EN中文

Landscape Architecture >

2026 , Vol. 33 >Issue 3: 111 - 120

DOI: https://doi.org/10.3724/j.fjyl.LA20250684

Research

Risk Assessment and Planning Optimization of Wind Disasters in Protected Areas of the Fuzhou Metropolitan Area

  • LIN Shuyun ,
  • WANG Shaohan ,
  • LIAO Lingyun , *
Expand
  • College of Landscape Architecture and Art, Fujian Agriculture and Forestry University

LIN Shuyun is a master student in the College of Landscape Architecture and Art, Fujian Agriculture and Forestry University. Her research focuses on national parks and protected areas

WANG Shaohan, Ph.D., is a lecturer in the College of Landscape Architecture and Art, Fujian Agriculture and Forestry University. Her research focuses on territorial landscape conservation and ecological restoration, national parks and protected areas

LIAO Lingyun, Ph.D., is a professor and doctoral supervisor in the College of Landscape Architecture and Art, Fujian Agriculture and Forestry University. Her research focuses on national park and protected area planning, and community planning

Received date: 2025-10-31

  Revised date: 2026-02-08

  Online published: 2026-03-13

Fold

Abstract

[Objective] Climate change, biodiversity loss, and environmental pollution are widely recognized as the triple planetary crisis. Among them, climate change has intensified the frequency and magnitude of extreme wind events, particularly typhoons, resulting in substantial impacts on ecosystems and human societies. China is located within the active typhoon belt of the northwest Pacific, where approximately 80% of annual typhoons make landfall. Coastal regions exhibit pronounced spatial heterogeneity in wind disaster risk due to complex interactions among topography, climate conditions, and socioeconomic development. Protected areas, as critical spatial units for biodiversity conservation and ecological security, are increasingly exposed to wind hazards. However, systematic assessments of wind disaster risk at the protected-area scale remain limited. Existing studies predominantly adopt the three-dimensional “hazard−exposure−vulnerability” framework proposed by the Intergovernmental Panel on Climate Change (IPCC). In this framework, hazard represents the intensity and frequency of disasters, exposure reflects the degree to which natural and social elements are affected, and vulnerability indicates the likelihood of system damage. While this framework has been widely applied to floods, earthquakes, heatwaves, and other natural hazards, its application to wind disaster risk in protected areas is still insufficient. In particular, previous studies often fail to integrate long-term hazard dynamics with ecological and socio-economic characteristics, limiting their ability to support targeted risk management and spatial planning.
[Methods] To address these gaps, drawing on the Sixth Assessment Report of the Intergovernmental Panel on Climate Change, we developed a three-dimensional wind disaster risk assessment framework integrating hazard, exposure, and vulnerability. The framework combined multi-source environmental and socio-economic data to quantify wind disaster risk and reveal its spatial differentiation and temporal evolution. The Fuzhou Metropolitan Area was selected as the case study because it is located along China’s southeastern coast, characterized by frequent typhoon activity, diverse protected area types, and pronounced coastal-inland gradients, making it a representative region for examining wind disaster risks under climate change. Within this framework, wind disaster risk levels of protected areas in 1980 and 2020 were quantified and compared. Multi-criteria evaluation methods were applied to construct the hazard, exposure, and vulnerability indices, while the entropy weight method was used to reduce subjectivity in indicator selection. ArcGIS spatial analysis techniques, including spatial overlay,zonal statistics, and hotspot analysis, were employed to analyze the spatial patterns and temporal dynamics of wind hazards, exposure, vulnerability, and comprehensive risk. At the indicator level, meteorological, topographic, ecological, and socio-economic data were integrated to conduct comparative risk assessments across protected areas in the Fuzhou metropolitan area.
[Results] 1） Wind disaster risk exhibited a clear spatial pattern characterized by higher risk in the south (0.57) and lower risk in the north (0.09), with coastal protected areas generally facing higher risk levels than inland areas. Wind disaster risk showed clear spatial clustering, with high-risk protected areas (0.61−0.66) concentrated in the southern and southwestern regions, medium−high risk areas (0.500−0.550) in the central transition zone, and low-risk areas (≤0.01) mainly distributed in the northern and northeastern regions, showing a pronounced south−north decreasing gradient. 2）Exposure levels across protected areas were generally moderate to high, while vulnerability showed an overall increasing trend from 1980 to 2020, indicating growing sensitivity of protected areas to wind hazards over time. In 1980, high-exposure areas (0.59−0.62) were located in northwest mountains and central hills, and low-exposure areas (0.04) were along the eastern coast. By 2020, high-exposure zones persisted but declined (e.g., from 0.59 to 0.31), with low coastal exposure unchanged, showing stable spatial patterns and an overall decrease. 3）Comprehensive wind disaster risk differed markedly among protected area types, ranked from high to low as forest parks to scenic areas, nature reserves, wetland parks, and geological parks. High-risk protected areas, including Jiulihu Scenic Area, Dafeishan, and Biqing Forest Parks (0.54−0.57), clustered in the south and south-central region. Medium-risk areas (0.30−0.50) occupied central and coastal transitional zones. Low-risk areas, such as Dongchong Peninsula, Sandu’ao, and Baiyunshan Parks (≤0.20), were located in the north and inland mountains.
[Conclusion] Based on these findings, we proposed three planning optimization strategies for protected areas: optimizing functional zoning to reflect spatial risk differentiation, establishing dynamic wind hazard monitoring and early-warning mechanisms, and implementing pilot-based differentiated risk mitigation measures tailored to specific risk profiles. We analyzed wind disaster risks across temporal and spatial scales and visualized their dynamics through spatial mapping. Focusing on the protected area level, fine-scale spatial heterogeneity and temporal evolution patterns can be identified, which are often obscured in conventional assessments. By revealing the spatial patterns and evolution characteristics of wind disaster risk from a protected-area perspective, we provided an assessment framework that balances universality and practicality. The framework can offer practical support for climate-resilient planning and governance of protected area systems under ongoing climate change.

Key words： landscape architecture; climate change; regional ecological planning; climate risk assessment; Fuzhou Metropolitan Area

Cite this article

LIN Shuyun , WANG Shaohan , LIAO Lingyun . Risk Assessment and Planning Optimization of Wind Disasters in Protected Areas of the Fuzhou Metropolitan Area[J]. Landscape Architecture, 2026 , 33(3) : 111 -120 . DOI: 10.3724/j.fjyl.LA20250684

