EN中文

地理科学进展 >

2021 , Vol. 40 >Issue 8: 1355 - 1370

DOI: https://doi.org/10.18306/dlkxjz.2021.08.009

研究论文

土地利用变化情景下杭州湾北岸极端洪灾风险评估

  • 姜丽 ,
  • 於家 , * ,
  • 温家洪 ,
  • 唐进 ,
  • 齐蔓菲 ,
  • 王璐阳 ,
  • 张敏
展开
  • 上海师范大学环境与地理科学学院,上海 200234
*於家(1982— ),男,上海人,博士,副教授,研究方向为空间优化、应急疏散与避难、土地适宜性评价。E-mail:

姜丽(1995— ),女,江苏南通人,硕士生,研究方向为自然灾害与土地利用变化模拟。E-mail:

收稿日期: 2020-11-03

  要求修回日期: 2021-04-18

  网络出版日期: 2021-10-28

基金资助

国家自然科学基金项目(72074151)

国家自然科学基金项目(51761135024)

上海自然科学基金项目(20ZR1441500)

国家重点研发计划项目(2017YFC1503001)

版权

版权所有，未经授权，不得转载、摘编本刊文章，不得使用本刊的版式设计。
收起

Risk assessment of extreme flood in the north bank of the Hangzhou Bay under land use change scenarios

  • JIANG Li ,
  • YU Jia , * ,
  • WEN Jiahong ,
  • TANG Jin ,
  • QI Manfei ,
  • WANG Luyang ,
  • ZHANG Min
Expand
  • School of Environmental and Geographical Sciences, Shanghai Normal University, Shanghai 200234, China

Received date: 2020-11-03

  Request revised date: 2021-04-18

  Online published: 2021-10-28

Supported by

National Natural Science Foundation of China(72074151)

National Natural Science Foundation of China(51761135024)

Natural Science Foundation of Shanghai(20ZR1441500)

National Key Research and Development Program of China(2017YFC1503001)

Copyright

Copyright reserved © 2021
Fold

摘要

杭州湾位于长三角平原,该区域分布着大量的潮滩与湿地。未来随着海平面不断上升,更易引发自然灾害,尤其是风暴潮灾害,将使该地区社会经济发展面临巨大冲击。论文以多年土地利用与资产数据为基础,基于土地利用和资产的未来变化预测,结合多种未来极端洪灾情景,开展杭州湾北岸承灾体与暴露时空演化模拟,评估了上海市杭州湾北岸洪涝灾害风险。研究结果表明：从空间分布格局上看,现状情景下单位面积损失资产值的高值出现在浦东新区南部,而未来情景下单位面积损失值的高值覆盖整个杭州湾北岸南部沿海区域和金山区北部区域。就整个研究区而言,随着GDP的增长及极端洪灾情景下的暴露和淹没范围的增大,暴露资产和损失资产都在增长,年期望损失从现状情景的0.65亿元增长到未来典型浓度路径(RCP8.5H)情景下的3.04亿元。从风险评估结果来看,杭州湾北岸易遭受特大洪灾,必须实施洪灾风险敏感的城市规划,更新该地区的居民点和基础设施规划标准和规范。同时,应采取综合防范措施,加强杭州湾沿岸防洪能力。论文可为该区域未来城市规划、洪水风险应对措施和城市的韧性建设提供有效参考。研究方法相比传统的仅以当前土地利用及资产价值情景评估未来经济损失的方法更为合理有效,可为其他沿海地区的风险评估提供方法借鉴。

关键词： 土地利用模拟; 风险评估; 未来情景; SLEUTH模型; 杭州湾北岸

本文引用格式

姜丽 , 於家 , 温家洪 , 唐进 , 齐蔓菲 , 王璐阳 , 张敏 . 土地利用变化情景下杭州湾北岸极端洪灾风险评估[J]. 地理科学进展, 2021 , 40(8) : 1355 -1370 . DOI: 10.18306/dlkxjz.2021.08.009

Abstract

The Hangzhou Bay, located in the Yangtze River Delta, is characterized by broad distribution of tidal flats and wetlands. As sea levels continue to rise in the future, natural hazards, especially storm surges, will be more likely to occur, which will have a great impact on the socioeconomic development of the region. Based on multi-year land use and assets data, this study conducted a simulation of the spatiotemporal change of elements at risk and exposures in the north bank of the Hangzhou Bay. The simulation is based on predictions of future variations in land use and assets and multiple extreme flooding scenarios, in order to assess the losses of flood disasters in the region. The results show that: 1) High values of asset losses per unit area under the current scenario appear in the south of Pudong New District. In future scenarios, high values of asset losses per unit area will cover the entire southern coastal area and the northern Jinshan District in the north bank of the Hangzhou Bay. 2) The entire study area will witness a growth in asset exposure and losses under extreme flooding scenarios as the GDP and the exposed and inundated area increase. The expected annual damage will rise from 65 million yuan under the current scenario to 304 million yuan under the representative concentration pathway (RCP) 8.5H scenario in the future. The risk assessment results indicate that the north bank of the Hangzhou Bay is susceptible to extraordinarily large floods. Thus, risk-sensitive urban planning must be implemented. The standards and specifications on residential communities and infrastructures in the region must be updated. Meanwhile, comprehensive preventive measures must be taken to enhance the flood control capabilities along the banks of the Hangzhou Bay. This study can provide a basis for decision making of risk-based urban planning, flood-risk adaption measures, and resilience improvements within the study area. The proposed research method is more reasonable and effective than the traditional methods of assessing future economic losses, which are often based only on current land use and asset values. It can also provide a methodological reference for risk assessments of other coastal regions.

Key words： land use simulation; risk assessment; future scenario; SLEUTH model; north bank of the Hangzhou Bay

