河北省苹果大风灾害风险评估*

孙玉龙，景 华**，孙 擎，李 婷，魏铁鑫，高珊珊，余焰文

河北省苹果大风灾害风险评估*

孙玉龙1，景 华1**，孙 擎2，李 婷1，魏铁鑫1，高珊珊3，余焰文4

(1.河北省气象灾害防御和环境气象中心，石家庄 050021；2.中国气象科学研究院，北京 100081；3.河北省气象技术装备中心，石家庄 050021；4.江西省抚州市气象局，抚州 344199)

基于长时间序列的河北省142个国家级气象台站大风观测数据、历史苹果大风灾情统计资料、苹果生育期等数据，选择最优机器学习模型延长极大风速时间序列，利用对应站点的极大风速和灾情统计数据确定苹果两个主要生育期内不同等级大风灾害气象指标阈值，分析了苹果大风灾害时空分布特征，对苹果大风灾害的危险性、脆弱性、暴露度和防灾减灾能力等指标进行综合风险评估。结果表明：随机森林模型模拟精度较高，可以较好地延长极大风速时间序列；苹果花期−幼果期的大风灾害阈值为极大风速≥9.1m·s−1，果实膨大-成熟期为极大风速≥7.9m·s−1，并进一步划分了不同等级大风灾害等级，验证结果与历史记录有较高的一致性；苹果大风灾害每年发生次数呈先降后升的趋势，河北省西北部和沧州市东部大风灾害发生频次较高；苹果大风灾害较高和高风险区域较为分散，约占全省面积的20%，主要分布在张家口市东部、承德市东南部、衡水市中部和石家庄市东部等地。

苹果；大风灾害；机器学习；风险评估

中国是全球最大的苹果生产和消费国，联合国粮农组织（FAO）发布的数据显示，2018年中国苹果的种植面积和产量分别占世界的45.55%和42.24%。河北是重要的水果生产供应基地之一，2018年河北省苹果产地总面积与产量均排名全国第7位[1]。河北省受京津的辐射带动性较强，对高质量苹果的消费需求也日益增加。大风灾害是河北省主要气象灾害之一[2]，对农业生产包括果实栽培和设施大棚等均会造成严重损失[3−4]，因此，确定河北地区苹果大风灾害指标，开展大风灾害风险研究对保障河北地区乡村振兴成果，带动经济持续发展具有重要意义。

关于苹果气象灾害及其风险的研究主要集中在干旱等级指标和危险性评价[5]、花期冻害风险评估[6]、综合干旱、冰雹、冻害等多种气象灾害的综合风险评估[7]、晚霜冻风险评估[8]等，在大风灾害方面仅有鲁天平等[4]对新疆林果产业的大风和沙尘两种灾害进行了综合风险评估和区划。

关于大风灾害风险评估的研究一般集中在大风过程的本身或综合灾损的风险评估。李兰等[9]通过分析大风灾害频率、影响度、致灾因子和承灾体易损度等指标研究了湖北省大风灾害风险度。夏祎萌等[10]研究了新疆的大风灾害和危险度，认为新疆大部分地区属于中度危险地区。孙霞等[11]等通过研究大风分布特征、致灾指数和风灾承灾指数等，计算了河北省大风灾度和危险度。部分学者还对台风进行了风险评估[12−14]。而结合大风灾害和承灾体的研究多集中在温室大棚，李婷等[2−3，15−16]基于大风灾损资料、试验等确定了各类温室大棚和日光温室的大风灾害指标并进行了风险评估。张倩[17]分析了大风日数对库尔勒香梨生产的影响。李树岩等[18]对比分析了大风倒伏对不同品种和播期玉米生长和产量的影响。关于苹果大风灾害指标及其风险的研究相对缺乏，同时不同研究区域、承灾体得出的大风灾害指标及其适用性也会存在较大差异。

因此，为了有效提升河北省苹果大风灾害防御的预警预报服务能力，本研究以河北省142个国家气象台站大风观测数据和苹果长时间序列历史大风灾情资料为基础，使用机器学习方法延长极大风速资料的时间序列，确定不同等级苹果大风灾害指标阈值并进行了验证，在此基础上对苹果大风灾害的危险性、脆弱性、暴露度和防灾减灾能力进行综合风险评估，以期为开展苹果产业布局、种植结构调整和防灾减灾工作提供理论依据和科技支撑。