1 研究背景

气候变化、生物多样性丧失和环境污染并称为全球三大危机。气候变化会在一定程度上导致台风、干旱和海啸等极端事件的频发与加剧[1]。近年来，全球强台风、极端降雨、干旱与热浪等灾害造成了显著的生态破坏与经济损失[2]。台风作为典型的气候驱动型灾害，具有突发性和高破坏力，对沿海生态系统造成威胁，如引起树木倒伏、湿地盐化、物种迁移以及生态系统服务功能退化[3]。全球变暖背景下，台风移动速度放缓约10%，但降雨强度却增加近15%，灾害风险持续加剧[4-5]。然而，已有的风险评估研究对自然保护地在气候风险方面的格局及响应关注不足[6]。由此，开展沿海自然保护地风灾风险评估和提出规划优化策略，是当前气候变化加剧背景下亟须开展的重要课题。
中国地处西北太平洋台风活跃区，每年该区域约80%的台风会影响中国，其中超过30%的台风会登陆[7]。仅2024年，台风灾害造成中国1 153.6万人次不同程度受灾，直接经济损失达853.4亿元[8]。中国沿海地区位于欧亚大陆与西北太平洋过渡带，受海陆效应与季风气候共同作用，形成明显的区域差异。然而，现有风灾风险评估研究多集中于全球、省域、市域或大城市沿海地区[9-10]，对自然保护地尺度的精细化评估相对不足[2]。由于自然禀赋与社会经济条件差异显著，中国沿海地区面临的台风风险呈现出明显的区域差异[11]。福州都市圈位于中国东南沿海，是海峡西岸经济区的重要战略枢纽[12]。该区域也是台风登陆最频繁的地区之一，台风常伴随强降雨、风暴潮及山体滑坡，对人口密集、土地利用高度集约的沿海城市构成严重威胁[13-14]。因此，本研究以福州都市圈为研究对象，开展自然保护地尺度的精细化风灾风险评估，旨在揭示都市圈风灾空间异质性，为自然保护地防灾减灾与气候变化适应提供风险制图技术和评估优化方法指导。
随着地理信息技术的发展，风险地图逐渐成为评估灾害风险的重要工具，已广泛应用于评估洪水[15-17]、地震[18-19]、高温[20-21]、干旱[22-23]、野火[24-25]等灾害。并且，引入机器学习[26]与实时数据分析以提高风险识别精度成为目前的研究趋势。在自然保护地领域，灾害风险评估仍处于起步阶段，例如，Naing等综合使用层次分析法（analytic hierarchy process, AHP）与地理信息系统（geographic information system, GIS）方法，并结合专家打分法，分析泰国曼谷大都市区洪旱综合风险[27]，Hoque等提出一套包括致灾因子、暴露度、脆弱性和减灾能力的指标体系，用于识别孟加拉国东部沿海地区的人口气旋风险区[28]，Carrão等在全球范围内绘制出国家以下行政层级的干旱风险图[29]。
现有风险评估研究普遍采用联合国政府间气候变化专门委员会（Intergovernmental Panel on Climate Change, IPCC）提出的“危险性-暴露度-脆弱性”三维框架[30]，其中危险性表征灾害强度与频率，暴露度反映研究区自然与社会要素受灾程度，脆弱性体现系统遭受损害的可能性。目前针对自然保护地风灾风险的研究相对有限，但该框架已被广泛应用于多类型自然灾害风险评估，为风灾风险分析提供了可靠的理论基础。本研究构建“危险性-暴露度-脆弱性”风灾风险评估框架，评估福州都市圈自然保护地面临的风灾风险，以提升灾害风险评估的科学性和准确性。本研究旨在探究1980—2020年福州都市圈自然保护地风灾风险的总体水平及其时空演变特征，并比较不同类型自然保护地面临的风灾风险差异，为自然保护地优先区划与风险管控提供技术指导。

2 研究方法

2.1 研究区域概况

福州都市圈以福建省福州市为中心，涵盖与福州市在空间组织和功能方面紧密关联的周边城市，主要包括福州、莆田两市全域，宁德市蕉城区、霞浦县、福安市和古田县，南平市延平区和建阳区、建瓯市部分地区，以及平潭综合实验区，陆域面积26 000万km2[31]。福州都市圈内共有85个自然保护地（表1），总面积约1 899 km2（包含交叉重叠面积），占都市圈总面积的7.3%。福州都市圈的自然保护地可分为6类：地质公园、湿地公园、森林公园、风景名胜区、海洋公园和自然保护区。其中，自然保护区的面积最大，主要分布在都市圈西部；森林公园数量最多，但单个面积普遍较小，多集中于城市中心；风景名胜区则主要分布在都市圈的北部（图1）。
表1 福州都市圈自然保护地名录

Tab. 1 Inventory of protected areas in the Fuzhou Metropolitan Area

类型 级别 名称
地质公园 国家级 平潭国家地质公园、福鼎太姥山国家地质公园、白云山国家地质公园、宁德三都澳省级地质公园
省级 永泰百漈沟省级地质公园
湿地公园 国家级 长乐闽江河口国家湿地公园
森林公园 国家级 福建九龙谷国家级森林公园、福清灵石山国家森林公园、福建长乐国家森林公园、平潭海岛国家森林公园、福建五虎山国家森林公园、福建旗山国家森林公园、福州国家森林公园、福建天星山国家森林公园、福建支提山国家森林公园
省级 福建泉州罗溪省级森林公园、仙游大蜚山省级森林公园、永春碧卿森林公园、莆田白云省级森林公园、莆田天马山省级森林公园、仙游溪口省级森林公园、莆田尖山寨省级森林公园、莆田夹漈草堂省级森林公园、莆田壶公山省级森林公园、莆田黄龙省级森林公园、莆田瑞云山省级森林公园、莆田望江山省级森林公园、永泰壁舟里省级森林公园、平潭十八村省级森林公园、闽清美菰林省级森林公园、长乐大鹤省级森林公园、福建省闽清白云山森林公园、福州西溪温泉森林公园、南平大峰山省级森林公园、连江长龙森林公园、连江贵安森林公园、福鼎大洋山省级森林公园、古田鼎古云省级森林公园、南平市郊省级森林公园、罗源吕洞省级森林公园、福安化蛟省级森林公园、南平马头山省级森林公园、闽侯北凤省级森林公园、古田溪省级森林公园、福安富春溪省级森林公园、南平凤山省级森林公园、霞浦福宁湾省级森林公园、闽侯白沙省级森林公园、南平来舟省级森林公园、南平屏山省级森林公园、霞浦杨梅岭省级森林公园、福安蟾溪省级森林公园、建瓯水西森林公园、宁德霍童溪森林公园、建阳庵山森林公园
风景名胜区 国家级 青云山国家级风景名胜区、十八重溪国家级风景名胜区、海坛国家级风景名胜区、鼓山国家级风景名胜区、太姥山国家级风景名胜区、白云山国家级风景名胜区
省级 九鲤湖省级风景名胜区、凤凰山省级风景名胜区、石竹山省级风景名胜区、菜溪岩省级风景名胜区、湄洲岛国家级风景名胜区、姫岩省级风景名胜区、青芝山省级风景名胜区、茫荡山省级风景名胜区、翠屏湖省级风景名胜区、东冲半岛省级风景名胜区、支提山省级风景名胜区、归宗岩省级风景名胜区
海洋公园 国家级 湄洲岛国家级海洋公园、长乐国家级海洋公园、平潭综合实验区海坛湾国家级海洋公园
自然保护区 国家级 福建闽江河口湿地国家级自然保护区、福建雄江黄楮林国家级自然保护区、福建茫荡山国家级自然保护区
省级 福清兴化湾水鸟省级自然保护区、福建莆田老鹰尖省级自然保护区、仙游木兰溪源省级自然保护区、藤山省级自然保护区、平潭三十六脚湖省级自然保护区、福建福安瓜溪桫椤省级自然保护区
图1 研究区域

