文小蘭，李 贊，奉莉軍，郭 浩，方偉華

(1.浙江師范大學(xué) 地理與環(huán)境科學(xué)學(xué)院,浙江 金華 321004；2.北京師范大學(xué) 環(huán)境演變與自然災(zāi)害教育部重點實驗室，北京 100875；3.北京師范大學(xué) 地理科學(xué)學(xué)部災(zāi)害風(fēng)險科學(xué)研究院，北京100875；4.應(yīng)急管理部——教育部 減災(zāi)與應(yīng)急管理研究院，北京 100875)

目前國內(nèi)外針對暴雨災(zāi)害風(fēng)險評價開展較多，風(fēng)險評估技術(shù)也相對成熟。關(guān)于暴雨災(zāi)害危險性研究方法主要有歷史災(zāi)情數(shù)據(jù)法、模型模擬法和危險性指標(biāo)法評估法等[1-3]。其中危險性指標(biāo)評估法應(yīng)用更加廣泛，常見的暴雨危險性指標(biāo)有暴雨頻次、暴雨強度[4]、暴雨日數(shù)、暴雨雨量等。由于暴雨災(zāi)害危險性的分析受到各類指標(biāo)影響較大且沒有統(tǒng)一的標(biāo)準(zhǔn)，有學(xué)者提出信息擴散理論，利用概率分析方法對災(zāi)害進行危險性評估[5]。暴露是指某種災(zāi)害危險地區(qū)的人口、財產(chǎn)或物品，反映在一定強度致險因子影響下，可能遭受損失的承災(zāi)體總量[2]。暴露度是動態(tài)的，為時空尺度而異，并取決于經(jīng)濟、社會、人口、文化、體制和管理等因素[6]。對于風(fēng)險而言，暴露度越大其災(zāi)害風(fēng)險也就越大[7-8]。關(guān)于暴露度方面的研究多圍繞著人口暴露度、經(jīng)濟暴露度(GDP、土地利用、農(nóng)作物)、社會資產(chǎn)暴露度(建筑、基礎(chǔ)設(shè)施)等方面[9-11]，如王豫燕等人選取暴露于暴雨洪澇災(zāi)害下的各縣(市、區(qū)) 的面積、受災(zāi)人口數(shù)和受災(zāi)的農(nóng)作物面積分別作為災(zāi)害暴露范圍指標(biāo)、人口暴露度指標(biāo)和農(nóng)作物暴露度指標(biāo)[12]；SHI Y等人關(guān)注城市范圍內(nèi)各類老舊建筑物對其暴露度評估[13]，但暴露度的研究大多數(shù)基于現(xiàn)有的承災(zāi)體進行分析，缺乏未來的預(yù)估及相關(guān)情景的構(gòu)建。

土地利用變化一定程度上反映了其經(jīng)濟、人口等社會因素和自然因素的變化，能夠更好的補充人口、經(jīng)濟承災(zāi)體動態(tài)性和分布不均勻等方面的不足，同時能夠更好的分析未來暴雨災(zāi)害暴露度變化。而土地利用變換是一種復(fù)雜的受到多種外在和內(nèi)在因素共同影響的動態(tài)系統(tǒng)，具有變換不連續(xù)、景觀鑲嵌、類別混合、變換不可逆等特性[14]。模型模擬是研究未來土地利用變化的重要工具之一。其中，由學(xué)者提出的基于神經(jīng)網(wǎng)絡(luò)和GIS的CA模型能夠解決多種土地利用變化模擬和難題，同時有效簡化CA模型的結(jié)構(gòu)，在未來土地利用預(yù)測方面已相當(dāng)成熟[15-20]。綜上所述，本文以海南島地區(qū)為例，基于暴雨頻次致災(zāi)因子，分析未來土地利用、人口和經(jīng)濟承災(zāi)體分布，構(gòu)建多種發(fā)展情景，探究未來各類承災(zāi)體在不同致災(zāi)強度下的暴露度分布特征，建立暴雨綜合暴露度評價模型。期望為海南島地區(qū)在應(yīng)對未來氣候變化、降低災(zāi)害暴露度、提高風(fēng)險防范水平等方面提供科學(xué)參考。

1 數(shù)據(jù)和研究方法

1.1 研究區(qū)概況

海南島地處熱帶北緣，為熱帶季風(fēng)海洋性氣候，有明顯的多雨季和少雨季。多雨季一般出現(xiàn)在5—10月，多雨季受夏季臺風(fēng)影響大，降水量占到全年70%～90%，容易發(fā)生暴雨現(xiàn)象。總體海拔較低，西南部海拔較高(圖1)。一般情況下，研究區(qū)入汛時間最遲、汛期時間最長，長達6個月。根據(jù)海南省應(yīng)急管理廳[21]統(tǒng)計，秋季暴雨近40年內(nèi)共出現(xiàn)了172次，其中日降水量達到特大暴雨級別的有22次，達到大暴雨級別的有57次。

