我國臺風風暴潮災害損失的時空演變特征分析

劉旭，王崢，梁穎祺，蔡文博

（1.國家海洋環境預報中心，北京 100081；2.北京林業大學經濟管理學院，北京 100083；3.國家海洋環境預報中心自然資源部海洋災害預報技術重點實驗室，北京 100081）

0 引言

風暴潮災害居海洋災害之首，世界上絕大多數因臺風引起的特大海岸災害（人員傷亡、財產損失）大都是由風暴潮造成的[1-2]，其導致的經濟損失占我國全部海洋災害經濟損失的90%以上[3]。我國政府和學術界對海岸帶災害特別是風暴潮災害十分重視，不斷完善災害預警和應急反應體系[4]、預防和抵御臺風風暴潮造成的災害損失已成為沿海地區防災減災工作中的重要研究課題之一[5]。風暴潮災害經濟損失的評估預測較為復雜[6]，其影響機制也尚未清晰[7]。通過分析我國風暴潮災害損失的時空分布特征及其長期變化規律，有助于提高災害損失的機制研究和中長期預報能力，并深入推進防災減災能力建設[4，8]。

已有學者針對我國風暴潮災害的時空分布開展了研究工作，并根據驗潮站歷史資料，分別總結了我國南海區域[8]、浙江省[9]、福建省[10]和廣西沿海[11]風暴潮增水的時空分布特征。侯京明等[1]根據驗潮站資料，統計了我國1949—2009年間達到紅色預警級別的重大風暴潮過程，結果表明風暴潮次數呈上升趨勢。孫佳等[12]對東海沿岸臺風的路徑、發生頻率及風暴潮增水特征進行了系統分析，結果表明東海潮位有逐年增加的趨勢，登陸型臺風的損失最為嚴重。SHI 等[13]根據49 個驗潮站數據，繪制了我國風暴潮增水風險等級圖。這些研究大多基于驗潮站風暴潮潮位資料，反應的是風暴潮災害損失的危險性的變化狀況，但是尚未對風險暴露程度、脆弱性和抗災能力等綜合因素造成的風暴潮災害時空分布特征進行分析。

謝麗等[4]分析了近20 年來我國沿海地區風暴潮災害的次數和強度、時空分布及其與災害損失的相關關系，結果表明風暴潮災害時空分布具有相對集中性，風暴潮強度與災害損失有一定的相關關系，但不一定成正比。甘申東等[5]系統總結了我國1990—2009 年南海風暴潮的災害特征，結果表明特大風暴潮的發生頻率和損失強度均有上升趨勢。SHI 等[14]系統分析出1949—2013 年我國風暴潮損失和死亡人口均呈下降趨勢。李程等[15]分析了福建省2008—2017年風暴潮的時空分布規律、災害經濟損失現狀以及災害特征，結果表明風暴潮災害在福建省具有發生頻次高、影響范圍廣、災害損失重的特點。WANG 等[16]系統梳理了我國1983—2018年172 次風暴潮過程的時空分布特征，結果表明1997 年后風暴潮損失具有顯著下降趨勢，廣東省、福建省和浙江省風暴潮災害次數占全國的57%，總損失占全國的80%。以上研究成果雖然對我國風暴潮災害損失進行了系統分析，但都局限于定性分析，缺乏量化的評判依據。本研究旨在對風暴潮災害頻次、災害損失和死亡人口等因素進行系統梳理的基礎上，采用趨勢檢驗方法、突變點檢驗法、周期分析方法和空間統計方法等對我國風暴潮災害損失的趨勢、突變點、周期和空間分布進行量化分析研究，以期為風暴潮災害預防及治理提供更為科學的依據。

1 數據與方法

1.1 數據預處理

風暴潮分臺風風暴潮和溫帶風暴潮，考慮到兩者的致災程度以及與實測資料的統一，本研究的風暴潮均指臺風風暴潮[17]。根據1989—2018 年《中國海洋災害公報》的統計結果[18-19]，系統梳理了我國30年間風暴潮過程的頻次、人口和直接經濟的損失，采用各年份居民消費價格指數（Consumer Price Index，CPI）將經濟損失數據統一折現到2018年[16-17]，構建我國1989—2018年風暴潮頻次、直接經濟損失和死亡（失蹤）人口的時間序列數據。

