海洋学研究 >

2023 , Vol. 41 >Issue 4: 70 - 83

DOI: https://doi.org/10.3969/j.issn.1001-909X.2023.04.007

研究报道

海岸侵蚀脆弱性及驱动因子分析——以江苏中部海岸为例

  • 章志 , 1 ,
  • 刘宪光 2 ,
  • 周凯 1 ,
  • 林伟波 1 ,
  • 冒士凤 1 ,
  • 李兰满 1
展开
  • 1.江苏省海涂研究中心,江苏 南京 210036
  • 2.江苏省有色金属华东地质勘查局地球化学勘查与海洋地质调查研究院,江苏 南京 210007

章志(1985—),男,安徽省铜陵市人,高级工程师,主要从事海岸带开发保护研究,E-mail:。

Copy editor: 段焱

收稿日期: 2023-05-08

  修回日期: 2023-07-31

  网络出版日期: 2024-01-30

基金资助

自然资源部华东海岸带野外科学观测研究站开放基金(ORSECCZ2022103)

国家重点研发计划课题(2018YFC0407504)

江苏省省级海洋科技创新专项(JSZRHYKJ202214)

江苏省省级海洋科技创新专项(HY2018-1)

收起

Vulnerability and driving factors of coastal erosion: A case study of the central coast of Jiangsu

  • ZHANG Zhi , 1 ,
  • LIU Xianguang 2 ,
  • ZHOU Kai 1 ,
  • LIN Weibo 1 ,
  • MAO Shifeng 1 ,
  • LI Lanman 1
Expand
  • 1. Tidal Flat Research Center in Jiangsu, Nanjing 210036, China
  • 2. Institute of Geochemical Exploration and Marine Geological Surrey, East China Mineral Exploration and Development Bureau for Non-ferrous Metals, Nanjing 210007, China

Received date: 2023-05-08

  Revised date: 2023-07-31

  Online published: 2024-01-30

Fold

摘要

海岸侵蚀导致土地流失,严重威胁人民生命财产安全,识别海岸侵蚀脆弱性对于防灾减灾意义重大。从海岸动力、海岸形态和社会经济三个方面构建评价指标体系,利用数字化海岸线分析系统(digital shoreline analysis system,DSAS)和遥感数据,采用断面法将海岸离散为等间距的评价单元,基于熵权法确定评价指标权重、等级并计算海岸侵蚀脆弱性,利用地理探测器识别海岸侵蚀脆弱性的空间分异和影响因素。结果表明:江苏中部海岸侵蚀脆弱性为极高脆弱、高脆弱、中脆弱、低脆弱和极低脆弱的比例分别为5.60%、15.80%、30.93%、24.21%和23.46%,海岸侵蚀脆弱性总体呈现北高南低的分布趋势,其中为极脆弱的区域主要位于中山河口—射阳河口之间的海岸区域。江苏中部海岸侵蚀脆弱性的空间分异是海岸动力、海岸形态、社会经济多重因素协同作用的结果,其中潮滩坡度、地表覆盖类型、平均潮差、海岸线变化速率是海岸侵蚀脆弱性空间分异的主导因子。

关键词： 海岸侵蚀; 脆弱性; DSAS; 地理探测器; 驱动因子

本文引用格式

章志 , 刘宪光 , 周凯 , 林伟波 , 冒士凤 , 李兰满 . 海岸侵蚀脆弱性及驱动因子分析——以江苏中部海岸为例[J]. 海洋学研究, 2023 , 41(4) : 70 -83 . DOI: 10.3969/j.issn.1001-909X.2023.04.007

Abstract

Coastal erosion leads to land loss and seriously threatens people’s life and property safety. It is great significant to identify coastal erosion vulnerability for disaster prevention and mitigation. The evaluation index system was constructed from three aspects: coastal dynamics, coastal morphology and social economy. Using the DSAS model and remote sensing data, the coast was discretized into equally spaced units based on section method, the weight and grade of the evaluation index were determined based on the entropy weight method, the coastal erosion vulnerability in the study area was calculated, and the spatial differentiation and influencing factors of coastal erosion vulnerability were identified by geographic detector. The results showed that the proportions of coastal erosion vulnerability for extremely high vulnerability, high vulnerability, medium vulnerability, low vulnerability and extremely low vulnerability in central coast of Jiangsu were 5.60%, 15.80%, 30.93%, 24.21%, and 23.46%, respectively, that showed a decreasing trend from north to south. The extremely vulnerable areas of coastal erosion were mainly located in the coastal area between the Zhongshan Estuary and the Sheyang Estuary. The spatial differentiation of coastal erosion vulnerability in central Jiangsu was the result of the synergistic effect of multiple factors such as coastal dynamics, coastal morphology, and economic and social activities. Among them, tidal slope, land cover, average tidal range, and coastline change rate were the dominant factors for the spatial differentiation of coastal erosion vulnerability.

Key words： coastal erosion; vulnerability; DSAS; geographical detector; driving factor

0 引言

海岸脆弱性最初由GORNITZ[1]于1990年提出,用于反映海岸对全球气候变化和海平面上升的适应程度。海岸脆弱性内涵丰富,包括生态脆弱性、环境脆弱性和侵蚀脆弱性[2]。海岸侵蚀是中国沿海地区的主要海洋环境地质灾害[3],识别海岸侵蚀脆弱性对于提升海岸侵蚀防护能力意义重大。海岸脆弱性的计算多采用指数法,主要有海岸脆弱性指数(coastal vulnerability index,CVI)和海岸敏感性指数(coastal sensitivity index,CSI)。CVI指数最初由GORNITZ[4]提出,评价因子包括地貌类型、岸线变化速率、海岸坡度、海平面变化速率、有效波高和平均潮差共6个物理量因子,此后不同学者进一步丰富了评价因子,比如增加人口、道路等社会经济属性因子。评价方法在国内外获得了广泛的应用,国外学者针对美国东海岸[5]、印度东北部海岸[6-7]、印度巴拉索尔海岸[8]和巴西东北海岸[9]运用CVI指数开展了海岸脆弱性评价,国内学者也针对全国海岸[10]、废黄河三角洲[11]、长江三角洲[12]、海南岛[13]等区域运用CVI指数开展了海岸脆弱性评价。ABUODHA[14]认为脆弱性反映了海洋灾害对人口的影响程度,如果仅考虑海岸物理因子,可用敏感性代替脆弱性,提出CSI指数并评价了澳大利亚东南海岸脆弱性,此后不同学者对希腊西部海岸[15]、渤海湾[16]进行了海岸敏感性评价。
由于1855年黄河北归,海岸泥沙输入骤减,江苏中部海岸的废黄河三角洲成为我国海岸侵蚀最严重的地区之一[17]。现有防护工程阻止了岸线后退,但岸滩下蚀仍然严重,海岸组成物质粗化,岸滩陡化,侵蚀有向南扩展的趋势[18]。很多学者对废黄河三角洲海岸侵蚀特征、过程和趋势进行了研究[19⇓-21],但针对海岸侵蚀脆弱性的研究仍然较少,其中部分原因是海岸滩涂区域地形复杂,数据获取困难。本文从海岸动力、海岸形态和社会经济等三个方面建立评价指标体系,基于数字化海岸线分析系统(digital shoreline analysis system,DSAS)[22]和遥感数据,采用断面法将海岸离散为等间距的评价单元,进而计算海岸断面侵蚀脆弱性指数,并对江苏中部海岸侵蚀脆弱性进行分级,利用地理探测器识别江苏海岸侵蚀脆弱性的主要影响因子。该研究可进一步丰富海岸侵蚀脆弱性评估理论和方法,为海洋风险区划以及海岸整治修复提供技术支撑。
图1 研究区及断面分布图

