1.   引　言

全球变暖背景下，全球天气、气候变化较为复杂，极端天气、气候事件发生频繁，给社会、经济、生态等方面都带来严重影响（吴绍洪等，2012；Sisco，et al，2017），其中极端低温事件发生频次在明显增多，所造成的影响也在不断增强（王冀等，2007；黄丹青等，2008；张霏燕等，2011；Cohen，et al，2014；Overland，et al，2015；Grotjahn，et al，2016）。自1990年以来，北半球低温天数增多（Cohen，et al，2014），尤为引起关注的是从 2012年1月下旬开始的持续性极寒天气，它席卷了整个欧亚大陆，给多个国家造成严重损失，欧美媒体甚至称该事件为“小冰期”来临的征兆。中国的气温也存在显著的年代际变化，2008年之后，中国极端低温事件变多、增强，常有最大降温幅度和极端最低气温破有气象记录以来历史极值的低温灾害事件发生，如2008年，中国南方地区20多个省（市）在连续20多天时间里遭遇了持续性低温雨雪冰冻天气，其持续时间之长、影响范围之广为历史罕见。2009年末至2010年初，中国东北地区、华北、黄淮部分地区出现极端降温事件。其中山东平原降温幅度达21.5℃，超过历史极值，极端低温事件造成了严重的经济损失。在这些造成严重影响的极端低温事件中，寒潮是主要低温灾害之一。

已有研究和现行的寒潮天气研究主要关注寒潮等低温事件的发生频率、强度、产生机制和相关气象要素的可预报性 （Jiang，et al，2015；汪子琪等，2017；布和朝鲁等，2018；李尚锋等，2018；艾雅雯等，2020；李刚等，2020；石晨等，2020；刘明歆等，2021），对于寒潮灾害危险性和风险评估的研究相对较少。2000年以后中外学者针对气象灾害致灾危险性和风险评估方面的探索和研究才逐渐兴起，尤其是近些年极端灾害天气频发，越来越多的学者开始针对高影响极端气象灾害事件的演变特征和重大风险进行研究。开展基于影响的气象灾害风险预警业务和研究已成为共识，将是未来防灾、减灾的重要发展方向。已有许多学者使用长序列气象观测资料，利用层次分析、灰色关联度、信息熵权等方法选取气象灾害致灾因子，根据气象灾害发生的频次和强度，建立危险性和风险评估指标体系，开展气象灾害对农业、交通等特定行业的风险特征评估（Lotto，et al，2000；高庆华等，2007；章国材，2014；de Albuquerque，et al，2015；张玮玮等，2017；郭安红等，2021）。但这些研究大多是对已发生气象灾害进行风险区划，评估的是气象灾害风险的气候背景，相比之下，针对某次灾害天气过程的致灾危险性预评估和基于影响的风险预警在气象灾害防御中具有更加重要的意义。自2020年开展第一次全国自然灾害风险普查工作以来，气象部门在气象灾害风险评估、风险预估等方面取得了一些阶段性的进展（刘扬等，2022；王娜等，2022），然而这些方面的技术研究还处在初步总结和探索阶段。为满足日益提升的气象服务需求，迫切需要加快研发灾害天气过程的危险性和风险预评估技术，推动基于影响的灾害天气过程预评估和风险预警业务进程。

文中提取寒潮天气过程预报致灾因子，结合人口、经济（GDP）和小麦承灾体数据，构建寒潮过程危险性和风险预评估模型，利用智能网格气温预报产品，研发寒潮天气过程危险性预评估产品和风险预警产品。这些产品可有效弥补仅依靠气象要素预报的气象服务局限，分时段、分行业、分区域丰富寒潮灾害天气过程致灾可能性、危害程度等气象服务信息，为有效应对寒潮灾害、提前部署灾害防御措施和减少灾害损失等提供科学决策支撑。

