 The risk projection characteristic value Ziof lightning accidents at different intensity levels

将不同强度等级雷灾事故风险投影特征值作为综合雷电灾害风险的评价指标，进一步代入PPC模型中，经过模型运算得到最优投影方向向量a1=(0.6075，0.3932，0.6424，0.2522)，带入计算风险投影特征值Z(0.8699，0.3603，1.6593，0.8699，0.1349，1.3322，0.5764，1.3189，0.8699)，各市州雷电灾害风险由大到小分布是毕节、铜仁、黔南、六盘水、贵阳、黔西南、黔东南、安顺、遵义。

采用自然间距断点法对风险投影特征值进行等级划分(表3)，毕节、黔南、铜仁属雷电灾害极高风险区，贵阳、六盘水、黔西南属高风险区，安顺、黔东南属中风险区，遵义属低风险区。

图2 贵州省雷电灾害风险评价区划图Fig.2 The zoning plan of lightning disaster risk evaluation in Guizhou Province

表3 自然间距断点法划分风险等级Tab.3 The risk grading with the method of natural spacing breakpoint

5 结论与讨论

采用历史灾情数据进行灾害风险评价，直接体现承灾体承受自然灾害时的损失程度。本文提出信息扩散技术与投影寻踪聚类模型相结合的方法进行雷电灾害风险分析与评价，结果显示毕节发生特重大、重大、较大雷灾事故的风险均高于其他市州，不小于历史灾情频数(3、4、11、45)的风险重现率分别为7a、16a、50a一遇；一般雷灾事故高发区出现在贵阳，大于等于45次以上的风险为0.0506，约为20 a一遇。综合雷电灾害风险由高到低分别是毕节、铜仁、黔南、六盘水、贵阳、黔西南、黔东南、安顺、遵义。应用自然间距断点法进行风险等级划分，毕节、黔南、铜仁属雷电灾害极高风险区，贵阳、六盘水、黔西南属高风险区，安顺、黔东南属中风险区，遵义属低风险区。

基于历史雷电灾情数据，采用投影寻踪聚类模型结合信息扩散理论构建风险指标，进行雷电灾害风险分析与评价。其中信息扩散理论有效的弥补了历史灾情数据由于样本量小等不足，为丰富数据分析和评价指标的合理性奠定了基础。此外，投影寻踪聚类模型是直接从审视数据出发，通过计算机分析，直接探索数据分布特征的分析方法，可以有效地排除与数据结构、特征无关或关系很小的变量的干扰，客观地对风险指标进行综合评价。

[1] 李家启，申双和，秦健，等.重庆市雷电灾害易损性风险综合评估与区划[J].西南大学学报(自然科学版)，2011(1)：96-102.

[2] 程丽丹，张永刚，杨美荣，等.河南省雷电灾害易损性分析及风险区划[J].气象与环境科学，2011 (3)：50-55.

[3] 刘垚，缪启龙，刘淼，等.杭州市雷电活动特征及雷电灾害区划[J].气象与减灾研究，2011(4)：62-67.

[4] 袁湘玲，纪华，程琳.基于层次分析模型的黑龙江省雷电灾害风险区划[J].暴雨灾害，2010(3)：279-283.

[5] 高燚，蒙小亮，劳小青.基于聚类分析的海南岛雷电灾害易损度风险区划[J].自然灾害学报，2013，22(1)：175-182.

[6] 程向阳，谢五三，王凯，等.雷电灾害风险区划方法研究及其在安徽省的应用[J].气象科学，2012 (1)：80-85.

[7] 张义军，陶善昌，马明，等.雷电灾害[M].北京：气象出版社，2009.

[8] QX/T245—2014.雷电灾害应急处置规范[S].北京：气象出版社，2015.

[9] 朱良峰，吴信才，殷坤龙，等.基于GIS的中国滑坡灾害风险分析[J].岩土力学，2003(S2)：221-224，230.

[10] 文世勇，赵冬至，陈艳拢，等.基于AHP法的赤潮灾害风险评估指标权重研究[J].灾害学，2007 (2)：9-14.

[11] 蒋卫国，李京，陈云浩，等.区域洪水灾害风险评估体系(Ⅰ)——原理与方法[J].自然灾害学报，2008(6)：53-59.

[12] 邹强，周建中，周超，等.基于最大熵原理和属性区间识别理论的洪水灾害风险分析[J].水科学进展，2012(3)：323-333.

[13] 葛怡，史培军，刘婧，等.中国水灾社会脆弱性评估方法的改进与应用——以长沙地区为例[J].自然灾害学报，2005，14(6)：54-58.

[14] 娄伟平，陈海燕，吴睿.基于灰色-模糊理论的农业旱灾风险分析[J].自然灾害学报，2011，20 (4)：90-94.

[15] 姚升保，岳超源.基于综合赋权的风险型多属性决策方法[J].系统工程与电子技术，2005(12)：2047-2050.

[16] 赵忠刚，姚安林，赵学芬，等.油气管道风险因素的权重赋值方法研究[J].天然气工业，2007(7)：103-105，108，143-144.

[17] 潘仁飞，邹乐乐，侯运炳.基于专家可信度的不确定型AHP方法及其应用[J].系统工程，2008 (10)：101-106.

[18] 庄世坚.用投影寻踪技术评价环境质量[J].环境保护，2000(2)：25-26.

[19] 黄崇福.自然灾害风险评价理论与实践[M].北京：科学出版社，2005.

[20] 吴安坤，丁旻，张淑霞，等.基于信息扩散论的贵州省雷暴活动强度分析[J].防灾科技学院学报，2015，17(3)：24-29.

[21] 游珍，封志明，杨格格，等.基于信息扩散理论的中国西部地区地震风险评估[J].地理科学，2011 (9)：1125-1130.

[22] 杜晓燕，黄岁樑.天津地区旱涝灾害危险性评价及区划研究[J].防灾科技学院学报，2011，13(1)：75-81.

Lightning Disaster Risk Analysis and Evaluation Based on Historical Data

Wu Ankun1，2，Li Zhongliang3，Li yan4，Wu Shijun1
(1.Guizhou Lightning Protection and Disaster Reduction Center，Guiyang 550081，China；2.College of Atmospheric Sciences，Chengdu University of Information Technology，Chengdu 610225，China；3.School of Geography and Remote Sensing，Nanjing University of Information Science and Technology，Nanjing 210044，China；4.Guizhou Atmospheric Detection Technology and Support Center，Guiyang 550081，China)

Disaster risk analysis and evaluation based on historical data not only compensates for such defects as limited samples and insufficient information of historical disaster data with the information diffusion technology，but also deals with the evaluation index in an objective and comprehensive way with the projection pursuit classification model.This article takes 12 years’lightning disasters in Guizhou province as samples and lightning disasters of different grades as evaluation index to evaluate the lightning disaster risk of the whole province.The result indicates that extraordinarily serious，serious and relatively serious lightning accident risk in Bijie is higher than that in other cities or prefectures.The high incidence area of general lightning accident is in Guiyang，where the risk of greater than or equal to 45 times is 0.0506，about once in 20 years.A further comprehensive disaster risk assessment with the natural spacing breakpoint method for grading finds that Bijie，Qiannan，Tongren are extremely high lightning risk areas，Guiyang，Liupanshui，Qianxinan are high risk areas，Anshun and Qiandongnan are medium risk areas and Zunyi is a low risk area.

projection pursuit classification；information diffusion theory；disaster return rate；risk evaluation

P427.32

：A

：1673-8047(2015)04-0026-06

2015-09-06

吴安坤(1986—)，男，本科，工程师，主要从事雷电灾害与防护技术研究。