, 孙凤琳中南大学 防灾科学与安全技术研究所, 长沙 410075
收稿日期：2021-12-31
基金项目：湖南创新型省份建设专项经费资助（2020SK2004）；国家自然科学基金重大项目（72091512，71790613）
作者简介：陈长坤(1977-), 男, 教授。E-mail: cckchen@csu.edu.cn
摘要：洪涝灾害造成的危害广泛且复杂，合理的洪涝灾害灾情评估方法是制定有效防灾减灾措施的关键手段。根据《洪涝灾情评估标准》（SL579—2012），结合死亡人口、受灾人口、农作物受灾面积、直接经济损失、倒塌房屋、水利设施经济损失等关键影响因素，建立了洪涝灾害评价指标。综合灰色关联度分析法和熵权法，提出一种针对暴雨洪涝灾情的分级评估方法，并以2014—2018年的全国年度洪灾数据为例进行应用，结合评估结果和实际情况，提出了暴雨洪涝灾害防灾减灾工作的建议。结果表明：全国暴雨洪涝灾情熵权-灰色关联度数值高的区域集中在东南区域和西北区域，防洪防涝工作重点分别在城市防洪和沙漠防洪；2016年全国暴雨灾情熵权-灰色关联度分级属于较大洪涝灾害年。
关键词：暴雨洪涝灾情评价熵权法灰色关联分析防洪治理
Flood damage assessments based on entropy weight-grey relational analyses
CHEN Changkun
, SUN FenglinInstitute of Disaster Prevention Science and Safety Technology, Central South University, Changsha 410075, China
Abstract: Flooding can cause extensive damage. Accurate flood damage assessments are needed to formulate effective prevention and mitigation measures. A flood damage assessment index was established based on such factors from the Chinese Flood Damage Assessment Standard (SL579-2012) as the death toll, affected population, crop damage area, direct economic loss, house damage, and economic losses of water conservancy facilities. The grey relational analysis and entropy weight methods were used to develop a damage assessment method that assessed and classified rainstorm and flood damage in China using annual flood data from 2014 to 2018. The assessment results and actual evaluations were combined to develop ways to mitigate and prevent rainstorm and flood damage. The results show that national rainstorm disasters with high entropy weight-grey relational degrees have been concentrated in the southeast and northwest regions and that flood prevention and control should focus on urban and desert flood control. The national rainstorm disaster entropy weight-grey relational degree was highest in 2016 which saw many serious floods.
Key words: rainstorm and flooddamage assessmententropy weight methodgrey relational analysesflood prevention and control