1 资料与方法

1.1 数据来源

数据包括河北省142个国家气象台站资料、大风灾情资料、国内生产总值（GDP）、人口数量、区县面积、苹果历史产量、种植面积以及生育期观测资料。其中，国家气象台站观测（图1）的气象要素包括平均风速、最大风速、极大风速等，最大风速的时间段为1970−2020年，大部分站点极大风速的观测起始年份在2004−2011年，数据来源于河北省气象局；大风灾情资料包括1983−2020年历史大风灾害记录，通过走访调查气象、农业、民政等相关部门收集得到全省大风灾情信息2000余条，包括大风灾害发生区县、开始和结束时间、天气过程、灾害损失情况、灾害影响程度等。142个气象站点及对应区县的面积、人口数量和GDP、苹果种植面积及产量数据来源于河北省统计年鉴和河北省农村统计年鉴。由于每个县仅有一个国家气象台站，因此，将该站所在区县的灾情、GDP、人口数量等数据对应为该站风险评估中所用的数据。

图1 河北省气象站点分布

苹果生育期观测资料来源于河北省气象局20个农业试验站1984−2020年的观测资料。根据历年苹果生育期观测和大风灾害发生时间段，将苹果主要受大风灾害影响的生育期划分两个时段，即花期−幼果期和果实膨大−成熟期，在逐年物候期观测资料的基础上，确定河北省苹果的花期−幼果期平均时间为4月1日−5月31日，果实膨大−成熟期平均时间为6月1日−10月31日。

1.2 研究方法

1.2.1 建立延长极大风速时间序列最优模型

由于最大风速的定义为一天内任取10min的平均风速最大值作为一天中的最大风速，极大风速定义为瞬时风速的最大值[19]，因此，大风成灾的主要指标选取极大风速更符合实际受灾情况。河北省各气象台站极大风速开始观测的年份不完全一致，且大部分站点观测的起始年份在2004−2011年，数据量相对较少。因此，延长极大风速的时间序列数据对历史大风灾情评估和验证非常必要，也方便后期进行进一步计算和处理。

选取四种常用的机器学习模型分别模拟极大风速时间序列[20−25]，即多元线性回归（LR）、随机森林（RF）、决策树（DT）和K近邻（KNN），对比四种方法后选取最优模型作为延长极大风速时间序列的模型。输入数据为河北省142个气象站点的日最大风速，使用随机采样方法，75%的数据用来训练，25%的数据用来预测验证。模型模拟结果的评价指标使用相关系数（R）和均方根误差（RMSE）。

1.2.2 确定苹果大风灾害指标阈值及验证

从河北省大风历史灾情记录中挑选出与苹果相关的大风灾害相关信息共计 421 条，根据苹果主要受灾生育期划分为两部分，其中花期−幼果期37条，果实膨大−成熟期359条。通过率也即累积频率，是指小于等于或大于等于某要素值出现的概率。结合苹果大风灾情的实际情况和对应区县气象台站观测的当日极大风速日值数据，以80%的通过率[26−28]确定苹果大风灾害的极大风速阈值指标，然后根据样本的50%、80%、90%百分位数划分轻度、中度、重度和特重等级苹果大风灾害。

在构建指标前，预留出2018−2020年25个灾害统计样本用于苹果大风灾害等级指标的验证，其中3个为花期−幼果期的样本，22个为果实膨大−成熟期的样本。根据验证样本中记录的时间、区县、对应气象站点的极大风速、直接经济损失等，依据构建的苹果大风灾害等级指标计算得到苹果大风灾害等级，对比验证其与苹果历史灾情记录的一致性。将验证结果分为三类：符合、基本符合和不符合，其中基本符合为指标计算结果与历史记录等级相差一级[29]。对应苹果大风灾害的四个等级，根据直接经济损失的统计数据将灾损程度划分为四类，即轻度（损失≤200万元）、中度（损失≤1000万元）、重度（损失>1000万元）和特重等级（损失>2000万元）。

1.2.3 计算苹果大风灾害危险性指数

根据河北省苹果大风灾害指标，苹果全生育期大风危险性指数由两部分构成，即

式中，W'表示苹果全生育期大风危险性指数，W1、W2分别表示花期−幼果期及果实膨大−成熟期的危险性指数，f1、f2分别表示两个生育期的权重系数，由每个生育期灾情记录的条数占总灾情记录条数的比重确定，分别为0.095和0.905。

每个生育期的苹果大风灾害危险性指数评估模型为

其中，W表示某一站点大风灾害危险性风险指数，i表示某一站点不同等级大风灾害，轻度、中度、重度和特重大风灾害分别为1、2、3和4，pi表示某一站点第i种等级大风灾害发生次数的归一化数值，wi表示i种等级大风灾害权重系数。通过层次分析法[30−32]确定轻度、中度、重度和特重大风灾害权重系数分别为0.08、0.11、0.27和0.54。为了保证结果的科学性和可靠性，需要对层次分析法得到的权重系数进行一致性检验，最大特征根λmax=4.21，随机一致性比率CR=0.08＜0.1，说明权重系数结果可信。

