趙思健，張 峭

(1．中國農(nóng)業(yè)科學(xué)院農(nóng)業(yè)信息研究所，農(nóng)業(yè)部智能化農(nóng)業(yè)預(yù)警技術(shù)重點開放實驗室，北京100081;2．北京師范大學(xué)民政部/教育部減災(zāi)與應(yīng)急管理研究院，北京100875)

我國是一個農(nóng)業(yè)大國，農(nóng)業(yè)是一個安天下、穩(wěn)民心的基礎(chǔ)產(chǎn)業(yè)，但同時我國又是一個自然災(zāi)害多發(fā)、頻發(fā)的國家。與世界平均水平相比，我國自然災(zāi)害發(fā)生頻率高出了18%。據(jù)聯(lián)合國開發(fā)計劃署的標(biāo)準(zhǔn)，我國農(nóng)業(yè)是世界上遭遇災(zāi)害最頻發(fā)、受災(zāi)面積最廣和災(zāi)害損失最嚴(yán)重的國家之一。

作為災(zāi)害防范的一種重要手段，農(nóng)業(yè)生產(chǎn)災(zāi)害風(fēng)險評估是預(yù)測與量化未來自然災(zāi)害事件對農(nóng)業(yè)生產(chǎn)可能造成的損失，是指導(dǎo)農(nóng)業(yè)生產(chǎn)災(zāi)害風(fēng)險管理的一項重要工作，逐漸受到了人們的重視。在我國，農(nóng)業(yè)生產(chǎn)災(zāi)害風(fēng)險評估工作開展得較晚，在方法上主要有基于指標(biāo)體系的評估法與基于損失統(tǒng)計的評估法。其中，基于損失統(tǒng)計的評估法運用得較為廣泛，它是在損失數(shù)據(jù)樣本的基礎(chǔ)上經(jīng)統(tǒng)計建模后計算出代表風(fēng)險的某一定量指標(biāo)，屬于純定量的方法。根據(jù)損失數(shù)據(jù)源的不同，基于損失統(tǒng)計的評估法又可分為基于單產(chǎn)損失［1-3］與基于災(zāi)情損失［4-5］的評估法，這兩類評估法在農(nóng)業(yè)災(zāi)害風(fēng)險評估中發(fā)揮著重要作用。

但不難發(fā)現(xiàn)，現(xiàn)階段的農(nóng)業(yè)災(zāi)害風(fēng)險評估研究大都停留在以空間差異為主的風(fēng)險評估上，鮮有考慮風(fēng)險在時域上的差異，尤為缺乏對風(fēng)險時空二維差異特性的研究。在尺度方面，絕大多數(shù)的研究集中在以省級、市級行政區(qū)為空間單元的中尺度上。要以縣級行政區(qū)和以月為單位的小時空尺度開展風(fēng)險評估，往往會因為損失數(shù)據(jù)樣本的嚴(yán)重不足甚至缺失而無法實施統(tǒng)計建模。小時空尺度下的風(fēng)險評估能有效地識別出高風(fēng)險區(qū)與高風(fēng)險時期，為實施更有針對、更為精確的風(fēng)險管理措施提供強(qiáng)有力的支撐，因此值得深入探索。

本研究將在有限的災(zāi)情數(shù)據(jù)基礎(chǔ)上結(jié)合氣象數(shù)據(jù)，實現(xiàn)以縣和以月為單位的小時空尺度下農(nóng)業(yè)災(zāi)害時空風(fēng)險評估。

