李亞濱，胡瑞卿

(1．黑龍江省氣候中心，黑龍江 哈爾濱150030；2．上海氣象局中心氣象臺，上海200030)

?

基于灰色關(guān)聯(lián)度的黑龍江省暴雨事件災(zāi)害評估和預(yù)評估模型研究*

李亞濱1，胡瑞卿2

(1．黑龍江省氣候中心，黑龍江 哈爾濱150030；2．上海氣象局中心氣象臺，上海200030)

摘要:通過對黑龍江省1984-2013年各臺站歷史暴雨災(zāi)害資料的統(tǒng)計分析，采用灰色關(guān)聯(lián)度方法進(jìn)行災(zāi)害等級劃分，研究暴雨災(zāi)害與氣象因子之間的關(guān)系，建立了反映暴雨災(zāi)害程度的5項(xiàng)單指標(biāo)及綜合評估指數(shù)，在此基礎(chǔ)上建立了評估和預(yù)評估模型，最終實(shí)現(xiàn)對暴雨災(zāi)害事件的快速評估。利用該評估模型方程對2013-2014年的明顯暴雨災(zāi)害事件進(jìn)行評估，結(jié)果表明，實(shí)況與評估結(jié)果基本相符，可以滿足決策服務(wù)需求。

關(guān)鍵詞:暴雨事件；災(zāi)害等級；災(zāi)害評估；災(zāi)害預(yù)評估；灰色關(guān)聯(lián)度；黑龍江

近年來隨著全球氣候變暖，極端災(zāi)害事件頻發(fā)，重大氣象災(zāi)害日益引起人們的重視，各種災(zāi)害應(yīng)急預(yù)案及相應(yīng)的響應(yīng)機(jī)制不斷出臺，災(zāi)害發(fā)生后政府部門對災(zāi)前、災(zāi)害、災(zāi)后的評估工作需求也不斷增加。黑龍江省作為農(nóng)業(yè)大省，受全球氣候變化影響增溫明顯，極端災(zāi)害性天氣頻發(fā)，其中暴雨引發(fā)的洪澇災(zāi)害占30%以上。而洪澇災(zāi)害對農(nóng)作物的影響極大，每年洪澇集中發(fā)生的6-8月正是農(nóng)作物生長的關(guān)鍵期，每次過程都會導(dǎo)致大面積農(nóng)田受災(zāi)和絕產(chǎn)，直接影響“千億斤糧食工程”。根據(jù)1984-2013年發(fā)生的暴雨災(zāi)害統(tǒng)計，近10年來發(fā)生暴雨災(zāi)害事件的頻次呈現(xiàn)顯著增加的趨勢，僅2011年由暴雨引發(fā)的洪澇直接經(jīng)濟(jì)損失達(dá)23.7億元。因此進(jìn)行暴雨過程定量評估對于提高應(yīng)急服務(wù)能力及制定搶險救災(zāi)決策具有重要意義。

以往一些研究[1-5]多是利用災(zāi)害損失資料根據(jù)有關(guān)方法進(jìn)行暴雨洪澇災(zāi)害損失評估，但利用災(zāi)害損失資料進(jìn)行評估易受時間限制，在應(yīng)用于災(zāi)害預(yù)評估及災(zāi)后快速評估方面操作性不強(qiáng)。由于歷史上每次暴雨過程的受災(zāi)損失資料的收集極為困難且不是十分準(zhǔn)確，無法滿足實(shí)際工作中暴雨災(zāi)害預(yù)評估和災(zāi)害出現(xiàn)后快速評估的需求，所以襲祝香等[6]提出有必要建立一套以氣象觀測數(shù)據(jù)為基礎(chǔ)的評估指標(biāo)。本文利用暴雨過程中的24 h最大降水量、1 h最大降水量、過程合量、過程前3 d降水量和過程前10 d降水量等5方面因素來構(gòu)建綜合評估指標(biāo)，對暴雨災(zāi)害進(jìn)行了評估模型研究。