Fig.1 Study area and section distribution map

1 研究区概况

研究区域位于江苏中部海岸灌河口至方塘河口南侧,经纬度范围为119°44'E—120°01'E,32°38'N—34°30'N。江苏中部海岸是典型的粉砂淤泥质海岸,在潮差大、波浪弱以及泥沙来源丰富等多种因素共同作用下,江苏海岸形成了宽阔平坦的潮滩。1855年黄河北归,海岸泥沙来量骤减,泥沙动力条件突变,从废黄河口至海岸及水下三角洲开始被侵蚀改造,侵蚀的泥沙向中部输送,中部海滩不断淤长,但淤积速度逐渐减慢,范围逐渐缩小,海岸线趋于平直。废黄河口及其两翼为侵蚀海岸,射阳河口至新洋港为冲淤过渡海岸,新洋港河口以南为淤积海岸[23]。海岸受东海前进潮波和南黄海旋转潮波控制,沿岸海区为正规半日潮,其中,废黄河三角洲海岸平均潮差在南段为1.6~1.8 m,在北段为1.8~2.7 m[24]。

2 研究方法

2.1 评价指标选择

海岸侵蚀脆弱性通常受海岸动力、海岸形态和社会经济因素共同影响。江苏中部海岸为粉砂淤泥质海岸,海岸的淤长与侵蚀很大程度上受波浪、潮流、供水供沙等海岸动力因素的影响[13]。因此,选取平均潮差、平均有效波高和海水含沙量作为海岸侵蚀脆弱性评价的动力因子。
海岸形态特征包括海岸高程、海岸线变化、等深线变化、潮滩坡度和潮滩宽度。海拔越低的地方越易因受到淹没而被侵蚀,因此海岸高程越小,海岸侵蚀脆弱性越高。海岸线变化是对海岸冲淤过程的直接响应,同时也反映了海岸侵蚀状况,淤长型海岸的侵蚀脆弱性更低[25]。此外,废黄河口海岸线虽停止后退,但岸滩下蚀仍然严重,仅通过海岸线变化速率难以反映海岸侵蚀脆弱性,可通过等深线变化速率反映岸滩侵蚀状况。潮滩坡度是海岸侵蚀脆弱性评估的一个重要因素[26],水位上升相同高度,潮滩坡度越小,被淹没的范围越大,海岸侵蚀脆弱性越高。潮滩因岸线不断后退以及海堤对其向陆扩展的限制而变窄,潮滩宽度影响着海岸侵蚀脆弱性,潮滩宽度越大,其应对极端天气和消浪的能力越强[27]。因此选择海岸高程、海岸线变化速率、等深线变化速率、潮滩坡度和潮滩宽度作为海岸侵蚀脆弱性评价的形态特征因子。
海岸侵蚀脆弱性还可通过社会经济易损性和恢复力进行表征。社会经济易损性指人口、财产和生态环境等承灾因子遭受破坏的难易程度[28]。人口密度越大、海岸开发程度越高的区域面临侵蚀脆弱性风险越高,而人均GDP和一般公共预算支出大的区域反映了个人和政府对自然灾害风险的抵御能力更强。因此,选择人口密度、地表覆盖类型、GDP、人均GDP和一般公共预算支出作为海岸侵蚀脆弱性评价的社会经济因子。
本研究选取的评价指标如表1所示。为了方便指标计算,利用ArcGIS软件和DSAS模型,绘制大致平行于海岸线走向的基线,沿基线生成垂线断面,进行指标数据提取计算。
表1 海岸侵蚀脆弱性评价指标权重及等级

Tab.1 Weights and grades of coastal erosion vulnerability assessment indicators

指标
类型		 指标 指标
编号		 权重 指标等级
极高脆弱 高脆弱 中脆弱 低脆弱 极低脆弱
海岸
动力		 平均潮差/mm C1 0.063 [0.00,274.87] (274.87~282.98] (282.98~310.32] (310.32~475.52] (475.52~549.27]
平均有效波高/m C2 0.061 (0.53,0.55] (0.50,0.53] (0.45,0.50] (0.38,0.45] [0.33,0.38]
海水含沙量/(g·L-1) C3 0.010 [0.20,0.22] (0.22,0.23] (0.23,0.26] (0.26,0.33] (0.33,0.38]
海岸
形态		 海岸高程/m C4 0.065 [0.00~2.00] (2.00~6.00] (6.00~10.00] (10.00~14.00] (14.00~22.00]
海岸线变化速率/(m·a-1) C5 0.036 [-86.56,0.00] (0.00,137.00] (137.00,253.94] (253.94,344.45] (344.45,539.33]
等深线变化速率/(m·a-1) C6 0.006 [-169.40, -93.43] (-93.43, -24.77] (-24.77, 23.08] (23.08,111.60] (111.60,294.70]
潮滩坡度/% C7 0.334 [0.00,1.00] (1.00~3.00] (3.00~12.00] (12.00~35.00] (35.00~100.00]
潮滩宽度/km C8 0.051 [0.00,3.35] (3.35,5.85] (5.85,10.60] (10.60,19.37] (19.37,33.63]
社会
经济		 人口密度/(人·km-2) C9 0.223 (896.75,2 130.39] (518.31,896.75] (257.88,518.31] (93.04,257.88] [0.00,93.04]
地表覆盖类型 C10 0.058 人造地表 耕地 裸地 草地、灌木地 湿地、水体
GDP/(万元·km-2) C11 0.028 (3 629.00,
9 194.00]		 (2 832.00,
3 629.00]		 (2 245.00,
2 832.00]		 (1 668.00,
2 245.00]		 [1 254.00,
1 668.00]
人均GDP/万元 C12 0.040 [0.00,5.34] (5.34,6.55] (6.55,7.44] (7.44,9.69] (9.69,10.64]
一般公共预算支出/亿元 C13 0.025 [0.00,64.47] (64.47,81.30] (81.30,91.68] (91.68,96.07] (96.07,108.70]

