EN中文

热带地理 >

2024 , Vol. 44 >Issue 6: 1047 - 1063

DOI: https://doi.org/10.13284/j.cnki.rddl.20230961

台风灾害损失评估与应急

1978—2020年中国台风灾害灾情时空分布格局及影响因素分析

  • 张鹏 , 1 ,
  • 张云霞 , 1 ,
  • 汪洋 1 ,
  • 丁一 1 ,
  • 尹宜舟 2 ,
  • 董震 3 ,
  • 武喜红 3
展开
  • 1. 应急管理部国家减灾中心，北京 100124
  • 2. 国家气候中心，北京 100081
  • 3. 中科星图空间技术有限公司，西安 710199
张云霞（1977—），女，内蒙古锡林郭勒人，硕士，研究员，研究方向为应急管理、灾害风险和损失评估、地理信息系统，（E-mail）。

张鹏（1984—），男，山东济南人，博士，研究员，研究方向为灾害风险管理、应用统计学，（E-mail）；

收稿日期: 2023-12-07

  修回日期: 2024-05-11

  网络出版日期: 2024-06-13

基金资助

国家重点研发计划专项项目(2022YFC3006400)

收起

Analysis of Temporal-Spatial Patterns and Impact Factors of Typhoon Disaster Losses in China from 1978 to 2020

  • Peng Zhang , 1 ,
  • Yunxia Zhang , 1 ,
  • Yang Wang 1 ,
  • Yi Ding 1 ,
  • Yizhou Yin 2 ,
  • Zhen Dong 3 ,
  • Xihong Wu 3
Expand
  • 1. National Disaster Reduction Center of China, Ministry of Emergency Management, Beijing 100124, China
  • 2. National Climate Centre, Beijing 100081, China
  • 3. Geovis Spatial Technology Co. , Ltd. , Xi'an 710199, China

Received date: 2023-12-07

  Revised date: 2024-05-11

  Online published: 2024-06-13

Fold

摘要

为探究中国台风灾害影响和灾情的时空分布及演化规律，基于县域经济社会和灾情统计数据、历史台风风雨数据、高精度地形数据等资料，以县级行政区为空间单元，采用时序统计分析法、重心模型、地理探测器、空间相关分析、地理加权回归等方法，对1978—2020年中国台风灾害灾情的时空分布格局及影响因素进行分析，结果显示：1）台风灾害造成的死亡失踪人口、倒损房屋数量和每百万人口死亡失踪率、直接经济损失占GDP的比重均呈下降趋势，防灾减灾工作取得显著成效；2）台风灾害灾情重心随沿海地区经济发展南移，灾害影响呈现沿海地区减轻、内陆地区加重的特征；3）台风引发的风雨是灾情的主要驱动因素，地形因素是造成人员死亡失踪和农作物损失的驱动因素之一；4）浙江闽北、粤西桂东两大区域灾情集聚特征显著，与台风活动规律和经济发展水平密切相关；5）局部地区生产总值与灾情呈负相关关系，反映经济社会发展对防灾减灾能力的促进作用。

关键词： 台风灾害; 县域尺度; 时空格局; 地理探测器; 空间相关分析; GWR模型; 中国

本文引用格式

张鹏 , 张云霞 , 汪洋 , 丁一 , 尹宜舟 , 董震 , 武喜红 . 1978—2020年中国台风灾害灾情时空分布格局及影响因素分析[J]. 热带地理, 2024 , 44(6) : 1047 -1063 . DOI: 10.13284/j.cnki.rddl.20230961

Abstract

Typhoons are among the most significant natural disasters affecting the eastern and southern coastal regions of China, inflicting substantial annual damage on both coastal and inland areas. Since the initiation of the reform and opening-up policy, the socioeconomic development of the coastal regions of China has been swift, leading to increased exposure to typhoons. In the context of global climate change, typhoons are expected to increase in frequency and intensity in China. Therefore, researching on the spatiotemporal pattern characteristics of typhoons impacting China is of critical importance for understanding the impact patterns and risk changes of typhoon disasters, as well as for formulating policies on disaster response, prevention, and mitigation. This study aims to provide valuable insights into the formulation of such policies. Based on these objectives, this study utilized a comprehensive dataset, including county-level socioeconomic and disaster statistics, historical typhoon wind and rainfall data, and high-precision topographic data. Using county-level administrative regions as spatial units, this study employed various methods, such as time-series statistical analysis, gravity model, geographical detector, spatial correlation analysis, and geographically weighted regression, to analyze the spatiotemporal distribution patterns and influencing factors of typhoon disaster conditions in China from 1978 to 2020. The findings of this study are as follows: (1) The number of deaths and missing persons, quantity of damaged housing, death, and missing rate per million people, and proportion of direct economic loss to GDP caused by typhoon disasters have all shown a declining trend, indicating significant achievements in disaster prevention and mitigation efforts. (2) The center of gravity of typhoon disaster-related losses has shifted southward, corresponding with the economic development of coastal regions, demonstrating a reduced disaster impact in coastal areas and an increased impact in inland areas. (3) Wind and rain induced by typhoons are the primary driving factors of disaster conditions, and topographical factors are also drivers of casualties and crop loss. (4) The two major regions, Zhejiang-Northern Fujian and Western Guangdong-Eastern Guangxi, exhibit significant characteristics of disaster condition agglomeration, closely related to typhoon activity patterns and levels of economic development. (5) There is a negative correlation between the gross local product and disaster conditions in some areas, reflecting the role of socioeconomic development in enhancing the capacity for disaster prevention and mitigation.

Key words： typhoon disaster; county level; temporal-spatial pattern; geo-detector; spatial correlation; GWR model; China

中国是世界上遭受台风影响最为严重的国家之一，每年夏秋季节平均有8个左右台风登陆中国（石先武 等，2015；刘倩 等，2020；苏朝晖 等，2023）。中国拥有漫长的海岸线，受台风影响的区域分布广泛，既包括台风直接登陆和影响的沿海地区，也包括台风运动、外围和残留云系影响的内陆省份。与其他自然灾害相比，台风造成的灾害影响更加复杂多样。台风带来的强降雨在沿海和内陆平原地区易产生暴雨洪涝灾害，在山区易引发滑坡、泥石流等地质灾害（崔鹏，2014）。此外，台风登陆时伴随强烈的风暴潮和海浪，常导致沿海城市遭受内涝。在全球气候变暖和海平面上升背景下（Gill and Malamud, 2014; Kundzewicz et al., 2020），中国东南沿海地区面临严峻的台风灾害风险（唐晓春 等，2003；王静爱 等，2012；张俊香 等，2012；王德运 等，2020）。
随着人口增长、城市化快速推进、社会经济高速发展，人类活动与自然环境相互作用的程度不断加深（刘业森 等，2019），科学分析并理解台风灾害的时空演变格局及其驱动因素，成为从地球表层理解成灾环境的重要途径，对台风灾害防治工作有重要意义。现有灾害时空分布和成灾环境研究主要集中在以下5个方面：1）长时间序列灾情统计分析，主要利用统计量比较、构建灾情指数、GIS空间分析等方法，对灾情时间变化趋势和空间分布特征进行分析（万金红 等，2016；姚亚庆 等，2017；江清华 等，2019；王江波 等，2024）；2）利用空间统计模型开展相关分析，即利用地理信息系统（GIS）和空间统计学原理，对灾害事件在地理空间上的分布进行定量化描述，揭示不同区域受灾害影响程度的差异（熊俊楠 等，2019；张丽杰 等，2019；刘方田 等，2020；卢莹 等，2021；贾宁 等，2022；王振康 等，2023；贺山峰 等，2023）；3）利用空间回归模型开展相关分析，即结合历史数据在灾情与各种环境因素之间建立数学模型，通过回归分析评估这些因素对灾害发生概率或强度的影响（史培军 等，2016；顾成林 等，2018；胡畔 等，2021；王佳宁 等，2021；韩鹏 等，2022；王小杰 等，2023）；4）利用时空聚类模型开展相关分析，即基于时间和空间维度上相邻观测值之间存在相关性假设，使用聚类算法识别具有相似特征且空间聚集的区域，从而找到高频次或高强度灾害事件集中出现的可能区域（廖永丰 等，2013；殷洁 等，2013；郑美霞 等，2022）；5）利用模式识别与机器学习开展相关分析，通过对历史灾害事件的特征进行学习和分类，挖掘可能发生的灾害时空分布格局（李海宏 等，2021；杨剑 等，2021；杨绚 等，2022；汪路 等，2023）。上述方法常结合起来应用，通过建立科学有效的评估模型，为减轻台风灾害损失、制定防灾措施等提供科学的决策支撑。
总体上，现有台风灾害灾情时空格局研究多以分省数据或单省县域数据为基本分析单元，研究方法从以定性分析为主，逐步发展为综合运用多种定量化统计分析和空间分析方法，为开展定量化灾情分析提供可借鉴和参考的研究框架。受限于数据条件，加之台风灾害时空数据分析理论仍在广泛探索中，目前面向全国范围县域尺度的长时序台风灾害灾情时空格局及其影响因素的研究尚不多见。从明晰台风灾害影响的趋势变化角度，长时序全国范围的研究能从宏观尺度提供台风灾害风险影响的整体性认识；从提升台风灾害风险应对能力角度，县域尺度分析可为防灾减灾救灾政策研究提供更加细致的数据支撑，使政策制定更加具有针对性。因此，本文基于长时序细粒度台风灾害灾情数据，开展县域尺度下台风灾害灾情时空分布规律研究，深入分析中国台风灾害灾情的时空分布格局及影响因素，以期为沿海及内陆台风灾害影响地区自然灾害防治提供科学依据。