1黑龍江省暴雨災(zāi)害背景分析

黑龍江省位于我國東北部, 地處亞洲大陸東部中高緯度地區(qū), 屬大陸性季風(fēng)氣候, 冬季為冷高壓所盤踞, 降水稀少, 夏季為亞洲大陸熱低壓所控制, 水汽主要來源是東南季風(fēng)帶來的暖濕空氣, 降水較豐沛。全省年降水量總的分布趨勢是: 山丘區(qū)大于平原區(qū), 中東部大于西部, 南部大于北部。其中小興安嶺、張廣才嶺的迎風(fēng)坡有較好的地形抬升條件, 加上各種天氣系統(tǒng)多在此過境, 所以暴雨頻繁, 形成了降水量的高值區(qū)。而松嫩平原因距副熱帶高壓較遠(yuǎn), 且無地形抬升條件, 不易形成較大降水，因此三江平原地區(qū)降水量遠(yuǎn)大于松嫩平原地區(qū)[7-8]。從暴雨發(fā)生次數(shù)的空間分布來看，黑龍江省黑河南部、東部地區(qū)的三江平原大部及牡丹江等地的暴雨發(fā)生次數(shù)較多，而中部地區(qū)的哈爾濱、綏化、伊春稍少，北部的大興安嶺地區(qū)及松嫩平原西部市縣暴雨發(fā)生次數(shù)最少(圖1)。

圖1　黑龍江省1984-2013年暴雨災(zāi)害發(fā)生頻次空間分布圖

暴雨是一種災(zāi)害性天氣，往往造成洪澇災(zāi)害和嚴(yán)重的水土流失，導(dǎo)致工程失事、堤防潰決和農(nóng)作物被淹等重大的經(jīng)濟(jì)損失。根據(jù)暴雨災(zāi)害發(fā)生造成的社會經(jīng)濟(jì)損失，分析黑龍江省暴雨發(fā)生次數(shù)的歷年變化，可以看出1984-2013年黑龍江省發(fā)生的暴雨災(zāi)害頻次呈現(xiàn)明顯上升趨勢，1980-2000年之間，平均每年暴雨災(zāi)害發(fā)生次數(shù)在30次以內(nèi)，2000年后顯著增加，其中以2013年為最多(圖2)。

圖2　黑龍江省1984-2013年暴雨災(zāi)害發(fā)生次數(shù)曲線圖

2資料與代表站選取

2.1資料選取

(1)氣象資料：黑龍江省83個氣象臺站1961-2013年的逐日地面降水資料、2005-2013年各臺站逐小時降水資料；過程降水量指一次連續(xù)降水過程(包括1 d)，且其中必須有1 d降水量大于50 mm，大于1 d的過程其間不能出現(xiàn)降水量小于0.1 mm的日降水量，如出現(xiàn)則認(rèn)為該過程中斷。

(2)災(zāi)情資料：災(zāi)情數(shù)據(jù)為1984-2013年黑龍江省以縣為單位的歷史洪澇災(zāi)情序列資料，包括由暴雨洪澇而導(dǎo)致的社會直接經(jīng)濟(jì)損失、農(nóng)作物受災(zāi)面積、與死亡人口等。

2.2代表站選取

對收集到的2 000多個暴雨災(zāi)情個例進(jìn)行統(tǒng)計分析，從災(zāi)害發(fā)生的分布時段來看，黑龍江省歷年暴雨發(fā)生時段在6-8月之間，其中6月發(fā)生頻次最少僅占總數(shù)的10%，7月暴雨發(fā)生次數(shù)最多，占總數(shù)的53%，8月稍少占37%。

考慮到黑龍江省地形地貌的特點(diǎn)，東西部土壤類型的不同直接會影響到致災(zāi)因子臨界值的差異，因此利用統(tǒng)計分析方法中的主成分分析法，分析黑龍江省83個氣象站1984-2013年7-8月的降水量的各站對本地區(qū)的代表性：按13個地區(qū)進(jìn)行代表性主成分分析，第一主成分對整體的貢獻(xiàn)率最大，表明第一主成分對降水情況的反應(yīng)最接近實(shí)際，由此選取第一主成分中站點(diǎn)系數(shù)最大的，也就是對第一主成分貢獻(xiàn)最大的站點(diǎn)作為代表站，降水情況與本地區(qū)的降水情況具有最好的一致性，根據(jù)此方法即可得出最能反映本地區(qū)降水情況的代表站。