暴雨洪涝灾害作为一种严重的自然灾害，具有突发性、季节性和高频性的特点，对人员安全和经济发展都有着强大的破坏力。所有自然灾害中，洪涝灾害造成的人员伤亡占比高达65%[1]。因此，防洪已成为防灾减灾工作的重点。
自20世纪以来，针对暴雨洪涝的灾情评估研究受到了国内外****的广泛关注，并以此为基础进一步探讨了暴雨洪涝的防治手段。湛南渝[2]采用卫星遥感技术对“台风—暴雨—洪涝”灾害链进行灾情评估和灾情监测；刘方田等[3]结合致灾因子和灾情评估指数模型，分析了致灾因子和灾情评估指数模型在时空分布上的关联关系；温泉沛等[4]运用线拟合法和灰色关联法得到湖北省暴雨洪涝脆弱性曲线模型；王倩雯等[5]构建了基于反向传播神经网络模型和地理信息系统多准则评价的洪涝风险评价体系；孙玉龙等[6]采用K-mean聚类分析法对河北省进行洪涝风险区域划分；Komolafe[7]基于流体动力(Flo 2D)和最近排水高度模型对流域内洪水进行模拟分析和风险划区；Parodi等[8]提出多维损害评估，将与灾害有关的环境影响与经济和社会损失相结合；Chen等[9]利用IACO-BP算法对洪涝灾害情况下的应急物资需求量进行预测；Moon等[10]提出洪水灾害风险降低指数来评估洪水脆弱性；Zou等[11]改进了扩散内外集模型并对洪灾风险进行了定量描述。
目前，关于洪涝灾害的灾情评估模型及方法主要包括：遗传神经网络模型、灰色聚类分析模型、灰色关联分析法和模糊评价模型等。在上述灾情评估模型研究的基础上，本文进一步参考中国水利行业发布的《洪涝灾情评估标准》(SL579—2012)[12]，考虑农作物受灾面积、受灾人口、死亡人口、倒塌房屋、直接经济损失和洪灾水利设施经济损失等因素，建立灾情评估指标体系；提出一种结合灰色关联分析法和熵权法的灾情分级评估方法，分析2014—2018年中国年度洪涝灾害风险，并提出暴雨洪涝灾害的防灾减灾措施。
1 暴雨洪涝灾情评估1.1 灾情评估指标体系灾情评估指标体系应当满足可行性、可比性、系统性、相容性4个原则[13]。《洪涝灾情评估标准》(SL579—2012)[12]给出了洪涝灾害评价的指标体系，如表 1所示。其中的指标可分为两类：一是基本指标，包括死亡人口指标D、受灾人口指标P、农作物受灾面积指标A、直接经济损失指标L、倒塌房屋指标H、水利设施经济损失指标F；二是扩展指标，包括骨干交通中断历时指标R、城市受淹历时指标S、生命线工程中断历时指标T、级别场次灾害数量指标等。本文进行年度洪涝灾情评价时，考虑到扩展指标的统计困难和影响时间区间特定，因此采用基本指标建立评价指标体系。
表 1 洪涝灾害灾情评价指标体系[12]
| 基本指标 | 死亡人口、受灾人口(或受灾人口占区域人口比例)、农作物受灾面积(或农作物受灾面积占区域耕地面积比例)、倒塌房屋、直接经济损失(或直接经济损失占一年区域GDP比例)、水利设施损失占直接经济损失比例 |
| 扩展指标 | 骨干交通中断历时、城市受淹历时、生命线工程(水、电、气、通信)中断历时、级别场次灾害数量 |
表选项
1.2 洪涝灾害灾情评价和分级根据洪涝灾害造成后果进行灾情分级，对不同规模的洪涝灾害进行程度划分，有利于直观对比不同时空下的洪涝灾情，也可为不同程度洪涝灾害下应急救援物资的配给和救援预案的制定提供依据。
洪涝灾害灾情等级划分根据指标个数的不同可以分为：单指标分级[14]、双指标分级[15]和多指标分级[16]。相较于单指标和双指标分级，多指标分级更加具有综合性和系统性。本文采用多指标分级法对暴雨洪涝的评估结果进行分级，参考表 2所示[12]的《洪涝灾情评估标准》(SL579—2012)给出的多指标综合分级，其中C为暴雨洪涝灾情评估值。
表 2 多指标综合洪涝灾害分级[12]
| 指标分级 | 灾情等级 | |||
| 一般洪涝灾害 | 较大洪涝灾害 | 重大洪涝灾害 | 特别重大洪涝灾害 | |
| 场次洪涝 | C＜40 | 40≤C＜60 | 60≤C＜80 | C≥80 |
| 年度洪涝 | C＜40 | 40≤C＜60 | 60≤C＜80 | C≥80 |
表选项
本文的灾情评估仅针对大陆的31个省区市，不含香港和澳门特别行政区以及台湾省。在进行全国年度暴雨洪涝灾情评估时，评估对象同为全国范围，因此选取绝对指标就可以得到客观的评价结果；在进行各省区市年度洪涝评价时，考虑到各省区市的例如面积、人口等差异，部分指标选取相对指标更为合理。以上两种情况下灾情熵权-灰色关联度Ri的灾害分级标准如表 3所示。
表 3 年度洪涝灾害灾情等级分级
| 指标分级 | 灾情等级 | |||
| 一般灾害年 | 较大灾害年 | 重大灾害年 | 特别重大灾害年 | |
| 全国灾情熵权-灰色关联度 | [0，0.4) | [0.4, 0.6) | [0.6, 0.8) | [0.8, 1] |
