EN中文

Arid Land Geography >

2026 , Vol. 49 >Issue 1: 69 - 79

DOI: https://doi.org/10.12118/j.issn.1000-6060.2025.031

Earth Surface Process

Comprehensive evaluation of sand hazards on the Yuli-Qiemo desert highway based on the variable weight-cloud model theory

  • Mingkun LYU , 1, 2, 3 ,
  • Chunmei LIU 4 ,
  • Xiangjun YANG 5 ,
  • Yuan LING 5 ,
  • Shengyu LI , 1, 2, 3 ,
  • Zhentao LYU 1, 2, 3
Expand
  • 1 National Engineering Technology Research Center for Desert-Oasis Ecological Construction, Xinjiang Institute of Ecology and Geography, Chinese Academy of Sciences, Urumqi 830011, Xinjiang, China
  • 2 State Key Laboratory of Desert and Oasis Ecology, Xinjiang Institute of Ecology and Geography, Chinese Academy of Sciences, Urumqi 830011, Xinjiang, China
  • 3 University of Chinese Academy of Sciences, Beijing 100049, China
  • 4 Xinjiang Communications Investment (Group) Co. Ltd., Urumqi 830000, Xinjiang, China
  • 5 Xinjiang Academy of Transportation Sciences Co. Ltd., Urumqi 830000, Xinjiang, China

Received date: 2025-01-15

  Revised date: 2025-05-12

  Online published: 2026-03-11

Fold

Abstract

Assessing aeolian sand hazards is fundamental to the construction, operation, and maintenance of desert highways. However, conventional evaluation methods often suffer from excessive subjectivity, highlighting the need for an objective and robust assessment framework. Focusing on the Yuli-Qiemo desert highway in China, this study proposes a novel, data-driven method for evaluating aeolian sand-hazard risks, based on extensive field investigations conducted in 2023 and analyses. First, a variable-weight cloud model was established, incorporating ten key indicators. A modified analytic hierarchy was used to determine the indicator fixed weights. Second, a dual-score evaluation method, integrated with computational algorithms, enabled automated batch processing of indicator stratification and dynamic weight adjustment based on variable-weight theory. Third, the variable-weight cloud model was used to classify hazard levels, which were validated against historical sand hazard records. The results indicate that (1) The proposed method enables efficient and accurate assessment of aeolian sand hazards along entire highways, transitioning from isolated segment evaluation to full-route analysis. This is achieved through the automated computation of state values and real-time adjustment of indicator weights. (2) Comparison with historical sand hazard records yielded a correlation coefficient of 0.91 (P<0.001), indicating a significant positive correlation within the 95% confidence interval and demonstrating the method’s ability to reduce human subjectivity. (3) The overall aeolian sand-hazard risk of the Yuli-Qiemo desert highway is high. Grade III hazard segments dominate (65.46%), followed by grade IV (30.91%), with no segments classified as grade I. The risk is low at the northern and southern ends of the highway, high in the middle segments, and gradually increases in severity from north to south. Middle segments K180-K250 and K30-K60 are the most severely affected and warrant prioritized mitigation efforts. This novel method for identifying and predicting aeolian sand hazard risks along desert highways offers critical insights to inform targeted prevention and control strategies.

Key words： Yuli-Qiemo desert highway; sand hazard; variable-weight cloud model; dual-score evaluation method; dynamic weight adjustment

Cite this article

Mingkun LYU , Chunmei LIU , Xiangjun YANG , Yuan LING , Shengyu LI , Zhentao LYU . Comprehensive evaluation of sand hazards on the Yuli-Qiemo desert highway based on the variable weight-cloud model theory[J]. Arid Land Geography, 2026 , 49(1) : 69 -79 . DOI: 10.12118/j.issn.1000-6060.2025.031