1 研究區(qū)概況

黑龍江、吉林和遼寧俗稱東北三省，位于115°32′～135°10′E，38°43′～53°25′N 之間(圖 1)，土地總面積占全國土地總面積的8．33%，耕地面積占全國耕地總面積的16．68%，2011年糧食產(chǎn)量達(dá)到1，078億kg，占全國糧食產(chǎn)量的18．9%，主要糧食作物包括玉米、大豆、春小麥、水稻等，是我國重要的糧食生產(chǎn)基地。同時，東北三省又是我國受全球氣候變化影響最顯著的地區(qū)之一［6］，氣候變化加劇了暴雨洪澇災(zāi)害事件的發(fā)生，使東北三省成為洪澇的多發(fā)區(qū)，嚴(yán)重阻礙了區(qū)域農(nóng)業(yè)的發(fā)展。作為重要的產(chǎn)糧基地，防范洪澇災(zāi)害風(fēng)險，保障東北三省的農(nóng)業(yè)發(fā)展及糧食生產(chǎn)安全對于保障我國的整體糧食安全有著極其重要的戰(zhàn)略意義。

圖1 東北三省縣級行政區(qū)劃及氣象站點分布

基于上述背景，本文選擇東北三省為研究區(qū)，以洪澇災(zāi)害為影響農(nóng)作物生產(chǎn)的代表性災(zāi)種，開展以縣和以月為單位的農(nóng)作物洪澇時空風(fēng)險評估研究。

2 數(shù)據(jù)收集與處理

2.1 數(shù)據(jù)收集

本研究收集了如下四類分析數(shù)據(jù):① 農(nóng)作物洪澇災(zāi)情數(shù)據(jù);②農(nóng)作物種植面積數(shù)據(jù);③數(shù)字高程模型(DEM)數(shù)據(jù);④ 氣象站點日降雨量數(shù)據(jù)。

農(nóng)作物洪澇災(zāi)情數(shù)據(jù)來源于多種渠道，包括中國氣象災(zāi)害大典、地方氣象局統(tǒng)計資料和地方農(nóng)業(yè)局統(tǒng)計資料等。災(zāi)情數(shù)據(jù)總量為544條(表1)，在時間序列上為1984-2009年，空間尺度上精確到縣級，時間尺度上精確到年月日，災(zāi)情統(tǒng)計的數(shù)據(jù)指標(biāo)包括了農(nóng)作物受災(zāi)面積(hm2)、成災(zāi)面積(hm2)和絕收面積(hm2)。其中，成災(zāi)面積與絕收面積數(shù)據(jù)存在嚴(yán)重的缺失，但經(jīng)資料統(tǒng)計可知，成災(zāi)與絕收面積大致是受災(zāi)面積的1/2和1/3，因此可選擇受災(zāi)面積作為農(nóng)作物災(zāi)情損失指標(biāo)。農(nóng)作物洪澇災(zāi)情數(shù)據(jù)的具體格式如表2所示。

表1 東北三省農(nóng)作物洪澇災(zāi)情數(shù)據(jù)統(tǒng)計(1984-2009)

表2 東北三省農(nóng)作物洪澇災(zāi)情記錄(1984-2009)

農(nóng)作物種植面積數(shù)據(jù)來源“中國農(nóng)業(yè)部縣級農(nóng)村經(jīng)濟(jì)統(tǒng)計數(shù)據(jù)庫”，時間序列上為1981-2011年，空間尺度上精確到縣級，種植面積單位為hm2。

數(shù)字高程模型(DEM)數(shù)據(jù)來源“中國科學(xué)院資源環(huán)境科學(xué)數(shù)據(jù)中心”(http://www．resdc．cn/)。DEM是柵格數(shù)據(jù)，空間精度是30 m(圖2)。整個東北三省東倚長白山脈，北靠小興安嶺，南鄰渤海黃海，中部是廣袤的東北平原(包括位于東北部的三江平原、中西部的松嫩平原和西南部的遼河平原)、地形開闊。

氣象站點日降雨數(shù)據(jù)來源于“中國氣象科學(xué)數(shù)據(jù)共享服務(wù)網(wǎng)”(http://cdc．cma．gov．cn/)。整個東北三省共設(shè)86個氣象站點(站點分布如圖1所示)，降雨量數(shù)據(jù)在時間序列上是從1959-2011年，在時間尺度上精確到日，單位為mm。