社會經(jīng)濟發(fā)展方面，根據(jù)海南省統(tǒng)計年鑒數(shù)據(jù)，2020年總?cè)丝谶_到945.29萬人，生產(chǎn)總值達到55 298 689萬元。人口的大范圍聚集和經(jīng)濟的快速發(fā)展相當(dāng)程度上增加了該地區(qū)面對暴雨災(zāi)害的危險性。據(jù)海南省防汛防風(fēng)防旱總指揮部辦公室統(tǒng)計，近40年內(nèi)秋汛暴雨造成的經(jīng)濟損失總數(shù)高達兩百多億。

1.2 數(shù)據(jù)來源與處理

1.2.1 氣象數(shù)據(jù)

歷史氣象數(shù)據(jù)來自國家氣象信息中心發(fā)布的中國地面氣候資料日值數(shù)據(jù)集逐日降水量數(shù)據(jù)。包括海南地區(qū)12個國家基本站和7個一般站1977—2014年的逐日降水量數(shù)據(jù)。

未來降水?dāng)?shù)據(jù)來自于世界氣候研究計劃組織(World Climate Research Programme ，WCRP，https://www.wcrp-climate.org/)提供的耦合模式比較計劃第 5 階段(CMIP5)多氣候模式不同排放情景下的逐日降水?dāng)?shù)據(jù)。綜合了8個模式的未來降水?dāng)?shù)據(jù)進行未來暴雨危險性分析，包括：BCC-CSM1-1、BNU-ESM、CanESM2、CCSM4、GFDL-ESM2M、INM-CM4、IPSL-CM5A-MR、MIROC5 。

1.2.2 人口、經(jīng)濟數(shù)據(jù)

歷史人口、經(jīng)濟統(tǒng)計數(shù)據(jù)來源于以縣級行政區(qū)為單位的海南省統(tǒng)計年鑒。未來人口數(shù)據(jù)來源于清華大學(xué)，該數(shù)據(jù)考慮了中國近年來實施的促進生育政策和特大城市人口上限限制，基于SSP 情景和中國人口普查，建立的未來柵格數(shù)據(jù)及省級統(tǒng)計數(shù)據(jù)[22]。在本研究中提取了SSP2(中等發(fā)展路徑，中等生育能力，中等死亡，中等移民，中等教育，有效的二孩政策)與SSP5(不均衡發(fā)展路徑，低生育能力，低死亡，高移民，高教育，無效的生育政策)兩種共享社會經(jīng)濟途徑下未來2030年和2050年人口數(shù)據(jù)。

未來經(jīng)濟數(shù)據(jù)是由研究區(qū)縣域單元1990—2018年歷史GDP數(shù)據(jù)線性擬合出一個以年份為自變量，GDP為因變量的預(yù)測函數(shù)，得到所需未來2030年與2050年縣域GDP值。并在其基礎(chǔ)上利用ArcGIS中的柵格空間計算工具將未來GDP數(shù)據(jù)按實際權(quán)重降尺度到網(wǎng)格單元，實現(xiàn)其空間化[23]。計算公式為：

GDPij=GDP×α。

(1)

式中：GDPij為柵格單元值，GDP為該柵格單元所在行政區(qū)的GDP值；α為該柵格單元GDP占行政區(qū)單元總GDP值的比例。

基于2015年海南地區(qū)各縣域GDP柵格數(shù)據(jù)與各縣域GDP總值，計算出每個柵格的值，根據(jù)公式將2030年和2050年的預(yù)測GDP值進行柵格空間，每個柵格代表該柵格范圍(1km2)內(nèi)的GDP總值(萬元/km2)。

1.2.3 土地利用數(shù)據(jù)

土地利用基準(zhǔn)數(shù)據(jù)來源于中國科學(xué)院資源環(huán)境科學(xué)數(shù)據(jù)中心。其中土地利用類型包括耕地、林地、草地、水域、居民地和未利用土地6個一級類型。此外，研究還使用了來自地理空間數(shù)據(jù)云的高程數(shù)據(jù)，中國科學(xué)院資源環(huán)境科學(xué)與數(shù)據(jù)中心的城鎮(zhèn)分布、公路和鐵路分布數(shù)據(jù)等。