2.2 数据来源与处理

1)平均潮差。平均潮差是潮汐强度的一种重要指示,强潮海滩在面临风暴潮时有更大的缓冲空间[29],海滩的脆弱性与潮差成反比[30]。平均潮差数据采用国家海洋信息中心(http://global-tide.nmdis.org.cn/)发布的燕尾、滨海港、射阳河口、新洋港、大丰港和弶港验潮站2020年潮位数据进行计算。各验潮站所代表岸段的潮位信息见表2。
表2 2020年江苏中部海洋潮位数据

Tab.2 Marine tide data of central Jiangsu in 2020

序号 岸段 验潮站 平均高潮位/cm 平均低潮位/cm 平均潮差/cm
1 灌河口—中山河口 燕尾 445.71 107.13 338.58
2 中山河口—扁担港 滨海港 282.98 51.16 231.82
3 扁担港—射阳河口 射阳河口 274.87 51.94 222.93
4 射阳河口—新洋港 新洋港 310.31 98.55 211.76
5 新洋港—斗龙港 新洋港 310.31 98.55 211.76
6 斗龙港—川东港 大丰港 475.52 89.35 386.17
7 川东港—方塘河口南侧 弶港 549.27 104.89 444.38

注:表中潮位基于各验潮站的当地理论深度基准面。

2)平均有效波高。平均有效波高与波能密度之间呈正相关关系,可用平均有效波高来反映波能密度。平均有效波高越大,波能密度越大,波浪能量越强,引起的输沙量也越大,越易导致海岸侵蚀[31]。因此,平均有效波高越大,海岸侵蚀脆弱性越高。平均有效波高采用欧洲中期天气预报中心(European Centre for Medium-Range Weather Forecasts,ECWF)再分析数据(https://cds.climate.copernicus.eu/),采用插值方法获得平均有效波高分布,并提取断面与10 m等深线相交处的平均有效波高。
3)海水含沙量。海水含沙量越大,海岸侵蚀脆弱性越低。基于实测数据对海域泥沙含量进行插值处理,通过断面与5 m等深线相交,提取交点处泥沙含量作为断面的含沙量数据。海水含沙量实测数据参考文献[12]。
4)海岸高程。海岸高程与海岸侵蚀脆弱性呈反比关系。采用2019年美国国家航空航天局和日本经济产业省发布的分辨率为30 m的全球数字高程模型(global digitial elevation model,GDEM),通过断面与海岸高程数据叠加,提取相交位置的高程数据。
5)海岸线变化速率。选取1997年和2017年含云量少、清晰度高的空间分辨率为30 m的 Landsat影像共4景(见表3)。通过目视解译方法,提取了1997年和2017年的海岸线,采用终点变化率(end point rate,EPR)方法计算海岸线变化速率,其中正值为向海推进,负值为向陆后退:
EPR= D 2 - D 1 T 2 - T 1
式中:D1、D2分别为垂直于基线的直线与最早、最晚一期岸线的交点到基线的距离;T1、T2为最早一期岸线时间与最晚一期岸线时间。
表3 遥感数据来源及具体参数

Tab.3 Data source and specific parameters of remote sensing images

成像时间 行号 列号 传感器 分辨率/m 备注
1997-06-05 T 09:59 119 37 TM 30 计算海岸线变化速率
1997-10-18 T 10:09 120 36 TM 30 计算海岸线变化速率
2017-03-08 T 10:30 119 37 OLI_TIRS 30 计算海岸线变化速率
2017-08-06 T 10:36 120 36 OLI_TIRS 30 计算海岸线变化速率
2021-02-26 T 10:36 120 36 OLI_TIRS 30 计算潮滩坡度
2021-03-03 T 10:31 119 37 OLI_TIRS 30 计算潮滩坡度
2021-03-26 T 10:36 120 36 OLI_TIRS 30 计算潮滩坡度
2021-11-14 T 10:31 119 37 OLI_TIRS 30 计算潮滩坡度
6)等深线变化速率。分别对1980年和2018年海图数据进行数字化处理,获得5 m等深线,同样采用终点变化率方法计算5 m等深线的变化,用于反映水下岸坡的变化情况。
7)潮滩坡度。潮滩坡度越小,海岸侵蚀脆弱性越高。选取了2021年4期Landsat影像数据(见表3)用于提取水边线,结合潮位数据,计算潮滩坡度。受海水含沙量和海水深度的影响,淤泥质海岸水边线提取存在困难,因此选择稳定性更好的监督分类方法,获得水边线数据。基于监督分类方法分别提取4个时相不同潮位条件下的水边线;根据不同时相水边线的瞬时潮位计算潮位差Δh;根据水边线的平面位置差异得到平距L;利用潮位差与平距之比,求出岸滩的坡度i,其计算公式如下:
i= Δ h L×100%
由于潮汐表只有当日固定时刻的潮位、潮时数据,卫星过境时刻的瞬时潮位数据需利用下式进行推算:
h=Hhigh- Δ H 2 1 - c o s t - T h i g h T l o w - T h i g h × 180
式中:h为任意时刻潮高,Hhigh为当天高潮潮高,ΔH为当日潮差,t为卫星过境时刻,Thigh为当日高潮时,Tlow为当日低潮时。
8)潮滩宽度。潮滩宽度越大,海岸侵蚀脆弱性越低。利用ArcGIS软件,分别求取断面与平均大潮高潮线、断面与海图0 m等深线的交点,计算平均大潮高潮线到海图0 m等深线的距离,获得潮滩宽度。
9)人口密度。人口密度越高、活动量越大的海岸带侵蚀脆弱性越高。人口密度数据来源于世界人口(WorldPop)2020年人口密度数据集(https://hub.worldpop.org/),利用ArcGIS 软件,对断面与人口密度数据进行叠加分析,进而获得断面的人口密度数据。
10)地表覆盖类型。土地利用覆盖类型数据来源于自然资源部发布的GlobeLand30地表覆盖类型数据集(http://www.globallandcover.com/),土地类型分为耕地、草地、灌木地、湿地、水体、人造地表和裸地。土地开发强度越大的地方,海岸侵蚀脆弱性越高。利用ArcGIS 软件对断面与土地利用覆盖类型数据进行叠加分析,进而获得断面的地表覆盖类型数据。
11)GDP。GDP越大的地方,海岸侵蚀脆弱性越高。GDP数据来自中国科学院资源环境科学与数据中心,利用ArcGIS 软件对断面和GDP网格数据进行叠加分析,进而获得断面的GDP值。
12)人均GDP。人均GDP 反映了当地收入水平,表示当面对海岸侵蚀等自然灾害时,个人的恢复适应能力,人均GDP越大的区域海岸侵蚀脆弱性越低。人均GDP数据来源于2019年盐城统计年鉴[32]。
13)一般公共预算支出。一般公共预算支出反映政府层面综合应对自然灾害的能力,一般公共预算越大的区域海岸侵蚀脆弱性越低。一般公共预算支出数据来源于2019年盐城统计年鉴[32]。