受地形因素的影响,地势低洼的沿海低地是自然灾害频发的地区,同时这些地区一般人口密集、经济发达,因而面临着巨大的灾害风险[1,2]。2019年9月飓风“多里安”登陆巴哈马,造成该地区83万人紧急疏散、50人丧生、1300人失踪。由于未来气候变化加剧引发的海平面加速上升[3,4],海岸系统和低洼地区将越来越多地遭受不利影响,如土地淹没、沿海洪灾和海岸侵蚀[5]。与此同时,沿海低地的城市增长和扩张速度要远高于其他地区[6],人口和资产向沿海低地不断迁移和集中,这也加剧了风暴洪水的风险。由于海平面上升、地面沉降,以及人口、经济增长和城市化等因素的驱动,21世纪沿海低地的人口与资产暴露和自然灾害的风险将显著增加[7],特别是风暴洪水巨灾将导致沿海低地严重的安全风险隐患和社会稳定问题[8,9]。所有这些驱动因素都会随时间和空间变化,要合理实现洪灾风险评估就要模拟这些驱动因素的动态演化,并量化分析其对风暴洪水风险的贡献[10]。
对洪灾损失与风险进行评估有助于理解风暴洪水风险格局的演化过程,同时有助于为沿海低地风险决策提供理论依据[11]。Aerts等[12,13]构建了纽约市风暴洪水的超越概率—损失曲线,并在此基础上计算出在不采取相关防洪措施时,未来纽约市的洪灾年均期望损失将达到1.74亿美元;Hallegatte等[14]评估了全球沿海主要城市未来风暴洪水的损失和风险,分析了风险的高低与社会经济发展和适应措施之间的关系,并通过计算识别出其中风险最高、损失增长最快的城市。
近年来,中国学者也开展了许多风暴潮理论和模拟方面的研究。Lin等[15]叠加考虑了气候变化和社会经济发展因素的影响,提出了评估区域尺度海岸洪水动态风险的研究方法框架,并以纽约市为案例,评估了海岸洪水风险;Wang等[16]利用MIKE 21模拟了上海地区未来多个风暴洪水情景,并在此基础上评估了2030、2050和2100年上海市的洪灾风险;Li等[17]以浙江省玉环县为研究区,基于多个台风情景,用MIKE 21水动力模型进行风暴潮洪水模拟,并绘制出洪水淹没范围以及水深图。另外,国内较早就关注到海平面上升和风暴洪水对长三角沿海低地的影响。施雅风等[18]认为海平面上升主要影响区域是长江三角洲与太湖东部区域,其中上海市和杭州湾北岸区域受其影响最为严重;Ke[19]根据不同的土地利用(建筑)类型建立了灾害损失函数,估算了黄浦江风暴潮各种决口情景下,上海部分中心区的潜在损失。
从上述的研究可以看出,近年来沿海低地风暴洪水风险及其驱动因素的研究取得了显著进展。然而,大多数研究只关注现状风暴洪水风险的评估,即风险评估都是结合土地利用的现状格局和当前的资产来进行估算的。还有一部分研究仅开展了基于情景的未来风暴洪水模拟,并未考虑未来的土地利用和资产等关键暴露要素的时空动态变化,这导致评估的未来风险与可能的真实风险之间产生较大的偏差。
考虑到现有研究的不足,本文提出未来风暴洪水风险评估框架,基于历史年份土地利用分布数据来预测未来土地利用分布格局,同时运用资产价值估算方法预测未来资产价值,开展杭州湾北岸承灾体与暴露时空演化模拟。以此为基础,结合多种未来极端洪灾情景评估未来杭州湾北岸的灾害风险,相比传统的仅以当前土地利用情景和资产价值评估未来经济损失的方法更为准确合理。根据研究区分析结果,还提出了杭州湾北岸应对极端洪灾的防范策略,可为长三角地区和中国沿海低地的灾害风险管理提供风险信息、知识和方法借鉴。

1 研究区与数据

1.1 研究区概况

杭州湾北岸位于长三角平原、上海市的南部。上海市地处长江和东海交汇处,地势低平,三面环水,是典型的沿海低地地区。上海属于亚热带季风气候,降雨周期较为集中,是历年来台风、风暴潮等极端洪水的高发区。与此同时,由于上海经济发展迅速,人口和资金集中,因此是洪涝灾害的高风险区。对上海市极端洪灾风险进行评估,可以为其他沿海城市的相关研究提供重要借鉴与参考。
本文的研究区为包含上海市金山区、奉贤区及浦东新区大治河以南区域在内的杭州湾北岸的主体部分(以下简称为“杭州湾北岸”),如图1所示。杭州湾北岸东西全长约70 km,该区域主要布局了化工、集成电路、新能源、工程机械、人工智能、生物医药等产业,是上海未来战略性新兴产业集聚区域,其安全对于上海市土地利用格局及整体社会经济发展至关重要。评估杭州湾北岸洪涝灾害风险可为该地区的未来城市规划、洪水风险应对措施和城市的韧性建设提供决策依据。
图1 杭州湾北岸的地理位置

Fig.1 Geographical location of the north bank of the Hangzhou Bay

1.2 数据来源

本文的基础数据包括2003、2006、2009年和2013年研究区内4期分辨率为1 m的上海市航空遥感影像;DEM数据为30 m分辨率,数据来源于国际科学数据服务平台(http://datamirror.csdb.cn/);2015年上海市GDP公里格网数据,数据来源为地理国情监测云平台(http://www.dsac.cn/);其他基础数据还包括行政区划图和上海市金山区、奉贤区和浦东新区的土地利用规划文件。
2013年和2050年的极端洪灾情景栅格数据通过风暴潮数值模拟获得,以200 a、500 a、1000 a和5000 a一遇的风暴潮极值水位数据叠加上游洪水流量数据的总和,输入构建的大气(藤田台风)—海洋(TELEMAC-TOMAWAC)—陆地(MIKE11-MIKE21)相耦合的一体化数值模拟系统,模拟得到不同重现期情景下极端风暴洪水淹没范围和水深结果。在模拟过程中,采用了极值分布拟合函数,并根据极值水位的时间序列数据,计算得到不同重现期情景中的水位时间序列[20],上游洪水流量相关数据根据热带气旋TC9711情景中的相关参数确定。该数值模拟方法已经过有效性检验[21]。
2050年的极端风暴洪水淹没情景,主要考虑海平面上升的影响[22]。针对海平面上升的风险决策,一般需要同时考虑典型浓度路径(representative concentration pathways,RCPs)中的中间情景和上限情景[23,24],因此,未来的风暴潮淹没模拟分别考虑了RCP4.5、RCP8.5和RCP8.5H三种温室气体排放情景(以下简称为“排放情景”)下海平面上升情景及其对风暴洪水淹没的影响[25]。RCP8.5H情景作为估计海平面上升的上限情景,对未来海平面上升进行多情景估算模拟,得到2050年极端风暴洪水淹没图(图2)。
图2 当前极端风暴洪水情景和2050年3种温室气体排放情景下4种重现期极端风暴洪水淹没图

Fig.2 Submerging maps of extreme storm surge floods of four return periods under the current extreme storm surge flood scenario and three greenhouse-gas emission scenarios in 2050

从当前极端风暴洪水情景和2050年的3种排放情景下4种重现期极端风暴洪水淹没图(图2)可以看出,随着重现期的增大,极端风暴洪水淹没范围和深度也在增加,淹没深度较大的区域主要沿杭州湾北岸的海岸线分布。在未来RCP4.5、RCP8.5和RCP8.5H三种排放情景下,极端风暴洪水淹没范围和深度呈现递增趋势。

2 研究方法

极端洪灾风险评估的计算方法以区域灾害系统理论为基础,一般研究通常是从危险性和脆弱性2个角度进行极端洪灾风险评价。本文中极端洪灾风险评估采用定量评估脆弱性的方法,采用式(1)评估风险[26]：
R = H × V × E
式中：R表示风险的定量化评估结果,一般以重要承灾体的期望损失来表示;H表示评估区域内不同重现期下风暴潮淹没范围及水深空间分布;V表示重要承灾体的脆弱性曲线;E表示重要承灾体空间分布格局及数量。
本文开展的洪灾风险分析属于中等尺度洪灾风险分析范畴。中等尺度洪灾风险分析通常基于土地利用的淹没情景来评估资产损失[27],采用Jongman等[28]提出的方法估算单位土地面积的经济资产价值,基于洪水淹没深度,对每种土地利用类型采用特定的脆弱性曲线计算其最大损失值。最大损失值代表某一风暴洪水事件中,最大淹没深度情景下的资产损失总价值。参考国内外已开展的基于土地利用类型的洪水脆弱性曲线研究[29,30],本文中不同土地利用类型的脆弱性曲线如图3所示[31]。图3中包括农业用地、工矿仓储用地、公共设施用地、交通用地、居住用地和其他用地的脆弱性曲线。其中公共设施用地包括商服用地、公共管理和公共服务建筑及其室内财产;其他用地包括在建用地、特殊用地和未利用地。暂不考虑绿地和水域的损失。
图3 不同土地利用类型的脆弱性曲线