1.2 Mann-Kendall趨勢分析法

Mann-Kendall 趨勢分析法對變量不需要分布假定，是世界氣象組織推薦并廣泛使用的非參數檢驗方法。對序列為n的樣本構造統計量Z:

式中：i為第i個位置，j為第i+1位置；Xi為第i個位置的數，Xj為第j個位置的數；n為數據量，代表序列長度。Z＞0 為上升趨勢，Z= 0 為無趨勢，Z＜0 為下降趨勢。Z的絕對值越大，說明序列變化趨勢越明顯，采用t檢驗進行趨勢顯著性檢驗[20]。

1.3 Pettitt突變檢驗法

Pettitt 突變檢驗法是基于秩的非參數檢驗法，該方法受異常值影響較小，因此被廣泛應用于水文氣象領域[21]。構造統計量:

式中：t為第t個位置；N為序列總長度；xt為 第t個位置的數值，xj第j個位置的數值。

原假設為數據序列不存在突變點，對統計量|Ut,N|的最大值采用t檢驗進行顯著性檢驗[22]。

1.4 Morlet小波分析法

小波分析以傅里葉變換為基礎，通過引入可伸縮和平移的小波函數，可將時間序列從時域和頻域兩個角度進行分解，進而揭示序列的周期波動特征[23]。Morlet小波分析法已被用于水文[21，24]、氣候[22]等多個領域，也有學者將其用于海平面周期變化研究[23]。Morlet復小波變換基函數可表示為：

式中：fb為小波帶寬；fc為小波中心頻率。小波能量譜|φ(γ,t)|2為小波變換幅值的平方，通過小波頻譜圖可定性進行峰值分析，采用t 檢驗法進行峰值顯著性分析[25]。

1.5 標準差橢圓分析法

標準差橢圓分析法是從定性的角度分析要素的空間分布特征，反映要素在空間不同方向上的聚集分布趨勢。標準差橢圓主要由沿長軸的標準差、沿短軸的標準差和方向角構成。長軸表示數據分布的方向，短軸表示數據分布的范圍，短半軸越短，表示數據集聚越明顯，長短半軸的值差距越大，表示數據的方向性越明顯[26]。

2 結果與討論

2.1 我國風暴潮災害損失的時間序列變化特征

2.1.1 風暴潮頻次

1989—2018 年間，《中國海洋災害公報》共統計了159 次風暴潮災害過程[18-19]，年均為5.3 次，其中2013 年風暴潮災害次數最多，為10 次，1997 年、1998 年、1999 年、2022 年災害次數最少，均為2 次（見圖1a）。采用Mann-Kendall 趨勢分析法構造的統計量Z大于0，經過t 檢驗，p值在95%置信區間內小于0.05，說明我國風暴潮災害頻次具有顯著上升趨勢（見表1）。Pettitt 突變檢驗法結果表明2005 年存在突變點（見圖1b），1989—2005年風暴潮年平均頻次為4.1 次，2006—2018 年為6.56 次。Morlet 小波分析法檢驗結果表明，1989—2018 年的風暴潮災害存在2～8 a 的周期波動特征（見圖1c），圖中紅色區域為通過t 檢驗的顯著主周期。經檢驗，1989—2005 年和2006—2018 年的風暴潮頻次時間序列在95%置信區間內無顯著的趨勢特征和突變點特征，1989—2018 年間僅存在一個突變點（見表1），即2005年后上升趨勢速度增快，這個突變點與WANG等[16]的研究結論一致，較FANG 等[27]研究出的風暴潮頻次趨勢突變點為2000年偏晚。

表1 時間序列趨勢及突變點檢驗結果Tab.1 Time series trend and mutation point test results

表2 1989—2018年我國臺風風暴潮災害標準差橢圓參數Tab.2 Elliptic parameters of standard deviation of typhoon storm surge disasters in China from 1989 to 2018

圖1 1989—2018年我國風暴潮頻次時間序列變化特征Fig.1 Time series characteristics of storm surge frequency in China from 1989 to 2018