| 各省区市灾情熵权-灰色关联度 | [0，0.5) | [0.5, 0.6) | [0.6, 0.8) | [0.8, 1] |
表选项
针对不同级别的洪涝灾害，应当制定不同的防灾减灾应急预案，并由不同级别的管理部门逐级响应，以确保洪涝灾害的应急救援工作可行且有序。
2 全国年度洪涝灾情评价灰色关联度分析源于系统科学理论中的灰色系统理论[17]，适用于动态发展过程的量化分析，不会出现定量结果和定性分析不符的情况。熵常用于表征不确定性，一组数据的熵值越大，意味着数据的变化越大，对应的熵权也更大。熵权法可以根据各项指标数据的变异程度客观进行熵权赋值，避免了例如专家打分法等主观人为赋值造成的误差。本文提出一种综合灰色关联度分析和熵权法的灾情评估方法——熵权-灰色关联度分析，如图 1所示。
 |
| 图 1 基于熵权-灰色关联度分析的暴雨洪涝灾情评估流程 |
| 图选项 |
2.1 全国年度暴雨洪涝灾情灰色关联度分析收集整理2015—2019年发布的《中国气象灾害年鉴》和《中国水利统计年鉴》中的统计数据，得到表 4中的2014—2018年年度洪涝灾害灾情评价指标初始数据，包括农作物受灾面积(A)、受灾人口(P)、死亡人口(D)、倒塌房屋(H)、直接经济损失(L)和洪灾水利设施经济损失(F)。
表 4 各年度全国洪涝灾害灾情指标数据
| 年份 | ||||||
| 2014 | 473.9 | 7 200.1 | 631 | 26.9 | 1 029.8 | 15.804 |
| 2015 | 562.0 | 6 777.5 | 540 | 14.5 | 920.6 | 15.267 |
| 2016 | 853.1 | 9 954.9 | 942 | 44.1 | 3 134.4 | 19.150 |
| 2017 | 541.5 | 6 951.2 | 674 | 13.4 | 1 909.9 | 16.120 |
| 2018 | 395.0 | 3 526.2 | 380 | 6.4 | 1 060.5 | 15.969 |
表选项
参考《洪涝灾情评估标准》(SL579—2012)中的指标取值，对各项指标数据进行量纲归一化，得到2014—2018年全国暴雨洪涝灾情评价指标矩阵U=uij(i=1, 2, …, m; j=1, 2, …, n)，包含m组灾情的n项评价指标。设参考序列U0={u01, u02, …, u0n}，其中各元素数值均为1，表示最严重灾情。
| $\boldsymbol{U}=\left[\begin{array}{llllll}0.237 & 0.180 & 0.158 & 0.135 & 0.265 & 0.540 \\0.281 & 0.169 & 0.135 & 0.073 & 0.230 & 0.513 \\0.427 & 0.249 & 0.236 & 0.221 & 1.000 & 0.708 \\0.271 & 0.174 & 0.169 & 0.067 & 0.705 & 0.556 \\0.198 & 0.088 & 0.095 & 0.032 & 0.280 & 0.548\end{array}\right] .$ |
| $\varDelta_{0 i}(j)=\left|\boldsymbol{U}_{0}-\boldsymbol{U}_{i}\right|, $ | (1) |
| $\varDelta_{\max }=\max \limits_{i} \max \limits_{j}\left|\boldsymbol{u}_{0 j}-\boldsymbol{u}_{i j}\right|, $ | (2) |
| $\varDelta_{\min }=\min \limits_{i} \min \limits_{j}\left|\boldsymbol{u}_{0 j}-\boldsymbol{u}_{i j}\right|.$ | (3) |
| $\xi_{i}(j)=\frac{\varDelta_{\min }+\rho \varDelta_{\max }}{\varDelta_{0 i}(j)+\rho \varDelta_{\max }} .$ | (4) |
表 5 各年度全国洪涝灾害灾情指标灰色关联系数
| 年份 | ξi(j) | |||||
| A | P | D | H | L | F | |
| 2014 | 0.388 | 0.371 | 0.364 | 0.358 | 0.397 | 0.512 |
| 2015 | 0.402 | 0.368 | 0.358 | 0.342 | 0.386 | 0.498 |
