吴安坤，周道刚，朱曦嵘3，吴仕军，杨 群

（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.黔西南州气象局，贵州兴义 562400）



基于人口经济数据空间化的贵阳市雷电灾害区域风险评价

吴安坤1，2，周道刚1，朱曦嵘3，吴仕军1，杨 群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.黔西南州气象局，贵州兴义 562400）

摘 要：利用DMSP/OLS夜间灯光数据、NDVI指数，融合道路网密度，构建的人居指数反映人口和经济的分布情况，结合近10年闪电定位监测及土壤数据库资料，采用投影寻踪模糊聚类方法获取指标权重，基于GIS技术获得0.001°×0.001°的贵阳市雷电灾害风险区划图。研究结果表明：贵阳市各区县人居指数累计值与统计的人口、GDP呈现高度线性正相关，利用人居指数的空间分布可综合反映人口和经济的分布信息，以此为灾害分析提供精细化、可靠的数据源；全市雷电灾害高风险区分布在南明、云岩、白云、观山湖、清镇、花溪等地的中心城区以及龙洞堡机场附近；次高及中风险区多分布在红枫湖、站街、沙文、扎佐、龙场、久长、开阳以及贵阳市中心城区周边一带。

关键词：DMSP/OLS数据；人口经济；空间化；雷电灾害；风险评价

0 引言

雷电灾害指直接雷击或雷击电磁脉冲造成人身伤亡或物体损坏，酿成不良社会和经济后果的事件［1］。随着社会经济的高速发展，雷电灾害带来的影响引起人们的普遍关注，许多地区纷纷开展雷电灾害区域风险评估工作。但对于雷电灾害风险评价分析的研究，目前多倾向于如何构建和选取评价指标体系、采用何种方法赋予权重［2-5］，对区域评估分析的精度缺乏精细化的研究，多以市级［6］、县级［7］行政区域作为区划研究单元，存在空间单元尺度大，分辨率低等缺陷，在应用于具体灾害风险管理实践时难以操作与把握。

雷电灾害作为“最严重的十种自然灾害之一”，产生的影响主要表现为人身伤亡和经济财产损失两个方面，作用于承灾体上直接反映了某个区域的人口和经济情况。一直以来，人口经济数据的收集、整理以及存贮都是以行政区域为基础统计单元［8］，若直接引入进行雷电灾害风险识别，不能反映人口、GDP等雷电灾害承灾体实际的空间分布特征，影响评价的精准度。近年来，随着RS、GIS技术的快速发展，高分辨率的遥感数据被用来模拟人口、GDP等社会经济数据的空间分布［9］。本文利用贵州省气象部门2006～2015年闪电定位监测数据，基于DMSP/OLS夜间灯光、NDVI等遥感数据，融合道路网密度进行人口经济数据空间化，采用投影寻踪聚类分析方法获取评价指标的权重系数，基于 GIS技术获得0.001°×0.001°的贵阳市雷电灾害风险评价模型，并进行精细化的风险区划，以期提高风险管理的精准度，为有效地防御雷电灾害提供客观依据。

1 数据及处理

（1）DMSP/OLS夜间灯光数据来源于美国国家地球物理数据中心（NGDC，The National Geophysical Data Center），将其投影由经纬度投影转换为阿伯斯等面积投影，再对其进行归一化处理。

（2）植被覆盖指数NDVI数据来自于NASA的地球观测系统（EOS）数据中心（MODIS），将其投影转换为阿伯斯等面积投影。

（3）土壤电导率资料来源于世界土壤数据库（简称HWSD），是由联合国粮农组织（FAO）、国际应用系统分析研究所（IIASA）、荷兰 ISRICWorld Soil Information、中国科学院南京土壤研究所（ISSCAS）、欧洲委员会联合研究中心（JRC）于2009年3月共同发布，其分辨率可达1km。

（4）闪电监测资料来源于贵州省闪电定位监测系统，数据分别采用邻域网格法、反距离插值获取0.001°×0.001°分辨率的年均地闪密度、平均地闪强度。

（5）贵州省统计局2015年贵州省统计年鉴统计的2014年各区县人口、GDP总量［10］。

（6）贵州省1∶400万基础地理数据，包括区县边界、河流分布等，贵阳市乡镇地图。

其中DMSP/OLS夜间灯光数据、NDVI数据、土壤电导率资料均为栅格数据，为便于数据的分析计算，均采用IDW插值处理，输出空间分辨率为0.001°×0.001°。

2 人口经济数据空间化

人口、经济作为雷电灾害中最直接的受灾体之一，其精细、准确的空间分布是灾害风险分析的基础。近年来，随着遥感、地理信息技术的发展及应用，DMSP/OLS夜间灯光数据被用来反映人口经济的空间分布情况。LU等［11］研究结果表明：NDVI指数与DMSP/OLS夜间灯光数据在反映人类活动方面具有很好的互补性，融合后可以有效减少夜灯数据本身的过饱和现象，并以此提出了一种新的概念——人居指数，以此来表征某一区域的人口空间分布情况。杨续超等［8］在其基础上引入DEM数据，对高于600m的区域的人居指数进行海拔订正，得到更为精确的人口空间分布数据。