根據《中國海洋災害公報》的統計結果，風暴潮發生頻次存在2～8 a 的周期波動，該規律與TORRENCE 等[28]采 用Nin?o3 海 表 面 溫 度 分 析 得 到的厄爾尼諾-南方濤動（El Ni?o-Southern Oscillation，ENSO）指數存在2～7 a 的周期波動較為接近。臺風風暴潮發生頻次與登陸我國沿海地區的熱帶氣旋密切相關[8，29]，我國受ENSO 影響的臺風在厄爾尼諾年頻數較少，在拉尼娜年偏多[30]，尤其是南海地區臺風活動頻數與ENSO周期變化具有較好的相關性[31]。臺風強度與ENSO 指數也存在周期性變化[32-33]。HSU 等[34]以臺風能量周期變化為研究對象，得出臺風能量與ENSO 的相關系數為0.79。劉穎婧等[35]采用氣旋能量（Accumulated Cyclone Energy，ACE）指數研究了臺風強度與Nin?o3.4 的相關性，結果表明厄爾尼諾年的ACE 值與Nin?o3.4 有較強的正相關，反之，拉尼娜年存在較強的負相關，其原因可能與ENSO事件年海氣要素的異常變化有關。目前，主要研究集中于ENSO 和熱帶氣旋頻次及強度的相關性，但對我國風暴潮與ENSO 相關性的研究較少[36-37]，且尚未得出明確結論。風暴潮過程除受臺風影響外，還耦合了更多的影響因素[13]，因此還需更加深入的探討。

2.1.2 死亡（含失蹤）人口

1989—2018 年間，我國風暴潮導致的死亡（含失蹤）人口數量有顯著下降趨勢（見表1、圖2a），30年間死亡（含失蹤）共計4 440 人，平均年死亡（含失蹤）133人。1994年死亡（含失蹤）人口數量最多，為1 240 人，占總死亡（含失蹤）人口的28%；1996 年和1990 年為次大值，分別為523 人和462 人。30 年間存在2 個突變點，分別為1999 年和2009 年（見圖2b），說明2000 年后風暴潮災害死亡（含失蹤）人口數量較1989—1999年下降速度增快，2010—2018年較2000—2009 年的下降速度進一步增快。1989—1999 年間死亡（含失蹤）共計3 681 人，約占總人口損失的83%；2000—2010 年間死亡（含失蹤）共計686 人，約占總人口損失的15%；2011—2018 年間死亡（含失蹤）共計33 人，占總人口損失不到1%。從周期波動看，主周期規律與頻次波動規律較為一致，但在95%置信區間內不存在顯著性（見圖2c）。

圖2 1989—2018年我國風暴潮導致的死亡（失蹤）人口時間序列變化特征Fig.2 Time series of fatalities caused by storm surge in China from 1989 to 2018

通過Mann-Kendall 趨勢分析法、Pettitt 突變檢驗法對我國風暴潮導致的人口損失進行統計檢驗，結果表明1989—2018 年間人口損失數量具有顯著的下降趨勢，在1999年和2009年存在突變點。2000—2009 年人口損失數量減緩較1989—1999 年更為明顯，推測與2000年后大力開展防潮固堤等基礎設施有關。在9417 號臺風“弗雷德”造成我國歷史上人員傷亡最大的風暴潮災害后，浙江省提出了“建千里海塘，保千萬生靈”的迫切需求，2000 年基本完成了標準海塘的建設工作[16]，有效降低了人員傷亡[16，18]。2009 年前后，經過持續不斷的海岸線工程防護建設，我國海塘長度與海岸線長度比達到60%以上[29]，廣東省甚至高達90%以上[38]，進一步鞏固了人民安全防線[16，18]。隨著基礎設施的不斷完善，我國還不斷推進了風暴潮預警報及基準潮位核定工作，2011 年發布的《警戒潮位核定方法技術規范（GB/T 17839—2011）》采用了4 色警戒潮位核定方法，更符合海洋預警報及應急需求，為進一步實施應急減災措施以降低風暴潮導致的人員損失提供了有效的決策輔助支撐[18]。

2.1.3 直接經濟損失

Mann-Kendall 趨勢分析法的結果表明，我國風暴潮導致的直接經濟損失在1989—2018 年間顯著下降（見圖3a、表1）。30 年間直接經濟損失共計5 083 億元，平均年損失為154 億元。1996 年、1997年和2005年受風暴潮導致的直接經濟損失最嚴重，依次為452 億元、466 億元和474 億元，合計占總經濟損失的27%。1996 年發生了兩次紅色警報級別的風暴潮災害，分別為9608 號臺風“賀伯”和9615號臺風“莎莉”引發的特大風暴潮災害，兩次臺風過程造成直接經濟損失452億元。9711號臺風“溫妮”單次過程造成直接經濟損失435億元，是1989—2018年間造成直接經濟損失最大的風暴潮過程。2005年共計發生9次風暴潮過程，包括1次紅色警報和6次橙色警報過程，其中0518 號臺風“達維”和0519 號臺風“龍王”造成的直接經濟損失均超過百億元。