| 2016 | 0.457 | 0.391 | 0.387 | 0.383 | 1.000 | 0.623 |
| 2017 | 0.398 | 0.369 | 0.367 | 0.341 | 0.621 | 0.521 |
| 2018 | 0.376 | 0.346 | 0.348 | 0.333 | 0.402 | 0.517 |
表选项
2.2 洪涝灾害灾情指标熵权计算指标比重Pij为
| $P_{i j}=\frac{1+u_{i j}}{\sum\limits_{j=1}^{n}\left(1+u_{i j}\right)} .$ | (5) |
| $E_{j}=-\frac{1}{\ln n}\left(\sum\limits_{i}^{m} P_{i j} \ln P_{i j}\right) .$ | (6) |
| $W_{j}=\frac{1-E_{j}}{\sum\limits_{j=1}^{n}\left(1-E_{j}\right)} .$ | (7) |
| $R_{i}=\sum\limits_{j=1}^{n} W_{j} \xi_{i}(j) \text {. }$ | (8) |
表 6 各年度全国洪涝灾害灾情熵权-灰色关联度
| 年份 | 2014 | 2015 | 2016 | 2017 | 2018 |
| 关联度 | 0.386 52 | 0.380 91 | 0.494 65 | 0.412 43 | 0.371 85 |
表选项
按照表 3对2014—2018年的全国年度洪涝灾害进行分级，结果如图 2所示。可以看出，综合评估2014—2018年全国暴雨洪涝受灾情况，其中2016和2017年熵权-灰色关联度分别为0.494 65和0.412 43，为较大灾害年，其余3年均属于一般灾害年；2016年的暴雨洪涝灾情最为严重，受灾面积达853.1万hm2，9 954.9万人受灾，死亡942人，倒塌房屋44.1万间，直接经济损失高达3 134.4亿元。综合对比各指标灰色关联系数，如图 3所示，可以看出2016年各指标的灰色关联系数都为最大值，受灾面积、受灾人数、死亡人数、倒塌房屋数和直接经济损失分别是5年内各项数据总和的30.19%、28.93%、29.74%、41.88%、38.91%。结合现实情况，2016年全国降水量较往年增多，全国范围内共计出现46场区域性强降雨，26个省区市因为强降雨发生城市内涝，证明熵权-灰色关联度计算得到的结果能较好地反映实际灾情。
 |
| 图 2 2014—2018年全国年度洪涝灾害灾情分级 |
| 图选项 |
 |
| 图 3 2014—2018年各指标变化情况 |
| 图选项 |
3 各省区市年度暴雨洪灾等级评估《洪涝灾情评估标准》(SL579—2012)[12]中规定的年度洪涝灾害评估参数指标取值与指标阈值关系如表 7所示。考虑到各省区市情况的差异，对部分参数指标选取相对指标，如受灾人口占区域人口比例、农作物受灾面积占区域耕地面积比例、直接经济损失占一年区域GDP比例、水利设施损失占直接经济损失比例；其余指标选择绝对指标，如死亡人口、倒塌房屋间数。整理全国各省区市2010—2018年的相关数据，以及2010年至评估年份上一年的各项指标平均值X，根据评估年份该指标的具体数值X和平均值X的关系确定该指标的取值。参考以上方法将各数据进行量纲归一化转换。
表 7 洪涝灾情指标的参数取值与指标阈值关系[12]
| 参数 | 阈值区间 | |||
| X参数取值 | ＞1.5X | X~1.5X | 0.5X~X | 0~0.5X |
| D、P、A、L、H、F参数取值 | 75~100 | 50~75 | 25~50 | 0~25 |
| 注：参数取值采用直线插值法确定，取值的上限采用参数取值区间为50~75段构造出的插值直线外延取值，参数最大取值为100。 | ||||
表选项
参考第2节的计算步骤，得到2014—2018年各省区市年度洪涝灾害灾情熵权-灰色关联度，见表 8。
表 8 2014—2018年各省区市洪涝灾情熵权-灰色关联度
| 省区市 | 年份 | 平均值 | ||||
| 2014 | 2015 | 2016 | 2017 | 2018 | ||
| 北京 | 0.333 | 0.335 | 0.704 | 0.337 | 0.590 | 0.460 |
| 天津 | 0.333 | 0.334 | 0.581 | 0.333 | 0.333 | 0.383 |
| 河北 | 0.388 | 0.409 | 0.935 | 0.360 | 0.378 | 0.494 |
| 山西 | 0.372 | 0.381 | 0.914 | 0.493 | 0.534 | 0.539 |