1.2.4 计算苹果大风灾害脆弱性指数

苹果大风灾害脆弱性是指苹果面对大风的危险性时可能遭受的伤害或损失程度。苹果大风灾害脆弱性指数V以河北省区县的苹果相对单产水平表示，即

式中，Y0、Y分别表示全省苹果平均单产和区县苹果单产。

1.2.5 计算苹果大风灾害暴露度指数

暴露度指数以单位种植面积表示，即

式中，S'和S分别表示区县行政面积和苹果种植面积。

1.2.6 计算苹果大风灾害防灾减灾能力指数

防灾减灾能力体现在每个地区抵御灾害的能力，主要包括物资、人力的投入、防灾水平和灾后的管理和调控等，使用河北省各区县人均GDP（元）作为苹果大风灾害的防灾减灾能力指数，即

1.2.7 计算苹果大风灾害综合风险指数

河北省苹果大风灾害综合风险受致灾因子危险性、承灾体脆弱性、暴露度以及防灾减灾能力等因子[33−37]的影响，为了消除不同指数量级之间的差异，首先将4个指数归一化处理，然后构建苹果大风灾害风险指数模型为，即

式中，RI表示苹果大风灾害风险指数，W、V、E、H分别表示苹果大风灾害危险性、脆弱性、暴露度和防灾减灾能力指数。

1.3 数据处理

基于GIS技术，利用反距离权重插值法、栅格运算、百分位数、自然间断点分级等方法，开展河北省苹果大风灾害致灾因子危险性、承灾体脆弱性、暴露度、防灾减灾能力和综合风险评估，将风险区域划分为低风险、中风险、较高风险和高风险区域4个等级。

2 结果与分析

2.1 苹果关键生育期大风灾害等级划分

2.1.1 极大风速时间序列延长

图2为使用4种算法模型验证极大风速延长模型有效性的散点图。从图可以看出，所有模型的R均在0.9以上，其中RF和DT两种模型模拟结果检验样本总体分布在1:1线两侧，R最高，均大于0.93，RMSE最低，为1.15m·s−1；而LR模型模拟效果较差，RMSE最高，达到3.33m·s−1；KNN的R最低，为0.9025，RMSE高于RF和DT，低于LR，为1.48m·s−1。综合来看，随机森林RF模型的模拟效果最好，可以用来延长河北省历史极大风速的时间序列。

图2 不同方法延长极大风速时间序列模拟结果

注：LR为多元线性回归算法，RF为随机森林算法，DT为决策树算法，KNN为K近邻算法。

Note: LR is Multi-linear regression method, RF is Random Forest method, DT is Decision tree method and KNN is K-Nearest Neighbor method.

2.1.2 大风灾害时间序列阈值和灾害等级

根据历史苹果不同生育期的大风灾情和相对应时间的气象台站极大风速时间序列，将极大风速序列从小到大依次排序（图3）。极大风速优先使用观测数据，如无观测数据将使用随机森林RF模型的模拟极大风速数据。从图3可以看出，极大风速样本序列呈三次方程上升趋势，样本序列在极大风速为10m·s−1以前上升速率较慢，之后呈快速上升的趋势。以80%的通过率确定苹果大风灾害极大风速阈值指标，花期−幼果期为9.1m·s−1（样本量n=37），果实膨大−成熟期为7.9m·s−1（样本量n=359）。根据历史苹果大风灾害样本的50%、80%、90%百分位数划分轻度、中度、重度和特重等级苹果大风灾害，结果见表1。

2.1.3 苹果大风灾害等级指标验证

使用预留的25个独立样本对苹果大风灾害等级指标进行验证，将验证结果分为符合、基本符合和不符合三类，验证结果如表2所示。由表可见，符合的样本有12个，基本符合为9个样本，不符合为4个样本。符合样本占所有样本的48%，符合和基本符合的样本占所有样本的84%，不符合占所有样本的16%。考虑到历史灾情等级判定存在一定的主观性，大风一般还伴随强降水、冰雹、洪涝等灾害，因此，可以认为指标对历史灾情判识具有较好的有效性，表明所得指标能较好地反映苹果大风灾害的真实情况。

图3 苹果花期−幼果期(a)和果实膨大−成熟期(b)极大风速样本序列

表1 苹果主要发育期大风灾害等级划分标准(V为极大风速，m·s−1)

