EN中文

Tropical Geography >

2021 , Vol. 41 >Issue 1: 147 - 158

DOI: https://doi.org/10.13284/j.cnki.rddl.003301

The Risk of Heat Wave along the Jakarta-Bandung High-Speed Railway in Indonesia

  • Xin Dai , 1, 2 ,
  • Qingsheng Liu , 2 ,
  • Xilin Wu 2, 3 ,
  • Chong Huang 2 ,
  • He Li 2
Expand
  • 1. School of Earth Sciences and Resources, China University of Geosciences (Beijing), Beijing 100083, China
  • 2. State Key Lab of Resources and Environmental Information System, Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences, Beijing 100101, China
  • 3. University of Chinese Academy of Sciences, Beijing 100049, China

Received date: 2020-04-15

  Revised date: 2020-10-17

  Online published: 2021-02-19

Fold

Highlights

Since heat wave is currently one of the most important meteorological disasters, it has a significant impact on residents' health and social economy. The accurate identification and assessment of heat wave risk is an effective means to deal with this problem. In this paper, the hazard, vulnerability and regional comprehensive prevention ability factors were selected as the indexes for evaluating heat wave risk. The index weight was determined by the H-AHP method, and the spatial distribution map of the risk level of heat wave was calculated by the graph cascade method. The results show that there is a significant spatial difference in the risk of heat wave in the regions along the Jakarta-Bandung High-Speed railway. On the whole, the risk in the northern region is higher than that in the southern region, and the risk in the western region is higher than that in the eastern region. The high-risk areas are mainly concentrated in Jakarta, the capital of Indonesia. The medium-high-risk areas were mainly distributed in Jakarta's peripheral suburbs and Bandung City. The low-risk areas are distributed in the central region, forming a typical V-shaped distribution being high on both sides and low in the middle. The overall risk of heat wave in this region is at a medium level, with the medium-level risk area accounting for nearly 50%. With the exception of Jakarta, Bekasi, Bandung, and Cimahi cities, half or even more than half of the other counties are at medium-level risk. The area with low risk level accounts for the least, only 8.10%, mainly distributed in the northern part of Karawang county near the Java sea, and in the southwest part of Bandung county and West Bandung county with high forest coverage. In this paper, a method of heat wave risk assessment based on remote sensing is proposed, and spatial social and economic data are used, providing a new idea for heat wave risk assessment for countries along the Belt and Road region.

Cite this article

Xin Dai , Qingsheng Liu , Xilin Wu , Chong Huang , He Li . The Risk of Heat Wave along the Jakarta-Bandung High-Speed Railway in Indonesia[J]. Tropical Geography, 2021 , 41(1) : 147 -158 . DOI: 10.13284/j.cnki.rddl.003301

高温热浪是指气温高、湿度大且持续时间较长，并可能危及公众健康和生命安全、影响社会生产活动的极端天气过程。气象学上，将日最高气温≥35℃称为高温天气；日最高气温≥38℃称为危害高温日；＞40℃，称为极端高温日；气温超过35℃且持续3 d及以上，则被称为高温热浪（张尚印 等，2005；史军 等，2008）。高温热浪作为一种极端天气，所带来的持续炎热，会引起人体中暑，严重可致人体死亡（冯雷 等，2016）。近年来，由于城市发展和人口增长等多种因素，导致高温热浪事件发生的频率和强度不断增加。2003年欧洲热浪造成3.5万人死亡（黄矛 等，2008）。2015年巴基斯坦发生热浪，在一周内造成200多人死亡（Nasim et al., 2018）。高温热浪显著影响生产生活各个方面，如持续高温少雨将影响植物生长发育；同时还可能引起森林火灾、交通阻断等（谭建国 等，2004；李京，2017）。因此，高温热浪在极端天气领域备受重视，对高温热浪风险的识别与评估也成为减灾和制定应急管理对策的基础和重要依据。
印度尼西亚雅万高铁作为中国“一带一路”和铁路“走出去”战略的成果之一，是中国高铁第一次走出国门、走向世界，同时也是印度尼西亚的首条高铁。它连接印尼首都雅加达和西爪哇省首府万隆，是“一带一路”沿线关键节点之一，有着重要的示范和引领作用（王菲菲，2018；鲁涓涓，2019）。雅万高铁距离赤道较近，终年炎热。区域灾害频发，1815—2011年，气象和水文灾害占印度尼西亚灾害的77%（Dwirahmadi et al., 2013），其中高温热浪是经常发生的气象灾害。笔者曾于2019年9月到雅万高铁建设现场，走访中国的承建单位，发现高温热浪对工程进度和工人工作效率有一定影响，主要通过缩短工作时间和补充饮水来应对其威胁，缺乏可供参考的数据。通过文献检索发现，关于雅万高铁沿线地区的高温热浪研究较为鲜见。因此，对该区域进行高温热浪风险评估具有重要的现实意义，可为雅万高铁施工建设提供有益参考。
对于高温热浪灾害的分析，近十年涌现了大量的相关研究。在气象站点方面，贺山峰等（2010）选取高温日数和热浪日数2个指标，使用PRECI模式预估了中国高温致灾危险性的时空格局。在遥感数据方面，何苗等（2017）提取地表温度、植被指数、建筑指数等指标，对北京区域进行高温热浪风险评估。周洋等（2018）将遥感数据与气象站点数据相结合，研究了南京市的高温热浪时空分布。以上研究表明，气象站点数据和遥感数据都可用于分析高温热浪灾害。目前，学术界尚未建立统一的风险评估指标，关于高温热浪指标的选取各不相同。如Krvger等（2013）选取城市结构、人口分布及热特性等热敏感指标建立风险评估模型，评估了德国的德累斯顿市的高温风险；Inostroza等（2016）选取敏感性、适应性等指标建立模型，分析和预测了圣地亚哥市的城市高温风险；Johnson等（2012）选取25个极端健康风险指标建立风险模型，分析了芝加哥的高温热浪事件。
在风险评估中，指标权重的确定是关键。指标权重的确定常见有主观赋权法、客观赋权法及主客观赋权法（郭昱，2018）。主观赋值法的弊端在于专家打分过程中主观性过强；客观赋值法虽然可以较高程度减少主观性的误差，但太过依赖指标的选取；而主客观赋权法算法复杂度较高。朱斌（2014）在传统的层次分析模型基础上引入偏好概念，提出犹豫层次分析法（H-AHP），该方法能很好地描述概率分布和犹豫偏好，降低决策者由于犹豫导致的误差，提高整体风险评估的精确度（武夕琳 等，2019）。近年来，犹豫层次分析法在风险评估方面得到广泛应用，如航道风险评估（王哲 等，2017）、气候变化风险评估（宋晨阳 等，2016）等。
目前，对高温热浪风险评估研究已取得一定的效果，但也存在一些不足，如传统的气象站点数据有限，无法精细反映高温气候分布的空间差异；在空间尺度上，已有研究多选用以市或县为单位的数据，缺乏公里级尺度或更精细尺度的评估和分析。而遥感数据覆盖范围广、时效性强、空间分辨率较高，能够更好地展现空间分布信息。
鉴于此，本文基于在雅万高铁考察中获取的矢量数据和沿线区域的地质资料，并结合多源遥感影像数据，利用犹豫层次分析法，对印尼雅万高铁沿线区域进行公里级尺度高温热浪风险评估研究。以期为区域防灾减灾决策、高温风险科学预警和防范及实施适应性措施提供参考。