2.3 指标评价权重和等级确定

熵权法是一种客观赋权方法,其优势在于权重确定过程可避免人为干扰。本研究采用熵权法计算指标权重,具体计算方法参考文献[33]。指标等级的确定采用自然断点法。自然断点法是基于数据中固有的自然分组,对分类间隔加以识别,可对相似值进行最恰当的分组,并可使各个类之间的差异最大化,在各类数据值差异较大的位置设置边界,实现指标等级的确定[4,34]。根据自然断点法可将评价指标分为5个等级,分别为极高脆弱、高脆弱、中脆弱、低脆弱和极低脆弱,各指标等级标准及权重如表1所示。

2.4 海岸侵蚀脆弱性评价方法

海岸侵蚀脆弱性的评价方法为:1)绘制大致平行于海岸线走向的基线;2)自北向南沿基线生成垂线,垂线即为断面,断面间隔为200 m,共生成2 331条断面;3)用DSAS模型计算海岸线变化速率和等深线变化速率,计算断面从平均大潮高潮线到0 m等深线的距离以获得潮滩宽度,结合遥感影像水边线和瞬时潮位数据计算潮滩坡度;4)以潮位站平均潮差代表的岸段潮位信息(表2),获得断面所在岸段的平均潮差数据;5)利用ArcGIS Extract Multi Values To Points工具获得断面的平均有效波高、海水含沙量、海岸高程、GDP、地表覆盖类型、人口密度数据;6)利用ArcGIS软件叠加分析工具,将断面与盐城沿海县(市、区)人均GDP和一般公共预算支出数据进行叠加,获得断面的人均GDP和一般公共预算支出数据;7)按照自然断点法,对单因子的脆弱性等级进行划分;8)以2 331条断面作为样本,计算各断面评价指标的信息熵和权重,基于权重和指标评分值计算各断面的海岸侵蚀脆弱性指数(I);9)按照自然断点法,获得海岸断面的侵蚀脆弱性等级,并按照脆弱性等级连接断面与海岸线的交点,形成连续的海岸侵蚀脆弱性空间分布。
I = ∑ i = 1 n W i C i
式中:I为海岸侵蚀脆弱性指数;$W_i$ 为单项指标的权重;$C_i$为单项指标的评分值,极低脆弱、低脆弱、中脆弱、高脆弱、极高脆弱的评分值分别为1、2、3、4、5。
地理探测器是一种以空间统计学和空间自相关为理论基础的统计学方法,用于分析各种现象的驱动力以及多因子交互作用[35]。该方法可独立处理自变量及因变量,分析空间分布的相似性,还可判断两因子交互作用及其强弱,相较其他空间异质性探测工具,具有更高的解释效率[36] 。本研究利用地理探测器中的因子探测和因子交互探测模块分析海岸侵蚀脆弱性的驱动力。以海岸侵蚀脆弱性指数作为因变量Y,以海岸侵蚀脆弱性评价指标作为自变量X,采用自然断点法将自变量X与因变量Y进行分类, 按类别对研究区域进行子区域划分,将海岸侵蚀脆弱性图层与指标图层叠加,根据两个图层间的方差大小,计算q值。因子探测计算公式如下:
q = 1 - ∑ h = 1 L N h σ h 2 N σ 2
式中:h=1、2、…、L,L为自变量X(即指标)的个数或者层数; $N_h$ 和N分别为h层的样本个数和整个研究区的样本个数; $σ_h^2$ 和$σ^2$分别是h层和整个研究区Y值的方差。
q的值域为[0,1],q值越大,说明该项指标空间变化程度对海岸侵蚀脆弱性空间变化程度影响越强,即空间分异的驱动力越强。因子交互探测用于识别评价指标之间的交互作用,即评价指标$X_1$ 和$X_2$ 共同作用是否会增加或减弱对因变量Y的解释力,或者这些评价指标对Y的影响是否相互独立。其方法是首先分别计算两种指标对因变量Y的$q(X_1) $和 $q(X_2) $值;其次,计算两种指标交互的$q(X_1⋂X_2) $值;最后对$q(X_1) $、 $q(X_2) $和$q(X_1⋂X_2) $进行比较,其判别标准参考文献[34]。

3 结果与分析

3.1 海岸动力因子分析

平均潮差(C1)。研究区北部近海受以无潮点为中心的旋转波控制,南部海区受东海前进潮波制约,两个潮波在弶港岸外辐合。川东港—方塘河口南侧平均潮差最大,为444.38 cm;射阳河口—斗龙港平均潮差最小,为211.76 cm。潮差整体上以射阳河口为中心向南北两侧增大。各断面按平均潮差划分的海岸侵蚀脆弱性为极高脆弱、高脆弱、中脆弱、低脆弱和极低脆弱的比例分别为15.78%、27.90%、15.08%、36.25%和20.77%,结果如图2所示。
图2 海岸侵蚀脆弱性分布

I—海岸侵蚀脆弱性指数;C1—平均潮差;C2—平均有效波高;C3—海水含沙量;C4—海岸高程;C5—海岸线变化速率;C6—等深线变化速率;C7—潮滩坡度;C8—潮滩宽度;C9—人口密度;C10—地表覆盖类型;C11—GDP;C12—人均GDP;C13—一般公共预算支出

Fig.2 Distribution map of coastal erosion vulnerability

平均有效波高(C2)。研究区平均有效波高自北向南呈现增加的趋势,各断面根据平均有效波高划分的海岸侵蚀脆弱性为极高脆弱、高脆弱、中脆弱、低脆弱和极低脆弱的比例分别为29.66%、13.65%、5.80%、9.31%和41.58%,结果如图2所示。
海水含沙量(C3)。江苏中部近岸海域泥沙含量由北到南逐渐增加,在灌河口—中山河口段最小,为0.2 g/L,在梁垛河口附近达到0.43 g/L。各断面根据海水含沙量划分的海岸侵蚀脆弱性为极高脆弱、高脆弱、中脆弱、低脆弱和极低脆弱的比例分别为26.02%、11.92%、31.96%、9.33%和20.77%,结果如图2所示。

3.2 海岸形态因子分析

海岸高程(C4)。海岸高程结果如图3a所示。结果显示, 江苏中部海岸地势整体平坦,海岸高程变化不大,主要分布于0~10 m之间。海岸高程以射阳河口为中心大致呈现北低南高的分布趋势。射阳河口以北区域地势起伏不大,南侧地势起伏变化相对较大。海岸高程较大的区域主要位于新洋港—川东港,高程较小的区域位于大丰港两侧、川东港—方塘河口南侧区域。各断面根据海岸高程划分的海岸侵蚀脆弱性为极高脆弱、高脆弱、中脆弱、低脆弱和极低脆弱的比例分别为32.31%、15.14%、30.98%、15.43%和6.13%,结果如图2所示。
图3 海岸形态因子指标值