1 数据来源与方法

1.1　研究区概述

选择遭受台风灾害直接影响较为严重的上海、江苏、浙江、安徽、福建、江西、山东、湖南、广东、广西、海南11省（区、市）作为研究区，以县级行政区作为基本空间分析单元。研究区共有1 008个县级行政区。

1.2　研究数据及处理

1.2.1　数据来源

数据包括台风路径和风雨数据，灾情数据，高程（DEM）、基础地理信息、社会经济数据等，数据来源、描述和获取方法详见表1。其中，历史降水数据获取自国家青藏高原科学数据中心发布的气象监测数据集，为基于中国境内及周边1961年至今共2 839个站点的日降水数据反演形成的中国逐日降水数据集；风速数据获取自国家气候中心的格点化数据集（CN0.5.1），基于2 400余个中国地面气象台站的观测资料，通过插值建立的格点化数据集；历史台风路径数据，获取自中国气象局上海台风研究所CMA热带气旋最佳路径数据集，包括1978—2020年影响中国台风的逐6 h路径。
表1 数据资料来源

Table 1 Source of data

数据名称 时间范围 数据来源 数据格式 说明
历史台风灾情数据 1978—2020年 国家减灾中心灾情数据库

县级行政区

统计数据

属性信息：受灾人口、死亡失踪人口、农作物受灾

面积、倒损房屋间数、直接经济损失

历史降水监测数据 1978—2020年 国家青藏高原科学数据中心1） 0.25°×0.25°格网 属性信息：逐日24 h降水量
历史风速监测数据 1978—2020年 国家气候中心 0.25°×0.25°格网 属性信息：逐日24 h平均风速
高程（DEM）数据 2009年

中国科学院计算机网络信息

中心地理空间数据云平台2）

 30 m×30 m格网 版本ASTER GDEM V2
基础地理数据 2020年 国家基础地理信息中心 面图层 1：100万县级行政区边界
历史社会经济数据 1978—2020年

地方统计年鉴、国民经济和

社会发展统计公报

县级行政区

统计数据

属性信息：年末总人口、农作物播种面积、地区生产

总值

历史台风路径数据 1978—2020年 中国气象局上海台风研究所3） 文本格式 属性信息：台风编号、强度、时间、经度、纬度

注：1）https://data.tpdc.ac.cn/home；2）http://www.gscloud.cn；3）https://tcdata.typhoon.org.cn/index.html

1.2.2　数据处理

1）历史台风灾情数据处理
年际可比直接经济损失折算。研究时段1978—2020年共计43 a，时间跨度较长且正值中国经济快速增长时期，为剔除通货膨胀等经济因素对直接经济损失的影响，本文所用直接经济损失绝对值指标，均以2020年可比价格为基准，利用CPI指数对各年直接经济损失原值数据进行折算，形成年际可比直接经济损失。
年代际划分。从总体和分时段2个维度考察台风灾害时空分布格局的变化规律：总体维度为1978—2020年；分时段维度划分为4个时间区间，分别为1978—1990、1991—2000、2001—2010、2011—2020年。
2）历史台风路径数据处理
台风路径线状矢量生成。基于历史台风路径观测数据中的经纬度信息，生成台风路径观测点的空间分布数据；基于路径观测数据中的时间信息，按照先后顺序将观测点连接，生成1978—2020年所有观测台风的路径矢量数据。
县级行政区距台风路径距离测算。利用研究区县级行政区划边界矢量数据，提取各县级行政区的几何中心位置，计算几何重心距离台风路径的最近距离，作为县级行政区距台风路径距离的测算值。
台风影响范围及面积统计。采用地理空间分析软件缓冲区生成工具，结合台风路径线状矢量，以100 km为半径，生成历史各台风影响范围面状区域；采用分区几何统计工具，统计各县级行政区内受台风影响区域的面积及占比，获取县级行政区在台风事件发生期的影响范围。其中，根据历史台风灾害事件灾情分布统计，受灾县域主要分布在台风路径100 km半径范围，以此经验值作为半径确定依据。
3）历史气象监测数据处理
研究区气象栅格数据提取。基于1978—2020年逐日24 h气象监测栅格数据，利用研究区边界矢量进行数据裁剪提取，获取研究区范围历史逐日降水和平均风速栅格数据。
县级行政区气象数据统计。基于研究区县级行政区矢量边界数据，采用分区几何统计工具，取县级行政区范围内包含的所有栅格数据的最大值，作为该县级区域当日气象监测数据的取值，降水和风速均按照该规则进行分县统计。
台风事件降水和风速数据统计。以台风登陆到结束编号之间的时段作为时间影响范围，以上述方法确定的路径范围作为空间影响范围，提取每年所有登陆台风时空影响范围内，所影响县级行政区的逐日降水和平均风速数据。对于降水数据，统计每个县级行政区内日降水量超过50 mm、超过100 mm、超过250 mm的降水日数，作为降水致灾因子分析数据；对于风速数据，统计每个县级行政区内日平均风速超过2.17 m/s、超过3.57 m/s、超过5.96 m/s的日数，作为风速致灾因子分析数据。其中，因风速数据是经过面平均处理后得到的栅格区域内平均值，并非站点监测的实时最大风速，故采用人工分级方法划分风速数据等级。本文通过对全体县域风速数据使用自然间断点分级方法确定分级标准。
4）地形数据处理
研究区高程数据提取。基于全国30 m空间分辨率的DEM高程栅格数据，利用研究区边界矢量进行数据裁剪提取，获取研究区范围的高程栅格数据。
研究区坡度计算及分级。基于研究区30 m分辨率的DEM高程数据，采用地理空间分析软件中的地理坡度提取工具，对研究区坡度数据进行提取，生成坡度分布栅格。采用自然间断点法将数据划分为5级（分级区间见表2，下同），并对每个县级行政区，分别统计5个分级中栅格占比作为坡度等级变量。
表2 模型变量描述