Fig. 1 Study area

2.2 数据来源与处理

本研究所用数据均以福州都市圈边界为范围进行掩膜裁剪和提取，统一投影坐标系为WGS_1984_UTM_Zone50N，为便于分析和处理，采用规则的1 km×1 km正方形网格覆盖研究范围，共计生成网格单元28 925个。所有栅格数据经过ArcGIS Pro软件重采样至1 km×1 km分辨率的网格单元作为最小分析尺度，该尺度能够较为准确地反映都市圈的微观变化和局部特征。结合自然保护地的本底条件及数据可获取性，构建了包含危险性、暴露度和脆弱性3个维度的风灾风险评估指标体系（表2）。
表2 福州都市圈自然保护地风灾风险评估指标体系[2, 13-14, 28, 32-33]

Tab. 2 Wind disaster indicator system for protected areas in the Fuzhou Metropolitan Area[2, 13-14, 28, 32-33]

维度 指标 描述 数据来源 属性
一级维度 二级维度
危险性[14] 台风 反映台风的影响程度，风速越高，影响越大 中国气象局热带气旋资料中心（tcdata.typhoon.org.cn） 正向
阵风 反映阵风的影响程度，风速越高，影响越大 中国气象局热带气旋资料中心（tcdata.typhoon.org.cn） 正向
大风 反映大风的影响程度，风速越高，影响越大 中国气象局热带气旋资料中心（tcdata.typhoon.org.cn） 正向
暴露度 保护动物丰富度 表示重点保护野生动物物种数量，数值越高，潜在暴露风险越大[32] 科学数据资源库（Science Data
Bank, doi.org/10.57760/
sciencedb.20221）		 正向
土地利用类型 反映地表物理属性，其中自然覆盖为正向，人工硬化地表为负向[28] Zenodo数据库（zenodo.org/records/15853565） 正向、
负向
水系密度 反映区域的河网密度，数值越高，暴露程度越大[14] 地理空间数据云（www.gscloud.cn/search） 正向
脆弱性 生态脆
弱性		 距海岸线距离 衡量风暴潮风险，距离海岸线越近，生态脆弱性越大[2] 中国地图（审图号GS〔2024〕0650号） 负向
坡度 反映地形的倾斜程度，坡度越大，雨水汇流速度越快，脆弱性越大[2] 地理空间数据云（www.gscloud.cn/search） 正向
高程 反映地形的高低起伏，海拔越低、地形越陡峭，脆弱性越大[2] 地理空间数据云（www.gscloud.cn/search） 正向
湿地覆盖率 反映自然的蓄洪缓冲能力，湿地覆盖率越大，生态脆弱性越小[33] 2020年全球30 m精细地表覆盖产品（data.casearth.cn/sdo/detail/
5fbc7904819aec1ea2dd7061）		 负向
树木覆盖度 反映树木覆盖情况，植被覆盖度越高，脆弱性越小[33] Zenodo数据库（zenodo.org/records/11047923） 负向
社会经济脆弱性 人口密度 反映人口集中程度，数值越大，脆弱度越小[13] 《2020中国人口普查
分县资料》		 负向
GDP 反映区域经济实力和财政能力，数值越高，脆弱度越小[13] 国家青藏高原科学数据中心平台（data.tpdc.ac.cn） 负向
道路密度 衡量灾后救援和物资运输的可达性，数值越高，社会经济脆弱度越小[14] OpenStreetMap平台（www.openstreetmap.org） 负向

2.3 自然保护地风灾风险评估框架及方法

基于多指标综合评价构建自然保护地“危险性-暴露度-脆弱性”风灾风险评估模型，本研究先后开展危险性、暴露度和脆弱性评估（图2），然后运用独立性权重法确定各维度权重，得出1980年的危险性、暴露度和脆弱性权重分别为0.5940、0.1250和0.2810，2020年的危险性、暴露度和脆弱性权重分别为0.6180、0.1270和0.2550。其中，危险性和脆弱性占比较大。在ArcGIS Pro软件中运用栅格计算器进行加权叠加，生成自然保护地综合风灾风险分布结果，从而揭示风灾风险的时空格局与演变特征。
图2 自然保护地风灾风险评估框架

Fig. 2 Framework for risk assessment of protected areas

2.3.1 危险性评估

本研究选取台风、阵风和大风作为风灾类型，它们是东南沿海地区最主要的风灾事件，常引发山体滑坡、洪涝等次生灾害。危险性一般通过量化风灾事件的强度、范围及发生概率进行评估[34]。参考相关研究[28, 35]，本研究以风灾强度和频率为主要评估指标，将不同类型风灾的评估结果整合，以危险度表征危险性，反映总体风灾风险水平。相关数据来源于中国气象局热带气旋资料中心，时间范围为1980—2018年①，反映长期气候背景下的风灾格局。首先，绘制台风路径及阵风、大风分布图，识别各类自然保护地的风灾频率与强度（图3）。其次，将每类风灾的频率与强度相乘并以式（1）进行归一化，再以式（2）熵值法确定的权重进行加权计算，从而获得自然保护地的风灾水平的计算式
$ {N}_{i}=\left[\left({X}_{i}-{X}_{\min }\right)/\left({X}_{\max }-{X}_{\min }\right)\right]， $
$ P=\sum \nolimits_{i=1}^{n}{W}_{i}\times {N}_{i} ，$
$\begin{split} H= \;& 0.631 \; 2\times {N}_{\text{typ}\mathrm{h}\text{oon}}+0.134 \; 4\times {N}_{\text{gust}}+\\ & 0.234 \; 4\times {N}_{\text{wind}}。\end{split} $
式中， $ {N}_{i} $是第 $ i $项指标的归一化值， $ {X}_{i} $是第 $ i $项指标的原始值， $ {X}_{\min } $是最小值， $ {X}_{\max } $是最大值，P为多个指标按权重加权平均后的值， $ {W}_{i} $是第 $ i $项指标的权重值。H表示风灾危险度， $ {N}_{\text{typ}\mathrm{h}\text{oon}} $为台风归一化值， $ {N}_{\text{gust}} $为阵风归一化值， $ {N}_{\text{wind}} $为大风归一化值。
图3 福州都市圈1980—2018年台风、阵风和大风强度分布格局

Fig. 3 Distribution of wind hazards in Fuzhou Metropolitan Area from 1980 to 2018