公路运输是现代社会交通网络的重要组成部分，在经济社会发展中发挥了重要作用[1]。在风沙地区，公路建设和运营中面临的首要威胁是风沙灾害[2]。中国沙漠面积约7×105 km2，约占国土总面积的7.29%，特别在西北内陆地区沙漠广泛分布[3]。塔克拉玛干沙漠是我国最大的流动性沙漠[4]，随着中国西部沙漠地区资源开发，建设了越来越多的沙漠公路，然而，频繁的风沙活动导致的公路沙害阻碍交通，甚至引发严重的交通事故。因此，风沙灾害防治是沙漠公路安全运行的头等大事，而建立科学实用的公路沙害评估体系，是公路沙害精准防治的关键，对于沙漠公路规划、设计、运维具有重要现实意义。
20世纪90年代以来，国内外在公路沙害评价方面开展了大量研究工作，经历了从单一指标分析到综合动态评估的变化。传统评价方法有层次分析法、熵权法、主成分分析（PCA）法等，因其逻辑清晰、使用便捷，被广泛用于灾害风险评估中[5]，但因其恒定权重限制，难以适应荒漠环境时空异质性特征，常导致评价结果与动态沙害场景失配。针对这一问题，变权理论被逐渐引入。变权理论是根据实际情况对恒权权重进行修正，它既注重各因素本身的相对重要性，也注重各因素之间的内在联系，其指标权重随着评价值状态而变化，因而增强了评价模型的适应性和科学性，现已被用于较多领域[6-8]。变权理论应用的关键在于对各评价体系状态值的获取。然而，现有变权应用仍存在两大技术问题：一是状态值确定的一般方法是人工打分法，虽然能够满足某个路段或少数路段的评价需求，但评估效率低，难以满足整条公路快速评价需求；其二，传统模糊分级方法对指标随机波动和不确定性的表征能力不足。此外，云模型以其在处理模糊性、不确定性和多维复杂性方面的优势，广泛应用于风险等级评估、稳定性评价和数据预测与发掘等方面[9]。
为解决上述问题，本文将评价指标分级与变权理论、云模型理论融合，克服了既有方法中“同权不同质”和高度依赖专家打分的缺陷，并提出双重赋分评价法实现状态值的客观、高效处理，实现了变权条件下公路沙害评价从单一路段到全路段的尺度扩展，并以尉犁至且末沙漠公路（尉-且沙漠公路）为例进行验证，对该区域沙害防治有重要意义，也可为其他沙漠地区的交通线路防沙治沙提供经验。

1 数据与方法

1.1 研究区概况

尉-且沙漠公路（38.00°~41.00°N，85.21°~86.22°E）位于塔里木盆地中部，南北纵贯塔克拉玛干沙漠的东部[10-11]（图1）；北起尉犁县，南至且末县，是继塔克拉玛干沙漠油田公路和阿拉尔-和田沙漠公路之后，南北纵贯塔克拉玛干沙漠的第3条一般等级公路，总体南北走向，全长332 km；地势南高北低。区域气候极端干旱，干燥少雨，年降水量仅为18.6~40.8 mm，而年蒸发量却高达2507.0~2910.5 mm，年均起沙风速6.03~6.64 m·s-1，年起沙风频率2.67%~18.28%，风沙活动以春季和夏季最为频繁，主导风向为东北东（ENE）和东（E），年输沙势106.48~293.70 VU[12]。公路沿线风沙活动频繁，沿线以流动沙丘和流动沙垄为主，占比90%以上，绝大部分路段分布在沙漠区（K22+500~K329+000），仅路线起点、终点路段分布在农耕区和荒地区，沙害不明显，其他路段均存在不同程度的沙害现象，主要危害形式为沙埋和风蚀。沙害危害严重段主要分布在流动沙丘及复合型沙丘段，以沙埋危害为主；危害中等段主要分布在部分半固定、半流动沙丘及较小规模的沙丘盆地中，仍以沙埋危害为主。公路建成以来，全线约305 km的路段遭受了不同程度的沙害，严重影响公路通行安全和维护成本。因此，开展尉-且沙漠公路沙害综合评价具有重要的理论和实践意义。
图1 研究区示意图

注：基于自然资源部标准地图服务网站审图号为GS(2024)0650号的标准地图制作，底图边界无修改。下同。

Fig. 1 Schematic diagram of the study area

1.2 数据来源

本文所用数据包括地貌、风况、公路工程设计和公路清沙记录。地貌数据来源于2022年全球海底地形数据（GEBCO），单位为m，空间分辨率为15弧秒，采用GCS_WGS_1984地理坐标系；公路工程设计数据及历史灾情记录由新疆交通科学研究院有限公司提供，包括路基高度、曲线半径、坡率等设计参数及2023年积沙灾害信息。风况数据来源于2023年ERA5气象再分析数据，时空分辨率分别为1 h和0.25°×0.25°。通过GIS平台对各因子进行综合分析。