Table 2 Description of model variables

变量类型 变量名称 缩写 单位 变量描述
灾情 受灾人口 AFP 人 因台风灾害遭受损失或影响的人口数
死亡失踪人口 DET 人 因台风灾害导致的死亡人数和失踪人数
农作物受灾面积 AFC hm2 因台风灾害导致减产一成（含）以上的农作物播种面积
农作物绝收面积 DEC hm2 因台风灾害导致减产八成（含）以上的农作物播种面积
倒损房屋间数 DAH 间 因台风灾害造成倒塌或损坏的房屋间数
直接经济损失 DEL 万元 因台风灾害导致的直接经济损失（按实物重置价格计算）
致灾因子 暴雨日数 prec50 d 因台风引发的暴雨及以上（24 h降水量≥50 mm）日数
大暴雨日数 prec100 d 因台风引发的大暴雨及以上（24 h降水量≥100 mm）日数
特大暴雨日数 prec250 d 因台风引发的特大暴雨（24 h降水量≥250 mm）日数
第一级风速日数 wind1 d 因台风引发的平均风速超过2.17 m/s的日数
第二级风速日数 wind2 d 因台风引发的平均风速超过3.57 m/s的日数
第三级风速日数 wind3 d 因台风引发的平均风速超过5.96 m/s的日数
承灾体 年末总人口 POP 万人 每年12月31日T 24：00的人口数
农作物播种面积 CRP hm2 实际播种或移植有农作物的面积
地区生产总值 GRP 万元 地区经济中所生产的全部最终产品的价值总和
孕灾环境 坡度1级占比 slop1 % 坡度≤6°区域在地理单元内的占比
坡度2级占比 slop2 % 坡度6°~13°区域在地理单元内的占比（范围区间左开右闭，下同）
坡度3级占比 slop3 % 坡度13°~21°区域在地理单元内的占比
坡度4级占比 slop4 % 坡度21°~31°区域在地理单元内的占比
坡度5级占比 slop5 % 坡度＞31°区域在地理单元内的占比
高程标准差1级占比 dem1 % 高程标准差≤50 m区域在地理单元内的占比
高程标准差2级占比 dem2 % 高程标准差50~169 m区域在地理单元内的占比
高程标准差3级占比 dem3 % 高程标准差169~372 m区域在地理单元内的占比
高程标准差4级占比 dem4 % 高程标准差372~828 m区域在地理单元内的占比
高程标准差5级占比 dem5 % 高程标准差＞828 m区域在地理单元内的占比
起伏度1级占比 relf1 % 地形起伏度≤48 m区域在地理单元内的占比
起伏度2级占比 relf2 % 地形起伏度48~111 m区域在地理单元内的占比
起伏度3级占比 relf3 % 地形起伏度111~177 m区域在地理单元内的占比
起伏度4级占比 relf4 % 地形起伏度177~257 m区域在地理单元内的占比
起伏度5级占比 relf5 % 地形起伏度＞257 m区域在地理单元内的占比
研究区地形起伏度计算及分级。采用均值变点法确定研究区内地形起伏度分析的最优窗口大小；根据窗口大小分别计算单位面积内最大高程值和最小高程值栅格图像数据，将2幅图像相减得到地形起伏度计算结果的栅格数据。采用自然间断点法将地形起伏度数据划分为5级，并对每个县级行政区，分别统计5个分级中栅格占比作为地形起伏度等级变量。
研究区高程标准差计算及分级。利用研究区内30 m分辨率DEM数据，对DEM数据内不同像元位置的方差进行计算，得到高程方差分布栅格数据。通过栅格计算器对高程方差结果进行平方根计算，得到高程标准差栅格数据。采用自然间断点法将高程标准差划分为5级，并对每个县级行政区，分别统计5个分级中栅格占比作为高程标准差等级变量。
通过数据处理，模型使用的变量全部转化为以县级行政单元为样本粒度的统计数据（表2）。

1.3　研究方法

1.3.1　时间分布特征分析方法

利用绝对灾情指标和相对灾情指标定量评价灾害的程度。其中，绝对灾情指标可表征区域灾情的绝对强度；相对灾情指标需采用相关区域的社会经济指标，以表达区域灾情的相对程度。选择死亡失踪人口、倒损房屋间数、农作物受灾面积、直接经济损失作为绝对灾情指标，每百万人口因灾死亡失踪率、每万人倒损房屋数量、农作物受灾面积占播种面积比重、直接经济损失占国内生产总值（GDP）比重作为相对灾情指标，对全国台风灾害灾情的时间分布特征进行分析。其中，直接经济损失使用1.2.2中方法折算后的直接经济损失计算，直接经济损失占国内生产总值（GDP）的比重使用直接经济损失原值计算。

1.3.2　重心模型

地理单元依据评价指标分布形成的地理重心，可反映评价指标空间分布的集聚特征；不同时段内重心位置的变化，可反映评价指标时间分布的迁移特征。因此，重心模型可为挖掘序列化数据的时空演变趋势提供有效手段（樊杰 等，2010；郭郡郡 等，2023）。参考樊杰等（2010）的方法，给定研究时段内灾情指标的重心坐标计算方法为：
X j = ∑ i W i j x i ∑ i W i j , Y j = ∑ i W i j y i ∑ i W i j
式中： ( X j , Y j )为第 j个灾情指标地理重心的经纬度坐标； ( x i , y i )为县域单元 i的几何中心的经纬度坐标； W i j为县域单元 i的第 j个灾情指标。

1.3.3　地理探测器

使用地理探测器模型对台风灾害灾情的驱动因素进行分析。地理探测器模型（GeoDetector, GD）（王劲峰 等，2017；林漫华 等，2023）基于地理空间分异理论，构建了分异及因子、交互作用、风险区、生态4个探测器，通过分析研究对象各种驱动变量的空间分区与因变量的关联程度，挖掘因变量描述的地理现象产生机理。该模型目前已被用于洪涝、台风灾害地理影响因素的研究（刘业森 等，2019；韩鹏 等，2022）。
本文主要使用地理探测器模型中的分异及因子探测器。通过驱动因子的解释力衡量自变量对因变量变化的贡献度，从而判断驱动变量是否为因变量形成地理空间分异的原因，即探测自变量多大程度上解释了因变量的空间分异。探测器通过比较因变量在自变量各类别中的方差与全局方差的关系计算因子解释力的大小，用 q值度量（王劲峰 等，2017），表达式为：
q = 1 - ∑ h N h σ h 2 N σ 2
式中： h为自变量分层的层数； N h和 N分别为层 h的样本数和总样本数； σ h 2和 σ 2分别为层 h和样本总体中因变量的方差。 q的值域为 0,1，值越大说明因变量的空间分异性越明显；如果分层是由自变量生成的，则值越大表示自变量对因变量的解释力越强，反之越弱。

1.3.4　空间自相关分析

采用莫兰指数（Moran's I）对县域台风灾情的空间自相关性进行分析。全局莫兰指数可在宏观层面整体评价台风灾情指标在县域尺度上是否具有空间集聚或分散特征，局部莫兰指数可在微观层面判断某个县域的台风灾情指标是否与周边县域存在空间相关性。更进一步，局部莫兰指数可用于识别台风灾情“聚落”，为挖掘台风风险集聚区提供依据。
全局莫兰指数（Rey, 2010）计算公式为：
G M I = ∑ i j W i j x i - x ¯ x j - x ¯ S 2 ∑ i j W i j
S 2 = ∑ i x i - x ¯ 2 N
式中： N为研究区县域单元的数量； x i为第 i个县域单元的评价指标； x ¯为所有县域单元该评价指标的均值； W i j为县域单元 x i和 x j之间的空间权重。
局部莫兰指数计算公式为：
L M I = x i - x ¯ ∑ j ≠ i W i j x j - x ¯ S 2
县域间的权重系数按以下方式计算：1）根据县域的多边形边界判定邻接关系，2个县域的多边形边界只要存在1个共有的边界点，即判定为邻接关系；2）生成所有研究县域对象的邻接矩阵 B，其中， B i j = 1，当且仅当第 i个县和第 j个县具有邻接关系，否则 B i j = 0；3）计算权重矩 W阵， W是对邻接矩阵 B按行归一化后的结果，即 W i j = B i j / ∑ j B i j。

