近年来，气候较为复杂多变，极端天气日益增多，各地气象灾害发生较频繁，灾害造成的损失和影响呈上升趋势。杨昭明等[1]研究指出，减轻气象灾害造成的影响和损失是亟待解决的问题之一。受地理位置和水汽输送等因素影响，青海对流性天气发生概率较高，而暴雨洪涝及其引发的次生灾害是该地汛期主要的影响较为严重的一种气象灾害[2]。伏洋等[3]研究认为，该地地形复杂、山大沟深且植被覆盖率较低，受植被及下垫面土壤特征的影响，强降水可能会汇集成山洪，严重时会发生泥石流及滑坡等地质灾害，进而造成房屋倒塌、农田淹没，公路和水利设施冲毁等。因此，对于气象灾害的影响研究尤为重要。周成虎等[4]和张婷等[5]研究认为，洪涝灾害是由多种原因共同造成的，其中，降雨在致灾因子中是较为常见且较具威胁性的因子之一，持续的暴雨是洪涝灾害的主导因素之一。关于暴雨灾害的研究，主要集中在致灾指标、风险评估模型和区划方法等方面，Li等[6]以暴雨灾害发生频率作为致灾指标进行风险评价研究，该方法能描述单一灾害的发生，暂不能高效评估灾害发生的危险程度。于飞等[7]和陈晓红等[8]研究认为，灾情大小由致灾因子、孕灾环境和承灾体脆弱性共同决定；张安凝知等[9]研究认为，脆弱性是联系致灾因子和承灾体的重要桥梁，也是研究暴雨洪涝灾损估算和风险评估的重要基础之一。喻婷婷等[10]研究认为，灾情指标的趋势变化与日益增强的防灾减灾能力密切相关，构建脆弱性曲线可为洪涝灾害灾情评估与防灾规划的制定提供参考。
本文依据研究区暴雨灾害实况资料及相关经济统计数据，对致灾暴雨对农业生产方面的脆弱性进行分析。可为暴雨洪涝灾害防御及建立暴雨洪涝对农业生产的风险影响评估模型提供一定参考。
1 材料与方法
1.1 研究区基本情况
青海省位于青藏高原东北部，地势西高东低，境内地形复杂，山大沟深，夏季多出现历时短、强度大的局地性降水[11]。暴雨洪涝是近年来研究区各类气象灾害中发生频率较高、影响较严重的灾害之一，特别是对于农业生产方面造成的影响较为明显，尤其是2022年汛期多地降水超历史同期，暴雨洪涝灾害频发，仅农业生产方面的暴雨洪涝灾情有近40例，超过2021年全年暴雨洪涝灾情总和，造成的农业经济损失较高。
1.2 数据来源与处理
研究数据来源于青海省2018—2022年气象资料、暴雨洪涝灾情资料及逐年经济数据。气象资料包括青海省台站逐小时降水量及降水时间、日数等，来源于青海省气象台；暴雨洪涝灾情数据包括受灾地区、起止时间、农作物受灾面积和农作物经济损失等，来源于中国气象局气象灾害管理系统；经济数据包括青海省逐年农业总产值等，来源于青海省统计局。
通过SPSS 27.0.1.0软件对研究数据进行相关性分析、统计学检验和回归拟合分析等，构建最优脆弱性曲线模型。
1.3 研究方法
1.3.1 农业暴雨灾害时空分布特征
基于2018—2022年青海省气象观测数据及暴雨洪涝灾情数据，筛选农作物暴雨致灾个例，共86例。由于研究区南部的农作物种植面积少，农业灾情少且地形及气候条件差异较大，容易对结果产生影响，因此选择青海东部及海西州东部地区作为研究范围，对农作物暴雨致灾个例的时间和空间分布特征进行分析。
1.3.2 农作物损失数据校正
不同年份的经济水平以及农作物种植数量存在差异，利用校正系数筛选个例农业灾情损失并逐一进行校正。采用逐年农业生产总值对所选个例的农作物暴雨灾害损失进行物价水平校正，以2021年经济水平为准，对2018—2021年农作物暴雨灾情数据进行年代校正，得到校正后的农业经济损失（L）及校正系数。其计算如式（1） 。校正后利用2022年灾情资料进行检验。
1.3.3 主要降水致灾因子选择
将灾情个例过程期间最大降水量、日最大降水量、1 h最大降水量、3 h最大降水量、6 h最大降水量、12 h最大降水量和持续日数等致灾因子与农作物暴雨灾害单位面积经济损失进行相关性分析，通过描述各个变量间的相关程度，确定主要降水致灾因子。
1.3.4 脆弱性曲线构建
2 结果与分析
2.1 农业暴雨灾害时空分布特征
2.1.1 时间分布特征
2.1.2 空间分布特征
