چکیده

جوامع ساحلی خلیج فارس و جنوب شرقی ایالات متحده به ویژه در برابر طوفان های استوایی آسیب پذیر هستند. مناطق ساحلی به طور کلی بیشترین خسارت اقتصادی را از طوفان های استوایی دریافت می کنند. با این حال، تحقیقات نشان می دهد که تلفات در منطقه داخلی گاهی اوقات می تواند بیشتر از منطقه ساحلی باشد. تحقیقات قبلی که اثرات درونی طوفان‌های استوایی را ارزیابی می‌کرد به مناطقی که تنها در مجاورت منطقه ساحلی هستند، که تلفات معمولاً بیشتر است، محدود بود. در این مطالعه، توزیع فضایی آسیب اموال داخلی ناشی از طوفان‌های استوایی را ارزیابی کردیم. ما تمام شهرستان‌های داخلی را که در منطقه داخلی در ایالت‌های لوئیزیانا، می‌سی‌سی‌پی و آلاباما قرار می‌گیرند، گنجانده‌ایم. علاوه بر این، عوامل مختلف، از جمله ویژگی های طوفان هواشناسی (باد و باران طوفان گرمسیری)، ارتفاع، و آسیب‌پذیری اجتماعی-اقتصادی شهرستان (شاخص آسیب‌پذیری اجتماعی شهرستان و تولید ناخالص داخلی) برای اندازه‌گیری تأثیر آن‌ها بر آسیب اموال، با استفاده از هر دو مدل حداقل مربعات معمولی (OLS) و رگرسیون وزن‌دار جغرافیایی (GWR) مورد ارزیابی قرار گرفت. GWR بهتر از OLS عمل می کند، که نشان دهنده اهمیت در نظر گرفتن تغییرات فضایی در توضیح آسیب اموال داخلی است. نتایج حاصل از منطقه سه ایالتی نشان می دهد که باد قوی ترین پیش بینی کننده آسیب اموال در OLS و یکی از عوامل اصلی آسیب اموال در مدل GWR بود. این نتایج می تواند برای مدیران اورژانس و سیاست گذاران هنگام در نظر گرفتن تأثیرات داخلی طوفان های استوایی مفید باشد. با استفاده از هر دو مدل حداقل مربعات معمولی (OLS) و رگرسیون وزن‌دار جغرافیایی (GWR). GWR بهتر از OLS عمل می کند، که نشان دهنده اهمیت در نظر گرفتن تغییرات فضایی در توضیح آسیب اموال داخلی است. نتایج حاصل از منطقه سه ایالتی نشان می دهد که باد قوی ترین پیش بینی کننده آسیب اموال در OLS و یکی از عوامل اصلی آسیب اموال در مدل GWR بود. این نتایج می تواند برای مدیران اورژانس و سیاست گذاران هنگام در نظر گرفتن تأثیرات داخلی طوفان های استوایی مفید باشد. با استفاده از هر دو مدل حداقل مربعات معمولی (OLS) و رگرسیون وزن‌دار جغرافیایی (GWR). GWR بهتر از OLS عمل می کند، که نشان دهنده اهمیت در نظر گرفتن تغییرات فضایی در توضیح آسیب اموال داخلی است. نتایج حاصل از منطقه سه ایالتی نشان می دهد که باد قوی ترین پیش بینی کننده آسیب اموال در OLS و یکی از عوامل اصلی آسیب اموال در مدل GWR بود. این نتایج می تواند برای مدیران اورژانس و سیاست گذاران هنگام در نظر گرفتن تأثیرات داخلی طوفان های استوایی مفید باشد. نتایج حاصل از منطقه سه ایالتی نشان می دهد که باد قوی ترین پیش بینی کننده آسیب اموال در OLS و یکی از عوامل اصلی آسیب اموال در مدل GWR بود. این نتایج می تواند برای مدیران اورژانس و سیاست گذاران هنگام در نظر گرفتن تأثیرات داخلی طوفان های استوایی مفید باشد. نتایج حاصل از منطقه سه ایالتی نشان می دهد که باد قوی ترین پیش بینی کننده آسیب اموال در OLS و یکی از عوامل اصلی آسیب اموال در مدل GWR بود. این نتایج می تواند برای مدیران اورژانس و سیاست گذاران هنگام در نظر گرفتن تأثیرات داخلی طوفان های استوایی مفید باشد.

کلید واژه ها:

خسارت اموال داخلی ; طوفان های استوایی ؛ حداقل مربعات معمولی (OLS) ; رگرسیون وزنی جغرافیایی (GWR)

1. مقدمه

طوفان های استوایی (TCs) پدیده های رایج در سراسر جهان هستند و تقریباً بر تمام مناطق گرمسیری تأثیر می گذارند [ 1 ]. به طور متوسط، رویدادهای TC باعث خسارت جهانی تخمینی سالانه 26 میلیارد دلار و 19000 مرگ در دهه گذشته شدند [ 2 ]. تغییرات آب و هوایی آینده ممکن است شدت TC ها را در سطح جهانی افزایش دهد، و در نتیجه می تواند خسارات وارد شده توسط TC ها را افزایش دهد همانطور که در مطالعات قبلی مشهود است [ 3 ، 4 ، 5 ]. با این حال، اثرات ناشی از فرود TC تنها به مناطق ساحلی محدود نمی شود. TC ها می توانند بیشتر در داخل خاک حفظ یا حتی تشدید شوند و این در مناطق مختلف در سراسر جهان از جمله ایالات متحده (ایالات متحده) مشهود است [ 6 ، 7 ، 8 ]، 9 ].
در طول دوره 1970-2009، تعداد زیادی TC مرگبار (طوفان 1970 در بنگلادش) و پرهزینه (2005 طوفان کاترینا در ایالات متحده) وجود داشت [ 1 ]. تعداد تلفات تجمعی که توسط TCها در سراسر جهان در این دوره ایجاد شده است حدود 800000 نفر بوده است. در طول دو دهه گذشته، خسارات مالی ناشی از TC ها بیش از 946 میلیارد دلار در سراسر جهان برآورد شده است که تقریباً یک سوم کل خسارات ناشی از بلایای طبیعی در این دوره است [ 10 ]. تلفات ناشی از طوفان های استوایی در ایالات متحده در چند دهه گذشته افزایش یافته است [ 11 , 12 , 13 , 14,15]. با این حال، هنگامی که برای تورم تعدیل می شود، زیان های اقتصادی افزایش نیافته است و همچنین فراوانی یا شدت ریزش طوفان های استوایی در ایالات متحده افزایش نیافته است [ 16 ]. تراکم جمعیت سواحل به سرعت افزایش یافته است، و این همراه با تقریباً 85٪ از کل خسارت طوفان استوایی (TC) در ایالات متحده که توسط طوفان های بزرگ ایجاد می شود، آسیب پذیری و پتانسیل زیان اقتصادی بیشتری را در آینده ایجاد می کند [ 12 ]. فصول 2005 و 2017 فعال ترین و مخرب ترین فصل طوفان برای حوضه اقیانوس اطلس در سال های اخیر بوده است. طوفان کاترینا در سال 2005، پرهزینه ترین فاجعه در تاریخ ایالات متحده، به تنهایی باعث مرگ حدود 1833 نفر به طور مستقیم و غیرمستقیم و 108 میلیارد دلار خسارت مالی در سال 2005 شد [ 17 ، 18 ].]. خسارات ناشی از فصل طوفان 2017 در حوضه اقیانوس اطلس بیش از 125 میلیارد دلار برآورد شده است [ 19 ]. با افزایش جمعیت ساحلی و داخلی، اگر فرکانس و شدت TC آینده از پیش بینی های مدل آب و هوایی پیروی کند، خسارت اموال TC پیش بینی می شود افزایش یابد [ 20 ، 21 ، 22 ].
تحقیقات قبلی عمدتاً تأثیرات TC ها را در مناطق ساحلی مورد مطالعه قرار دادند که در آن تأثیرات اغلب بالاترین است. با این حال، اثرات ناشی از فرود TC در ایالات متحده اغلب در داخل کشور که در آن جمعیت قابل توجهی وجود دارد، تجربه می شود [ 23 ]. اگرچه TC ها معمولاً پس از فرود به خشکی به سرعت تضعیف می شوند، تأثیرات TC های فرود در خشکی می تواند گسترده باشد. در سال های اخیر، بیشتر تلفات ناشی از TC در ایالات متحده در شهرستان های داخلی در مقایسه با شهرستان های ساحلی رخ داده است [ 24 ]. Rappaport (2000) [ 25 ] دریافت که این تلفات جانی اغلب ناشی از خطرات مرتبط با TC ها از جمله بارندگی شدید، بادهای شدید و گردبادهای ناشی از TC است.
تلفات و تلفات TC می تواند تحت تأثیر ویژگی های فیزیکی یک TC و سطوح آسیب پذیری اجتماعی جمعیت در منطقه تحت تأثیر قرار گیرد. عوامل زیادی وجود دارد که بر آسیب پذیری اجتماعی تأثیر می گذارد [ 26 , 27 , 28 , 29 , 30 , 31 , 32]. برخی از این عوامل مشترک تحت دسته بندی های وسیع تری از سن، جنسیت، نژاد/قومیت، و وضعیت اجتماعی-اقتصادی سازماندهی می شوند. به طور خاص تر، آسیب پذیری اجتماعی را می توان از طریق ترکیبی از (1) عدم دسترسی به منابع، (2) دسترسی محدود به قدرت سیاسی و نمایندگی، (3) شبکه ها و ارتباطات اجتماعی، (4) باورها و آداب و رسوم، (5) ارزیابی کرد. ) انبار و سن ساختمان، (6) افراد ضعیف و از نظر فیزیکی محدود، و (7) نوع و تراکم زیرساخت ها و خطوط حیاتی [ 28 ].
علاوه بر این، افزایش جمعیت یکی دیگر از عوامل حیاتی برای تلفات مربوط به TC است [ 33 ، 34 ]. انتظار می رود جمعیت ایالات متحده تا سال 2040 به 400 میلیون نفر برسد [ 35 ]. در نتیجه، انتظار می‌رود که مناطق شهری و حومه‌ای کشور، چه در نواحی ساحلی و چه در مناطق داخلی، شاهد افزایش قابل‌توجهی در جمعیت باشند [ 36 ]. افزایش جمعیت افزایش در محیط ساخته شده و ردپای توسعه یافته یک منطقه را افزایش می دهد، که خطرات اثرات بالقوه ناشی از خطرات ژئوفیزیکی را افزایش می دهد [ 33 ، 34 ، 37 ، 38 ]. عوامل اجتماعی و اقتصادی نیز در نظر گرفته می‌شوند که تأثیرات قابل‌توجهی بر آسیب‌های TC دارند [ 11، 39 ]. تولید ناخالص داخلی (GDP) سرانه یکی از عوامل اصلی آسیب پذیری اقتصادی در برابر بلایا در نظر گرفته می شود [ 27 ، 40 ]. تولید ناخالص داخلی سرانه بالاتر نشان‌دهنده آسیب‌پذیری کمتر در برابر بلایا است و با تأثیرات کمتر بلایا مطابقت دارد [ 41 ، 42 ]. سایر عوامل اجتماعی-اقتصادی مورد استفاده در تحقیقات قبلی شامل ارزش دارایی، محیط ساخته شده و غیره است [ 35 ، 43 ].
تأثیر ویژگی های فیزیکی TC بر از دست دادن اموال و تلفات به خوبی در منطقه ساحلی ثبت شده است اما اغلب در داخل کشور نادیده گرفته می شود [ 14 ]. باد شدید، گردبادها، و سیل به دلیل بارندگی شدید بدترین خطرات مرتبط با TC ها در حین حرکت به داخل کشور هستند، که سیل در ادبیات مخرب ترین است [ 44 ]. به طور خاص، تلفات ناشی از سیل آب شیرین عمدتا در شهرستان های داخلی رخ می دهد [ 25 ، 45 ]. Czajkowski، Simmons و Sutter (2011) [ 45 ] دریافتند که افزایش یک اینچ و یک گره در بارندگی و باد باعث افزایش کل تلفات داخلی به ترتیب 28% و 4% می شود.
بادهای شدید مرتبط با TC ها یکی دیگر از خطرات کشنده و پرهزینه است حتی اگر باد در شهرستان های داخلی کاهش یابد. اشمیدلین (2009) [ 46 ] 407 مرگ ناشی از شکست درختان مربوط به باد را در ایالات متحده از سال 1995 تا 2007 مورد بحث قرار داد، و بسیاری از این تلفات با TC در شهرستان های داخلی مرتبط بودند. سرعت وزش باد پراکنده می تواند تا صدها کیلومتر در داخل زمین از ریزش زمین بسیار بالاتر از نیروی طوفان باقی بماند [ 47 ]. اخیراً، طوفان دسته 5 مایکل در سال 2018 باعث وزش باد با نیروی طوفان بیش از 200 کیلومتر در داخل کشور شد [ 48 ]. یک TC با حرکت سریعتر بادهای شدید را در دورترهای داخل زمین تولید می کند زیرا با شدت بیشتری به داخل زمین می رسد [ 14 ، 49 ]. گردبادهای ناشی از TC یکی دیگر از تهدیدات باد داخلی هستند [ 50، 51 ]. گردبادها باعث آسیب مالی قابل توجه و 5 درصد از مرگ و میرهای کلی مربوط به TC می شوند [ 25 ].
علاوه بر این، تخمین زده می‌شود که فرکانس و شدت TC به دلیل تغییرات آب و هوایی در آینده همانطور که در مطالعات قبلی مشاهده شده‌است [ 21 ، 22 ، 52 ، 53 ، 54 ] افزایش خواهد یافت. به طور کلی، مناطقی که اغلب توسط TC ها مورد ضربه قرار می گیرند، در معرض آسیب های اموال و تلفات بیشتری هستند. علاوه بر این، ویژگی‌های فیزیکی نواحی تحت‌تأثیر TC‌ها، مانند ارتفاع، نیز می‌تواند نقش مهمی در کاهش اثرات TC‌ها، به‌ویژه در مناطق داخلی داشته باشد. همانطور که قبلا ذکر شد، سیل آب شیرین ناشی از بارندگی مرتبط با TC ها یک تهدید بزرگ در مناطق داخلی است. همانطور که در مطالعات قبلی مشاهده شد، ارتفاع بالاتر با خطر کمتر سیل مطابقت دارد [ 55 ، 56 ]].
خلیج آمریکا و سواحل جنوب شرقی به ویژه در برابر TC ها آسیب پذیر هستند [ 57 ، 58 ]. باروز (2007) [ 59 ] نشان داد که خسارت اموال مربوط به TC در خلیج و ساحل شرقی ایالات متحده می تواند 5 میلیارد دلار در سال باشد. فصول طوفان اقیانوس اطلس در سال 2005 و 2017 به ترتیب 28 و 17 TC نامیده شد [ 60 ، 61 ]. علاوه بر این، هزینه های بازیابی از طوفان های بزرگ در این منطقه بسیار گران بود و پیش بینی آن سخت بود [ 62]. در حالی که مطالعات قبلی نشان داده است که تلفات مربوط به TC در نواحی داخلی می‌تواند قابل توجه باشد، تحقیقاتی که بر روی عواملی که بر آسیب‌های ناشی از فرود TC خلیج مکزیک در جنوب شرقی ایالات متحده تأثیر می‌گذارند، هنوز بسیار محدود است، چه رسد به تمرکز بر مناطق داخلی این منطقه. منطقه علاوه بر این، تحقیقاتی که شامل عوامل مختلف (به عنوان مثال، خطرات مرتبط با TC ها، آسیب پذیری اجتماعی و اقتصادی، و ویژگی های فیزیکی مناطق تحت تاثیر) است که بر آسیب اموال داخلی ناشی از سقوط TC های خلیج مکزیک در این منطقه تأثیر می گذارد، حداقل بوده است.
موضوع مهم دیگر این است که چگونه می توان تأثیر عوامل مختلف را بر آسیب اموال مربوط به TC اندازه گیری کرد. مطالعات قبلی تأثیر عوامل مختلف را بر آسیب اموال ناشی از TC یا برای یک طوفان یا با آمار توصیفی و روش رگرسیون جهانی اندازه‌گیری کردند [ 45 ، 63 ، 64 ، 65 ]. با این حال، آسیب فاجعه، از جمله خسارات وارد شده توسط TCها، در سراسر فضا متفاوت است [ 66]. بنابراین، اثرات عوامل مختلف موثر در آسیب اموال مربوط به TC نیز می تواند از نظر مکانی متفاوت باشد. در این راستا، روش های تجزیه و تحلیل زمین آماری و مکانی می تواند مفید باشد زیرا آنها روابط آماری فضایی بین متغیرهای مختلف را در نظر می گیرند. به عنوان مثال، García-Ayllón و همکاران. (2019) [ 67 ] از همبستگی فضایی دو متغیره برای شناسایی اثرات مکانی عوامل مختلف بر آسیب زلزله در لورکا، اسپانیا استفاده کرد. علاوه بر این، مطالعات اخیر نشان داد که روش‌های رگرسیون فضایی، مانند رگرسیون وزن‌دار جغرافیایی (GWR)، می‌توانند روابط فضایی بین آسیب فاجعه و عوامل کمک‌کننده را بهتر توضیح دهند و به تصویر بکشند [ 66 ، 68 ، 69 .]. بنابراین، این تحقیق از یک رویکرد آماری فضایی برای تعیین کمیت تأثیرات عوامل مختلف تأثیرگذار بر آسیب اموال مرتبط با TC استفاده می‌کند. با این وجود، ما همچنین از یک مدل رگرسیون جهانی برای تجزیه و تحلیل و مقایسه نتایج در این مطالعه استفاده کردیم.
بررسی توزیع فضایی خسارات اموال داخلی ناشی از TC ها و اینکه چگونه روابط بین خسارات داخلی مرتبط با TC و عوامل مؤثر از نظر مکانی متفاوت است، می‌تواند محصولی ملموس را برای مدیران و سیاستگذاران اضطراری برای کمک به برنامه‌ریزی کلی مدیریت بلایا در این منطقه فراهم کند. برای به حداقل رساندن این شکاف ها در این زمینه، اولین هدف این تحقیق کشف و درک تلاقی ویژگی های طوفان هواشناسی، ویژگی های فیزیکی مناطق تحت تاثیر و متغیرهای آسیب پذیری اجتماعی-اقتصادی به عنوان پیش بینی کننده خسارت اموال داخلی در سطح شهرستان بود. هنگامی که این تعاملات مشخص شد، هدف دوم مشاهده هر گونه روابط فضایی بین آن عوامل و آسیب های اموال در شهرستان های داخلی بود.