1.3.5　地理加权回归

地理加权回归（Geographically Weighted Regression, GWR）（Brunsdon et al., 1996）是对线性回归模型的扩展，通过将地理空间位置信息引入回归方程，能更好地反映研究对象在空间属性上分布的异质性，被广泛用于地理模式分析（夏四友 等，2019；王佳宁 等，2021）。GWR对每个地理空间对象建立局部回归方程，分析研究对象在某一尺度下的空间变化及相关驱动因素，由于考虑到空间对象的局部效应，相比传统的线性回归，其具有更好的解释效力。
本文地理相关性分析的基本对象为县级行政区，使用地理加权回归模型对每个县域单元建立回归方程。GWR模型的一般形式（Brunsdon et al., 1996）为：
y i = β 0 u i , v i + ∑ j β j u i , v i x i j + ε i
式中： u i , v i为第 i个县域单元的地理坐标（一般采用几何中心坐标）； y i为第 i个县域单元的因变量指标； x i j为该县域单元的第 j项灾情指标； β j u i , v i为对应 x i j的回归方程系数。

2 台风灾害时空分布格局及影响分析

2.1　灾害时空特征分析

2.1.1　登陆中国的热带气旋次数年代际变化特征

以中国气象局上海台风研究所CMA热带气旋最佳路径数据集为基础，计算分析1978—2020年登陆中国的热带气旋次数逐年变化趋势和年代际演化趋势；其中，≥2次登陆的热带气旋登陆次数按实际登陆次数统计。总体上，在中国登陆的热带风暴以上级别的热带气旋次数、台风级别以上的热带气旋次数均呈现增长趋势（图1），与1951—2015年登陆中国热带气旋的时空变化特征研究结论（顾成林 等，2018）一致。在中国登陆的热带风暴以上级别的热带气旋次数，2011—2020年为4个年代中的最高值阶段（图1-a）；在中国登陆的台风以上级别的热带气旋次数，2001—2010年为4个年代中的最高值阶段（图1-b）。
图1 登陆中国的热带气旋年代际变化特征

Fig.1 Decadal variation characteristics of landfalls of tropical cyclones in China

2.1.2　中国台风灾情绝对指标年代际变化特征

以全国历史台风灾害灾情资料为基础，分析1978—2020年台风灾害灾情绝对指标逐年变化趋势和年代际演化态势。总体上，死亡失踪人口、倒损房屋数量呈现下降趋势，农作物受灾面积、直接经济损失呈现增长趋势（图2）。对于因灾死亡失踪人口、倒损房屋间数，1991—2000年均为快速增长阶段，且为4个年代中的最高值阶段，之后进入持续下降阶段；对于农作物受灾面积、直接经济损失，2011—2020年为4个年代的最高值阶段。
图2 台风灾害灾情绝对指标年代际变化特征

Fig.2 Decadal variation characteristics of absolute losses in relation to typhoon disasters

2.1.3　中国台风灾情相对指标年代际变化特征

以全国历史台风灾害灾情资料为基础，分析1978—2020年台风灾害灾情相对指标逐年变化趋势以及年代际演化态势。总体上，每百万人口死亡失踪率、每万人倒损房屋数量、直接经济损失占GDP的比重均呈下降趋势，农作物受灾面积占播种面积的比重呈现增长趋势（图3）。对于每百万人口死亡失踪率、每万人倒损房屋数量、直接经济损失占GDP的比重，1991—2000年均为快速增长阶段，且为4个年代中的最高值阶段，之后进入持续下降阶段；对于农作物受灾面积占播种面积的比重，2011—2020年为4个年代中的最高值阶段。
图3 台风灾害灾情相对指标年代际变化特征

Fig.3 Decadal variation characteristics of relative losses in relation to typhoon disasters

2.2　灾情重心时空变化

对4个时段分别采用重心模型，计算承灾体指标和灾情指标的重心。各时段内，县级行政区承灾体指标使用时段内逐年统计值的均值进行分析；灾情指标取时段内逐年统计值的合计值进行分析，重点分析台风灾害在时段内的累积效应。结果如图4所示。
图4 分时段承灾体和灾情重心变化

注：基于自然资源部标准地图服务网站审图号为GS（2020）4615的标准地图制作，底图无修改；下图同。

Fig.4 Temporal variation of gravities for exposures and disaster losses

承灾体方面，年末总人口重心呈现由北向南迁移方向，地区生产总值重心呈现由东北向西南迁移方向，符合改革开放以来中国人口和经济重心由北方向南方转移的趋势；农作物播种面积总体呈现由东北向西南再向西北迁移方向，沿海地区制造业和城镇化发展占用了大量土地资源，农业生产日益集中到内陆地区，农作物播种面积重心的变化规律符合该趋势。
灾情方面，受灾人口、死亡失踪人口、直接经济损失的重心总体呈现“西进、南下”的迁移方向，东南沿海地区经济发展与城镇化水平、台风应对和防灾减灾能力快速提升，台风灾害造成影响和损失逐渐减轻，而沿海省份内陆地区和内陆省份因灾造成的损失相对凸显。农作物受灾面积、绝收面积的重心总体呈现“向西、向南”迁移方向，由沿海地区向内陆的安徽、江西、湖南转移，与农作物播种面积的迁移趋势基本一致，深入内陆的西进型台风对农业生产的影响更明显。倒损房屋数量的重心呈现“西南—东北”往复迁移的特点，房屋作为主要的物理承灾体，沿海与内陆地区房屋抵御台风灾害的设防能力并无本质差异，因此倒损情况与台风影响重心密切相关。影响中国的台风主要分为华南西进和华东北上两大方向（陈玉林 等，2005；姚丽娜 等，2009），灾害影响区域呈年代际交替特征，因此倒损房屋重心也呈类似的迁移特征。

2.3　灾情驱动因子分析

从总体和逐年2个维度，使用地理探测器模型对台风灾害灾情的驱动因素进行分析。因变量包括受灾人口、死亡失踪人口、农作物受灾面积、倒损房屋数量、直接经济损失5项指标，均为绝对指标；驱动因子（自变量）包括表2中的致灾因子、承灾体、孕灾环境共24项指标。总体维度分析时，样本单元为研究区内县级行政单元，共1 008个样本；因变量和自变量中的致灾因子指标取总体时段逐年统计值的合计值，自变量中的承灾体指标取2020年统计值。逐年维度分析时，一个县级行政单元当且仅当在该年份受灾，取为统计样本，共筛选出8 078个样本；因变量和自变量指标均为该县级行政单元当年的年度统计值。2个维度下，自变量中的孕灾环境指标均为固定常值。
在总体和逐年2种维度下，分别应用地理探测器中的分异及因子探测器，针对各项灾情指标，计算各驱动因子的贡献度 q值。因子q值占比反映该因子对因变量的贡献度，占比越高，说明因子的驱动效应越强。累积贡献度超过50%的驱动因子如表3所示。
表3 台风灾情主要驱动因子及贡献度

Table 3 Main driving factors and their contributions to typhoon disaster loss indices

