雪灾风险普查怎么干？从风险公式到网格区划全流程拆解

干过雪灾风险普查的人应该都有这种体会：标准文件拿到手，风险评估公式看得懂，但真正回到项目组，面对一堆气象站点数据、区划底图和乡镇统计台账时，还是会发懵。DB14/T 3488-2025 这份地方标准，我最近连续在几个落地普查项目里跟进，从建模型、切网格、定权重到出图，踩过的坑比想象中多。这篇文章不准备把标准条文复述一遍，而是把从模型到实操的一条完整路径拆开讲清楚——先搞懂标准要你算的“风险”究竟是什么，再一步步说数据怎么备、因子怎么选、权重怎么定、结果怎么验。不管你是应急管理条线里的技术负责人，还是第三方普查技术服务团队的骨干，甚至是刚接手灾害评估方向的研究生，这篇内容应该都能帮你少走一段弯路。

1. 标准落地的第一性问题：风险普查到底在“普”什么

1.1 雪灾普查不是“预报降雪量”，而是暴露度与脆弱性的综合评估

很多项目组拿到雪灾风险普查任务后，第一反应是去拉气象站的积雪深度数据，然后画一张积雪分布图交差。这是方向性错误。气象监测回答的是“天上掉了多少雪、地上积了多深”，而风险普查回答的是“如果这种雪量发生，哪些片区的人、大棚、牲畜、道路设施更容易遭殃”。标准里那个经典的风险表达式 R=H×E×V，翻译过来就是：危险性（Hazard）乘上暴露度（Exposure）乘上脆弱性（Vulnerability）。我见过有的技术团队在危险性因子上精益求精，把最大积雪深度计算得很精细，但人口密度、设施农业面积等暴露度数据只用乡镇统计年报粗略填一填，最后结果自然偏得离谱。

同样的30厘米积雪，落在山区稀疏牧场和城郊连片设施农业基地，风险完全不是一个量级。前者可能只是出行不便，后者可能直接压塌大棚、造成上千万经济损失。标准要求的是把危险性、暴露度、脆弱性放在同等重要的位置一起评估，而不是只做气象因子单指标。不少初次接触普查的技术单位，习惯性套用以往“气象灾害评估”的思路，把大量精力花在提高插值精度上，最后风险图和积雪深度图看起来几乎一样，相当于白做了一版。

1.2 一个标准落地的完整工作闭环长什么样

从标准实施的角度看，雪灾风险普查通常可以拆成六个环节：基础数据收集、数据预处理、危险性评估、暴露度与脆弱性评估、综合风险计算、成果汇交与图件报告编制。这不是简单的先后顺序，而是一个反复校准的闭环。前期收集的数据质量差，后面算出来的网格风险精度就低；不同来源数据的空间尺度对不齐，还得重新统一坐标系和边界，拖慢整体进度。

标准之所以强调“风险普查”而不是“灾害评估”，是因为普查天然带有底数摸查的属性，它要为后续的防治区划、应急预案编制、基础设施选址提供基础底图。所以成果的现势性和可追溯性非常重要，每一个参与评估的因子、每一版权重、每一次归一化的极值依据，都要能说清楚来龙去脉。我在实际项目里就遇到过主管部门在成果验收阶段追问“这个权重为什么取0.4”的情况，后面花了两天补写说明文档。这也是我觉得标准落地的第一性问题其实是过程管理问题，模型公式反而是相对容易的部分。

2. 模型层拆解：从风险公式到可计算的指标体系

2.1 危险性因子怎么选：积雪深度之外还有一连串变量

危险性因子是整个模型的地基。标准文本里会给出推荐的因子，但不会替你把每个区域的因子阈值定死。结合同类灾害风险普查标准的落地经验，常用危险性因子至少包括：最大积雪深度、连续降雪量、积雪持续日数、最低气温、地形起伏度、历史雪灾发生频次。为什么要放最低气温？因为冬季雪灾对农牧业的影响，很大程度上来自低温叠加，低温会让作物冻伤、牲畜掉膘，还会让道路结冰时间延长，放大雪灾后果。地形起伏度影响的是雪的再分布和道路清雪恢复难度，山区沟谷与平原的成灾条件差异很大。

这组因子的单位各不相同，量级也差别极大，直接相加没有意义，必须先做极差归一化把每个因子映射到0到1区间。我建议归一化时，把极差取为“全评估区栅格统计结果”，而不是理论上的绝对最大值。比如某地区三十年最大积雪深度就40厘米，你非要按一个“理论极值”60厘米去归一化，结果会出现大面积低值区，产出的风险图层次感会很差。实际项目里，由于积雪观测站点分布不均，危险性因子插值后往往呈现以站点为中心的“牛眼”结构，这时候还要先做一遍适度平滑，否则后续叠加暴露度因子后会加重虚假细碎斑块。