| 内蒙古 | 0.350 | 0.409 | 0.542 | 0.445 | 0.746 | 0.498 |
| 辽宁 | 0.447 | 0.354 | 0.439 | 0.469 | 0.348 | 0.411 |
| 吉林 | 0.343 | 0.369 | 0.462 | 0.813 | 0.456 | 0.489 |
| 黑龙江 | 0.426 | 0.456 | 0.411 | 0.428 | 0.606 | 0.465 |
| 上海 | 0.333 | 0.665 | 0.333 | 0.333 | 0.333 | 0.399 |
| 江苏 | 0.357 | 0.741 | 0.478 | 0.375 | 0.395 | 0.469 |
| 浙江 | 0.527 | 0.476 | 0.411 | 0.446 | 0.349 | 0.442 |
| 安徽 | 0.489 | 0.673 | 0.895 | 0.362 | 0.354 | 0.555 |
| 福建 | 0.549 | 0.800 | 0.618 | 0.398 | 0.360 | 0.545 |
| 江西 | 0.505 | 0.615 | 0.622 | 0.532 | 0.394 | 0.534 |
| 山东 | 0.362 | 0.398 | 0.477 | 0.402 | 0.352 | 0.398 |
| 河南 | 0.376 | 0.447 | 0.742 | 0.626 | 0.395 | 0.517 |
| 湖北 | 0.430 | 0.676 | 0.908 | 0.469 | 0.378 | 0.572 |
| 湖南 | 0.650 | 0.559 | 0.690 | 0.811 | 0.381 | 0.618 |
| 广东 | 0.565 | 0.426 | 0.462 | 0.380 | 0.474 | 0.461 |
| 广西 | 0.523 | 0.675 | 0.549 | 0.756 | 0.463 | 0.593 |
| 海南 | 0.375 | 0.648 | 0.333 | 0.506 | 0.333 | 0.439 |
| 重庆 | 0.664 | 0.422 | 0.523 | 0.458 | 0.395 | 0.492 |
| 四川 | 0.422 | 0.413 | 0.484 | 0.469 | 0.443 | 0.446 |
| 贵州 | 0.808 | 0.531 | 0.658 | 0.502 | 0.380 | 0.576 |
| 云南 | 0.531 | 0.662 | 0.720 | 0.508 | 0.562 | 0.597 |
| 西藏 | 0.365 | 0.454 | 0.678 | 0.580 | 0.496 | 0.515 |
| 陕西 | 0.458 | 0.434 | 0.420 | 0.542 | 0.396 | 0.450 |
| 甘肃 | 0.425 | 0.395 | 0.496 | 0.485 | 0.732 | 0.507 |
| 青海 | 0.492 | 0.501 | 0.538 | 0.438 | 0.830 | 0.560 |
| 宁夏 | 0.349 | 0.385 | 0.473 | 0.533 | 0.653 | 0.479 |
| 新疆 | 0.519 | 0.766 | 0.857 | 0.413 | 0.649 | 0.641 |
表选项
结合相对指标的熵权-灰色关联度[17]计算结果和表 3中的灾情分级，可以得出：2014年7个省熵权-灰色关联度大于0.5，属于较大洪涝灾害年，2个省熵权-灰色关联度大于0.6，属于重大洪涝灾害年，1个省熵权-灰色关联度大于0.8，属于特别重大洪涝灾害年，全国受灾最重的为贵州省；2015年3个省属于较大洪涝灾害年，7个省属于重大洪涝灾害年，1个省属于特别重大洪涝灾害年，受灾最重的为福建省；2016年4个省属于较大洪涝灾害年，7个省属于重大洪涝灾害年，5个省属于特别重大洪涝灾害年，受灾最重的为河北省；2017年5个省属于较大洪涝灾害年，2个省属于重大洪涝灾害年，2个省属于特别重大洪涝灾害年，受灾最重的为湖南省；2018年3个省属于较大洪涝灾害年，4个省属于重大洪涝灾害年，1个省属于特别重大洪涝灾害年，受灾最重的为甘肃省。2014—2018年平均熵权-灰色关联度最大的为湖南省和新疆，即灾情最为严重。
运用ArcGIS软件对2014—2018年全国各省洪涝情况进行绘制，得到图 4。
 |