1 研究区概况与数据源

1.1 研究区概况

雅万高铁位于印尼爪哇岛西北部，沿线区域在5°54′－7°19′ S、106°42′－107°54′ E之间（图1）。该区域西临万丹省，北接爪哇海，首尾连接印尼首都雅加达和西爪哇省首府万隆市，沿途经过勿加泗市、贝卡西县、卡拉旺县、普瓦卡塔县、万隆西县、芝马墟市和万隆县。区域地处热带，终年炎热而潮湿；最高气温37.8 ℃，最低气温11.2 ℃；相对湿度在70%以上。因其特殊的地理位置，导致雅万高铁的沿线区域分为雨季和旱季，受西北季风的影响，雨季时间为每年11月至次年3月；受东南季风的影响，旱季时间为每年4—10月。年均降水量超过2 000 mm，处于较高水平。区域的地貌也较为复杂，有冲积、冲洪积平原、剥蚀残丘缓坡、丘陵、低山及山间盆地等，地势由西北向东南逐渐增高（赵斗，2018；包云 等，2019）。
图1 研究区位置

Fig.1 The location of the study area

1.2 数据来源

选用的数据有：MODIS（Moderate-resolution Imaging Spectroradiometer）地表温度数据、人口格网数据（Population Grid Data）、地表覆盖数据（Land Cover Data）、DMSP/OLS（Defense Meteorological Satellite Program）/（Operational Linescan System）夜光数据和医疗机构空间分布数据。

1） MODIS地表温度数据

地表温度（Land Surface Temperature, LST）是研究地表和大气之间辐射和能量交换以及区域和全球尺度地表物理过程的重要参数。研究表明，气温与遥感反演的地表温度之间存在线性相关关系（刘勇洪 等，2014），因而可以将地表温度作为高温热浪危险性评价的遥感指标（陈倩 等，2017）。选用2015-09-22的MOD11A2白天地表温度数据，该数据利用劈窗算法对不同地区的温度反演数据加入经验拟合修正，进行裁剪和估算后得到1 km的地表温度数据。

2） 人口格网化数据

人口格网化数据是利用数学模型将以行政区为单元的人口统计数据展布到一定尺寸的格网中，实现统计单元由行政单元向网格的转换。通过格网化人口数据梯度，可以方便地表达区域单元的人口空间分布与分异规律。本文使用2015年公里格网的人口数据，该数据来源于美国哥伦比亚大学社会经济数据应用中心 1，是以行政单元的人口普查数据为基础，利用人口数据格网化模型计算得到的。

3） MCD12Q1地表覆盖数据

地表覆盖数据是利用搭载在Terra和Aqua卫星上的MODIS传感器反演得到的。MCD12Q1作为MODIS数据的一种，是MODIS Terra/Aqua三级土地覆盖年全球、空间分辨率为500 m产品。本文使用的2015年地表覆盖数据是基于MODIS 500 m地表数据经重采样得到的1 km分辨率的数据。

4） DMSP/OLS夜光数据

DMSP/OLS夜光数据是基于美国DMSP卫星的一种高增益的振荡扫描辐射仪OLS得到的。本文使用的夜光遥感数据来自NOAA网站 2，分辨率为1 km。

5） 医疗机构空间分布数据

医疗机构空间分布数据是基于地理信息系统（GIS）空间分析技术，利用研究区域内的医院、诊所及医疗保障机构的空间分布位置获取。本文使用的数据是基于Goolge Map平台1 km尺度上获取的印尼雅万高铁沿线区域医疗机构经纬度坐标数据，经空间化得到。

6） 其他数据

使用的土地覆盖类型数据是MCD12Q1产品数据集，根据国际地圈生物圈计划（IGBP）定义的土地覆盖类型，包括11个自然植被类型、3个土地开发和镶嵌的地类、3个非草木土地类型。绿地覆盖度根据土地覆盖类型，提取永久湿地、草地、草原、灌丛和森林5种类型，并根据不同的降温效果将其划分为5个等级作为绿地覆盖度数据；不透水面根据土地覆盖类型，划分为不透水面和透水面，提取城市和建筑区类型作为不透水面，其余类别作为透水面。城市人口比例数据可分为城市和非城市，由于本文使用的人口数据是已经空间化的数据，可以将人口数据与划分后的地表覆盖数据图层叠加，筛选出城市人口和非城市人口作为城市人口比例数据。