从空间分布来看，受地形、地貌影响，农作物受暴雨灾害的影响区域比较集中，主要分布在青海东部及海西州东部地区，省内各市州中海南州和海东市农作物受暴雨灾害影响较为严重，各县（区）内兴海县和湟中区在2018—2022年农作物受暴雨灾害的频次最高，均出现10例灾情；贵南县次之，为9例。
2.2 农作物损失数据校正
为增强数据可比较性，统一采用校正后的农业经济损失数据进行分析。2018—2021年逐年的校正系数分别为0.83、0.89、0.92和1.00，农业经济损失乘以每年的校正系数，即为2018—2021年农作物在同一脆弱性水平下的校正后农业经济损失，分别为10 193.740、10 843.938、3 884.355和817.760万元（表1）。校正后的农业经济损失略低于灾情资料数据。
表 1 2018—2021年农业经济损失数据 |
| 年份 | 农业经济损失/万元 | 农业总产值/万元 | 校正系数 | 校正后农业经济损失/万元 |
|---|---|---|---|---|
| 2018 | 12 281.615 | 1 692 359.000 | 0.83 | 10 193.740 |
| 2019 | 12 184.200 | 1 812 512.000 | 0.89 | 10 843.938 |
| 2020 | 4 222.125 | 1 885 991.000 | 0.92 | 3 884.355 |
| 2021 | 817.760 | 2 047 302.000 | 1.00 | 817.760 |
2.3 主要降水致灾因子选择
在承灾体均为农作物、抗灾能力均保持不变的情况下，农作物暴雨灾害单位面积经济损失与3 h最大降水量、6 h最大降水量、12 h最大降水量、日最大降水量和过程最大降水量均呈正相关（表2），其相关系数依次为0.329、0.521、0.700、0.656和0.336，其中6 h、12 h和日最大降水量通过P=0.01统计学检验。由于6 h、12 h和日最大降水量与农作物暴雨灾害单位面积经济损失的相关性较强，因此，选择其作为造成农作物暴雨灾害单位面积经济损失的3个主要降水致灾因子。
表 2 农作物暴雨灾害单位面积经济损失与不同降水致灾因子的相关系数 |
| 统计量 | 降水致灾因子 | ||||||
|---|---|---|---|---|---|---|---|
| 1 h最大 降水量 | 3 h最大 降水量 | 6 h最大 降水量 | 12 h最大 降水量 | 日最大 降水量 | 过程最大 降水量 | 降水持续 日数 | |
| 相关系数 | 0.175 | 0.329* | 0.521** | 0.700** | 0.656** | 0.336* | -0.147 |
| P值 | 0.230 | 0.021 | <0.001 | <0.001 | <0.001 | 0.018 | 0.313 |
|
2.4 脆弱性曲线构建
2.4.1 单一变量的承灾体脆弱性曲线
从6 h最大降水量、12 h最大降水量和日最大降水量与农作物暴雨灾害单位面积经济损失间的散点分布（图2）可以看出，经济损失与单个降水量间的关系呈现明显的非线性关系。将以上3种主要降水致灾因子与农作物暴雨灾害单位面积经济损失进行多种拟合，选择拟合效果最好的指数函数，构建两者间的脆弱性曲线。可以看出，农作物暴雨灾害单位面积经济损失与6 h、12 h和日最大降水量间脆弱性曲线的R 2分别为0.306、0.414和0.378，且3个曲线模型均通过统计学差异性检验（P<0.05）。为判断拟合效果的合理性，对3个脆弱性曲线模型拟合程度进行评估，基于拟合误差和残差平方和的比例计算，得出农作物暴雨灾害单位面积经济损失与6 h、12 h和日最大降水量间拟合曲线的F值分别为20.736、33.239和28.534。对比可知，农作物暴雨灾害单位面积经济损失与12 h最大降水量间曲线模型的R 2更接近1，F值最大，为最优拟合脆弱性曲线。脆弱性曲线表明，在抗灾能力保持一致时，农业损失与6 h、12 h和日最大降水量间均呈正相关，即随着降水量的增加，农作物暴雨灾害单位面积经济损失呈逐渐增大的趋势。