结果表明，台风、阵风和大风的权重分别为0.6312、0.1344和0.2344。

2.3.2 暴露度评估

暴露度通常指可能受风灾影响的人口或经济资产[29]，该定义适用于人员伤亡或财产损失的风险评估，却无法评估自然保护地生态系统组成要素的损失。有研究认为自然保护地内的野生动植物、水系资源和土地资源是风灾影响的主要要素[14]，能准确表征自然保护地的暴露水平。因此，自然保护地的暴露度可界定为风灾可能发生区域内的动植物及相关自然资源的集合。不同研究对暴露度指标的选取存在差异。例如Liu等采用人口密度、国内生产总值（gross domestic product, GDP）、建筑密度作为暴露度指标[36]，而Naing等则选取平均受教育年限、贫困率、低于18岁和高于60岁人口数量作为暴露度指标[27]。
结合自然保护地的风险评估需求，本研究选取保护动物丰富度、土地利用类型及水系密度作为暴露度评估指标。其中，保护动物丰富度反映生物要素的暴露程度（图4），保护动物丰富度较高的自然保护地在风灾中面临更高暴露风险，因为极端风灾不仅可能直接导致动物死亡，还可能通过破坏栖息地、食物来源和觅食地等方式对动物带来间接影响[14]。相关数据来源于科学数据资源库（Science Data Bank），涵盖国家一级和二级保护动物[32]。土地利用类型数据反映自然保护地暴露于风灾影响下的地表物理属性。自然覆盖的用地类型具有更大的受灾空间，植被密度较高，在强风作用下更易发生树干折断和倒伏，从而表现出更高的暴露水平[37-38]。本研究将土地利用数据重分类为农田、森林、灌木、草原、水域、裸地和不透水面7类，除了不透水面是负向指标，其他自然覆盖的用地类型均为正向指标。水系密度同样作为暴露度指标纳入分析，极端风灾事件可能通过增强地表径流、改变河道形态和扰动水文循环，对自然保护地水环境产生影响[14]。基于高程数据提取河流水系（图4）。所有指标以式（1）进行归一化处理，并以式（2）熵值法确定权重以加权计算，得到暴露度指数计算式
$\begin{split} E= \;& 0.169 \; 9\times {N}_{\text{richness}}+0.171 \; 2\times {N}_{\text{CLCD}}+\\ & 0.658 \; 9\times {N}_{\mathrm{w}\text{ater}} 。\end{split}$
式中，E表示暴露度指数， $ {N}_{\text{richness}} $为保护动物丰富度归一化值、 $ {N}_{\text{CLCD}} $为土地利用类型归一化值、 $ {N}_{\mathrm{w}\text{ater}} $为水系密度归一化值。
图4 暴露度指标的分布格局

Fig. 4 Spatial pattern of exposure indicators

2.3.3 脆弱性评估

脆弱性用于衡量暴露要素在风灾下遭受不利影响的倾向或易损程度。脆弱性受人口结构、地理条件和基础设施等多重因素影响，已有研究根据实际情况确认脆弱性指标。例如，Alam等选取老年人口比例、儿童人口比例、女性人口比例、受教育水平、贫困程度作为脆弱性指标[35]；Qi等则将动植物物种多样性、坡度、海拔、距海岸线的距离、道路密度等纳入脆弱性评价体系[14]。总体而言，这些指标可以从2个方面进行分类：1）生态脆弱性方面，指标选取侧重生态与地理因素，如生物多样性、海拔和坡度；2）社会经济脆弱性方面，指标选取强调基础设施条件和人口社会经济背景，如道路密度、收入水平、劳动力结构和产业类型。
目前，针对自然保护地的脆弱性评估尚缺乏统一公认的指标体系。本研究在系统梳理与景观抗灾能力相关的指标、结合数据可获取性的基础上，从生态脆弱性和社会经济脆弱性2个方面筛选出8项脆弱性评估指标。在生态脆弱性方面，本研究选取距海岸线距离、坡度、高程、湿地覆盖率和树木覆盖度作为相关指标。选取距海岸线距离作为脆弱性指标是因沿海地区首先承受台风影响，同时更易发生土壤侵蚀和地貌变化，这些过程会对自然保护地生态系统造成破坏，并延缓其灾后恢复[28, 35]。本研究将自然保护地边界至福州都市圈海岸线的最短距离定义为距海岸线距离。坡度和高程指标与洪涝、积水等次生灾害的发生条件及影响程度相关，它们通过影响灾害扰动过程，进一步加剧生态系统脆弱性[35]。湿地覆盖率表征湿地生态系统的分布程度，其水文调蓄功能可缓解洪涝和积水影响。树木覆盖度反映植被对风灾的缓冲能力，高树木覆盖度有助于降低风速和减少水土流失（图5）。在社会经济脆弱性方面，本研究选取人口密度、GDP和道路密度作为指标。人口密度影响灾后干预方式，间接作用于生态恢复过程[2, 13, 28, 36]。GDP表征灾后防护措施的应急响应能力和灾情评估与恢复规划的制定能力[13, 36, 39]。道路密度直接关系到灾后救援物资和设备进入受灾区域的效率，对清理倒伏树木和恢复野生动物栖息地具有重要作用[14, 35]。所有指标根据与脆弱性的正负相关性以式（1）进行归一化处理，并按式（2）熵值法确定权重、进行加权计算，得到1980年脆弱性指数计算式
$\begin{split} V = \;& 0.017 \; 4 \times N_{{\rm{dis}}} + 0.135 \; 2 \times N_{{\rm{slo}}} + \\&0.139 \; 3 \times N_{{\rm{dem}}} + 0.342 \; 8 \times N_{{\rm{wetland}}} + \\&0.010 \; 4 \times N_{{\rm{CATCD}}} + 0.165 \; 0 \times N_{{\rm{pop}}} + \\& 0.004 \; 7 \times N_{{\rm{GDP}}} + 0.185 \; 2 \times N_{{\rm{road}}}。\end{split}$
式中，V表示脆弱性指数， N dis、N slo、N dem、N wetland、N CATCD、N pop、N GDP、N road分别为距海岸线距离、坡度、高程、湿地覆盖率、树木覆盖度、人口密度、GDP及道路密度的归一化值。
图5 脆弱性指标的分布格局

Fig. 5 Spatial pattern of vulnerability indicators

2.3.4 风灾风险指标权重计算

本研究在风灾危险性、暴露度和脆弱性指标评估的权重分配上采用熵值法（表3）。熵值法能够根据指标的变异程度来确定权重，变异越大的指标信息量越高，对结果的贡献也越大[2]。该方法有较强的客观性，能保证指标层权重分配的科学性。
表3 风灾危险性、暴露度和脆弱性评估指标权重计算结果

Tab. 3 Indicator weights calculation for wind hazard, exposure, and vulnerability assessment

维度 权重 指标层 权重
1980年 2018年 1980年 2020年
危险性 0.594 0 0.618 0 台风 0.631 2 0.631 2
阵风 0.134 4 0.134 4
大风 0.234 4 0.234 4
暴露度 0.125 0 0.127 0 保护动物丰富度 0.169 9 0.297 2
土地利用类型 0.171 2 0.207 3
水系密度 0.658 9 0.495 5
脆弱度 0.281 0 0.255 0 距海岸线距离 0.017 4 0.018 6
坡度 0.135 2 0.148 6
高程 0.139 3 0.370 5
湿地覆盖率 0.342 8 0.008 8
树木覆盖度 0.010 4 0.005 6
人口密度 0.165 0 0.144 5
GDP 0.004 7 0.132 1
道路密度 0.185 2 0.171 3