2 研究方法

2.1 高温热浪风险评估因子

高温热浪风险评估因子的权重体现造成高温热浪影响的相关程度。通过张继权等（2007）的研究并结合对高温热浪的理解，认为高温热浪风险是在一定的孕灾背景中，由高温热浪灾害的危险性、承灾体的脆弱性和区域综合防范能力等因素的综合效应形成的。在IPCC的风险评估方法中，风险=致灾因子危险性×承灾体脆弱性×承灾体暴露度×抗灾能力。高温热浪作为灾害性事件的一种也适用于这种方法。因此，选用危险性、脆弱性和区域综合防范能力作为评估因子，建立高温热浪风险概念模型（图2）。
图2 高温热浪风险概念模型

Fig.2 Conceptual model of heat wave risk

2.1.1 危险性因子

危险性因子是指对系统造成严重威胁的因素，通常来自系统外部（何苗 等，2017）。其发生的强度、持续时间、频率和范围是导致高温热浪致灾环境危险性的重要原因（Raei et al., 2018）。传统的气温获取主要通过气象站，但气象数据获取时间长、范围有限，无法满足大范围的空间分析。而地表温度是监测资源环境动态变化的重要因素，多项研究表明气温与遥感反演的地表温度之间存在线性关系（刘勇洪 等，2014）。结合前人研究，选用地表温度的强度和范围指标，用于评估高温热浪发生的危险性。强度是指温度的高低程度，其值越大，潜在的危险性越高。范围表示高温热浪发生时影响的区域，其值越大，潜在的受灾面积越大。提取地表温度＞35℃的区域作为高温范围指标。

2.1.2 脆弱性因子

脆弱性因子表示研究区域的人体健康经济、社会系统所受到的高温热浪威胁和破坏的程度（谢盼 等，2015）。高温热浪灾害影响广泛，包括经济、人体健康、工业、交通等各个方面，选取人口密度、GDP和不透水面三类承载体进行脆弱性分析。人口密度是指区域内人口的密集程度，其值越大潜在的灾害风险越高。国内生产总值（GDP）表示一个国家或地区一定时间内生产活动的最终成果。因夜光遥感能够有效反映城市经济发展水平（李德仁 等，2017），故采用夜光遥感数据反映当地不同地区的GDP水平，其值越大，经济脆弱性越高。不透水面指一种水体不能通过其渗入到土壤中的人工地表特征，主要由道路、停车场、广场及屋顶等建筑物组成（徐涵秋 等，2016），不透水面比例越高，高温热浪发生时受到的影响越大。

2.1.3 区域综合防范能力因子

区域综合防范能力指一个地区面对高温热浪灾害时的应变能力，反映人类社会应对灾害的主观能动性。区域综合防范能力涉及经济能力、科技实力和医疗水平等，对其进行全面准确的评估非常复杂，选用距医疗机构的距离、绿地覆盖度、经济水平和城市人口比例进行量化评估。其中，距医疗机构的距离指区域人口距离医疗机构的远近，以便在发生高温热浪时提供医疗救治，距离越近，其潜在灾害风险性越小。绿地覆盖度指区域绿地的覆盖程度，通常包含森林、草原、草地、灌丛等，反映区域自主降温能力，其值越高，潜在灾害风险越小（栾庆祖 等，2014）。经济水平反映紧急状态下的区域应变和协调能力，其值越高，潜在灾害风险越小（何苗 等，2017）。城市人口比例指在研究区域内的城市人口所占比例，其值越高，潜在灾害风险越小（赵颜创 等，2016）。

2.2 基于H-AHP因子权重的客观确定

犹豫层次分析法（H-AHP）是将层次分析法与概率型犹豫偏好相结合，决策者在选择时利用概率对偏好值进行描述从而得到理想结果的方法（朱斌，2014），可用于高温热浪风险评估。

2.2.1 高温热浪风险评估的犹豫层次分析法

该法量化了高温热浪风险评估中各评估因子的权重，将决策问题分解成从上到下的结构层次，即将其分为目标层、准则层与指标层。
该评估的指标体系是基于1-9标度（表1），邀请相关专家对指标的相对重要程度进行两两比较与综合判断，构建权重判断矩阵，并进行一致性检验，根据判断矩阵计算得出各指标的权重，并对各指标值进行无量纲化处理。
表1 判断矩阵1-9标度

