0509号台风暴雨过程分析与暴雨灾害评估

针对2005年8月8～10日辽宁区域性台风暴雨过程，以常规气象资料、自动站资料及卫星云图资料为基础进行分析。结果表明：暴雨是台风、副热带高压与西风槽相互作用的结果，较好的水汽条件是产生台风暴雨的重要条件之一，低空急流是水汽输送的通道，也是台风暴雨的明显特征之一；结合单站气压连续变化以及云系变化判断“麦莎”登陆时间地点；应用基于概率分析的暴雨事件快速评估模型对暴雨灾害进行评估，评估表明暴雨过程为三级暴雨灾害，属中度级别。

暴雨灾害风险评估与区划——以山东省滨州市为例

选取滨州市国家级气象观测站1978~2020年观测资料及区域自动站建站以来的观测资料、暴雨灾害灾情、地理信息与其他社会经济资料,应用GIS技术及统计方法多因子的叠加,综合得出暴雨灾害风险评估和区划:(1)山东滨州暴雨危险性大致为中北部地区高于南部地区。(2)滨城区大部、邹平市中部偏南的地区、无棣县西南部、沾化区东南部、惠民县东部与南部边缘、阳信县中东部及博兴县南部边缘地区人口暴雨灾害风险为高或较高。(3)经济暴雨灾害风险高或者较高的地区主要为滨城区大部、邹平市中南部、惠民县北部与南部边缘、无棣县中南部及博兴县南部边缘地区。(4)滨城区中北部与南部边缘地区、惠民县东部和东南部、博兴县南部小部分地区、沾化中西部和东南部暴雨农业风险为高或较高。

基于投影寻踪法的云南省暴雨灾害风险评估

利用1991—2020年云南省118个站点的逐日降水观测和云南省统计年鉴资料,基于投影寻踪法对云南省暴雨灾害风险进行风险评估和等级划分。结果表明:(1)云南省西南部的降水强度和持续程度普遍高于其他地区,降水总量多且暴雨发生频率高的区域主要在云南省东南部。(2)云南省南部边缘和西部边缘致灾因子危险等级最高,云南省西北部孕灾环境敏感性较低,昆明市和曲靖市承灾体脆弱性等级较高,而中部具有较好的防灾减灾能力。(3)云南省暴雨灾害风险的空间分布呈现由南向北逐渐递减的特征,高风险、次高风险、中风险、次低风险和低风险区分别占总面积的8.3%、14.7%、19.8%、25.5%和31.7%。

基于ArcGIS的山西省暴雨灾害风险评估

选取山西省109个气象站1988—2018年气象资料,结合层级分析法和专家打分法,构建了山西省暴雨风险评估模型,并利用ArcGIS对山西暴雨风险进行评估。结果表明:山西省大部分地区年暴雨量占年降水量的比例都超过了10%,说明暴雨作为山西降水量的主要来源。山西南部大部分地区及中部吕梁、阳泉、太原地区处于高风险区,发生暴雨灾害的风险较大发生;北部大同、朔州地区处于低风险区,发生暴雨灾害的风险较小。实时开展暴雨灾害的危险性评价,有助于完善当地地质灾害气象风险评估模型,为地方政府制定防灾减灾措施提供依据。

基于极端梯度提升算法的重庆市暴雨灾害风险评估

因其独特的地理位置与气候,重庆市暴雨灾害频发,对其开展暴雨灾害风险评估与区划十分必要。本文利用暴雨过程强度影响因素、孕灾环境影响因素与承灾体暴露度等数据,结合专家打分得到的指标权重获得致灾危险性与承灾体受灾风险性指数,以此构建样本集。基于随机森林(Random Forest, RF)、自适应提升(Adaptive Boosting, AdaBoost)、极端梯度提升(eXtreme Gradient Boosting, XGBoost)、梯度提升回归(Gradient Boosting Regression, GBR)、支持向量回归(Support Vector Regression, SVR)、线性回归(Linear Regression, LR)算法分别进行预测。结果显示,XGBoost算法以最低的平均相对误差值(Mean Relative Error, MRE)1.950%、均方根误差值(Root Mean Square Error, RMSE)0.028,以及最高的相关性值(R-squared,R2)0.896,成为最优算法(以暴雨致灾危险性预测结果为例)。在单场暴雨灾害风险评估中,在缺少暴雨过程持续天数数据的情况下,XGBoost算法仍为最优算法,其预测的MRE值与RMSE值分别为2.066%、0.030,R^(2)值为0.885,利用XGBoost算法在评估区划中划分的各等级受灾风险区域与实际受灾区域基本保持一致,表明XGBoost算法在缺少部分数据的情况下,仍能高效准确地进行评估。