2.   资料与方法

2.1   资料来源

本研究所用资料包括气象要素资料、灾情资料和人口、经济（GDP）、农作物等承灾体数据。气象要素资料来源于江苏省气象信息中心1961—2020年江苏省70个国家级气象站、2009—2020年1300多个区域自动气象站的日平均气温和日最低气温数据，以及江苏省气象台5 km×5 km 分辨率的智能网格气温预报数据，其中区域气象站观测数据已经过质量控制。由于区域自动气象站建站时间晚，数据序列较短，利用偏最小二乘法将区域气象站数据序列进行重建，形成与国家级气象站时段相同的数据序列。

灾情资料包括1978年以来寒潮灾害事件所造成的受灾人口、直接经济损失、农作物受灾面积、成灾面积和农业经济损失等数据，数据来源于应急管理部门。

承灾体暴露度和脆弱性数据来源于第一次全国自然灾害风险普查的数据，包括2020年江苏省人口密度、地均GDP和小麦种植面积比例等30弧秒分辨率的格网数据。

2.2   寒潮灾害气象致灾因子

依据DB32/T 1199—2008 《气象灾害定义与分级》和GB/T 21987—2017《寒潮等级》，寒潮指某一地区冷空气过境后，日最低气温24 h内降低幅度在8℃以上；或48 h内降低幅度10℃以上；或72 h内降低幅度12℃以上，并且该地日最低气温在4℃以下的天气。满足上述条件之一就判定为一次寒潮过程，满足判定条件的首日为过程开始日，满足判定条件的最后一日为过程结束日，开始日至结束日所经历日数为寒潮过程的持续天数。考虑致灾因子的一致性，参照“低温灾害调查与风险评估技术规范（评估与区划类）”（中国气象局，2021年4月），选取日最低气温48 h最大降温幅度、日最低气温累计降温幅度、过程日极端最低气温和寒潮过程持续天数共4个要素作为寒潮灾害气象致灾因子。

2.3   区域站气温时间序列重构

2002年，江苏省第一批区域自动气象观测站建成投入业务使用，之后每年加密部署新的区域自动气象站，截止到2022年，全省投入使用的自动气象站数量超过1800个，文中选取其中数据序列比较完整且经过质量控制的1300多个自动气象站观测数据进行气温的长时间序列重构。

在进行序列重构之前，需评估时间序列重构的可行性。对于气温这种连续变量而言，大尺度系统中温度的局地变化由温度平流、垂直运动和非绝热变化造成。而中等及以上强度冷空气过程属于大尺度系统运动，非绝热变化项在冷气团快速移动过程中作用较小，垂直运动作用不明显，因此温度局地变化主要来自温度平流的贡献。大尺度温度平流在空间上具有均匀性和一致性的特征，在相邻范围内的区域自动气象站与国家级气象站由平流引起的温度局地变化大致相当。基于这一前提，在相同时间范围内，区域自动气象站的日最低气温和日平均气温数据序列可与国家级气象站数据序列利用线性拟合的方法建立定量统计关系，该定量统计关系基本只与自动气象站所处的局地环境有关，根据这个统计关系可运用偏最小二乘法将区域自动气象站的数据序列扩展重建到与对应国家级气象站相同时间范围。选择区域站周边50 km范围内与该区域气象站同时段日最低气温和日平均气温数据相关最好的国家级气象站作为拟合对象。偏最小二乘法能有效找出变量间的统计关系。其原理是以矩阵${\boldsymbol{Y}}$的列去计算矩阵$\boldsymbol{X}$的因子，同时矩阵$\boldsymbol{Y}$的因子则由矩阵${\boldsymbol{X}}$的列去预测，其数学模型为

式中，${\boldsymbol{T}}$和${\boldsymbol{U}}$的矩阵元分别是${\boldsymbol{X}}$和${\boldsymbol{Y}}$的得分，而${\boldsymbol{P}}'$和${\boldsymbol{Q}}'$的矩阵元分别为${\boldsymbol{X}}$和${\boldsymbol{Y}}$的装载，${\boldsymbol{E}}$和${\boldsymbol{F}}$分别为运用偏最小二乘模型去拟合${\boldsymbol{X}}$和${\boldsymbol{Y}}$所引进的误差。