利用2022年的暴雨灾情资料对构建的脆弱性曲线方程进行检验。将2022年暴雨灾情降水观测数据代入脆弱性曲线方程，对比实际经济损失和预估经济损失，结果表明，60%以上个例的6 h、12 h和日最大降水量预估损失误差率分别在2.6%～113.7%、0.4%～70.2%和4.5%～77.2%，其中，12 h最大降水量与农作物暴雨灾害单位面积经济损失间的脆弱性曲线方程检验效果最好，但误差较大。
2.4.2 多要素的承灾体脆弱性曲线构建
寻找单一的降水致灾因子与灾害损失间的关系不够全面且误差较大，因此，需建立多个降水致灾因子与农作物暴雨灾害单位面积损失间的脆弱性曲线。利用多元回归线性模型，根据不同的降水致灾因子变量组合，通过多次拟合试验，最终筛选出12 h最大降水量、过程最大降水量和降水持续日数的变量组合，并与农作物暴雨灾害单位面积经济损失进行拟合，构建多要素的承灾体脆弱性曲线。由表3可知，各降水致灾因子的VIF<5，因此，各变量之间不存在多重共线性；由模型的F检验可知，其通过统计学检验（P<0.05），表明致灾因子与农作物暴雨灾害单位面积损失存在线性相关关系，模型中过程最大降水量的t检验P>0.05，说明其对农作物暴雨灾害单位面积损失未产生明显影响，因此在模型中剔除。12 h最大降水量和降水持续日数的t检验P<0.05，在模型中具有明显线性关系。依据表3数据，得出多元线性回归模型，如式（2） 。
农作物暴雨灾害单位面积经济损失=0.020×12 h最大降水量-0.146×降水持续日数+0.585
表3 农作物暴雨灾害单位面积经济损失与降水致灾因子模型回归系数 |
| 降水致灾因子 | 未标准化系数 | 标准错误 | 标准化系数 | P值 | 方差膨胀因子VIF |
|---|---|---|---|---|---|
| 常量 | 0.585 | 0.255 | 0.026 | ||
| 12 h最大降水量 | 0.020 | 0.430 | 0.430 | 0.037 | 3.052 |
| 过程最大降水量 | 0.004 | 0.004 | 0.214 | 0.344 | 3.833 |
| 降水持续日数 | -0.146 | 0.063 | -0.366 | 0.025 | 1.883 |
3 结论与讨论
致灾因子与灾情损失的关系判断是灾害风险评估的重要一环。本文利用2018—2022年气象资料、暴雨洪涝灾情资料及逐年经济数据，采用相关分析、曲线拟合等方法，对农业暴雨灾害分布特征、主要致灾因子选取以及致灾因子与农作物暴雨灾害单位面积经济损失间的关系进行研究，得出主要结论如下。
（1）2018—2022年青海省农业暴雨灾害共86例，影响范围主要集中在东部及海西州东部地区，其中兴海县和湟中区出现频次最高，贵南县次之。（2）2022年研究区农业暴雨灾害出现次数最多，2020年最少；灾情主要集中在7—8月，8月出现最多；56％的个例持续1 d，27％的个例持续2 d，持续2 d以上个例占比较低；80%以上的个例暴雨灾害出现时间均在午后至前半夜。（3）6 h、12 h和日最大降水量是造成2018—2021年研究区农作物暴雨灾害单位面积经济损失的主要致灾因子，其中12 h最大降水量与农作物暴雨灾害单位面积经济损失的相关性最强。（4）12 h最大降水量与农作物暴雨灾害单位面积经济损失的曲线拟合效果在3种主要致灾因子中表现最好。脆弱性曲线表明，在抗灾能力保持一致时，农作物单位面积经济损失与主要致灾因子间均呈明显正相关。（5）由于单一变量的脆弱性曲线误差较大，因此通过致灾因子分组拟合构建多要素的农作物暴雨灾害脆弱性曲线：农作物暴雨灾害单位面积经济损失=0.020×12 h最大降水量-0.146×降水持续日数+0.585。脆弱性曲线可为未来暴雨洪涝对农业生产的致灾性预估提供一定参考。
本研究的不足之处在于拟合模型的变量因子考虑较少，基础样本数据不充足，未来将进一步补充灾情数据，考虑更多的致灾因子，建立可信度更高的预估模型。