在對歷史暴雨災(zāi)害個例進(jìn)行分析時，發(fā)現(xiàn)存在災(zāi)害個例不全面、災(zāi)情不完整、災(zāi)害個例與實(shí)際降水不匹配等問題，結(jié)合黑龍江省單站發(fā)生暴雨頻次資料，以單站暴雨發(fā)生頻次最多、降水代表性最好為基本依據(jù)，根據(jù)災(zāi)害損失特點(diǎn)，分別選取每個區(qū)域里災(zāi)情資料相對較為全面、災(zāi)害個例較多且完整、可信度高、數(shù)據(jù)較為準(zhǔn)確的站點(diǎn)作為代表站進(jìn)行分析，代表站分別為漠河、嫩江、龍江、伊春、肇源、賓縣、寶清、鶴崗、樺南、海倫、勃利、雞西、穆棱。

3評估指標(biāo)的選取

通過經(jīng)驗(yàn)分析和統(tǒng)計相關(guān)等方法對歷史暴雨事件災(zāi)害個例與降水量關(guān)系進(jìn)行研究，發(fā)現(xiàn)在發(fā)生暴雨災(zāi)害時除與當(dāng)時短時降雨強(qiáng)度、過程合量關(guān)系較大外，前期降水的背景條件也是導(dǎo)致災(zāi)害發(fā)生的誘因，往往當(dāng)日降水量不大，但由于前期降水合量已達(dá)臨界值，后期稍有降水即導(dǎo)致災(zāi)情發(fā)生。因此綜合分析，同時也為便于對災(zāi)害開展預(yù)評估，故從不同角度選擇24 h最大降水量、1 h最大降水量、暴雨過程合量、過程前3 d降水量、過程前10 d降水量5個指標(biāo)作為要建立暴雨災(zāi)害評估和預(yù)評估模型的指標(biāo)。

4評估方法及等級標(biāo)準(zhǔn)的確定

4.1評估方法

灰色關(guān)聯(lián)度分析法(Grey Relation Analysis，GRA)是一種多因素統(tǒng)計分析方法, 它以各因素的樣本數(shù)據(jù)為依據(jù), 用灰色關(guān)聯(lián)度來描述因素間關(guān)系的強(qiáng)弱、大小和次序, 若樣本數(shù)據(jù)反映出的兩因素變化的態(tài)勢( 方向、大小和速度等) 基本一致, 則它們之間的關(guān)聯(lián)度較大, 反之, 關(guān)聯(lián)度較小。與傳統(tǒng)的多因素分析方法相比, 灰色關(guān)聯(lián)度分析法對數(shù)據(jù)要求較低且計算量較小, 因此該方法已廣泛運(yùn)用于社會和自然科學(xué)的各個領(lǐng)域, 尤其在災(zāi)情評估和經(jīng)濟(jì)領(lǐng)域內(nèi)取得了較好的應(yīng)用效果[9-11]。劉偉東等針對近20年北京地區(qū)發(fā)生的大風(fēng)和暴雨災(zāi)害，應(yīng)用灰色關(guān)聯(lián)度方法，計算北京地區(qū)近20年的19個大風(fēng)和暴雨災(zāi)例的災(zāi)隋評估指標(biāo)與關(guān)聯(lián)度，進(jìn)行損失評估和比較[12]。吳哲紅等使用該方法對暴雨事件進(jìn)行災(zāi)害評估和預(yù)評估方法研究,結(jié)果表明，該方法對災(zāi)情等級劃分和災(zāi)情損失排序是合理的，比較符合實(shí)際對災(zāi)情的評價，能夠?qū)Σ煌瑲庀鬄?zāi)害和同一級別的氣象災(zāi)害災(zāi)情差異尺度做比較，是能夠應(yīng)用于實(shí)際工作中的一種科學(xué)方法[13]。

設(shè)有參考數(shù)列x0={x0(1),x0(2),x0(3),…,x0(n)}和比較數(shù)列xi,i=1,2,…,n0。xi={xi(1),xi(2),xi(3),…,xi(n)}，關(guān)聯(lián)系數(shù)為ξi(k)即k點(diǎn)的關(guān)聯(lián)系數(shù)為：