2.2 苹果关键生育期大风灾害发生频次

2.2.1 时间变化

根据苹果不同生育期大风灾害阈值，统计河北省苹果花期−幼果期和果实膨大−成熟期大风灾害平均每站每年发生次数。由图4可见，苹果花期−幼果期和果实膨大−成熟期大风灾害的发生频次均呈先降低后增加的趋势，转折点在2010年左右。花期−幼果期平均每站大风灾害发生次数最多为1973年的48.3次，最少为1998年的24.7次，平均为34.4次。果实膨大−成熟期大风灾害发生次数最多为1972年的79.9次，最少为2010年的23.1次，平均为42.9次。

河北省4−10月苹果大风灾害的月发生频次结果见图5。由图可见，1970−2020年4−10月河北省苹果大风灾害平均每站每月发生10.2次，苹果生育期内不同等级大风灾害发生频次的时间分布规律基本一致，每月均以轻度和中度灾害为主，平均每年分别出现为5.5次和4.3次，重度和特重大风灾害发生0.3和0.1次。苹果生育期内，大风灾害以春季4−5月发生最多，4月大风灾害发生频次最高，平均每站16.9次，4−5月苹果花期−幼果期大风灾害平均每站发生16.0次；夏季8月大风灾害发生频次降到最低，平均每站发生5.3次；秋季10月又逐步增加，6−10月苹果果实膨大−成熟期所有等级大风灾害发生频次平均每站发生7.9次。

表2 利用河北省2018−2020年各县苹果直接经济损失验证大风灾害分级指标

注：F为开花期，FS为幼果期，FD为果实膨大期，M为成熟期；Sl为轻度，Mo为中度，Se为重度，ESe为特重；Ma为符合，BMa为基本符合，NMa为不符合。

Note: F is flowering stage, FS is fruit set stage, FD is fruit development stage, Sl is slight, Mo is moderate, Se is severe, ESe is extra-severe, M is maturity stage, Ma is match, Bma is basically match, NMa is no match.

图4 1970−2020年河北省苹果花期−幼果期(a)和果实膨大−成熟期(b)大风灾害平均发生次数年际变化

图5 1970−2020年河北省苹果生育期内大风灾害平均发生次数的月份分布

2.2.2 空间变化

河北省苹果开花−幼果期不同等级的大风灾害发生频次如图6所示。由图可见，河北省苹果开花−幼果期平均每站轻度、中度、重度和特重大风灾害的年发生次数分别为23.9、8.1、0.9和0.6次。轻度大风灾害在张家口东部和南部、秦皇岛和唐山市大部分地区、沧州市东部发生次数较多，气象台站最高年平均发生35.9次，最少7.9次。中度、重度和特重大风灾害发生频次的空间分布规律基本一致，大风灾害高发区均位于河北省西北部地区和东部沿海地区，中度大风灾害在承德市发生的频次也较高，河北省西北部地区的中度、重度和特重大风灾害年发生频次最多分别可达32.4、5.9和6.9次。

河北省苹果果实膨大−成熟期平均每站发生轻度、中度、重度和特重大风灾害的次数分别为27.7、12.6、0.9和0.3次·a−1。图7表明，不同程度大风灾害发生频次的空间分布规律基本一致，轻度、中度、重度和特重大风高发区均位于河北省西北部，沧州的沿海地区也有部分较高频次的大风灾害发生（中度、重度和特重）。张家口市大部分地区、承德市西部地区、唐山市、沧州市和秦皇岛市的沿海地区轻度大风灾害发生频次>30次·a−1，中部地区发生轻度大风灾害的次数较少。河北省大部分地区中度大风灾害的频次在20次·a−1以下，重度和特重大风灾害的频次少于2次·a−1。

2.3 苹果关键生育期大风灾害风险评估

河北省苹果大风灾害致灾因子危险性综合了开花−幼果期和果实膨大−成熟期两个生育期内的风险构建而成，同时还对承灾体脆弱性、暴露度和防灾减灾能力分别进行了风险评估（图8）。从图8可以看出，河北省西北部地区的苹果大风危险性最高，包括张家口市大部分地区，承德市西部地区，此外沧州市东部沿海地区的风险也较高；苹果大风灾害的脆弱性较高和高风险区域位于河北省东部和南部地区，主要集中在唐山和秦皇岛市大部分地区、衡水市东南部、保定市东南部、石家庄市东部、邢台和邯郸中部地区；苹果大风灾害暴露度在张家口市东南部地区、秦皇岛和衡水市大部分地区较高，处于较高和高风险；苹果大风防灾减灾能力较高和高风险区域主要位于承德市中西部地区，张家口和保定西部地区，衡水东部地区和邢台大部分地区，廊坊和唐山市由于经济发达，大部分处于低风险区域。