2.2 暴露度与脆弱性因子落到行政区划和网格上

暴露度描述的是“受灾体有多少”。常见因子包括人口密度、每平方公里农作物播种面积、设施农业大棚面积、畜牧业密度、主要公路里程、各类野外旅游景区人数。这里面，人口密度和设施农业面积往往是最主要的两项，尤其在城镇近郊，大棚经济占比高，雪灾风险往往不是来自积雪本身，而是来自农业设施的抗压能力。脆弱性描述的是“这些承灾体有多容易受损”，比如区域产业结构中畜牧业占比高，那么同样的暴雪过程，牲畜圈舍垮塌风险就更大；偏远农村夜间清雪力量薄弱，脆弱性得分也要相应抬高。

实际操作中，暴露度因子一般来自统计年鉴和行业部门数据，空间精度通常只到乡镇或行政村，而危险性因子通过插值可以到公里级网格，所以落到网格前要将行政单元属性做面积权重转换。比如一个乡镇的人口密度是每平方公里500人，网格落在该乡镇内就继承这个值；网格跨两个乡镇，则按各乡镇面积占比拆分。这是个琐碎但必须做细的步骤，否则后面模型算出来会出现网格与行政区边界生硬切割的现象，图面上看起来就是一块一块的“像素风”，领导看图第一句就会问“怎么边界这么整齐”。处理时可以在GIS软件里先做乡镇面转网格的属性空间连接，再人工抽查跨边界网格的权重系数。

2.3 指标权重怎么定：层次分析法与熵权法不是二选一

权重是决定最终风险排序的最敏感参数。对雪灾这种自然灾害，我习惯采用“层次分析法（AHP）为主、熵权法校验”的组合策略。AHP的好处是能用行业专家的经验把“哪些因子更重要”转换成两两比较的判断矩阵，但缺点也很明显——主观性强，容易出现判断矛盾，一致性比率CR大于0.1时就得回炉调整判断矩阵。纯用熵权法又会走向另一个极端：数据波动越大的因子权重越高，可历史积雪数据波动大不代表它对社会经济影响就大，容易出现“技术正确、业务不认可”的窘境。

比较稳妥的做法是先跑一遍熵权法，得到客观权重的分布范围；再结合专家访谈确定AHP的相对判断；最终权重取两者的加权平均。我个人的经验是主观权重与客观权重按7:3或者6:4配比，在大多数项目里得到的风险图既符合经验认知，又有数据差异带来的区分度。当然，配比系数本身也要记录在技术报告中，说明是出于“专家经验优先、数据差异修正”的考虑。权重确定后不要急着算总风险，先单独输出危险性、暴露度、脆弱性三张指数图，看看是否存在某一项明显不合理的极值区，这些极值区往往是下一步数据核查的线索。

3. 数据准备与处理：最容易被低估的拦路虎

3.1 一张能用起来的数据源清单

实操中数据准备通常占掉整个项目周期的40%以上。我直接按用途分类列一下常用数据，方便你对照手里现有的资源清单：

在地方普查项目里，最缺的往往是设施农业和畜牧业的空间化数据。很多乡镇只有一张Excel台账，没有坐标信息，需要你人工根据村名匹配到地图上。这一步不要图省事，直接用乡镇驻地坐标代替全部大棚位置，后期会严重误导网格尺度下的暴露度分布。宁可多花几天做空间化，也别让数据精度拖累整个模型。做匹配时可以把设施农业面积按村庄范围重新分布，再利用遥感影像里的连片温室轮廓做参考校正，这样空间精度会明显改善。

3.2 站点数据到网格数据：插值不能无脑套公式

危险性因子大多来自气象站点观测，但评估要落在网格上，所以需要空间插值。我发现新手最容易犯的错是拿到一套插值工具就选“反距离权重”，因为图快、参数少。反距离权重在站点密集的平原地区效果尚可，到了山区，海拔对气温和积雪的影响远大于距离，这时候应该优先考虑“回归克里金”或者“带高程协变量的薄板样条”。简单说，先用DEM海拔和站点因子做回归，把海拔趋势剥离出来，然后对残差做克里金插值，再叠加回回归趋势面。这样做出来的积雪深度分布，不会出现高山站点被平原站点“压扁”的怪现象。

插值前还要做一步站点代表性检查：有些站点的积雪观测存在长时间缺测，一旦缺测超过30%，直接放进插值样本会把区域估计值拉偏，建议先剔除或按邻近站点回归填补。插值完成后，用历史最大积雪深度或遥感积雪产品做一次定性检查，重点看山区、河谷等特殊地形区域的数值是否符合常识。如果发现某个站点周围出现不合理的孤立高值区，多半是站点观测质量或者插值参数出了问题，要先处理再进入下一步。