灾情指标 总体维度 逐年维度
主要驱动因子 贡献度 q值（占比/%） 主要驱动因子 贡献度 q值（占比/%）
受灾人口 第三级风速日数 0.256 1（15.2） 年末总人口 0.100 5（25.1）
第一级风速日数 0.253 3（15.1） 大暴雨日数 0.040 7（10.2）
暴雨日数 0.229 1（13.6） 第三级风速日数 0.032 5（8.1）
大暴雨日数 0.210 8（12.5） 暴雨日数 0.030 1（7.5）
死亡失踪人口 第一级风速日数 0.131 1（11.1） 大暴雨日数 0.0137（12.8）
大暴雨日数 0.116 5（9.8） 地区生产总值 0.010 2（9.5）
暴雨日数 0.114 1（9.6） 坡度5级占比 0.007 9（7.3）
第三级风速日数 0.112 2（9.5） 第三级风速日数 0.006 9（6.4）
高程标准差3级占比 0.076 2（6.4） 高程标准差3级占比 0.006 5（6.0）
第二级风速日数 0.072 5（6.1） 暴雨日数 0.006 0（5.6）
高程标准差4级占比 0.005 7（5.3）
农作物受灾面积 第一级风速日数 0.296 2（17.2） 农作物播种面积 0.050 6（10.0）
第三级风速日数 0.281 7（16.4） 高程标准差1级占比 0.039 0（7.7）
第二级风速日数 0.256 0（14.9） 第三级风速日数 0.034 9（6.9）
暴雨日数 0.242 5（14.1） 坡度3级占比 0.034 8（6.9）
年末总人口 0.031 2（6.1）
大暴雨日数 0.030 5（6.0）
坡度1级占比 0.025 1（4.9）
地形起伏度3级占比 0.023 3（4.6）
倒损房屋间数 第一级风速日数 0.156 7（18.4） 大暴雨日数 0.010 2（14.8）
暴雨日数 0.140 6（16.5） 暴雨日数 0.009 8（14.0）
第三级风速日数 0.100 2（11.7） 年末总人口 0.006 2（8.9）
大暴雨日数 0.092 9（10.9） 第三级风速日数 0.005 1（7.4）
地区生产总值 0.004 9（6.1）
直接经济损失 第一级风速日数 0.398 1（18.5） 大暴雨日数 0.048 5（18.0）
第三级风速日数 0.354 7（16.5） 第三级风速日数 0.037 4（13.9）
第二级风速日数 0.314 2（14.6） 暴雨日数 0.026 0（9.6）
暴雨日数 0.246 3（11.5） 第一级风速日数 0.025 5（9.5）
总体维度方面，驱动因子呈宏观的同质性。各灾情指标的主要驱动因子均为风雨因子，除死亡失踪人口外，2个因子的贡献度占比均超过50%，表明台风引发的风雨对灾情起主导作用。死亡失踪人口的驱动因子还包含高程标准差3级（169~372 m）占比，反映台风在山丘区可能更易引发人员伤亡。受灾人口、死亡失踪人口、倒损房屋风速因子和降水因子的驱动力占比接近，但农作物受灾面积、直接经济损失风速因子驱动力占比显著高于降水因子，表明台风引发的强风对农作物影响更大，风灾导致的农业（包含种植业和水产养殖业）、市政等损失较为显著。
逐年维度方面，驱动因子呈微观的异质性。1）受灾人口、倒损房屋的主要驱动因子均为年末总人口、大暴雨日数、暴雨日数、第三级风速日数，表明风雨和灾区人口数是影响这2项灾情指标的主要因子。其中，受灾人口的首要驱动因子是年末总人口，单一因子驱动力占比达25.1%，表明人口数量与受灾程度直接相关；倒损房屋首要驱动因子是大暴雨日数和暴雨日数，两者驱动力占比达28.8%，表明台风引发的强降雨对房屋的破坏性更强。2）死亡失踪人口驱动因子构成较为复杂，符合因灾致死成因复杂的客观实际。其中，较为显著的驱动因子是大暴雨日数（占比12.8%）和地区生产总值（占比9.5%），前者表明强降雨是台风威胁人员安全的重要风险因子，后者表明地区经济发展水平与台风防范存在相关关系。3）与死亡失踪人口类似，农作物受灾面积的驱动因子构成也呈多样性，涵盖农作物播种面积、年末总人口、风雨因子和地形因子。其中，农作物播种面积和年末总人口合计占比16.1%，为首要驱动因子；第三级风速日数和大暴雨日数合计占比12.9%，为次要驱动因子，并提示强风雨对农业生产的影响；高程标准差1级占比、坡度3级占比、坡度1级占比、地形起伏度3级单一占比均不足10%，但合计占比为24.1%，表明地形因素对农作物受灾起一定作用。4）直接经济损失主要驱动因子均为风雨因子。其中大暴雨日数驱动力占比最高，达18.0%；大暴雨日数和暴雨日数合计占比27.6%，第三级风速日数和第一级风速日数合计占比25.4%，两者较为接近，表明风雨联合作用是造成直接经济损失的主要驱动因素。

2.4　灾情空间集聚分析

从总体和分时段2个维度，对受灾人口、农作物受灾面积、倒损房屋间数、直接经济损失4项绝对灾情指标的空间自相关性进行分析。总体和4个时段的灾情指标均采用时段内逐年统计值的合计值。在各时段内，分别基于县级行政单元计算各项灾情指标的全局莫兰指数（GMI）和局部莫兰指数（LMI）。
表4显示，各时段莫兰指数统计量均显著＞0，表明4项灾情指标在各时段均呈集聚分布。总体方面，直接经济损失、农作物受灾面积、受灾人口的集聚度较强。分时段方面，各项灾情指标整体都呈集聚度逐渐增强的趋势，特别是2011—2020年时段，集聚度显著提升。这表明2011年以来，随着中国经济社会高速发展，人口、经济、财富等承灾体在沿海和城市群中的聚集性越来越强，产业分工的地域性特征愈发明显，台风灾害造成的影响和损失也随之呈现空间集聚特征。
表4 台风灾情指标全局莫兰指数

Table 4 Global Moran's I for typhoon disaster loss indices

时段 受灾人口 农作物受灾面积

倒损房屋

间数

直接经济

损失
1978—2020年 0.395 9 0.413 2 0.264 3 0.579 3
1978—1990年 0.237 9 0.217 1 0.174 5 0.190 1
1991—2000年 0.208 3 0.179 0 0.207 0 0.401 6
2001—2010年 0.262 8 0.324 0 0.067 8 0.381 9
2011—2020年 0.661 7 0.588 9 0.374 8 0.536 9

注：数值为经过检验的莫兰指数统计量，取值范围为-1~1，1为集聚分布、-1为均匀分布、0为随机分布。

局部莫兰指数（LMI）的县域分布如图5所示。LMI＞0表示空间正相关性，其值越大，空间相关性越明显；LMI＜0表示空间负相关性，其值越小，空间差异越大；LMI＝0，空间呈随机性。因此，LMI显著大于0的邻接县域可认为是灾情具有较强集聚特征的区域。
图5 各时段灾情指标局部莫兰指数

Fig.5 Atlas of local Moran's I for typhoon disaster loss indices in various periods

从总体维度看，受灾人口、直接经济损失集聚区域分布在浙江和福建北部的沿海地区、广东西部和广西东部；农作物受灾面积集聚区域分布在江苏中南部沿海、浙江北部沿海、广东西部和广西东部；倒损房屋间数集聚区域分布在广东西部和广西东部。宏观上，浙江沿海和粤西桂东两大区域，集聚特征较为明显；前者主要受北上型台风的影响，且长三角周边城镇化水平高、人口密度大、产业集群高度密集；后者主要受西进型台风影响，且处于珠三角外围辐射度较弱、山丘区地形为主的经济欠发达地区。
从分时段年代际变化看，受灾人口在浙江沿海、粤西桂东两大区域呈集聚特征；农作物受灾面积近年来（2011—2020年）在粤西桂东出现集聚特征；倒塌房屋间数集聚区域在1978—1990、1991—2000、2011—2020年3个时段出现在粤西桂东，2001—2010年时段出现在浙南闽北沿海，与重心变化规律呈现相关性；直接经济损失与受灾人口类似，集聚区域各时段均主要分布于浙江沿海、粤西桂东两大区域。

2.5　灾害经济效应分析

使用地理加权回归模型（GWR）探索县域台风灾害经济效应的差异程度。选取受灾人口、农作物受灾面积、倒损房屋间数、直接经济损失4项绝对灾情指标作为模型的自变量，地区生产总值作为模型的因变量，针对1978—2020年总体时段构建GWR模型。模型计算得出的各自变量回归系数的空间分布如图6所示。回归系数＞0，说明该区域自变量与因变量存在正相关关系；反之，回归系数＜0，说明两者间存在负相关关系。模型显著性检验P值为1.315×10-9，在0.001水平上显著。
图6 台风灾害经济发展效应格局