2.3.5 综合风险评估

独立性权重法是利用指标数据之间的相关性强弱来确定权重，强调各维度之间的独立贡献，可避免因某一维度指标数量较多而导致综合结果的失衡[40]。独立性权重能够在保持各维度独立性的同时，提升整体评估的合理性与区分度，从而为自然保护地综合风险的科学量化提供保障。因此，本研究采用独立性权重法确认风灾危险性、暴露度和脆弱性3个维度的权重（表3），包括2个具体步骤：1）对3个维度的指标数据进行标准化处理，消除量纲影响；2）构建相关系数矩阵，相关性越低，表明该维度的信息越独立，权重越高[40]。结果显示，1980年风灾危险性、暴露度和脆弱性维度的权重分别为0.5940、0.1250和0.2810，2020年分别为0.6180、0.1270和0.2550，表明危险性对综合风险影响最大。基于该权重体系，利用ArcGIS Pro进行加权叠加生成综合风险地图。评估结果刻画了风灾背景下自然保护地的风险水平，即风灾危险性越大、暴露度与脆弱性越高时，综合风险值也越高，计算式
$ R=H\times E\times V 。$
式中，R表示综合风险评估结果，H表示风灾危险度，E表示暴露度，V表示脆弱性。

3 结果与分析

3.1 福州都市圈风灾风险总体格局分析

福州都市圈自然保护地风灾风险呈现出“南高北低，沿海高于内陆”的空间分布格局（图6）。1980—2018年，热带气旋登陆中国的年均数量约为8.85个，呈显著减少趋势，但福州都市圈的风灾风险整体呈上升趋势，且空间差异显著。高风险自然保护地主要集中在南部沿海与河口地带，而西北内陆相对较低。
图6 风灾危险性分布

Fig. 6 Distribution of wind hazards risk

高风险自然保护地分布具有明显集聚特征，风灾风险值较高的自然保护地主要集中于福州都市圈南部及西南部区域，如福建泉州罗溪省级森林公园（0.656）、仙游大蜚山省级森林公园（0.637）和福建九龙谷国家级森林公园（0.611）。部分中高风险自然保护地向中部延伸分布，这类自然保护地风险值多为0.500~0.550，在空间上位于南高北低差异的过渡地带。相比之下，低风险自然保护地分布于都市圈北部及东北部区域，如宁德霍童溪森林公园（0.002）、福建支提山国家森林公园（0.010）和福安化蛟省级森林公园（0.012）。总体而言，福州都市圈自然保护地风灾风险在空间上表现为南部高风险集聚、北部低风险分布的总体格局，风灾风险水平由南向北呈递减趋势。

3.2 福州都市圈自然保护地暴露度评估结果分析

福州都市圈自然保护地暴露度整体处于中高水平（图7），1980年暴露度为0.09~0.81，2020年增长至0.09~0.85，多数自然保护地暴露度呈现不同程度的上升趋势，区域差异依然显著。
图7 暴露度、脆弱性风险分布

Fig. 7 Distribution of exposure and vulnerability risk

具体而言，高暴露度自然保护地以森林公园为主，多数呈现持续上升趋势。1980年，福州西溪温泉森林公园暴露度最高（0.81），其次为宁德霍童溪森林公园和归宗岩省级风景名胜区，暴露度均为0.77。到2020年，福州西溪温泉森林公园暴露度升至0.85，继续保持最高值；福建九龙谷国家级森林公园和莆田瑞云山省级森林公园的暴露度均提高至0.82。
中等暴露度自然保护地分布最为广泛。1980年暴露度多集中在0.60~0.70，如南平来舟省级森林公园（0.70）和莆田望江山省级森林公园（0.70）。到2020年，上述区域暴露度整体有所提高，多数上升至0.70~0.77，仅个别自然保护地出现一定幅度下降（如南平来舟省级森林公园暴露度由0.70降至0.62）。总体而言，中等暴露度自然保护地的暴露度水平在时间上以升高为主，变化方向相对一致。
低暴露度自然保护地数量少，主要集中在都市圈北部。暴露度最低的为福安化蛟省级森林公园（0.09）和福安蟾溪省级森林公园（0.11）。此外，平潭海岛国家森林公园和福安富春溪省级森林公园的暴露度均由0.23降至0.15，呈现明显下降趋势。
总体而言，福州都市圈自然保护地暴露度整体升高、局部下降。高暴露度自然保护地数量有所增加，且主要集中于森林公园类型；低暴露度自然保护地分布分散，变化幅度小。

3.3 福州都市圈自然保护地脆弱性评估结果分析

福州都市圈自然保护地脆弱性总体上升（图7）。1980年脆弱性普遍较低，最小值为南平马头山省级森林公园的0.04，最大值为海坛国家级风景名胜区的0.27。到2020年，福州都市圈脆弱性值普遍提升，其中翠屏湖省级风景名胜区和福建雄江黄楮林国家级自然保护区的脆弱性值达到0.46，而南平来舟省级森林公园最低，仅为0.08。
脆弱性的时空变化分析显示，1980年全域脆弱性分布相对均匀，局部高值区域集中在沿海和景区密集区；而2020年高脆弱性区域扩展，不仅沿海风景名胜区脆弱性增高，部分内陆森林公园和自然保护区的脆弱性也有提升趋势。福州都市圈自然保护地的脆弱性在1980—2020年整体上升，风景名胜区脆弱性最为突出，森林公园次之，自然保护区脆弱性增幅明显，而地质公园和湿地公园脆弱性增幅有限。1980—2020年，脆弱性呈现整体上升趋势，最大值从0.27升至0.46，最小值从0.04升至0.08，显示区域自然保护地在应对生态风险方面仍需强化管理和保护措施。

3.4 福州都市圈自然保护地综合风险格局分析

综合风险评估结果表明，福州都市圈自然保护地呈“南部与沿海区域较高、北部及内陆山区较低”的格局（图8）。综合风险值范围为0.09~0.57，高风险与低风险自然保护地并存。高风险自然保护地集中分布于都市圈南部和中南部地区。其中，九鲤湖省级风景名胜区、仙游大蜚山省级森林公园和永春碧卿森林公园综合风险值为0.54~0.57，构成研究区内的高风险集聚区。中风险自然保护地主要分布于都市圈中部及沿海过渡地带，综合风险值多集中在0.30~0.50。该类区域包括部分森林公园与风景名胜区，也涵盖少量自然保护区和地质公园，整体呈现出风险等级连续过渡的特征。低风险自然保护地则主要分布于都市圈北部及内陆山区，综合风险值普遍低于0.20，包括东冲半岛省级风景名胜区、宁德三都澳省级地质公园和白云山国家地质公园，且空间上具有一定连片分布特征。
图8 综合风险分布

Fig. 8 Distribution of comprehensive risk

3.5 不同类型自然保护地的风险差异

不同类型自然保护地在风险维度上差异显著。森林公园数量占比高，且在各风险维度中均表现出较高的风险等级（图9），这或许是因为森林公园的动植物丰富，乔木高大且密集，在风灾来临时极易折断和倒伏，暴露度评估结果较高[40]。风景名胜区整体风险水平次之，以中高风险为主，风险水平差异较大，部分区域因旅游设施密集、人类活动强度高而呈中高风险。自然保护区整体处于中低风险水平，风险水平相对稳定。湿地公园和地质公园整体风险等级最低，各维度中低风险占据主导，受风灾影响相对较弱。值得注意的是，在福州都市圈自然保护地体系中，森林公园数量最大，且大部分位于城市建成区内，一旦遭受台风等极端风灾，其累积损失和管理压力将远高于其他类型自然保护地。因此，森林公园应被视为区域风险防控的重点对象。不同类型保护地的风险特征也表明，风险防控应制定差异化的管控和预防措施。
图9 各类型自然保护地不同风灾风险等级的数量占比变化