3.3 历史灾情数据不只是“归档材料”，它是模型校准的尺子

真正懂评估的人，一定会先翻历史雪灾灾情记录。灾情记录虽然免不了漏报和口径不一，但它可以帮你在模型率定阶段回答几个关键问题：近年真正发生过严重灾害的乡镇，模型输出的风险等级是否靠前？灾情轻但模型输出高风险的区域，是不是暴露度因子给高了？我们曾在某次项目里发现一个高风险网格集中区，细查之后才知道那里有一大片设施农业温室，而历史灾情记录因为基层漏报没有体现，这恰恰说明模型比历史记录更敏感，也提醒我们不能只用历史灾情去否定模型。

对灾情数据进行数量化的方式，是计算乡镇尺度的“单位面积直接经济损失”或者“受灾人口占比”，作为辅助判断因子嵌入验证环节，必要时用来逆向调节危险性权重。比如某乡镇历史上多次因为持续积雪造成棚体垮塌，但模型里“连续降雪量”权重偏低，导致风险不高，这时候就可以适当调高该因子的权重，让模型贴近实际。要注意的是，灾情记录的口径年份跨度最好和模型因子的统计年份保持一致，否则会引入系统性偏差。

4. 实操全流程：从底图到一张风险分区图

4.1 坐标系统一和网格尺度：一步走错，返工不断

普查成果最终要叠加到行政区划底图上，坐标系统一的问题必须在一开始解决。目前项目统一要求使用CGCS2000坐标系，高斯投影分带按当地经度带选择。最容易出的问题，是气象站点数据用经纬度坐标，行政区划边界是投影坐标，承灾体台账又按乡镇区划填写，三者叠加前如果不统一，最后制图时要素错位几公里是常事。建议项目启动第一天就建一个模板工程，把底图、站点、网格框全部统一到同一坐标系，后续所有中间数据都放进这个工程处理。

网格尺度方面，我建议平原和城区用1公里×1公里网格，大范围山区牧区可以用2.5公里或5公里。1公里网格对数据要求高，如果人口密度和设施农业数据只能精细到乡镇，用1公里网格看似精细，实际每个网格里只有同一个乡镇属性，反而制造了“虚假精度”。正确的做法是：网格分辨率不要超过支撑数据的实际行政单元精度，宁可用5公里网格把区域差异表达出来，也不要为了图面好看硬切1公里。网格尺度确定后，生成网格ID并关联东经、北纬、面积等属性字段，后续所有因子挂接都以这个网格ID为唯一主键。

4.2 指标计算与归一化的关键操作

各项因子归一化之前，需要先确认方向的一致性。比如最大积雪深度、设施农业面积占比是正向因子，值越大风险越高；清雪设备数量、应急救援响应时间是负向因子，值越大脆弱性越低，要取倒数或1减去归一化值。归一化公式我常用极差法：

X' = (X - X_min) / (X_max - X_min)

其中最大值和最小值均来自全评估区各网格统计值，而不是理论值。计算完成后随机抽20个网格人工核对数值逻辑，我遇到过表格行错位导致的“人口密度为0但设施农业面积爆表”的离奇数据，全靠抽查发现异常。确认所有因子方向一致且范围在0到1之间后，才能进入加权综合。这里还要注意一个细节：对人口密度这类右偏特别严重的因子，直接用极差法会让大部分网格数值集中在0.05以下，建议先做对数变换再归一化，让中高密度区域的差异真正体现出来。

4.3 AHP判断矩阵的真实操作细节

AHP的第一步是把元素两两比较，按1到9标度法打分。举个例子，在危险性层面，假如你觉得“最大积雪深度”比“地形起伏度”明显重要，就给最大积雪深度打5分，反过来就是1/5。下面是一个虚构的危险性四因子判断矩阵，注意只是示例，不是你项目里的标准答案：

这个矩阵计算出的最大特征值约为4.06，一致性比率CR约为0.02，小于0.1，通过一致性检验，对应权重约为0.48、0.16、0.27、0.09。打分的依据要写在项目说明里，比如该区域雪灾以持续积雪压塌棚体和道路结冰为主，所以持续日数权重排在第二。如果专家对某些因子争议很大，可以引入熵权法结果来折中，就像前文说的组合赋权方案。需要特别提醒：AHP判断矩阵不要直接在Excel里手算特征向量，最好用专业计算工具或Python实现，避免计算过程留下人为误差。

4.4 风险等级划分与成果输出

算出综合风险指数后，需要划分等级。实用的分级方法有两种：自然断点法和分位数法。自然断点法能尽量保证组内差异小、组间差异大，适合用来做地方风险区划；分位数法每级网格数大致相等，便于不同地区之间横向比较。建议把最终等级设为五级：低、较低、中等、较高、高，并在地图上用蓝色到红色渐变表现。分级断点值要保留到小数点后四位，避免出现两个网格数值相同却落在不同级别的情况。