Fig.6 Economic development effect of typhoon disaster

1）受灾人口方面，浙江至安徽江南丘陵带北缘一线呈现较为明显的与地区生产总值弱负相关关系；该区域是登陆浙江台风深入内陆的重要走廊，反映台风灾害对地区经济发展的抑制作用。
2）农作物受灾面积方面，珠三角地区呈现与地区生产总值明显的负相关关系，主要表现为高地区生产总值、低农作物受灾面积。珠三角作为粤港澳大湾区核心区，农业生产已被第二三产业大量替代，农业生产规模和农作物播种面积有限；地区生产总值越高的地区，农业占比越低，构成负相关关系。受农业整体占比的限制，农作物受灾对经济发展的抑制作用较弱。
3）倒损房屋间数方面，珠三角地区也呈与地区生产总值明显的负相关关系，主要表现为高地区生产总值、低倒损房屋间数。台风灾害引起的倒损房屋，主要集中于农村地区设防能力较低的自建房和城镇地区城中村老旧房屋。珠三角是中国经济高速发展和城镇化快速推进的地区，经过多年的城市化进程和城中村改造、致富后农村自建房翻新，上述易倒易损房屋已大量减少，房屋整体抗台能力得到较大提升，表现为“地区生产总值增长、倒损高风险房屋减少”的负相关关系。基础风险底数减少，也使倒损房屋总量相应减少。
4）直接经济损失方面，安徽、江西、湖南内陆地区呈现与地区生产总值的负相关关系，主要表现为低地区生产总值、高直接经济损失。该区域是深入内陆型台风的重点影响区域，山丘区环境多，经济发展水平落后于沿海地区，抗灾能力薄弱，直接经济损失对当地经济发展产生一定抑制作用。

3 结论与讨论

3.1　结论

为探究1978年以来中国台风灾害灾情时空分布的特征和变化趋势，在县域尺度下，对中国东部和南部沿海及内陆台风灾害影响较重的11省（区、市），开展了台风灾害灾情时空分布格局及影响因素分析。结果显示：
1）从台风灾害灾情的时序演化看，灾情整体呈现下降趋势。1978—2020年登陆中国的热带风暴以上级别的热带气旋、台风级别以上的热带气旋均呈现增长趋势，然而，中国台风灾害造成的死亡失踪人口、倒损房屋数量总体均呈下降态势，在经历1991—2000年的高峰值阶段后，均进入明显下降期，2011—2020年为最低值阶段；而农作物受灾面积则呈现上升态势，2011—2020年为最高值阶段；直接经济损失绝对值呈上升趋势、相对值呈下降趋势，2011—2020年为直接经济损失绝对值最高值阶段、相对值最低值阶段。总体上，台风灾害造成的死亡失踪人口、倒损房屋数量持续下降，与中国台风灾害防治坚持“人民至上、生命至上”、防御工作超前部署密切相关，与脱贫攻坚任务全面完成、民居和基础设施抗灾能力明显提升密切相关。但随着中国经济的快速增长及农作物播种面积暴露度持续处于较高水平，台风灾害造成的直接经济损失绝对值上升、相对值下降，农作物受灾面积持续上升。
2）从台风灾害灾情的分布方位看，灾情重心整体呈“南下—西进”的迁移趋势。一方面，改革开放以来，长三角至珠三角沿海地区成为中国经济活力最强、发展速度最快、城镇化水平最高的区域，人口和经济大量向其汇集；而这一区域也是中国台风灾害最主要的影响区域。另一方面，伴随经济发展和社会治理水平提升，东海沿海地区台风应对和防灾减灾能力不断增强，台风灾害造成影响呈减轻趋势，而沿海省份的内陆地区和内陆省份，受经济发展水平和台风应对能力有限制约，因灾造成的损失相对凸显，台风灾害对人口、农业、经济的影响存在沿海地区减轻、内陆地区加重的特征。
3）从台风灾害灾情的驱动因子看，台风引发的风雨是灾情的主导因素。从总体视角，驱动因子呈现宏观的同质性，各灾情指标的主要驱动因子均为风雨因子。从逐年视角，驱动因子呈微观的异质性。风雨和灾区人口数是影响受灾人口、倒损房屋的主要因子；死亡失踪人口驱动因子构成复杂，较为显著的驱动因子是大暴雨日数和地区生产总值，说明地区经济发展水平与台风防范存在相关关系；农作物受灾面积的驱动因子中包含多项地形要素，说明在风雨主要驱动作用外，地形也发挥次要驱动作用；风雨联合作用是造成直接经济损失的主要驱动因素。
4）从台风灾害灾情的空间集聚性看，浙江闽北、粤西桂东两大区域集聚特征显著。浙江至福建北部一带沿海是台风正面登陆中国大陆地区的多发地，区域内人口、产业、城镇、经济高度密集，台风造成的损失较为集中。粤西桂北是登陆华南地区台风的主要影响区，经济发展水平处于珠三角经济圈外的洼地，农业人口、第一产业、山区地形分布集中，台风灾害风险抵御能力弱，遭受台风影响后易造成较大损失。
5）从台风灾害灾情对经济发展的效应看，局部地区经济发展水平与灾情呈现负相关关系。珠三角经济发展水平较高、工业和制造业产业发达，农作物受灾面积、倒损房屋数量总体有限，呈“高GRP—低灾情”关系，经济发展对灾情产生抑制效应；安徽、江西、湖南内陆山区经济发展水平弱于沿海地区，抗灾能力有限，呈“低GRP—高灾情”关系，灾情对经济发展产生抑制效应。

3.2　讨论

1）台风灾害是中国沿海地区面临的主要自然灾害，本文从总体和分时段、宏观和微观等维度，对中国台风灾害灾情时空分布的格局和影响因素进行定量分析，探索了县域尺度台风灾害灾情的驱动因子和空间分布的集聚性、异质性，可为沿海及内陆台风灾害影响地区制定宏观层面的防灾减灾救灾政策提供科学依据。
2）随着经济发展带来的灾害设防和应对能力提升，沿海地区台风灾害造成的损失总体上呈不断减轻的趋势。内陆地区和省份，受经济发展水平和山丘区地形的影响，已成为新的灾害高风险区域。未来台风灾害防治重点和资源投入，应向武夷山、罗霄山、南岭及粤西桂东等内陆山区适度倾斜。
3）虽然台风灾害影响趋势随人口经济重心整体南移，但在全球气候变化背景下，近年来北上型台风趋多趋强，对北方地区造成重大影响，“温比亚（1818）”“利奇马（1909）”“烟花（2106）”“杜苏芮（2305）”对山东、河南、京津冀等地造成重大损失。在持续加强东南沿海台风传统影响区防灾减灾救灾工作的同时，应高度关注北方地区的台风灾害风险防范，重点加强北方大城市应对台风引发的极端暴雨洪涝灾害的能力。
4）台风灾害的发生、发展过程极其复杂，在后续工作中需继续加强台风灾害及其影响因素数据的时间和空间精度，进一步提升数据时效性，提高台风灾害灾情时空特征与影响因素研究的可靠性。同时，任何模型都有其假设和局限性，都可能存在难以捕捉到复杂的非线性关系或难以考虑到所有相关因素等问题，后续要更充分地考虑致灾因子、承灾体、孕灾环境的耦合互馈，加深对台风致灾成灾机理的认识，从而提高分析结果的精准性。

脚注

张 鹏：模型构建与数据分析，论文撰写与修改；

张云霞：整体构架与方法梳理，论文撰写与修改；

汪 洋：数据收集与处理，数据与结论分析；

丁 一：数据收集与处理，空间数据制备；

尹宜舟：数据收集与处理，数据与结论分析；

董 震：统计数据处理，图表绘制；

武喜红：空间数据处理，图表绘制。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
Brunsdon C, Fotheringham A S, and Charlton M E. 1996. Geographically Weighted Regression: A Method for Exploring Spatial Nonstationarity. Geographical Analysis, 28(4): 281-298.

陈玉林，周军，马奋华. 2005. 登陆我国台风研究概述. 气象科学，25（3）：319-329.

Chen Yulin, Zhou Jun, and Ma Fenhua. 2005. Recent Progress of Study on China Landfalling Typhoons. Scientia Meteorologica Sinica, 25(3): 319-329.

崔鹏. 2014. 中国山地灾害研究进展与未来应关注的科学问题. 地理科学进展，33（2）：145-152.

Cui Peng. 2014. Progress and Prospects in Research on Mountain Hazards in China. Progress in Geography, 33(2): 145-152.

樊杰，陶岸君，吕晨. 2010. 中国经济与人口重心的耦合态势及其对区域发展的影响. 地理科学进展，29（1）：87-95.

Fan Jie, Tao Anjun, and Lyu Chen. 2010. The Coupling Mechanism of the Centroids of Economic Gravity and Population Gravity and Its Effect on the Regional Gap in China. Progress in Geography, 29(1): 87-95.