圖3 1989—2018年我國風暴潮導致的直接經濟損失時間序列變化特征Fig.3 Time series of direct economic losses caused by storm surge in China from 1989 to 2018

Pettiett 突變檢驗法結果表明，2006 年具有顯著突變特征（見圖3b、表1），說明2006 年后由風暴潮造成的直接經濟損失的下降速度更為明顯。1989—2006 年間直接經濟損失為3 701 億元，占總損失的73%，年均損失為206 億元；2007—2018 年間直接經濟損失為1 373 億元，占總損失的27%，年均損失為124億元。從波動周期看，直接經濟損失存在2～8 a的顯著周期振蕩（見圖3c），較圖1c 和圖2c 的波動規律更為復雜，還嵌套了3～5 a的波動規律，說明風暴潮災害直接經濟損失較頻次波動和人口損失波動更具有不確定性[27]。

我國風暴潮災害直接經濟損失突變點為2006年，這與我國全面加強風暴潮預警報工作的時間一致[16，18]，說明預警報水平的提升對災害損失有緩解作用。2006 年我國發布了《海洋觀測預報工作方案》，是全面提升海洋觀測預報服務水平的開端。2009 年，國家海洋環境預報中心開發和改進了風暴潮災害數值預報系統，經過10 年的發展，預警的準確率穩步提升，預警時間從24 h 提高至72 h 以上，為防御風暴潮災害爭取了更加充足的時間；構建了較為完整的國家-海區-省-市四級海洋災害預警業務體系，各級海洋預報機構上下聯動，向社會公眾和防汛部門提供預警信息，有效降低了災害損失[18]；另外，全社會海洋災害風險防范意識的提高也對有效降低經濟損失有重要意義[39]。賈寧等[40]對比了臺風“天鴿”（1713）和臺風“山竹”（1822）兩次風暴潮災害對珠海造成的海水淹沒和承載體受損情況，在兩次臺風登陸點、強度、海岸工程設施、淹沒區域高度相似的情況下，由于群眾防災減災意識的進一步加強，使得因臺風“山竹”風暴潮造成的損失遠小于臺風“天鴿”。

2.2 我國風暴潮災害損失的空間變化特征

基于ArcGIS10.5 平臺的自然間斷點分級方法[41]，對1989—2018年間我國沿海11個省市的風暴潮災害的發生頻次、死亡人口、直接經濟損失進行了分級，進一步采用標準差橢圓空間分析法，以每10 a 為時間尺度，分析了我國30 年間風暴潮災害頻次及損失的重心移動軌跡，結合標準差橢圓空間分析法分析了風暴潮災害頻次及損失的空間分布特征。

2.2.1 頻次

采用自然間斷點將我國沿海11 個省市受風暴潮影響頻次分成3個等級（見圖4），從重心分布范圍來看，我國風暴潮災害高發期的重心分布較為集中，東南沿海地區為風暴潮高發地區[8-10]。浙江省、福建省和廣東省30 年間風暴潮的發生頻次占全國各省市合計頻次的一半以上，其中廣東省占沿海省市總頻次的21%[17]；廣西壯族自治區、海南省、江蘇省和上海市災害發生頻次處于第二等級，總計占比36%；北部沿海4 個省市風暴潮發生頻次共計占比10%。

圖4 1989—2018年我國臺風風暴潮災害發生頻次空間分布Fig.4 Spatial distribution of typhoon storm surge disaster frequency in China during 1989—2018

1989—1998 年、1999—2008 年、2009—2018 年3 個階段的風暴潮發生頻次的空間分布方向基本一致，均為東北—西南方向，1989—1998 年頻次分布較為分散，另外兩個階段的方向角較1989—1998年向東南方向偏移10°左右。1999—2008 年的橢圓中心點比1989—1998 年向西南移動約80 km，2009—2018 年的橢圓中心點比1999—2008 年向西北方向移動了約52 km。1999—2008 年和2009—2018 年風暴潮發生頻次總體呈現出空間分布更集中、發生地點向南方偏移的趨勢（見圖4）。