Table 1 1-9 scale of judgment matrix

标度 意义
1 等同于
3 比较优于
5 很优于
7 非常优于
9 极端优于
1和9之间的其他标度 比较的中间值

2.2.2 基于H-AHP的评估指标量化

（1）将决策问题分解成从上到下的结构层次，即将其分为目标层、准则层与指标层，建立如表2所示的层次结构。
表2 高温热浪风险评估层次结构

Table 2 Hierarchical structure of the heat wave risk assessment

目标层 准则层 指标层 指标层说明

高温

热浪

风险A

 危险性B1 强度 C1 正向指标
范围 C2
脆弱性B2 人口密度 C3 正向指标
GDP C4
不透水面 C5

区域综合

防范能力B3

 距医疗机构距离C6 负向指标
绿地覆盖度C7
经济水平C8
城市人口比例C9
（2）构造概率型犹豫积型偏好关系
犹豫积型集是犹豫积型数的集合，当 y为一个犹豫积型数时，满足 y = ( y ( l ) l = 1 , ⋯ , y )，其中 y是 y中可能值的数量。当 p ( l )为 y l的概率时，则 y被称为概率型犹豫积型数，可以用一个概率分布 p = p ( l ) ( l = 1 , ⋯ , y )来描述：
y = ( y ( l ) ( p ( l ) ) l = 1 , ⋯ , y )
根据概率型犹豫积型数建立概率型犹豫积型偏好关系：
对于一个集合U，假设决策者可对U中元素进行两两比较，且根据专家意见给出概率型犹豫偏好信息，则可构建概率型犹豫积型偏好关系（P-HMPR）：
Y = y i j n × n
式中：Y为概率型犹豫积型偏好关系；n为概率型犹豫积型偏好关系的维数； y i j表示 x i对 x j的偏好度，且满足：
y i j ρ l y j i ρ l = 1 , y i j = 1 , y i j = y j i , p i j ρ l = p j i ρ l , i , j = 1,2 , ⋯ n
y i j ρ l ≤ y i j ρ l + 1 , i < j
式中： y i j ρ l为 y i j的第 ρ个可能值， p i j ρ l为 y i j ρ l的概率。
根据高温热浪风险评估指标体系，基于1—9标度，邀请3名相关专家以指标层中的每1个指标为支配元素，进行两两比较，给出犹豫偏好信息，并依据评估结果，构造概率型犹豫积型偏好关系，准则层的专家评分见表3，指标层专家评分见表4—6。
表3 准则层概率型犹豫积型偏好关系

Table 3 The probabilistic dithering product preference relation of criterion layer

准则层 B1 B2 B3
B1 1 (8,6,7) (7,5,5)
B2 (1/8,1/6,1/7) 1 (5,4,1/4)
B3 (1/7,1/5) (1/5,1/4,4） 1
表4 危险性指标层概率型犹豫积型偏好关系

Table 4 The probabilistic dithering product preference relation of hazard indicator layer

危险性 C1 C2
C1 1 (9,6,6)
C2 (1/9,1/6,1/6) 1
表5 脆弱性指标层概率型犹豫积型偏好关系

Table 5 The probabilistic dithering product preference relation of vulnerability indicator layer

脆弱性 C3 C4 C5
C3 1 (9,1/4,1) (1/7,1/5,1/6)
C4 (1/9,4,1) 1 (1/8,1/6,1/6)
C5 (7,5,6) (8,6,6) 1
表6 区域综合防范能力指标层概率型犹豫积型偏好关系

Table 6 The probabilistic dithering product preference relation of regional comprehensive prevention ability indicator layer

区域综合防范能力 C6 C7 C8 C9
C6 1 (8,4,5) (7,4,4) (6,4,1/5)
C7 (1/8,1/4,1/5) 1 (1/5,1/3,1/5) (7,1/3,1/4)
C8 (1/7,1/4,1/4) (5,3,5) 1 (6,1,1/4)
C9 (1/6,1/4,5) (1/7,3,4) (1/6,1,4) 1
（3）一致性检验
一致性检验表示对数据准确性和合理性的检验流程，是保证偏好信息有效和结果正确的基本要求。检验流程为：
1）基于概率分布 p i j，从 y i j中随机选择 y i j l，得到 M P R Y l = y i j l n × n。
2）根据行几何平均法（RGMM），计算出方案 x i的排序值 w i如式（5）所示。
3）利用几何一致性指标（GCI），检验 M P R Y l = y i j l n × n的一致性水平如式（6）所示。其中 e i j = y i j l w j / w i。
4）最后建立一个犹豫偏好空间Y，进行检验，如式（7）所示。
w i = ∏ j = 1 n y i j ( l ) 1 n ∑ i = 1 n ∏ j = 1 n y i j ( l ) 1 n
G C I Y l = 2 n - 1 n - 2 ∑ i < j l o g 2 e i j
E G C I Y = ∏ i , j = 1 n 1 y i j ∑ Y G C I Y l
基于蒙特卡洛模拟方法计算式（7）中的 E G C I Y，若计算得到的 E G C I Y的值满足 E G C I Y ≤ G C I n，那么Y满足可接受一致性，否则不满足可接受一致性。其中 G C I ( n )的可接受临界值为：当n=3时， G C I为0.317 4；当n=4时， G C I为0.352 6；当n>4时， G C I为0.370。经实验验证，本文建立的概率型犹豫积型偏好均通过一致性检验。
（4）计算各指标的权重
基于行几何平均法（RGMM），应用蒙特卡洛模拟方法（黎锁平，2006），计算同一层相应元素对应上一层某元素相对重要性的排序权重，再从结构的底层开始，对上一层次中元素计算集成方案的排序权值，直到获得方案对于控制属性的综合排序权值，即各相关指标的权重（表7），具体算法通过Matlab实现。
表7 高温热浪风险评估各指标权重

Table7 The weight of each indicator of heat wave risk assessment

准则层指标 权重W 指标层指标 权重W
危险性 0.692 1 强度 0.875
范围 0.125
脆弱性 0.177 1 人口密度 0.682 3
GDP 0.183 9
不透水面 0.133 8

区域综合

防范能力

 0.130 8 距医疗机构距离 0.583 6
绿地覆盖度 0.149 4
经济水平 0.17
城市人口比例 0.097

2.3 基于图层叠置法的评估模型建立

在评估模型建立过程中首先对各指标层数据进行归一化处理，解决数据分级中映射区间不一致问题，归一化计算公式为：
正向指标：
R i = x i - x m i n x m a x - x m i n
负向指标：
R i = x m a x - x i x m a x - x m i n
式中： R i表示第 i个指标的归一化值（ i = 1,2 , 3 . . . . . , n）； x i表示各指标实际值； x m a x表示各指标数据的最大值； x m i n表示各指标数据的最小值。
高温热浪风险指数（Heat Wave Risk Index, HWRI）是评估风险结果的依据，其公式为：
H W R I = ∑ i = 1 N W i × R i
式中： W i为基于犹豫层次分析法得到的指标权重。
得出研究区高温热浪风险评估结果后，将所有数据层分为5个等级：低等、中低等、中等、中高等、高等。其中，危险性、脆弱性、区域综合防范能力图层按照自然间断法分级；风险图层结合think hazard中该区域的大致风险水平进行手动划分：低等（0~0.14）、中低等（0.14~0.26）、中等（0.26~0.5）、中高等（0.5~0.7）、高等（0.7~1）。基于高温热浪风险评估因子、犹豫层次分析法和图层叠置法评估模型的技术路线如图3所示。
图3 雅万高铁沿线区域高温热浪风险评估技术路线