| (注：该图基于国家测绘地理信息局标准地图服务网站下载的审图号为GS(2016)1589号的标准地图制作，底图无修改) 图 4 2014—2018年全国各省区市洪涝灾害灾情分布图 |
| 图选项 |
从图 4中可以看出，暴雨洪涝灾害影响最严重的地区主要集中在中国东部，特别是长江以南的地区。出现这种情况的主要原因是中国降水量有着明显的地域性，从东南沿海至西北内陆，降雨量呈现递减趋势。
4 不同区域暴雨洪涝防治建议图 4f显示了2014—2018年全国各省区市洪涝灾害熵权-灰色关联度，图 5展示了各省区市洪涝灾害熵权-灰色关联度平均情况。综合分析可以看出，暴雨洪涝灾情严重的区域大致可以分为东南区域和西北区域。结合中国地形气候分布和洪涝灾害熵权-灰色关联度评估结果，分别对以上两个区域提出暴雨洪涝防治建议。
 |
| (注：该图基于国家测绘地理信息局标准地图服务网站下载的审图号为GS(2016)1589号的标准地图制作，底图无修改) 图 5 2014—2018年全国各省区市洪涝灾害平均情况 |
| 图选项 |
4.1 东南地区暴雨洪涝防灾减灾建议中国东南地区暴雨洪涝的主要成因是季节性强降雨，且沿海地区降雨受大陆和海洋气候双重影响，城市和港口等区域为主要受灾区域。城市中大量自然植被、农田等被不透水的平坦路面代替，减弱了土壤对雨水的滞留和积蓄作用，暴雨发生后易在低洼处形成积水内涝。综合分析城市暴雨洪涝成因，对城市暴雨洪涝防治工作提出以下建议：
1) 综合规划城市防洪排涝工程整体布局，根据城市降雨特点建立城市防洪排涝标准和应急方案，例如提前将水库开闸泄洪。通过城市基础建设，从蓄、截、拦、排、泄等多方面实现暴雨洪涝防治，综合减少农田、房屋以及水利设施的损失。
2) 完善城市暴雨洪涝灾害风险预警。东南区域城市气候受海陆双重影响，需确保城市风险预警覆盖近海、沿海和陆上3个层次。综合考虑台风暴雨及其衍生灾害的影响，充分辨识城市防涝的薄弱环节，为灾情预判和应急救援方案的制定提供依据。
3) 加强城市居民暴雨洪涝基本知识普及和防灾减灾宣传教育，鼓励群众参与城市防洪应急演练，提高群众在暴雨洪涝发生时的避灾自救能力，减少灾害造成的人员伤亡和经济损失。
4.2 西北地区暴雨洪涝灾害防灾减灾建议中国西北内陆地区属于冷性沙漠气候，年降雨量通常较少，然而暴雨洪涝评估值却较高。近年来，中国西北地区暴雨洪涝次数上升，降水量和温度都有所增长。气候湿暖化导致冰川雪融化加速，以融化雪为主要水源的河流流量增加，加之强降水频次增加，就容易出现洪涝、泥石流、滑坡等灾害，冰川结构失稳也会造成雪洪、雪崩和冰湖溃决等复合灾害。
中国西北地区地广人稀，城市化发展相对落后，防洪防涝基础设施和管理也不足。针对这些特点，对该地区的暴雨洪涝防治提出以下建议：
1) 推进荒漠防洪防涝设施建设，根据地区暴雨洪涝灾害风险，分区逐步完成防洪堤等防洪工程建设，通过多级分流化解暴雨洪涝；在沙漠中进行蓄水湖挖掘，优化荒漠洪水蓄调能力，并且利用沙漠对洪水过滤得到可利用水资源。
2) 种植生态植物，防风固沙，推进退耕还林工作，减少水土流失，增加沙漠植被覆盖，协调农业畜牧业林业用地，减少洪涝产生泥石流的可能。
3) 建立雨洪监测预警体制，建立地区历史数据信息库，同时使用卫星遥感、雷达探测等多源信息进行综合分析，构建科学合理的沙漠暴雨预测模型；作好暴雨洪涝灾害风险评估，根据地区暴雨洪涝风险建立各级预警体系，实现灾前预防、灾中及时响应并启动应急预案、灾后迅速恢复。
5 结论本文参考《洪涝灾情评估标准》(SL579—2012)，综合农作物受灾面积、受灾人口、死亡人口、倒塌房屋、直接经济损失和洪灾水利设施经济损失等因素建立了暴雨洪涝灾情评估指标体系，提出了一种综合熵权法和灰色关联分析法的评估暴雨洪涝灾情方法。主要结论如下：
1) 采用灰色关联度分析处理灾情数据，得到各项指标灰色关联系数，再用熵权法得到各项指标的权重，两者结合得到的熵权-灰色关联度能够客观有效地进行暴雨洪涝灾情评估和灾情分级。
2) 应用熵权-灰色关联分析法对2014—2018年全国各省区市暴雨洪涝灾情进行评估和灾情分级，其中2016年洪涝灾情最为严重，熵权-灰色关联度大于0.4，为较大洪涝灾害年。
3) 中国东南部暴雨洪涝灾情熵权-灰色关联度高，该区域城市防洪是重点；中国西北部暴雨洪涝灾情熵权-灰色关联度较高，该区域沙漠防洪是关键。
参考文献
| [1] | ASKEW A J. Water in the international decade for natural disaster reduction[C]//Proceedings of the North American Water and Environment Congress & Destructive Water. Wallingford, UK: IAHS Press, 1997: 3-11. |