图6 河北省苹果开花−幼果期轻度(a)、中度(b)、重度(c)和特重(d)大风灾害发生频次(次·a−1)

图7 河北省苹果果实膨大−成熟期轻度(a)、中度(b)、重度(c)和特重(d)大风灾害发生频次(次·a−1)

综合危险性、暴露度、脆弱性和防灾减灾能力对河北省苹果大风灾害进行综合风险评估。由图9可见，总体上看，河北省苹果大风灾害的中低风险地区占全省大部分区域，低风险地区主要为承德市中北部、唐山市南部、沧州市中西部和北部、衡水市北部、邢台市东部、石家庄市和保定市靠近太行山地区；较高和高风险区域较为分散，约占全省的20%，主要分布在张家口市东部、衡水市东部、石家庄市东部、承德市东南部、秦皇岛市等地。

3 结论与讨论

3.1 结论

（1）随机森林模型可以较好地模拟极大风速，比多元线性回归、决策树和K近邻等模型更适用于河北省历史极大风速长时间序列的延长。

（2）确定了河北省苹果两个主要生育期大风灾害的极大风速阈值指标，花期−幼果期为9.1m·s−1，果实膨大−成熟期为7.9m·s−1。

图9 河北省苹果大风灾害综合风险评估

（3）1970年以来河北省苹果大风灾害发生的平均站次总体呈先降后升的趋势，2010年左右为拐点；春季4、5月发生苹果大风灾害站次最多，8、9月最少；在苹果两个主要生育期中度、重度和特重等级大风灾害空间分布规律基本一致，高发区均位于西北部的张家口市，并总体呈从西北部向东南部递减趋势，轻度大风灾害在河北省北部、东部沿海和南部地区发生频次较高。

（4）河北省苹果大风灾害较高和高风险区域较为分散，约占全省的20%，主要分布在张家口市东部、承德市东南部、衡水市中部和石家庄市东部等地。

3.2 讨论

本研究分析了河北省大风灾害时空分布规律，与李婷等[2，11]的研究结果较为一致。得到的大风灾害指标与黄川容等[15−16]的致灾风力阈值较为接近，但大风灾害指标存在一定差异，可能主要由于研究的受灾对象不同导致。对河北省苹果大风灾害的综合风险进行了评估，结果表明苹果大风重点监测和防范区主要位于河北省衡水市和秦皇岛市等地，这主要由于衡水市的暴露度、脆弱性和防灾减灾能力存在较高风险，而秦皇岛市的暴露度和脆弱性风险较高。本研究得到的评估大风灾害指标是基于历史大风灾情数据得出的，但由于大风灾害的局地性非常强，与地形和环境等因子较为相关，也存在即使发生大风灾害气象站点不一定能够观测到的情况；同时大风灾害往往伴随着暴雨、冰雹等，部分灾情记录较为简单，会对灾害指标的准确性造成一定影响。由于数据的限制，本研究风险评估中的苹果产量、种植面积、GDP等数据年份较短，且存在一定的不确定性，灾损统计数据可能存在一定的主观性[29,38]，可能会对风险区域结果造成一定影响。此外，苹果生长期时间跨度大，不同生育期大风致灾指标也不完全相同，今后随着苹果灾情记录分类、生育期、产量、种植面积、灾情记录等资料的进一步细致和完善，精细地记录苹果大风灾损或进行控制试验，河北省苹果大风灾害的风险评估准确性将得到进一步提高，有助于河北省苹果种植布局的优化和气象灾害实时监测预警能力的提升。

[1] 蒋冰执.河北省苹果生产及全要素生产率研究[D].保定:河北农业大学,2021.

Jiang B Z.Study on apple production and total factor productivity in Hebei province[D].Baoding:Hebei Agricultural University,2021.(in Chinese)

[2] 李婷,陈笑娟,张静,等.基于脆弱性曲线的河北省日光温室大风灾害风险评估[J].湖北农业科学,2020,59(4):63-69.

Li T,Chen X J,Zhang J,et al.Risk assessment of wind disaster to greenhouse in Hebei province based on vulnerability curves[J].Hubei Agricultural Sciences,2020, 59(4):63-69.(in Chinese)

[3] 杨再强,张婷华,黄海静,等.北方地区日光温室气象灾害风险评价[J].中国农业气象,2013,34(3):342-349.