成果输出除了网格风险图，还要包括行政区尺度汇总表，统计每个乡镇/街道高风险区面积占比和承灾体数量，以及一份技术报告，写明数据来源、处理过程、模型参数、不确定性说明。成果验收时，图件、表格、报告三者之间必须能相互印证。很多人只顾着把彩色图做得漂亮，忽略了统计表格里数值与图不一致，这是最容易被返工的硬伤。建议在出图前写一个小脚本，自动核验风险图栅格统计结果与行政汇总表是否吻合，确保数量关系零差错。

5. 常见问题与排查技巧实录

5.1 气象站点数据大面积缺测：先分类再补，别一律插值

雪灾多发期大多正值冬季，偏远山区的自动站经常因为供电和通讯问题整月缺测。处理时先把站点分成三类：缺测率小于10%的，直接按正常数据参与计算；10%到30%的，用邻近站点一元回归补值；大于30%的，不再参与插值，只作为背景参考。补值后做数据质量报告，把补齐字段标注清楚。这里有个常见误区：有人用多年平均气候值去填某一年缺测的极值，结果把站点本身可能存在的极端积雪记录直接抹掉了。更合理的做法是结合周边地形相似站点的同期极值比例推算，宁可引入不确定性，也要保留极端事件的量级。

补值时还要考虑时间尺度。如果目标是算最大积雪深度，那就用每年冬季的最大值序列来补；如果目标是算持续日数，那就要对逐日缺测进行连续填补，不能用月均值糊弄。我见过一个项目，用年值序列补出了某站最大积雪深度，却把这个值同时用于“积雪持续日数”因子，结果该站持续日数明显偏大，最后只能在模型修正阶段单独剔除该站。所以补值方案的每个细节都要落在日志里。

5.2 评估结果全绿或者全红，问题大概率出在归一化区间

我接手过一版模型结果，整个区域都是中等风险，几乎没有低和高等级，看上去很“稳定”，其实等于没区分度。排查后发现，问题出在有人把最大积雪深度的归一化分母设成了“区域理论极值”，而实际观测远达不到这个极值，导致所有网格的危险性值挤在一个很窄的区间。同理，如果结果全红，多半是暴露度因子用了绝对数值没有做对数变换，某个城市人口密度高到把整个区域的平均水平拉上去，让所有网格都显得“暴露度极高”。

解决方案是重新统计各因子的实际分布，把异常大值做封顶截断（比如取99.5分位），再归一化；或者对右偏严重的因子做对数归一化。风险等级划分也不一定每次都用自然断点，如果数据分布特别集中，可以改用分位数法，保证每个等级有足够的样本量。调参之后，记得重新检查贡献率——把每个因子与总风险的相关系数算出来，如果某个因子相关系数接近0，说明它要么方向反了，要么归一化区间不合理。

5.3 模型结果和历史灾情对不上：先别急着改权重

最尴尬的情况是，评价结果说某乡镇高风险，但过去十年几乎没有灾情记录；反过来，有记录的乡镇却只算出了低风险。此时不要马上调权重，先排查三个口径。第一，时间范围是否一致，灾情记录用的是近10年，模型危险性因子用的是近40年气候极值，两者天然不一致；第二，灾情记录里“雪灾”分类是否只统计了有经济损失的事件，而模型识别的是“所有具备高风险条件”的区域；第三，承灾体数据是否更新到当前年份，如果统计年鉴滞后三年，设施农业面积偏小，也会压低风险。

把这三个口径对齐后仍对不上，再考虑调整因子权重。我倾向于把历史灾情看作“最低验证标准”——模型结果必须能覆盖大部分历史重灾区，但不要求全部，因为历史记录本身就可能漏报。比如偏远牧区的一场雪灾，可能因为没有人员伤亡和明显的房屋倒塌，就没有被完整记录，但模型通过积雪持续日数和畜牧业密度识别出了高风险，这恰恰是普查比单纯灾情统计更有价值的地方。

做雪灾风险普查，我的最大感受是标准只是一个起点。真正让成果可信的，是数据处理过程的透明和模型参数的本地化校准。如果让我用一个词概括实操阶段的全部心得，我会选“留痕”二字。从原始数据字段说明，到每一版归一化的极值依据，再到权重判断矩阵的专家打分记录，都尽可能留下过程文件。这样即便某天有人质疑你的结果，你也能把算法链条完整摆出来。下一阶段我准备把这种方法平移到低温冷冻灾害普查里，核心框架可以直接复用，只是把因子和判断矩阵换一套。希望这篇拆解，对正在和雪灾风险普查较劲的同仁能有点实际帮助。