Fig.3 Technical route of heat wave risk assessment along the Jakarta-Bandung high-speed railway

3 结果分析

根据雅万高铁沿线区域气象站点历史数据，1965—2018年共发生158次高温热浪事件，其中发生在9—11月的频次高达126次，占比79.75%。因此，9—11月是高温热浪的高发期。

3.1 高温热浪危险性分布特征

图4-a为2015年雅万高铁地区高温热浪危险性空间分布情况，低等、中低等、中等、中高等、高等所占比例分别为20.91%、35.11%、18.18%、14.70%、11.10%。危险性较高的区域主要分布在西北部的雅加达、勿加泗及贝卡西县的南部，这些地区经济发达、车辆众多、人口压力大、城镇建筑物密集，城市热岛现象更为明显，危险性较高。低等级危险性区域主要分布在靠近爪哇海的卡拉旺县北部、贝卡西县北部和万隆县、万隆西县。原因主要有：卡拉旺县北部、贝卡西县北部受东南季风以及海洋的影响，温度相对较低；万隆县、万隆西县区域海拔相对较高，温度随着海拔的增高而降低。
图4 2015年高温热浪各因子风险等级分布（a. 危险性；b. 脆弱性；c. 区域综合防范能力；d. 风险）

Fig.4 Risk level distribution of various factors of heat wave in 2015 (a. hazard; b. vulnerability; c. regional comprehensive prevention ability; d. risk )

3.2 高温热浪脆弱性分布特征

雅万高铁地区脆弱性不同等级面积所占比例按风险由低到高依次为：56.69%、17.36%、8.81%、6.29%、10.85%。人类是承载高温热浪灾害的主要暴露体，人口密度为脆弱性的主要影响因子，人口分布越密集的地区受灾后产生的影响越严重，脆弱性等级越高。脆弱性较高的地区主要分布在西北部的雅加达和勿加泗，以及东南部的芝马墟和万隆（图4-b）。这4个地区经济较为发达，人口较多，建筑物覆盖度比较高。贝卡西县、卡拉旺县、普瓦卡塔县和万隆县的内部，分别有小部分区域的脆弱性处于中等级或中高等级，主要原因为这些区域分别是各自县的主要城镇区，人口相对周边比较聚集。其余地区大都呈现出中低等级和低等级的脆弱性，在卡拉旺县北部和贝卡西县北部，主要为农用地，人口密度小；其余大部分区域主要为林地和草地，几乎无人居住，脆弱性相对较低。

3.3 高温热浪区域综合防范能力分布特征

雅万高铁地区区域综合防范能力不同等级面积所占比例按风险由低到高依次为：52.75%、18.90%、7.88%、8.33%、12.15%。由图4-c可知，防范能力较高的区域主要分布在雅加达市、勿加泗市、万隆市、芝马墟市，以及各县内部的小范围区域。其主要原因为：这些区域地处城镇地区，经济水平较高，医疗资源丰富，在高温热浪灾害发生时的应对能力更强。而远离城镇的草原、稀疏草原虽然植被覆盖度较高，但区域综合防范能力整体较差，医疗资源、财力资源匮乏，高温灾害来临时无法及时应对。

3.4 高温热浪风险分布特征

经统计，印尼雅万高铁沿线区域高温热浪风险等级由低到高面积依次为633、1 529、3 636、1 315、693 km2，分别占研究区总面积的8.10%、19.59%、46.58%、16.85%、8.88%。
雅万高铁沿线区域各市县高温热浪风险空间分布差异较为显著（图4-d）。就整体风险水平而言，在雅万高铁沿线的9个市县中，处于高等级风险的有雅加达市和勿加泗市，处于中高等级风险的有万隆市和芝马墟市。其原因为：雅加达是印尼的政治经济文化中心，人口密度大，建筑物覆盖度极高；勿加泗市作为相邻城市，经济发展与雅加达相似。万隆市和芝马墟市的四周海拔均高于中部，群山环绕，人口集聚于中部，经济较为发达；而且勿加泗市、万隆市和芝马墟市，均呈现出环状的风险分布，中心位置的风险高于周边，形成多个次风险中心，体现了明显的城市热岛效应。除雅加达市、勿加泗市、万隆市和芝马墟市外，作为以农业为主的贝卡西县、卡拉旺县、普瓦卡塔县、万隆西县和万隆县，各县内部也有一部分区域处于高或中高等级风险，这些区域主要为城镇覆盖区域，经济也比较落后，高温脆弱性较高，因而面临的高温热浪灾害风险较高。低风险区域主要分布在卡拉旺县的北部、万隆西县的南部以及万隆县的西南部。卡拉旺县北部风险较低的原因主要为，此区域与印尼的爪哇海相接，土地类型主要为永久湿地和水，降温效果好。万隆西县的南部以及万隆县的西南部，海拔相对较高，主要以林地、草地为主，温度比较低，人口密度也很低，因而风险较低。