我國沿海各省市風暴潮的發生頻次與臺風登陸次數有直接關系，推測發生頻次更為集中表征了臺風登陸位置更加集中，該結論與TORRENCE等[28]采用1958—2017 年聯合臺風預警中心和日本氣象廳的臺風最佳路徑資料，分析得出的西北太平洋臺風生成和登陸頻次的變化規律的結論保持一致。陸曉婕等[29]對1951—2015 年間登陸我國的臺風的時空變化特征進行了分析，認為登陸位置具有周期性波動特征，1977—2000 年臺風登陸點有明顯北移的趨勢，2000—2010 年臺風登陸點開始向南偏移，也與本文研究結果較為一致。臺風登陸位置與氣候變化的關系是氣候學領域的研究熱點，臺風登陸位置的影響因素較多，目前尚未形成統一定論[26，42]。在氣候變化的影響下，如何對我國風暴潮災害及其造成的損失進行分析，有待于進一步探討。

2.2.2 死亡（失蹤）人口

采用自然間斷點將我國沿海11 個省市風暴潮災害的死亡（含失蹤）人口數量分成5個等級。1989—2018年間，浙江省人口損失最為嚴重（見圖5），總計為2 351 人，僅1994 年9417 號臺風“弗雷德”就造成了1 240 人死亡（含失蹤），占30 年間浙江省總人口損失的53%；浙江省、福建省和廣東省的人口損失分別占全國人口損失的53%、20%、11%，合計占全國總人口損失的84%。30 年間山東省風暴潮災害造成的人口死亡（含失蹤）共計318 人，占總人口損失的7%，主要由9216 號臺風“玻莉”和9711 號臺風“溫妮”造成，兩次臺風過程分別登陸福建長樂和浙江溫嶺，造成了全國范圍內“六省二市”的特大風暴潮災害[3]。山東省地處我國北部海域，受臺風影響頻次較低（見圖4），臺風強度也較弱，但由風暴潮災害造成的人口損失卻高于廣西壯族自治區和海南省，與廣東省持平。在以上兩次特大風暴潮災害過程中，臺風“玻莉”造成福建省人口損失13 人，臺風“溫妮”造成浙江省人口損失236 人，山東省的人口損失數值遠高于福建省，僅次于浙江省，推測這與山東省較東南沿海地區抗災能力弱有直接關系[14]。

圖5 1989—2018年我國臺風風暴潮災害死亡人口（含失蹤）數量空間分布Fig.5 Spatial distribution of typhoon storm surge disaster fatalities in China during 1989—2018

分 析1989—1998 年、1999—2008 年、2009—2018 年3 個階段臺風風暴潮災害造成的人口死亡（含失蹤）數量的空間分布規律。結果表明，3 個階段死亡（含失蹤）人口數量的空間分布方向基本一致，均為東北—西南方向。1989—1998 年和2009—2018 年橢圓中心點的變化不明顯，1999—2008 年的橢圓中心點較前兩個階段向南偏移75 km。在3 個階段中，1999—2008 年橢圓的短軸明顯縮短，說明死亡（含失蹤）人口數量出現了集聚現象。3 個階段的方向角變化不明顯，死亡（含失蹤）人口數量的空間分布方向沒有顯著偏移。1999—2008 年間，福建省遭遇的9914號臺風“丹恩”、0519號臺風“龍王”和0608號臺風“桑美”分別造成72人、67人和324人死亡（含失蹤），推測是造成這一時間段人口損失集聚的主要原因。人口損失除與臺風和風暴潮強度的自然屬性有關外，還主要受災前人口是否轉移和漁船是否及時回港等災前預警和應急管理等因素影響，隨著防災減災水平的提高，我國沿海省市呈現出人口損失顯著下降的特征（見圖2）。

2.2.3 直接經濟損失

采用自然間斷點將我國沿海11 個省市由風暴潮災害造成的直接經濟損失分成4 個等級。浙江省、福建省和廣東省的經濟損失合計占全國總損失的74%（見圖6），廣東省經濟損失占比最高，為30%，浙江省為24%，福建省為23%，海南省為9%。山東省較江蘇省的直接經濟損失略高，兩者分別占比5%和3%。直接經濟損失與風暴潮頻次和強度、沿海地區地形等自然屬性有關[4]，還與經濟發達水平和抗災能力有密切關系[16]。東南沿海三省風暴潮最為頻發（見圖4），也是我國人口數量和經濟水平最高的區域，風暴潮災害導致的直接經濟損失最為嚴重。隨著沿海地區對災害管理的高度重視，通過防潮設施、風暴潮預警報系統、應急管理水平等方面防災減災水平的不斷提升，基本形成了較為完善的應急管理機制，在一定程度上減少了災害造成的損失[2，14]。