3.   江苏寒潮灾害致灾因子特征分析

3.1   江苏寒潮过程时、空特征分析

利用江苏全省70个国家级气象站逐日最低气温数据，根据2.2节中寒潮过程判定标准，统计江苏省1961—2020年发生的寒潮过程，分析寒潮过程的时、空分布特征（图1）。

江苏全省平均及各区域平均寒潮过程历年发生频次，总体呈20世纪后40年多、21世纪前20年少的态势，北部整体多于南部，20世纪60年代、70年代末、90年代初出现频次较多，年平均发生次数接近3.0次，特别是1962年和1966年，淮北地区平均多达6.2次；1982—1986年和1999—2003年这两个时段寒潮发生频次相对较少，全省年平均仅发生0.9次，1989年和2001年苏南地区未发生寒潮过程；其余年份各区域平均大多在1.0—4.0次。江苏省平均每年发生1.9次寒潮过程，淮北地区较多，达2.3次，苏南地区较少，为1.5次。

图  1  1961—2020年江苏全省平均及各区域平均寒潮过程历年发生频次

Figure  1.  Average frequencies of cold wave event in the entire area of Jiangsu province and various regions over the years from 1961 to 2020

下载: 全尺寸图片 幻灯片

3.2   江苏寒潮灾害致灾因子特征分析

结合灾情资料，通过对寒潮过程中可能致灾的气象因子与灾情信息的灾害损失曲线分析，对比第一次全国自然灾害风险普查下发的《低温灾害调查与风险评估技术规范（评估与区划类）》，江苏寒潮过程气象致灾因子主要包括寒潮过程日最低气温48 h最大降温幅度、日最低气温累计降温幅度、过程日极端最低气温、寒潮过程持续天数。利用全省70个国家级气象站和序列重构后的1300多个区域气象站1961—2020年的日最低气温数据，进行寒潮过程4个致灾因子的统计分析，结果见图2。寒潮过程总频次总体呈现北多南少、西多东少的分布特征，淮北地区明显多于江淮之间和苏南地区，频次最多的区域主要位于徐州东部、连云港西部和宿迁东北部三市交界区域，总频次最多达到293次（年平均4.9次）；东部沿海和苏南南部地区寒潮过程发生频次较少，最少仅累计发生11次。各气象观测站的历次寒潮过程日最低气温累计最大降温幅度为16.1—24.2℃，总体呈现北高南低的分布特征，徐州、连云港、宿迁、盐城、泰州等地均出现过日最低气温累计降温幅度超过20℃的寒潮过程，累计降温幅度最大的寒潮过程发生在连云港地区。各气象观测站的历次寒潮过程日最低气温48 h最大降温幅度为12.1—20.2℃，呈现西高东低、淮北北部地区较低的分布特征，宿迁、淮安、盐城西北部和南京等地区降温幅度较大，基本都可超过15℃，48 h降温幅度最大的区域位于淮安南部的金湖县。各气象观测站的历次寒潮过程中极端最低气温为−2.7—−22.9℃，总体由东南向西北递减，极端最低气温的分布与下垫面性质有关，淮北地区和江淮之间西部大部分地区在−15℃以下，江淮之间东部和苏南中东部地区寒潮过程极端最低气温相对较高。各气象观测站的历次寒潮过程中最长持续天数为5—9 d，分布呈现散发性特征，宿迁西南部、南通、常州和苏州等地的部分地区持续时间较长，最长持续9 d。

图  2  1961—2020年江苏省寒潮过程各致灾因子分布 （a. 总频次，b. 过程最大累计降温幅度，c. 48 h最大降温幅度，d. 过程极端最低气温，e. 最长持续天数）

Figure  2.  Distributions of various disaster causing factors during the cold wave events in Jiangsu province from 1961 to 2020 （a. total frequency，b. maximum decrease temperature，c. maximum decrease temperature within 48 h，d. extreme minimum temperature，e. the longest duration days）