ξi(k)=

(1)

式中，|x0(k)-xi(k)|表示x0數(shù)列與xi數(shù)列在k點(diǎn)的絕對差值，用Δi(k)來表示。miniminkx0(k)-xi(k)為二級最小差，minkx0(k)-xi(k)為一級最小差，表示x0數(shù)列和xi數(shù)列k點(diǎn)差值中的最小值。maximaxkx0(k)-xi(k)為二級最大差，意義與二級最小值相似。

關(guān)聯(lián)度(即等權(quán)關(guān)聯(lián)度)用ξ0表示：

(2)

按照關(guān)聯(lián)度大小排序，關(guān)聯(lián)度越大，對應(yīng)的災(zāi)情越重。用此方法可以排列同一災(zāi)害等級中不同災(zāi)情的輕重順序。

4.2單站暴雨災(zāi)害等級標(biāo)準(zhǔn)的確定

選取1984-2009年單站暴雨災(zāi)害過程個例，依據(jù)災(zāi)情損失中的死亡人口、直接經(jīng)濟(jì)損失、農(nóng)作物受災(zāi)面積作為計算灰色關(guān)聯(lián)度的災(zāi)害指標(biāo)，將各災(zāi)害指標(biāo)進(jìn)行歸一化處理，消除量綱的影響，計算暴雨災(zāi)害的灰色關(guān)聯(lián)度ξ0，利用灰色關(guān)聯(lián)模型方法對13個代表站進(jìn)行計算，分別得出每個代表站的關(guān)聯(lián)度ξ0。根據(jù)3個災(zāi)害評估因子指標(biāo)計算出暴雨災(zāi)害個例的灰色關(guān)聯(lián)度ξ0，為了便于比較，將ξ0根據(jù)式(2)進(jìn)行變換，得到新的灰色關(guān)聯(lián)度ξ：

ξ=ξ0×10-5 。

(3)

以寶清縣為例，將計算結(jié)果根據(jù)式(2)進(jìn)行變換，得到寶清縣歷史暴雨災(zāi)害過程的灰色關(guān)聯(lián)度。

根據(jù)表1災(zāi)情資料可以看出，2002年6月6日寶清縣出現(xiàn)強(qiáng)降水過程，寶清縣的8個鄉(xiāng)鎮(zhèn)116個村屯受災(zāi)，此次暴雨過程受災(zāi)人口126 905人，農(nóng)作物受災(zāi)面積達(dá)21 333.3hm2，絕收面積11 816.53hm2，依饒公路寶清段、依寶公路寶清段、3條地方公路和寶清縣紅興隆轉(zhuǎn)運(yùn)站鐵路專用線部分被水沖毀，農(nóng)村輸電線路、線桿以及附近受到損壞，斷線23處，折斷線桿54根，損失電量80.6kw·h，總共造成直接經(jīng)濟(jì)損失4 245萬元。暴雨災(zāi)害的灰色關(guān)聯(lián)度ξ最大為2.1，關(guān)聯(lián)度ξ的結(jié)果可以比較客觀地反映災(zāi)害等級。

選取1h最大降水、24h最大降水、暴雨過程合量、前3d降水量和前10d降水量5個氣象因子為單站暴雨災(zāi)害氣象指數(shù)的影響因子，如表2所示。

表1　寶清縣歷年暴雨災(zāi)情及ξ0結(jié)果

表2　寶清縣灰色關(guān)聯(lián)度ξ結(jié)果

表3　寶清縣暴雨災(zāi)害等級

由表2可以看出，綜合3個災(zāi)害評估指標(biāo)得到的灰色關(guān)聯(lián)度各不相同，其中灰色關(guān)聯(lián)度ξ最大的為2002年6月6日暴雨災(zāi)害過程，24 h降水量為45.5 mm，1 h最大降水量為19.8 mm，過程合量為72.2 mm，前10日降水量為28 mm，暴雨災(zāi)害的灰色關(guān)聯(lián)度ξ最大為2.1，結(jié)合災(zāi)情資料，可以看出關(guān)聯(lián)度ξ的結(jié)果可以比較客觀地反映災(zāi)害等級。