Fig.3 Index value of coastal morphology

海岸线变化速率(C5)。基于Landsat影像提取了1997年和2017年江苏中部海岸线信息,计算了海岸线变化速率,结果如图3b所示。整体上,江苏中部海岸以射阳河口为界,射阳河口以北海岸线向岸后退,射阳河口以南海岸线向海推进。向岸后退岸段位于灌河口到射阳河口之间,以废黄河口为中心,20 年平均变化率为-0.46 m/a,废黄河口北侧海岸侵蚀趋缓,南侧侵蚀加剧。向海推进的岸段分布于射阳河口南侧,1997—2017年20 年间海岸线向海推进速率平均为140.6 m/a。各断面根据海岸线变化速率划分的海岸侵蚀脆弱性为极高脆弱、高脆弱、中脆弱、低脆弱和极低脆弱的比例分别为37.61%、18.50%、14.05%、18.87%和10.97%,结果如图2所示。
等深线变化速率(C6)。基于1980年和2018年海图数据,提取了江苏中部海域5 m等深线,计算了1980—2018年38年间5 m等深线变化速率,结果如图3c所示。研究区水下地形整体上呈现北部侵蚀南部淤积的趋势,侵蚀速率最大为-121.53 m/a,位于灌河口—中山河口段,淤积速率较大的区域位于斗龙港—大丰港以及川东港两侧区域。各断面根据等深线变化速率划分的海岸侵蚀脆弱性为极高脆弱、高脆弱、中脆弱、低脆弱和极低脆弱的比例分别为3.31%、15.01%、12.20%、49.32%和20.15%,结果如图2所示。
潮滩坡度(C7)。江苏中部海岸整体较平缓,平均坡度约为0.05%。潮滩坡度大小空间分布不均,坡度较大的区域位于废黄河口—扁担港,坡度较小的区域主要分布于灌河口—废黄河口、川东港—方塘河口南侧区域(图3d)。各断面根据潮滩坡度划分的海岸侵蚀脆弱性为极高脆弱、高脆弱、中脆弱、低脆弱和极低脆弱的比例分别为15.36%、19.96%、6.99%、13.84%和43.85%,结果如图2所示。
潮滩宽度(C8)。江苏中部海岸潮滩广阔,潮滩宽度分布整体上以射阳河口为界,北部由灌河口往南减小,射阳河口以南的区域潮滩宽度呈现逐渐增加的趋势(图3e)。各断面根据潮滩宽度划分的海岸侵蚀脆弱性为极高脆弱、高脆弱、中脆弱、低脆弱和极低脆弱的比例分别为36.01%、21.32%、20.77%、13.13%和8.77%,结果如图2所示。

3.3 社会经济因子分析

人口密度(C9)。人口密度越大的区域,海岸侵蚀脆弱性越大。研究区人口分布不均,沿海岸线人口密度较低,平均为73 人/km2,人口密度呈现北高南低的分布趋势,高值区域主要位于灌河口、滨海港、扁担港区域。各断面根据人口密度划分的海岸侵蚀脆弱性为极高脆弱、高脆弱、中脆弱、低脆弱和极低脆弱的比例分别为6.26%、2.96%、11.10%、24.76%和54.92%,结果如图2所示。
地表覆盖类型(C10)。研究区地表覆盖类型主要包括耕地、草地、盐沼湿地、坑塘和人造地表。人造地表主要分布于灌河口、滨海港、大丰港等港口建成区域,耕地主要分布于扁担港以北的区域,盐沼湿地主要位于射阳河口北侧、新洋港南侧和东台河口南侧区域。各断面根据地表覆盖类型划分的海岸侵蚀脆弱性为极高脆弱、高脆弱、低脆弱和极低脆弱的比例分别为6.97%、30.14%、0.65%和62.24%,结果如图2所示。
GDP(C11)。地区生产总值越高社会经济越发达,受到灾害时,其损失越大。GDP高值区域主要位于新洋港—斗龙港、灌河口区域,此外斗龙港—方塘河口南侧区域整体GDP数值较大,GDP整体呈现南高北低的分布趋势。各断面根据GDP划分的海岸侵蚀脆弱性为极高脆弱、高脆弱、中脆弱、低脆弱和极低脆弱的比例分别为5.04%、47.22%、19.57%、15.67%和12.50%,结果如图2所示。
人均GDP(C12)。人均GDP反映了个人对灾害的恢复适应能力,人均GDP越大的区域海岸侵蚀脆弱性越低。人均GDP高值区域主要是大丰区、东台市,低值区主要位于滨海县、射阳县和响水县。各断面根据人均GDP划分的海岸侵蚀脆弱性为极高脆弱、高脆弱、中脆弱、低脆弱和极低脆弱的比例分别为15.04%、21.51%、11.70%、18.20%和33.55%。
一般公共预算支出(C13)。一般公共预算支出可以反映政府的防灾、减灾、治灾能力,一般公共预算支出越大的区域海岸侵蚀脆弱性越低。一般公共预算支出的高值区主要位于东台市、大丰区,低值区主要位于响水县、滨海县和射阳县。各断面根据一般公共预算支出划分的海岸侵蚀脆弱性为极高脆弱、高脆弱、中脆弱、低脆弱和极低脆弱的比例分别为11.70%、15.04%、21.51%、33.55%和18.20%,结果如图2所示。

3.4 海岸侵蚀脆弱性空间分布特征

利用2 331条断面数据,计算了各项指标的信息熵,获得了指标权重值,再根据各指标的权重值和评分值计算各断面的海岸侵蚀脆弱性指数。结果表明,江苏中部海岸侵蚀脆弱性指数在1.301~3.770之间,平均值为2.000,整个海岸侵蚀脆弱性指数分为5个等级:极高脆弱(2.801~3.770]、高脆弱(2.293~2.801]、中脆弱(1.970 ~2.293]、低脆弱(1.718~1.970]、极低脆弱[1.301~1.718]。按照脆弱性等级连接断面与海岸线的交点,获得连续的海岸侵蚀脆弱性指数(I)分布(图3),江苏海岸不同区域的侵蚀脆弱性分布如图4所示。江苏中部海岸侵蚀脆弱性为极高脆弱的海岸有21.58 km,占海岸线总长度的5.60%,主要分布于中山河口—扁担港、扁担港—射阳河口岸段;为高脆弱的海岸有60.95 km,占海岸线总长度的15.80%,主要分布于中山河口—扁担港、斗龙港—川东港岸段;为中脆弱的海岸有119.31 km,占海岸线总长度的30.93%,主要分布于灌河口—中山河口、新洋港—斗龙港岸段;为低脆弱的海岸有93.36 km,占海岸线总长度的24.21%,主要分布于川东港—方塘河口南侧、扁担港—射阳河口以及斗龙港—川东港岸段;为极低脆弱的海岸有90.50 km,占海岸线总长度的23.46%,主要分布于川东港—方塘河口南侧、斗龙港—川东港岸段。从海岸侵蚀脆弱性空间变化来看,江苏中部海岸自北向南海岸侵蚀脆弱性等级呈降低的趋势,海岸侵蚀脆弱性较高的区域主要位于射阳河口以北,这些区域也是海岸侵蚀较严重的区域。川东港以南的海岸侵蚀脆弱性都在中脆弱以下,脆弱性较低。
图4 不同区域海岸侵蚀脆弱性分布