2. مواد و روشها

2.1. منطقه مطالعه

این مطالعه بر روی شهرستان های داخلی جنوب شرقی ایالات متحده متمرکز است شش ایالت جنوب شرقی هم مرز با خلیج مکزیک و اقیانوس اطلس (تگزاس، لوئیزیانا، می سی سی پی، آلاباما، جورجیا و کارولینای جنوبی) ابتدا به عنوان منطقه مورد مطالعه برای این تحقیق انتخاب شدند. این ایالت ها به طور معمول توسط TC ها ضربه می خورند. فلوریدا گنجانده نشد زیرا تمام شهرستان های فلوریدا طبق تعریف این تحقیق ساحلی هستند و این در بخش بعدی توضیح داده شده است. تگزاس، جورجیا و کارولینای جنوبی حجم نمونه کافی از شهرستان‌های دارای خسارت اموال داخلی ندارند، بنابراین از مطالعه خارج شدند. به همین دلایل، آلاباما، می سی سی پی و لوئیزیانا به عنوان منطقه مورد مطالعه برای این تحقیق انتخاب شدند.
شهرستان‌های داخلی به عنوان آن‌هایی تعریف شدند که در مجاورت شهرستان‌های ساحلی هستند و طبق تعریف NHC، شهرستان‌های ساحلی نیستند [ 45 ]. با این حال، خسارات داخلی ناشی از ریزش TC تنها به شهرستان‌هایی که در مجاورت شهرستان‌های ساحلی هستند محدود نمی‌شود و می‌تواند بیشتر در داخل کشور گسترش یابد. بنابراین، ما یک رویکرد جدید برای شناسایی واضح منطقه داخلی در این مطالعه اتخاذ کردیم. Senkbeil، Brommer و Comstock (2011) [ 14] مناطق مختلف خطر پس از سقوط (منطقه موج، منطقه ساحلی، منطقه داخلی، و منطقه قاره) را شناسایی کرد. آنها بر اساس میانگین سرعت 16 کیلومتر در ساعت، منطقه داخلی را 6 تا 12 ساعت پس از سقوط شناسایی کردند. با استفاده از این معیارها، میانگین سرعت رو به جلو یک طوفان در شش ضرب شد زیرا طوفان ها معمولاً پس از شش ساعت سقوط به منطقه داخلی حرکت می کنند. یک بافر 96 کیلومتری با استفاده از سیستم اطلاعات جغرافیایی (GIS) از مرز خط ساحلی ایالات متحده در مرز سه ایالت آلاباما، می سی سی پی و لوئیزیانا برای تعریف منطقه داخلی ایجاد شد. تمامی شهرستان های این منطقه سه ایالتی که در ضلع شمالی این خط حائل قرار دارند به عنوان شهرستان های داخلی مشخص شدند و این شهرستان ها منطقه مطالعاتی نهایی برای این تحقیق هستند. اگر خط بافر 96 کیلومتری یک شهرستان را به دو نیم کرد، آن را به عنوان یک شهرستان داخلی گنجانده نشده است. در مجموع 170 شهرستان داخلی در این مطالعه وجود دارد (شکل 1 ). این منطقه معمولا تابستانی گرم و مرطوب با زمستانی کوتاه دارد که عموماً معتدل تا سرد است. ارتفاع در منطقه مورد مطالعه از 13.83 متر تا 371.59 متر و میانگین ارتفاع 110.62 متر است.