利用已計算出的暴雨災(zāi)害關(guān)聯(lián)度災(zāi)度ξ與以上5個降水氣象因子1984-2010年資料做回歸分析，建立暴雨災(zāi)害評估模型方程，其中Y為單站暴雨災(zāi)害氣象指數(shù)，公式如下：

Y=a×r24 max+b×R1 max+c×Rsum+d×R3 sum+e×R10 sum+k。

(4)

式中：X1,X2,X3,X4和X5分別為24 h最大降水量、1 h最大降水量、暴雨過程合量、暴雨過程前3 d降水量、暴雨過程前10 d降水量；a,b,c,d,e為權(quán)重系數(shù)，k為常數(shù)。

根據(jù)暴雨氣象災(zāi)害評估模型方程，確定黑龍

江省單站暴雨災(zāi)害氣象指數(shù)，以寶清為例，如表3所示。

為與中國局《氣象災(zāi)情收集上報調(diào)查和評估規(guī)定》一致，將暴雨災(zāi)害等級劃分為輕度暴雨災(zāi)害、中度暴雨災(zāi)害、重度暴雨災(zāi)害、特重暴雨災(zāi)害4類，如表4所示。

表4　單站暴雨災(zāi)害等級的劃分標(biāo)準(zhǔn)

4.3評估模型回算檢驗(yàn)

使用2010-2013年歷史資料，對單站暴雨災(zāi)害氣象指數(shù)Y進(jìn)行顯著性水平0.05的t檢驗(yàn)，回歸效果顯著，計算結(jié)果平均誤差為0.017，個別評估結(jié)果誤差在一級左右，如寶清2011年8月23日的暴雨災(zāi)害過程評估結(jié)果與實(shí)況對照偏重一級(表5)。

表5　2011-2013年暴雨災(zāi)害個例等級檢驗(yàn)

將評估結(jié)果與原評估標(biāo)準(zhǔn)(中國氣象局 《氣象災(zāi)情收集上報調(diào)查和評估試行規(guī)定》)評定結(jié)果比較，相符率達(dá)到90%以上，個別評估結(jié)果相差一級。表明劃分結(jié)果合理可用，并達(dá)到定量化的目的。

4.4黑龍江省暴雨災(zāi)害等級劃分

依據(jù)單站暴雨災(zāi)害等級i(i=1,2,3,4)，確定全省暴雨災(zāi)害氣象指數(shù)Si，Si為暴雨災(zāi)害過程發(fā)生期間各災(zāi)害等級的臺站個數(shù)，其中S1為發(fā)生特重暴雨災(zāi)害臺站個數(shù)，S2為發(fā)生重度暴雨災(zāi)害臺站個數(shù)，S3為發(fā)生中度暴雨災(zāi)害臺站個數(shù)，S4為發(fā)生輕度暴雨災(zāi)害臺站個數(shù)。

通過對黑龍江省歷史暴雨災(zāi)害個例的統(tǒng)一分析，全省暴雨災(zāi)害強(qiáng)度與單站暴雨災(zāi)害各等級臺站個數(shù)有關(guān)，依據(jù)全省暴雨災(zāi)害氣象指數(shù)Si，采用了統(tǒng)計學(xué)中聚類分析的方法對全省范圍的暴雨災(zāi)害強(qiáng)度進(jìn)行分析，通過動態(tài)聚類分析計算劃分為4類，變換類的凝聚點(diǎn)最大次數(shù)為10次，將全省暴雨災(zāi)害強(qiáng)度劃分為4級；結(jié)合各站暴雨災(zāi)害的輕重程度及經(jīng)濟(jì)損失情況等多種因素，最終確定黑龍江省的暴雨氣象災(zāi)害評估等級標(biāo)準(zhǔn)(表6)，從而實(shí)現(xiàn)發(fā)生暴雨洪澇災(zāi)害時對黑龍江省全省的災(zāi)害評估。

表6　黑龍江省暴雨災(zāi)害等級的劃分標(biāo)準(zhǔn)