2.2 數(shù)據(jù)處理

(1)農(nóng)作物洪澇受災(zāi)率計算

假設(shè)某縣發(fā)生的某一次洪澇災(zāi)害造成農(nóng)作物受災(zāi)面積a，對應(yīng)年份的農(nóng)作物種植面積s，則此次農(nóng)作物洪澇受災(zāi)率y計算如下:

農(nóng)作物洪澇受災(zāi)率將作為農(nóng)作物洪澇災(zāi)情指標(biāo)。

(2)縣級行政區(qū)平均高程計算

由于DEM是格網(wǎng)數(shù)據(jù)，不易與以縣為單位的災(zāi)情數(shù)據(jù)進(jìn)行統(tǒng)計分析。因此，可利用DEM計算縣級行政區(qū)的平均高程，即:

(3)縣級行政區(qū)日降雨量插值計算

從圖1可以看出，東北三省全境范圍內(nèi)86個氣象站點無法完全覆蓋182個縣級行政區(qū)，利用氣象站點日降雨量直接評價縣級行政區(qū)日降雨量顯得比較粗糙。為了體現(xiàn)縣級行政區(qū)日降雨量的差異，可先查找與縣級行政區(qū)中心點最近的3個氣象站點，再利用查找到的3個站點日降雨量數(shù)據(jù)，采用反距離權(quán)重法(IDW)［7］插值出縣級行政區(qū)的日降雨量。

圖3 縣級行政區(qū)日降雨量插值示意

圖3示意了縣級行政區(qū)日降雨量的插值過程。假設(shè)待計算的縣級行政區(qū)中心點為c，查找到與該中心點最近的3個氣象站點(mk，k=1，2，3)，并計算出中心點與3個氣象站點的距離(dk，k=1，2，3)后，縣級行政區(qū)日降雨量ic(mm)的IDW插值計算如下:

式中:ik(k=1，2，3)表示3個氣象站點的日降雨量(mm)。

3 農(nóng)作物洪澇時空風(fēng)險評估

3.1 農(nóng)作物洪澇脆弱性分析

承災(zāi)體是致災(zāi)因子作用的對象，脆弱性是用于衡量承災(zāi)體遭受不同致災(zāi)因子下的損害程度，是致災(zāi)因子與災(zāi)情聯(lián)系的橋梁［8］。當(dāng)承災(zāi)體的脆弱性側(cè)重于因災(zāi)造成的災(zāi)情水平時，通?？捎弥聻?zāi)因子(h)與災(zāi)情(l)之間的關(guān)系曲線或方程式表示，即V=f(h，l)，又叫做脆弱性曲線或災(zāi)損(率)曲線，用來衡量不同的致災(zāi)因子強(qiáng)度與相應(yīng)損失(率)之間的關(guān)系。在本研究中，洪澇災(zāi)害的致災(zāi)因子是強(qiáng)降雨，承災(zāi)體是農(nóng)作物，農(nóng)作物洪澇脆弱性就要建立降雨與農(nóng)作物受災(zāi)率之間的曲線或函數(shù)關(guān)系。

洪澇通常發(fā)生在一次強(qiáng)降雨過程中。所謂一次強(qiáng)降雨過程是指一日或連續(xù)多日的平均日降雨量均超過某一閾值i0的階段性降雨(圖4)。根據(jù)經(jīng)驗，閾值i0可取30 mm/d(大雨級別)。描述一次強(qiáng)降雨過程的數(shù)據(jù)指標(biāo)可以包括過程降雨量(mm)、過程降雨量極值(mm)、過程平均降雨量(mm/d)和降雨持續(xù)時間(d)。

圖4 強(qiáng)降雨過程圖示

不難發(fā)現(xiàn)，除了強(qiáng)降雨，洪澇災(zāi)害的發(fā)生和災(zāi)情的形成還與該地區(qū)的自然環(huán)境有密切的聯(lián)系，其中地形對洪澇形成的影響頗深，即地勢低較地勢高的地區(qū)更易形成大面積的積澇。因此，本研究將建立降雨、地形高程與農(nóng)作物受災(zāi)率之間的農(nóng)作物洪澇脆弱性函數(shù)。