4 结果对比

由于未见有专门针对雅万高铁周边的高温热浪风险评估研究，故从空间分布的总体态势上，与前人大范围研究结果进行比较。首先，为探究本研究区的合理风险图层划分阈值，参考Thinkhazard（Douglas et al., 2017）的极端热风险评估成果，该成果显示本研究区大致处于中等级别风险水平。
对比2015年全球标准热浪指数分布图（Raei et al., 2018），可知印尼雅万高铁沿线区域的热浪指数处于[-0.5，1]的中等水平，这与本研究的整体风险水平较为一致。Yin等（2020）关于“一带一路”区域高温热浪风险的评估，虽然选用数据与本文稍有差异，但整体的风险态势评估结果仍有一定的参考性；对比“一带一路”区域高温热浪风险分布图可知，本研究区的整体水平处于［0.4，0.7］，大致处于中等至中高等级之间；并且在爪哇岛的东北部有一点状高等级区域出现，这与本研究结果较为相符，即东北部雅加达的风险水平高于周边区域。为更细致地进行局部地区对比，图5-a展示了基于气象站点的2015-09-22的日最高温度插值结果，图5-b展示了基于气象站点计算并统计的历史热浪频次插值，该图显示，东北部雅加达的风险水平明显高于其他地区。上述从总体风险水平态势和局部风险水平分布2个角度证明本研究结果是可信的。
图5 研究区日最高气温（a）和历史高温热浪频次（b）

Fig.5 Daily maximum temperature(a) and historical heat wave frequency(b) in the study area

在空间尺度上，Thinkhazard中的极端热风险等级评估结果最小可查询到市县尺度，Yin等（2020）的研究是基于0.1°×0.1°空间分辨率展开的；本文基于公里级尺度，更加细致地展示了该区域风险分布的空间差异性，从而可以分析不同地区的具体致灾原因，因地制宜地对不同区域提供防灾救灾的科学意见。首先对于雅加达、勿加泗、万隆和芝马墟这种大城市，其人口密度较大，建筑物也较为密集。从短期来看，可以通过改善环境来缓解高温热浪带来的影响，如增加绿化面积和水域面积，在道路两旁植树，多建公园，增加人工湖等。从长期来看，由于人类活动是造成高温热浪事件的主要原因之一，人口增多，将导致更多的人为热排放，因此有必要控制城市人口和减少人为活动造成的热排放。对于以农业发展为主的各县而言，目前仅在各县内部的小区域范围内存在中高等级别的风险，建议各县在未来的发展中，首先优化城镇建设结构，设计为多个中心区域的城镇来缓解高温热浪的威胁。

5 结论与讨论

选取印尼雅万高铁沿线区域为研究区，利用遥感数据和社会经济数据提取高温热浪风险评估指标，通过风险评估模型对雅万高铁沿线区域高温热浪风险进行评估。结果表明：1）整体而言，雅万高铁沿线区域高温热浪风险具有明显的空间差异，北部风险高于南部，西部风险高于东部；受人类活动的影响，雅加达区域的风险最高，其次为勿加泗市、芝马墟市和万隆市。2）该研究区高温热浪风险整体处于中等水平，中等级风险面积占比将近50%，主要分布在以农业生产活动为主的各县内部，每个县都有一半甚至超过一半的区域处于中等级风险水平；主要是由于这些区域人口暴露度较低，并且植被的覆盖在一定程度上起降温的作用。3）低风险水平区域面积占比最少，这些低风险区域主要分布在2个地区：一是在卡拉旺县北部地区，该区域靠近印尼爪哇海，海洋在一定程度上对该区域起降温的作用。二是在万隆县西南部和万隆西县西南部地区，该区域海拔较高且常年有森林覆盖，温度随着海拔的增高而降低，使得该区域的风险水平比较低。
本文基于公里级尺度开展研究，相较于已有研究多以省市或县为最小研究单元，有效地提升了数据的空间精细程度，有利于揭示更细致的高温热浪危险性、脆弱性、区域综合防范能力和风险的空间分异特征。使用空间化的社会经济数据，能够有效克服目前国外详细社会经济统计资料难以获取的困难，可为“一带一路”沿线国家高温热浪风险评估数据获取提供新途径。然而，本文还存在一定的局限性：1）在高温热浪危险性分析中仅考虑了LST的影响，而事实上高温热浪对人体健康的影响是温度、湿度、风速等气象和环境因素共同作用的结果。2）本文选取的危险性指标仅包括强度和范围，而在高温热浪的过程中，热浪发生的频率以及热浪的持续时间也是至关重要的。在未来的研究中，将考虑使用体感温度数据表征高温热浪危险性，并加入频率和持续时间指标。3）就脆弱性而言，仅考虑了人口密度，然而在高温热浪发生时，不同的人群受灾程度也会有所不同。暴露在室外的工作者比室内工作者更易遭受高温热浪侵害；婴幼儿和老人由于其自身的生理能力及对疾病和高温的抵抗、免疫能力相对较低，也更容易受到高温热浪的影响。因此，未来将进一步搜寻不同人群的人口数据进行更细致的脆弱性评估研究。4）高温热浪严重时会导致人死亡，因此，热死亡人口数或热死亡率是高温热浪风险最好的验证指标，然而目前此类数据还难以获取，如何基于全因死亡率数据和各种疾病死亡率数据提取出与热相关的死亡率数据，将是未来研究的重点。

1 http://beta.sedac.ciesin.columbia.edu

2 https://www.ngdc.noaa.gov/eog/dmsp/downloadV4composites.html

References

Publishing order | Descend order by publishing year | Descend order by cited within
包云，王娇娇，杜亚宇，赵方霞. 2019. 雅万高铁自然灾害及异物侵限监测系统解决方案. 铁路计算机应用，28（1）：20-25. [Bao Yun, Wang Jiaojiao, Du Yayu and Zhao Fangxia. 2019. Solution of Natural Disasters and Foreign Intrusion Monitoring System for Jakarta-Bandung High-Speed Railway. Railway Computer Application, 28(1): 20-25. ]

陈倩，丁明军，杨续超，胡可嘉. 2017. 长江三角洲地区高温热浪人群健康风险评价. 地球信息科学学报，（11）：1475-1484. [Chen Qian, Ding Mingjun, Yang Xuchao and Hu Kejia. 2017. Spatially Explicit Assessment of Heat Health Risks Using Multi-Source Data: A Case Study of the Yangtze River Delta Region, China. Journal of Geo-Information Science, (11): 1475-1484. ]

Dwirahmadi F, Rutherford S, Ulrich W and Chu C. 2013. Linking Disaster Risk Reduction and Climate Change Adaptation: A Good Practice Project in Jakarta, Indonesia. Hoboken, New Jersey, USA : John Wiley & Sons, Ltd..