Gill J C and Malamud B D. 2014. Reviewing and Visualizing the Interactions of Natural Hazards. Reviews of Geophysics, 52(4): 680-722.

顾成林，康建成，闫国东，陈志伟. 2018. 1951—2015年登陆中国热带气旋的时空变化特征及与ENSO的关系. 灾害学，33（4）：129-134，140.

Gu Chenglin, Kang Jiancheng, Yan Guodong, and Chen Zhiwei. 2018. Variation Characteristics of Tropical Cyclones Making Landfall over China during 1951-2015 and Its Relationship with the ENSO. Journal of Catastrophology, 33(4): 129-134, 140.

郭郡郡，刘玉萍. 2023. 县域尺度下成渝地区双城经济圈人口老龄化的时空演变与影响因素——基于最近三次人口普查数据的分析. 热带地理，43（11）：2087-2101.

Guo Junjun and Liu Yuping. 2023. Spatio-Temporal Evolution and Influencing Factors of Population Aging in the Chengdu-Chongqing Economic Circle at the County Level in China Using the Latest Three National Census Data. Tropical Geography, 43(11): 2087-2101.

韩鹏，郭桂祯，李鑫磊，刘菁菁. 2022. 浙江省台风灾情时空分布特征及影响因素研究. 自然灾害学报，31（4）：97-106

Han Peng, Guo Guizhen, Li Xinlei, and Liu Jingjing. 2022. Analysis of Spatiotemporal Patterns and Influencing Factors of Typhoon Disasters in Zhejiang Province. Journal of Natural Disasters, 31(4): 97-106.

贺山峰，李铮，陈超冰，吴绍洪，潘涛. 2023. 海南省登陆台风特征演变及其危险性分析. 地理科学进展，42（7）：1355-1364.

He Shanfeng, Li Zheng, Chen Chaobing, Wu Shaohong, and Pan Tao. 2023. Evolution of Landing Typhoon Characteristics and Typhoon Hazard in Hainan Province of China. Progress in Geography, 42(7): 1355-1364.

胡畔，陈波，史培军. 2021. 中国暴雨洪涝灾情时空格局及影响因素. 地理学报，76（5）：1148-1162.

Hu Pan, Chen Bo, and Shi Peijun. 2021. Spatiotemporal Patterns and Influencing Factors of Rainstorm-Induced Flood Disasters in China. Acta Geographica Sinica, 76(5): 1148-1162.

贾宁，刘强，石先武，刘珊，路明. 2022. 中国沿海地区海洋灾情评价及空间格局分析. 灾害学，37（2）：16-20.

Jia Ning, Liu Qiang, Shi Xianwu, Liu Shan, and Lu Ming. 2022. Marine Disaster Assessment and Spatial Pattern Analysis in China's Coastal Areas. Journal of Catastrophology, 37(2): 16-20.

江清华，高路. 2019. 1950—2000年福建暴雨灾害灾情时空分析. 亚热带资源与环境学报，14（2）：41-48.

Jiang Qinghua and Gao Lu. 2019. Temporal-Spatial Characteristics of Rainstorm Disaster in Fujian Province from 1950 to 2000. Journal of Subtropical Resources and Environment, 14(2): 41-48.

Kundzewicz Z W, Huang J, Pinskwar I, Su B, Szwed M, and Jiang T. 2020. Climate Variability and Floods in China: A Review. Earth-Science Reviews, 211: 103434.

廖永丰，赵飞，王志强，李博，吕雪锋. 2013. 2000—2011年中国自然灾害灾情空间分布格局分析. 灾害学，28（4）：55-60.

Liao Yongfeng, Zhao Fei, Wang Zhiqiang, Li Bo, and Lyu Xuefeng. 2013. Spatial Pattern Analysis of Natural Disasters in China from 2000 to 2011. Journal of Catastrophology, 28(4): 55-60.

李海宏，吴吉东，王强，杨辰，潘顺. 2021. 基于机器学习方法的上海市暴雨内涝灾情预测模型研究. 自然灾害学报，30（1）：191-200.

Li Haihong, Wu Jidong, Wang Qiang, Yang Chen, and Pan Shun. 2021. A Study on Rainstorm Waterlogging Disaster Prediction Models in Shanghai Based on Machine Learning. Journal of Natural Disasters, 30(1): 191-200.

林漫华，张婉娜，郑荣宝，赵克飞，钟琪，林丽洁. 2023. 广州市绿色建筑的时空演变及影响因素分析. 热带地理，43（9）：1823-1834.

Lin Manhua, Zhang Wanna, Zheng Rongbao, Zhao Kefei, Zhong Qi, and Lin Lijie. 2023. Spatiotemporal Variations and Driving Force of Green Buildings in Guangzhou, China. Tropical Geography, 43(9): 1823-1834.

刘倩，高路，赵鹏，陈兴伟. 2020. 2000—2016年中国热带气旋灾害时空特征研究. 中国防汛抗旱，30（5）：50-57.

Liu Qian, Gao Lu, Zhao Peng, and Chen Xingwei. 2020. Study on the Temporal-Spatial Characteristics of Tropical Cyclone Disasters in China in 2000-2016. China Flood & Drought Management, 30(5): 50-57.

刘方田，许尔琪. 2020. 海南省台风特点与灾情评估时空关联分析. 灾害学，35（2）：217-223.

Liu Fangtian and Xu Er'qi. 2020. Spatio-Temporal Correlation Analysis of Typhoon Characteristics and Disaster Assessment in Hainan Province. Journal of Catastrophology, 35(2): 217-223.

刘业森，杨振山，黄耀欢，刘昌军. 2019. 建国以来中国山洪灾害时空演变格局及驱动因素分析. 中国科学：地球科学，49（2）：408-420.

Liu Yesen, Yang Zhenshan, Huang Yaohuan, and Liu Changjun. 2018. Spatiotemporal Evolution and Driving Factors of China's Flash Flood Disasters Since 1949. Science China Earth Sciences, 61: 1804-1817.

卢莹，赵海坤，赵丹，李青青. 2021. 1984-2017年影响中国热带气旋灾害的时空特征分析. 海洋学报，43（6）：45-61.

Lu Ying, Zhao Haikun, Zhao Dan, and Li Qingqing. 2021. Spatial-Temporal Characteristic of Tropical Cyclone Disasters in China during 1984-2017. Haiyang Xuebao, 43(6): 45-61.

Rey S J. 2010. Spatial Empirics for Economic Growth and Convergence. Geographical Analysis, 33(3): 195-214.

苏朝晖，方伟华. 2023. 1980—2015年中国沿海地区热带气旋暴露度变化分析. 自然灾害学报，32（3）：102-117.

Su Zhaohui and Fang Weihua. 2023. Analysis of Tropical Cyclone Exposure Changes in Coastal Areas of China from 1980 to 2015. Journal of Natural Disasters, 32(3): 102-117.

史培军，应卓蓉. 2016. 中国气象灾害对宏观经济增长的影响分析. 北京师范大学学报（自然科学版），52（6）：747-753.

Shi Peijun and Ying Zhuorong. 2016. Impacts of Meteorological Disaster on Economic Growth in China. Journal of Beijing Normal University (Natural Science), 52(6): 747-753.

石先武，方伟华. 2015. 1949—2010年西北太平洋热带气旋时空分布特征分析. 北京师范大学学报（自然科学版），51（3）：287.

Shi Xianwu and Fang Weihua. 2015. Spatiotemporal Characteristics of Tropical Cyclone in NWP Basin between 1949 and 2010. Journal of Beijing Normal University (Natural Science), 51(3): 287.

唐晓春，刘会平，潘安定. 2003. 广东沿海地区近50年登陆台风灾害特征分析. 地理科学，23（2）：182-187.

Tang Xiaochun, Liu Huiping, Pan An'ding. 2003. Analysis of Disastrous Features of Landing Typhoon in Coastal Regions of Guangdong Province in Recent 50 Years. Science China Earth Sciences, 23(2): 182-187.