5實(shí)例分析

5.1 單站評估實(shí)例分析

2013年6月15日黑龍江省黑河市嫩江縣遭受暴雨洪澇災(zāi)害，5個致災(zāi)因子要素值分別為：日最大降水量15.4 mm、1 h最大降水10.9 mm、過程合量15.4 mm、前3 d降水合量34.9 mm、前10 d降水合量82.6 mm。通過致災(zāi)因子利用嫩江縣的評估模型方程可以得出此次過程的ξ為1.0，屬中災(zāi)級別。由黑龍江省民政廳得來的災(zāi)情資料，此次暴雨洪澇受災(zāi)人口11 270人，緊急轉(zhuǎn)移安置41人，農(nóng)作物受災(zāi)面積16 087 hm2，絕收面積4 869 hm2，倒塌房屋10間，損壞房屋186間，直接經(jīng)濟(jì)損失3 729萬元，其中農(nóng)業(yè)直接經(jīng)濟(jì)損失3 551萬元。由災(zāi)情經(jīng)濟(jì)損失可以看出實(shí)況災(zāi)情與評估災(zāi)害級別相符。同時該個例中雖然1h降水和過程降水并不大，但過程前3 d降水和前10 d降水量卻非常大，最終造成中等程度的災(zāi)害，由此可見致災(zāi)因子的選取具有可信性。

5.2全省評估實(shí)例分析

2014年6月26-28日黑龍江省出現(xiàn)大范圍降雨過程，利用評估模型方程計算得出，黑龍江省共有38個臺站出現(xiàn)輕災(zāi)、33個臺站出現(xiàn)中災(zāi)、4個臺站出現(xiàn)重災(zāi)、1個臺站出現(xiàn)特大災(zāi)。據(jù)省民政廳得到的災(zāi)情信息，此次暴雨致使佳木斯、雙鴨山、綏化、哈爾濱、牡丹江、七臺河等多個市縣出現(xiàn)災(zāi)害，直接經(jīng)濟(jì)損失達(dá)1.3億元。由黑龍江省暴雨洪澇災(zāi)害評估等級標(biāo)準(zhǔn)可以得出，此次暴雨過程黑龍江省災(zāi)情級別為中災(zāi)，實(shí)況與評估結(jié)果相符。

6結(jié)論與討論

(1)1980年至今，黑龍江省暴雨災(zāi)害事件顯著增多。7月暴雨發(fā)生次數(shù)最多，占總數(shù)的43%，8月稍少占31%，5月、9月最少；黑河南部、東部地區(qū)的三江平原大部及牡丹江等地的暴雨發(fā)生次數(shù)較多，而中部地區(qū)的哈爾濱、綏化、伊春稍少，北部的大興安嶺地區(qū)及松嫩平原西部市縣暴雨發(fā)生次數(shù)最少。

(2)利用氣象資料采用灰色關(guān)聯(lián)分析方法對暴雨災(zāi)害過程進(jìn)行評估和預(yù)評估, 方法實(shí)用可行, 可操作性強(qiáng), 可以滿足快速、及時評估等氣象服務(wù)的需求, 對于提高決策氣象服務(wù)的及時性意義重大。

(3)在用代表站建立評估模型方程后，將其代入所在區(qū)域的所有臺站使用，其代表性是否合理還需在實(shí)踐中對其進(jìn)行進(jìn)一步討論；同時在綜合評估全省暴雨災(zāi)害事件等級標(biāo)準(zhǔn)時，對各單站采用了權(quán)重分析方法,權(quán)重系數(shù)的確定較依賴于主觀經(jīng)驗(yàn)，因此應(yīng)在實(shí)際工作中不斷加入新的災(zāi)害個例，在進(jìn)行多次實(shí)驗(yàn)后對權(quán)重系統(tǒng)進(jìn)行相應(yīng)調(diào)整，這樣才能使模型更加穩(wěn)定可靠，評估結(jié)果更加合理。

參考文獻(xiàn)：

[1]李紀(jì)人,丁志雄,黃詩峰,等．基于空間展布式社經(jīng)數(shù)據(jù)庫的洪澇災(zāi)害損失評估模型研究[J].中國水利水電科學(xué)研究院學(xué)報,2003,1(2):104-110.

[2]李觀義．基于GIS 的洪災(zāi)損失評估技術(shù)及其應(yīng)用[ J].地理與地理信息科學(xué),2003,19(4): 97-100.