圖1 研究區(qū)概況(審圖號：GS(2020)4619號，底圖未修改，下同)

1.3 研究方法

1.3.1 致災(zāi)因子危險性

在本研究中選用暴雨頻次表示暴雨災(zāi)害的致災(zāi)因子。參考國家氣象局對暴雨的定義[24]，日降水≥50 mm被定義為暴雨，其中連續(xù)性多天日降水量≥50 mm同樣被認為是一次暴雨事件，一年的暴雨事件的次數(shù)被定義為暴雨頻次。

重現(xiàn)期是指在一定數(shù)據(jù)記錄統(tǒng)計時段內(nèi)，大于或等于此水文要素在較長時期內(nèi)重復(fù)出現(xiàn)的平均時間間隔，常以多少年一遇表示[25]。本研究使用信息擴散方法計算海南地區(qū)暴雨頻次的重現(xiàn)期[26]。信息擴散理論是一種為了解決信息不足而利用樣本模糊信息對樣本進行集值化處理的模糊數(shù)學(xué)處理法，即將一個分明值樣本點，變成一個模糊集合。

已知災(zāi)害指數(shù)論域U：

U={u1,u2,…,um}。

(2)

通過公式(2)，一個單值觀測樣本點所攜帶的信息被擴散到U中的全部樣本點。

(3)

式中：h稱為擴散系數(shù)。其值由樣本中最大值b與最小值a以及樣本點總數(shù)n共同確定。

令

(4)

則對應(yīng)模糊子集的隸屬函數(shù)為:

(5)

式中：稱μxi(uj)為樣本點xi歸一化信息分布。對μxi(uj)進行處理,可獲得較為理想的風(fēng)險評估結(jié)果。

令

(6)

由經(jīng)信息擴散可推斷，如果災(zāi)害觀測值只能取u1,u2,…,um中一個，將xi均看作是樣本點代表時，則uj樣本點個數(shù)q(uj)為觀測值。一般而言q(uj)不是一個整數(shù),但一定是個不小于零的數(shù)，再令

(7)

上式表明Q為各uj點上樣本點個數(shù)總和。就理論而言，應(yīng)有Q=n，但實際計算中由于四舍五入等問題帶來的誤差，導(dǎo)致Q和n在數(shù)值上略有區(qū)別。

(8)

可將樣本點落在uj上的頻率視為概率的估值。 超越uj的概率值是：

(9)

式中：P(uj)就是暴雨超越概率估計值。 最后利用反距離加權(quán)插值法(IDW)對研究區(qū)各氣象站點不同重現(xiàn)期的暴雨頻次分布進行插值，得到研究區(qū)暴雨危險性空間分布情況[27]：

(10)

式中：Z為相鄰點估計值；Zi為第i個樣本的數(shù)值；Di為距離；p為距離的冪(最小平均絕對誤差)。

1.3.2 基于FLUS模型的未來土地利用預(yù)測

FLUS模型可以模擬多種類型土地利用的長期空間演變軌跡，通過自上而下的系統(tǒng)動力學(xué)及元胞自動機之間的相互耦合，在CA模型中建立了一種自適應(yīng)的慣性和競爭機制，從而提高了模擬和預(yù)測的能力[28]。

本文基于地理模擬與優(yōu)化系統(tǒng)(GEOSOS-FLUS)設(shè)計三個不同社會發(fā)展路徑：慣性發(fā)展情景、經(jīng)濟優(yōu)先發(fā)展情景、生態(tài)優(yōu)先發(fā)展情景。參考海南地區(qū)歷史土地利用統(tǒng)計數(shù)據(jù)，在2018—2020年間，6種土地利用類型中建設(shè)用地總量呈現(xiàn)增加態(tài)勢，而其他5種土地利用類型均有所減少，其中林地減少最多，耕地次之?；谠撏恋乩妙愋妥兓闆r，利用ArcGIS工具建立慣性發(fā)展情景的土地利用轉(zhuǎn)移矩陣，再次基礎(chǔ)上根據(jù)海南省生態(tài)保護發(fā)展規(guī)劃，海南省“十三五規(guī)劃”等，分別設(shè)計經(jīng)濟優(yōu)先發(fā)展情景和生態(tài)保護優(yōu)先發(fā)展情景下的土地利用類型轉(zhuǎn)移矩陣。在未來土地預(yù)測過程中需確定各類土地利用類型的鄰域因子參數(shù)，其參數(shù)大小反應(yīng)了土地利用面積變化的擴張能力大小[29]。在本研究中鄰域因子參數(shù)值參考式(11)由2018—2020年土地利用面積變化量經(jīng)無量綱化處理而來，具體參數(shù)大小參考表1。