2.2. داده ها

2.2.1. خسارت اموال مرتبط با TC

داده‌های خسارت اموال در سطح شهرستان برای طوفان‌ها و طوفان‌های استوایی از پایگاه داده رویدادها و خسارات فضایی پرکاربرد برای پایگاه داده ایالات متحده (SHELDUS) گرفته شده است ( https://cemhs.asu.edu/sheldus در 5 ژانویه 2021 مشاهده شد) [ 66 , 70]. SHELDUS حاوی آرشیو خسارت مالی برای هر شهرستان ایالات متحده برای هر نوع رویداد مخاطره طبیعی است که در سال 1960 شروع می شود. داده های خسارت شامل خسارات مستقیم ناشی از یک رویداد (از دست دادن دارایی و محصول) است. داده های آسیب به دست آمده از SHELDUS با وب سایت Storm Data NOAA (اداره ملی اقیانوسی و جوی) بررسی شد. چندین تناقض برای آسیب اموال ناشی از TC بین این دو پایگاه داده قبل از سال 1996 در سطح شهرستان پیدا شد. بنابراین، دوره مطالعه بین سال‌های 1996 و 2018 انتخاب شد. در نهایت، از آنجایی که طوفان کاترینا یک طوفان غیرعادی بود، در این مطالعه با رویکردی مشابه کنار گذاشته شد [ 45 ].
2.2.2. عوامل تأثیرگذار
آسیب اموال مربوط به TC تحت تأثیر عوامل بسیاری قرار می گیرد. همانطور که قبلاً ذکر شد، تلفات مربوط به TC توسط انواع مختلفی از عوامل، از جمله خطرات مرتبط با TCها، مانند باد، بارندگی و گردباد، ویژگی‌های فیزیکی منطقه تحت تأثیر و آسیب‌پذیری اجتماعی-اقتصادی ایجاد می‌شود. بر اساس مطالعات قبلی، هفت عامل مختلف برای این مطالعه انتخاب شدند که بر آسیب اموال تأثیر می‌گذارند، از جمله باد TC، بارندگی TC، فراوانی TC، آسیب‌پذیری اجتماعی شهرستان، میانگین ارتفاع شهرستان، تولید ناخالص داخلی سرانه و تراکم جمعیت.
  • آهنگ های TC
TC هایی که در طول سال های 1996 تا 2018 باعث آسیب مالی در منطقه مورد مطالعه شدند ابتدا انتخاب شدند. برای انجام این کار، آهنگ‌های طوفان تاریخی از وب‌سایت آرشیو بهترین مسیر بین‌المللی NOAA برای نظارت بر اقلیم (IBTrACS) دانلود شد. سپس، تنها طوفان هایی که در امتداد خلیج مکزیک فرود آمدند و به منطقه مورد مطالعه در دوره مورد مطالعه برخورد کردند، انتخاب شدند. این طوفان های انتخاب شده با پایگاه داده SHELDUS مطابقت داده شدند تا مطمئن شوند که همه طوفان های آسیب زا در این مطالعه انتخاب شده اند. بین سال‌های 1996 تا 2018، 22 طوفان مختلف استوایی باعث خسارت مالی در منطقه مورد مطالعه شد.
  • بارش TC
بارندگی یک متغیر اصلی مرتبط با آسیب اموال ناشی از TC ها بوده است. داده های بارندگی شهرستان برای هر طوفان انتخاب شده در طول 22 سال از رگرسیون پارامتر-ارتفاع در وب سایت گروه اقلیم مدل مستقل شیب (PRISM) جمع آوری شد ( https://prism.oregonstate.edu/recent/قابل دسترسی در 5 ژانویه 2021). آنها از هر دو روش درونیابی به کمک اقلیم شناسی (CAI) و روش های درون یابی راداری برای درونیابی بارش مشاهده شده برای ایالات متحده محدود در وضوح فضایی 4 کیلومتر استفاده کردند. برای این مطالعه، داده‌های بارش روزانه برای هر یک از 22 طوفان انتخابی دانلود شد، سپس مقادیر میانگین بارندگی در سطح شهرستان برای هر طوفان در ArcGIS محاسبه شد. در صورت در دسترس بودن، از داده‌های بارندگی از ایستگاه‌های هواشناسی مجاور برای تأیید صحت داده‌های بارش PRISM استفاده شد. از آنجایی که نرخ بارندگی طوفان 6 ساعت پس از سقوط در منطقه مورد مطالعه سه ایالتی ما نسبتاً ثابت است [ 71]، برآوردهای PRISM با بارش مشاهده شده به خوبی مطابقت داشت. از آنجایی که بارندگی مشاهده شده برای اکثر شهرستان ها در دسترس نبود، برآوردهای PRISM برای هر شهرستان مورد استفاده قرار گرفت تا سازگار باشد. در نهایت، مقدار میانگین بارندگی برای هر طوفان با هم جمع شد تا مقدار کل بارندگی برای TCs در سطح شهرستان در منطقه مورد مطالعه ما محاسبه شود.
  • باد TC
باد همچنین یک متغیر فیزیکی اولیه است که خسارت اموال داخلی را ایجاد می کند. داده‌های سرعت باد شهرستان با همپوشانی مجموعه داده‌های مسیرهای TC تاریخی IBTrACS بر روی شهرستان‌های منطقه مورد مطالعه ما در ArcGIS به‌دست آمد. مجموعه داده‌های TC تاریخی IBTrACS اندازه‌گیری‌های حداکثر سرعت باد پایدار (MSW) را در گره‌ها و سه شعاع مختلف سرعت باد، شامل 34، 50، و 64 گره برای چهار ربع، همراه با مختصات طول و عرض جغرافیایی برای کل مرکز طوفان ذخیره می‌کند. مسیر. ما چندین تغییر در این داده ها انجام دادیم تا سرعت باد در سطح شهرستان را برای TC های انتخاب شده محاسبه کنیم. اول، MSW ذخیره شده در ارتباط با مختصات طول و عرض جغرافیایی مرکز طوفان ها برای شهرستان ها از مرکز هر طوفان عبور می کند. ثانیاً با استفاده از میدان شعاع ربع برای سه مقدار مختلف سرعت باد (34، 50 و 64 گره)، بافرهایی برای آن سه سرعت باد به طور جداگانه و برای هر طوفان در ArcGIS ایجاد شد. در نهایت بیشترین مقدار باد برای هر شهرستان برای هر TC در این تحقیق در نظر گرفته شد. به عنوان مثال، اگر یک شهرستان در داخل مناطق حائل سرعت باد 64 گره و سرعت باد 50 گره برای یک طوفان قرار گیرد، به آن شهرستان بیشترین مقدار باد یعنی 64 گره برای آن طوفان اختصاص داده شده است. مقادیر باد برای همه طوفان ها با هم جمع شدند تا ارزش کل باد (بر حسب گره) برای هر شهرستان داخلی محاسبه شود. در این تحقیق بیشترین مقدار باد برای هر شهرستان برای هر TC در نظر گرفته شد. به عنوان مثال، اگر یک شهرستان در داخل مناطق حائل سرعت باد 64 گره و سرعت باد 50 گره برای یک طوفان قرار گیرد، به آن شهرستان بیشترین مقدار باد یعنی 64 گره برای آن طوفان اختصاص داده شده است. مقادیر باد برای همه طوفان ها با هم جمع شدند تا ارزش کل باد (بر حسب گره) برای هر شهرستان داخلی محاسبه شود. در این تحقیق بیشترین مقدار باد برای هر شهرستان برای هر TC در نظر گرفته شد. به عنوان مثال، اگر یک شهرستان در داخل مناطق حائل سرعت باد 64 گره و سرعت باد 50 گره برای یک طوفان قرار گیرد، به آن شهرستان بیشترین مقدار باد یعنی 64 گره برای آن طوفان اختصاص داده شده است. مقادیر باد برای همه طوفان ها با هم جمع شدند تا ارزش کل باد (بر حسب گره) برای هر شهرستان داخلی محاسبه شود.
  • آسیب پذیری اجتماعی شهرستان
همانطور که قبلاً بحث کردیم، آسیب پذیری اجتماعی با خسارات ناشی از بلایا مرتبط است [ 29]. ارزیابی آسیب‌پذیری اجتماعی، شهرستان‌هایی را مشخص می‌کند که در آن‌ها تمرکز بالایی از افرادی که از نظر اجتماعی در برابر خطرات زیست‌محیطی آسیب‌پذیر هستند در منطقه مورد مطالعه قرار دارند. برای این مطالعه، شاخص آسیب‌پذیری اجتماعی (SoVI) برای سال 2014 از مؤسسه تحقیقات خطرات و آسیب‌پذیری در دانشگاه کارولینای جنوبی برای کمی کردن آسیب‌پذیری اجتماعی شهرستان استفاده شد. برای تهیه SoVI در ایالات متحده، آنها ابتدا 29 متغیر را شناسایی کردند که منعکس کننده آسیب پذیری اجتماعی بودند و از تجزیه و تحلیل مؤلفه های اصلی برای شناسایی هشت مؤلفه مهم آسیب پذیری اجتماعی استفاده کردند. به هر جزء برای هر شهرستان در ایالات متحده امتیاز داده شد و سپس با هم جمع شدند تا یک امتیاز آسیب پذیری اجتماعی ترکیبی به دست آید. به هر شهرستان یک نمره صدک داده شد (1 به معنای کمترین آسیب پذیری و 100 به معنای آسیب پذیرترین) که نشان دهنده آسیب پذیری اجتماعی کلی آن شهرستان است. در این تحقیق از این امتیاز صدکی برای آسیب‌پذیری اجتماعی شهرستان برای هر شهرستان داخلی استفاده شد.
  • ارتفاع.
در این مطالعه، میانگین ارتفاع شهرستان ها به عنوان یکی از عوامل عمده تأثیرگذار بر خسارت اموال ناشی از TC انتخاب شد. مطالعات قبلی نشان داده است که نواحی مرتفع تر آسیب های کمتری را در اثر مخاطرات طبیعی و محیطی دارند [ 66 ، 72 ]. در این مطالعه، داده‌های مدل رقومی ارتفاع (DEM) در تفکیک مکانی 30 متر از مجموعه داده‌های ملی ارتفاعی USGS برای سال 2018 استخراج شد. میانگین ارتفاع هر شهرستان (بر حسب متر) در ArcGIS محاسبه شد.
  • داده های دیگر
همانطور که قبلا ذکر شد، تولید ناخالص داخلی سرانه نشان دهنده آسیب پذیری اقتصادی یک منطقه در برابر بلایا است و به طور کلی، تولید ناخالص داخلی سرانه بالاتر با اثرات کمتر ناشی از بلایای زیست محیطی مطابقت دارد. در این تحقیق، مقادیر تولید ناخالص داخلی شهرستان (دلار آمریکا) از دفتر تحلیل اقتصادی، وب سایت وزارت بازرگانی ایالات متحده برای سال 2018 به دست آمد. ارزش تولید ناخالص داخلی شهرستان بر جمعیت کل شهرستان در سال 2018 برای محاسبه تولید ناخالص داخلی سرانه تقسیم شد. هر شهرستان کل جمعیت شهرستان و داده های تراکم جمعیت از وب سایت اداره سرشماری ایالات متحده به دست آمد. تراکم بالای جمعیت معمولاً با آسیب بیشتر ناشی از بلایا در یک منطقه مطابقت دارد. در نهایت، داده های فرکانس TC از وب سایت SHELDUS به دست آمد. SHELDUS تعداد مواردی را گزارش می‌کند که یک شهرستان در یک دوره زمانی معین تحت یک فاجعه قرار گرفته است (TC در این تحقیق) همراه با خسارت مالی (دلار آمریکا) متحمل شده توسط آن شهرستان. مقدار کل خسارت برای هر شهرستان از TC بین سال‌های 1996 و 2018 بعداً به نرخ تورم سال 2018 تعدیل شد تا با مجموعه داده‌های مورد استفاده در این تحقیق ثابت باشد.

2.3. تجزیه و تحلیل داده ها

پس از به دست آمدن داده های تمامی متغیرها، داده ها تبدیل و نرمال سازی شدند. در این تحقیق، تبدیل به تبدیل متغیرهای خام به میانگین یا درصد در صورت لزوم اشاره دارد. در نتیجه می توان اندازه ها و ویژگی های مختلف شهرستان های داخلی را با هم مقایسه کرد. پس از تبدیل داده ها، آنها نرمال سازی شدند تا همه داده ها بر اساس نقاط مرجع یکسان مقایسه شوند. در این مقاله، ما از رویکرد حداکثر – حداقل برای عادی سازی داده ها برای عوامل آسیب مرتبط با TC استفاده کردیم. از آنجایی که واحدهای اندازه گیری عوامل مختلف مورد استفاده در این تحقیق متفاوت است، نرمال سازی داده ها در محدوده اندازه گیری یکسان (از 0 تا 1) ضروری بود. برای نرمال سازی هر عامل با استفاده از معادله زیر از رویکرد حداکثر – حداقل استفاده شد [ 37 ]:

x′ i = (x i – x دقیقه )/(x max – x min )

که در آن x’i مقدار نرمال شده سلول i عامل x، x i مقدار سلول i عامل x ، x max حداکثر مقدار عامل x، و x min حداقل مقدار عامل x است. . پس از نرمال سازی، مقدار هر عامل از 0 (کمترین مقدار) تا 1 (بالاترین مقدار) متغیر است.

پس از پیش پردازش داده ها، چند خطی بودن بین هفت عامل انتخاب شده با استفاده از عوامل تورم تحمل و واریانس (VIF) در یک ماتریس همبستگی مورد آزمایش قرار گرفت. مقادیر تلورانس نزدیک به 1 و بیشتر از 0 و مقادیر VIF بیشتر از 1 و کوچکتر از 4 درجات پایین چند خطی در نظر گرفته می شوند [ 73 ]. عوامل با درجه بالایی از چند خطی از تجزیه و تحلیل حذف شدند.

سرانه خسارت اموال در هر شهرستان ناشی از TCs بین سال های 1996 و 2018 برای بررسی توزیع فضایی خسارات در سراسر منطقه مورد مطالعه نقشه برداری شد. علاوه بر این، تمام عوامل تبدیل شده با چند خطی کم نیز برای تجسم توزیع فضایی آنها و همچنین نقاط داغ بالقوه در منطقه مورد مطالعه نقشه‌برداری شدند. علاوه بر این، آمار جهانی مورن I نیز برای بررسی خودهمبستگی فضایی در متغیر آسیب محاسبه شد [ 66 ]. آمار جهانی موران I را می توان با استفاده از معادله زیر محاسبه کرد [ 68 ]:

گلوبال موران من =ن∑نi = 1∑نj = 1دبلیومن ج × ∑نi = 1∑نj = 1دبلیومن ج(ایکسمن–ایکس^) (ایکسj–ایکس^)∑نi = 1(ایکسمن–ایکس^)2گلوبال موران I=ن∑من=1ن∑�=1ندبلیومن� × ∑من=1ن∑�=1ندبلیومن�(ایکسمن-ایکس^)(ایکس�-ایکس^)∑من=1ن(ایکسمن-ایکس^)2

جایی که ننتعداد واحدهای فضایی (شهرستان در این مطالعه) است. دبلیومن جدبلیومن�نشان دهنده ماتریس وزن فضایی است. ایکسمنایکسمنو ایکسjایکس�مقادیر متغیرها و ایکس^ایکس^میانگین است.