[3]劉敏, 楊宏青. 湖北省雨澇災(zāi)情評估模式的研究[ J] .湖北氣象,2001(2):16-18.

[4]扈海波，張艷莉. 暴雨災(zāi)害人員損失風(fēng)險快速預(yù)評估模型[J].災(zāi)害學(xué)，2014，29(1)：30-36.

[5]巫麗蕓，何東進(jìn)，洪偉，等. 自然災(zāi)害風(fēng)險評估與災(zāi)害易損性研究進(jìn)展[J].災(zāi)害學(xué)，2014，29(4)：129-135.

[6]襲祝香．吉林省重大暴雨過程評估方法研究[J].氣象科技，2008，36(1)：78-81.

[7]韓玉梅. 黑龍江省年降水量時空分布分析[J].黑龍江水利科技,2008，36(3)：4-5.

[8]孫國敏. 黑龍江省年徑流地區(qū)分布規(guī)律淺析[J].東北水利水電,1994,118(4)：13-17.

[9]傅立. 灰色系統(tǒng)理論及其應(yīng)用[M].北京:科學(xué)技術(shù)出版社,1992：191-199.

[10]楊仕升. 自然災(zāi)害不同災(zāi)情的比較方法探討[J].災(zāi)害學(xué),1996,11(4): 35-38.

[11]馮利華. 災(zāi)害等級的灰色聚類分析[J].自然災(zāi)害學(xué)報,1997,6(1):14-18.

[12]劉偉東，扈海波，程叢蘭．灰色關(guān)聯(lián)度方法在大風(fēng)和暴雨災(zāi)害損失評估中的應(yīng)用[J]．氣象科技，2005，35(4)：563-566．

[13]吳哲紅，陳貞宏，葉幫，等．基于灰色關(guān)聯(lián)度的暴雨事件災(zāi)害評估和預(yù)評估方法[J].貴州氣象，2011，35(6)：6-9.

Disaster Evaluation and Pre-evaluation models on Rainstorm Events in Heilongjiang Province Based on Gray Correlation

Li Yabin1and Hu Ruiqing2

(1.ClimateCenterofHeilongjiangProvince,Harbin150030,China;2.ShanghaiMeteorologicalObservatoryWeatherServiceCenter,Shangha200030,China)

Abstract:Based on analysis on historical rainstorm disaster data statistics of Heilongjiang Province during 1984-2013 of each station, using the method of grey correlation, degrees of disaster grades are divided. By studying the relationship between rainstorm disasters and meteorological factors, five single index and comprehensive assessment index reflecting the rainstorm disaster degrees are established. Evaluation and pre-evaluation models are established on the basis of all the above work, and ultimately achieve a quick assessment of rainstorm disaster events. Obvious rainstorm disaster events during 2013-2014 are evaluated by the evaluation model, and the results show that the evaluation results are basically consistent with actual situation; the service needs of the decision could be met in a certain degree.

Key words:rainstorm event; disaster grade; disaster evaluation; disaster pre-evaluation; grey correlation degree; Heilongjiang Province

doi:10.3969/j.issn.1000-811X.2016.02.016

中圖分類號：X43；P426.616

文獻(xiàn)標(biāo)志碼：A

文章編號：1000-811X(2016)02-0078-06

作者簡介：李亞濱(1974-)，女，黑龍江哈爾濱人，高級工程師，主要從事氣候影響評價和氣象災(zāi)害監(jiān)測評估方面研究.E-mail:113931077@qq.com

基金項(xiàng)目：黑龍江省氣象局項(xiàng)目“黑龍江省洪澇災(zāi)害影響定量評估系統(tǒng)”(HQ2013012)

*收稿日期：2015-09-07修回日期：2015-11-02

李亞濱，胡瑞卿. 基于灰色關(guān)聯(lián)度的黑龍江省暴雨事件災(zāi)害評估和預(yù)評估模型研究[J].災(zāi)害學(xué), 2016,31(2):78-83.[Li Yabin and Hu Ruiqing. Disaster Evaluation and Pre-evaluation models on Rainstorm Events in Heilongjiang Province Based on Gray Correlation[J].Journal of Catastrophology, 2016,31(2)：78-83.]