(11)

式中：X*表示離差標(biāo)準(zhǔn)化值，Xmax、Xmin分別為數(shù)據(jù)中的最大值和最小值。

表1 土地利用類型鄰域因子參數(shù)值

1.3.3 貢獻率計算

本研究分析了未來人口、經(jīng)濟、致災(zāi)因子等要素對于災(zāi)害暴露度的貢獻率[30-31]。

ΔE1=G1×ΔC+C1×ΔG+ΔC×ΔG；

(12)

ΔE2=P1×ΔC+C1×ΔP+ΔC×ΔP。

(13)

式中：ΔE1、ΔE2是暴露的總變化。G1、P1、C1是歷史時期的經(jīng)濟、人口和暴雨頻次，ΔG、ΔP、ΔC是未來相對于歷史時期的經(jīng)濟、人口和暴雨頻次的變化。G1×ΔC、P1×ΔC稱為氣候效應(yīng)，C1×ΔG為經(jīng)濟效應(yīng)，C1×ΔP為人口效應(yīng)，ΔC×ΔG、ΔC×ΔP為相互作用效應(yīng)。將方程的兩側(cè)分別除以E1、E2，則可以計算出每個指標(biāo)的百分比變化估計值。

(14)

(15)

式中：E1、E2是基準(zhǔn)期暴露量，式(14)和式(15)用來計算氣候效應(yīng)、人口效應(yīng)、經(jīng)濟效應(yīng)、相互作用效應(yīng)和暴露度總變化各自的百分比變化，在此基礎(chǔ)上對暴露度總變化百分比進行歸一化處理，并分別計算出以上四種效應(yīng)在總變化中的占比，即貢獻率。

1.3.4 暴露度計算

利用ArcGIS技術(shù),將人口暴露度、經(jīng)濟暴露度與土地利用暴露度采用數(shù)學(xué)模型進行評估，在空間上進行表達, 獲得暴露度空間分布圖。對極端降水人口暴露定義為平均每單位單元的致災(zāi)危險性與單位單元內(nèi)人口總數(shù)的乘積，表達式為：

EPOP=R×POP。

(16)

式中：EPOP是單位單元(1 km × 1 km)的人口暴露度(人口均值：人·次/年)；R是單位單元暴雨頻次(次/年)；POP(人) 指居住在單位單元中的人口數(shù)。經(jīng)濟暴露度與土地利用同理，其中土地暴露度的計算要分別考慮每種土地利用類型。

綜合暴露度的計算要同時考慮人口、經(jīng)濟和土地利用三者的權(quán)重關(guān)系?？筛鶕?jù)各指標(biāo)間的重要程度和內(nèi)在聯(lián)系運用層次分析法[11]對其分別賦值。以人口、經(jīng)濟、土地利用為一級指標(biāo)構(gòu)建判斷矩陣，計算矩陣的特征向量與特征值，進行一致性檢驗：

CI=(λmax-n)/(n+1)。

(17)

式中：CI為一致性指標(biāo)；λmax為最大特征值；n為指標(biāo)個數(shù)。

CR=CI/RI。

(18)

式中：RI為隨機一致性指標(biāo)。若CR<0.1，說明該矩陣符合一致性檢驗，否則需對此矩陣做相應(yīng)調(diào)整，直至通過檢驗。

通過層次分析法分別確定以下6種一級指標(biāo)權(quán)重賦值方案(表2)

表2 6種權(quán)重賦值方案

利用泛系觀控[11]計算公式得到6個方案的約束信息量BI值為：

(19)

(20)

式中：Pi為第i個觀控對象所對應(yīng)的概率；n為觀控指標(biāo)數(shù)；m為方案數(shù)。

如表3所示，分別算出6個方案的約束信息量，表中BI值越小，代表不確定性更小，風(fēng)險更低，由此選擇方案5為最佳賦值方案。基于上述方法求出的一級指標(biāo)，綜合未來人口、經(jīng)濟、土地利用各類承災(zāi)體及未來不同重現(xiàn)期下的致災(zāi)危險性進行疊加分析，為保證三類承災(zāi)體量綱一致，對其進行歸一化處理。其中計算出各類土地利用類型各自對應(yīng)年份經(jīng)濟密度以代替土地利用數(shù)據(jù)。

表3 6種不同權(quán)重賦值方案的約束信息量

具體公式如下：

Ej=(Ap×POP+Ag×GDP+Al×LAND)×D。

(21)