圖6 1989—2018年我國臺風風暴潮災害直接經濟損失空間分布Fig.6 Spatial distribution of direct economic losses caused by typhoon storm surge disasters in China during 1989—2018

按 照1989—1998 年、1999—2008 年、2009—2018年3個階段分析風暴潮造成的直接經濟損失的空間轉移規律。結果表明，3 個階段直接經濟損失的空間分布方向基本一致，均為東北—西南方向（見圖6），中心點逐漸向西南方向移動，1999—2008年的中心點比1989—1998 年向西南方移動約150 km，2009—2018 年比1989—1998 年向西南方移動約130 km；風暴潮災害給福建省、廣東省和海南省造成的直接經濟損失與其他地區相比越來越明顯，轉移趨勢與圖4中風暴潮頻次的空間轉移趨勢具有一致性，表現為向西南方向轉移的特征。在3 個階段中，1999—2008 年間橢圓長軸和短軸明顯減小，說明此階段直接經濟損失向福建省、廣東省的南部城市集聚。在此期間，共發生了3 次直接經濟損失超百億元的特大風暴潮過程，分別為0519 號臺風“龍王”、0608號臺風“桑美”和0814號臺風“黑格比”，造成的直接經濟損失分別為199 億元、339 億元和117億元，推測這是災害損失集聚的主要原因。2009—2018 年間方向角較另外兩個階段向東北方向偏移約5°，推測與1409號臺風“威馬遜”造成海南省直接經濟損失占全國總損失的比例增大有關。

3 結論與展望

本文基于1989—2018 年《中國海洋災害公報》中風暴潮災害的統計數據，對我國風暴潮災害頻次、死亡（含失蹤）人口及直接經濟損失的時空分布及演變特征進行了研究。主要結論如下：

①從時間分布特征來看，我國風暴潮災害頻次具有顯著上升的趨勢，2005 年后上升趨勢尤為明顯，風暴潮災害導致的人口損失和直接經濟損失具有顯著下降趨勢，死亡（含失蹤）人口數量分別在1999年和2009年出現趨勢突變點，直接經濟損失突變點為2006年。從周期上來看，風暴潮災害頻次具有2 a 和8 a 的顯著主周期特征，風暴潮災害導致的死亡（含失蹤）人口數量不存在顯著的周期波動特征。直接經濟損失耦合了多重周期波動特征，具有2～8 a 的顯著周期振蕩和3～5 a 的波動規律，說明風暴潮災害直接經濟損失較頻次波動和人口損失波動更具有不確定性。

②從空間分布特征來看，我國風暴潮災害主要集中在浙江省、福建省和廣東省，這3個省的風暴潮災害頻次占30 年間全國總頻次的58%，死亡（含失蹤）人口占比為84%，直接經濟損失占比為74%。風暴潮災害損失除與臺風強度有關外，還與我國防災抗災能力有關。從空間演變趨勢上看，1989—1998年、1999—2008 年、2009—2018 年3 個階段的頻次分布格局整體上呈現出空間分布更集中、發生地點向西南方偏移的趨勢；由風暴潮災害造成死亡（含失蹤）人口數量在1999—2008 年出現了聚集現象，整體上沒有顯著的偏移趨勢；災害經濟損失也在1999—2008 年出現了聚集現象，整體上呈現出向西南逐漸轉移的趨勢。

本文采用統計分析方法對風暴潮災害損失的時空特征進行了系統的歸納分析，針對趨勢和突變點的變化特征定性地與防災減災措施進行了關聯性分析。在下一步工作中，亟需解決的首要問題是基于統計分析或復雜系統等方法深入分析風暴潮災害損失的暴露性、脆弱性和抗災能力等指標的適應性和敏感性，深入研究風暴潮災害影響要素的響應機制，以便更全面準確地闡釋風暴潮災害損失的演變規律，進而在防災減災政策中補齊短板，為提升政府防災減災管理效能提供技術支撐。另外，臺風活動頻次、登陸位置、登陸強度的年際變化是國際臺風氣候學領域的重要科學問題之一，如何對風暴潮發生頻次和致災強度與氣候變化進行定量化的關聯性分析，也將是后續工作研究重點。