Yang Z Q,Zhang T H,Huang H J,et al.Meteorological disaster risk evaluation of solar greenhouse in north China[J].Chinese Journal of Agrometeorology,2013,34(3): 342-349.(in Chinese)

[4] 鲁天平,郭靖,陈梦,等.新疆林果产业大风沙尘灾害风险评估模型构建及区划[J].农业工程学报,2016,32(S2): 169-176.

Lu T P,Guo J,Chen M,et al.Model establishment and zoning of wind-dust risk assessment to featured forestry and fruit industry in Xinjiang[J].Transactions of the Chinese Society of Agricultural Engineering,2016,32 (Supp.2):169-176.(in Chinese)

[5] 杨建莹,霍治国,王培娟,等.中国北方苹果干旱等级指标构建及危险性评价[J].应用气象学报,2021,32(1):25-37.

Yang J Y,Huo Z G,Wang P J,et al.Evaluation index construction and hazard risk assessment on apple drought in northern China[J].Journal of Applied Meteorological Science,2021,32(1):25-37.(in Chinese)

[6] 王明昌,刘布春,刘园,等.陕西苹果主产县花期冻害风险评估[J].中国农业气象,2020,41(6):381-392.

Wang M C ,Liu B C,Liu Y,et al.Assessment on the freezing injury risk during apple flowering in Liquan and Xunyi[J]. Chinese Journal of Agrometeorology,2020,41(6): 381-392. (in Chinese)

[7] 杨小利,周嘉,周安宁,等.甘肃东部苹果多灾种气象灾害综合风险评估[J].中国农业气象,2021,42(6):518-529.

Yang X L,Zhou J,Zhou A N,et al.Integrated risk evaluation on multiple meteorological disasters of apple in eastern Gansu[J].Chinese Journal of Agrometeorology,2021,42(6): 518-529.(in Chinese)

[8] 邱美娟,刘布春,刘园,等.中国北方主产地苹果始花期模拟及晚霜冻风险评估[J].农业工程学报,2020,36(21): 154-163.

Qiu M J,Liu B C,Liu Y,et al.Simulation of first flowering date for apple and risk assessment of late frost in main producing areas of northern China[J].Transactions of the Chinese Society of Agricultural Engineering,2020,36(21): 154-163.(in Chinese)

[9] 李兰,周月华,陈波.湖北省大风灾害及其风险度[J].气象科技,2009,37(2):205-208.

Li L,Zhou Y H,Chen B.Wind disasters in Hubei province and their risk degree[J].Meteorological Science and Technology,2009,37(2):205-208.(in Chinese)

[10] 夏祎萌,何清,李军,等.新疆大风灾害灾度和危险度分析[J].中国沙漠,2012,32(4):1025-1028.

Xia Y M,He Q,Li J,et al.Disaster degree and risk degree of wind disaster in Xinjiang[J].Journal of Desert Research, 2012,32(4):1025-1028.(in Chinese)

[11] 孙霞,陈小雷,俞海洋,等.河北省大风灾害及其危险性区划分析[J].中国农学通报,2016,32(1):183-187.

Sun X,Chen X L,Yu H Y,et al.Analysis of wind disaster and its hazard regionalization in Hebei province[J].Chinese Agricultural Science Bulletin,2016,32(1):183-187.(in Chinese)

[12] Cardona O D,Ordaz M G,Mora M G,et al.Global risk assessment:a fully probabilistic seismic and tropical cyclone wind risk assessment[J].International Journal of Disaster Risk Reduction,2014,10:461-476.

[13] Gao Z,Wan R,Ye Q, et al.Typhoon Disaster risk assessment based on emergy theory:a case study of Zhuhai city, Guangdong province,China[J].Sustainability,2020,12(10): 4212.

[14] Zhang Y,Wei K,Shen Z,et al.Economic impact of typhoon-induced wind disasters on port operations:a case study of ports in China[J].International Journal of Disaster Risk Reduction,2020,50:101719.

[15] 黄川容,杨再强,刘洪,等.北京日光温室风灾风险分析及区划[J].自然灾害学报,2012,21(3):43-49.

Huang C R,Yang Z Q,Liu H,et al.Risk analysis and regionalization of wind hazard to sunlight greenhouse in Beijing[J].Journal of Natural Disasters,2012,21(3):43-49. (in Chinese)

[16] 陈笑娟,陈小雷,李婷,等.河北省设施农业的抗风能力及大风灾害风险预警[J].贵州农业科学,2019,47(7):138-142.