下载: 全尺寸图片 幻灯片

综上分析，江苏寒潮过程的总频次、最大降温幅度和过程极端最低气温等致灾因子在强度上总体表现为西部强于东部、北部强于南部的分布特征，而最长持续天数的高值区呈散发性特点，大部分地区分布较为均匀。

4.   寒潮天气过程危险性与风险预评估方法

4.1   寒潮天气过程危险性预评估方法

第一次全国气象灾害综合风险普查技术规范中的“低温灾害调查与风险评估技术规范（评估与区划类）”（中国气象局，2021年4月）给出了根据1961—2020年历次寒潮过程气象致灾因子数据的寒潮灾害危险性区划方法，用以评估某一地区已经发生的寒潮灾害致灾危险性，根据不同时段可以得到该时段寒潮灾害危险性的静态评估结果。而在寒潮天气过程预报服务业务中，为了满足寒潮天气危险性影响预报等气象服务需求，需在气象要素预报的基础上进行寒潮天气过程的致灾危险性预评估，下文将重点讨论基于寒潮天气过程的危险性预评估方法，并构建危险性预评估模型。

根据寒潮灾害致灾危险性评估中致灾因子的选取方法，利用某次寒潮天气过程的智能网格气温预报和日最低气温预报数据，提取每个站点在本次过程中日最低气温48 h最大降温幅度（${\Delta T}_{48{\mathrm{h}}}$）、日最低气温累计降温幅度（$\Delta T$_max）、过程日极端最低气温（${T}_{{\mathrm{min}}}$）、寒潮过程持续天数${（D}_{\mathrm{c}\mathrm{o}\mathrm{l}\mathrm{d}\mathrm{w}\mathrm{a}\mathrm{v}\mathrm{e}}$）等预报量作为该站点预报致灾因子。在计算危险性之前，需要对预报致灾因子数据进行无量纲化的归一化处理。对于一次天气过程来说，各预报致灾因子在时间上具有唯一性，若只是空间归一化处理，则每次寒潮天气过程的致灾因子归一化数据分布特征将具有高度一致性，而与寒潮天气过程的强度无关，即不同强度寒潮过程其致灾因子归一化数据均有接近1或等于1的数值，根据这个归一化数据计算得到的危险性指数分级总有达到高危险性等级的站点，这与实际情况是不符的。因此，在归一化处理时需考虑每一个站点某次寒潮天气过程预报致灾因子强度在该站点已经发生的寒潮天气过程中所处水平，即每个站点的每种预报致灾因子在时间维度上进行归一化处理

式中，${x}_{i}$为致灾因子预报数据，$\mathrm{\mathit{x}}_{\mathrm{m}\mathrm{i}\mathrm{n}}$为该站点历次寒潮天气过程中该致灾因子数据中的最小值，$\mathit{\mathrm{\mathit{x}}}_{\mathrm{m}\mathrm{a}\mathrm{x}}$为其中最大值。

预报致灾因子归一化处理后，综合信息熵权法（姜彤等，2018）和专家打分法（德尔菲法）确定各致灾因子的权重。信息熵权法的权重确定过程如下：设评价体系是由$m$个指标$n$个对象构成的系统，首先计算第$i$项指标下第$j$个对象的指标值（${r}_{ij}$）所占指标比重（${p}_{ij}$）

由信息熵权法计算第$i$个指标的熵值（S_i）

计算第$i$个指标的熵权，确定该指标的客观权重（${w}_{i}$）

各个站点由信息熵权法计算所得的4个致灾因子权重在空间上略有差异，但整体比例相对较为一致，全省平均权重系数为寒潮过程持续天数（${D}_{\mathrm{c}\mathrm{o}\mathrm{l}\mathrm{d}\mathrm{w}\mathrm{a}\mathrm{v}\mathrm{e}}$）:日最低气温累计降温幅度（$\Delta T$_max）:日最低气温48 h最大降温幅度（${\Delta T}_{48{\mathrm{h}}}$）:过程日极端最低气温（${T}_{{\mathrm{min}}}$）=0.15∶0.35∶0.25∶0.25，结合专家打分法的结果0.1:0.2:0.3:0.4，再对各预报致灾因子权重系数进行优化调整，确定最终权重系数为0.1∶0.3∶0.3∶0.3，构建寒潮天气过程危险性预评估模型