Fig. 9 The proportion of different wind disaster risk levels in various types of protected areas

从时间变化看，1980年自然保护地风灾以高风险（数量占比27.16%）和中高风险（数量占比16.05%）为主。至2020年，高风险类型的占比下降至25.93%，中高风险类型则大幅缩减至7.41%；中风险自然保护地小幅增加，中低风险与低风险自然保护地数量占比显著提升，分别从23.46%与23.45%增至29.63%与25.93%。这表明福州都市圈自然保护地风灾风险的等级结构呈现随时间推移向较低等级转移的趋势。
不同类型自然保护地的风灾风险值变化进一步揭示了这一时序演变的内在机理（图9）。由于森林公园（60.49%）与风景名胜区（22.22%）数量占比较高，这2类自然保护地对风险等级转移产生的影响最为显著。高风险自然保护地具有明显的延续性，森林公园是高风险自然保护地最为集中的类型。相比之下，自然保护区与地质公园变化幅度较小，但同样呈现向更低风险等级转移的趋势；湿地公园占比最低，对整体风险的影响小。总体而言，不同类型自然保护地在长期尺度上的风险等级呈现出风险等级整体下移、高风险自然保护地相对稳定、中高风险自然保护地占比缩小以及中低风险自然保护地占比增多的特征，反映了福州都市圈自然保护地风灾风险在时间维度上的演变过程。

4 讨论

4.1 福州都市圈风险等级分析

高风灾风险自然保护地集中在东南沿海（危险度为0.656），直接承受台风影响，低风险自然保护地则位于西北内陆（危险度为0.002），这与已有研究识别出的风灾风险结果一致[2, 41]，综合风险同样呈现“南高北低，沿海高于内陆”的格局[2, 42]。森林公园在各风险维度上频繁出现在高风险序列中，说明其植被覆盖度高、生态价值大，但同时更容易在风灾中遭受破坏[43]，相反，湿地公园普遍处于低暴露度区。风灾情况与以往研究一致，台风权重最大（0.6312），对自然保护地的影响最为显著[14]。然而，本研究得出的“南高北低，沿海高于内陆”这一结论与既有研究中强调“沿海损失下降，内陆山区风险上升”[3]的结果表现出不一致性，这种差异主要源于评估对象和指标体系的不同：既有研究侧重经济损失与人员伤亡[3]，而本研究强调自然保护地生态系统的暴露度与脆弱性。换言之，沿海地区虽然在社会经济层面损失减轻，但在自然保护地生态层面依然存在较高风险。2种基于不同层面的风险判断结果具有互补性，提示未来台风防灾应在内陆山区加强经济防御，同时也需在沿海保护地强化风险管控，以实现“社会-生态系统”的综合防灾目标。

4.2 自然保护地规划优化

基于本研究的量化结果，当前自然保护地风灾风险存在3个突出问题：1）现有功能区划未考虑气候风险因素，沿海高风险与内陆低风险的格局不利于差异化管控的实施；2）监测预警系统无法及时反映脆弱性迁移的空间变化；3）管理措施缺乏针对性，高暴露度、高脆弱性区域（如森林公园）缺乏专门的防控措施和资金保障。为此，本研究提出3项针对性优化措施。
1）优化自然保护地功能分区模式。福州都市圈自然保护地风灾风险在空间上呈显著分异特征，不同类型保护地的风险水平也存在明显差异。目前自然保护地的功能分区多采用圈层模式，主要以综合资源保护和利用需求进行功能区划[44]，但未考虑气候灾害风险。建议在自然保护地功能分区类型中增加“气候风险敏感区”或“灾害防控区”，其中，对于位于海岸带和海岛的保护地，风灾风险等级应作为空间管控的重要依据。
2）建立风灾动态监测与预警机制。应在自然保护地范围内构建多源数据动态监测体系与预警体系[2, 13, 17]，综合利用气象监测、遥感观测和模型模拟等技术手段，实现风险信息的实时更新。通过建立“监测—预警—响应—评估”的管理闭环，完善风灾预警分级制度和专项应急预案，提升自然保护地的风险适应能力与灾后恢复力，为应对未来极端风灾事件提供决策支持。
3）实施试点先行的差异化防控。依据不同等级的风险自然保护地识别结果，构建差异化防控策略，建议在局部高风险自然保护地率先开展“风灾风险防控试点”，通过局部示范验证监测体系、生态修复技术与管理模式的可行性，形成可推广的标准化经验。在此基础上，逐步拓展至全域高中风险区域，实现风灾风险防控工作由局部试点向全域推广转变。

4.3 风险评估方法分析

本研究在风险评估框架上，结合中国东南沿海台风频发的区域特征，选取14项指标构建自然保护地“危险性-暴露度-脆弱性”风灾风险评估框架；在空间尺度上，聚焦自然保护地单元，实现风险的精细化识别；在时间尺度上，选取1980年与2020年2个时间点，形成跨越40年的对比分析，能够更好反映气候变化背景下风灾风险的长期演变特征。相较于多数研究以单一时点或短期数据开展风险评估，本研究引入时间维度进行对比，能够揭示风险结构的动态变化。在指标选取上，采用多源数据，使评估更加全面；在权重设定上，采用熵值法与独立性权重相结合的方法，既利用数据差异客观赋权，又强化不同维度独立贡献，以提升评估结果的科学性与实践指导价值。风灾指标采用1980—2018年的长期序列，以反映总体风险水平及空间分布，确保评估结果稳定。暴露度和脆弱性指标主要依托生态环境与社会经济数据[2, 13-14, 35]，以1980年和2020年为代表时段，具有可比性。因此，危险性评估未进行年份的直接对比，而是通过长时间序列揭示其趋势及对自然保护地风险要素的影响，避免短期气候波动干扰，更聚焦于风险构成及其驱动机制。
本研究在指标体系构建和权重分配上仍然存在一定的局限性和挑战。受限于数据可获取性，热带气旋路径数据可获取范围为1980—2018年，之后暂无公开资料。指标选择多为开源数据，数据精度和结果分析方面存在一定的局限性。在权重分配上，本研究基于熵值法和独立性权重对指标进行赋权，虽能够简化分析过程，但在实际应用中，应结合地方政府及相关管理者的专业经验与区域认知优化，以提高赋权的科学性。但是，本研究构建的自然保护地风险评估框架具有可拓展性和适应性，在调整指标体系后可应用于洪涝、风暴潮、极端降雨等其他灾害类型评估，能够为未来多灾害综合风险评估与气候高风险预警提供技术方法支撑。