Chen X J,Chen X L,Li T,et al.Gale resistance capacity of facility agriculture and risk early warning of gale disaster in Hebei[J].Guizhou Agricultural Sciences,2019,47(7): 138-142.(in Chinese)

[17] 张倩.影响库尔勒香梨开花与果实生长的气象条件分析[D].乌鲁木齐:新疆师范大学,2013.

Zhang Q.Analysis of the effect of meteorological conditions on the flowering and fruit growth of Korla Fragrant Pear[D].Urumqi:Xinjiang Normal University, 2013.(in Chinese)

[18] 李树岩,王宇翔,胡程达,等.抽雄期前后大风倒伏对夏玉米生长及产量的影响[J].应用生态学报,2015,26(8):2405- 2413.

Li S Y,Wang Y X,Hu C D,et al.Effects of strong wind lodging at pre- and post-tasseling stages on growth and yield of summer maize[J].Chinese Journal of Applied Ecology,2015,26(8):2405-2413.(in Chinese)

[19] 中国气象局.QX/T51-2007 地面气象观测规范[S].北京:中国气象局,2007.

China Meteorological Administration.QX/T 51-2007 Specifications for surface meteorological observation[S]. Beijing:China Meteorological Administration, 2007.(in Chinese)

[20] Kuwata K,Shibasaki R.Estimating corn yield in the United States with MODIS EVI and machine learning methods[J]. ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences,2016,3(8):131-136.

[21] Clifton A,Kilcher L,Lundquist J K,et al.Using machine learning to predict wind turbine power output[J]. Environmental Research Letters,2013,8(2):024009.

[22] Khosravi A,Machado L,Nunes R O.Time-series prediction of wind speed using machine learning algorithms:a case study Osorio wind farm,Brazil[J].Applied Energy,2018,224: 550-566.

[23] Ghorbani M A,Khatibi R,FazeliFard M H,et al.Short-term wind speed predictions with machine learning techniques [J].Meteorology and Atmospheric Physics,2016,128(1):57- 72.

[24] Ak R,Fink O,Zio E.Two machine learning approaches for short-term wind speed time-series prediction[J]. IEEE Transactions on Neural Networks and Learning Systems, 2015,27(8):1734-1747.

[25] Sallis P J,Claster W,Hernández S.A machine-learning algorithm for wind gust prediction[J].Computers & Geosciences,2011,37(9):1337-1344.

[26] 段里成,张坤,郭瑞鸽,等.江西省双季早稻直播适宜播种期的区域划分[J].中国农业气象,2021,42(2):112-122.

Duan L C,Zhang K,Guo R G,et al.Regional division of suitable direct sowing date of double season early rice in Jiangxi province[J].Chinese Journal of Agrometeorology, 2021, 42(2):112-122.(in Chinese)

[27] 张磊,张晓煜,李红英,等.1961-2010年宁夏无霜期变化特征[J].生态环境学报,2013,22(5):801-805.

Zhang L,Zhang X Y,Li H Y,et al.Characteristics of frost-free days changes over Ningxia from 1961 to 2010[J]. Ecology and Environmental Sciences,2013,22(5):801-805. (in Chinese)

[28] 陈超,徐富贤,庞艳梅,等.西南区域水稻关键生育期界限温度起始期的预测研究[J].中国生态农业学报(中英文),2019,27(8):1172-1182.

Chen C,Xu F X,Pang Y M,et al.Prediction of threshold temperature start date for rice at critical development stages in Southwest China[J].Chinese Journal of Eco- Agriculture,2019,27(8):1172-1182.(in Chinese)

[29] 毛红丹,霍治国,张蕾,等.环渤海葡萄涝渍指标构建及风险评估[J].应用气象学报,2022,33(1):92-103.

Mao H D,Huo Z G,Zhang L,et al.Indicator construction and risk assessment of grape waterlogging in the Bohai Rim[J]. Journal of Applied Meteorological Science,2022,33(1):92- 103.(in Chinese)

[30] 陈家金,李丽纯,林晶,等.福建省枇杷气象灾害综合风险评估[J].应用气象学报,2014,25(2):232-241.

Chen J J,Li L C,Lin J,et al.Integrated risk evaluation on meteorological disasters of Loquat in Fujian province[J]. Journal of Applied Meteorological Science,2014,25(2): 232-241.(in Chinese)

[31] 李莉,匡昭敏,莫建飞,等.广西甘蔗秋旱灾害风险评估技术初步研究[J].应用气象学报,2016,27(1):95-101.