綜合運用縣級災(zāi)情數(shù)據(jù)、縣級降雨量數(shù)據(jù)指標(biāo)和縣級平均高程數(shù)據(jù)進(jìn)行回歸分析。經(jīng)分析發(fā)現(xiàn)，過程降雨量與災(zāi)情的相關(guān)關(guān)系較其他降雨過程指標(biāo)要好，為此采用過程降雨量作為回歸分析。經(jīng)回歸計算，東北三省農(nóng)作物洪澇受災(zāi)率二元回歸曲面如圖5所示，回歸方程如下:

式中:yc表示農(nóng)作物受災(zāi)率;im，c表示過程降雨量(mm);ˉhc表示平均高程(m)。

東北三省農(nóng)作物洪澇受災(zāi)率二元回歸的相關(guān)系數(shù)為R=0．626，相關(guān)系數(shù)總體水平并不高。究其原因，一方面是洪澇災(zāi)害本身存在較強(qiáng)的隨機(jī)性，受隨機(jī)性影響相關(guān)系數(shù)不會太高;另一方面，一個地區(qū)的農(nóng)作物洪澇受災(zāi)率不僅與強(qiáng)降雨、高程有密切關(guān)系，還與該地區(qū)的河流和植被等其他環(huán)境因子有關(guān)系(例如河流密集和植被稀疏的地區(qū)易發(fā)生洪澇)。但由于缺乏相關(guān)數(shù)據(jù)，目前暫無法對這些因子進(jìn)行綜合考慮。但從圖5可以看出，回歸曲面客觀、有效地反映出過程降雨量、平均高程與受災(zāi)率之間的趨勢關(guān)系，因此可被用于后續(xù)的風(fēng)險評估中。

圖5 東北三省農(nóng)作物洪澇受災(zāi)率二元回歸

3．2 分縣分月過程降雨量概率分布擬合

3．2．1 洪澇災(zāi)害月發(fā)生頻次分析

在不考慮洪澇災(zāi)害強(qiáng)度及造成損失的前提下，可先利用收集的洪澇災(zāi)情數(shù)據(jù)對洪澇災(zāi)害不同月份上的發(fā)生頻次進(jìn)行統(tǒng)計(圖6)。結(jié)果顯示，東北三省從1984-2009年期間有98%以上的洪澇災(zāi)害發(fā)生在4-9月間，且6、7和8月是洪澇的頻發(fā)期，其他月份的洪澇可忽略不計。因此，下面僅對4-9月(6個月)的過程降雨量概率分布進(jìn)行分月擬合。

圖6 東北三省洪澇月發(fā)生頻次統(tǒng)計

3．2．2 過程平均降雨量概率分布的非參數(shù)擬合

分布擬合的方法通常有參數(shù)估計法與非參數(shù)估計法。參數(shù)估計法雖運用較廣，但要求有先驗的分布函數(shù)、樣本容量足夠大且已知總體分布的有關(guān)信息，而實際應(yīng)用中往往很難獲得總體分布信息，選擇先驗分布函數(shù)的過程也比較繁瑣。相比之下，非參數(shù)估計法不限制樣本母體的分布形式，估計結(jié)果相對穩(wěn)定。為此，本文采用非參數(shù)核密度的信息擴(kuò)散模型［9］進(jìn)行過程降雨量概率分布的擬合。

首先，利用縣級行政區(qū)的日降雨數(shù)據(jù)，分縣分月(僅4-9月)提取過程降雨量樣本，即:

式中:c表示縣級行政區(qū)單元，t表示月份，im，ct表示縣級行政區(qū)月份上過程降雨量樣本集合，im，k表示集合中的過程降雨量樣本，l表示集合中的樣本個數(shù)。