| [2] | 湛南渝. "台风-暴雨"洪涝灾害遥感监测与评估研究[D]. 成都: 电子科技大学, 2020. ZHAN N Y. Research on remote sensing monitoring and evaluation of "typhoon-storm" flood disaster[D]. Chengdu: University of Electronic Science and Technology of China, 2020. (in Chinese) |
| [3] | 刘方田, 许尔琪. 海南省台风特点与灾情评估时空关联分析[J]. 灾害学, 2020, 35(2): 217-223. LIU F T, XU E Q. Spatio-temporal correlation analysis of typhoon characteristics and disaster assessment in Hainan province[J]. Journal of Catastrophology, 2020, 35(2): 217-223. DOI:10.3969/j.issn.1000-811X.2020.02.039 (in Chinese) |
| [4] | 温泉沛, 周月华, 霍治国, 等. 湖北暴雨洪涝灾害脆弱性评估的定量研究[J]. 中国农业气象, 2018, 39(8): 547-557. WEN Q P, ZHOU Y H, HUO Z G, et al. Quantitative assessment on vulnerability of storm flood disasters in Hubei province[J]. Chinese Journal of Agrometeorology, 2018, 39(8): 547-557. DOI:10.3969/j.issn.1000-6362.2018.08.007 (in Chinese) |
| [5] | 王倩雯, 曾坚, 辛儒鸿. 基于GIS多准则评价与BP神经网络的暴雨洪涝灾害风险辨识: 以闽三角地区为例[J]. 灾害学, 2021, 36(1): 192-200. WANG Q W, ZENG J, XIN R H. Risk identification of storm and flood disaster based on GIS multi-criteria evaluation and BP neural network: A case study on the Min delta[J]. Journal of Catastrophology, 2021, 36(1): 192-200. DOI:10.3969/j.issn.1000-811X.2021.01.036 (in Chinese) |
| [6] | 孙玉龙, 王丽荣, 张琪, 等. 基于优势分析法的河北省暴雨对房屋致灾阈值研究[J]. 气候与环境研究, 2021, 26(3): 289-298. SUN Y L, WANG L R, ZHANG Q, et al. Threshold research of rainstorm disaster on the houses in Hebei province based on dominance analysis method[J]. Climatic and Environmental Research, 2021, 26(3): 289-298. (in Chinese) |
| [7] | KOMOLAFE A A. Integrated methodology for urban flood inundation modeling: A case study of Ichinomiya River Basin, Japan[J/OL]. Modeling Earth Systems and Environment, 2021: 1-10. DOI: 10.1007/s40808-021-01204-6. |
| [8] | PARODI E, KAHHAT R, VáZQUEZ-ROWE I. Multi-dimensional damage assessment (MDDA): A case study of El Ni?o flood disasters in Peru[J]. Climate Risk Management, 2021, 33: 100329. DOI:10.1016/j.crm.2021.100329 |