Li L,Kuang Z M,Mo J F,et al.Assessment of autumn drought risk of sugarcane in Guangxi[J].Journal of Applied Meteorological Science,2016,27(1):95-101.(in Chinese)

[32] 黄晓远,李谢辉.基于CMIP6的西南暴雨洪涝灾害风险未来预估[J].应用气象学报,2022,33(2):231-243.

Huang X Y,Li X H.Future projection of rainstorm and flood disaster risk in southwest China based on CMIP6 models[J].Journal of Applied Meteorological Science,2022, 33(2):231-243.(in Chinese)

[33] 任义方,赵艳霞,王春乙.河南省冬小麦干旱保险风险评估与区划[J].应用气象学报,2011,22(5):537-548.

Ren Y F,Zhao Y X,Wang C Y.Winter wheat drought disaster insurance risk assessment and regionalization in Henan province[J].Journal of Applied Meteorological Science,2011,22(5):537-548.(in Chinese)

[34] 李蒙,窦小东,张明达,等.云南小粒咖啡干旱风险评估[J].热带农业科学,2021,41(5):33-40.

Li M,Dou X D,Zhang M D,et al.Evaluation of drought risk of coffee Arabica in Yunnan province[J].Chinese Journal of Tropical Agriculture,2021,41(5):33-40.(in Chinese)

[35] Gong Z,Forrest J.Special issue on meteorological disaster risk analysis and assessment:on basis of grey systems theory[J].Natural Hazards,2014,71(2):995-1000.

[36] Liu Y Q,You M,Zhu J L,et al.Integrated risk assessment for agricultural drought and flood disasters based on entropy information diffusion theory in the middle and lower reaches of the Yangtze River,China[J].International Journal of Disaster Risk Reduction,2019,38:101194.

[37] Field C B,Barros V,Stocker T F,et al.Managing the risks of extreme events and disasters to advance climate change adaptation:special report of the intergovernmental panel on climate change[M].New York: Cambridge University Press, 2012.

[38] 肖楠舒,刘布春,殷红,等.基于作物水分亏缺指数的环渤海地区鲜食葡萄干旱风险评估[J].中国农业气象,2022, 43(5):380-392.

Xiao N S,Liu B C,Yin H,et al.Drought risk assessment of table grapes in the Bohairim region based on crop water deficit index[J].Chinese Journal of Agrometeorology,2022, 43(5):380-392.(in Chinese)

Wind Disaster Risk Assessment of Apple in Hebei Province

SUN Yu-long1, JING Hua1, SUN Qing2, LI Ting1, WEI Tie-xin1, GAO Shan-shan3, YU Yan-wen4

(1. Hebei Meteorological Disaster Prevention And Environmental Meteorology Center, Shijiazhuang 050021, China; 2. Chinese Academy of Meteorological Sciences, Beijing 100081; 3. Hebei Provincial Meteorological Technical Equipment Center, Shijiazhuang 050021; 4. Fuzhou Meteorological Service, Jiangxi Province, Fuzhou 344199)

Long-term wind observation data from 142 meteorological stations, historical apple wind disaster data, apple growth stages data, etc. were used in this study. Firstly, the optimal machine learning model has been built to extend long-term extreme wind speed. Then the thresholds of different levels of wind disasters in different apple growth stages were determined. The spatial-temporal distribution characteristics and a comprehensive risk assessment of apple wind disasters were carried out. The results showed that the random forest model had the highest accuracy and showed good performance in extending the extreme wind speed time series which is suitable for Hebei province. The thresholds of apple wind disasters were extreme wind speed≥9.1m·s−1in flowering to fruit set, and extreme wind speed≥7.9m·s−1in fruit development to mature. Furthermore, 4 levels of wind disasters in different apple growth stages were determined and the validation were in good agreement with the historical records. The overall trends of apple wind disasters were first decreasing and then increasing. In the northwest Hebei province and eastern Cangzhou, the frequencies of wind disasters were higher than in other regions. The high and the severe comprehensive risk areas of apple wind disaster were scattered which accounted for nearly 20% of Hebei and mainly in eastern Zhangjiakou, southeast Hengshui, middle Hengshui, and eastern Shijiazhuang.

Apple；Wind disasters；Machine learning；Risk assessment

10.3969/j.issn.1000-6362.2023.04.005

孙玉龙,景华,孙擎,等.河北省苹果大风灾害风险评估[J].中国农业气象,2023,44(4):305-316

2022-04-01

环渤海区域科技协同创新基金项目（QYXM201803）；国家重点研发计划（2022YFD2300204）；中国气象局创新发展专项（CXFZ2023J057）

景华，高级工程师，主要从事气象灾害风险研究，E-mail：996189732@qq.com

孙玉龙，E-mail：fengxuelone@163.com