اهداف اصلی این تحقیق، درک تلاقی عوامل ابعادی مختلف آسیب های مربوط به TC در سطح شهرستان و چگونگی تأثیرگذاری این عوامل بر آسیب های اموال ناشی از TC ها به صورت مکانی بود. مدل GWR برای بررسی تغییرات فضایی در رابطه بین آسیب اموال TC و عوامل انتخاب شده مورد استفاده قرار گرفت. مدل GWR را می توان با استفاده از معادلات زیر توضیح داد [ 68 ، 74 ]:

yمن( u ) =β0 من( u ) +β1 i( تو )ایکس1 i+β2 من( تو )ایکس2 من+ … +βیک من( تو )ایکسیک من�من(تو)=�0من(تو)+�1من(تو)ایکس1من+�2من(تو)ایکس2من+…+�آمن(تو)ایکسآمن
βیک من( u ) = (ایکستیدبلیو( u ) X)– 1ایکستیدبلیو( u ) y�آمن(تو)=(ایکستیدبلیو(تو)ایکس)-1ایکستیدبلیو(تو)�
دبلیوn( u ) =ه– 0.5(دn( تو )ب)2دبلیو�(تو)=ه-0.5(د�(تو)ب)2

جایی که ایکسیک منایکسآمنمتغیرهای وابسته هستند و βیک من( تو )�آمن(تو)ضریب است. ضریب توسط ماتریس متغیرهای مستقل محاسبه می شود ( ایکسیک منایکسآمن) و ماتریس وزن در مکان u . دبلیو( تو )دبلیو(تو)ماتریس وزن است که توسط دبلیوn( تو )دبلیو�(تو). فاصله بین مشاهده n و مکان u با محاسبه می شود دn( تو )د�(تو)جایی که b شعاع هسته است.

با این حال، یک مدل رگرسیون جهانی، حداقل مربعات معمولی (OLS)، نیز استفاده شد و با نتایج GWR مقایسه شد. متغیر وابسته، تبدیل لگاریتم به سرانه خسارت اموال ناشی از فرود TCها، در برابر متغیرهای مستقل و عوامل انتخابی خسارات مربوط به TC در هر دو مدل OLS و GWR رگرسیون شد. در حالی که مدل OLS رابطه بین متغیرها را ثابت در نظر می گیرد، GWR تغییرات فضایی بین متغیرهای وابسته و مستقل را نشان می دهد و رابطه آنها را در مکان های جغرافیایی بررسی می کند. علاوه بر این، GWR ضرایبی را برای همه متغیرهای مستقل به طور جداگانه ارائه می دهد [ 69]، در حالی که OLS تنها تأثیر کلی متغیرهای مستقل را بر متغیر وابسته ارائه می دهد. معیار اطلاعات Akaike اصلاح شده (AICc) برای ارزیابی تناسب مدل برای OLS و GWR استفاده شد. از آنجایی که AICc تفاوت بین مقادیر مشاهده شده و پیش بینی شده را منعکس می کند، مقدار AICc پایین تر به تناسب مدل بهتر مربوط می شود.

3. نتایج

3.1. الگوهای فضایی خسارت اموال و عوامل تأثیرگذار

170 شهرستان و محله داخلی در این مطالعه وجود دارد: 61 در آلاباما، 37 در لوئیزیانا، و 72 در می سی سی پی. بین سال‌های 1996 تا 2018 بیش از 4.46 میلیارد دلار خسارت مالی (تعدیل‌شده با نرخ تورم 2018) ناشی از فرود TC (به استثنای طوفان کاترینا) در این مناطق داخلی بوده است. میانگین خسارت هر شهرستان در این دوره بیش از 26 میلیون دلار بوده است. میانگین سرانه خسارت مالی در منطقه مورد مطالعه 1135.58 دلار آمریکا بود. سرانه خسارت اموال در شش دسته شامل بدون خسارت، بسیار کم، کم، متوسط، زیاد و بسیار زیاد برای اهداف تجسمی طبقه بندی شد ( شکل 2 ).
از نظر منطقه ای، قسمت جنوبی منطقه مورد مطالعه در مقایسه با قسمت شمالی، خسارت سرانه بیشتری را متحمل شد. به طور خاص، منطقه جنوب غربی آلاباما و لوئیزیانا دارای بالاترین خسارت سرانه (> 2000 دلار آمریکا) و شهرستان های می سی سی پی داخلی کمترین میانگین خسارت سرانه را داشتند ( شکل 2)). شهرستان های داخلی در آلاباما دارای بالاترین میانگین خسارت اموال (متوسط ​​2134.85 دلار خسارت سرانه) بودند و پس از آن شهرستان های داخلی در لوئیزیانا (متوسط ​​خسارت سرانه 1617.12 دلار آمریکا) قرار گرفتند. در واقع، 7 مورد از 10 بیشترین خسارت سرانه ای که شهرستان ها در طول دوره مطالعه متحمل شده اند در آلاباما و 3 مورد از آنها در لوئیزیانا هستند. شهرستان‌های داخلی در می‌سی‌سی‌پی عمدتاً سطح خسارات سرانه بسیار پایین (>50 دلار آمریکا) را داشتند، به استثنای چند مورد (برخی از شهرستان‌های جنوبی در این ایالت خسارات سرانه متوسط ​​تا زیاد داشتند). در مجموع 25 شهرستان در منطقه مورد مطالعه هیچ خسارتی در طول سال های 1996-2018 گزارش نشده است، واقع در شمال آلاباما و می سی سی پی.
همانطور که قبلاً بحث شد، خسارات اموال مربوط به TC تحت تأثیر عوامل بسیاری از جمله هفت عامل انتخاب شده در این مطالعه است. بنابراین، بررسی توزیع های فضایی این عوامل، روندهای جغرافیایی در مجموعه داده ها را بررسی می کند. با این حال، تراکم جمعیت به دلیل چند خطی بودن بالا (VIF > 7) از فهرست عوامل حذف شد. بنابراین، شش عامل نهایی ما شامل فراوانی TC، بارندگی کل (متر)، تولید ناخالص داخلی سرانه (USD)، سرعت کل باد (گره)، ارتفاع متوسط ​​شهرستان (متر) و صدک آسیب پذیری اجتماعی شهرستان ( شکل 3 ) است. توزیع فضایی این عوامل به صورت دستی برای هدف تجسم طبقه بندی شد. مقادیر بالاتری برای فرکانس TC در اطراف قسمت جنوبی منطقه مورد مطالعه یافت شد ( شکل 3آ). این شهرستان ها حداقل پنج TC را در طول دوره مطالعه تجربه کردند. شهرستان جونز، می سی سی پی دارای بالاترین فراوانی TC 9 در منطقه مورد مطالعه بود. مقادیر کمتر فرکانس TC در اطراف بخش شمالی منطقه مورد مطالعه متمرکز شده است. بخش مرکزی منطقه سه ایالتی فرکانس TC کم متوسط ​​(بین دو تا چهار) را تجربه کرد. مشابه فرکانس TC، ​​مقادیر بالاتری از بارندگی کل شهرستان و سرعت باد در امتداد بخش جنوبی و مقادیر پایین تر در امتداد بخش شمالی منطقه مورد مطالعه متمرکز شده است ( به ترتیب شکل 3 b,d). از آنجایی که طوفان‌ها با افزایش میدان فشار و گرادیان فشار ضعیف‌تر در داخل خشک می‌شوند، بارش طوفان می‌تواند از هسته مرکزی جدا شود [ 75 ]]. با این حال، تغییراتی در میزان بارندگی کل شهرستان و سرعت باد در بین سه ایالت وجود دارد. به عنوان مثال، شهرستان های آلاباما در داخل کشور بیشترین میزان بارندگی کل TC را به طور متوسط ​​(1.65 متر در هر شهرستان) داشتند و پس از آن می سی سی پی (1.36 متر در هر شهرستان) قرار داشت. اینلند لوئیزیانا به طور میانگین کمترین میزان بارندگی کل شهرستان را داشت (0.81 متر در هر شهرستان). شهرستان های داخلی در لوئیزیانا به طور متوسط ​​بالاترین سرعت باد شهرستان را داشتند (191.55 گره در هر شهرستان). شهرستان‌های داخلی در آلاباما و می‌سی‌سی‌پی به‌طور میانگین سرعت باد TC شهرستانی مشابهی داشتند (به ترتیب 138.17 و 131.23 گره در هر شهرستان).
وقتی صحبت از ارتفاع متوسط ​​شهرستان می شود، الگو کاملاً برعکس است ( شکل 3 e). مقادیر کمتر میانگین ارتفاع شهرستان در امتداد قسمت جنوبی منطقه مورد مطالعه متمرکز است. شهرستان های آلابامای شمالی در مقایسه با سایر شهرستان ها دارای میانگین ارتفاع بالاتری هستند. کمترین میانگین ارتفاع در Pointe Coupee Parish، لوئیزیانا (13.83 متر) و بالاترین میانگین ارتفاع در DeKalb County، آلاباما (381.59 متر) یافت شد. هیچ الگوی مشخصی از مقادیر بالا و پایین تولید ناخالص داخلی سرانه (USD) در منطقه مورد مطالعه وجود ندارد ( شکل 3)ج). تقریباً 96 درصد از شهرستان‌های داخلی تولید ناخالص داخلی سرانه کمتر از میانگین ملی در سال 2018 (62,794.60 دلار آمریکا) داشتند و 60 درصد از شهرستان‌های داخلی تولید ناخالص داخلی کمتر از 30,000 دلار در سال 2018 داشتند. مشابه تولید ناخالص داخلی، هیچ الگوی بالایی وجود ندارد. و نمرات پایین صدک SoVI شهرستان در منطقه مورد مطالعه پیدا شد. با این حال، حدود 44 درصد از شهرستان‌ها دارای امتیاز SoVI بالاتر از صدک 60 و 22 درصد از شهرستان‌ها دارای امتیاز SoVI بالاتر از صدک 80 بودند که از نظر اجتماعی به عنوان شهرستان‌های بسیار آسیب‌پذیر در برابر بلایای طبیعی در نظر گرفته می‌شوند ( شکل 3 f). تنها 12 درصد از مجموع 170 شهرستان داخلی دارای امتیاز SoVI کمتر از صدک 20 بودند.

3.2. عوامل موثر بر خسارت اموال

از آنجایی که آسیب اموال مربوط به TC تحت تأثیر طیف گسترده ای از عوامل قرار می گیرد، ما شش عامل مختلف را برای ارزیابی تأثیر آنها بر آسیب اموال TC در سطح شهرستان در مناطق داخلی انتخاب کردیم. با این حال، همه عوامل به طور یکسان بر آسیب اموال TC تأثیر نمی گذارند. به عنوان مثال، خطرات مرتبط با TC ها، مانند بارندگی و باد، آسیب پذیری TC را در یک منطقه افزایش می دهد. با این حال، توسعه اقتصادی یک شهرستان، مانند تولید ناخالص داخلی سرانه، به جامعه کمک می کند تا اثرات TC ها را کاهش دهد.
برای بررسی درجه و جهت تأثیری که شش عامل انتخاب شده ممکن است بر آسیب اموال مربوط به TC در مناطق داخلی داشته باشند، ما هر دو تحلیل رگرسیون OLS و GWR را انجام دادیم. قبل از انجام OLS و GWR، ما الگوی فضایی آسیب اموال مربوط به TC را در منطقه مورد مطالعه با استفاده از خودهمبستگی فضایی (Moran’s I) در ArcGIS تجزیه و تحلیل کردیم. از نظر آماری معنی دار ( ص< 0.01) امتیاز موران I 0.28 با z-score 5.56 نشان می دهد که آسیب اموال مربوط به TC به طور مساوی در سراسر شهرستان های داخلی توزیع نشده است و وجود یک مشکل خود همبستگی مکانی در مقادیر خسارت وجود دارد. بنابراین، رابطه بین متغیرهای وابسته و توضیحی با استفاده از یک مدل GWR بهتر توضیح داده می‌شود، زیرا GWR قادر به مدل‌سازی تغییرات مکانی داده‌ها است. از آنجایی که GWR ضرایب فردی هر متغیر مستقل را برای همه شهرستان ها در مقایسه با OLS فراهم می کند، که تنها تأثیر کلی متغیرهای مستقل را بر متغیرهای وابسته نشان می دهد، می تواند ویژگی های محلی هر شهرستان را آشکار کند و مشکل خود همبستگی فضایی را به حداقل برساند [ 66 ]. میز 1مقادیر ضرایب را برای مدل OLS و مقادیر ضریب متوسط ​​و انحراف استاندارد را برای همه شهرستان‌های داخلی مدل GWR نشان می‌دهد.