| [9] | CHEN F J, CHEN J Y, LIU J G. Forecast of flood disaster emergency material demand based on IACO-BP algorithm[J/OL]. Neural Computing and Applications, 2021: 1-13. DOI: 10.1007/s00521-021-05883-1. |
| [10] | MOON S R, YANG S M, CHOI S H. Development and the application of flood disaster risk reduction index[J]. Journal of the Korean Society of Safety, 2014, 29(1): 64-69. DOI:10.14346/JKOSOS.2014.29.1.064 |
| [11] | ZOU Q, ZHOU J Z, ZHOU C, et al. Fuzzy risk analysis of flood disasters based on diffused-interior-outer-set model[J]. Expert Systems with Applications, 2012, 39(6): 6213-6220. DOI:10.1016/j.eswa.2011.12.008 |
| [12] | 中华人民共和国水利部. 洪涝灾情评估标准: SL579-2012[S]. 北京: 中国水利水电出版社, 2012. Ministry of Water Resources of the People's Republic of China. Flood disaster assessment: SL579-2012[S]. Beijing: China Water Power Press, 2012. (in Chinese) |
| [13] | 李翔, 周诚, 高肖俭, 等. 我国灾害经济统计评估系统及其指标体系的研究[J]. 自然灾害学报, 1993, 2(1): 5-15. LI X, ZHOU C, GAO X J, et al. Study on Chinese statistical and estimating system of disaster economy and its index system[J]. Journal of Natural Disasters, 1993, 2(1): 5-15. (in Chinese) |
| [14] | 赵阿兴, 马宗晋. 自然灾害损失评估指标体系的研究[J]. 自然灾害学报, 1993, 2(3): 1-7. ZHAO A X, MA Z J. Appraising study for the loss evaluation system of natural disasters[J]. Journal of Natural Disasters, 1993, 2(3): 1-7. (in Chinese) |
| [15] | 王劲峰. 中国自然灾害影响评价方法研究[M]. 北京: 中国科学技术出版社, 1993. WANG J F. Methodology for assessing natural disaster risk of China[M]. Beijing: Science and Technology of China Press, 1993. (in Chinese) |
| [16] | 张少春, 高惠瑛. 全国年度和场次洪涝灾情评估研究[J]. 人民长江, 2020, 51(6): 5-10. ZHANG S C, GAO H Y. Annual and event flood disasters assessment in China[J]. Yangtze River, 2020, 51(6): 5-10. (in Chinese) |
| [17] | LI L Y, LIU Z, DU X L. Improvement of analytic hierarchy process based on grey correlation model and its engineering application[J]. ASCE-ASME Journal of Risk and Uncertainty in Engineering Systems, Part A: Civil Engineering, 2021, 7(2): 04021007. DOI:10.1061/AJRUA6.0001126 |