Douglas J, Simpson A, Fraser S, Kuijper M, Winsemius H, Burzel A, Taillefer N, Vermooten S, Jacon F and Giraud P. 2017. ThinkHazard!-Identify Natural Hazards in Your Project Area and Understand how to Reduce Their Impact. Washington, USA: World Bank Group.

冯雷，李旭东. 2016. 高温热浪对人类健康影响的研究进展. 环境与健康杂志，33（2）：182-188. [Feng Lei and Li Xudong. 2016. Research Progress on the Influence of High Temperature Heat Wave on Human Health. Journal of Environment and Health, 33(2): 182-188. ]

郭昱. 2018. 权重确定方法综述. 农村经济与科技，29（8）：252-253. [Guo Yu. 2018. Weight Determination Method: A Review. Rural Economy and Science-Technology, 29(8): 252-253. ]

黄矛，马建华. 2008. 2003年欧洲热浪如何影响生态系统. 科学观察，3（1）：61-62. [Huang Mao and Ma Jianhua. 2008. How the European Heat Wave Affected Ecosystems in 2003. Science Focus, 3(1): 61-62. ]

何苗，徐永明，李宁，白琳. 2017. 基于遥感的北京城市高温热浪风险评估. 生态环境学报，26（4）：635-642. [He Miao, Xu Yongming, Li Ning and Bai Lin. 2017. Assessing Heat Wave Risk in Beijing by Remote Sensing. Ecology and Environmental Sciences, 26(4): 635-642. ]

贺山峰，戴尔阜，葛全胜，吴绍红，李明启. 2010. 中国高温致灾危险性时空格局预估. 自然灾害学报，19（2）：91-97. [He Shanfeng, Dai Erfu, Ge Quansheng, Wu Shaohong and Li Mingqi. 2010. Pre-Estimation of Spatiotemporal Pattern of Extreme Heat Hazard in China. Journal of Natural Disasters, 19(2): 91-97. ]

Inostroza L, Palme M and Barrera F D L. 2016. A Heat Vulnerability Index: Spatial Patterns of Exposure, Sensitivity and Adaptive Capacity for Santiago de Chile. PLoS One, 11(9): e0162464.

IPPC. 2013. Working Group I Contribution to the IPCC Fifth Assessment Report Climate Change 2013: The Physical Science Basis. Cambridge & New York, USA: Cambridge University Press.

Johnson D P, Stanforth A, Lulla V and Luber G. 2012. Developing an Applied Extreme Heat Vulnerability Index Utilizing Socioeconomic and Environmental Data. Applied Geography, 35(1/2): 23-31.

Krvger T, Held F, Hoechstetter S, Goldberg V, Geyer T and Kurbjuhn C. 2013. A New Heat Sensitivity Index for Settlement Areas. Urban Climate, 6: 63-81.

李德仁，余涵若，李熙. 2017. 基于夜光遥感影像的“一带一路”沿线国家城市发展时空格局分析. 武汉大学学报（信息科学版），42（6）：711-720. [Li Deren, Yu Hanruo and Li Xi. 2017. The Spatial-Temporal Pattern Analysis of City Development in Countries along the Belt and Road Initiative Based on Nighttime Light Data. Geomatics and Information Science of Wuhan University (Information Science Edition), 42(6): 711-720. ]

李京. 2017. 高温热浪对济南人群健康的影响及社区干预研究. 济南：山东大学. [Li Jing. 2017. High Temperature and Heatwave Effects on Human Health and Research of Community-Based Intervention in Jinan, China. Jinan: Shandong University. ]

鲁涓涓. 2019. 中国高铁“走出去”实践探析. 南京：南京大学. [Lu Juanjuan. 2019. Practice Analysis of Chinese High-Speed Railway's "Going Out". Nanjing: Nanjing University. ]

栾庆祖，叶彩华，刘勇洪，李书严，高燕虎. 2014. 城市绿地对周边热环境影响遥感研究——以北京为例. 生态环境学报，23（2）：252-261. [Luan Qingzu, Ye Caihua, Liu Yonghong, Li Shuyan and Gao Yanhu. 2014. Effect of Urban Green Land on Thermal Environment of Surroundings Based on Remote Sensing: A Case Study in Beijing, China. Ecology and Environmental Sciences, 23(2): 252-261. ]

黎锁平. 2006. 运用蒙特卡罗方法求解随机性问题. 甘肃工业大学学报，27（6）：595-596. [Li Suoping. 2006. Solution of Stochastic Problems with Monte-Carlo Method. Journal of Gansu University of Technology, 27(6): 595-596. ]

刘勇洪，权维俊. 2014. 北京城市高温遥感指标初探与时空格局分析. 气候与环境研究，19（3）：332-342. [Liu Yonghong and Quan Weijun. 2014. Preliminary Study on High Temperature Remote Sensing Index and Analysis of Spatiotemporal Pattern in Beijing. Climate and Environmental Research, 19(3): 332-342. ]

Nasim W, Amin A, Fahad S, Awais M, Khan N, Mubeen M, Wahid A, Rehman M H and Ihsan M Z. 2018. Future Risk Assessment by Estimating Historical Heat Wave Trends with Projected Heat Accumulation Using SimCLIM Climate Model in Pakistan. Atmospheric Research, 205: 118-133.