3.2.1. نتایج OLS

تأثیر عوامل انتخاب شده بر آسیب اموال مربوط به TC ابتدا با استفاده از OLS مورد بررسی قرار گرفت. جدول 1 نشان می دهد که بین عوامل توضیحی و متغیر وابسته رابطه آماری معنی داری وجود دارد. مدل OLS بیش از 60٪ (R2 = 0.61) از واریانس را با رگرسیون شش عامل توضیحی در برابر متغیر وابسته (خسارت اموال مربوط به TC) توضیح می دهد. چهار عامل از شش عامل توضیحی در مدل OLS با جهت های مختلف از نظر آماری معنی دار بودند.
در مدل OLS، سرعت باد TC شهرستان بیشترین تأثیر را بر آسیب اموال با جهت مثبت داشت. بنابراین، افزایش واحد در سرعت باد TC شهرستان، خسارت اموال مربوط به TC را تقریباً 200٪ افزایش می دهد (β = 1.97؛ p <0.01) در منطقه مورد مطالعه. بارندگی TC شهرستان نسبت به باد در مدل OLS رابطه ضعیف تری با آسیب اموال در نواحی داخلی داشت، زیرا افزایش یک واحدی در بارندگی کل شهرستان باعث افزایش 82 درصدی خسارت اموال می شود ( جدول 1 ). تحقیقات قبلی نشان داد که باد تأثیر ضعیف‌تری بر تلفات مربوط به TC در نواحی داخلی نسبت به باران دارد، زیرا باد TC با حرکت طوفان‌ها به داخل زمین تمایل به فروپاشی دارد [ 45 ]]. با این حال، این تحقیق نشان می دهد که باد TC هنوز نقش مهمی در ایجاد تلفات اموال در مناطق داخلی دارد. همانطور که انتظار می رفت، میانگین ارتفاع یک شهرستان تاثیر منفی قوی بر آسیب اموال در منطقه مورد مطالعه داشت همانطور که در جدول 1 نشان داده شده است. افزایش واحد در ارتفاع، خسارت اموال را تا 164 درصد کاهش می دهد. این نتیجه با مطالعات قبلی مطابقت دارد [ 66 ، 72] به عنوان مناطق کم ارتفاع داخلی در معرض سیل آب شیرین TC به دلیل بارندگی شدید قرار دارند و در نتیجه خسارات مالی را همانطور که در این مطالعه یافت شد تحمل می کنند. علاوه بر این، فرکانس TC نیز رابطه مثبت قوی با آسیب اموال مربوط به TC داشت. افزایش واحد در فرکانس TC خسارت اموال را تقریباً 100٪ در منطقه مورد مطالعه افزایش می دهد. این نتیجه این واقعیت را تأیید می کند که مناطقی که بیشتر تحت تأثیر TC ها قرار می گیرند، خسارت بیشتری به اموال وارد می کنند. جالب توجه است که آسیب‌پذیری اجتماعی شهرستان و تولید ناخالص داخلی سرانه هیچ رابطه آماری معنی‌داری با خسارت اموال نداشتند، حتی اگر SoVI رابطه مثبت و تولید ناخالص داخلی سرانه با آسیب به دارایی همانطور که انتظار می‌رفت رابطه منفی داشت.
3.2.2. نتایج GWR
همانطور که در جدول 1 نشان داده شده است، تمام عواملی که در مدل OLS روابط قوی با آسیب اموال داشتند نیز به شدت بر آسیب اموال در مدل GWR تأثیر گذاشتند . از آنجایی که GWR تفاوت های محلی را در نظر می گیرد، بهبود قابل توجهی در توضیح واریانس (از 61٪ در مدل OLS به 82٪) در مدل GWR یافت شد. هر شش عامل به طور قابل توجهی بر آسیب اموال مربوط به TC در شهرستان های داخلی در منطقه مورد مطالعه تأثیر می گذارد. در مدل GWR، بارندگی TC شهرستان و میانگین ارتفاع به عنوان تاثیرگذارترین عوامل یافت شد. افزایش یک واحدی در بارندگی و کاهش یک واحدی در میانگین ارتفاع، خسارت اموال را به طور متوسط ​​بیش از 150 درصد در سراسر منطقه مورد مطالعه افزایش می‌دهد ( جدول 1).). سرعت باد TC شهرستان نیز به طور قابل توجهی بر آسیب اموال ناشی از TC تأثیر می گذارد، زیرا افزایش یک واحدی در سرعت باد TC شهرستان، ارزش خسارت اموال را به طور متوسط ​​109٪ افزایش می دهد. فرکانس TC یکی دیگر از عوامل تأثیرگذار در ارزش خسارت اموال شهرستان است، زیرا افزایش یک واحدی در فراوانی TC می تواند میانگین خسارت اموال را تا 125 درصد در شهرستان های داخلی افزایش دهد. تولید ناخالص داخلی سرانه و SoVI شهرستان تأثیرات نسبتاً کمتری بر خسارت اموال دارند، زیرا کاهش یک واحدی در تولید ناخالص داخلی سرانه و افزایش یک واحدی در SoVI شهرستان میانگین خسارت اموال در شهرستان‌های داخلی را به ترتیب 46 و 26 درصد افزایش می‌دهد. . مقدار R 2 بالاتر در مدل GWR نشان می دهد که ممکن است وجود غیر ایستایی فضایی بین متغیرهای وابسته و مستقل وجود داشته باشد همانطور که در مطالعه قبلی نشان داده شده است.74 ]. از آنجایی که GWR مکان‌های جغرافیایی و تغییرات در مجموعه داده را در نظر می‌گیرد، میزان تأثیر شش عامل مستقل از نظر مکانی متفاوت است. ضرایب محلی شش عامل مستقل ترسیم شده است ( شکل 4 ) برای تجسم روابط متغیر فضایی بین آسیب اموال و شش متغیر توضیحی. شکل 4توزیع فضایی ضرایب شش عامل مستقل (که به صورت دستی برای هدف تجسم طبقه بندی شده اند) در مدل GWR را نشان می دهد. الگوهای فضایی توزیع ضریب بیشتر نشان می‌دهد که رابطه بین آسیب اموال مرتبط با TC و شش عامل تأثیرگذار در شهرستان‌های داخلی منطقه مورد مطالعه ثابت نیست. به عنوان مثال، غرب لوئیزیانا دارای ضرایب فرکانس TC بالاتر و ضرایب بارندگی TC نسبتاً کمتری است ( شکل 4).به ترتیب a,b) که نشان می دهد اولی تأثیر بیشتری بر خسارت مالی در این منطقه نسبت به دومی دارد. شهرستان های جنوبی در آلاباما و می سی سی پی دارای بالاترین ضریب بارندگی TC در مقایسه با شهرستان های شمالی در این دو ایالت بودند. این نشان می‌دهد که تأثیرات بارندگی TC در منطقه جنوبی این دو ایالت بسیار شدیدتر است، و با حرکت بیشتر TCها به داخل خشکی کاهش می‌یابد ( شکل 4 ب). شهرستان‌ها در بخش مرکزی و جنوب شرقی آلاباما دارای بالاترین ضرایب برای باد TC هستند، که نشان می‌دهد خسارات اموال در این شهرستان‌ها نیز به‌طور قابل‌توجهی تحت تأثیر باد TC است ( شکل 4).د). ضرایب پایین تر میانگین ارتفاع در امتداد جنوب غربی می سی سی پی و منطقه شرقی لوئیزیانا متمرکز شده است، که نشان می دهد که آسیب اموال مربوط به TC در این قسمت تا حد زیادی تحت تأثیر ارتفاع پایین تر است ( شکل 4 e). SoVI تأثیر بسیار کمی بر آسیب اموال در لوئیزیانا دارد همانطور که ضرایب SoVI کمتر در این ایالت نشان داده شده است، که در مورد آلاباما برعکس است ( شکل 4 f). اکثر شهرستان‌هایی که دارای ضرایب تولید ناخالص داخلی سرانه منفی هستند، نشان می‌دهند که این عامل بر خسارت اموال در کل منطقه مورد مطالعه تأثیر می‌گذارد ( شکل 4 ج).
3.2.3. مقایسه مدل OLS و GWR
جدول 1 مقادیر R 2 و AICc مدل های OLS و GWR را نشان می دهد. با مقدار R 2 0.82 و مقدار AICc 310.18، GWR دارای مقدار R 2 بالاتر و مقدار AICc کمتر از OLS است (R2 = 0.61؛ AICc = 382.49). این نتایج نشان می دهد که مدل GWR بهتر از OLS عمل می کند. با مقدار R2 بالاتر ، GWR رابطه بهتری را بین متغیرهای وابسته و مستقل نسبت به OLS نشان می‌دهد. مقدار AICc پایین در مدل GWR نشان می‌دهد که GWR تقریب نزدیک‌تری از سناریوی دنیای واقعی و مدل بهتری نسبت به OLS با مجموعه داده‌های مورد استفاده مدل می‌کند.
با این وجود، مقادیر R2 و AICc تنها اندازه گیری عملکرد کلی مدل هستند. ما همچنین خود همبستگی فضایی (Global Moran’s I) باقیمانده‌ها را در هر دو مدل اندازه‌گیری کردیم تا عدم ایستایی فضایی را بررسی کنیم ( جدول 1 ). همانطور که در جدول 1 نشان داده شده است ، باقیمانده ها در مدل OLS دارای ارزش جهانی موران I از نظر آماری 0.34 هستند. با این حال، ارزش جهانی مورن I باقیمانده در مدل GWR به طور قابل توجهی به تنها 0.1 کاهش یافت. بنابراین، استقلال باقی مانده در مدل OLS نقض می شود.