万金红，张葆蔚，刘建刚，邓俊，李云鹏. 2016. 1950—2013年我国洪涝灾情时空特征分析. 灾害学，31（2）：63-68.

Wan Jinhong, Zhang Baowei, Liu Jiangang, Deng Jun, and Li Yunpeng. 2016. The Distribution of Flood Disaster Loss during 1950-2013. Journal of Catastrophology, 31(2): 63-68.

王江波，顾梦瑶，吴宇凡，苟爱萍. 2024. 1999—2018年广东省自然灾害灾情时空变化特征及影响因素研究. 安全，45（2）：22-31.

Wang Jiangbo, Gu Mengyao, Wu Yufan, and Gou Ai'ping. 2024. Research on Spatiotemporal Evolution Characteristics and Influencing Factors of Loss of Natural Disasters in Guangdong Province From 1999 to 2018. Safety & Security, 45(2): 22-31.

王静爱，雷永登，周洪建，尹衍雨，常晟，李群芳. 2012. 中国东南沿海台风灾害链区域规律与适应对策研究. 北京师范大学学报（社会科学版），（2）：130-138.

Wang Jing'ai, Lei Yongdeng, Zhou Hongjian, Yin Yanyu, Chang Sheng, and Li Qunfang. 2012. Regional Features and Adaptation Countermeasures of Typhoon Disaster Chains in Southeast Coastal Regions of China. Journal of Beijing Normal University (Social Sciences), (2): 130-138.

王劲峰，徐成东. 2017. 地理探测器：原理与展望. 地理学报，72（1）：116-134.

Wang Jinfeng and Xu Chengdong. Geodetector: Principle and prospective. 2017. Acta Geographica Sinica, 72(1): 116-134.

王佳宁，宋永永，薛东前. 2021. 中国自然灾害时空变化及其社会经济效应. 浙江大学学报（理学版），48（6）：750-759.

Wang Jianing, Song Yongyong, and Xue Dongqian. 2021. Spatio-Temporal Evolution of Natural Disasters and Its Social-Economic Effects in China. Journal of Zhejiang University (Science Edition), 48(6): 750‑759.

王德运，谭亚妮，柯小玲，朱冬元，郭海湘. 2020. 中国热带气旋灾害经济损失时空特征分析. 灾害学，35（2）：62-69.

Wang Deyun, Tan Yani, Ke Xiaoling, Zhu Dongyuan, and Guo Haixiang.2020. Analysis of Spatio-Temporal Characteristics of Economic Loss Caused by Tropical Cyclones in China. Journal of Catastrophology, 35(2): 62-69.

王振康，雍斌. 2023. 中国沿海地区热带气旋变化特征分析. 水电能源科学，41（4）：22-26.

Wang Zhenkang and Yong Bin. 2023. Analysis of Characteristics of Typhoon Disasters in Coastal Areas of China. Water Resources and Power, 41(4): 22-26.

王小杰，夏军强，李启杰，周美蓉，董柏良. 2023. 长江中下游各省市洪涝灾情时空变化及影响因素. 水资源保护，39（2）：78-86.

Wang Xiaojie, Xia Junqiang, Li Qijie, Zhou Meirong, and Dong Bailiang. 2023. Spatiotemporal Variation of Flood Distribution and Influencing Factors in Provinces in Middle and Lower Reaches of Yangtze River. Water Resources Protection, 39(2): 78-86.

汪路，卢莹，赵海坤. 2023. 台风灾害时空特征分析与评估模型构建. 灾害学，38（4）：187-194.

Wang Lu, Lu Ying, and Zhao Haikun. 2023. Analysis of Temporal and Spatial Characteristics of Typhoon Disasters and Construction of Evaluation Model. Journal of Catastrophology, 38(4): 187-194.

夏四友，赵媛，许昕，文琦，宋永永，崔盼盼. 2019. 1997—2016年中国农业碳排放率的时空动态与驱动因素. 生态学报，39（21）：7854-7865.

Xia Siyou, Zhao Yuan, Xu Xin, Wen Qi, Song Yongyong, and Cui Panpan. 2019. Spatiotemporal Dynamics and Driving Factor Analysis of Agricultural Carbon Emissions Rate in China from 1997 to 2016. Acta Ecologica Sinica, 39(21): 7854-7865.

熊俊楠，李进，程维明，周成虎，郭良，张晓蕾，王楠，李伟. 2019. 西南地区山洪灾害时空分布特征及其影响因素. 地理学报，74（7）：1374-1391.

Xiong Junnan, Li Jin, Cheng Weiming, Zhou Chenghu, Guo Liang, Zhang Xiaolei, Wang Nan, and Li Wei. 2019. Spatial-Temporal Distribution and the Influencing Factors of Mountain Flood Disaster in Southwest China. Acta Geographica Sinica, 74(7): 1374-1391.

姚丽娜，雷正翠，孙燕. 2009. 华东地区登陆台风路径的统计分析//浙江省气象学会，江苏省气象学会，上海市气象学会. 第六届长三角气象科技论坛论文集. 南通：浙江省气象学会，42-44.

Yao Lina, Lei Zhengcui, and Sun Yan. 2009. Statistical Analysis of Landfalling Typhoons’ Routines in East China. In: Zhejiang Meteorological Society, Jiangsu Meteorological Society, Shanghai Meteorological Society. Proceedings of the 6th Yangtze River Delta Meteorological Science and Technology Forum. Nantong: Zhejiang Meteorological Society, 42-44.

杨绚，张立生，王铸. 2022. 基于机器学习算法的县域台风灾害经济损失风险评估. 热带气象学报，38（5）：651-661.

Yang Xuan, Zhang Lisheng, and Wang Zhu. 2022. Risk Assessment for Typhoon Economic Losses in County-Based Units Using Machine Learning. Journal of Tropical Meteorology, 38(5): 651-661.

杨剑，陈煜，徐枫，段忠东. 2021. 考虑地形和土地覆盖影响的参数化台风风场模拟. 自然灾害学报，30（1）：47-58.

Yang Jian, Chen Yu, Xu Feng, and Duan Zhongdong. 2021. Parametric Typhoon Wind Field Simulations by Considering the Effects of Terrain and Land Cover. Journal of Natural Disasters, 30(1): 47-58.

姚亚庆，郑粉莉，关颖慧. 2017. 近60年我国旱涝灾情时空特征分析. 干旱地区农业研究，35（1）：228-232.

Yao Yaqing, Zheng Fenli, and Guan Yinghui. 2017. The Temporal and Spatial Characteristics of Flood and Drought during the Recent 60 Years in China. Agricultural Research in the Arid Areas, 35(1): 228-232.

殷洁，戴尔阜，吴绍洪. 2013. 中国台风灾害综合风险评估与区划. 地理科学，33（11）：1370-1376.

Yin Jie, Dai Erfu, and Wu Shaohong. 2013. Integrated Risk Assessment and Zoning of Typhoon Disasters in China. Scientia Geographica Sinica, 33(11): 1370-1376.

张俊香，刘旭拢，宫清华. 2012. 近60年华南沿海登陆热带气旋特征和热带气旋巨灾灾情分析. 热带地理，32（4）：357-363.

Zhang Junxiang, Liu Xulong, and Gong Qinghua. 2012. Tropical Cyclones Landing on the Coastal Areas of South China and Related Catastrophes over the Past 60 Years. Tropical Geography, 32(4): 357-363.

张丽杰，刘建成，朱慧云. 2019. 影响海南岛的台风的时空特征分析. 灾害学，34（1）：135-138.

Zang Lijie, Liu Jiancheng, and Zhu Huiyun. 2019. Analysis on the Temporal and Spatial Characteristics of TC in Hainan Island. Journal of Catastrophology, 34(1): 135-138.

郑美霞，刘玲. 2022. 2011—2020年江西省自然灾害灾情时空特征分析. 自然灾害学报，31（2）：233-241.

Zheng Meixia, and Liu Ling. 2022. Spatial-Temporal Distribution Characteristics of Natural Disasters in Jiangxi Province from 2011 to 2020. Journal of Natural Disasters, 31(2): 233-241.

Options
文章导航

/

〈 〉