1.3 研究方法

1.3.1 整体研究思路

针对尉-且沙漠公路沙害风险的空间差异性，构建基于变权云模型的分级评价体系，采用改进层次分析法确定恒权值；结合路段状态值，利用变权理论动态调整权重；通过云模型生成综合评价云。
由于尉-且沙漠公路沿线风能环境、地形地貌和工程设计条件各路段差异较大，无法采用统一方法进行整体评价。为确保评价结果的科学性与准确性，本文以5 km为间隔，将公路划分为67个路段，并对各路段的风能环境、地形地貌等关键因素进行分析，获取状态值和变权值。这种分段分析方法充分考虑了路段间的差异，确保了权重分配的合理性与评价结果的吻合性。基于以上思路和方法，结合计算机技术提出双重赋分评价法，进而实现变权条件下的全路段等级评价。整体研究思路如图2所示。
图2 研究框架示意图

Fig. 2 Schematic diagram of the research framework

1.3.2 公路积沙灾害评价体系构建

为确保评估体系的科学性与合理性，本文根据工程经验，并结合Han等[12]、王玉竹等[13]和朱震达等[14]的研究成果，建立了沙害评价指标体系，评价体系包括3个一级指标和10个二级指标（表1）。
表1 沙漠公路积沙灾害评价体系

Tab. 1 Evaluation system of sand accumulation hazards on desert highways

评价目标 一级指标 二级指标 指标性质 恒权权重
沙漠公路沙
害综合评价		 区域地貌条件 流动沙丘高度/m 定量 0.213
下垫面形态 定性 0.050
沿线沙源分布/% 定性 0.117
工程设计因素 路基高度/m 定量 0.083
迎风弯凹凸面 定性 0.028
坡率 定量 0.073
曲线半径/m 定量 0.035
区域风动力
条件		 输沙势/VU 定量 0.202
起沙风频率/% 定量 0.148
路风夹角/(°) 定量 0.050

1.3.3 相关性分析

为消除评价指标间的多重共线性干扰，采用Pearson相关系数法对环境变量进行预筛选。Pearson相关分析表明，10个环境评价指标间的相关系数均低于共线性阈值（|r|<0.8），其中输沙势与起沙风频率（r=0.76）相关性较高，但仍满足独立性要求（图3）。该指标体系完整涵盖了沙源条件、动力特征和地形要素等关键维度，各指标均具有明确的物理意义和工程适用性，确保了评价体系的科学性和可靠性。
图3 公路积沙灾害评价指标皮尔逊相关性热力图

Fig. 3 Pearson correlation heatmap of sand accumulation hazards on highways

1.3.4 评价指标权重计算

本文结合五标度判断法，采用改进层次分析法对各项指标进行量化，通过专家打分确定初始恒权，再基于变权理论动态调整权重，使指标权重能够在不同条件下合理反映实际情况。该方法全面覆盖了公路风沙灾害风险的主要影响因素，保证了指标的相对独立性，避免了权重分配偏差，提高了评估模型的科学性和实用性。
（1）恒权权重的确定
Han等[12]建立的公路沙害评估体系具有较强的科学性和适用性，能够有效反映各指标在综合评估中的相对重要性。因此，本文采用该研究的指标体系和恒权权重（表1）。
（2）双重赋分评价法确定公路状态值
科学评估各类环境因素和工程特征的状态值对公路安全具有重要意义。不同的学者对于状态值的确定有不同的方式，如Han等[12]采用专家评分的算术平均值作为状态值进行变权计算；王海宝[15]采用基于云模型理论确定指标权重。传统的专家打分法，易受主观因素影响，在处理大量量化数据时效率较低。
本文采用将专家经验与模型评分相结合的双重赋分评价法，基于线性插值的数值模型的自动化打分方式与专家打分相结合来计算状态值。以各评价指标级别划分（表2）为标准，进行线性插值构建数值模型并与专家打分相结合，对于易量化的指标（如沙丘高度、输沙势、风频率等），利用实测数据生成状态值结果，采用数值模型自动评分；对于难以量化的指标（如曲线半径、迎风弯凹凸面），用专家打分，可以提高评估的准确性，兼有数据模型的高效性与专家判断的灵活性。
表2 各评价指标评分标准