据此，本文提取2013年贵阳市DMSP/OLS夜间灯光和年最大NDVI值的空间分布，经归一化处理后的夜间灯光指数（图1a）与NDVI（图1b）指数具有很好的空间对应关系，夜间灯光值高的区域NDVI值低。考虑到贵州省属于典型的山区省份，海拔高度的差异性变化对人口分布的影响并不明显。据此引入道路网密度指数，对LU等［11］提出的人居指数公式进行修正。首先提取贵阳市基础地理数据中的国道、省道、县道及一般其他道路进行合并处理，采取线密度分析得到贵阳市道路网密度指数（图1c）。进一步采用指数函数回归，分析各区县平均道路网密度指数与人口密度的关系（图1d），其回归方程的拟合优度R2=0.9768，呈现很高的正相关性。于是引入道路网密度指数，参考LU等［11］研究，构建人居指数（Human settlement index，HSI）如下：其中：NDVImax为NDVI的最大值，R为道路网密度指数；OLSnor为经归一化处理的夜间灯光（0-1），OLSmax、OLSmin分别为夜间灯光数据的最大值和最小值。

基于DMSP/OLS夜间灯光数据和NDVI植被指数，融入道路网密度计算的贵阳市人居指数空间分布如图2a所示，人居指数高值区主要分布贵阳市的南明、云岩两主城区，白云、乌当、花溪、观山湖区次之，修文、息烽、开阳最低。进一步分析各区县人居指数累计值与人口（图2b）、GDP（图2c）统计数据的关系，采取线性拟合人口、GDP与人居指数，其拟合优度均大于0.8，并呈现高度线性正相关，各区县的人居指数的空间分布可反映该区域的人口经济分布情况，以此为灾害分析提供精细化、可靠的数据源。

3 风险评价

雷电灾害风险指未来一段时间内由于雷电直接或间接作用造成损失的程度，通常采用模拟雷电灾害的形成，或基于历史灾情数据综合分析进行评价。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，要求获取研究区域详细的地理背景数据，并对评价指标进行定量化是关键。本文从致灾因子的危险性、孕灾环境的敏感性以及承灾体的脆弱性三个方面，选定地闪密度、地闪强度、强电流（雷电流大于50kA）密度、土壤电导率以及人居指数作为雷电灾害风险评价指标。

针对具有多属性指标的对象进行评价时，要求消除不同指标间量纲的差异，本文采用正向极差变换法对雷电灾害风险评价指标进行归一化处理。

确定指标权重旨在确定风险结果与评价指标之间的数值换算关系，是定量化分析多指标多因素风险评价的必要途径。目前，确定指标权重的方法主要有层次分析法、专家打分法等主观赋权，主成分分析、最大熵技术法等客观赋权以及主客观相结合的综合赋权［4］。本文采用投影寻踪模糊聚类（Projection Pursuit Classification，PPC）的客观方法，通过遗传迭代，寻求最优投影方向，将多维数据投影到低维空间。

表1为经归一化处理后的白云区、观山湖区、花溪区、开阳县、南明区、清镇市、乌当区、息烽县、修文县、云岩区的雷电灾害风险评价指标样本，采用遗传计算过程中选定父代初始种群规模为400，交叉概率为Pc=0.80，变异概率Pm=0.20，得出最佳投影方向各分量值为 a→=（0.6913，0.2027，0.4413，0.5236，0.1102）。最佳投影方向的各分量值大小反映该指标对的贡献程度，即为权重系数。其中人居指数、地闪密度和强电流密度对雷电灾害风险的影响较大，直接体现为致灾因子、承灾体两者间的相互作用，与雷电灾害风险发生机理吻合一致。

表1 经归一化处理后的评价指标Tab.1 The normalized evaluation indexes

根据计算的最大投影方向向量，雷电灾害风险评价模型为：

式中R为雷灾风险评价值，H为人居指数，I为地闪强度，P为地闪强度高于50kA的闪电密度，D为地闪密度，S为土壤电导率。

基于上述的雷灾风险评估模型得出雷电灾害风险评价模型，代入栅格数据人居指数（图2a）、地闪密度（图3a）、地闪强度（图3b）、强电流密度（图3c）、土壤电导率（图3d）在GIS平台进行计算，采用自然断点分级法将雷电灾害风险划分为低风险区、次低风险区、中风险区、次高风险区、高风险区5个等级。

为进一步细化风险识别，通过扫描贵阳市乡镇地图进行图像配准，建立投影系统后数字化采集乡镇边界属性，得到贵阳市雷电灾害风险评价区划图如图4所示。高风险区分布在南明、云岩、白云、观山湖、清镇、花溪等地的中心城区以及龙洞堡机场附近；次高及中风险区多分布在红枫湖、站街、沙文、扎佐、龙场、久长、开阳以及贵阳市中心城区周边一带。