5 结论

极端风灾不仅破坏自然保护地的景观价值，还会对野生动植物的栖息地造成影响[14]。本研究构建了“危险性-暴露度-脆弱性”风灾风险评估框架，结合多指标综合评价、熵值法和ArcGIS空间分析工具，绘制研究区域1980年和2020年风灾风险地图，分析风灾危险性、暴露度、脆弱性和综合风险的空间分异特征，得到3个方面的结论。1）空间格局方面，福州都市圈自然保护地风灾风险呈“南高北低，沿海高于内陆”的分布特征，高风险自然保护地主要集中于南部及沿海地区，北部及内陆山区风险相对较低，空间分异显著。2）时间演变方面，暴露度整体处于中高水平，1980年暴露度范围为0.09~0.81，2020年扩大至0.09~0.85，多数自然保护地暴露度呈上升趋势，区域差异依然显著。脆弱性在研究期内总体上升，表明自然保护地在应对风灾等生态风险方面仍面临较大压力。综合风险评估结果进一步印证了“南高北低，沿海高于内陆”的总体格局，揭示了风灾风险在空间和时间维度上的演变特征。3）类型差异方面，不同类型自然保护地的综合风险呈现出森林公园、风景名胜区、自然保护区、湿地公园、地质公园依次递减的格局。
福州都市圈评估结果涵盖自然保护地风险分布、不同类型自然保护地的风险水平，以及风险格局的演变，有助于识别高风险的自然保护地、优先保护的类型和地区。本研究建立的自然保护地风灾风险评估框架也适用于各类自然灾害的风险评估，如洪水、地震、野火等，但在具体指标选择方面还待拓展。根据本研究结果，提出优化自然保护地功能分区模式、建立风灾动态监测与预警机制、实施试点先行的差异化防控策略。本研究成果可为自然保护地优先管控区划定、风险导向型规划调整提供依据，对沿海都市圈的风灾风险管理具有现实参考价值。

图1、3~8研究区域矢量边界来自福建省林业局在自然保护地优化整合前所提供的信息，底图审图号为GS〔2024〕0650号；其余图表由作者绘制。

1、以自然保护地为单元，优化“危险性-暴露度-脆弱性”风灾风险评估框架，构建具有可推广性的自然保护地风险制图方法。

2、揭示了1980—2020年福州都市圈风灾风险空间格局与演变特征，提出功能分区优化、监测预警机制提升和试点先行策略，为自然保护地功能区划与风险管控提供技术指导。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
ALLAN R P, SODEN B J. Atmospheric Warming and the Amplification of Precipitation Extremes[J]. Science, 2008, 321(5895): 1481-1484.

DOI

[2]
WANG Z K, XIA N, ZHAO X, et al. Comprehensive Risk Assessment of Typhoon Disasters in China’s Coastal Areas Based on Multi-source Geographic Big Data[J]. Science of the Total Environment, 2024, 926:171815.

DOI

[3]
张鹏, 张云霞, 汪洋, 等. 1978—2020年中国台风灾害灾情时空分布格局及影响因素分析[J]. 热带地理, 2024, 44(6): 1047-1063.

ZHANG P, ZHANG Y X, WANG Y, et al. Analysis of Temporal-Spatial Patterns and Impact Factors of Typhoon Disaster Losses in China from 1978 to 2020[J]. Tropical Geography, 2024, 44(6): 1047-1063.

[4]
ELSNER J B. Continued Increases in the Intensity of Strong Tropical Cyclones[J]. Bulletin of the American Meteorological Society, 2020, 101(8): E1301-E1303.

DOI

[5]
KOSSIN J P. A Global Slowdown of Tropical-Cyclone Translation Speed[J]. Nature, 2018, 558(7708): 104-107.

DOI

[6]
GROSS J E, WOODLEY S, WELLING L A, et al. Adapting to Climate Change: Guidance for Protected Area Managers and Planners[M]. Gland: IUCN, 2016.

[7]
SHAN K Y, YU X P. Variability of Tropical Cyclone Landfalls in China[J]. Journal of Climate, 2021, 34(23): 9235-9247.

DOI

[8]
国家防灾减灾救灾委员会办公室 应急管理部发布2024年全国自然灾害基本情况[EB/OL].（2025-01-17）[2025-09-16].https://www.mem.gov.cn/xw/yjglbgzdt/202501/t20250117_516032.shtml.

National Disaster Prevention, Mitigation and Relief Commission Office and Ministry of Emergency Management Release Basic Information on National Natural Disasters in 2024[EB/OL]. (2025-01-17) [2025-09-16]. https://www.mem.gov.cn/xw/yjglbgzdt/202501/t20250117_516032.shtml.

[9]
MURAKAMI H, COOKE W F, MIZUTA R, et al. Robust Future Projections of Global Spatial Distribution of Major Tropical Cyclones and Sea Level Pressure Gradients[J]. Communications Earth & Environment, 2024, 5:479.

DOI

[10]
LIU G B, JIANG S L, ZHENG M L, et al. A Global ERA5-Based Tropical Cyclone Wind Field Dataset Enhanced by Integrated Parametric Correction Methods[J]. Scientific Data, 2025, 12:1429.

DOI

[11]
ZHANG Q, WU L G, LIU Q F. Tropical Cyclone Damages in China 1983−2006[J]. Bulletin of the American Meteorological Society, 2009, 90(4): 489-496.

DOI

[12]
DU J, XIANG X Y, ZHAO B Y, et al. Impact of Urban Expansion on Land Surface Temperature in Fuzhou, China Using Landsat Imagery[J]. Sustainable Cities and Society, 2020, 61:102346.

DOI

[13]
ZHANG C X, YIN K D, SHI X R, et al. Risk Assessment for Typhoon Storm Surges Using Geospatial Techniques for the Coastal Areas of Guangdong, China[J]. Ocean & Coastal Management, 2021, 213:105880.

DOI

[14]
QI J D, HE B J, CAO Y, et al. Risk Assessment of Terrestrial Protected Areas to Extreme Wind Hazards: A Case Study in Queensland, Australia[J]. Landscape and Urban Planning, 2023, 240:104888.

DOI

[15]
FOX S, AGYEMANG F, HAWKER L, et al. Author Correction: Integrating Social Vulnerability into High-Resolution Global Flood Risk Mapping[J]. Nature Communications, 2025, 16:1456.

DOI

[16]
FOX S, AGYEMANG F, HAWKER L, et al. Integrating Social Vulnerability into High-Resolution Global Flood Risk Mapping[J]. Nature Communications, 2024, 15:3155.

DOI

[17]
NANDAM V, PATEL P L. Comprehensive Analysis of Data Aggregation Techniques for Flood Vulnerability and Bivariate Flood Risk Mapping of a Coastal Urban Floodplain[J]. International Journal of Disaster Risk Reduction, 2025, 119:105330.

DOI

[18]
SENOUCI A, BARD P Y, BECK E, et al. Mapping Seismic Vulnerability at Urban Scale: Discussion on Relevant Cartography Representations and Smoothing for Urban Planning Purposes on the Oran Case Study[J]. Soil Dynamics and Earthquake Engineering, 2018, 115:545-563.

DOI

[19]
LI Z F, WU Z Y, LU X, et al. Efficient Seismic Risk Analysis of Gravity Dams via Screening of Intensity Measures and Simulated Non-parametric Fragility Curves[J]. Soil Dynamics and Earthquake Engineering, 2022, 152:107040.

DOI

[20]
ELMARAKBY E, ELKADI H. Prioritising Urban Heat Island Mitigation Interventions: Mapping a Heat Risk Index[J]. Science of the Total Environment, 2024, 948:174927.

DOI

[21]
KOOPMANS M, SCHWAAB J, VICEDO-CABRERA A M, et al. Mapping Heat-Related Risks in Swiss Cities Under Different Urban Tree Scenarios[J]. City and Environment Interactions, 2024, 24:100175.

DOI

[22]
GOPINATH G, AMBILI G K, GREGORY S J, et al. Drought Risk Mapping of South-Western State in the Indian Peninsula: A Web Based Application[J]. Journal of Environmental Management, 2015, 161:453-459.

DOI

[23]
NHAMO L, MAGIDI J, MPANDELI S, et al. Drought and Flood Risk Mapping Using a GIS-Based Multi-criteria Decision Method: A Case of the Olifants Basin, South Africa[J]. Next Sustainability, 2025, 6:100100.

DOI

[24]
NAVARRO-CARRIÓN J T, LEÓN-CADENA P, RAMON-MORTE A. Open Data Repositories and Geo Small Data for Mapping the Wildfire Risk Exposure in Wildland Urban Interface (WUI) in Spain: A Case Study in the Valencian Region[J]. Remote Sensing Applications: Society and Environment, 2021, 22:100500.

DOI

[25]
BORISOVA B, TODOROVA E, IHTIMANSKI I, et al. Wildfire Risk Assessment and Mapping: An Approach for Natura 2000 Forest Sites[J]. Trees, Forests and People, 2024, 16:100532.

DOI

[26]
SIVRIKAYA F, DEMIREL D. Fire Risk Mapping Using Machine Learning Method and Remote Sensing in the Mediterranean Region[J]. Advances in Space Research, 2025, 75(7): 5402-5419.

DOI

[27]
NAING P M, NITIVATTANANON V, BABEL M S, et al. Mapping and Prioritization of Effective Adaptation Measures for Integrated Flood and Drought Risks in the Bangkok Metropolitan Region[J/OL]. Natural Hazards Research, 1-32[2025-09-16]. https://www.sciencedirect.com/science/article/pii/S2666592125000629?via%3Dihub.

[28]
HOQUE M A, PRADHAN B, AHMED N, et al. Tropical Cyclone Risk Assessment Using Geospatial Techniques for the Eastern Coastal Region of Bangladesh[J]. Science of the Total Environment, 2019, 692:10-22.

DOI

[29]
CARRÃO H, NAUMANN G, BARBOSA P. Mapping Global Patterns of Drought Risk: An Empirical Framework Based on Sub-national Estimates of Hazard, Exposure and Vulnerability[J]. Global Environmental Change, 2016, 39:108-124.

DOI

[30]
Climate Change 2022: Impacts, Adaptation and Vulnerability[EB/OL]. [2025-12-20]. https://www.ipcc.ch/report/sixth-assessment-report-working-group-ii/.

[31]
王英姿. 福州都市圈自然保护地空间分布特征分析[J]. 福建林业科技, 2024, 51(3): 110-117.

DOI

WANG Y Z. Spatial Distribution Characteristics and Overlapping Relationship Analysis of Protected Areas in Fuzhou Metropolitan Area[J]. Journal of Fujian Forestry Science and Technology, 2024, 51(3): 110-117.

DOI

[32]
MI C R, SONG K, MA L, et al. Optimizing Protected Areas to Boost the Conservation of Key Protected Wildlife in China[J]. The Innovation, 2023, 4(3): 100424.

DOI

[33]
FLEMING C S, REGAN S D, FREITAG A, et al. Indicators and Participatory Processes: A Framework for Assessing Integrated Climate Vulnerability and Risk as Applied in Los Angeles County, California[J]. Natural Hazards, 2023, 115(3): 2069-2095.

DOI

[34]
SHAH M A R, RENAUD F G, ANDERSON C C, et al. A Review of Hydro-meteorological Hazard, Vulnerability, and Risk Assessment Frameworks and Indicators in the Context of Nature-Based Solutions[J]. International Journal of Disaster Risk Reduction, 2020, 50:101728.

DOI

[35]
ALAM A, SAMMONDS P, AHMED B. Cyclone Risk Assessment of the Cox’s Bazar District and Rohingya Refugee Camps in Southeast Bangladesh[J]. Science of the Total Environment, 2020, 704:135360.

DOI

[36]
LIU F T, XU E Q, ZHANG H Q. An Improved Typhoon Risk Model Coupled with Mitigation Capacity and Its Relationship to Disaster Losses[J]. Journal of Cleaner Production, 2022, 357:131913.

DOI

[37]
PING J Y, ZHOU J, HUANG K, et al. Modeling the Typhoon Disturbance Effect on Ecosystem Carbon Storage Dynamics in a Subtropical Forest of China’s Coastal Region[J]. Ecological Modelling, 2021, 455:109636.

DOI

[38]
LIN K C, HAMBURG S P, TANG S L, et al. Typhoon Effects on Litterfall in a Subtropical Forest[J]. Canadian Journal of Forest Research, 2003, 33(11): 2184-2192.

DOI

[39]
LIU Y J, CHEN J. Future Global Socioeconomic Risk to Droughts Based on Estimates of Hazard, Exposure, and Vulnerability in a Changing Climate[J]. Science of the Total Environment, 2021, 751:142159.

[40]
李秋蓉, 廖凌云. 基于生态系统服务簇分析的福州都市圈生态保护空缺识别研究[J]. 园林, 2025, 42(1): 14-22.

DOI

LI Q R, LIAO L Y. Identification of Ecological Protection Gaps in Fuzhou Metropolitan Area Based on Ecosystem Service Bundles Analysis[J]. Landscape Architecture Academic Journal, 2025, 42(1): 14-22.

DOI

[41]
YAN F, SHAN K Y, ZHAO H K, et al. Growing Threat of Tropical Cyclone Disasters in Inland Areas of East China[J]. Geophysical Research Letters, 2024, 51(23): e2024GL111877.

DOI

[42]
ZHANG W Y, LU B, LIAO L Y. Spatially Explicit Drivers of Habitat Degradation in Coastal Megacities Based on MGWR-GCCM: Evidence from Fuzhou, China[J]. Journal of Environmental Management, 2025, 391:126551.

DOI

[43]
ZHANG X, CHEN G S, CAI L X, et al. Impact Assessments of Typhoon Lekima on Forest Damages in Subtropical China Using Machine Learning Methods and Landsat 8 OLI Imagery[J]. Sustainability, 2021, 13(9): 4893.

DOI

[44]
赵智聪, 彭琳. 国家公园分区规划演变及其发展趋势[J]. 风景园林, 2020, 27(6): 73-80.

DOI

ZHAO Z C, PENG L. The Evolution and Development Trend of National Park Zoning Plan[J]. Landscape Architecture, 2020, 27(6): 73-80.

DOI

Options
Outlines

/

〈 〉