Tab. 2 Classification of levels for each evaluation indicator

评价指标 指标分级
Ⅰ Ⅱ Ⅲ Ⅳ
流动沙丘高度/m <1 1~3 3~5 >5
下垫面形态 草方格 石方格 砾石 自然表面
沿线沙源分布 分布有胡杨、红柳包、芦苇
等植物，分布的淤土地、平
沙地和稀疏沙丘疏密度
为20%~40%，且有盐土、草
甸土和龟裂性土分布		 分布有红柳、沙拐枣等植
物，分布的稀疏沙丘疏密
度为20%~40%；或无植被
分布的沙丘及沙丘链，其疏
密度小于60%；或无植被分
布的平沙地，有残余盐土、半
固定风沙土和粗沙平地分布		 分布有红柳、沙拐枣等植
被，分布的沙丘及沙丘链疏
密度为60%~80%；或无植
被分布的稀疏沙丘，其疏密
度为40%~60%，大部分为
风沙土		 无植被分布，分布的高大密
集的沙丘及沙丘链，其疏密
度为80%~100%，全部为风
沙土
起沙风频率/% <5 5~15 15~35 >35
输沙势/VU <200 200~300 300~400 >400
路基高度/m 1~2 2~3 3~4 4~5
坡率 1:1~1:2 1:2~1:3 1:3~1:4 1:4~1:5
路风夹角/(°) 0~15 15~45 45~75 75~90
（3）变权计算
变权综合理论是一种新型的综合决策方法[16]。其核心原理是，在不同工程环境下，各评价指标的重要性可能发生变化，而传统的恒定权重难以准确反映实际情况。本文依据变权综合理论，对指标状态值动态调整，优化权重分配，计算变权值。提高评价体系的合理性和准确性。
由步骤（2）获得各个评价指标的状态值，根据已知的状态值，利用变权公式[17]，计算各指标权重的变权值[ w j x][18]。计算公式如下：
w j x = w ' j × s j x ∑ j = 1 n w ' j × s j x
式中： w ' j为第j个评价指标的恒权变量； s j x为第j个评价指标的状态值；n为评价指标数量，n=10。
通过变权计算，在环境参数发生变化时，动态调整指标权重，使得评估结果更加符合公路的实时状况。可更全面反映沙害风险因素，有助于公路沙害科学评估。

1.3.5 构建云模型

云模型理论是李德毅院士在概率论和模糊数学基础上，提出的一种反映人类知识模糊性和随机性的方法，是研究不确定信息与定量指标相互转换的理论，可以极大克服定量与定性关系中的模糊性[19]；运用正态云发生器，可以对随机性和模糊性的定量化分级评定[20]。
（1）确定评语集
评语集是评价者对评价对象做出各种结果的集合。积沙厚度是衡量风沙在公路路面及周边堆积状况的重要指标，直接反映了风沙对公路的危害程度，是影响交通安全的关键因素。本文以积沙厚度作为沙害等级划分的主要评判标准，结合其对公路通行安全和维护工作的影响程度，并参考Lei等[21]、Han等[12]的研究成果，将沙害等级划分为轻度、中度、重度和极重度4个等级（表3）。
表3 公路积沙程度评语集

Tab. 3 Standardized lexicon for the degree of sand accumulation on highways

公路沙害等级 路面积沙厚度/cm 评分区间
轻度（一级） ≤5 0~25
中度（二级） 5~20 25~50
重度（三级） 20~50 50~75
极重度（四级） ≥50 75~100
（2）确定评价标准云
评语集第 k个分数区间 x k m i n ,   x k m a x对应的标准云数字特征值为（ E x k， E n k， H e k），计算公式如下：
E x k = x k m a x + x k m i n / 2 E n k = x k m a x - x k m i n / 6 H e k = c
式中： c为常数，本文c取0.5； x k m i n为评语集第 k个分数区间最小值； x k m a x为评语集第 k个分数区间最大值； E x k为第k个分数区间的数学期望值； E n k为第k个分数区间的熵； H e k为第k个分数区间的超熵。
确定标准云特征参数后，通过Python程序生成各灾害等级对应标准云图。
（3）确定指标评价云
利用上述双重赋权评价法，获得状态值评分，每列对应一个评价指标，每行对应一个状态值分数，得到评价矩阵。假设有 i个专家进行状态值评分， j个评价指标，则评价矩阵 Z的维度为 i × j。评价矩阵计算公式如下：
Z = z 11 z 12 … z 1 j z 21 z 22 … z 2 j … … … … z i 1 z i 2 … z i j
式中： z i j为第i个专家第j个评价指标的状态值评分。
使用逆向云发生器的SBCT-1stM算法，利用以下公式计算每个指标的数字特征（ E x j， E n j， H e j）。计算公式如下：
E x j = 1 m ∑ i = 1 m   z i j E n j = π 2 × 1 m ∑ i = 1 m   z i j - E x j S j 2 = 1 m - 1 ∑ i = 1 m   z i j - E x j 2 H e j = S j 2 - E n j 2
式中： E x j为第j个评价指标的期望值； E n j为第j个评价指标的熵； S j为第j个样本方差，表示评分的波动强度； H e j为第j个评价指标的超熵；m为专家数量，m=10。
（4）计算综合评价云
得到各评价指标的数字特征后，进一步计算公路路段的综合评价云特征值。基于步骤（3）计算结果，计算综合评价云的数字特征，得到综合评价云数字特征。计算公式如下：
E x = ∑ j = 1 n   E x j × w j E n = ∑ j = 1 n   E n j 2 × w j H e = ∑ j = 1 n   H e j × w j
式中： E x为综合评价云的期望值； w j第j个评价指标的权重； E n为综合评价云的熵； H e为综合评价云的超熵。
根据综合评价云数字特征，作出综合评价云图；综合评价云与评价标准云对比分析，获得公路积沙灾害等级。通过以上步骤，对整条公路进行沙害分级定量评定。