4. بحث

پس از سقوط، TC ها اغلب به دلیل تعدادی از عوامل، از جمله از دست دادن گرمای نهان، اصطکاک افزایش یافته، گرادیان دما، برش باد و نفوذ هوای خشک، ضعیف می شوند [ 76 ]. در نتیجه، مطالعات قبلی بر روی نواحی ساحلی یا مناطق خشکی برای اندازه‌گیری تأثیرات TC متمرکز بود. با این حال، TC هایی که قدرت را در داخل کشور حفظ می کنند یا حتی افزایش می دهند، به خوبی مستند شده است [ 6 ، 77 ، 78 ]. بنابراین، تلفات داخلی ناشی از سقوط TC ها می تواند قابل توجه باشد همانطور که در این مطالعه نشان داده شده است.
همانطور که قبلا ذکر شد، ویژگی های طوفان های هواشناسی، به ویژه باد، بارندگی، و گردبادها، خطرات اصلی مرتبط با TC ها هستند که باعث خسارت مالی و تلفات جانی می شوند. بر این اساس، مطالعات قبلی عمدتاً تأثیرات این ویژگی‌های طوفان را برای توضیح تلفات ناشی از TCs تجزیه و تحلیل کردند. با این حال، تحقیقات نشان می‌دهد که به غیر از ویژگی‌های هواشناسی یک طوفان، عوامل دیگری مانند آسیب‌پذیری اجتماعی-اقتصادی و ویژگی‌های فیزیکی، مانند ارتفاع، نیز می‌توانند تلفات ناشی از بلایا از جمله TCs را تحت تأثیر قرار دهند [ 28 ، 42 ، 66 ]]. بنابراین، این مطالعه یک رویکرد منحصر به فرد برای درک تلاقی ویژگی‌های طوفان هواشناسی، آسیب‌پذیری اجتماعی-اقتصادی و ویژگی‌های فیزیکی منطقه مورد مطالعه برای تأثیر ترکیبی بر آسیب اموال در نظر گرفت.
در میان ویژگی‌های مختلف هواشناسی TC، مطالعات قبلی نشان داد که سیلاب داخلی به دلیل بارندگی شدید عامل اصلی تأثیرگذار بر تلفات TC بود در حالی که تأثیر باد TC حداقل بود [ 25 ، 44 ، 45 ]. با این حال، یافته‌های این مطالعه نشان می‌دهد که وزش بادهای تند مرتبط با فرود TC تأثیر قابل‌توجهی بر خسارت اموال TC در منطقه مورد مطالعه دارد ( جدول 1).). تشدید سریع TC ها قبل از سقوط و TC هایی که استحکام را برای مدت طولانی پس از سقوط حفظ می کنند ممکن است یکی از توضیح های ممکن برای این نتیجه باشد. در سه سال گذشته، منطقه خلیج مکزیک شاهد سه طوفان بوده است که به سرعت قبل از سقوط به خشکی شدت یافته است. از این میان، تنها طوفان لورا در سال 2020 منطقه مورد مطالعه سه ایالت را تحت تأثیر قرار داد. خسارات تخمینی و متغیرهای طوفان فیزیکی جمع‌آوری شده در سطح شهرستان از طوفان لورا مقدماتی هستند و بنابراین در این تحلیل گنجانده نشده‌اند. اگرچه بادهای نیروی طوفانی در نواحی داخلی بسیار نادر است (در این تحقیق در طول دوره مورد مطالعه، تعداد بسیار کمی از شهرستان‌های داخلی دارای باد نیروی طوفانی بودند)، تشدید سریع طوفان‌ها در این منطقه و طوفان‌هایی که شدت را برای مدت طولانی‌تری حفظ می‌کنند (طوفان مایکل). در سال 2018 و طوفان لورا در سال 2020، به عنوان مثال) اگر این نوع طوفان ها در آینده متداول تر شوند، خسارت مالی بیشتری ایجاد خواهد کرد. به غیر از باد TC، ما همچنین دریافتیم که بارندگی مرتبط با TC ها نیز به طور قابل توجهی بر آسیب اموال در منطقه مورد مطالعه تأثیر گذاشته است که با مطالعات قبلی مطابقت دارد. از آنجایی که اکثر شهرستان های منطقه مورد مطالعه هیچ گردباد ناشی از TC در طول دوره مورد مطالعه نداشتند، ما در این مطالعه گردباد را به عنوان یک عامل کمک کننده به آسیب اموال در نظر نگرفتیم. اکثر گردبادهای TC کوتاه و با شدت کمتر از EF2 هستند، بنابراین خسارت گردبادهای TC حداقل است مگر اینکه منطقه پرجمعیتی تحت تاثیر قرار گیرد. علاوه بر این، ارتفاع یک رابطه منفی قوی با آسیب اموال در هر دو مدل OLS و GWR داشت، که نشان می‌دهد شهرستان‌هایی که ارتفاع بالاتری داشتند آسیب اموال کمتری را متحمل شدند.66 ، 79 ].
همانطور که انتظار می رفت، متوجه شدیم که SoVI رابطه مثبت و تولید ناخالص داخلی سرانه با آسیب اموال رابطه منفی دارد ( جدول 1 ). با این حال، زمانی که یک رویکرد چند متغیره (مدل OLS) اتخاذ شد، آنها اهمیت آماری خود را از دست دادند. با این وجود، نتایج GWR نشان می‌دهد که اکثر شهرستان‌ها دارای ضرایب SoVI مثبت بالا ( شکل 4 f) و ضرایب تولید ناخالص داخلی سرانه منفی بالا ( شکل 4 ج) هستند، که بیشتر تأثیرات معنی‌دار کلی آنها را بر آسیب اموال TC در منطقه مورد مطالعه تأیید می‌کند.
یافته‌های حاصل از نتایج GWR می‌تواند برای پیش‌بینی‌کنندگان آب‌وهوا، مدیران اضطراری محلی (EMs) و سیاست‌گذاران از نظر آمادگی در برابر بلایا و برنامه‌های کاهش در ایالات متحده و در سطح جهان مفید باشد. این تحقیق بار دیگر ثابت کرد که بارش‌های داخلی و سیل‌های شدید همچنان یکی از عوامل اصلی خسارت مالی هستند. TC های اخیر ایالات متحده، مانند طوفان هاروی 2017 و طوفان فلورانس 2018، متوقف شده و یا به سختی بین مناطق ساحلی و داخلی حرکت کردند و سیل های مخرب گسترده ای را ایجاد کردند که مردم را شگفت زده کرد. پیش‌بینی‌کنندگان و EM باید به پیشرفت در ارسال پیام‌های خاص برای TC‌هایی که تولیدکنندگان باران‌های داخلی کند هستند ادامه دهند. این نوع طوفان های سیل ممکن است در سطح جهانی [ 80 ] و در این منطقه در آینده رایج تر شوند [ 81 ]]. با این حال، مطالعات دیگر افزایش پیش بینی شده سرعت ترجمه TC را در سطح جهانی [ 82 ] و در این منطقه [ 83 ] نشان می دهد.]، که نشان‌دهنده احتمال بیشتر طوفان است که بادهای تند را در دورتر از خشکی حفظ کند. ویرانی گسترده داخلی ناشی از طوفان های مایکل 2018 و لورا 2020 همچنین ساکنان داخلی را که هرگز در طول عمر خود شاهد بادهای داخلی با این شدت نبوده اند، شگفت زده کرد. همچنین باید از پیام‌های هدفمند خاص برای تأکید بر طوفان‌های سریع یا قوی که با سرعت عادی دچار پوسیدگی داخلی نمی‌شوند، استفاده شود تا ساکنان داخلی بتوانند از آسیب‌های احتمالی بیشتر آگاه شوند. EM ها می توانند مناطق خاصی را که نیاز به بهبود دارند شناسایی کنند تا اثرات TC ها را به حداقل برسانند (مثلاً آسیب اموال). همانطور که مدل GWR روابط متغیر فضایی بین متغیرهای وابسته و مستقل را محاسبه می کند، سیاست‌های مبتنی بر GWR منجر به یک برنامه مدیریت بلایای موثرتر با انعکاس شرایط محلی نسبت به یک طرح مدیریت بلایا یک‌اندازه برای همه می‌شود. EM ها و سیاستگذاران می توانند برنامه های منطقه ای خاص را برای شرایط اضطراری انجام دهند زیرا GWR شواهدی برای تصمیم گیری در جوامع محلی آنها ارائه می دهد.
علیرغم برخی نقاط قوت منحصر به فرد این مطالعه، محدودیت هایی نیز وجود داشت. اولاً، یک واحد جغرافیایی کوچکتر، مانند قطعه سرشماری یا گروه بلوک، می تواند اطلاعات دقیق تری را در توضیح تأثیرات عوامل مختلف مورد استفاده در این مطالعه بر آسیب اموال ارائه دهد. با این حال، داده‌های آسیب TC در مقیاس فضایی دقیق‌تر از سطح شهرستان برای منطقه مورد مطالعه در دسترس نیست، و بنابراین، ما مجبور شدیم شهرستان‌ها را به عنوان واحد فضایی خود در این مطالعه انتخاب کنیم. ثانیاً، برخی از عوامل کلیدی دیگر را می توان در مطالعات آینده مورد استفاده قرار داد، که ممکن است نتایج بهتری ایجاد کند. به عنوان مثال، مطالعات نشان دادند که رطوبت خاک می تواند عامل مهمی برای تشدید مجدد TC باشد [ 6]، که می تواند به عنوان یک عامل توضیح دهنده برای آسیب TC در مطالعات آینده استفاده شود. سوم، SoVI در این مطالعه برای اندازه‌گیری تأثیرات آسیب‌پذیری اجتماعی کلی بر آسیب TC استفاده شد. با این حال، استفاده از متغیرهای آسیب پذیری اجتماعی فردی (SoVI از 29 متغیر فردی ساخته شده است) به عنوان عواملی برای توضیح آسیب اموال ممکن است نتایج متفاوتی ایجاد کند. علاوه بر این، SoVI مورد استفاده در این تحقیق برای سال 2014 بود. یک شاخص آسیب‌پذیری اجتماعی جدیدتر نیز می‌تواند نتایج بهتری ایجاد کند. در نهایت، برخی از عوامل شناسایی‌شده مانند ارتفاع، باد و بارندگی، پدیده‌های جغرافیایی پیوسته‌ای هستند که برای هدف این مطالعه در مقیاس شهرستان جمع‌آوری شده‌اند و در نتیجه ممکن است نتایج را تحت تأثیر قرار دهند. با این حال، اگر داده ها در دسترس قرار گیرند،

5. نتیجه گیری ها

تحقیقات قبلی در مورد تأثیرات TC در مناطق داخلی محدود به مناطقی بود که در مجاورت مناطق ساحلی هستند که بیشترین تأثیرات را داشتند. با این حال، تأثیرات TC می تواند گسترده تر در داخل کشور باشد. بنابراین، ما تمام شهرستان‌هایی را که در منطقه داخلی تعریف شده قرار می‌گیرند در این مطالعه گنجانده‌ایم. عوامل از ابعاد مختلف (به عنوان مثال، ویژگی های طوفان هواشناسی، آسیب پذیری اجتماعی-اقتصادی و ویژگی های فیزیکی مناطق تحت تاثیر) برای اندازه گیری اثرات آنها بر آسیب TC مورد ارزیابی قرار گرفت. نتایج نشان می‌دهد که ویژگی‌های طوفان، مانند باد، بارندگی و فراوانی TC، همگی تأثیرات قابل‌توجهی بر خسارت اموال در منطقه مورد مطالعه داشتند. علاوه بر این، یافته‌های این تحقیق نشان می‌دهد که عوامل مورد استفاده در این مطالعه برای ارزیابی تأثیر بر آسیب اموال مربوط به TC در فضا متفاوت است. مدل GWR برازش بهتر داده‌های مورد استفاده در این تحقیق بود و واریانس در متغیر وابسته را بهتر از OLS توضیح داد. باد TC به عنوان یکی از عوامل اصلی کمک کننده به آسیب اموال در منطقه مورد مطالعه در هر دو مدل OLS و GWR یافت شد، که به نظر می رسد با تحقیقات قبلی که در آن سیل آب شیرین ناشی از باران شدید مرتبط با TC ها عامل اصلی تأثیرات TC در داخل کشور است، تناقض دارد. مناطق. میانگین ارتفاع شهرستان به عنوان عامل مهم دیگری که باید در ارزیابی خسارت اموال ناشی از TC ها مورد توجه قرار گیرد، یافت شد. علاوه بر این، یک رابطه مستقیم بین فراوانی TC و آسیب اموال در منطقه مورد مطالعه پیدا شد. علیرغم اینکه بسیاری از شهرستان ها دارای آسیب پذیری اجتماعی بالایی هستند، مشخص شد که تأثیر آسیب‌پذیری اجتماعی بر آسیب‌های مالی کمتر از سایر عوامل مورد استفاده در این تحقیق است. شاید بتوان این را با تولید ناخالص داخلی سرانه پایین در منطقه مورد مطالعه، به ویژه شهرستان هایی که با آسیب پذیری اجتماعی بالا مشخص می شود، توضیح داد.
یافته های این تحقیق برای سیاست گذاران و مدیران اورژانس مفید است. نتایج به توضیح تقاطع بین ویژگی‌های طوفان هواشناسی، ویژگی‌های فیزیکی منطقه تحت‌تاثیر و آسیب‌پذیری اجتماعی-اقتصادی در برابر بلایا در تأثیرات مرتبط از TCs در مناطق داخلی کمک می‌کند. علاوه بر این، یافته های این مطالعه اهمیت در نظر گرفتن روابط متغیر فضایی بین آسیب اموال و عوامل توضیحی را روشن می کند. این تحقیق تخمین‌های مفیدی را برای شروع بحث در مورد سرمایه‌گذاری در اقدامات کاهش‌دهنده و آمادگی پیش از طوفان‌های داخلی اجتناب‌ناپذیر آینده با پتانسیل ایجاد خسارات عظیم مالی ارائه می‌کند. پیش‌بینی‌کنندگان و مدیران اضطراری باید به تقویت تلاش‌های پیام‌رسانی هدفمند خود برای TCهای داخلی که یا تولیدکنندگان باران و سیل فراوان هستند یا طوفان‌های آسیب باد شدید داخلی هستند، ادامه دهند. این امر به ویژه برای شهرستان هایی با ارتفاعات پایین تر و نمرات SoVI بالاتر صادق است.
به طور کلی، این مطالعه به طور تجربی مستند کرد که مناطق داخلی می‌توانند به طور قابل‌توجهی تحت‌تاثیر TCهای فرود در خشکی و عواملی که تأثیرات TC داخلی را تحت تأثیر قرار می‌دهند، قرار بگیرند. روش‌ها و رویکردهای اتخاذ شده در این مطالعه می‌تواند در سایر مناطق داخلی در سطح جهانی برای کشف عوامل اصلی مؤثر بر اثرات TC اعمال شود. مطالعات آتی باید فاکتورهای اضافی (مثلاً رطوبت خاک و شدت TC) را در مقیاس فضایی ریزتر (احتمالاً در سطح سرشماری یا گروه بلوک) در نظر بگیرند تا تأثیرات TC داخلی را به حداقل برسانند.