式中：Ej表示j地區(qū)的綜合暴露度；Ap、Ag、Al分別表示人口、經(jīng)濟、土地利用數(shù)據(jù)一級指標(biāo)權(quán)重；POP、GDP、LAND分別表示研究地區(qū)未來人口、經(jīng)濟、各類土地利用類型所對應(yīng)經(jīng)濟密度；D為20年一遇和100年一遇重現(xiàn)期下致災(zāi)危險性，即暴雨頻次。

2 結(jié)果與分析

2.1 海南暴雨危險性分析

綜合歷史氣象數(shù)據(jù)和8個模式(2015—2060年)暴雨頻次均值分布，對比分析逐年暴雨頻次的變化。如圖2所示，海南地區(qū)歷史暴雨頻次總體呈上升趨勢，但年際變化波動較大，受臺風(fēng)影響明顯，貢獻率在26.15%左右。未來不同排放濃度路徑下預(yù)測數(shù)據(jù)有階段性的差別，RCP8.5濃度路徑下的暴雨頻次總體呈下降趨勢，RCP4.5濃度路徑下呈上升趨勢，增長速率約為0.16次/10年；以2040年左右作為時間節(jié)點，前期RCP8.5濃度路徑暴雨頻次更高，后期RCP4.5濃度路徑更高，分析推測在RCP8.5濃度路徑后期，由于全球氣溫升高至一定限度，導(dǎo)致全球氣溫差異變小，海洋和陸地溫差減小影響到我國夏季風(fēng)的強度，導(dǎo)致暴雨發(fā)生次數(shù)出現(xiàn)下降趨勢。

圖2 海南地區(qū)逐年暴雨頻次變化圖(其中：2014年前為歷史數(shù)據(jù)，后為模型預(yù)測數(shù)據(jù))

圖3 不同重現(xiàn)期暴雨危險性分布(單位：次)

如圖3所示，隨著重現(xiàn)期的增加，海南地區(qū)的暴雨危險性的程度和空間范圍呈現(xiàn)出不同程度地加深和擴大。從空間差異來看，結(jié)合海南地區(qū)地形分布及夏季風(fēng)的影響，暴雨發(fā)生頻次低值區(qū)出現(xiàn)在西部，高值區(qū)分布范圍廣，以?？谑?、瓊海市、儋州市、保亭市為高值中心。20年一遇時，暴雨危險性高值約為13次，低值約為7次,平均值約為11次；100年一遇時，暴雨危險性有所增加，高值達到14次，平均值約為12次，低值保持穩(wěn)定。

2.2 未來不同社會經(jīng)濟情景下土地利用變化及暴露度分析

基于FLUS模型選擇滿足精度要求的9類驅(qū)動因素，地形因子包括高程數(shù)據(jù)(DEM)以及由高程數(shù)據(jù)計算得到的坡度；社會因子，包括人口和國民生產(chǎn)總值經(jīng)濟數(shù)據(jù)；區(qū)位因子為到城鎮(zhèn)中心的距離，交通因子為距普通公路、高速公路、鄉(xiāng)間道路和鐵路的距離；除此之外，還包括城市適宜性圖層，用于生態(tài)優(yōu)先發(fā)展情景下對建設(shè)用地的限制。對以上9類驅(qū)動因子和限制性圖層進行重采樣、歸一化等預(yù)處理，消除量綱影響。以2018年數(shù)據(jù)為基準(zhǔn)，預(yù)測2020年的土地利用情況，與2020年真實土地利用數(shù)據(jù)進行對比分析，驗證在三種發(fā)展情景下轉(zhuǎn)移矩陣的科學(xué)性，最終得到表4。Kappa系數(shù)均大于0.960，Kappa系數(shù)值越大表明精度越高，滿足精度要求，同時，F(xiàn)om系數(shù)均不大于0.020，根據(jù)Fom系數(shù)要求，每模擬年數(shù)增加一年，F(xiàn)om指數(shù)增加不大于0.010為標(biāo)準(zhǔn)水平，在該研究中，模擬年份跨度為2年，因此滿足Fom指數(shù)要求，三種發(fā)展情景下的精度都符合要求，驗證了轉(zhuǎn)移矩陣的可行性。