Fig.4 Distribution of coastal erosion vulnerability in different regions

3.5 海岸侵蚀脆弱性驱动因子分析

研究发现江苏中部海岸侵蚀脆弱性空间分布特征存在显著的空间分异性。采用地理探测器的因子探测模块分析各因子对海岸侵蚀脆弱性空间分异的影响力,对海岸侵蚀脆弱性因变量和13个自变量分别进行因子探测,计算各指标对海岸侵蚀脆弱性的影响程度,结果如表4所示(q值越大,表明该因子对海岸侵蚀脆弱性影响越大)。可以发现,各指标q值均通过显著性检验(p<0.05),说明本研究构建的指标体系合理。海岸侵蚀脆弱性评价指标的q值排序为:潮滩坡度(0.47)>地表覆盖类型(0.39)>平均潮差(0.37)>海岸线变化速率(0.31)>等深线变化速率(0.30)>海水含沙量(0.28)>GDP(0.27)>潮滩宽度(0.23)>人口密度(0.22)>平均有效波高(0.21)>人均GDP(0.13)>海岸高程(0.12)>一般公共预算支出(0.11)。江苏中部海岸侵蚀脆弱性的空间分异是海岸动力、海岸形态和社会经济因子共同影响的结果,潮滩坡度、地表覆盖类型、平均潮差、海岸线变化速率的q值均大于0.30,表明其对海岸侵蚀脆弱性的贡献较大,是影响海岸侵蚀脆弱性空间分异的主导因素。相对而言,平均有效波高、人均GDP、海岸高程和一般公共预算支出对海岸侵蚀脆弱性空间分异的影响较小。
表4 海岸侵蚀脆弱性影响因子的q值

Tab.4 The q value of influencing factor of coastal erosion vulnerability

指标 编号 q值 p值
平均潮差 C1 0.37 0.00
平均有效波高 C2 0.21 0.00
海水含沙量 C3 0.28 0.00
海岸高程 C4 0.12 0.00
海岸线变化速率 C5 0.31 0.00
等深线变化速率 C6 0.30 0.00
潮滩坡度 C8 0.47 0.00
潮滩宽度 C7 0.23 0.00
人口密度 C9 0.22 0.00
地表覆盖类型 C10 0.39 0.00
GDP C11 0.27 0.00
人均GDP C12 0.13 0.00
一般公共预算支出 C13 0.11 0.00
为分析多因子作用下海岸侵蚀脆弱性的空间分异,利用地理探测器进行了多因子交互探测分析,计算结果如图5所示。从交互探测结果来看,双因子交互作用的q值均大于单因子的q值,表现出双因子增强的效应,不存在相互独立的指标,表明了双因子对海岸侵蚀脆弱性空间分异的影响均大于单个因子独立的作用,说明海岸侵蚀脆弱性空间分异是多因子协同作用的结果,多因子交互增强了对海岸侵蚀脆弱性变化的解释力。潮滩坡度与地表覆盖类型、海岸线变化速率、平均有效波高、海水含沙量交互作用显著,q值均大于0.70,其中,潮滩坡度与地表覆盖类型的交互作用最强,其q值为0.79,表明海岸形态自然因子和社会经济因子的交互作用对海岸侵蚀脆弱性产生了关键性的影响。值得注意的是,在单因子探测中贡献度较低的平均有效波高在与潮滩坡度因子交互中影响力有了大幅度提升,反映了平均有效波高在与潮滩坡度因子共同作用下,更容易影响海岸侵蚀脆弱性的空间分异。
图5 海岸侵蚀脆弱性因子交互探测

Fig.5 Interactive detection of coastal erosion vulnerability indexes

4 讨论与结论

4.1 讨论

江苏中部海岸是典型的粉砂淤泥质海岸,目前海岸侵蚀脆弱性研究多考虑海岸形态特征,而对于社会经济因素考虑不足。本文从海岸动力特征、海岸自然形态、社会经济等三方面来反映海岸侵蚀脆弱性,指标更加全面完整。在指标数据获取方面,利用多时相遥感数据和潮位数据,计算了潮滩坡度、海岸线变化速率、等深线变化速率,克服了在对淤泥质海岸进行侵蚀脆弱性评价时数据获取困难的问题。在评价尺度方面,运用DSAS和ArcGIS软件将江苏中部海岸离散为2 331条断面,采样间隔200 m,使得海岸侵蚀评价结果的精细化程度更高。在指标权重确定方面,本文以采样断面为指标样本,计算指标信息熵,求取指标权重,避免了专家咨询法中权重计算具有主观性的问题。在海岸侵蚀脆弱性指标的影响方面,引入地理探测器开展了海岸侵蚀脆弱性评价主导因子分析。地理探测器的精准性随样本数的增加而提升,此次参加计算的样本数达到2 331个,对海岸侵蚀脆弱性驱动因子解释的可信度更高。
海岸侵蚀脆弱性评价结果表明,江苏中部海岸侵蚀脆弱性为极高脆弱、高脆弱、中脆弱、低脆弱和极低脆弱的比例分别为5.60%、15.80%、30.93%、24.21%和23.46%,江苏中部海岸自北向南海岸侵蚀脆弱性等级呈现整体下降的趋势。刘小喜 等[11]研究认为江苏中部海岸侵蚀高脆弱区主要位于扁担港两侧,往南海岸侵蚀脆弱性较低,这与本文研究结果基本一致。YIN 等[10]研究了全国海岸带侵蚀脆弱性认为江苏中部海岸均为侵蚀高脆弱和极高脆弱区,与其研究结果相比,本研究的尺度较小,江苏中部海岸分布有极高脆弱和高脆弱区域,亦有中脆弱、低脆弱和极低脆弱区域,结果更加符合江苏中部海岸的实际状况。单因子探测和交互因子探测结果表明,江苏中部海岸侵蚀脆弱性空间分异是海岸动力、海岸形态和社会经济因子共同影响的结果。研究发现,单因子探测中贡献力较低的平均有效波高因子在与潮滩坡度因子的交互中,影响力有了大幅度提升,表明海岸动力因子和海岸形态因子交互作用表现出更强的解释力。潮滩坡度、地表覆盖类型、平均潮差、海岸线变化速率对海岸侵蚀脆弱性的空间分异影响较大,多因子交互增强的结果表明海岸侵蚀是多因子共同作用的结果。因此,海岸侵蚀防护应多措并举,要坚持人与自然和谐共生的理念,破除传统“重岸轻滩”的海岸防护思维,将保护海岸与保护岸滩相结合,将自然与人工措施相结合,种植碱蓬、柽柳等提升海岸地表覆盖度,建设生态化海堤,构筑海岸防护生态屏障。此外,应进一步加大政府在一般公共预算中对海岸侵蚀防护的投入以增强海岸侵蚀的恢复力。
本研究充分利用实测数据、遥感数据以及模拟数据,并结合GIS技术使得评价数据的获得相对容易,但海岸侵蚀脆弱性评价结果与数据的精细化程度也密切相关,下一步工作应更多关注有效波高、潮位数据、泥沙实测数据,此外对于海岸外的自然生境也需要进一步关注。