منابع

  1. پدوزی، پ. شاتنو، بی. دائو، اچ. دی بونو، آ. هرولد، سی. کوسین، جی. موتون، اف. Nordbeck, O. روندهای جهانی در خطر طوفان استوایی. نات. صعود چانگ. 2012 ، 2 ، 289-294. [ Google Scholar ] [ CrossRef ]
  2. باکنسن، لس آنجلس؛ مندلسون، RO خطر و سازگاری: شواهدی از خسارات و تلفات طوفان جهانی. J. Assoc. محیط زیست منبع. اقتصاد 2016 ، 3 ، 555-587. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  3. باکنسن، لس آنجلس؛ شی، ایکس. زوریتا، بی‌دی تأثیر داده‌های بلایا بر برآورد عوامل تعیین‌کننده خسارت و هزینه‌های آب و هوا. اقتصاد بلایای طبیعی. چانگ. 2018 ، 2 ، 49-71. [ Google Scholar ] [ CrossRef ]
  4. ناریتا، دی. Tol، RSJ; Anthoff، D. هزینه های خسارت تغییرات آب و هوایی از طریق تشدید فعالیت های طوفان گرمسیری: کاربرد FUND. صعود Res. 2009 ، 39 ، 87-97. [ Google Scholar ] [ CrossRef ]
  5. رانسون، ام. کوسکی، سی. روث، ام. جانتراسمی، ل. Crimmins، A. تارکینیو، L. خسارات طوفان گرمسیری و فرا گرمسیری تحت تغییرات آب و هوا. صعود چانگ. 2014 ، 127 ، 227-241. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  6. Arndt، DS; بسارا، جی بی. مک فرسون، RA; ایلستون، بی جی; مک مانوس، جی دی. Demko، DB مشاهدات تشدید مجدد زمینی طوفان گرمسیری ارین. گاو نر صبح. هواشناسی Soc. 2009 ، 90 ، 1079-1094. [ Google Scholar ] [ CrossRef ]
  7. چانگ، اچ. نیوگی، دی. کومار، ا. کشتاول، سی ام; دودیا، ج. چن، اف. Mohanty، UC; شپرد، ام. رابطه احتمالی بین بازخورد سطح زمین و ساختار پس از سقوط فرورفتگی های موسمی. ژئوفیز. Res. Lett. 2009 ، 36 . [ Google Scholar ] [ CrossRef ]
  8. لیان شو، سی. پیشرفت تحقیق در مورد ساختار و تغییر شدت طوفان های استوایی در حال سقوط. جی تروپ. هواشناسی 2012 ، 18 ، 113. [ Google Scholar ]
  9. امانوئل، ک. کالاگان، جی. Otto, P. فرضیه ای برای توسعه مجدد طوفان های هسته گرم در شمال استرالیا. دوشنبه Weather Rev. 2008 , 136 , 3863–3872. [ Google Scholar ] [ CrossRef ]
  10. بله، م. وو، جی. لیو، دبلیو. او، X. وانگ، سی. وابستگی آسیب طوفان استوایی به حداکثر سرعت باد و عوامل اجتماعی و اقتصادی. محیط زیست Res. Lett. 2020 ، 15 . [ Google Scholar ] [ CrossRef ]
  11. Pielke، RA، Jr. آسیب های اقتصادی آینده ناشی از طوفان های استوایی: حساسیت به تغییرات اجتماعی و آب و هوا. فیلوس ترانس. R. Soc. یک ریاضی فیزیک مهندس علمی 2007 ، 365 ، 2717-2729. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  12. Pielke، RA، Jr. گراتز، جی. Landsea، CW; کالینز، دی. ساندرز، MA; Musulin، R. آسیب طوفان عادی در ایالات متحده: 1900-2005. نات. Hazards Rev. 2008 , 9 , 29-42. [ Google Scholar ] [ CrossRef ]
  13. برتون، CG آسیب‌پذیری اجتماعی و مدل‌سازی تأثیر طوفان. نات. Hazards Rev. 2010 , 11 , 58-68. [ Google Scholar ] [ CrossRef ]
  14. Senkbeil, JC; برومر، DM; Comstock, IJ خطرات طوفان گرمسیری در ایالات متحده آمریکا. Geogr. Compass 2011 , 5 , 544-563. [ Google Scholar ] [ CrossRef ]
  15. مندلسون، آر. امانوئل، ک. چونبایاشی، س. Bakkensen, L. تاثیر تغییرات آب و هوا بر آسیب طوفان استوایی جهانی. نات. صعود چانگ. 2012 ، 2 ، 205-209. [ Google Scholar ] [ CrossRef ]
  16. وینکل، جی. لندسی، سی. کالینز، دی. موسولین، آر. Crompton، RP; کلوتزباخ، پی جی. پیلکه، آر. آسیب طوفان عادی در قاره ایالات متحده 1900-2017. نات. حفظ کنید. 2018 ، 1 ، 808-813. [ Google Scholar ] [ CrossRef ]
  17. کناب، ر. روم، جی. براون، D. مرکز ملی طوفان. گزارش طوفان گرمسیری: طوفان کاترینا، 23 تا 30 اوت 2005. اداره ملی اقیانوسی و جوی . سرویس ملی هواشناسی، مرکز ملی طوفان: میامی، فلوریدا، ایالات متحده آمریکا، 2005.
  18. بلیک، ES; لندسی، سی. Gibney، EJ مرگبارترین، پرهزینه ترین و شدیدترین طوفان های استوایی ایالات متحده از 1851 تا 2010 (و سایر حقایق متداول طوفان) ; یادداشت فنی NOAA NWS NHC: واشنگتن، دی سی، ایالات متحده آمریکا، 2011.
  19. بنفیلد، الف. بینش آب و هوا، آب و هوا و فاجعه: گزارش سالانه 2017 ; London Aon: لندن، بریتانیا، 2018; پ. 56. [ Google Scholar ]
  20. مستره، او. Hallegatte، S. پیش بینی اعداد طوفان گرمسیری و شدت طوفان شدید بر فراز اقیانوس اطلس شمالی با استفاده از مدل های افزودنی و خطی تعمیم یافته. جی. کلیم. 2009 ، 22 ، 633-648. [ Google Scholar ] [ CrossRef ]
  21. اندرسون، WF; مااس، آ. اوزیاس آکینز، ص. تنوع ژنتیکی مجموعه هسته علوفه برموداگرس. برش. علمی 2009 ، 49 ، 1347-1358. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  22. ژو، ایکس. لیو، ز. یان، س. ژانگ، ایکس. یی، ال. یانگ، دبلیو. شیانگ، آر. سلام.؛ هو، بی. لیو، ی. و همکاران افزایش شدت طوفان استوایی در غرب اقیانوس آرام شمالی در طول دوره‌های گرم طی دو هزاره گذشته. ژئوفیز. Res. Lett. 2019 ، 46 ، 9145–9153. [ Google Scholar ] [ CrossRef ]
  23. Senkbeil, JC; شریدان، SC یک سیستم طبقه بندی طوفان پس از سقوط برای ایالات متحده. جی. ساحل. Res. 2006 ، 22 ، 1025-1034. [ Google Scholar ] [ CrossRef ]
  24. کواچ، م.م. کنراد، CE توزیع فضایی گردبادها و اثرات باد شدید مرتبط با طوفان‌های استوایی در حال حرکت در جنوب شرقی ایالات متحده است. فیزیک Geogr. 2014 ، 35 ، 245-271. [ Google Scholar ] [ CrossRef ]
  25. Rappaport، EN تلفات جانی در ایالات متحده مرتبط با طوفان های استوایی اخیر اقیانوس اطلس. گاو نر صبح. هواشناسی Soc. 2000 ، 81 ، 2065-2074. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  26. کاتر، SL; میچل، جی تی; اسکات، ام اس افشای آسیب پذیری افراد و مکان ها: مطالعه موردی شهرستان جورج تاون، کارولینای جنوبی. ان دانشیار صبح. Geogr. 2000 ، 90 ، 713-737. [ Google Scholar ] [ CrossRef ]
  27. Tierney، KJ; لیندل، MK; پری، RW در مواجهه با غیرمنتظره: آمادگی و پاسخ به بلایا در ایالات متحده ؛ مطبوعات جوزف هنری: واشنگتن، دی سی، ایالات متحده آمریکا، 2002. [ Google Scholar ]
  28. کاتر، SL; بوروف، بی جی؛ شرلی، WL آسیب پذیری اجتماعی در برابر خطرات محیطی. Soc. علمی Q. 2003 , 84 , 242-261. [ Google Scholar ] [ CrossRef ]
  29. امریش، سی تی. کاتر، SL آسیب پذیری اجتماعی در برابر خطرات حساس به آب و هوا در جنوب ایالات متحده. آب و هوا. Soc. 2011 ، 3 ، 193-208. [ Google Scholar ] [ CrossRef ]
  30. Flanagan، BE; گریگوری، EW; Hallisey، EJ; Heitgerd، JL; لوئیس، ب. شاخص آسیب پذیری اجتماعی برای مدیریت بلایا. جی. هومل. امن ظهور. مدیریت 2011 ، 8 . [ Google Scholar ] [ CrossRef ]
  31. حسین، م.ک. Meng, Q. یک روش نقشه برداری موضوعی برای ارزیابی و تجزیه و تحلیل خطرات و خطرات شهری بالقوه ناشی از سیل. محاسبه کنید. محیط زیست شهری. سیستم 2020 ، 79 ، 101417. [ Google Scholar ] [ CrossRef ]
  32. حسین، م.ک. منگ، کیو. تحلیل فضایی چند دهه ای آسیب پذیری جمعیتی در برابر سیل شهری: مطالعه موردی شهر بیرمنگام، ایالات متحده. پایداری 2020 ، 12 ، 9139. [ Google Scholar ] [ CrossRef ]
  33. اشلی، WS; استرادر، اس. روزنکرانتز، تی. Krmenec، AJ تغییرات فضایی و زمانی در قرار گرفتن در معرض خطر گردباد: موردی از گسترش اثر چشم گاو نر در شیکاگو، ایلینوی. آب و هوا. Soc. 2014 ، 6 ، 175-193. [ Google Scholar ] [ CrossRef ]
  34. استرادر، اس ام. اشلی، WS اثر چشم گاو نر در حال گسترش. Weatherwise 2015 ، 68 ، 23-29. [ Google Scholar ] [ CrossRef ]
  35. فریمن، AC; اشلی، WS تغییرات در چشم انداز فاجعه طوفان ایالات متحده: رابطه بین خطر و قرار گرفتن در معرض. نات. خطرات 2017 ، 88 ، 659-682. [ Google Scholar ] [ CrossRef ]
  36. Bierwagen، BG; تئوبالد، دی.م. Pyke، CR; چوات، آ. گروت، پ. توماس، JV; Morefield، P. سناریوهای مسکن ملی و سطح غیرقابل نفوذ برای ارزیابی یکپارچه تاثیر آب و هوا. Proc. Natl. آکادمی علمی ایالات متحده آمریکا 2010 ، 107 ، 20887–20892. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  37. رفعت، SAA; لیو، و. Remote Sens. 2019 , 11 , 2493. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  38. رجال، س. ریمال، بی. Sloan، S. نقشه‌برداری خطر سیل از یک شهر به سرعت در حال شهرنشینی در کوهپایه‌ها (Birendranagar، Surkhet) نپال. Land 2018 , 7 , 60. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  39. اشمیت، اس. کمفرت، سی. Höppe, P. تاثیر اقتصاد اجتماعی و تغییرات آب و هوایی بر تلفات طوفان گرمسیری در ایالات متحده آمریکا. Reg. محیط زیست چانگ. 2010 ، 10 ، 13-26. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  40. ون، اس. وانگ، ی. زیر.؛ گائو، سی. چن، ایکس. جیانگ، تی. تائو، اچ. فیشر، تی. وانگ، جی. Zhai, J. برآورد زیان های اقتصادی ناشی از طوفان های استوایی در چین در دمای 1.5 درجه سانتی گراد و 2.0 درجه سانتی گراد گرم شدن با استفاده از مدل آب و هوای منطقه ای COSMO-CLM. بین المللی جی.کلیماتول. 2019 ، 39 ، 724-737. [ Google Scholar ] [ CrossRef ]
  41. هالگات، اس. کاوش هنجاری پیوند بین توسعه، رشد اقتصادی و ریسک طبیعی. اقتصاد بلایای طبیعی. چانگ. 2017 ، 1 ، 5-31. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  42. وو، جی. آویزان شدن.؛ ژو، اچ. لی، ن. توسعه اقتصادی و کاهش آسیب پذیری در برابر بلایای مرتبط با آب و هوا در چین. محیط زیست Res. Lett. 2018 ، 13 ، 34013. [ Google Scholar ] [ CrossRef ]
  43. وو، جی. لی، ی. لی، ن. Shi، P. توسعه یک نقشه ارزش دارایی برای ارزیابی خطر بلایا در چین با تفکیک فضایی با استفاده از داده‌های سنجش از راه دور کمکی. ریسک مقعدی 2018 ، 38 ، 17-30. [ Google Scholar ] [ CrossRef ]