假設(shè)過程降雨量的樣本空間U為［0，6 000］，并將樣本空間分成s等分，獲得U的離散論域:

對樣本集合Im中的任一個樣本im，k，利用正態(tài)分布規(guī)律擴(kuò)散到U中的所有點ub，即:

式中:h稱為擴(kuò)散系數(shù)，即組間寬度參數(shù)，這個參數(shù)決定了密度函數(shù)的平滑程度，h越大密度越平滑，選擇一個合適的組間寬度參數(shù)是非參數(shù)核密度估計的重要步驟。在實踐中，選擇組間寬度的方法有交叉驗證法、Silverman的“經(jīng)驗法則”和插入法［10］。本文選擇Silverman的“經(jīng)驗法則”，根據(jù)Barry G K和Alan P K的工作［11］，優(yōu)化的參數(shù)h為:^

σ為樣本標(biāo)準(zhǔn)差，Q為四分位數(shù)間距，即第75百分位點樣本值減去第25百分位點樣本值。在實際工作中，由于數(shù)據(jù)常常偏離正態(tài)分布，式(8)中的范圍因子1．06 降到0．9 效果較好［12］。

就是樣本空間U中樣本點ub的頻率值，可作為概率的估計值。

利用分縣分月的過程降雨量樣本，采用Silverman的“經(jīng)驗法則”計算出最優(yōu)組間寬度h，取s=100運用非參數(shù)核密度的信息擴(kuò)散模型，逐一擬合各縣各月的過程平均降雨量核密度。圖7是遼寧省燈塔市的過程降雨量核密度概率擬合圖。

3.3 分縣分月農(nóng)作物洪澇時空風(fēng)險評估

3．3．1 時空風(fēng)險評估

通常農(nóng)業(yè)災(zāi)害風(fēng)險可以分為一般風(fēng)險與巨災(zāi)風(fēng)險。一般風(fēng)險是指發(fā)生概率較高，損失較低的風(fēng)險;而巨災(zāi)風(fēng)險是指發(fā)生概率較低，損失巨大的風(fēng)險。根據(jù)農(nóng)業(yè)風(fēng)險管理的原則，針對一般風(fēng)險和巨災(zāi)風(fēng)險有著不同的管理策略。本文只對農(nóng)作物洪澇的一般風(fēng)險進(jìn)行評估，可在過程降雨量概率曲線中選取1 000 mm為界限，低于1 000 mm的過程降雨量所引發(fā)的洪澇風(fēng)險為一般風(fēng)險，高于1 000 mm的為巨災(zāi)風(fēng)險，如圖8所示。

圖7 分月過程降雨量概率擬合(遼寧省燈塔市為例)

圖8 一般與巨災(zāi)風(fēng)險的劃分

圖9 東北三省農(nóng)作物洪澇風(fēng)險時空差異

從風(fēng)險量度的角度上，農(nóng)作物洪澇風(fēng)險可以表達(dá)為洪澇造成農(nóng)作物的期望受災(zāi)率，而一般風(fēng)險則可以表達(dá)為處在(0，1 000］過程降雨量區(qū)間內(nèi)洪澇造成農(nóng)作物的條件期望受災(zāi)率。根據(jù)該定義，分縣分月的農(nóng)作物洪澇風(fēng)險可表達(dá)為:

式中:c表示縣級行政區(qū)單元，t表示月份，CE表示受災(zāi)率Y的條件期望，pct表示該縣級行政區(qū)該月份出現(xiàn)過程降雨量ub(mm)的概率，yc表示該縣級行政區(qū)過程降雨量ub造成的農(nóng)作物洪澇受災(zāi)率?！c表示該縣級行政區(qū)的平均高程(m)。利用分縣分月的過程降雨量核密度計算結(jié)果(14)，結(jié)合農(nóng)作物洪澇脆弱性函數(shù)(4)，采用式(15)計算出東北三省分縣分月的農(nóng)作物洪澇時空風(fēng)險(圖9)。