2 结果与分析

2.1 案例路段评价指标权重

本文将尉-且沙漠公路以5 km为间隔，将公路划分为67个路段，对全线所有路段沙害状况进行了等级评价，获得了具体的沙害等级分布。选取K65~K70（R1）、K90~K95（R2）、K120~K125（R3）和K195~K200（R4）4个典型路段为例，通过双重赋权评分法获取案例路段的状态值（表4），结合变权公式[式（1）]确定变权权重（表5）。
表4 R1、R2、R3、R4路段状态值

Tab. 4 State values of road sections R1, R2, R3, and R4

评价指标 状态值
R1 R2 R3 R4
移动沙丘高度 98.91 99.46 99.28 97.63
下垫面形态 24.01 23.38 26.07 25.79
沿线沙源分布 26.76 55.13 62.50 98.91
路基高度 34.49 33.72 33.61 34.86
迎风弯凹凸面 74.21 66.40 34.45 32.81
坡率 30.11 28.61 28.71 30.37
曲线半径 34.37 10.51 1.65 9.26
输沙势 24.90 31.58 35.86 48.89
起沙风频率 33.17 37.98 40.48 50.48
路风夹角 28.57 25.19 13.47 8.12

注：R1、R2、R3、R4路段分别为尉-且沙漠公路K65~K70、K90~K95、K120~K125、K195~K200的典型案例路段，用于解释整体评价过程及不同条件下公路风沙灾害的差异化特征。下同。

表5 R1、R2、R3、R4路段变权值

Tab. 5 Variable weights of road sections R1, R2, R3, and R4

评价指标 恒权权重 变权权重
R1 R2 R3 R4
移动沙丘高度 0.213 0.466 0.431 0.426 0.360
下垫面形态 0.050 0.027 0.024 0.026 0.022
沿线沙源分布 0.117 0.070 0.131 0.148 0.201
路基高度 0.083 0.063 0.057 0.056 0.050
迎风弯凹凸面 0.028 0.047 0.039 0.020 0.016
坡率 0.073 0.049 0.043 0.043 0.039
曲线半径 0.035 0.027 0.008 0.001 0.006
输沙势 0.202 0.112 0.130 0.146 0.171
起沙风频率 0.148 0.109 0.114 0.121 0.129
路风夹角 0.050 0.032 0.026 0.014 0.007
研究发现，移动沙丘高度和输沙势在状态值与权重上均表现突出，其中移动沙丘高度变权权重普遍高于恒权权重，印证沙丘动态对危害的主导性；输沙势变权权重虽略低于恒权，但其状态值沿R1至R4递增，与变权权重的同步递增趋势共同揭示风沙运移能力的关键影响。沿线沙源分布的状态值在R4显著升高（98.91），直接驱动其变权权重跃升至0.201（恒权仅0.117），表明高沙源路段需独立强化防控；坡率、曲线半径、输沙势、起沙风频率和路风夹角等指标的变权权重均低于恒权权重，表明这些指标在实际积沙危害评估中的贡献度普遍低于理论预期，反映出移动沙丘高度和沿线沙源分布等自然因素在实际危害中占据主导地位，其主导性削弱了其他指标的相对贡献度。

2.2 案例路段云模型

（1）构建评价标准云
各路段分级标准一致，评价云特征值和标准云图也相同。将表3中公路积沙程度划分区间的最大值与最小值代入式（3），得到尉-且沙漠公路积沙灾害的标准评价云特征值（表6）。
表6 公路积沙灾害标准评价云特征值

Tab. 6 Characteristic values of the standard evaluation cloud for sand accumulation hazards on highways

公路沙害等级 评价区间 E x k E n k H e k
轻度 0~25 12.5 4.167 0.417
中度 25~50 37.5 4.167 0.417
重度 50~75 62.5 4.167 0.417
极重度 75~100 87.5 4.167 0.417