式中，${H}_{\text{coldwave}}(i)$为每个站点寒潮天气过程危险性预评估指数，${D}_{\text{coldwave}}(i)$、$\Delta T_\text{max}(i)$、$\Delta T_{48\mathrm{h}}(i)$、${T}_{\mathrm{min}}(i)$分别是归一化后的预报致灾因子指数，A、B、C、D为相应的权重系数。

1961—2020年江苏各站历次寒潮过程致灾危险性指数计算公式同式（7），由实况致灾因子数据代替预报致灾因子数据，得到各站长时间序列的寒潮过程危险性指数，采用百分位法（表1）将江苏各站历次危险性指数分成4个等级：高危险性、较高危险性、较低危险性和低危险性。根据百分位分级阈值确定本次寒潮天气过程每个站的危险性预评估等级，这种评估方法考虑了不同区域寒潮过程致灾危险性的气候特征，最终形成的区域性寒潮天气过程危险性预评估等级在空间上具有相互独立性，能够更真实地反映本次寒潮过程在不同地区致灾的可能性。

表  1  基于百分位法寒潮灾害危险性等级划分

Table  1.  Classification table of hazard levels for cold wave disasters based on the percentile method

危险性等级	级别含义	划分原则百分位数
1级	高危险性	[90，100]
2级	较高危险性	[75，90）
3级	较低危险性	[50，75）
4级	低危险性	[0，50）

下载: 导出CSV 

| 显示表格

4.2   寒潮天气过程风险预评估方法

综合考虑寒潮天气过程的预评估危险性指数（式（7）），文中针对人口、经济（GDP）和小麦等承灾体，建立这3类承灾体的寒潮天气过程风险预评估模型

式中，$R\left(i\right)$为每个格网某种承灾体风险预估指数，${H}_{\mathrm{c}\mathrm{o}\mathrm{l}\mathrm{d}\mathrm{w}\mathrm{a}\mathrm{v}e}\left(i\right)$为每个站点危险性预评估指数，$E\left(i\right)$为某种承灾体暴露度，$V(i)$为区域内某种承灾体的脆弱性。

以区域范围内承灾体数量或种植面积与总面积之比作为承灾体暴露度指标，暴露度指数$E\left(i\right)$计算方法如下

式中，$E\left(i\right)$为承灾体暴露度指标，${S_E}$为区域内承灾体数量或种植面积，$\mathrm{S}$为区域总面积或耕地面积。

$V\left(i\right)$指在给定区域内由低温灾害潜在危险因素造成的伤害或损失程度，其综合反映了灾害损失程度。其中人口脆弱性指标采用区域内14 岁以下及 65 岁以上人口的比例，GDP脆弱性指标采用因寒潮灾害造成的直接经济损失占区域GDP的比例，小麦脆弱性指标采用区域内受灾面积占种植面积的比例。

以区域范围内14 岁以下及 65 岁以上人口、直接经济损失、主要农作物受灾面积与总人口、国内生产总值、农作物总种植面积之比作为脆弱性指标为例，脆弱性指数计算方法如下

式中，$V\left(i\right)$为第$i$类承灾体脆弱性指数，${S_V}$为14 岁以下及 65 岁以上人口、直接经济损失或受灾面积，$\mathrm{S}$为总人口、国内生产总值或农作物种植总面积。对各评价指标进行归一化处理，得到不同承灾体的脆弱性指数。