3．3．2 風(fēng)險時空差異分析

從圖9可以看出，東北三省農(nóng)作物洪澇風(fēng)險在時空維上存在著差異。

從空間維度上，東北三省農(nóng)作物洪澇風(fēng)險集中分布在三大平原上，分別是位于西南部的遼河平原、中西部的松嫩平原和東北部的三江平原(圖2)。三大平原中，位于遼寧省境內(nèi)的遼河平原具有較高的洪澇風(fēng)險(6個月平均風(fēng)險值大于0．200 0)，位于黑龍江境內(nèi)的三江平原的洪澇風(fēng)險次之(6個月平均風(fēng)險值大于0．180 0)，而位于吉林省和黑龍江境內(nèi)的松嫩平原再次(6個月平均風(fēng)險值大于0．150 0)。在遼河平原上，位于平原中部的營口市(6個月平均風(fēng)險值0．238 1)、大洼縣(6個月平均風(fēng)險值0．237 7)、盤山縣(6個月平均風(fēng)險值0．237 6)、盤錦市(6個月平均風(fēng)險值0．237 5)、臺安縣(6個月平均風(fēng)險值 0．237 0)、遼中縣(6個月平均風(fēng)險值0．235 8)、沈陽市(6個月平均風(fēng)險值0．220 8)、燈塔市(6個月平均風(fēng)險值0．220 2)等洪澇風(fēng)險較高;在三江平原上，位于平原北部的撫遠(yuǎn)縣(6個月平均風(fēng)險值0．221 0)、同江市(6個月平均風(fēng)險值0．219 7)、富錦市(6個月平均風(fēng)險值0．216 8)、綏濱縣(6個月平均風(fēng)險值0．216 3)等洪澇風(fēng)險較高;在松嫩平原上，位于平原中西部地區(qū)的肇源縣(6個月平均風(fēng)險值0．187 5)、大安市(6個月平均風(fēng)險值 0．185 6)、鎮(zhèn)賚縣(6個月平均風(fēng)險值0．184 2)、大慶市(6個月平均風(fēng)險值0．184 0)、杜爾伯特蒙古族自治縣(6個月平均風(fēng)險值0．182 9)等洪澇風(fēng)險較高。

在時間維度上，東北三省農(nóng)作物洪澇風(fēng)險由4月份開始逐步遞增(4月三省風(fēng)險均值為0．128 0，5月為0．141 8，6月為0．156 8)，7月份達(dá)到最大(0．164 4)，8月份次之(0．162 3)，9月份又恢復(fù)到6月份的水平(0．152 6)。在空間上，遼河平原隨著時間變化的風(fēng)險差異較小，尤其是中部地區(qū)風(fēng)險值始終維持在0．22以上;三江平原風(fēng)險差異較大，尤其是平原的北部地區(qū)風(fēng)險值由［0．190 0，0．220 0］區(qū)間逐步上升為［0．220 0，0．250 0］區(qū)間，并持續(xù)了多個月(6，7和8月);松嫩平原隨時間變化的風(fēng)險差異也較小，僅在7月份平原中西部地區(qū)部分縣市風(fēng)險值由［0．150 0，0．190 0］區(qū)間升至［0．190 0，0．220 0］區(qū)間，但僅持續(xù)一個月。

綜合時空維度，遼河平原應(yīng)作為第一風(fēng)險防范區(qū)，風(fēng)險重點防范區(qū)域是平原的中部縣市，應(yīng)做到持續(xù)防范;三江平原是第二風(fēng)險防范區(qū)，風(fēng)險重點防范區(qū)是平原的北部縣市，重點防范的時期為6-8月;松嫩平原是第三風(fēng)險防范區(qū)，風(fēng)險重點防范區(qū)是平原的中西部縣市，重點防范的時期為7月。

4 總結(jié)