表4 不同發(fā)展情景下土地利用模擬精度

如圖4、表5所示，相較于歷史土地利用數(shù)據(jù)，三種情景下耕地占有量變化沒有顯著差異，從2018—2050年均降低了約0.58%；林地、草地、水域土地類型的占有量在生態(tài)保護發(fā)展情景下有所提高，平均增速分別約為2.69km2/年、0.25km2/年、2.91km2/年，其余兩種情景出現(xiàn)不同程度的下降；而受人類活動影響最大的建設(shè)用地在慣性發(fā)展和經(jīng)濟高速發(fā)展情景下增加顯著，其中，在慣性發(fā)展情景下平均增速約為29.91km2/年，經(jīng)濟優(yōu)先發(fā)展情景下約為31.72 km2/年，而生態(tài)保護發(fā)展情景下只有6.85 km2/年。總體來說，在生態(tài)保護發(fā)展情景下，建設(shè)用地增速放緩，其發(fā)展受到一定程度的限制，而林地、草地、水域等自然用地較其他兩種情景都有所增加；慣性發(fā)展情景和經(jīng)濟高速發(fā)展情景中建設(shè)用地快速擴張；作為滿足人類最基礎(chǔ)生產(chǎn)生活的耕地、林地資源保持相對穩(wěn)定。空間分布上表現(xiàn)出明顯的差異，建設(shè)用地分布更為密集，主要分布在北部、東部、南部的沿海地區(qū)，以三亞市、?？谑凶顬榈湫停⒂邢騼?nèi)部地區(qū)延伸的走勢，中部地區(qū)分布較分散，呈點狀分布，面積較小，其中生態(tài)保護發(fā)展情景下，建設(shè)用地面積明顯縮??；中部地區(qū)大部分分布自然用地。

將三種不同社會發(fā)展情景下未來2030年與2050年土地利用分布數(shù)據(jù)按土地類型分別提取，并結(jié)合未來RCP4.5和RCP8.5各濃度路徑下對應(yīng)年份的暴雨危險性——暴雨頻次圖，綜合分析未來各類土地利用暴露量變化情況(圖5)。暴雨危險性的變化影響到土地暴露度的情況，相對比RCP4.5和RCP8.5濃度路徑下暴雨危險性情況，2030年，RCP4.5與RCP8.5濃度路徑的暴雨頻次高值分別為10.7次、11次，RCP8.5濃度路徑下危險性相對較大；2050年分別為10.8次、10.5次，RCP8.5路徑下危險性有所降低；從空間上來看，暴雨危險性高值區(qū)都較為統(tǒng)一，主要集中在海南地區(qū)的中部地區(qū)。總體來看，2030年由于暴雨危險性的程度差異，導(dǎo)致RCP8.5路徑下的各土地類型暴露量要高于RCP4.5情景；而在2050年耕地和林地土地利用類型的暴露量在RCP4.5路徑下更大，此時三種情景平均暴露量分別為65 637.96 km2·次、171 088.2 km2·次，其他土地利用類型暴露量差別較小，兩種路徑下差值均小于640 km2·次，進一步分析發(fā)現(xiàn)有可能是受到各類土地利用類型的分布地區(qū)及暴雨危險性的空間分布，導(dǎo)致耕地和林地資源的暴露量出現(xiàn)較大的差異。同時，在RCP4.5路徑下，林地三種情景平均暴露量為171 088.2 km2·次，在RCP8.5路徑下，平均暴露量為163 875.6 km2·次，受海南地區(qū)土地利用情況影響，林地的暴露量始終最大。

圖4 不同社會發(fā)展情景下未來土地利用分布

表5 不同社會發(fā)展情景下土地類型變化

圖5 三種社會發(fā)展情景土地利用暴露度變化

2.3 未來人口、經(jīng)濟暴露度特征

2.3.1 未來人口暴露度

人口承災(zāi)體在中等發(fā)展路徑下密度整體要大于不均衡發(fā)展路徑，但空間分布差異不大，主要集中在?？凇⑷齺啚橹鞯慕?jīng)濟發(fā)達的地區(qū)。分析發(fā)現(xiàn)人口暴露度分布和人口密度分布呈現(xiàn)出較為相似的特點(圖6)。以海口市與三亞市為例，2030年SSP2路徑下?？谑腥丝诿芏葹? 651.48人/ km2，人口暴露度均值為11 282.17人·次，最大值可達1 336 776.75人·次；而三亞市人口密度為513.50人/km2，人口暴露度均值為3 446.92人·次，最大值為343 033人·次。發(fā)現(xiàn)人口分布密度大，最終導(dǎo)致受暴雨危險性所影響的暴露度也呈現(xiàn)高值。除上述地區(qū)之外，其他高值區(qū)分布分散且面積較小，由經(jīng)緯度確定其主要分布在各市縣中心，人口分布較多。除此之外，在RCP8.5-SSP5下，由于承災(zāi)體的變化2050年人口暴露度出現(xiàn)降低趨勢。