注： E x k为第k个分数区间的数学期望值； E n k为第k个分数区间的熵； H e k为第k个分数区间的超熵。

将云滴数量设置为1500，根据云模型特征参数，用Python程序生成各安全等级的标准云图，形成公路积沙灾害标准评价云（图4）。评价标准云图符合正态分布特征，清晰反映了各等级沙害的模糊边界与过渡连续性。
图4 公路积沙灾害标准评价云

Fig. 4 Standard evaluation cloud for sand accumulation hazards on highways

（2）构建综合评价云
依据式（4）、式（5），计算指标逆向云数字特征，根据式（6）计算综合云数字特征。4个案例路段积沙灾害综合评价云特征值见表7。
表7 公路积沙灾害综合评价云特征值

Tab. 7 Characteristic values of the comprehensive evaluation cloud for sand accumulation hazards on highways

路段 Ex En He
R1 73.674 2.018 0.521
R2 66.206 2.204 0.674
R3 66.329 2.358 0.563
R4 75.320 1.992 0.636

注： E x为综合评价云的期望值； E n为综合评价云的熵； H e为综合评价云的超熵。

将云滴数量设置为1500，根据云模型特征参数，用Python程序生成4个案例路段的综合云图（图5）。根据最大隶属度原则，可见R1、R2和R3路段综合云隶属于重度部分，沙害等级为重度，R4路段综合云隶属于极重度部分，沙害等级为极重度。
图5 R1、R2、R3、R4路段综合云图

注：R1、R2、R3、R4路段分别为尉-且沙漠公路K65~K70、K90~K95、K120~K125、K195~K200的典型案例路段，用于解释整体评价过程及不同条件下公路风沙灾害的差异化特征。

Fig. 5 Comprehensive cloud diagrams for road sections R1, R2, R3, and R4

2.3 案例路段积沙灾害评价结果分析

将指标云与综合云对比，按照最大隶属度原则，评定R1、R2和R3路段为重度，R4路段为极重度。为进一步细化评估结果，通过综合云期望值确定其公路沙害相对位置，结合线性插值，对积沙厚度进行预测。R1路段积沙厚度预测值与记录值分别为0.41 m和0.40 m；R2路段分别为0.44 m和0.47 m；R3路段分别为0.44 m和0.40 m；R4路段分别为0.53 m和0.52 m。
采用上述方法得到全线各路段积沙灾害等级，为验证模型的可靠性，选取历史沙害观测数据作为基准进行相关性验证。历史沙害数据源自公路养护部门的2023年尉-且沙漠公路清理积沙台账，包含日期、公路编号及积沙厚度数据，涵盖不同季节与沙尘天气强度下的观测结果。将各路段的评价结果作为X轴，历史沙害数据（由于公路防沙体系的保护，部分路段尚没有沙害记录）作为Y轴，做散点相关图（图6）。数据分析显示：在140个具有完整观测记录的沙害记录中，实测积沙厚度与预测值的线性回归方程为y=0.89x+0.12，r为0.91（P<0.001），表明二者在95%置信区间内呈现极显著正相关。表明预测结果能够较好地反映实际积沙情况。
图6 尉-且沙漠公路结果验证

Fig. 6 Result verification of the Yuli-Qiemo desert highway

尉-且沙漠公路整体评价结果如图7所示。受公路沿线风动力、地貌、路基设计等条件的综合影响，公路风沙灾害等级在空间上交错变化。风沙灾害等级以三级为主（占比65.46%），其次为四级（占比30.91%），二级沙害路段占比仅1.82%，没有一级沙害路段。总体来看，公路南北两端沙漠边缘区灾害程度较低，而中间沙漠腹地路段灾害程度相对较高，风沙灾害呈由北向南逐渐加重趋势。对于K180~K250和K30~K60路段，沙害尤为突出，极重度沙害占比分别达到78.58%和66.67%。
图7 尉-且沙漠公路积沙灾害分级

Fig. 7 Grading of sand accumulation hazards on the Yuli-Qiemo desert highway

3 讨论

基于本文构建的方法体系，本研究在动态变权条件下完成了全长332 km沙漠公路的积沙灾害综合评价。结果表明，该方法能够有效反映沙害风险的空间分布特征，并具有较高的科学性和可操作性。整体来看，公路南北两端沙害较轻，中部较重，沙害风险呈由北向南逐渐加重的趋势。相比传统方法，变权理论的引入增强了权重的动态适应性，云模型提高了评估的精准性，GIS技术实现了可视化分析，使评估结果更具实用价值。然而，模型仍受限于数据分辨率和专家经验依赖，未来可结合高分辨率遥感数据和深度学习优化指标体系，并通过长期监测提升预测能力。此外，建议重点加强高风险路段的防沙措施，优化植被防护体系，并利用物联网和无人机技术建立动态监测体系，以提高公路抗风沙能力，为沙漠公路的规划、设计和养护提供更科学的支撑。