表2 自然间距断点法划分风险等级Tab.2 Risk grade by natural pitch break method

表3 贵阳市各乡镇雷电灾害风险分布Tab.3 Distribution of lightning disaster risk in towns of Guiyang City

4 结论与讨论

本文利用DMSP/OLS夜间灯光数据、NDVI遥感数据，融合道路网密度，构建的人居指数反映人口和经济的分布情况，进一步结合历史闪电资料、世界土壤数据库，采用投影寻踪模糊聚类方法获取指标权重，基于 GIS技术获得 0.001°× 0.001°的贵阳市雷电灾害风险评价与区划结果。研究结果表明：

（1）采用夜间灯光数据、植被指数，融合道路网密度得到的各区县人居指数累计值与统计的人口、GDP呈现高度线性正相关。利用人居指数的空间分布可综合反映人口和经济的分布信息，以此为灾害分析提供精细化、可靠的数据源。

（2）从致灾因子、孕灾环境以及承灾体三个方面，构建雷电灾害风险评价指标。其中人居指数、地闪密度和强电流密度对雷电灾害形成的作用较大，直接体现为致灾因子、承灾体两者间的相互作用。

（3）高风险区分布在南明、云岩、白云、观山湖、清镇、花溪等地的中心城区以及龙洞堡机场附近；次高及中风险区多分布在红枫湖、站街、沙文、扎佐、龙场、久长、开阳以及贵阳市中心城区周边一带。

人口经济数据空间化可将风险研究范围从以市、县级行政区域细化到某一具体的格点，为实现精细化的风险评价奠定基础。下一步将全省范围出发，增加样本，提高空间化模型的普适度，此外增加评价指标，构建多层次结构的雷电灾害风险评价模型，提高风险区划的可靠性。

参考文献

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

［2］ 崔逊，庄燕洵，王洪生.基于组合评价法的江苏省雷电灾害风险区划［J］.自然灾害学报，2015，24 （6）：187-194.

［3］ 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，2010，29 （3）：279-283.

［4］ 吴安坤，李忠良，李艳，等.基于历史灾情数据的雷电灾害风险分析与评价［J］.防灾科技学院学报，2015，17（4）：26-31.

［5］ 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，2012，32（1）：80-85.

［6］ Wu A K，Liu B，Zhang Sh X，et al.Analysis and Zoning on Vulnerability of the Lightning Disaster in GuizhouProvince［J］.Meteorologicaland Environmental Research，2013，4（S1）：15-17.

［7］ 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.

［8］ 杨续超，高大伟，丁明军，等.基于多源遥感数据及DEM的人口统计数据空间化——以浙江省为例［J］.长江流域资源与环境，2013，22（6）：729-734.

［9］ 赵伟，杨续超，张斌.浙江省雷电灾害风险分析及区划［J］.热带气象学报，2014，30（5）：996-1000.

［10］ 贵州省统计局，国家统计局贵州调查总队.贵州统计年鉴2015［M］.北京：中国统计出版社，2015.

［11］ Lu D，Tian H，Zhou G，et al.Regional mapping of humansettlementsinsoutheasternChinawith multisensory remotelysenseddata［J］.Remote Sensing of Environment，2008，112（9）：3668-3679.

中图分类号：P427.32

文献标识码：A

文章编号：1673-8047（2016）02-0019-07

收稿日期：2016-02-20

基金项目：贵州省防雷减灾公共服务综合标准化试点项目

作者简介：吴安坤（1986—），男，本科，工程师，主要从事雷电科学与防护技术研究。

Risk Assessment of Lightning Disaster in Guiyang City Based on Spatialization of Population and Economic Data

Wu Ankun1，2，Zhou Daogang1，Zhu Xirong3，Wu Shijun1，Yang Qun1
（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.Meteorological Bureau of Southwest Guizhou，Xingyi 562400，China）

Abstract：In this paper，the DMSP/OLS night lights，NDVI and road network density were used to construct human settlement index.Combined with historical lightning data，HWSD，by using projection pursuit fuzzy clustering method，we obtain the index weight，and risk assessment map of lightning disaster in Guiyang city with 0.001°× 0.001°by GIS Technology.Research results show that：The cumulative value of human settlement index and statistics of the population，GDP showed a high degree of linear positive correlation in each county.The spatial distribution of human settlements can be integrated to reflect the distribution of population and economic information，so as to provide a detailed and reliable data source for disaster analysis.High-risk areas of lightning disaster are located near the downtown area of Nanming，Yunyan，Baiyun，Guanshanhu，Qingzhen，Huaxi，and Longdongbao Airport.The medium-risk areas are mainly in Hongfeng Lake，Zhanjie，Shawen，Zhazuo，Longchang，Jiuchang，Kaiyang and Guiyang downtown surrounding area.

Keywords：DMSP/OLS data；population economy；spatialization；lightning disaster risk zoning