考虑到寒潮对江苏小麦造成冻害的时间主要在11月至次年4月上半月，若寒潮影响前气温长时间明显偏高，会造成小麦旺长，此时如遇寒潮袭击，更易形成严重冻害。通过普查近30年来全省70个国家级气象站旬平均气温数据和灾情数据，文中对归一化后的小麦脆弱性指标进行调整如下：寒潮天气影响前，如果前20 d平均气温比常年同期偏高[2，3）、[3，4）、≥4℃，脆弱性指标分别加0.1、0.2、0.3。

根据式（8）将危险性预评估指数替换成江苏历次寒潮过程的危险性评估指数，同时计算江苏省不同承灾体各站历次寒潮过程的风险指数，采用百分位法将风险分为5个等级（表2）。利用风险指数分级阈值得到本次寒潮过程某种承灾体的格网风险预评估等级，再将某种承灾体风险预评估等级数据经过K-mean聚类算法分析，生成评估等级分布图，形成该承灾体寒潮天气过程的风险预警产品。

表  2  基于百分位法的寒潮灾害风险等级划分

Table  2.  Classification table for the risk levels of cold wave disasters based on the percentile method

百分位范围	R≤50%	50%＜R≤70%	70%＜R≤85%	85%＜R≤95%	R＞95%
风险等级	Ⅴ	Ⅳ	Ⅲ	Ⅱ	Ⅰ
级别含义	低	较低	中	较高	高

下载: 导出CSV 

| 显示表格

5.   个例分析和验证

2022年11月28日—12月3日江苏发生了一次全省范围的寒潮天气过程，文中选取此次寒潮过程对寒潮天气过程危险性预评估和风险预评估方法进行分析和验证。

5.1   寒潮过程危险性预估

利用11月27日20时起报的智能网格日最低气温预报数据，提取每个站的日最低气温48 h最大降温幅度、日最低气温累计降温幅度、过程最低气温、过程持续天数这4个预报致灾因子，计算本次寒潮过程预评估危险性指数，并分级形成寒潮天气过程危险性预评估产品。

图3是2022年11月28日—12月3日寒潮过程危险性预评估分布。由图3可知，本次寒潮过程危险性预评估等级呈现北高南低的分布特征，沿淮和淮北地区除连云港东部沿海外均处于较高危险性等级区域内，丰县和沛县的局部地区危险性等级达到高，寒潮对这些区域造成危害的可能性较大；江淮之间中北部地区基本为中等危险性等级区；江淮之间南部和苏南大部分地区为较低危险性等级区，局部处于中等危险，寒潮产生危害的可能性相对较小。

图  3  江苏省2022年11月28日—12月3日寒潮过程危险性预评估分布 （2022年11月27日20时起报）

Figure  3.  Distribution of the risk pre-assessment of cold wave process in Jiangsu province from 28 November to 3 December 2022 （the forecast is initialized at 20:00 BT 27 November 2022）

下载: 全尺寸图片 幻灯片

5.2   寒潮过程风险预估

综合此次过程预评估危险性指数和2020年人口、经济（GDP）、小麦这三类30弧秒分辨率的承灾体暴露度和脆弱性数据得到3类承灾体寒潮过程风险预评估结果（图4）。江苏省人口密度空间和地均GDP分布不均匀，人口密集区域和地均GDP较高区域主要集中在沿江城市群地区，包括南京市、镇江市、常州市、无锡市和苏州市。此次寒潮过程人口和经济（GDP）风险等级较高的区域呈现为南北高、中部低的分布特征，沿淮和淮北地区风险等级高是因为该地区过程危险性等级较高，易造成危害影响；南部较高—高风险区域则是因为该地区承灾体暴露度大、脆弱性较高，即使寒潮过程危险性等级相对较低，也可能产生较大灾害损失。

图  4  江苏省2022年11月28日—12月3日寒潮过程三类承灾体风险预评估分布 （2022年11月27日20时起报；a. 人口风险，b. GDP风险，c. 小麦风险）