4 结论

（1）该方法实现了变权条件下的评价尺度的系统性提升，将沙害评价对象从单一路段拓展至公路全程，以尉-且沙漠公路为例进行评价，并与历史沙害记录对比验证，r达0.91，表明该评价方法高效、准确且科学。
（2）移动沙丘高度和输沙势是影响公路积沙危害的核心因素。移动沙丘高度的变权权重显著高于恒权值，凸显其主导作用；输沙势虽权重略低，但其状态值与权重同步递增的特征证实了风沙运移能力的重要性。而其他指标变权权重普遍低于恒权值，反映出自然因素在实际危害中的主导地位及其主导性削弱了其他指标的相对贡献度。
（3）受公路沿线自然条件和工程建设的共同影响，尉-且沙漠公路风沙危害，南北两端沙漠边缘区程度较低，而中间沙漠腹地区段相对较重，整体灾害呈由北向南逐渐加重趋势。三级沙害路段占比最高（65.46%），其次为四级沙害路段（30.91%），二级沙害路段较少（1.82%），没有一级沙害路段。该公路整体沙害问题较为严重，其中K180~K250和K30~K60路段尤为突出，极重度沙害占比分别达到78.58%和66.67%。沙害可威胁到公路安全运营和日常维护，须在养护中重点关注，加强巡查与应急处置。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
高蓓蓓, 王世杰. 区域公路网与经济发展空间依赖关系研究[J]. 公路, 2021, 66(8): 235-240.

[Gao Beibei, Wang Shijie. Research on spatial dependence of regional highway network and economic development[J]. Highway, 2021, 66(8): 235-240.]

[2]
李鑫, 艾力·斯木吐拉, 陈正奇, 等. 沙漠公路交通事故特征及成因分析[J]. 长沙交通学院学报, 2006(2): 51-55.

[Li Xin, Ismutulla Eli, Chen Zhengqi, et al. Characteristics and effects of desert highway traffic accident[J]. Journal of Changsha Communications University, 2006(2): 51-55.]

[3]
慕石雷, 杨玉欢, 乌日陶克套胡. 国家沙漠(石漠)公园空间分异格局与影响因素[J]. 干旱区地理, 2024, 47(2): 356-368.

DOI

[Mu Shilei, Yang Yuhuan, Wuritaoketaohu. Spatial differentiation pattern and influencing factors of national desert (rocky desert) parks[J]. Arid Land Geography, 2024, 47(2): 356-368.]

DOI

[4]
邢立文, 赵景峰, 何清, 等. 塔克拉玛干沙漠南缘戈壁下垫面辐射平衡与地表反照率特征[J]. 干旱区地理, 2024, 47(5): 762-772.

DOI

[Xing Liwen, Zhao Jingfeng, He Qing, et al. Radiation balance and surface albedo characteristics of the gobi underlying surface in the southern margin of the Taklimakan Desert[J]. Arid Land Geography, 2024, 47(5): 762-772.]

DOI

[5]
费跃, 张强. 基于层次变权的步行系统评价方法优化研究[J]. 交通工程, 2023, 23(3): 9-13.

[Fei Yue, Zhang Qiang. Research on optimization of walking system evaluation method based on hierarchical variable weight[J]. Journal of Transportation Engineering, 2023, 23(3): 9-13.]

[6]
Lin C J, Zhang M, Zhou Z Q, et al. A new quantitative method for risk assessment of water inrush in karst tunnels based on variable weight function and improved cloud model[J]. Tunnelling and Underground Space Technology, 2020, 95: 103136, doi: 10.1016/j.tust.2019.103136.

[7]
Yan Q Y, Zhang M J, Li W, et al. Risk assessment of new energy vehicle supply chain based on variable weight theory and cloud model: A case study in China[J]. Sustainability, 2020, 12(8): 3150, doi: 10.3390/su12083150.

[8]
Niu Q, Yu L, Jie Q, et al. An urban eco-environmental sensitive areas assessment method based on variable weights combination[J]. Environment Development and Sustainability, 2020, 22: 2069-2085.