  44. چاکوفسکی، جی. کندی، ای. معاوضه کشنده؟ به سوی درک بهتر از هزینه های تخلیه نشدن از طوفان در شهرستان های خشکی. مردمی محیط زیست 2010 ، 31 ، 121-149. [ Google Scholar ] [ CrossRef ]
  45. چاکوفسکی، جی. سیمونز، ک. ساتر، دی. تجزیه و تحلیل تلفات ساحلی و داخلی در طوفان های ایالات متحده. نات. خطرات 2011 ، 59 ، 1513-1531. [ Google Scholar ] [ CrossRef ]
  46. اشمیدلین، TW تلفات انسانی ناشی از شکست درختان مربوط به باد در ایالات متحده، 1995-2007. نات. خطرات 2009 ، 50 ، 13-25. [ Google Scholar ] [ CrossRef ]
  47. پاول، دکتر دوج، پی پی. بلک، ML سقوط طوفان هوگو در کارولینا: توزیع باد سطحی. پیش بینی آب و هوا. 1991 ، 6 ، 379-399. [ Google Scholar ] [ CrossRef ]
  48. Senkbeil, JC; مایرز، ال. جاسکو، س. رید، جی آر. مولر، آر. درس های ارتباط و درک خطر از طوفان دسته پنجم مایکل. Atmosphere 2020 , 11 , 804. [ Google Scholar ] [ CrossRef ]
  49. کاپلان، جی. DeMaria، M. یک مدل تجربی ساده برای پیش‌بینی فروپاشی بادهای طوفان گرمسیری پس از سقوط. J. Appl. هواشناسی 1995 ، 34 ، 2499-2512. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  50. مور، TW; دیکسون، RW اقلیم شناسی گردبادهای مرتبط با طوفان های در حال سقوط در ساحل خلیج فارس. Geogr. Rev. 2011 , 101 , 371-395. [ Google Scholar ] [ CrossRef ]
  51. رودز، CL; Senkbeil، JC عواملی که در ایجاد گردباد در طوفان های استوایی خلیج مکزیک در حال سقوط هستند. هواشناسی Appl. 2014 ، 21 ، 940-947. [ Google Scholar ] [ CrossRef ]
  52. Deo، AA؛ Ganer, DW فعالیت طوفان گرمسیری بر فراز اقیانوس هند در آب و هوای گرمتر. در پایش و پیش‌بینی طوفان‌های استوایی در اقیانوس هند و تغییرات آب و هوایی ؛ Springer: Dordrecht، هلند، 2014; صص 72-80. [ Google Scholar ]
  53. کریشناموهان، KS; موهااناکومار، ک. Joseph, P. V تغییر آب و هوا در طوفان های استوایی و فرورفتگی های موسمی شمال اقیانوس هند. در پایش و پیش‌بینی طوفان‌های استوایی در اقیانوس هند و تغییرات آب و هوایی ؛ Springer: Dordrecht، هلند، 2014; صص 33-39. [ Google Scholar ]
  54. یین، جی. یین، ز. Xu, S. ارزیابی ریسک مرکب از فاجعه ناشی از طوفان برای منطقه ساحلی چین. نات. خطرات 2013 ، 69 ، 1423-1434. [ Google Scholar ] [ CrossRef ]
  55. کائو، سی. خو، پی. وانگ، ی. چن، جی. ژنگ، ال. Niu, C. نقشه‌برداری حساسیت خطر سیل ناگهانی با استفاده از روش‌های نسبت فرکانس و شاخص آماری در مناطق فرونشست معدن زغال‌سنگ. Sustainability 2016 , 8 , 948. [ Google Scholar ] [ CrossRef ][ Green Version ]
  56. حسین، م.ک. Meng, Q. تجزیه و تحلیل فضایی در مقیاس خوب از ارزیابی و نقشه برداری ساختمان ها و جمعیت در سطوح مختلف خطر سیل شهری. خط مشی کاربری زمین 2020 , 99 , 104829. [ Google Scholar ] [ CrossRef ]
  57. راپاپورت، EN; فرناندز-پارتاگاس، جی . مرگبارترین طوفان های استوایی اقیانوس اطلس . مرکز ملی طوفان: واشنگتن، دی سی، ایالات متحده آمریکا، 1995; صفحات 1492-1994.
  58. بلیک، ES; راپاپورت، EN; Landsea، CW مرگبارترین، پرهزینه ترین و شدیدترین طوفان های استوایی ایالات متحده از 1851 تا 2006 (و سایر حقایق متداول طوفان) ; NOAA / خدمات ملی هواشناسی، مراکز ملی پیش بینی محیطی: واشنگتن، دی سی، ایالات متحده آمریکا، 2007.
  59. باروز، WJ تغییر آب و هوا: رویکرد چند رشته ای . انتشارات دانشگاه کمبریج: کمبریج، انگلستان، 2007; ISBN 1107049253. [ Google Scholar ]
  60. کمپ، جی. Scaife، AA; همینگ، جی. پیش‌بینی‌پذیری فصل طوفان اقیانوس اطلس شمالی 2017. اتمس. علمی Lett. 2018 ، 19 ، 1-7. [ Google Scholar ] [ CrossRef ]
  61. اسطوخودوس، SL; والش، KJE; Caron، LP; کینگ، ام. مونکیویچ، اس. گویشارد، م. ژانگ، Q. هانت، ب. برآورد حداکثر تعداد سالانه طوفان های استوایی اقیانوس اطلس شمالی با استفاده از مدل های آب و هوایی. علمی Adv. 2018 ، 4 ، 1-8. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  62. Doss, DA; مکلریت، دی. گوزا، ر. تسیرو، آر. گوکاراجو، بی. هنلی، آر. ارزیابی پیامدهای بازیابی بلایای منتخب در خلیج مکزیک. تدارکات. حفظ کنید. ترانسپ 2018 ، 9 ، 1-10. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  63. چاکوفسکی، جی. ویلرینی، جی. میشل کرجان، ای. اسمیت، JA تعیین تلفات طوفان استوایی داخلی در مقیاس بزرگ از طریق یک روش جدید مبتنی بر نسبت پیک سیل. محیط زیست Res. Lett. 2013 ، 8 . [ Google Scholar ] [ CrossRef ]
  64. وانگ، اچ. خو، ام. اونیجوروا، ا. وانگ، ی. ون، اس. گائو، AE; Li، Y. آسیب های طوفان گرمسیری در سرزمین اصلی چین طی سال های 2005-2016: تجزیه و تحلیل تلفات و پیامدها. محیط زیست توسعه دهنده حفظ کنید. 2019 ، 21 ، 3077–3092. [ Google Scholar ] [ CrossRef ]
  65. جمر، ام. یین، ی. لو، ی. فیشر، تی. طوفان های استوایی در چین: تجزیه و تحلیل مبتنی بر شهرستان از سقوط زمین و خسارات اقتصادی در استان فوجیان. کوات. بین المللی 2011 ، 244 ، 169-177. [ Google Scholar ] [ CrossRef ]
  66. رفعت، SAA; لیو، دبلیو. سنجش تاب‌آوری جامعه در برابر بلایا در مناطق ساحلی محدود ایالات متحده. ISPRS Int. J. Geo Inf. 2020 ، 9 ، 469. [ Google Scholar ] [ CrossRef ]
  67. گارسیا-آیلون، اس. توماس، آ. رودناس، JL چشم انداز فضایی در ارزیابی پس از زلزله برای بهبود استراتژی های کاهش: تجزیه و تحلیل زمین آماری آسیب لرزه ای اعمال شده در یک مطالعه موردی واقعی. Appl. علمی 2019 ، 9 ، 3182. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  68. سانگ، CH; Liaw، SC یک رویکرد مبتنی بر GIS برای ارزیابی آسیب‌پذیری اجتماعی در برابر خطرات سیل و جریان زباله. بین المللی J. کاهش خطر بلایا. 2020 , 46 , 101531. [ Google Scholar ] [ CrossRef ]
  69. یون، DK; کانگ، جی. برودی، SD اندازه‌گیری تاب‌آوری جامعه در برابر بلایا در کره. جی. محیط زیست. طرح. مدیریت 2016 ، 59 ، 436-460. [ Google Scholar ] [ CrossRef ]
  70. کاتر، SL; خاکستر، KD; Emrich، CT جغرافیاهای تاب آوری جامعه در برابر بلایا. گلوب. محیط زیست چانگ. 2014 ، 29 ، 65-77. [ Google Scholar ] [ CrossRef ]
  71. راث، دی. مدت زمان بارش طوفان گرمسیری و ماکسیما. در دسترس آنلاین: https://www.wpc.ncep.noaa.gov/tropical/rain/tcduration.html (دسترسی در 9 مه 2017).
  72. کای، اچ. لام، NSN; زو، ال. کیانگ، ی. لی، ک. ارزیابی تاب آوری جامعه در برابر خطرات ساحلی در حوضه رودخانه می سی سی پی پایین. Water 2016 ، 8 ، 46. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  73. مو، JF; مشکی، WC; بابین، بی جی; اندرسون، RE; Tatham، RL تجزیه و تحلیل داده های چند متغیره ; DigitalCommons: Prentice Hall, NJ, USA, 1998; جلد 5. [ Google Scholar ]
  74. ژائو، سی. جنسن، جی. ونگ، کیو. ویور، R. تحلیل رگرسیون وزن‌دار جغرافیایی عوامل زمینه‌ای مرتبط با پدیده جزیره گرمایی شهری سطحی. Remote Sens. 2018 , 10 , 1428. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  75. Matyas، CJ فرآیندهای موثر بر رشد و پوسیدگی میدان باران پس از ریزش طوفان گرمسیری در ایالات متحده. J. Appl. هواشناسی کلیماتول. 2013 ، 52 ، 1085-1096. [ Google Scholar ] [ CrossRef ]
  76. اندرسن، TK; Shepherd, JM تحلیل فضایی و زمانی جهانی از نگهداری یا تشدید طوفان استوایی داخلی. بین المللی جی.کلیماتول. 2014 ، 34 ، 391-402. [ Google Scholar ] [ CrossRef ]
  77. ایوانز، سی. شوماخر، آر اس؛ گالارنو، تی جی، جونیور حساسیت در تشدید مجدد زمینی طوفان استوایی ارین (2007) به ویژگی های رطوبت خاک نزدیک به سطح. دوشنبه Weather Rev. 2011 , 139 , 3848–3870. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  78. کلنر، او. نیوگی، دی. لی، م. Kumar, A. نقش رطوبت غیرعادی خاک در تشدید مجدد طوفان گرمسیری ارین (2007). نات. خطرات 2012 ، 63 ، 1573-1600. [ Google Scholar ] [ CrossRef ]
  79. بیکر، الف. ایجاد یک شاخص تاب آوری جامعه به صورت تجربی در منطقه خلیج مکزیک . دانشگاه ایالتی لوئیزیانا: باتون روژ، لس آنجلس، ایالات متحده آمریکا، 2009. [ Google Scholar ]
  80. Kossin، PA کاهش سرعت جهانی طوفان گرمسیری – سرعت ترجمه. Nature 2018 ، 558 ، 104-107. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  81. وانگ، SYS؛ یون، جی اچ. کلوتزباخ، پ. Gillies، RR نسبت کمی اثرات آب و هوایی بر بارش شدید طوفان هاروی در تگزاس. محیط زیست Res. Lett. 2018 ، 5 ، 13. [ Google Scholar ] [ CrossRef ]
  82. چان، KTF آیا طوفان‌های استوایی جهانی در آب و هوای گرم‌تر کندتر حرکت می‌کنند؟ محیط زیست Res. Lett. 2019 ، 10 ، 14. [ Google Scholar ] [ CrossRef ]
  83. حسن زاده، پ. لی، سی. نبی زاده، ا. کامارگو، اس جی. ما، دی. Yeung, LY اثرات تغییر آب و هوا بر حرکت طوفان‌های استوایی تگزاس در آینده. نات. اشتراک. 2020 ، 11 ، 1. [ Google Scholar ] [ CrossRef ] [ PubMed ]
Ijgi 10 00295 g001 550
شکل 1. شهرستان های داخلی در منطقه مورد مطالعه به همراه خط ساحلی ایالات متحده.
Ijgi 10 00295 g002 550
شکل 2. توزیع فضایی آسیب اموال سرانه در شهرستان های داخلی.
Ijgi 10 00295 g003 550
شکل 3. الگوهای فضایی و توزیع شش عامل: ( الف ) فرکانس TC; ( ب ) بارندگی کل TC (m)؛ ( ج ) تولید ناخالص داخلی سرانه شهرستان. ( د ) کل باد TC (گره)؛ ( ه ) ارتفاع متوسط ​​شهرستان (m)؛ و ( f ) صدک SoVI شهرستان.
Ijgi 10 00295 g004 550
شکل 4. توزیع فضایی ضرایب شش متغیر مستقل در مدل GWR: ( الف ) فرکانس TC. ( ب ) بارندگی TC; ج ) تولید ناخالص داخلی سرانه؛ ( د ) باد TC; ( ه ) ارتفاع متوسط. و ( f ) صدک SoVI شهرستان.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید