全 文 ：青海省三江源牧区雪灾综合风险评估
王世金１，魏彦强２，方苗２
（１．中国科学院寒区旱区环境与工程研究所 冰冻圈科学国家重点实验室，甘肃 兰州７３００００；
２．中国科学院寒区旱区环境与工程研究所，甘肃 兰州７３００００）
摘要：本研究采用Ｌｏｇｉｓｔｉｃ回归方法，以ＡｒｃＧＩＳ和ＳＰＳＳ软件为工具，选取２０１０年冬春季平均雪深、积雪日数、雪
灾重现率、坡度、牲畜密度、冬春超载率、产草量、地区ＧＤＰ和农牧民纯收入９项雪灾风险因子，建立了三江源地区
雪灾综合风险评估Ｌｏｇｉｓｔｉｃ回归模型，并对其进行了风险评价与区划。结果显示，１）１９６０－１９８０年，三江源地区冬
春季雪灾发生频次处于一较长时期的低值期。１９８０以后，雪灾频率呈增加态势，期间雪灾频次占５９年来雪灾总数
的６２％。在空间分布上，雪灾主要集中在三江源地区东南部一带。２）回归模型系数中，平均雪深、雪灾重现率、产
草量和牲畜密度因子对雪灾影响程度占有绝对权重，其回归系数分别为２．１７，１．３８，１．２７和０．９２，而农牧民人均纯
收入的影响程度则最低。３）２０１０年，三江源地区雪灾极高风险区主要集中在巴颜喀拉山南部的玉树、称多、杂多和
囊谦县，以及巴颜喀拉山与阿尼玛卿山之间的甘德、达日、玛沁和久治县，而极低风险区则地处西部可可西里无人
区和沱沱河流域大部分区域。４）根据Ｌｏｇｉｓｔｉｃ回归模型，在 ＡｒｃＧＩＳ中绘制的三江源雪灾综合风险区划图与历史
实际雪灾空间分布基本吻合。该研究不仅可为防灾减灾救灾部门制定灾前减灾规划、灾后救助和恢复决策提供科
学依据，而且对于牧区减轻雪灾损失、保障畜牧业可持续发展也具有重要意义。
关键词：牧区雪灾；综合风险评估；三江源地区
中图分类号：Ｓ８１２．６；Ｓ１２７；Ｓ１６５．２５　　文献标识码：Ａ　　文章编号：１００４５７５９（２０１４）０２０１０８０９
犇犗犐：１０．１１６８６／ｃｙｘｂ２０１４０２１３　　
　　雪灾是一种因自然与人为因素综合作用而形成、发展的冰冻圈灾害。雪灾的发生不仅受降雪量、气温、雪深、
积雪日数、坡度、坡向、草地类型、牧草高度等自然因素的影响，而且与畜群结构、饲草料储备、雪灾准备金、区域经
济发展水平等社会因素息息相关。降雪量过大、雪深过厚、持续时间过长，当缺乏饲草料储备和应急状态下，在主
要依赖自然放牧的牧区，往往造成牲畜吃草困难，从而引发牲畜死亡，形成雪灾。同时，雪灾也严重影响甚至破坏
承灾区交通、通讯、输电线路等基础设施，甚至对牧民生命、生计生活和畜牧业可持续发展造成巨大威胁。因此，
科学合理地进行雪灾综合风险评估与管理对承灾区防灾减灾具有重要的现实意义。
以往牧区雪灾研究在其孕灾环境、雪灾遥感监测、雪灾预测与预警、雪灾时空特征、雪灾防灾减灾研究等方面
取得了较大进展［１１０］，经历了由野外观测到３Ｓ技术与野外观测相结合、从历史与现状分析向风险与预测研究相
结合、从定性分析趋向定量研究、由单项要素分析趋向综合要素评价转变、由传统的成因机理分析和统计分析向
多种评价方法相结合的发展历程，这些成果为雪灾综合风险评估与管理研究积累和奠定了坚实的理论基础。然
而，雪灾风险评估是对尚未发生雪灾对承灾体造成损失的可能性分析，以往雪灾研究很少将承灾体脆弱性、暴露
性和承灾区适应性风险纳入其雪灾综合风险评估，其研究略显薄弱，且一些研究将雪灾风险与灾损评估视为一
体。同时，已有研究多以积雪深度大小和积雪持续时间长短，或者以积雪掩埋牧草程度、积雪持续日数和积雪面
积比三项要素作为反映雪灾等级的参量［１１１３］，这些参量均以自然因子对雪灾发生严重程度进行风险等级划分，而
忽略草畜平衡、冬春超载率、防灾减灾能力等社会属性因子。因此，单纯依据自然因子作为确定雪灾严重程度，很
难客观评估牧区雪灾实际风险。
基于此，以青海省三江源地区作为典型案例区，分析其历史雪灾时空变化特征，在统筹雪灾致灾因子、孕灾环
１０８－１１６
２０１４年４月
　　　草　业　学　报　　　
　　　ＡＣＴＡＰＲＡＴＡＣＵＬＴＵＲＡＥＳＩＮＩＣＡ　　　
第２３卷　第２期
Ｖｏｌ．２３，Ｎｏ．２
收稿日期：２０１３０５２３；改回日期：２０１３０７０１
基金项目：国家重大科学研究计划（９７３计划）项目（２０１３ＣＢＡ０１８０８），中国博士后科学基金（２０１３Ｍ５３０４３６），冰冻圈科学国家重点实验室自主课
题（ＳＫＬＣＳＺＺ２０１２０３０３）和开放基金（ＳＫＬＣＳ２０１１０４）资助。
作者简介：王世金（１９７５），男，甘肃金昌人，助理研究员，博士。Ｅｍａｉｌ：ｘｉａｏｈａｎｊｉｎ＠１２６．ｃｏｍ
境自然属性和承灾体社会属性基础上，选取牧区雪灾风险关键驱动因子作为参评对象，采用Ｌｏｇｉｓｔｉｃ回归方法，
以ＡｒｃＧＩＳ和ＳＰＳＳ软件为工具，对三江源牧区进行雪灾综合风险评估与管理，其研究不仅对牧区减轻雪灾损失、
保障畜牧业可持续发展具有重要意义，而且对于防灾减灾救灾部门制定灾前减灾规划、灾后救助和恢复决策提供
科学依据。
１　材料与方法
１．１　研究区概况
三江源地区（３１°３９′～３６°１２′Ｎ，８９°４５′～１０２°２３′Ｅ）位于青藏高原腹地东缘，境内海拔３３３５～６８６０ｍ，平均海
拔４０００ｍ以上，整体地势由西向东缓慢倾斜，地貌类型主要由坡度变化平缓及相对高差变化不大的开阔高平
原、丘陵以及介于低山和丘陵之间的盆地组成，主要由昆仑山及其支脉巴颜喀拉山、阿尼玛卿山和唐古拉山脉等
组成，为长江、黄河和澜沧江的源头汇水区，其间分布着长江、黄河、澜沧江三大水系的８０余条河流。其中，黄河、
长江和澜沧江流域面积分别达１５．２７×１０４，１５．８５×１０４ 和３．７４×１０４ｋｍ２，总面积为３４．８６×１０４ｋｍ２，约占青海
省总面积的５０．４０％［１４］，其中，草地总面积达２８．５８×１０４ｋｍ２［１５］。在行政区划上，包括青海省玉树、果洛州１２县
（曲麻莱、称多、杂多、治多、玉树、囊谦；玛多、玛沁、达日、甘德、班玛、久治），海南、黄南洲２县（同德、兴海；河南、
泽库）和格尔木市唐古拉乡，现有人口５５．６万人，其中，藏族人口占９０％以上，是青海省乃至我国最贫困地区之
一（图１）。
图１　 三江源区位置及其地形
犉犻犵．１　犔狅犮犪狋犻狅狀犪狀犱狋狅狆狅犵狉犪狆犺狔犿犪狆狅犳狋犺犲犜犺狉犲犲犚犻狏犲狉狊犛狅狌狉犮犲犚犲犵犻狅狀
　
　　三江源地区地形起伏跌宕、雪山连绵、冰川纵横、河网密布、湖泊众多、草地广袤，不仅是我国冰冻圈极其重要
的组成部分，也是我国最重要的水源地和草地畜牧业基地，对气候变化非常敏感。三江源地区主要以高寒草甸类
为主［１６］，该类草地类型对雪灾的灾变抑制作用较小，其灾变程度较大。由于三江源草地环境条件的属性，以放牧
为主的草地畜牧业极其脆弱［１７］。加之，三江源气候属青藏高原气候系统，每年１０月至翌年５月处于严寒时期，
期间牧草干枯，载畜量显著降低，若遇大雪，常诱发雪灾。
９０１第２３卷第２期 草业学报２０１４年
１．２　数据来源
本研究所使用基础数据包括：１）全国１∶４００万基础地理信息数据，该数据用以行政区界、行政区面积、道路
网、县域驻地的提取；２）ＳＲＴＭ９０ｍ 数字高程数据（中国科学院计算机网络信息中心国际科学数据镜像网站，ｈｔ
ｔｐ：／／ｄａｔａｍｉｒｒｏｒ．ｃｓｄｂ．ｃｎ），该数据用以提取县域驻地海拔高程、坡度；３）１９５３－２０１１年研究区１８个气象台站气
象资料，该数据来源于中国气象局国家气象信息中心的中国地面气象台站观测数据集，该数据用以分析研究区雪
灾孕灾环境的气候背景分析；４）中国雪深长时间序列数据集（１９７８－２０１０）（中国西部环境与生态科学数据中心，
ｈｔｔｐ：／／ｗｅｓｔｄｃ．ｗｅｓｔｇｉｓ．ａｃ．ｃｎ），该数据集用以提取三江源地区１６个县（含１个乡镇）２０１０年冬春季（１０月至翌
年５月）逐日积雪深度和积雪日数两个参数；５）１９５０－２００８年三江源历年雪灾数据，来源于《中国气象灾害大典》
（２００５）、《中国气象灾害年鉴》（２００７，２０１０）和互联网，该数据用以分析三江源地区历年雪灾重现率及空间分布特
征；６）经济社会资料，来源于２０１１年青海省三江源地区各州（市）统计年鉴，该资料用以提取各县牲畜密度、ＧＤＰ
和农牧民纯收入。为便于运算，所有数据采用ＧＩＳ栅格数据类型，并在１ｋｍ×１ｋｍ分辨率上进行重采样，配准
至Ａｌｂｅｒｔｓ坐标系统，这一分辨率能大部分反映自变量之本质。
１．３　评价体系建立与因子等级划分
风险评估是对风险发生强度和形式进行的评定和估计，其雪灾综合风险评估是危险性降雪事件与孕灾环境
对承灾体脆弱性、暴露性和承灾区适应性经济社会系统造成损失的可能性评定和估计，其中，致灾体降雪事件、孕
灾环境危险性，以及承灾体暴露性、脆弱性和适应性各因素相互影响、相互作用，共同构成雪灾综合风险系统。危
险性是指致灾体降雪事件和孕灾体气温降水等要素的规模及其程度，暴露性是可能受到致灾体威胁的牲畜、财产
及其所依赖环境要素的数量及其空间分布，脆弱性则为承灾区暴露要素的抗灾性能，而适应性则是雪灾预防、预
警、应对等响应能力。总体而言，雪灾致灾体和孕灾环境危险性评价是风险评估的基础，而承灾体暴露性和脆弱
性（易损性）评价则是未来雪灾灾情预估的核心。科学合理的指标体系是评价结果准确可靠的基础和保证，也是
正确引导系统发展方向的重要手段，指标体系应从不同侧面反映系统特征、覆盖系统的主要性状，并能反映系统
的整体功能与综合风险。因此，雪灾风险评估体系构建必须紧紧围绕雪灾致灾体和孕灾环境危险性、承灾区承灾
体暴露性、脆弱性和适应性综合风险因素展开。基于此，本研究根据科学合理性、可获得性等主要筛选原则，选取
平均雪深、积雪日数、坡度、雪灾重现率（频率）、牲畜密度、冬春超载率、产草量、地区ＧＤＰ和牧民纯收入９项指标
作为雪灾风险因子（表１）。在不同等级下，风险因子对雪灾影响程度不同。因此，有必要对每个影响因子进一步
细化等级。参考相关文献［１３，１８］与青海省技术监督局《气象灾害标准》对其９项风险因子进行了指标量化分级
（表１）。同时，利用标准分数（又称Ｚｓｃｏｒｅ或标准化值）对其初始值进行归一化处理。
１．４　Ｌｏｇｉｓｔｉｃ回归模型
牧区雪灾发生既受平均雪深、积雪日数等自然属性因子的影响，而且也受承灾体牲畜密度、冬春牲畜超载率、
地区ＧＤＰ、防灾减灾能力等社会因子的影响。对于雪灾而言，从统计学角度出发，对其产生的各风险因子数据可
以作为自变量，而雪灾发生与否则可以作为分类因变量。由于风险因子变量中存在不连续变量（坡度、重现率），
所以多元线性回归将不适用于推导此类自变量和因变量之间的关系。Ｌｏｇｉｓｔｉｃ回归模型则可以解决此类问题。
Ｌｏｇｉｓｔｉｃ回归优势在于自变量可以是连续的，也可以是离散的，也不要求自变量呈正态分布［２０２１］。同时，Ｌｏｇｉｓｔｉｃ
回归模型应用案例已证明此模型预测精度相对其他预测模型来说比较高［２１２４］，这些优点进而也增强了Ｌｏｇｉｓｔｉｃ
回归模型在社会科学与自然科学统计分析中的应用范围。
设狆为雪灾发生概率，取值范围为（０，１）。１－狆即为雪灾不发生概率，将其２者比值取自然对数ｌｎ［狆／
（１－狆）］，以狆为因变量，狓犿 为自变量，建立线性回归方程：
ｌｏｇ（狆）＝ｌｏｇ 狆１－（ ）狆 ＝α＋β１狓１＋β２狓２＋……＋β犿狓犿 （１）
或
狆＝
ｅｘｐ（α＋β１狓１＋β２狓２＋……＋β犿狓犿）
１＋ｅｘｐ（α＋β１狓１＋β２狓２＋……＋β犿狓犿）
（２）
０１１ ＡＣＴＡＰＲＡＴＡＣＵＬＴＵＲＡＥＳＩＮＩＣＡ（２０１４） Ｖｏｌ．２３，Ｎｏ．２
表１　雪灾风险因子分级及其量化值
犜犪犫犾犲１　犆犾犪狊狊犻犳犻犮犪狋犻狅狀犪狀犱狇狌犪狀狋犻狋犪狋犻狏犲狏犪犾狌犲狊狅犳狉犻狊犽犳犪犮狋狅狉狊狅犳狊狀狅狑犱犻狊犪狊狋犲狉
风险构成
Ｒｉｓｋｃｏｍｐｏｓｉｔｉｏｎ
评价因子
Ｅｖａｌｕａｔｉｏｎｉｎｄｅｘ
极低风险
Ｅｘｔｒｅｍｅｌｙｌｏｗｒｉｓｋ
低风险
Ｌｏｗｒｉｓｋ
一般风险
Ｇｅｎｅｒａｌｒｉｓｋ
高风险
Ｈｉｇｈｒｉｓｋ
极高风险
Ｅｘｔｒｅｍｅｌｙｈｉｇｈｒｉｓｋ
危险性风险 Ｈａｚａｒｄｒｉｓｋ 平均雪深 Ｍｅａｎｓｎｏｗｄｅｐｔｈ（ｃｍ） ≤２ ２～５ ５～１０ １０～２０ ≥２０
积雪日数Ｓｎｏｗｄａｙ（％） ≤５ ５～１０ １０～２０ ２０～３５ ≥３５
雪灾重现率Ｆｒｅｑｕｅｎｃｙ（％） ≤１０ １０～２０ ２０～３０ ３０～４０ ≥４０
坡度Ｓｌｏｐ（°） ≥２０ １５～２０ １０～１５ ５～１０ ≤５
暴露性风险Ｅｘｐｏｓｕｒｅｒｉｓｋ 牲畜密度Ｌｉｖｅｓｔｏｃｋｄｅｎｓｉｔｙ
（Ｎｏ．／ｋｍ２）
≤１０ １０～４０ ４０～７０ ７０～１００ ≥１００
冬春超载率 Ｏｖｅｒｌｏａｄｉｎｇｒａｔｅｉｎ
ｔｈｅｗｉｎｔｅｒａｎｄｓｐｒｉｎｇ（％）
≤５ ５～３０ ３０～５０ ５０～１００ ≥１００
脆弱性风险Ｖｕｌｎｅｒａｂｉｌｉｔｙｒｉｓｋ 产草量 Ｇｒａｓｓｙｉｅｌｄ（ｋｇ／ｈｍ２） ≥１１００ ８００～１１００ ５００～８００ ２００～５００ ≤２００
适应性风险Ａｄａｐｔａｂｉｌｉｔｙｒｉｓｋ 地区ＧＤＰＲｅｇｉｏｎａｌＧＤＰ（亿元人
民币１０８ＲＭＢ）
≥７ ５～７ ３～５ １．５～３．０ ≤１．５
农牧 民 纯 收 入 Ｎｅｔｉｎｃｏｍｅｏｆ
ｆａｒｍｅｒｓａｎｄｈｅｒｄｓｍｅｎ（万元人民
币１０４ＲＭＢ）
≥０．３５ ０．３０～０．３５０．２５～０．３００．２５～０．２０ ≤０．２０
　注：２０１０年三江源地区各县草产量、冬春超载率数据由２００８年青南牧区草地地上生物量、关键场超载率代替［１９］。
　Ｎｏｔｅ：Ｄｕｅｔｏｌａｃｋｏｆｄａｔａ，ｇｒａｓｓｙｉｅｌｄａｎｄｏｖｅｒｌｏａｄｉｎｇｒａｔｅｏｆａｌｃｏｕｎｔｉｅｓｉｎｔｈｅＴｈｒｅｅＲｉｖｅｒｓＳｏｕｒｃｅＲｅｇｉｏｎｉｎｔｈｅｗｉｎｔｅｒａｎｄｓｐｒｉｎｇｗｅｒｅｒｅｐｌａｃｅｄ
ｂｙｔｈｅａｂｏｖｅｇｒｏｕｎｄｂｉｏｍａｓｓａｎｄｏｖｅｒｌｏａｄｉｎｇｒａｔｅｏｆｔｈｅｋｅｙｐａｓｔｕｒｅｉｎ２００８［１９］．
　　此即Ｌｏｇｉｓｔｉｃ回归模型。式中，α为常数。β１，
图２　雪灾风险犔狅犵犻狊狋犻犮回归评估流程
犉犻犵．２　犘狉狅犮犲狊狊狅犳犔狅犵犻狊狋犻犮狉犲犵狉犲狊狊犻狅狀狅犳狊狀狅狑犱犻狊犪狊狋犲狉狉犻狊犽犪狊狊犲狊狊犿犲狀狋
　
β２，．．．，β犿 为逻辑回归系数，表示其他自变量取
值保持不变时，该自变量增加一个单位引起比数
比自然对数值的变化量。Ｌｏｇｉｓｔｉｃ回归模型是普
通多元线性回归模型的推广，其误差项服从二项
分布，而非正态分布。逻辑回归具体过程为，根据
采样点从各风险因子图层中提取像元值，构建
Ｌｏｇｉｓｔｉｃ回归分析所需样本数据，通过二值Ｌｏ
ｇｉｓｔｉｃ回归分析，确定回归模型系数。如果逻辑回
归系数确定，则可以根据不同评价指标值计算某
一区域雪灾发生的概率狆。最后，利用回归模型
和ＡｒｃＧＩＳ栅格叠加计算功能，对三江源牧区雪
灾进行综合风险评估与区划。
１．５　雪灾风险评估与管理流程
本研究利用ＡｒｃＧＩＳ和Ｌｏｇｉｓｔｉｃ回归模型对
三江源牧区雪灾进行了综合风险评估，其步骤如
图２所示。
１）根据雪灾风险构成及形成机理与过程，构
建雪灾综合风险评估体系，根据分类标准和相关
文献，将风险因子划分为二级分类因子，同时，计
算各类二级因子指标值（表１）。２）对各风险因子
１１１第２３卷第２期 草业学报２０１４年
进行归一化及栅格处理。３）利用ＡｒｃＧＩＳ提供的自动采样功能，分别从每个栅格图层中随机提取采样点所在栅
格像元的像元值，每个采样点包含９项评价因子像元值，采样点栅格像元雪灾发生与否，由平均雪深是否大于２
ｃｍ来决定（积雪存在是雪灾发生的必要条件），同时，将提取采样点像元值转化为ＡＳＣＩＩ格式，生成ＳＰＳＳ数据，
去除栅格边界及无效数据，得到雪灾发生自变量栅格对应的因变量数据集，形成Ｌｏｇｉｓｔｉｃ回归分析样本数据。４）
把样本数据导入到ＳＰＳＳ软件中进行二值Ｌｏｇｉｓｔｉｃ回归分析，根据回归分析结果构建雪灾综合风险评价模型。
５）根据雪灾综合风险评估模型中的回归系数，借助ＡｒｃＧＩＳ栅格计算功能，通过各风险因子栅格图层的加权叠加
计算，对三江源地区雪灾综合风险进行评估，并制作风险区划图。６）根据评估结果，提出风险管理对策。
２　结果与分析
２．１　历年雪灾时空变化特征
图３　１９５０－２００８年三江源地区雪灾频次变化趋势
（直线为线性拟合、虚线为６阶回归拟合曲线）
犉犻犵．３　犞犪狉犻犪狋犻狅狀狊狅犳狋犺犲犪狀狀狌犪犾犳狉犲狇狌犲狀犮狔狅犳狊狀狅狑犱犻狊犪狊狋犲狉犻狀狋犺犲
犜犺狉犲犲犚犻狏犲狉狊犛狅狌狉犮犲犚犲犵犻狅狀犻狀１９５０－２００８（狊狋狉犪犻犵犺狋犾犻狀犲：犾犻狀犲犪狉
狋狉犲狀犱，犱犪狊犺犲犱犾犻狀犲：狊犻狓狋犺狅狉犱犲狉狉犲犵狉犲狊狊犻狅狀犳犻狋狋犲犱犮狌狉狏犲）
　
三江源各地区１９５０－２００８年冬季（１０月至翌年２
月）和春季（３－５月）（上年１０月至当年５月定义为上
年的冬春，依次类推）雪灾记录显示：１９５０－２００８年，
三江源各地区共发生２２９次不同程度的雪灾，总体上
三江源地区雪灾５９年来呈微弱上升趋势。１９５０－
１９８０年，冬春雪灾发生频率较低，为一较长时期的低
值期。１９８０－２００８年，冬春雪灾发生频率较高，雪灾
频次占到５９年雪灾总数的６２％，为一高值期，雪灾频
率出现增加态势。其中，１９６０，１９７５，１９８２，１９８５，１９９３，
２００８年为６个峰值年，１９５０，１９５７，１９５８，１９５９，１９６２，
１９６４，１９６８，１９６９，１９７７，１９７８，１９７９，１９８０，１９８４，２００３，
２００４，２００７年为低谷年。总体上，三江源雪灾呈现“十
年一大灾、五年两头灾、三年一小灾”的年际变化规律
（图３）。在空间分布上，由历史灾情资料显示，１９５０－２００８年，三江源雪灾总体上主要集中在玉树、果洛州交界的
巴颜喀拉山南缘地带，以及四川省甘孜州的石渠县一带，这也是中国雪灾最为频发的区域之一。在县域尺度上，
玉树州称多县和果洛州达日、甘德、玛沁县两个中心为三江源雪灾的高频区，重现率介于２５％～３２％，出现概率
接近三年一遇，低频区则地处唐古拉乡、兴海、久治和班玛县，重现率介于１５％～２０％。其中，玉树州称多县和果
洛州达日、甘德、玛沁县高值区雪灾次数占所有已发雪灾次数的３０％以上，所以这些区域是青海省南部乃至青藏
高原雪灾发生的重点区域，应给予高度关注，其防灾减灾物资储备应抵抗三年一遇重大雪灾。
２．２　雪灾综合风险评估模型分析
在ＡｒｃＧＩＳ中，将９项雪灾风险因子全部转换成栅格格式，并按照表１风险划分标准将各类因子进行等级划
分。每个图层都包含每一个因子的单一条件分组。利用ＡｒｃＧＩＳ提供的采样功能，分别从每个栅格图层中提取
采样点所在栅格像元的像元值，从而每个采样点都包括了９项评价因子的像元值，构成回归分析的样本数据。采
样点所在位置雪灾发生与否，由平均雪深是否大于２ｃｍ来决定（平均雪深的存在是雪灾发生的必要条件），雪灾
综合风险则由９项评价因子共同决定。因此，二值Ｌｏｇｉｓｔｉｃ回归分析方法适用于此类问题的研究。最后，从各评
价图层中获取的统计样本导入ＳＰＳＳ软件中进行ＢｉｎａｒｙＬｏｇｉｓｔｉｃＲｅｇｒｅｓｓｉｏｎ分析，Ｌｏｇｉｓｔｉｃ回归分析结果显示，
农牧民人均纯收入系数所对应的显著水平值略大于０．０５外，其余均小于０．０５，可以认为回归结果通过５％的显
著性水平检验。根据回归分析结果中的各因子系数值，建立雪灾综合风险评估Ｌｏｇｉｓｔｉｃ回归模型：
ｌｏｇ 狆１－（ ）狆 ＝－２４．５６２＋１．２７２狓１＋１．３８１狓２＋０．７２１狓３＋０．５９８狓４＋
　　　　　０．８２３狓５＋０．２９５狓６＋２．１７２狓７＋０．９１８狓８＋０．４４３狓９ （３）
式中，狆代表雪灾风险概率值，狓１，狓２，．．．，狓９ 分别代表：产草量、重现率、地区ＧＤＰ、冬春季超载率、积雪日数、农
２１１ ＡＣＴＡＰＲＡＴＡＣＵＬＴＵＲＡＥＳＩＮＩＣＡ（２０１４） Ｖｏｌ．２３，Ｎｏ．２
牧民人均纯收入、平均雪深、牲畜密度、坡度（表１）。由此可见，平均雪深、雪灾重现率、产草量和牲畜密度的影响
程度占有绝对权重，其回归系数分别为２．１７，１．３８，１．２７和０．９２，分列前四位，其中，既包括平均雪深、产草量、重
现率自然风险因子，也包括牲畜密度社会风险因子。同时，积雪日数、地区ＧＤＰ影响程度也较为重要，其回归系
数分别占到了０．８２和０．７２。另外，农牧民人均纯收入的影响程度则较低，其回归系数分别为０．３０，说明面对雪
灾，个人适应能力作用甚微。
２．３　综合风险评估与区划
根据上面构建的Ｌｏｇｉｓｔｉｃ回归模型，在ＡｒｃＧＩＳ中利用栅格计算功能，得到研究区内每个像元雪灾发生概率
值狆，最后对整个图层的概率值进行分类，总共分为５种类型。ＡｒｃＧＩＳ自动提供了几种分类方法，虽然分类方法
各有利弊，但不会影响灾点的整体分布［２５］。最后，在ＡｒｃＧＩＳ中生成雪灾综合风险区划图（图４）。
图４　三江源雪灾综合风险区划图
犉犻犵．４　犣狅狀犻狀犵狅犳犻狀狋犲犵狉犪狋犲犱狉犻狊犽犪狊狊犲狊狊犿犲狀狋狅犳狊狀狅狑犱犻狊犪狊狋犲狉犻狀狋犺犲犜犺狉犲犲犚犻狏犲狉犛狅狌狉犮犲犚犲犵犻狅狀　
图４显示，总体上雪灾风险区主要集中在三江源地区东南部，其中，雪灾极高风险区则主要集中在巴颜喀拉
山南部的玉树、称多、杂多和囊谦县，以及巴颜喀拉山与阿尼玛卿山之间的甘德、达日和玛沁县。２０１０年，该区域
平均雪深介于０～１２．７８ｃｍ，其中，玉树州囊谦县西南、杂多县北部、玉树县和称多县东南部，以及果洛州达日县
南部和久治县雪深均超过５．００ｃｍ。同时，这些地区重现率均达到２０％以上。另外，甘德、玉树、称多县冬春季超
载率均超过２０％，而达日、甘德县ＧＤＰ均低于２．００亿元，人均纯收入低于０．３０万元之间。由于较高的危险性
风险、暴露性风险（牲畜密度、超载率）和适应性风险，从而造成该区域极高的雪灾综合风险水平。相反，三江源雪
灾极低风险区则地处西部无人区治多县的可可西里、唐古拉乡西北部、杂多县西北部，以及海南州兴海县、同德县
和黄南州的河南县，其他区域则处于雪灾低风险与一般风险区。
雪灾风险等级区划结果显示，雪灾极高风险和高风险区面积为４０２５５．４８和３８９９６．５６ｋｍ２，分别占三江源总
面积的１３．０２％和１２．６７％。极低风险区、低风险区和一般风险区面积分别为１４０２５８．３３，６２３９６．４８和２６７３３．６０
ｋｍ２，三者分别占三江源总面积的４５．４２％，２０．２６％，８．６３％，可以看出，低风险区面积远大于高风险区面积。三
江源雪灾综合风险评估结果与历史上雪灾空间分布基本吻合，区划结果可以用来指导牧区雪灾的防御工作。然
３１１第２３卷第２期 草业学报２０１４年
而，在三江源地区唐古拉乡南部唐古拉山格拉丹东区和治多县西北昆仑山布喀达坂峰与马兰山一带，由于较厚的
平均积雪和较多的积雪日数，加之，牲畜密度、超载率等指标因子格网化数据在这个区域的分布，进而出现了雪灾
极高和高风险的散状分布，这将在以后评价中加以改进。总体上，三江源地区雪灾重灾区往往落在图４中的极高
风险区和高风险区。因此，在防灾减灾过程中，应对极高风险区域高风险区给予高度重视，一般风险区可以有选
择的参考，而极低风险区和低风险区则不作为防灾减灾的重点区域。
２．４　综合风险管理
“凡事预则立，不预则废”。与风险共存，始终做到居安思危、防患于未然，实施雪灾风险全过程控制与预防是
雪灾风险管理的基本点和出发点，更是规避和减轻潜在雪灾灾损的重要举措。雪灾风险管理则是指人们对潜在
雪灾风险进行识别、估计及评价，并在此基础上，进行全过程风险预防、控制与防御，以最低成本实现最大安全保
障的决策过程。雪灾风险管理方法包括风险控制与风险转移两类。风险控制是指在牧区雪灾发生前为全面地消
除或减少雪灾损失可能发生的各类因素［２６］，并竭力减少雪灾发生概率而采取的处理风险的诸类具体措施，它是
雪灾风险管理中最积极、最主动的风险处理方法。风险控制属于“防范于未然”之方法。然而，雪灾风险难以精确
预测，面对大面积雪灾，仅靠风险控制无法满足牧区牧民及其财产安全的最大限度保障，其潜在灾损在所难免，这
就需要风险转移方法来处理。风险转移包括两种方式，一种实物型风险转移，即将承灾体（财产、活动等）转移出
去（或转让、出售等），另一种是财务型风险转移，即在雪灾发生之前对承灾体进行保险或政府设立雪灾准备金，在
雪灾发生后牧民能够通过获得一定数额救助资金以弥补雪灾损失，为恢复畜牧业正常生产提供资金支持［２７］。
２０１０年，三江源雪灾综合风险评估结果显示：达日县、甘德县、玉树县、称多县具有极高的雪灾风险，该区域
往往拥有高危险性、暴露性和适应性综合风险，其他级别风险区则往往具有单一的风险源。鉴于此，对于极高风
险区的县域则需要采取综合风险管理办法，而拥有单一风险源的县域则仅需采取单一风险源管理办法。综合风
险管理措施分别包括危险性风险预测、暴露性风险减少、脆弱性风险降低和适应性能力提升措施（图５）。其中，
规避或降低雪灾风险很大程度上依赖于对雪灾发生机理的认识、有效而准确的降雪事件预测预报信息以及对积
雪面积和雪深的监测结果，这是预防和减轻雪灾风险最前沿、最重要的防范措施。合理调控放牧时期、落实草畜
平衡、严控冬春季牲畜超载率和集中牧民居民点不仅是减少暴露性风险的基础，也是牧区防范雪灾的关键控制
点。退化草地改良、人工草地建植、畜群结构改良则是牧区提升产草量和改良畜种的重要举措，而退牧还草政策
的落实［２８］、饲草料基地建设和牧区基础设施建设则是提升雪灾防御的基本保障。另外，牧区雪灾保险和政府雪
灾应急基金体系建立则是牧区防御雪灾风险的最后一道防线。
图５　雪灾风险管理对策示意图
犉犻犵．５　犚犻狊犽犿犪狀犪犵犲犿犲狀狋狊犮犺犲犿犲狅犳狊狀狅狑犱犻狊犪狊狋犲狉
４１１ ＡＣＴＡＰＲＡＴＡＣＵＬＴＵＲＡＥＳＩＮＩＣＡ（２０１４） Ｖｏｌ．２３，Ｎｏ．２
３　结论与讨论
针对三江源雪灾历史灾情和相关文献所述灾情事件特点，选取９类雪灾风险因子，建立了雪灾综合风险评估
的Ｌｏｇｉｓｔｉｃ回归模型，并对其进行评价与区划。雪灾综合风险回归结果显示：雪深、雪灾重现率、产草量、牲畜密
度是其重要影响因素，而评价结果与实际调查及其历史雪灾发生频率、时空特征基本相符。同时，牧区雪灾风险
管理不仅需要紧密结合风险评估结果，而且需要因地制宜、按不同风险源进行风险控制和风险转移，以最大限度
预防雪灾或减少雪灾灾损的发生。该评价体系不仅对牧区雪灾风险管理和防灾减灾规划具有很强的现实指导意
义，而且该研究方法对于冰冻圈其他灾种风险评估、区划、适应也具有重要的参考价值。
本研究运用ＧＩＳ空间叠加方法和Ｌｏｇｉｓｔｉｃ回归模型对三江源雪灾综合风险进行了评价与区划，且取得较好
的研究结果。本研究在基于格网尺度和县域尺度相结合以及Ｌｏｇｉｓｔｉｃ回归模型在牧区雪灾风险评估中的应用方
面具有一定的创新性。然而，并不意味着能取代其他雪灾风险评估方法，各种评价方法只有结合实际情况，辅以
必要的野外调查，才能在具体研究区域取得较理想的评价结果。雪灾形成、影响机制复杂，要精确评估雪灾风险
尚有一定困难，其精度主要由基础地理信息数据精度、评估体系完善及研究方法选择等问题决定。下一步，本研
究将加大雪灾风险研究方法的综合、评估体系的完善、防灾减灾能力的调查等方面，力争在基于高精度格网单元
的我国牧区雪灾综合风险评估与区划方面有所进展。
致谢：在论文编写过程中，中科院寒区旱区环境与工程研究所遥感与地理信息科学研究室车涛副研究员提供了中
国雪深长时间序列数据集（１９７８－２０１０），国家气候中心马丽娟博士为本研究提供了１９５７－２０１０年三江源地区
１８个台站观测的积雪参数，在此，一并表示感谢！
参考文献：
［１］　周陆生，李海红，汪青青．青藏高原东部牧区大－暴雪过程及雪灾分布的基本特征［Ｊ］．高原气象，２０００，１９（４）：４５０４５４．
［２］　董文杰，韦志刚，范丽军．青藏高原东部牧区雪灾的气候特征分析［Ｊ］．高原气象，２００１，２０（４）：４０２４０６．
［３］　韦志刚，黄荣辉，陈文，等．青藏高原地面站积雪的空间分布和年代际变化特征［Ｊ］．大气科学，２００２，２６（４）：４９６５０７．
［４］　ＨａｌＤＫ，ＲｉｇｇｓＧＡ，ＳａｌｏｍｏｎｓｏｎＶＶ，犲狋犪犾．ＭＯＤＩＳｓｎｏｗｃｏｖｅｒｐｒｏｄｕｃｔｓ［Ｊ］．ＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｎｍｅｎｔ，２００２，
８３（１２）：１８１１９４．
［５］　ＧｒｉｐｐａＭ，ＭｏｇｎａｒｄＮ，ＬｅＴｏａｎａＴ，犲狋犪犾．ＳｉｂｅｒｉａｓｎｏｗｄｅｐｔｈｃｌｉｍａｔｏｌｏｇｙｄｅｒｉｖｅｄｆｒｏｍＳＳＭ／Ｉｄａｔａｕｓｉｎｇａｃｏｍｂｉｎｅｄｄｙｒｉ
ａｍｉｅａｎｄｓｔａｔｉｅａｌｇｏｒｉｔｌｌｎ［Ｊ］．ＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｎｍｅｎｔ，２００４，９３（１２）：３０４１．
［６］　刘兴元，陈全功，梁天刚，等．新疆阿勒泰牧区雪灾遥感监测体系构建与灾害评价系统研究［Ｊ］．应用生态学报，２００６，
１７（２）：２１５２２０．
［７］　王兴．西藏牧区雪灾防御研究的进展及其展望［Ｊ］．西藏科技，２００６，１６２（１６）：５９６２．
［８］　ＬｉａｎｇＴＧ，ＨｕａｎｇＸＤ，ＷｕＣＸ，犲狋犪犾．ＡｎａｐｐｌｉｃａｔｉｏｎｏｆＭＯＤＩＳｄａｔａｔｏｓｎｏｗｃｏｖｅｒｍｏｎｉｔｏｒｉｎｇｉｎａｐａｓｔｏｒａｌａｒｅａ：Ａｃａｓｅ
ｓｔｕｄｙｉｎＮｏｒｔｈｅｒｎＸｉｎｊｉａｎｇ，Ｃｈｉｎａ［Ｊ］．ＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｎｍｅｎｔ，２００８，１１２（４）：１５１４１５２６．
［９］　刘兴元，梁天刚，郭正刚，等．北疆牧区雪灾预警与风险评估方法［Ｊ］．应用生态学报，２００８，１９（１）：１３３１３８．
［１０］　梁天刚，刘兴元，郭正刚．基于３Ｓ技术的牧区雪灾评价方法［Ｊ］．草业学报，２００６，１５（４）：１２２１２８．
［１１］　王劲锋．中国自然灾害区划［Ｍ］．北京：中国科学技术出版社，１９９５：７７９０．
［１２］　青海质量技术监督局．青海省地方标准ＤＢ６３／Ｔ３７２２００１［Ｓ］．气象灾害标准，２００１：６８．
［１３］　李海红，李锡福，张海珍，等．中国牧区雪灾等级指标研究［Ｊ］．青海气象，２００６，（１）：２４２７．
［１４］　赵新全．三江源区退化草地生态系统恢复与可持续管理［Ｍ］．北京：科学出版社，２０１１：１２．
［１５］　汪诗平．青海省“三江源”地区植被退化原因及其保护策略［Ｊ］．草业学报，２００３，１２（６）：１９．
［１６］　王建兵，张德罡，曹广民，等．青藏高原高寒草甸退化演替的分区特征［Ｊ］．草业学报，２０１２，２１（２）：１１０．
［１７］　李婧梅，蔡海，程茜．等．青海省三江源地区退化草地蒸散特征［Ｊ］．草业学报，２０１２，２１（３）：２２３２２４．
［１８］　张国胜，伏洋，颜亮东，等．三江源地区雪灾风险预警指标体系及风险管理研究［Ｊ］．草业科学，２００９，２６（５）：１４４１５０．
［１９］　张学通．青海省积雪监测与青南牧区雪灾预警研究［Ｄ］．兰州：兰州大学，２０１０：５９６０．
５１１第２３卷第２期 草业学报２０１４年
［２０］　王济川，郭志刚．Ｌｏｇｉｓｔｉｃ回归模型—方法与应用［Ｍ］．北京：高等教育出版社，２００１．
［２１］　ＧｒｅｇｏｒｙＣＯ，ＪｏｈｎＣＤ．ＵｓｉｎｇｍｕｌｔｉｐｌｅｌｏｇｉｓｔｉｃｒｅｇｒｅｓｓｉｏｎａｎｄＧＩＳｔｅｃｈｎｏｌｏｇｙｔｏｐｒｅｄｉｃｔｌａｎｄｓｌｉｄｅｈａｚａｒｄｉｎｎｏｒｔｈｅａｓｔＫａｎ
ｓａｓ，ＵＳＡ［Ｊ］．ＥｎｇｉｎｅｅｒｉｎｇＧｅｏｌｏｇｙ，２００３，６９：３３１３４３．
［２２］　王卫东，陈燕平，钟晟．应用ＣＦ和Ｌｏｇｉｓｔｉｃ回归模型编制滑坡危险性区划图［Ｊ］．中南大学学报 （自然科学版），２００９，
４０（４）：１１２７１１３２．
［２３］　ＰｅｔｅｒＶ，ＰａｕｌＧ，ＲａｎｄｙＢ．ＳｐａｔｉａｌｐｒｅｄｉｃｔｉｏｎｏｆＬａｎｄｓｌｉｄｅＨａｚａｒｄＵｓｉｎｇＬｏｇｉｓｔｉｃＲｅｇｒｅｓｓｉｏｎａｎｄＧＩＳ［Ｃ］．Ｂａｎｆｆ，Ａｌｂｅｒｔａ：
４ｔｈＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＩｎｔｅｇｒａｔｉｎｇＧＩＳａｎｄＥｎｖｉｒｏｎｍｅｎｔａｌＭｏｄｅｌｉｎｇ（ＧＩＳ／ＥＭ４）：Ｐｒｏｂｌｅｍｓ，ＰｒｏｓｐｅｃｔｓａｎｄＲｅ
ｓｅａｒｃｈＮｅｅｄｓ，２０００．
［２４］　ＬｕｌｓｅｇｅｄＡ，ＨｉｒｏｍｉｔｓｕＹ．ＴｈｅａｐｐｌｉｃａｔｉｏｎｏｆＧＩＳｂａｓｅｄｌｏｇｉｓｔｉｃｒｅｇｒｅｓｓｉｏｎｆｏｒｌａｎｄｓｌｉｄｅｓｕｓｃｅｐｔｉｂｉｌｉｔｙｍａｐｐｉｎｇｉｎＫａｋｕｄａ
ＹａｈｉｋｏＭｏｕｎｔａｉｎｓ，ｃｅｎｔｒａｌＪａｐａｎ［Ｊ］．Ｇｅｏｍｏｒｐｈｏｌｏｇｙ，２００５，６５（１２）：１５３１．
［２５］　许湘华．用Ｌｏｇｉｓｔｉｃ回归模型编制滑坡灾害敏感性区划图的方法研究［Ｊ］．铁道科学与工程学报，２０１０，７（５）：８７９１．
［２６］　张继权，李宁．主要气象灾害风险评价与管理的数量化方法及其应用［Ｍ］．北京：北京师范大学出版社，２００７：１５４５．
［２７］　刘新立．风险管理［Ｍ］．北京：北京大学出版社，２００６：１８０２２８．
［２８］　方楷，宋乃平，魏乐，等．不同放牧制度对荒漠草原地上生物量及种间关系的影响［Ｊ］．草业学报，２０１２，２１（５）：１２１７．
犐狀狋犲犵狉犪狋犲犱狉犻狊犽犪狊狊犲狊狊犿犲狀狋狅犳狊狀狅狑犱犻狊犪狊狋犲狉犻狀狋犺犲犜犺狉犲犲犚犻狏犲狉狊犛狅狌狉犮犲犚犲犵犻狅狀，犆犺犻狀犪
ＷＡＮＧＳｈｉｊｉｎ１，ＷＥＩＹａｎｑｉａｎｇ２，ＦＡＮＧＭｉａｏ２
（１．ＳｔａｔｅＫｅｙＬａｂｏｒａｔｏｒｙｏｆＣｒｙｏｓｐｈｅｒｉｃＳｃｉｅｎｃｅｓ，ＣｏｌｄａｎｄＡｒｉｄＲｅｇｉｏｎＥｎｖｉｒｏｎｍｅｎｔａｎｄＥｎｇｉｎｅｅｒｉｎｇ
ＲｅｓｅａｒｃｈＩｎｓｔｉｔｕｔｅ，ＣＡＳ，Ｌａｎｚｈｏｕ７３００００，Ｃｈｉｎａ；２．ＣｏｌｄａｎｄＡｒｉｄＲｅｇｉｏｎＥｎｖｉｒｏｎｍｅｎｔ
ａｎｄＥｎｇｉｎｅｅｒｉｎｇＲｅｓｅａｒｃｈＩｎｓｔｉｔｕｔｅ，ＣＡＳ，Ｌａｎｚｈｏｕ７３００００，Ｃｈｉｎａ）
犃犫狊狋狉犪犮狋：Ｔｈｅａｖｅｒａｇｅｓｎｏｗｄｅｐｔｈ，ｓｎｏｗｄａｙ，ｓｎｏｗｄｉｓａｓｔｅｒｐｅｒｉｏｄｉｃｉｔｙ，ｓｌｏｐｅ，ｌｉｖｅｓｔｏｃｋｄｅｎｓｉｔｙ，ｏｖｅｒｌｏａｄｉｎｇ
ｒａｔｅｏｆｌｉｖｅｓｔｏｃｋｉｎｗｉｎｔｅｒａｎｄｓｐｒｉｎｇ，ｇｒａｓｓｐｒｏｄｕｃｔｉｏｎ，ｒｅｇｉｏｎａｌＧＤＰａｎｄｎｅｔｉｎｃｏｍｅｏｆｔｈｅｆａｒｍｅｒｓｉｎ２０１０
ｗｅｒｅｓｅｌｅｃｔｅｄａｓｔｈｅｍａｉｎｒｉｓｋｆａｃｔｏｒｓｏｆｓｎｏｗｄｉｓａｓｔｅｒ．Ａｒｅｇｒｅｓｓｉｏｎｍｏｄｅｌｏｆｉｎｔｅｇｒａｔｅｄｒｉｓｋａｓｓｅｓｓｍｅｎｔｏｆ
ｓｎｏｗｄｉｓａｓｔｅｒｗａｓｅｓｔａｂｌｉｓｈｅｄａｎｄｔｈｅｉｎｔｅｇｒａｔｅｄｒｉｓｋｓｉｎｔｈｅＴｈｒｅｅＲｉｖｅｒｓＳｏｕｒｃｅＲｅｇｉｏｎｗｅｒｅｓｙｓｔｅｍａｔｉｃａｌｙｅ
ｖａｌｕａｔｅｄｕｓｉｎｇｌｏｇｉｓｔｉｃｒｅｇｒｅｓｓｉｏｎｍｅｔｈｏｄｓａｎｄｔｈｅＡｒｃＧＩＳａｎｄＳＰＳＳｓｏｆｔｗａｒｅｔｏｏｌｓ．１）Ｄｕｒｉｎｇ１９６０－１９８０，
ｔｈｅｆｒｅｑｕｅｎｃｙｏｆｓｎｏｗｄｉｓａｓｔｅｒｗａｓｒｅｌａｔｉｖｅｌｙｌｏｗｅｒｉｎｔｈｅＴｈｒｅｅＲｉｖｅｒｓＳｏｕｒｃｅＲｅｇｉｏｎｉｎｗｉｎｔｅｒａｎｄｓｐｒｉｎｇ．Ａｆ
ｔｅｒ１９８０，ｔｈｅｆｒｅｑｕｅｎｃｙｓｈｏｗｅｄａｔｒｅｎｄｔｏｉｎｃｒｅａｓｅ．Ｄｕｒｉｎｇ１９８０－２００８，ｔｈｅｎｕｍｂｅｒｓｏｆｓｎｏｗｄｉｓａｓｔｅｒｓａｃｃｏｕｎ
ｔｅｄｆｏｒ６２％ｏｆｔｈｅｔｏｔａｌｎｕｍｂｅｒｓｉｎｔｈｅｐａｓｔ５９ｙｅａｒｓ．Ｉｎｓｐａｔｉａｌｄｉｓｔｒｉｂｕｔｉｏｎ，ｓｎｏｗｄｉｓａｓｔｅｒｓｗｅｒｅｍａｉｎｌｙｃｏｎ
ｃｅｎｔｒａｔｅｄｉｎｔｈｅｓｏｕｔｈｅａｓｔｅｒｎａｒｅａｏｆｔｈｅＴｈｒｅｅＲｉｖｅｒｓＳｏｕｒｃｅＲｅｇｉｏｎ．２）Ｒｅｇｒｅｓｓｉｏｎｒｅｓｕｌｔｓｏｆｉｎｔｅｇｒａｔｅｄｒｉｓｋ
ｓｈｏｗｅｄｔｈａｔｔｈｅａｖｅｒａｇｅｓｎｏｗｄｅｐｔｈ，ｓｎｏｗｄｉｓａｓｔｅｒｐｅｒｉｏｄｉｃｉｔｙ，ｇｒａｓｓｐｒｏｄｕｃｔｉｏｎａｎｄｌｉｖｅｓｔｏｃｋｄｅｎｓｉｔｙｈａｄ
ｈｉｇｈｅｒｉｍｐｏｒｔａｎｃｅｏｒｗｉｔｈｒｅｇｒｅｓｓｉｏｎｃｏｅｆｆｉｃｉｅｎｔｓｏｆ２．１７，１．３８，１．２７ａｎｄ０．９２ｒｅｓｐｅｃｔｉｖｅｌｙ，ｗｈｉｌｅｎｅｔｉｎｃｏｍｅ
ｏｆｔｈｅｆａｒｍｅｒｓｈａｄｌｏｗｅｒｉｍｐｏｒｔａｎｃｅｔｈａｎｏｔｈｅｒｆａｃｔｏｒｓ．３）Ｔｈｅａｒｅａｓｗｉｔｈｈｉｇｈｅｒｉｎｔｅｇｒａｔｅｄｒｉｓｋｓｏｆｓｎｏｗｄｉｓ
ａｓｔｅｒｗｅｒｅｌｏｃａｔｅｄｍａｉｎｌｙｉｎＹｕｓｈｕ，Ｃｈｅｎｇｄｕｏ，ＺａｄｕｏａｎｄＮａｎｇｑｉａｎｃｏｕｎｔｉｅｓｉｎｓｏｕｔｈｅｒｎｒｅｇｉｏｎｓｏｆｔｈｅＢａｙａｎ
ＨａｒＭｏｕｎｔａｉｎｓａｎｄＧａｎｄｅ，Ｄａｒｉ，ＭａｑｉｎａｎｄＪｉｕｚｈｉｃｏｕｎｔｉｅｓｂｅｔｗｅｅｎｔｈｅＡ＇ｎｙｅｍａｑｅｎＲａｎｇｅａｎｄＢａｙａｎＨａｒ
ＭｏｕｎｔａｉｎｓＡ＇ｎｙｅｍａｑｅｎＲａｎｇｅｉｎ２０１０，ｗｈｉｌｅｔｈｅａｒｅａｓｗｉｔｈｌｏｗｅｒｉｎｔｅｇｒａｔｅｄｒｉｓｋｗｅｒｅｃｏｎｃｅｎｔｒａｔｅｄｉｎｍｏｓｔａｒ
ｅａｓｏｆｎｏｍａｎ＇ｓｌａｎｄｉｎＨｏｈＸｉｌａｎｄｉｎｔｈｅＴｏｇｔｏｎｒｉｖｅｒｂａｓｉｎ．４）Ａｓｓｅｓｓｍｅｎｔｒｅｓｕｌｔｓｏｆｉｎｔｅｇｒａｔｅｄｒｉｓｋｏｆｓｎｏｗ
ｄｉｓａｓｔｅｒａｃｃｏｒｄｅｄｗｉｔｈｔｈｅａｃｔｕａｌｄｉｓｔｒｉｂｕｔｉｏｎｏｆｓｎｏｗｄｉｓａｓｔｅｒｓｉｎｔｈｅＴｈｒｅｅＲｉｖｅｒｓＳｏｕｒｃｅＲｅｇｉｏｎｉｎｔｈｅｐａｓｔ５９
ｙｅａｒｓ．Ｔｈｉｓｓｔｕｄｙｉｓｏｆｇｒｅａｔｓｉｇｎｉｆｉｃａｎｃｅｆｏｒｍｉｔｉｇａｔｉｎｇｔｈｅｌｏｓｓｅｓｆｒｏｍｓｎｏｗｄｉｓａｓｔｅｒｓａｎｄｅｎｓｕｒｉｎｇｔｈｅｓｕｓｔａｉｎ
ａｂｌｅｓｔｏｃｋｂｒｅｅｄｉｎｇｄｅｖｅｌｏｐｍｅｎｔｉｎｐａｓｔｏｒａｌａｒｅａｓ．Ｉｔｃａｎｐｒｏｖｉｄｅａｓｃｉｅｎｔｉｆｉｃｂａｓｉｓｆｏｒｍｉｔｉｇａｔｉｏｎｐｌａｎｎｉｎｇｐｒｅ
ｄｉｓａｓｔｅｒａｎｄｆｏｒｄｅｃｉｓｉｏｎｓｔｒａｔｅｇｉｅｓｏｆａｓｓｉｓｔａｎｃｅａｎｄｒｅｃｏｖｅｒｙｐｏｓｔｄｉｓａｓｔｅｒｆｏｒｔｈｅｌｏｃａｌｇｏｖｅｒｎｍｅｎｔｄｅｐａｒｔ
ｍｅｎｔｓ．
犓犲狔狑狅狉犱狊：ｓｎｏｗｄｉｓａｓｔｅｒｏｆｐａｓｔｏｒａｌａｒｅａ；ｉｎｔｅｇｒａｔｅｄｒｉｓｋａｓｓｅｓｓｍｅｎｔ；ｔｈｅＴｈｒｅｅＲｉｖｅｒｓＳｏｕｒｃｅＲｅｇｉｏｎ
６１１ ＡＣＴＡＰＲＡＴＡＣＵＬＴＵＲＡＥＳＩＮＩＣＡ（２０１４） Ｖｏｌ．２３，Ｎｏ．２