2.3.2 未來經(jīng)濟暴露度

如圖7所示，未來2030年與2050年經(jīng)濟暴露度空間分布上極高值存在相似特征，主要分布在?？谑泻腿齺喪?，不同情景下2030年和2050年最大值均大于100萬·次，其中2050年極高值范圍出現(xiàn)明顯擴大。次高值與中值區(qū)在分布上2030年與2050年有極為明顯的差別。2030年，暴露度分布較低的地區(qū)主要包括儋州市、瓊海縣、萬寧市，約為1～3萬元·次，西部地區(qū)暴露度低。到2050年，次高值區(qū)范圍出現(xiàn)明顯擴大，從2030年分布面積小、嚴(yán)重程度低逐漸演變?yōu)榉植济娣e廣泛，擴展到7個沿海城市，嚴(yán)重程度明顯增加，約為3～6萬元·次，西部地區(qū)暴露度也逐漸增加至中等程度。在不同排放路徑暴雨危險性下，經(jīng)濟暴露度也出現(xiàn)差別。在2030年，RCP8.5濃度路徑下的暴露度明顯要高于RCP4.5路徑，而在2050年，RCP8.5路徑下的暴露度相較于RCP4.5路徑下差別不大?？傮w來看，隨著海南島地區(qū)經(jīng)濟的快速發(fā)展，未來經(jīng)濟暴露度將持續(xù)增加，且高值區(qū)空間分布主要集中在以?？谑小⑷齺喪械葹榇淼慕?jīng)濟發(fā)達地區(qū)。中部地區(qū)危險性雖較高，但由于經(jīng)濟相對落后，導(dǎo)致經(jīng)濟暴露度低。同時相較于人口暴露度來說，經(jīng)濟暴露度分布更加明顯。

圖6 海南地區(qū)未來人口暴露度分布(單位：人·次)

圖7 海南地區(qū)未來經(jīng)濟暴露度分布(單位：萬元·次)

2.3.3 貢獻率分析

綜上研究分析發(fā)現(xiàn)，未來人口和經(jīng)濟暴露度與人口、經(jīng)濟分布呈現(xiàn)出較好的一致性，為了更好的解釋海南地區(qū)未來人口、經(jīng)濟暴露度分布的成因，以2022—2050年為未來時期，1986—2014為歷史時期，利用式(12-15)分別計算經(jīng)濟與氣候、人口與氣候的貢獻率關(guān)系(圖8)。將經(jīng)濟同氣候結(jié)合分析發(fā)現(xiàn)，在RCP4.5和RCP8.5濃度路徑下，經(jīng)濟效應(yīng)的貢獻明顯高于氣候效應(yīng)和相互作用效應(yīng)，但在2046年后期，氣候效應(yīng)的變化曲線與暴露總變化的曲線表現(xiàn)出相似性；將人口同氣候結(jié)合時，人口效應(yīng)和氣候效應(yīng)的貢獻率差距明顯縮小，但還是人口效應(yīng)占主要。對于人口效應(yīng)而言，RCP4.5-SSP2和RCP8.5-SSP5兩種路徑下后期都出現(xiàn)了下降趨勢。在得出各類效應(yīng)百分比變化基礎(chǔ)之上，進行歸一化，求出各貢獻率占比。經(jīng)濟效應(yīng)的貢獻率始終占較高，達到90%以上，人口效應(yīng)的占到85%以上，氣候效應(yīng)的占比都較小，但又決定了暴露總變化的基本走向。綜上，在海南地區(qū)，暴雨災(zāi)害暴露度的原因主要側(cè)重于人文因素，經(jīng)濟效應(yīng)的貢獻最大，人口效應(yīng)次之，而氣候效應(yīng)的貢獻率保持在較低的層次，但氣候效應(yīng)的貢獻比隨著不同濃度路徑的變化出現(xiàn)差異，在RCP4.5路徑下貢獻率較低，RCP8.5路徑下貢獻率上升，說明未來假設(shè)人類對于全球氣候變暖問題沒有做出良好的舉措，導(dǎo)致空氣中溫室氣體濃度維持在高水平，會導(dǎo)致海南地區(qū)出現(xiàn)更大的暴雨危險性。

2.4 綜合暴露等級分布

基于綜合暴露度評估模型式(21)分析海南地區(qū)未來暴露度情況，以自然斷點法將其分別劃分為高、較高、中等、較低、低五個等級區(qū)域，按照三種不同社會發(fā)展路徑下的土地利用，綜合分析得到三組暴露度等級分布圖，以慣性發(fā)展情景下的土地利用為例說明海南地區(qū)不同重現(xiàn)期下的未來綜合暴露度情況(圖9)。