Fig.3 Vulnerability curves of different land use types

2.1 损失评估

损失评估过程中需要进行暴露分析和损失分析。暴露分析主要评估可能暴露于自然灾害影响下的人口和经济等要素。它是损失评估的重要步骤,首先需要确定最小分析单元,其次是确定承灾体类型和数量等[32],以便于后续进行损失分析。损失分析也是整个灾害风险评估过程中的主要环节,可以计算出具体的资产损失值或者人口伤亡数。
本文中暴露分析通过多种重现期的极端风暴洪水情景和资产价值分布图的叠置分析,计算暴露总资产值。在不同的洪水淹没深度下各种土地利用类型具有不同的脆弱性,分别对应着不同的损失率。损失分析中依据图3中的脆弱性曲线来评估资产损失值。

2.2 风险评估

洪灾风险评估采用国际上最常用的评估方法,以年期望损失(expected annual damage, EAD)量化表达风险[33],具体计算方法如下：
(1) 对不同风暴洪水事件造成的损失进行估算,用于构建年超越概率—损失(EPL)曲线,从而估计不同重现期洪涝灾害造成的损失值。
某个重现期(a)的风暴洪水事件在研究区域内造成的资产损失 d a ( x ) ,可利用脆弱性曲线对应的深度—损失率函数 vul ( x ) 与暴露资产值 e a ( x ) 乘积后在研究区域内水深0~x的积分来估算[34]：
d a ( x ) = ∫ 0 x vul ( x ) e a ( x ) d x
(2) 计算年期望损失(EAD)。综合不同重现期洪涝灾害造成的损失值,构建年超越概率—损失(EPL)曲线。该曲线下的积分面积即为年期望损失(EAD),代表了人口和资产的风暴洪水风险R,可采用式(3)估算：
R = ∫ 0 x max d x f ( x ) d x
式中：d(x)是极端洪灾的资产损失, f ( x ) 是风暴洪水的概率密度函数, x max 是风暴洪水的最大淹没深度。年期望损失可用于政策制定者评估目前的风险水平,从而为投资洪水管理措施提供依据。

2.3 土地利用变化模拟

土地利用变化是全球环境变化的主要原因之一[35],因此在评估未来风险时,必须考虑土地利用变化这个因素。国内外许多学者进行了土地利用变化和相关预测模型的研究,包括系统动力学模型[36]、马尔科夫模型[37]、CLUE-S模型[38]和元胞自动机(cellular automata,CA)模型[39]等。其中由于CA模型具有开放、自适应的特性以及模拟复杂地理过程的能力,该模型在土地利用变化模拟领域被广泛应用[40]。
SLEUTH模型是Dietzel等[41]基于CA模型和C++语言编程开发的土地利用变化模拟模型。该模型融合了城市增长模型(urban growth model,UGM)与土地覆盖Deltatron模型(deltatron land cover model,DLCM),用于城市增长边界及土地利用变化的模拟预测[42,43]。该模型能够根据城市历史真实的空间增长趋势,预测不同未来情景下城市各类土地利用的空间分布。
在模型进行未来土地利用预测模拟前先要进行测试和校正,校正过程是模型模拟的主体部分,分为粗校正(coarse calibrate)、精校正(fine calibrate)和终校正(final calibrate),主要是将历史训练数据与模拟结果进行拟合,在模型参数取值范围内通过多次蒙塔卡罗迭代反复计算不同的参数组合,并不断缩小参数取值范围,最后计算出城市土地利用变化的最佳组合参数值,用于未来土地利用格局的预测模拟[44]。
模型的校正精度可以用模型中的Lee-Sallee形状指数进行评价。Lee-Sallee形状指数反映了模拟结果与实际土地利用数据之间空间分布的相似性,用式(4)表示：
S = ( A ⋂ B ) / ( A ⋃ B )
式中：S为Lee-Sallee形状指数,A为模拟的土地利用面积,B为实际的土地利用面积。在3个校正过程中,通过不断增加的蒙特卡洛迭代次数以及不断缩小的参数取值范围,最终确定最优控制参数组合。相关文献表明,分辨率、区域面积大小、历史数据时间间隔等因素均会对Lee-Sallee形状指数产生影响[45,46],其取值一般在0.3~0.7之间[47,48],值越大代表形态拟合结果越理想。

2.4 资产价值的空间分布分析

国际上常利用国内生产总值(Gross Domestic Product, GDP)开展洪水风险评估[49]。GDP反映了资产的绝对积累[50],资产价值和人均GDP直接相关[51],人口密度和GDP数据的组合可以作为资产总价值的指标[52]。Nicholls等[53]将总资产价值除以人口和人均GDP,得到资产价值与GDP之间的转换系数,并认为固定资产投资占GDP的25%,假设这些固定资产具有40 a使用年限,计算出固定资产折旧后的净资产总价值是最新年份GDP的4~5倍。而利用公里格网的GDP数据转换成资产价值来进行风险评估,可以避免行政区划分割造成的数据分配错误,从而缩小评估的误差[54]。
本文首先计算上海市资产价值和GDP之间的转换系数关系,计算过程如下：
(1) 利用上海市1978—2017年GDP指数[55],计算GDP的平减指数,从而得出上海市1978—2017年的实际GDP(又称不变价GDP);
(2) 根据上海市的固定资产投资占比,计算上海市1978—2017年的固定资产投资值;
(3) 假设上海市固定资产具有40 a使用年限[53],计算折旧后的资产总价值。
则扣除固定资产等折旧后的资产总价值为：
V = ∑ i = 1 I v i
式中： V 是计算过折旧后的资产总价值, v i 表示第 i 年折旧后的资产价值。本文中起始年份为1978年,上限年份为2017年,共统计40 a的资产总价值,因此I值为40。
(4) 计算折旧后的资产总价值( V )与第 i 年的GDP( GD P i )之间的转换系数M,计算公式为：
M = V GD P i
由式(6)可以计算出折旧后的资产总价值约是 GD P I 的3倍,由此可以得出折旧后的资产总价值与GDP之间的对应关系：
V = GD P I × 3
利用这个对应关系,结合上海市GDP公里格网数据得到上海市资产价值在空间上的分布,并进行空间叠置分析,提取获得本文研究区的资产价值空间分布。
(5) 2050年的资产价值估算
2050年资产价值数据的获取方面,以2015年上海市GDP公里格网数据为基础,依据姜彤等[56]提出的方法,基于中国历次人口和经济普查及历年统计年鉴,率定柯布道格拉斯(Cobb-Douglas)经济预测模型的参数,结合共享社会经济路径(SSPs)框架情景中的SSPs2(中度发展)路径,预测出研究区GDP增速特点：2015—2030年GDP年均增速为4.8%,2030—2050年GDP年均增速将维持在2%,按照此增速计算得到2050年的GDP。通过空间叠置分析,得到2050年研究区GDP公里格网数据,并结合资产价值与GDP之间的对应转换系数关系(式(7)),估算2050年资产价值空间分布。图4为研究区的GDP总量变化预测图。
图4 杭州湾北岸GDP总量变化预测

Fig.4 Predicted change of total GDP on the north bank of the Hangzhou Bay

3 结果分析

3.1 土地利用变化模拟分析

对4期高分辨率遥感影像数据进行人工解译处理,使用ArcGIS处理获得SLEUTH模型所需的道路数据、城市范围数据、土地利用数据和排除层数据。对DEM数据进行处理得到坡度数据及山体阴影层数据。土地利用类型分为6种,包括农业用地、工矿仓储用地、公共设施用地、交通用地、居住用地和其他用地。校正阶段的主要参数设置以及最终校正结果如表1所示。
表1 SLEUTH模型主要参数设置和最终校正结果

Tab.1 Main parameter setting and calibration results of the SLEUTH model

控制参数 粗校正 精校正 终校正 最优控制系数
蒙特卡洛迭代次数=5 蒙特卡洛迭代次数=8 蒙特卡洛迭代次数=10
范围 步长 范围 步长 范围 步长
扩散系数 0~100 20 0~20 4 0~5 1 1
繁衍系数 0~100 20 1~20 4 1~17 4 4
蔓延系数 0~100 20 0~20 4 0~5 1 1
坡度阻碍系数 1 1 1 1 1 1 1
道路引力系数 0~100 20 1~80 8 1~20 6 19
Lee-Sallee形状指数 0.48 0.48 0.48
本文中校正阶段的Lee-Sallee形状指数值均达0.48,形态拟合结果较为理想。在此基础上,以2003年为初始年份,代入增长系数组合,重新运行模型的测试模块,对研究区2003年之后年份的土地利用格局进行模拟,得到各个年份的土地利用分布模拟结果。土地利用分布模拟的精度通过Kappa系数来评估[57]。以2006年的土地利用模拟分布图为例,将其与2006年土地利用实际分布图进行对比(图5),计算得到Kappa系数为0.816。根据Kappa系数分类评价标准[58],该模拟结果的Kappa系数一致性程度为“最佳”等级,模拟效果较好。
图5 2006年土地利用模拟分布和实际分布对比

Fig.5 Comparison of simulated and actual land use distributions of 2006

利用面积比指数[44]对模拟的各类土地利用面积进行精度检验(表2),计算结果表明,各类型用地在面积上的模拟精度较高。
表2 2006年土地利用模拟结果精度

Tab.2 Accuracy of land use simulation results of 2006

土地利用
类型		 2006年
实际面积/km2 模拟面积/km2 精度/%
农业用地 1089.51 1121.81 97.12
工矿仓储用地 90.26 110.06 82.01
公共设施用地 58.23 47.22 81.09
交通用地 46.72 26.39 56.48
居住用地 178.42 166.27 93.19
其他用地 98.38 90.50 91.99
为了检验2050年土地利用分布模拟图的合理性,本文将模拟图与上海市发布的土地利用规划文件进行对比分析。由于整个奉贤区包含在本文的研究区内,因此这里以奉贤区为例,将其与《上海市奉贤区总体规划暨土地利用总体规划(2017—2035)》中的2035年土地利用分类图开展对比分析。
从图6b和图6c看,在2050年奉贤区的土地利用模拟图中工业用地主要分布在南桥镇西北部、海湾镇西部、青村镇和奉城镇中心区域以及四团镇的东南部,公共设施用地主要分布在南桥镇和海湾镇,居住用地主要分布在南桥镇、青村镇和奉城镇,这些主要土地利用分布格局和2035年土地利用规划图中的土地利用格局基本保持一致。
图6 2050年土地利用模拟与2035年土地利用规划对比

Fig.6 Land use distribution of 2050 and land use planning map of 2035

利用面积比指数对模拟的土地利用面积进行叠合度检验(表3),检验结果表明,各类型用地在数量上的模拟叠合度较高,因此认为模拟结果比较合理。
表3 2050年上海市奉贤区各类土地利用模拟面积与2035年规划面积叠合度对比

Tab.3 Comparison between overlaps of simulated land use area in 2050 and planning area in 2035 in Fengxian District, Shanghai

土地利用
类型		 2050年模拟
面积/km2		 2035年规划
面积/km2		 叠合度/%
农业用地 438.6276 476.6760 92.02
工矿仓储用地 105.2388 75.1356 71.40
公共设施用地 45.4860 31.6044 69.48
交通用地 22.1328 55.8324 39.64
居住用地 38.7576 44.6148 86.87
其他用地 49.6224 16.0452 32.33

3.2 现状情景资产价值损失评估

为了开展对比分析,以2013年土地利用分布格局作为现状情景,叠加200 a、500 a、1000 a和5000 a四个重现期的现状风暴潮淹没情景数据,以2015年的GDP格网数据转化得到的资产作为承灾体,计算现状情景下杭州湾北岸的暴露资产价值和损失资产价值。
3.2.1 暴露分析
从现状情景下单位面积暴露资产图(图7)可以看出,随着风暴潮淹没情景重现期不断增加,各类土地利用暴露面积也在增大,单位面积暴露资产价值较高的区域出现在浦东新区南部。
图7 现状情景下单位面积暴露资产

Fig.7 Exposed assets per unit area under the current scenario

根据现状情景不同重现期下土地利用暴露资产表(表4),5000 a重现期的风暴潮淹没情景下的暴露资产值最高,达到3846亿元,是200 a重现期的5.3倍。其中居住用地暴露资产值的增长最多,该用地类型在5000 a重现期的风暴潮淹没情景下的暴露资产值是200 a重现期的6.4倍。
表4 现状情景下不同重现期下土地利用暴露资产

Tab.4 Exposed assets of different land use types for different return periods under the current scenario

土地利用
类型		 不同重现期下土地利用暴露资产/亿元
200 a 500 a 1000 a 5000 a
居住用地 81 133 204 517
工业用地 144 232 387 672
交通用地 42 68 115 245
公共设施用地 79 112 156 372
农业用地 306 471 682 1751
其他用地 73 100 133 289
合计 725 1116 1677 3846
3.2.2 嘻损失分析
从现状情景下单位面积损失资产图(图8)可以发现,随着风暴潮淹没情景重现期不断增加,损失面积也在增加,但是单位面积的损失高值区域仍集中分布在沿海岸线的小部分区域。
图8 现状情景下单位面积损失资产

Fig.8 Asset losses per unit area under the current scenario

根据现状情景不同重现期下土地利用资产损失表(表5),资产损失值最高为437.9亿元,5000 a重现期的风暴潮淹没情景下的损失值是200 a重现期的7.66倍。被淹没区域内的大部分土地利用类型为农业用地,因此,农业用地的损失增长较快,该用地类型在5000 a重现期的风暴潮淹没情景下的损失值是200 a重现期的8.6倍。
表5 现状情景不同重现期下土地利用资产损失

Tab.5 Asset losses of different land use types for different return periods under the current scenario

土地利用
类型
 不同重现期下土地利用资产损失/亿元
200 a 500 a 1000 a 5000 a
居住用地 4.7 9.0 14.3 38.4
工业用地 5.6 9.7 15.9 36.2
交通用地 0.6 1.1 1.9 4.9
公共设施用地 6.0 8.7 11.6 24.8
农业用地 37.5 76.8 121.5 321.1
其他用地 2.9 4.6 6.1 12.4
合计 57.2 109.9 171.3 437.9

3.3 未来情景资产价值损失评估

以预测的2050年土地利用分布格局和估算出的2050年资产价值分布作为承灾体,叠加200 a、500 a、1000 a和5000 a四个重现期的RCP4.5、RCP8.5和RCP8.5H三种未来风暴潮淹没情景数据,可以计算出2050年杭州湾北岸的暴露资产价值和损失资产价值,然后对结果进行分析。
3.3.1 暴露分析
以RCP8.5H情景下的单位面积暴露资产空间分布图(图9)为例,可以看出,随着风暴潮淹没情景重现期不断增加,暴露区域面积也在增大,大多由点状分布变为块状分布。各种用地类型的暴露资产与面积也在显著增大,其中浦东新区南部和金山区南部沿海地区的单位面积暴露资产值较高且分布密集。从单个风暴潮淹没情景的重现期图来看,暴露资产从多到少依次是浦东新区大治河以南区域、金山区和奉贤区。在5000 a重现期的风暴潮淹没情景下,几乎整个浦东新区大治河以南区域完全暴露,且暴露资产值较其他地区高出许多。
图9 RCP8.5H情景下单位面积暴露资产

Fig.9 Exposed assets per unit area under the RCP8.5H scenario

根据未来多个风暴潮淹没情景不同重现期下土地利用暴露资产表(表6),可以看出,在未来3个排放情景下,各土地利用类型暴露资产值逐渐增加,200 a重现期的风暴潮淹没情景下的暴露资产值大概在3000亿元左右,5000 a重现期的风暴潮淹没情景下的暴露资产值高达14000亿元。以RCP4.5、RCP8.5和RCP8.5H三种情景来看,5000 a重现期的风暴潮淹没情景下的暴露资产值分别是200 a重现期的4.8、4.7和4.5倍。其中居住用地暴露资产的增长最多,在未来3个排放情景下,5000 a重现期的风暴潮淹没情景下的暴露资产值均达到200 a重现期的5倍以上。
表6 未来多个风暴潮淹没情景不同重现期下土地利用暴露资产

Tab.6 Exposed assets of different land use types under various storm surge flood scenarios of different return periods in the future

土地利用
类型		 未来不同重现期下土地利用暴露资产/亿元
RCP4.5 RCP8.5 RCP8.5H
200 a 500 a 1000 a 5000 a 200 a 500 a 1000 a 5000 a 200 a 500 a 1000 a 5000 a
居住用地 294 528 849 1700 310 555 907 1739 347 603 1001 1782
工业用地 615 1083 1660 2321 654 1141 1704 2377 691 1274 1787 2417
交通用地 160 275 447 769 167 293 471 786 179 329 504 798
公共设施用地 272 388 615 1207 283 408 646 1237 302 456 698 1260
农业用地 1188 1889 3005 6434 1258 1987 3206 6673 1354 2208 3514 6925
其他用地 246 343 488 950 255 354 511 980 266 379 549 1013
合计 2774 4506 7065 13381 2926 4738 7445 13792 3139 5249 8053 14196
3.3.2 嘻损失分析
以RCP8.5H情景下的单位面积资产损失空间分布图(图10)为例可以发现,随着风暴潮淹没情景重现期不断增加,淹没深度逐渐增加,资产损失的区域也在不断扩张,同时损失值也显著增大。单位面积的损失高值区域在200 a重现期的风暴潮淹没情景下零散分布在海岸线边缘地区,而在5000 a重现期的风暴潮淹没情景下则几乎覆盖了整个海岸线区域,并且金山区北部和浦东区南部也是损失的高值区域。
图10 RCP8.5H情景下单位面积资产损失

Fig.10 Asset losses per unit area under the RCP8.5H scenario

根据未来多个风暴潮淹没情景不同重现期下土地利用资产损失表(表7),在RCP4.5、RCP8.5和RCP8.5H风暴潮淹没情景下,资产损失逐渐增大,且对比现状情景下的资产损失增长显著,在RCP4.5、RCP8.5和RCP8.5H风暴潮淹没情景下资产损失在5000 a重现期时将近2000亿元。在未来3个排放情景下,5000 a重现期的风暴潮淹没情景下的资产损失值均达到200 a重现期的7倍左右。在RCP4.5风暴潮淹没情景下,农业用地和居住用地的损失增长较快,5000 a重现期的风暴潮淹没情景下的损失值均是200 a重现期的7.9倍;在RCP8.5风暴潮淹没情景下,交通用地的损失增长较快,5000 a重现期的风暴潮淹没情景下的损失值是200 a重现期的9.5倍;在RCP8.5H风暴潮淹没情景下,农业用地的损失增长较快,5000 a重现期的风暴潮淹没情景下的损失值是200 a重现期的7.3倍。
表7 未来多个风暴潮淹没情景不同重现期下土地利用资产损失

Tab.7 Asset losses of different land use types under various storm surge flood scenarios of different return periods in the future

土地利用
类型		 不同重现期下土地利用资产损失/亿元
RCP4.5 RCP8.5 RCP8.5H
200 a 500 a 1000 a 5000 a 200 a 500 a 1000 a 5000 a 200 a 500 a 1000 a 5000 a
居住用地 18 36 58 142 19 37 61 150 22 41 67 160
工业用地 25 44 71 144 26 47 75 151 29 53 81 159
交通用地 2 4 7 18 2 5 8 19 3 5 9 20
公共设施用地 21 30 42 88 21 31 43 92 23 33 46 97
农业用地 160 316 518 1262 173 334 552 1334 195 373 606 1427
其他用地 10 15 20 41 10 15 21 43 11 16 23 46
合计 236 445 716 1695 251 469 760 1789 283 521 832 1909

3.4 年期望损失计算

不同重现期的超越概率—损失曲线可以表示区域的整体风险状况。以风暴潮淹没损失值为横坐标,以对应的超越概率为纵坐标建立二维坐标图,将不同重现期下的损失值以点的形式绘制在图上。通过曲线拟合这些点的分布趋势,就可以绘制出年超越概率—损失曲线。以现状情景年期望损失计算为例,综合多个重现期的灾害损失值,200 a重现期(P=0.005)资产损失为57.2亿元,500 a重现期(P=0.002)资产损失为109.9亿元,1000 a重现期(P=0.001)资产损失为171.3亿元,5000 a重现期(P=0.0002)资产损失为437.9亿元。根据这4个点构建曲线,拟合采用幂函数,拟合方程为 y = 3.309 x - 1.588 , R 2 = 0.9974 ,拟合精度很理想,因此采用这条曲线作为年超越概率—损失曲线(图11)。该曲线下方与横坐标包含的面积即为年平均期望损失(EAD)。
图11 现状情景下杭州湾北岸年超越概率—损失曲线

Fig.11 The annual exceedance probability-loss curve of the north bank of the Hangzhou Bay under the current scenario

通过对年超越概率—损失曲线进行积分获得年期望损失,计算公式如下：
EAD = ∫ F x d x
式中：F(x)是年超越概率—损失曲线所对应的函数(拟合方程)。根据公式计算得到现状情景下年期望损失EAD为0.65亿元。以同样的计算方法分别计算得到RCP4.5情景下EAD为2.62亿元,RCP8.5情景下EAD为2.78亿元,RCP8.5H情景下EAD为3.04亿元。

4 讨论、结论与展望

4.1 讨论

根据上文中杭州湾北岸地区现状和多个未来极端洪灾情景下的资产价值损失评估结果,开展进一步的空间分析与对比分析后发现:
(1) 从空间分布格局上看,现状情景和未来情景下暴露资产和损失资产空间分布特征对比结果如表8所示。可以看出,未来情景淹没范围更大,考虑了未来资产和土地利用分布格局情况下得到的暴露资产值和资产损失值都更高。
表8 现状情景和未来情景下暴露资产与损失资产空间分布特征

Tab.8 Spatial distribution characteristics of exposed assets and asset losses under the current and future scenarios

资产 现状情景 未来情景
暴露资产范围 小 大
单位面积暴露资产值高值 浦东新区南部小范围区域 浦东新区大治河以南区域
资产损失的范围 小 大
单位面积资产损失高值 沿海岸线的小部分区域,呈零散分布,
主要是浦东新区沿海		 沿海区域,呈带状分布,
包括金山区北部和整个浦东区南部
(2) 从资产价值损失评估来看,现状情景和未来3个情景下对比结果如表9所示。可以看出,考虑到未来GDP增长影响下的资产价值增长,暴露资产值和资产损失值均有显著增加,因此,运用传统方法(即基于现状土地利用格局和当前资产价值的极端洪灾风险分析方法)获得的洪灾风险被明显低估。而运用本文方法时,由于综合考虑了未来土地利用格局,以及未来的资产价值分布,计算得到的风险值更为合理,能为未来城市规划提供更为可靠的决策参考依据。
表9 现状情景和未来3个情景下资产损失评估

Tab.9 Asset losses under the current scenario and three future scenarios (亿元)

资产损失 现状情景 RCP4.5情景 RCP8.5情景 RCP8.5H情景
5000 a重现期下暴露资产 3846 13381 13792 14196
5000 a重现期下损失资产 437.9 1695.0 1789.0 1909.0
年期望损失 0.65 2.62 2.78 3.04
根据经济损失评估结果看,杭州湾北岸易遭受特大洪灾,必须实施风险敏感的城市规划。规划措施主要包括以下2个方面：
(1) 在工程性措施方面,建议政府部门及相关单位投资建设工程,进一步加高杭州湾北岸的防汛墙,使之达到抵御5000 a一遇极端洪水风险的高度标准,同时加强海绵城市的建设,疏通城市排水管网。
(2) 在非工程性措施方面,建议政府部门及相关单位在城市规划中纳入洪涝灾害风险管理。从预测的未来土地利用格局可以看出,单位面积损失值较高区域主要在杭州湾北岸沿海岸线以及浦东新区南部,这些区域主要用地类型为工业用地和居住用地,因此在未来土地利用规划中可以将这些工业用地和居住用地转移到暴露风险较低的区域,通过优化区域内未来的土地利用格局,降低杭州湾北岸的洪灾风险。

4.2 结论与展望

本文以杭州湾北岸为研究区,基于多年土地利用数据和资产数据,设定未来目标年份为2050年,利用SLEUTH模型模拟了未来的土地利用分布格局。基于土地利用和资产的未来变化预测,结合多种未来极端洪灾情景,分别开展了现状情景和未来情景下的资产暴露和损失评估。杭州湾北岸在未来易遭受特大洪灾,未来情景下杭州湾北岸的暴露资产价值和资产损失值相比现状情景均显著增长,增长区域主要集中在浦东新区南部和金山区北部。从计算结果可以看出,在极端洪灾情景下未来直接资产损失将达到几百甚至上千亿元,年期望损失最高达到3.04亿元。
本文的创新点包括以下2个方面：① 本文基于历史年份土地利用分布数据预测未来土地利用分布格局,并以此为基础,结合多种未来极端洪灾情景评估未来杭州湾北岸的经济损失,相比传统的仅以当前土地利用情景评估未来经济损失的方法更为合理有效;② 未来资产价值的估算运用了GDP转换资产价值的估算方法,依据共享社会经济路径(SSPs)框架情景,预测出的资产价值比传统方法更加合理,同时据此评估得到的未来杭州湾北岸的经济损失也更准确合理。
本文的研究结果可以为杭州湾北岸的城市规划决策提供参考,为类似沿海低地的气候变化适应与洪涝灾害风险评估研究提供方法借鉴和决策参考。但本文研究仍然存在以下不足：① 对于未来的土地利用格局预测,本文仅根据历史土地利用变化趋势来预测未来土地利用分布,未考虑由于不同政策因素影响而可能形成的多种未来土地利用分布情景;② 对于未来承灾体资产价值的分布格局,本文仅考虑在当前资产价值的基础上进行比率性增长,对其空间分布的演化无法做到准确预测。后续研究将考虑上述2项内容,使研究结果更为合理与准确。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Diaz D B. Estimating global damages from sea level rise with the Coastal Impact and Adaptation Model (CIAM)[J]. Climatic Change, 2016,137(1/2):143-156.

[2]
Wahl T, Haigh I D, Nicholls R J, et al. Understanding extreme sea levels for broad-scale coastal impact and adaptation analysis[J]. Nature Communications, 2017,8:16075. doi: 10.1038/ncomms16075.

[3]
Chen X Y, Zhang X B, Church J A, et al. The increasing rate of global mean sea-level rise during 1993-2014[J]. Nature Climate Change, 2017,7(7):492-495.

[4]
Nerem R S, Beckley B D, Fasullo J T, et al. Climate-change-driven accelerated sea-level rise detected in the altimeter era[J]. PNAS, 2018,115(9):2022-2025.

[5]
Wong P P, Losada I J, Gattuso J P, et al. Coastal systems and low-lying areas [M]. Cambridge, UK: Cambridge University Press, 2014: 361-409.

[6]
Seto K C, Fragkias M, Güneralp B, et al. A meta-analysis of global urban land expansion[J]. PLoS One, 2011,6(8):e23777. doi: 10.1371/journal.pone.0023777.

[7]
方佳毅, 史培军. 全球气候变化背景下海岸洪水灾害风险评估研究进展与展望[J]. 地理科学进展, 2019,38(5):625-636.

[ Fang Jiayi, Shi Peijun. A review of coastal flood risk research under global climate change. Progress in Geography, 2019,38(5):625-636. ]

[8]
Cazenave A, Dieng H B, Meyssignac B, et al. The rate of sea-level rise[J]. Nature Climate Change, 2014,4(5):358-361.

[9]
Rahmstorf S. Rising hazard of storm-surge flooding[J]. PNAS, 2017,114(45):11806-11808.

[10]
Pesaresi M, Ehrlich D, Kemper T, et al. Atlas of the human planet 2017: Global exposure to natural hazards [R/OL]. EUR 28556 EN. Brussels, Belgium: European Commission, 2017. doi: 10.2760/19837.

[11]
Brown S, Nicholls R J, Lowe J A, et al. Spatial variations of sea-level rise and impacts: An application of DIVA[J]. Climatic Change, 2016,134:403-416.

[12]
Aerts J C J H, Emanuel K, et al. Evaluating flood resilience strategies for coastal megacities[J]. Science, 2014,344:473-475.

[13]
Aerts J C J H, Lin N, Botzen W, et al. Low-probability flood risk modeling for New York City[J]. Risk Analysis, 2013,33(5):772-788.

[14]
Hallegatte S, Green C, Nicholls R J, et al. Future flood losses in major coastal cities[J]. Nature Climate Change, 2013,3(9):802-806.

[15]
Lin N, Shullman E. Dealing with hurricane surge flooding in a changing environment: Part I. Risk assessment considering storm climatology change, sea level rise, and coastal development[J]. Stochastic Environmental Research and Risk Assessment, 2017,31:2379-2400.

[16]
Wang J, Gao W, Xu S Y, et al. Evaluation of the combined risk of sea level rise, land subsidence, and storm surges on the coastal areas of Shanghai, China[J]. Climatic Change, 2012,115(3/4):537-558.

[17]
Li M Y, Wu W, Wang J, et al. Simulating and mapping the risk of surge floods in multiple typhoon scenarios: A case study of Yuhuan County, Zhejiang Province, China[J]. Stochastic Environmental Research and Risk Assessment, 2017,31(3):645-659.

[18]
施雅风, 朱季文, 谢志仁, 等. 长江三角洲及毗连地区海平面上升影响预测与防治对策[J]. 中国科学(地球科学), 2000,30(3):225-232.

[ Shi Yafeng, Zhu Jiwen, Xie Zhiren, et al. Sea level rise influence forecast and prevention and cure countermeasure in the Yangtze River Delta and near region. Scientia Sinica Terrae, 2000,30(3):225-232. ]

[19]
Ke Q. Flood risk analysis for metropolitan areas: A case study for Shanghai [D]. Delft, Netherlands: Delft University of Technology, 2014.

[20]
Ke Q, Jonkman S N, van Gelder P H A J M, et al. Frequency analysis of storm-surge-induced flooding for the Huangpu River in Shanghai, China[J]. Journal of Marine Science and Engineering, 2018,6(2):70. doi: 10.3390/jmse6020070.

[21]
王璐阳, 张敏, 温家洪, 等. 上海复合极端风暴洪水淹没模拟[J]. 水科学进展, 2019,30(4):546-555.

[ Wang Luyang, Zhang Min, Wen Jiahong, et al. Simulation of extreme compound coastal flooding in Shanghai. Advances in Water Science, 2019,30(4):546-555. ]

[22]
单薪蒙. 上海住宅建筑和室内财产的极端风暴洪水风险与适应措施研究[D]. 上海: 上海师范大学, 2020.

[ Shan Xinmeng. Scenario-based extreme storm flood risk and adaptation measures of residential buildings and household properties in Shanghai. ShanghaiChina: Shanghai Normal University, 2020. ]

[23]
Sweet W V, Kopp R E, Weaver C P, et al. Global and regional sea level rise scenarios for the United States [R]. NOAA Technical Report NOS CO-OPS 083. Silver Spring, USA: National Oceanic and Atmospheric Administration, 2017.

[24]
Hinkel J, Jaeger C, Nicholls R J, et al. Sea-level rise scenarios and coastal risk management[J]. Nature Climate Change, 2015,5(3):188-190.

[25]
Shan X M, Wen J H, Zhang M, et al. Scenario-based extreme flood risk of residential buildings and household properties in Shanghai[J]. Sustainability, 2019,11(11):3202. doi: 10.3390/su11113202.

[26]
刘钦政, 石先武, 国志兴, 等. 风暴潮灾害风险评估和区划技术导则 [M]. 北京: 海洋出版社, 2015.

[ Liu Qinzheng, Shi Xianwu, Guo Zhixing, et al. Guideline for risk assessment and zoning of storm surge disaster. Beijing, China: China Ocean Press, 2015. ]

[27]
de Moel H, Aerts J C J H, Koomen E. Development of flood exposure in the Netherlands during the 20th and 21st century[J]. Global Environmental Change, 2011,21(2):620-627.

[28]
Jongman B, Ward P J, Aerts J C J H. Global exposure to river and coastal flooding: Long term trends and changes[J]. Global Environmental Change, 2012,22:823-835.

[29]
殷杰, 尹占娥, 于大鹏, 等. 风暴洪水主要承灾体脆弱性分析: 黄浦江案例[J]. 地理科学, 2012,32(9):1155-1160.

[ Yin Jie, Yin Zhan'e, Yu Dapeng, et al. Vulnerability analysis for storm induced flood: A case study of Huangpu River Basin. Scientia Geographica Sinica, 2012,32(9):1155-1160. ]

[30]
Budiyono Y, Aerts J, Brinkman J J, et al. Flood risk assessment for delta mega-cities: A case study of Jakarta[J]. Natural Hazards, 2015,75(1):389-413.

[31]
殷杰. 中国沿海台风风暴潮灾害风险评估研究[D]. 上海: 华东师范大学, 2011.

[ Yin Jie. Study on risk assessment of typhoon storm surge disaster in coastal China. ShanghaiChina: East China Normal University, 2011. ]

[32]
李伟峰, 陈求稳, 毛劲乔. 北京奥运村洪水淹没风险模型研究[J]. 科学通报, 2009,54(3):321-328.

[ Li Wei-feng, Chen Qiuwen, Mao Jinqiao. Study on flood inundation risk model of Beijing Olympic Village. Chinese Science Bulletin, 2009,54(3):321-328. ]

[33]
Muis S, Güneralp B, Jongman B, et al. Flood risk and adaptation strategies under climate change and urban expansion: A probabilistic analysis using global data[J]. Science of the Total Environment, 2015,538:445-457.

[34]
Hinkel J, Lincke D, Vafeidis A T, et al. Coastal flood damage and adaptation costs under 21st century sea-level rise[J]. PNAS, 2014,111(9):3292-3297.

[35]
蔡玉梅, 刘彦随, 宇振荣, 等. 土地利用变化空间模拟的进展: CLUE-S模型及其应用[J]. 地理科学进展, 2004,23(4):63-71, 115.