DOI

[9]
Li C J, Wang Y D, Lei J Q, et al. Damage by wind-blown sand and its control measures along the Taklimakan desert highway in China[J]. Journal of Arid Land, 2021, 13(1): 98-106.

DOI

[10]
马奔腾, 程建军, 雷加强, 等. 南疆塔中-38团沙漠公路沿线风沙输移规律与防沙体系研究[J]. 干旱区研究, 2022, 39(5): 1663-1672.

DOI

[Ma Benteng, Cheng Jianjun, Lei Jiaqiang, et al. Tra-nsport law and control system of wind-blown sand along the desert highway of south Xinjiang Tazhong-38th Corp[J]. Arid Zone Rese-arch, 2022, 39(5): 1663-1672.]

[11]
郑智鹏, 马奔腾, 程建军, 等. 尉犁-且末沙漠公路沿线风沙环境特征及沙害防治对策研究[J]. 干旱区地理, 2023, 46(10): 1680-1691.

DOI

[Zheng Zhipeng, Ma Benteng, Cheng Jianjun, et al. Characteristics of wind-sand environment and control measures of sand damage along Yuli-Qiemo desert highway[J]. Arid Land Geography, 2023, 46(10): 1680-1691.]

DOI

[12]
Han F, Wang C X, Liu Z L, et al. Assessment of sand accumulation hazard on desert highway based on variable weight-cloud model theory[J]. Frontiers in Earth Science, 2023, 11: 1208416, doi: 10.3389/feart.2023.1208416.

[13]
王玉竹, 闫浩文, 王小平, 等. 基于GIS的兰新铁路沿线风沙灾害致灾成因分析及评价[J]. 铁道标准设计, 2020, 64(2): 51-56.

[Wang Yuzhu, Yan Haowen, Wang Xiaoping, et al. Evaluation and analysis of the causes of wind-sand disaster along Lanzhou-Urum-qi railway based on GIS[J]. Railway Standard Design, 2020, 64(2): 51-56.]

[14]
朱震达, 吴正, 李钜章, 等. 塔克拉玛干沙漠风沙地貌研究[J]. 科学通报, 1966, 11(13): 620-624.

[Zhu Zhenda, Wu Zheng, Li Juzhang, et al. Study on aeolian landforms in the Taklimakan Desert[J]. Chinese Science Bulletin, 1966, 11(13): 620-624.]

[15]
王海宝. 基于云理论的秦皇岛港通航安全评价研究[D]. 大连: 大连海事大学, 2016.

[Wang Haibao. Research on navigation safety evaluation of Qinhuangdao port based on cloud theory[D]. Dalian: Dalian Maritime University, 2016.]

[16]
汪培庄. 模糊集与随机集落影[M]. 北京: 北京师范大学出版社, 1985: 11-12.

[Wang Peizhuang. Random fuzzy sets and the fall-shadow[M]. Beijing: Beijing Normal University Publishing House, 1985: 11-12.]

[17]
程磊, 史浩镕, 贺智勇, 等. 基于变权-云模型的煤矿安全生产评价研究[J]. 河南理工大学学报(自然科学版), 2024, 43(5): 10-18.

[Cheng Lei, Shi Haorong, He Zhiyong, et al. Research on coal mine safety production evaluation based on variable weight-cloud model[J]. Journal of Henan Polytechnic University (Natural Science Eition), 2024, 43(5): 10-18.]

[18]
Jiang F L, Wu H N, Liu Y, et al. Comprehensive evaluation system for stability of multiple dams in a uranium tailings reservoir: Based on the TOPSIS model and bow tie model[J]. Royal Society Open Science, 2020, 7(4): 191566, doi: 10.1098/rsos.191566.

[19]
杨晨, 张建华. 基于组合赋权灰色模糊理论的边坡地震稳定性研究[J]. 工业建筑, 2014, 44(增刊1): 878-881, 877.

[Yang Chen, Zhang Jianhua. Study on slope seismic stability based on combining weights with grey fuzzy theory[J]. Industrial Construction, 2014, 44(Suppl. 1): 878-881, 877.]

[20]
崔天宝. 基于云模型的短期电价预测的研究[D]. 北京: 华北电力大学, 2008.

[Cui Tianbao. The research of short-term price forecasting based on cloud model[D]. Beijing: North China Electric Power University, 2008.]

[21]
Lei J Q, Li S Y, Fan D D, et al. Classification and regionalization of the forming environment of windblown sand disasters along the Tarim desert highway[J]. Chinese Science Bulletin, 2009, 53(2): 1-7.

DOI

Options
Outlines

/

〈 〉