本文以東北三省為研究區(qū)，在洪澇災(zāi)情數(shù)據(jù)、氣象數(shù)據(jù)、地形數(shù)據(jù)和種植面積數(shù)據(jù)的基礎(chǔ)上，通過構(gòu)建縣級降雨插值模型、農(nóng)作物洪澇脆弱性模型和非參數(shù)核密度的信息擴(kuò)散模型，開展了以縣、月為單元的小尺度農(nóng)作物洪澇時空風(fēng)險評估研究，并在評估結(jié)果的基礎(chǔ)上探討了風(fēng)險的時空差異特征。本研究是一個全新的嘗試，它為災(zāi)害樣本嚴(yán)重不足情況下的小時空尺度風(fēng)險評估提供了一個解決方案。

在研究中發(fā)現(xiàn)，農(nóng)作物洪澇脆弱性模型是整個風(fēng)險評估的關(guān)鍵，本研究僅建立了降雨量、地形高程與受災(zāi)率之間的回歸關(guān)系，關(guān)系合理但并不理想。在接下來的研究中，作者將會深入探討如何建立多因子農(nóng)作物洪澇脆弱性關(guān)系模型來進(jìn)一步改善時空風(fēng)險評估結(jié)果。另一方面，為了提高風(fēng)險評估結(jié)果的準(zhǔn)確性，接下來的工作中作者會增加對風(fēng)險評估結(jié)果可靠性驗證的研究。

［1］ 張峭，王克．農(nóng)作物生產(chǎn)風(fēng)險評估的方法和模型［J］．農(nóng)業(yè)展望，2007，3(8):7-10．

［2］ 張峭，王克．我國農(nóng)業(yè)自然災(zāi)害風(fēng)險評估與區(qū)劃［J］．中國農(nóng)業(yè)資源與區(qū)劃，2011，32(3):32-36．

［3］ 胡志全，程廣燕，張昶．大豆自然風(fēng)險分析及評價指標(biāo)初探［J］．中國農(nóng)業(yè)資源與區(qū)劃，2009，30(2):41-44．

［4］ 李云輝，賀一梅，揚子生．云南金沙江流域因災(zāi)減產(chǎn)糧食量分析［J］．山地學(xué)報，2002，20(S1):43-48．

［5］ 張星，張春桂，吳菊薪，等．福建農(nóng)業(yè)氣象災(zāi)害的產(chǎn)量災(zāi)損風(fēng)險評估［J］．自然災(zāi)害學(xué)報，2009，18(1):90-94．

［6］ 趙俊芳，延曉冬，賈根鎖．東北森林凈第一性生產(chǎn)力與碳收支對氣候變化的響應(yīng)［J］．生態(tài)學(xué)報，2008，28(1):92-102．

［7］ 陳述彭，魯學(xué)軍，周成虎．地理信息系統(tǒng)導(dǎo)論［M］．北京:科學(xué)出版社，2002:119．

［8］ 周瑤，王靜愛．自然災(zāi)害脆弱性曲線研究進(jìn)展［J］．地球科學(xué)進(jìn)展，2012，27(4):435-442．

［9］ 王麗紅，楊納華，田志宏，等．非參數(shù)核密度法厘定玉米區(qū)域產(chǎn)量保險費率研究［J］．中國農(nóng)業(yè)大學(xué)學(xué)報，2007，12(1):90-94．

［10］ 郭迎春，閆宜玲．農(nóng)業(yè)自然風(fēng)險評估及區(qū)域農(nóng)業(yè)保險費率的確定方法［J］．應(yīng)用氣象學(xué)報，1998(5):232-237．

［11］ Barry K G，Alan P K．Nonparametric estimation of crop yield distributions:implications for rating group-risk crop insurance contracts［J］．Amer J Agr Econ，1998，80:139-153．

［12］ Alan P K，Barry K G．Nonparametric estimation of crop insurance rates revisited［J］．Amer J Agr Econ，2000，83:463-478．