[ Cai Yumei, Liu Yansui, Yu Zhenrong, et al. Progress in spatial simulation of land use change: CLUE-S model and its application. Progress in Geography, 2004,23(4):63-71, 115. ]

[36]
黄庆旭, 史培军, 何春阳, 等. 中国北方未来干旱化情景下的土地利用变化模拟[J]. 地理学报, 2006,61(12):1299-1310.

[ Huang Qingxu, Shi Peijun, He Chunyang, et al. Modelling land use change dynamics under different aridification scenarios in northern China. Acta Geographica Sinica, 2006,61(12):1299-1310. ]

[37]
韩会然, 杨成凤, 宋金平. 北京市土地利用空间格局演化模拟及预测[J]. 地理科学进展, 2015,34(8):976-986.

[ Han Huiran, Yang Chengfeng, Song Jinping. Simulation and projection of land-use change in Beijing under different scenarios. Progress in Geography, 2015,34(8):976-986. ]

[38]
吴健生, 冯喆, 高阳, 等. CLUE-S模型应用进展与改进研究[J]. 地理科学进展, 2012,31(1):3-10.

[ Wu Jian-sheng, Feng Zhe, Gao Yang, et al. Recent progresses on the application and improvement of the CLUE-S Model. Progress in Geography, 2012,31(1):3-10. ]

[39]
戴尔阜, 马良. 土地变化模型方法综述[J]. 地理科学进展, 2018,37(1):152-162.

[ Dai Erfu, Ma Liang. Review on land change modeling approaches. Progress in Geography, 2018,37(1):152-162. ]

[40]
涂小松, 濮励杰, 吴骏, 等. 基于SLEUTH模型的无锡市区土地利用变化情景模拟[J]. 长江流域资源与环境, 2008,17(6):860-865.

[ Tu Xiaosong, Pu Lijie, Wu Jun, et al. Using SLUETH model to simulate land use change scenarios in Wuxi District. Resources and Environment in the Yangtze Basin, 2008,17(6):860-865. ]

[41]
Dietzel C, Clarke K C. Toward optimal calibration of the SLEUTH land use change model[J]. Transactions in GIS, 2007,11(1):29-45.

[42]
李志英, 刘涵妮, 田金欢, 等. 基于SLEUTH模型的滇池流域城市扩展模拟分析[J]. 长江流域资源与环境, 2014,23(10):1360-1366.

[ Li Zhiying, Liu Hanni, Tian Jinhuan, et al. Simulation studies of urban growth in the Dianchi lake basin based on SLEUTH model. Resources and Environment in the Yangtze Basin, 2014,23(10):1360-1366. ]

[43]
王丽妍. 生态空间质量约束下的城镇用地增长情景模拟: 以改进的SLEUTH模型为例[D]. 南京: 南京大学, 2016.

[ Wang Liyan. Scenario simulation for urban land use growth under the constraint of ecological space quality: A case study of modified SLEUTH model. NanjingChina: Nanjing University, 2016. ]

[44]
詹云军, 朱捷缘, 严岩. 基于元胞自动机的城市空间动态模拟[J]. 生态学报, 2017,37(14):4864-4872.

[ Zhan Yunjun, Zhu Jieyuan, Yan Yan. Dynamic simulation of urban space based on the cellular automata model. Acta Ecologica Sinica, 2017,37(14):4864-4872. ]

[45]
徐杰, 罗震东, 尹海伟, 等. 基于SLEUTH模型的昆山市城市扩展模拟研究[J]. 地理与地理信息科学, 2016,32(5):59-64.

[ Xu Jie, Luo Zhendong, Yin Haiwei, et al. Simulation of urban expansion of Kunshan City based on SLEUTH model. Geography and Geo-information Science, 2016,32(5):59-64. ]

[46]
朱飞鸽, 胡瀚文, 沈兴华, 等. 基于SLEUTH模型的上海城市增长预测[J]. 生态学杂志, 2011,30(9):2107-2114.

[ Zhu Feige, Hu Hanwen, Shen Xinghua, et al. SLEUTH model-based prediction of urban growth of Shanghai. Chinese Journal of Ecology, 2011,30(9):2107-2114. ]

[47]
Clarke K C, Gaydos L J. Loose-coupling a cellular automaton model and GIS: Long-term urban growth prediction for San Francisco and Washington/Baltimore[J]. International Journal of Geographical Information Science, 1998,12(7):699-714.

[48]
Akın A, Clarke K C, Berberoglu S. The impact of historical exclusion on the calibration of the SLEUTH urban growth model[J]. International Journal of Applied Earth Observation and Geoinformation, 2014,27:156-168.

[49]
Ward P J, Jongman B, Kummu M, et al. Strong influence of El Niño Southern Oscillation on flood risk around the world[J]. PNAS, 2014,111(44):15659-15664.

[50]
Bouwer L M, Bubeck P, Aerts J C J H. Changes in future flood risk due to climate and development in a Dutch polder area[J]. Global Environmental Change, 2010,20(3):463-471.

[51]
Green C H. Coastal cities: Assets at risk and depth-damage curves [R]. London, UK: Middlesex University, 2010.

[52]
Peduzzi P, Dao H, Herold C, et al. Assessing global exposure and vulnerability towards natural hazards: The disaster risk index[J]. Natural Hazards and Earth System Sciences, 2009,9(4):1149-1159.

[53]
Nicholls R J, Hanson S, Herweijer C, et al. Ranking port cities with high exposure and vulnerability to climate extremes: Exposure estimates [M]. Paris, France: OECD Publishing, 2008.

[54]
李成帅, 杨建思, 田宝峰, 等. 四川芦山7.0级地震直接经济损失快速评估[J]. 自然灾害学报, 2013,22(3):9-17.

[ Li Chengshuai, Yang Jiansi, Tian Baofeng, et al. Rapid assessment of direct economic loss caused by Ms 7.0 Lushan, Sichuan earthquake. Journal of Natural Disasters, 2013,22(3):9-17. ]

[55]
国家统计局. 上海统计年鉴 [M]. 北京: 中国统计出版社, 2018.

[ National Bureau of Statistics of China. Shanghai Statistics Yearbook. Beijing, China: China Statistics Press, 2018. ]

[56]
姜彤, 赵晶, 曹丽格, 等. 共享社会经济路径下中国及分省经济变化预测[J]. 气候变化研究进展, 2018,14(1):50-58.

[ Jiang Tong, Zhao Jing, Cao Lige, et al. Projection of national and provincial economy under the shared socioeconomic pathways in China. Climate Change Research, 2018,14(1):50-58. ]

[57]
田义超, 任志远. 基于CLUE-S模型的黄土台塬区土地利用变化模拟: 以陕西省咸阳台塬区为例[J]. 地理科学进展, 2012,31(9):1224-1234.

[ Tian Yichao, Ren Zhiyuan. Land use change simulations in loess hilly areas based on CLUE-S Model: A case study in Xianyang loess tablel and areas of Shaanxi Province. Progress in Geography, 2012,31(9):1224-1234. ]

[58]
Feinstein A R, Cicchetti D V. High agreement but low Kappa: I. The problems of two paradoxes[J]. Journal of Clinical Epidemiology, 1990,43(6):543-549.

Options
文章导航

/

〈 〉