4.2 结论

从海岸动力、海岸形态和社会经济三个方面构建了海岸侵蚀脆弱性评价指标体系,并采用断面法计算了海岸侵蚀脆弱性指数,获得了江苏中部海岸侵蚀脆弱性分布,基于地理探测器分析了海岸侵蚀脆弱性的主要影响因子,主要结论如下。
1)江苏中部海岸侵蚀脆弱性为极高脆弱、高脆弱、中脆弱、低脆弱和极低脆弱的比例分别为5.60%、15.80%、30.93%、24.21%和23.46%。从海岸侵蚀脆弱性空间分布来看,江苏中部海岸自北向南侵蚀脆弱性等级整体呈现逐渐降低的趋势。海岸侵蚀极高脆弱区主要分布于中山河口—射阳河口之间的海岸区域,川东港以南海岸侵蚀脆弱性最低。
2)海岸侵蚀脆弱性评价指标的q值排序为:潮滩坡度(0.47)>地表覆盖类型(0.39)>平均潮差(0.37)>海岸线变化速率(0.31)>等深线变化速率(0.30)>海水含沙量(0.28)>GDP(0.27)>潮滩宽度(0.23)>人口密度(0.22)>平均有效波高(0.21)>人均GDP(0.13)>海岸高程(0.12)>一般公共预算支出(0.11)。从海岸侵蚀脆弱性影响因素来看,潮滩坡度、地表覆盖类型、平均潮差和海岸线变化速率是海岸侵蚀脆弱性空间分异的主导因子,尤其是潮滩坡度影响最大。
3)因子交互探测结果表明,江苏中部海岸侵蚀脆弱性的空间分异是海岸动力、海岸形态和社会经济因子共同影响的结果。双因子交互作用对海岸侵蚀脆弱性的影响均大于单因子的影响,其中潮滩坡度与地表覆盖类型的交互效应最大。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
GORNITZ V. Vulnerability of the East Coast, USA to future sea level rise[J]. Journal of Coastal Research, 1990, 9: 201-237.

[2]
刘曦, 沈芳. 长江三角洲海岸侵蚀脆弱性模糊综合评价[J]. 长江流域资源与环境, 2010, 19(S1):196-200.

LIU X, SHEN F. Fuzzy comprehensive assessment on the Yangtze River Delta coastal erosion vulnerability[J]. Resources and Environment in the Yangtze Basin, 2010, 19(S1): 196-200.

[3]
文世勇, 王紫竹, 王涛, 等. 基于遥感技术的海南省海岸侵蚀现状与趋势评估[J]. 灾害学, 2020, 35(1):138-143.

WEN S Y, WANG Z Z, WANG T, et al. Status and trend assessment of coastal erosion at Hainan Province based on remote sensing technology[J]. Journal of Catastrophology, 2020, 35(1): 138-143.

[4]
GORNITZ V. Global coastal hazards from future sea level rise[J]. Global and Planetary Change, 1991, 3(4): 379-398.

DOI

[5]
BORUFF B J, EMRICH C, CUTTER S L. Erosion hazard vulnerability of US coastal counties[J]. Journal of Coastal Research, 2005, 215: 932-942.

DOI

[6]
KUNTE P D, JAUHARI N, MEHROTRA U, et al. Multi-hazards coastal vulnerability assessment of Goa, India, using geospatial techniques[J]. Ocean & Coastal Management, 2014, 95: 264-281.

[7]
KUMAR T S, MAHENDRA R S, NAYAK S, et al. Coastal vulnerability assessment for Orissa State, East Coast of India[J]. Journal of Coastal Research, 2010, 26(3): 523-534.

[8]
JANA A, BHATTACHARYA A K. Assessment of coastal erosion vulnerability around Midnapur-Balasore Coast, Eastern India using integrated remote sensing and GIS techniques[J]. Journal of the Indian Society of Remote Sensing, 2013, 41(3): 675-686.

DOI

[9]
SZLAFSZTEIN C, STERR H. A GIS-based vulnerability assessment of coastal natural hazards, state of Pará, Brazil[J]. Journal of Coastal Conservation, 2007, 11(1): 53-66.

DOI

[10]
YIN J, YIN Z E, WANG J, et al. National assessment of coastal vulnerability to sea-level rise for the Chinese coast[J]. Journal of Coastal Conservation, 2012, 16(1): 123-133.

DOI

[11]
刘小喜, 陈沈良, 蒋超, 等. 苏北废黄河三角洲海岸侵蚀脆弱性评估[J]. 地理学报, 2014, 69(5):607-618.

LIU X X, CHEN S L, JIANG C, et al. Vulnerability assessment of coastal erosion along the Abandoned Yellow River Delta of northern Jiangsu, China[J]. Acta Geographica Sinica, 2014, 69(5): 607-618.

DOI

[12]
李恒鹏, 杨桂山. 长江三角洲与苏北海岸动态类型划分及侵蚀危险度研究[J]. 自然灾害学报, 2001, 10(4):20-25.

LI H P, YANG G S. Determination of classification and risk in the coastal zone of Yangtze Delta and North Jiangsu[J]. Journal of Natural Disasters, 2001, 10(4): 20-25.

[13]
王奎博, 张丽, 王瑞琪, 等. 海南岛海岸侵蚀脆弱性评价[J]. 遥感技术与应用, 2022, 37(5):1149-1158.

WANG K B, ZHANG L, WANG R Q, et al. Evaluation of coastal erosion vulnerability in Hainan Island[J]. Remote Sensing Technology and Application, 2022, 37(5): 1149-1158.

[14]
ABUODHA P A O, WOODROFFE C D. Assessing vulnerability to sea-level rise using a coastal sensitivity index: A case study from southeast Australia[J]. Journal of Coastal Conservation, 2010, 14(3): 189-205.