Figure  4.  Distributions of risk pre-assessment with three types of disaster bearing bodies during the cold wave process in Jiangsu province from 28 November to 3 December 2022 （the forecast is initialized at 20:00 BT 27 November 2022；a. population risk， b. GDP risk，c. wheat risk）

下载: 全尺寸图片 幻灯片

江苏省小麦种植区主要集中在中、北部地区，南部地区种植面积相对较小。图4c是此次寒潮天气小麦风险预评估，从图中可以看出，此次寒潮过程小麦较高—高风险区主要位于寒潮过程危险性较高且小麦种植面积大、脆弱性大的沿淮及淮北地区。2022年10月下旬起，江苏气温较常年偏高，尤其是本次寒潮过程发生前的20 d，江苏各市（县）平均气温比常年同期偏高3.0—4.7℃，其中沿淮和淮北大部分地区偏高4℃以上，小麦未经受低温锻炼，且部分地区小麦出现旺长。据江苏省农情信息，此次寒潮天气造成沿淮和淮北地区小麦较大面积受冻，且3级以上冻害区域也主要出现在沿淮和淮北地区，这和文中的小麦风险预评估结果是一致的。

本次寒潮过程预评估所得风险较高的区域，表明该地区发生灾害损失的可能性较大，在预报服务中提供风险预警信息，为灾害防御部署提供决策支撑，提前应对、及时部署，将有效避免或减少寒潮等灾害天气造成的危害和损失。

6.   结论与讨论

通过对江苏省1961—2020年寒潮灾害致灾因子特征的分析，寒潮过程致灾危险性和风险预估方法的探讨，得到以下结论：

（1）江苏省全省平均及各区域平均寒潮过程历年发生频次，总体呈现20世纪后40年多、21世纪前20年少的态势，北部整体多于南部，全省平均每年发生1.9次寒潮过程，淮北地区较多达2.3次，苏南地区较少为1.5次。寒潮过程的总频次、最大降温幅度和过程极端日最低气温等致灾因子在强度上表现为西部强于东部、北部强于南部的分布特征，而最长持续天数的高值区呈散发特征，大部分地区分布较为均匀。

（2）在寒潮灾害危险性和风险评估基础上，基于江苏智能网格气温预报产品提取寒潮天气过程的日最低气温最大累计降温幅度、日最低气温最大48 h降温幅度、极端日最低气温和持续天数4个预报致灾因子，经过基于寒潮灾害气候特征的归一化处理，由信息熵权法和专家打分法共同确定权重系数分配，采用百分位法构建了寒潮天气过程致灾危险性预评估模型。致灾危险性预评估指数结合人口、经济（GDP）和小麦承灾体暴露度和脆弱性数据，建立了寒潮天气过程的风险预评估模型。

（3）通过对2022年11月28日—12月3日江苏全省性寒潮天气过程的个例分析，可以得出与实际灾情基本相符的寒潮天气过程的致灾危险性预评估和风险预警结果，能够提供寒潮天气过程可能发生灾害的区域以及危害程度，在灾害防御部署、有效避免或减少损失上具有重要意义。

寒潮灾害产生的损失与气象致灾因子和承灾体空间分布密切相关，风险等级高意味着产生灾害损失的可能性大。文中针对寒潮天气过程研究寒潮灾害致灾危险性和风险时采用静态的致灾因子权重系数，对于气候异常背景下寒潮灾害过程的分析结果与实际灾害影响程度会有所偏差，在业务应用中将进一步融合灾情信息优化调整预估模型。此外，由于承灾体脆弱性特征较为复杂，侧重点不同的脆弱性分析方法得出的风险预评估结果会存在明显差异，因此，对于特定行业或者场景的风险预评估方法需要对承灾体脆弱性进行科学分析，而这就需要更为详细、更为精确、更为精细的承灾体信息。就基于影响的灾害天气风险预警业务发展来说，灾害天气过程的危险性预评估和风险预警技术是未来的科研与业务重要发展方向，需要加强研究和应用。