Raei E, Nikoo M R, Aghakouchak A, Mazdiyasni O and Sadegh M. 2018. GHWR, A Multi-Method Global Heatwave and Warm-Spell Record and Toolbox. Scientific Data, 206: 1-15.

宋晨阳，张韧. 2016. 基于犹豫层次分析和云模型的我国沿海军港气候变化影响与风险评估. 军事运筹与系统工程，30（2）：75-80. [Song Chenyang and Zhang Ren. 2016. Impact and Risk Assessment of Climate Change in Coastal Military Ports of China Based on Hesitant Hierarchy Process and Cloud Model. Military Operations Research and Systems Engineering, 30(2): 75-80. ]

史军，丁一汇，崔林丽. 2008. 华东地区夏季高温期的气候特征及其变化规律. 地理学报，12（4）：372-375. [Shi Jun, Ding Yihui and Cui Linli. 2008. Climatic Characteristics and Their Changing Law during Summer High-Temperature Times in East China. Acta Geographica Sinica, 12(4): 372-375. ]

谭建国，黄家鑫. 2004. 热浪对人体健康的影响及其研究方法. 气候与环境研究，19（4）：680-686. [Tan Jianguo and Huang Jiaxin. 2004. The Effect of Heat Waves on Human Health and Its Research Methods. Climate and Environmental Research, 19(4): 680-686. ]

王菲菲. 2018. “一带一路”背景下中国高铁外交研究——以中印尼雅万高铁为例. 长春：吉林大学. [Wang Feifei. 2018. Research on High-Speed Railway Diplomacy of China under the Background of the "Belt and Road" Based on Jakarta- Bandung High- Speed Railway between China and Indonesia. Changchun: Jilin University. ]

武夕琳，刘庆生，刘高焕，黄翀，李贺. 2019. 高温热浪风险评估研究综述. 地球信息科学学报，21（7）：1029-1039. [Wu Xilin, Liu Qingsheng, Liu Gaohuan, Huang Chong and Li He. 2019. Risk Assessment of Heat Waves: A Review. Journal of Geo-Information Science, 21(7): 1029-1039. ]

王哲，葛珊珊，张韧，钱龙霞，杨孟倩，徐淦. 2017. 基于粗糙集与犹豫层次分析的北极东北航道风险评估. 海洋通报，36（5）：512-520. [Wang Zhe, Ge Shanshan, Zhang Ren, Qian Longxia, Yang Mengqian and Xu Gan. 2017. Risk Assessment of the Northeast Passage of Arctic Based on Rough Set Theory and Hesitate Analytic Hierarchy Process. Marine Science Bulletin, 36(5): 512-520. ]

徐涵秋，王美雅. 2016. 地表不透水面信息遥感的主要方法分析. 遥感学报，20（5）：1270-1289. [Xu Hanqiu and Wang Meiya. 2016. Remote Sensing-Based Retrieval of Ground Impervious Surfaces. Journal of Remote Sensing, 20(5): 1270-1289. ]

谢盼，王仰麟，彭建，刘焱序. 2015. 基于居民健康的城市高温热浪灾害脆弱性评价——研究进展与框架. 地理科学进展，34（2）：165-174. [Xie Pan, Wang Yanglin, Peng Jian and Liu Yanxu. 2015. Health Related Urban Heat Wave Vulnerability Assessment: Research Progress and Framework. Progress in Geography, 34(2): 165-174. ]

Yin C, Yang F, Wang J and Ye Y X. 2020. Spatiotemporal Distribution and Risk Assessment of Heat Waves Based on Apparent Temperature in the One Belt and One Road Region. Remote Sensing, 12(7): 1174.

朱斌. 2014. 基于偏好关系决策方法及应用研究. 南京：东南大学. [Zhu Bin. 2014. Decision-Making Method Based on Preference Relationship and Its Application. Nanjing: Southeast University. ]

张继权，李宁. 2007. 主要气象灾害风险评价与管理的数量化方法及其应用. 北京：北京师范大学出版社．[Zhang Jiquan and Li Ning. 2007. Quantitative Methods and Application of Risk Assessment and Management of Major Meteorological Disaster. Beijing: Beijing Normal University Press. ]

张尚印，张德宽，徐祥德，廖要明，沈树勤，尹东屏. 2005. 长江中下游夏季高温灾害机理及预测. 南京气象学院学报，28（6）：840-847. [Zhang Shangyin, Zhang Dekuan, Xu Xiangde, Liao Yaoming, Shen Shuqin and Yin Dongping. 2005. Study on the Mechanism and Forecasting Method of High Temperature Disaster in Summer in the Large Cities of the Yangtze River Basin. Journal of Nanjing Institute of Meteorology, 28(6): 840-847. ]

周洋，祝善友，华俊玮，刘祎，向嘉敏，丁文. 2018. 南京市高温热浪时空分布研究. 地球信息科学学报，20（11）：1613-1621. [Zhou Yang, Zhu Shanyou, Hua Junwei, Liu Yi, Xiang Jiamin and Ding Wen. 2018. Spatial-Temporal Distribution of High Temperature Heat Wave in Nanjing. Journal of Geo-Information Science, 20(11): 1613-1621. ]

赵斗. 2018. 雅万高铁技术标准研究. 中国铁路，（12）：7-14. [Zhao Dou. 2018. Study on the Technical Standards of Jakarta-Bandung High Speed Railway. China Railway, (12): 7-14. ]

赵颜创，赵小锋，刘乐乐. 2016. 厦门市高温热浪人群健康风险格局分析. 地球信息科学学报，18（8）：1094-1102. [Zhao Yanchuang, Zhao Xiaofeng and Liu Lele. 2016. Spatial Pattern Analysis on Human Health Risk of Heatwave in Xiamen City. Journal of Geo-Information Science, 18(8): 1094-1102. ]

Options
Outlines

/

〈 〉