圖8 海南地區(qū)暴雨危險性暴露量變化

圖9 海南地區(qū)2030年綜合暴露度等級分布(以慣性發(fā)展土地利用情景為例)

總體來說，在不同濃度路徑和兩個重現(xiàn)期下綜合暴露度高值區(qū)集中分布在以?？谑?、三亞市為典型代表的經(jīng)濟發(fā)達、人口密集、建設(shè)用地分布高的市縣，次高值主要分布在沿海地區(qū)，如儋州市、臨高縣、瓊海市、萬寧縣等地，受地形、交通、氣候、經(jīng)濟等因素的影響，沿海地區(qū)承災(zāi)體——人口密度、經(jīng)濟密度分布較大，導(dǎo)致暴露度等級分布較高。從暴雨危險性的角度來看，中等暴露等級以上地區(qū)與致災(zāi)暴雨危險性分布沒有表現(xiàn)出較好的一致性；同時隨著承災(zāi)體的變化，暴露度分布出現(xiàn)擴大趨勢，其中以?？谑凶顬榈湫?。

3 結(jié)論與討論

(1)海南地區(qū)歷史暴雨頻次總體呈上升趨勢，但年際變化波動較大，受臺風(fēng)影響明顯，臺風(fēng)對暴雨頻次的貢獻率在26.15%左右；RCP4.5濃度路徑下呈上升趨勢，增長速率約為0.16次/10年；；隨著重現(xiàn)期的增加，暴雨危險性的程度和空間范圍呈現(xiàn)出不同程度地加深和擴大；發(fā)生頻次低值區(qū)出現(xiàn)在西部，高值區(qū)分布范圍廣。

(2)以建設(shè)用地為例，在生態(tài)保護情景下擴張速度為6.85 km2/年，而另外兩種情景擴張速度均在30 km2/年左右，環(huán)境保護一定程度上減輕了城市化帶來的消極影響。在慣性、生態(tài)、高速三種情景中，林地的面積始終最大，以2050年為例，分別為20 920、21 499、20 920 km2，受其分布情況制約暴露量最大。在三種情景中建設(shè)用地在生態(tài)保護情景下暴露度最小。

(3)承災(zāi)體的暴雨災(zāi)害暴露量受到危險性和承災(zāi)體的雙重影響。未來人口暴露度方面，空間分布上表現(xiàn)出一定的共性，呈點狀分布，高值多集中在市區(qū)的城鎮(zhèn)中心；經(jīng)濟暴露度高值在空間分布上主要集中在?？谑小⑷齺喪械冉?jīng)濟發(fā)達的區(qū)域，其余主要分布在沿海地區(qū)的市中心，呈分散點狀分布。分析各個因素對海南地區(qū)暴雨災(zāi)害暴露度的貢獻情況，經(jīng)濟效應(yīng)的貢獻率達到90%以上，人口效應(yīng)為85%以上，氣候效應(yīng)的占比小。

(4)綜合暴露度等級分布方面，高值區(qū)主要分布在?？谑小⑷齺喪械冉?jīng)濟發(fā)達、人口密集、建設(shè)用地占比高的區(qū)域，次高值主要分布在沿海地區(qū)，內(nèi)陸地區(qū)受人文因素等影響小，暴露度低。

未來研究可從以下三個方面進一步深入：①本研究設(shè)定了三種未來社會經(jīng)濟發(fā)展情景，但影響區(qū)域發(fā)展的因素是多樣的、偶然的，不僅受地區(qū)資源稟賦影響，同時受國家戰(zhàn)略政策和規(guī)劃的影響程度更深，因此，未來需建立政策影響下的社會經(jīng)濟發(fā)展動態(tài)模擬模型，能在預(yù)測模擬過程中充分耦合區(qū)域歷史特征、資源條件及政策影響等綜合要素。②本研究使用暴雨頻次作為致災(zāi)因子危險性分析的要素，衡量暴雨強度的指標(biāo)由多種，但各指標(biāo)的側(cè)重點不同。本研究重點考慮了暴雨的年際差異，因此選擇了暴雨頻次作為危險性指標(biāo)，未來可進一步豐富暴雨危險性指標(biāo)，提高暴雨強度分析的準(zhǔn)確性。③在暴露度研究中多關(guān)注人口和經(jīng)濟承災(zāi)體，但其二者并不能完全代表社會發(fā)展?fàn)顩r，如城市化發(fā)展/人口的遷移等等導(dǎo)致承災(zāi)體變化更為復(fù)雜，而土地利用格局能夠好的綜合反映社會經(jīng)濟的情況，未來將會在研究過程中嘗試將更多的承災(zāi)體綜合應(yīng)用。