DOI

[15]
ZAMPAZAS G, KARYMBALIS E, CHALKIAS C. Assessment of the sensitivity of Zakynthos Island (Ionian Sea, Western Greece) to climate change-induced coastal hazards[J]. Zeitschrift Für Geomorphologie, 2022, 63(2/3): 183-200.

DOI

[16]
王远东, 侯西勇, 施平, 等. 海平面上升背景下环渤海海岸敏感性研究[J]. 地理科学, 2013, 33(12):1514-1523.

DOI

WANG Y D, HOU X Y, SHI P, et al. Sensitivity analysis along the Bohai coast under the background of sea level rise[J]. Scientia Geographica Sinica, 2013, 33(12): 1514-1523.

[17]
徐伟, 彭修强, 贾培宏, 等. 苏北废黄河三角洲海岸线历史时空演化研究[J]. 南京大学学报:自然科学, 2014, 50(5):576-584.

XU W, PENG X Q, JIA P H, et al. Spatial-temporal coastline evolution of the old Yellow River delta, northern Jiangsu Province[J]. Journal of Nanjing University: Natural Sciences, 2014, 50(5): 576-584.

[18]
张忍顺. 苏北黄河三角洲及滨海平原的成陆过程[J]. 地理学报, 1984, 39(2):173-184.

DOI

ZHANG R S. Land-forming history of the Huanghe River delta and coastal plain of North Jiangsu[J]. Acta Geographica Sinica, 1984, 39(2): 173-184.

[19]
高抒. 废黄河口海岸侵蚀与对策[J]. 海岸工程, 1989, 8(1):37-42.

GAO S. Erosion of old Yellow River Delta in northern Jiangsu and coast protection[J]. Coastal Engineering, 1989, 8(1): 37-42.

[20]
王艳红. 废黄河三角洲海岸侵蚀过程中的变异特征及整体防护研究[D]. 南京: 南京师范大学, 2006.

WANG Y H. Study of variation features during coastal erosion processes on the abandoned Huanghe River delta and integrated protection measures[D]. Nanjing: Nanjing Normal University, 2006.

[21]
张忍顺, 陆丽云, 王艳红. 江苏海岸侵蚀过程及其趋势[J]. 地理研究, 2002, 21(4):469-478.

ZHANG R S, LU L Y, WANG Y H. The mechanism and trend of coastal erosion of Jiangsu Province in China[J]. Geographical Research, 2002, 21(4): 469-478.

DOI

[22]
HIMMELSTOSS E A, HENDERSON R E, KRATZMANN M G, et al. Digital shoreline analysis system (DSAS) version 5.1 user guide[R]. US Geological Survey, 2021. https://doi.org/10.3133/ofr20211091.

[23]
王艳红, 温永宁, 王建, 等. 海岸滩涂围垦的适宜速度研究——以江苏淤泥质海岸为例[J]. 海洋通报, 2006, 25(2):15-20.

WANG Y H, WEN Y N, WANG J, et al. Feasible rate of tidal flat reclamation—Jiangsu mud coast as a case study[J]. Marine Science Bulletin, 2006, 25(2): 15-20.

[24]
任美锷. 江苏海岸带和海涂资源综合调查报告[M]. 北京: 海洋出版社,1986.

REN M E. Report of comprehensive survey of coastal zone and tideland resources in Jiangsu Province[M]. Beijing: China Ocean Press, 1986.

[25]
ISLAM M A, MITRA D, DEWAN A, et al. Coastal multi-hazard vulnerability assessment along the Ganges deltaic coast of Bangladesh—A geospatial approach[J]. Ocean & Coastal Management, 2016, 127: 1-15.

[26]
NAGESWARA R K, SUBRAELU P, VENKATESWARA R T, et al. Sea-level rise and coastal vulnerability: An assessment of Andhra Pradesh coast, India through remote sensing and GIS[J]. Journal of Coastal Conservation, 2008, 12(4): 195-207.

DOI

[27]
BAGDANAVIČIŪTĖ I, KELPŠAITĖ L, SOOMERE T. Multi-criteria evaluation approach to coastal vulnerability index development in micro-tidal low-lying areas[J]. Ocean and Coastal Management, 2015, 104: 124-135.

DOI

[28]
罗时龙. 海岸侵蚀风险评价模型构建及其应用研究[D]. 青岛: 中国海洋大学, 2014.

LUO S L. Study on risk assessment modeling of coastal erosion and its application[D]. Qingdao: Ocean University of China, 2014.

[29]
戚洪帅, 蔡锋, 苏贤泽, 等. 热带风暴作用下海滩地貌过程模式初探以0604号热带风暴“碧利斯”对半月湾海滩的作用为例[J]. 海洋学报, 2009, 31(1):168-176.

QI H S, CAI F, SU X Z, et al. Study on geomorphologic process of beaches under tropical storm action Taking the effect of No.0604 tropical storm Bylis on Banyue Bay beach in Fujian Province, China as an example[J]. Acta Oceano-logica Sinica, 2009, 31(1): 168-176.

[30]
MAHMOOD R, AHMED N, ZHANG L, et al. Coastal vulnerability assessment of Meghna Estuary of Bangladesh using integrated geospatial techniques[J]. International Journal of Disaster Risk Reduction, 2020, 42: 101374.

DOI

[31]
朱正涛. 海岸侵蚀脆弱性评估模型构建及其应用研究[D]. 上海: 华东师范大学, 2019.

ZHU Z T. Study on assessment modeling of coastal vulnerability to erosion and its application[D]. Shanghai: East China Normal University, 2019.

[32]
盐城市人民政府. 盐城年鉴[M]. 北京: 方志出版社, 2019.

Yancheng Municipal People's Government. Yancheng Year-book[M]. Beijing: Fangzhi Publishing House, 2019.

[33]
曹斯明, 吴怡, 曹凯, 等. 基于熵权和层次分析法的综合能源系统运行服务评价[J]. 科技通报, 2021, 37(12):56-60.

CAO S M, WU Y, CAO K, et al. Service evaluation of the integrated energy system based on EMW and AHP[J]. Bulletin of Science and Technology, 2021, 37(12): 56-60.

[34]
DIEZ P G, PERILLO G M E, PICCOLO M C. Vulnerability to sea-level rise on the coast of the Buenos Aires Province[J]. Journal of Coastal Research, 2007, 231: 119-126.

DOI

[35]
王劲峰, 徐成东. 地理探测器:原理与展望[J]. 地理学报, 2017, 72(1):116-134.

DOI

WANG J F, XU C D. Geodetector: Principle and prospective[J]. Acta Geographica Sinica, 2017, 72(1): 116-134.

DOI

[36]
SHRESTHA A, LUO W. Analysis of groundwater nitrate contamination in the central valley: Comparison of the geodetector method, principal component analysis and geographically weighted regression[J]. ISPRS International Journal of Geo-Information, 2017, 6(10): 297.

DOI

Options
文章导航

/

〈 〉