極端暴雨威脅下的城市內澇風險預警系統研究

曹雪健 戚友存 李夢迪 楊志達 倪廣恒

1 水利部水利水電規劃設計總院，北京 100120

2 清華大學水沙科學與水利水電工程國家重點實驗室, 北京 100084

3 中國科學院地理科學與資源研究所陸地水循環及地表過程重點實驗室, 北京 100101

1 引言

受氣候變化和人類活動影響（Miller and Hutchins, 2017; Pumo et al., 2017; Sofia et al., 2017），全球水循環過程發生了顯著變化（宋曉猛等, 2013;張建云等, 2016），極端暴雨事件明顯增加，洪水內澇災害肆意蔓延（Smith et al., 2019），造成了巨大 的 經 濟 損 失 和 人 員 傷 亡（Ashley and Ashley,2008; Paprotny et al., 2018）。從 全 球 來 看，1970至2009年間，共發生洪水及風暴災害事件約6200 起，造成近百萬人死亡和超過1.6 萬億美元的經濟損失（WMO, 2013）。就我國而言，許多城市同樣處于洪水內澇的威脅之下，甚至深受其害（姜靈峰, 2018; Du et al., 2019）。據2018年《中國水旱災害公報》統計，21 世紀以來我國因洪致死人數已經超過2 萬人，直接經濟損失超過3 萬億元。可以說，極端暴雨引發的洪水內澇災害儼然已成為我國城市發展的一大痼疾，且有可能進一步加劇（Hallegatte et al., 2013; Chen et al., 2021）。

面向政府及公眾，開展城市洪澇預報預警研究，構建可靠的城市內澇災害預報預警系統，提前預判風險，防范于未然，有利于減少人員傷亡，遏制經濟損失，更好應對極端暴雨威脅，為真正實現“預字當先，關口前移”做好保障（Acosta-Coll et al.,2018）。侯天宇等（2021）基于智能物聯網技術對天津市積水實況信息進行監測，而后采用機器學習的方法嘗試對未來1 小時最大積水深度進行預報。結果表明，該系統可較好預測未來一小時積水深度變化，但有限的基礎數據會極大限制機器學習模型的表現（Duncan et al., 2013），導致預測精度不足。隨著城市水文水動力模型及其耦合技術的不斷發展，基于物理模型的洪澇預報技術日趨成熟（宋曉猛等, 2014）。魏軍等（2019）以氣象站降雨數據驅動城市內澇水動力模型建立了石家莊城市內澇風險預警系統。郝瑩等（2019）以空間分辨為1 km，時間分辨率為1 h 的降雨預報產品驅動城市暴雨內澇模型構建了合肥城市內澇風險預警系統。可以發現，當前主流的城市內澇風險預報系統依然局限于采用單一降雨產品驅動城市水文水動力模型的模式，難以同時兼顧降雨估計精度和空間變異性描述兩個方面，從而導致風險預報結果具有較大的不確定性。例如，雨滴譜儀和雨量計降雨觀測產品可以提供準確的點降雨數據（Wang et al., 2013），但無法考慮降雨的空間變異性；天氣雷達可以精細化描述降雨空間分布（Van de Beek et al., 2010），但受地形遮擋及信號衰減等因素影響，在降雨定量估計的準確性方面仍然存在不足。此外，城市水文水動力模型結構及參數的不確定性，同樣會對預報結果帶來影響。導致即使在擁有良好降雨驅動數據的條件下，洪澇風險預警仍然可能失效。

因此，本研究提出了基于綜合觀測的城市內澇風險預警系統，旨在通過充分利用城市多源降雨、積水觀測信息，以有效限制模擬不確定性，強化城市水災害預測能力，為應對極端暴雨威脅提供有力的保障，為城市內澇風險管理提供更好的服務。與此同時，本文闡述了該系統框架所涉及的現場實況觀測方法和預報預警技術手段，展示了核心部分在北京市清河流域的構建方法，及其預報效果。

2 城市水文氣象綜合觀測方法

2.1 降雨綜合觀測

迄今為止，城市降水觀測已發展形成了眾多方法。考慮到精確的城市水文模擬很大程度上依賴于較高的降雨時空分辨率（Lyu et al., 2018），常用的降雨觀測設備主要包括：雨量計、雨滴譜儀和天氣雷達（如圖1 所示）。

圖1 城市降雨綜合觀測設備：（a）雨量計；（b）雨滴譜儀；（c）天氣雷達Fig. 1 Urban rainfall observation equipment: (a) Rain gauge; (b) disdrometer; (c) weather radar

2.1.1 雨量計

雨量計安裝方便、操作簡單、結果可靠、應用廣泛，是最基本的測雨設備。根據其測量原理，主要可分為翻斗式雨量計、稱重式雨量計、虹吸式雨量計等多種類型。雨量計對地表降雨量進行直接測量，故被認為具有較高的可靠性而成為其他降雨產品的評價基準。但雨量計只能提供特定點位的降雨信息，無法解決降雨空間描述的問題，不能充分反映降雨復雜的空間變異性。

2.1.2 雨滴譜儀

根據雨滴譜儀的觀測原理，可分為沖擊型雨滴譜儀、光學雨滴譜儀和聲學雨滴譜儀等多種類型。與雨量計相似，雨滴譜儀同樣只能提供地面點降雨信息，無法準確刻畫降雨空間變異。但雨滴譜儀可實現對雨滴大小、下落速度、雨滴個數等微觀特性的定量描述，繼而計算得到雷達反射率因子、降雨強度及降雨總量等重要變量。綜合使用多部雨滴譜儀的觀測數據，可為雷達降水反演提供適用于當地的關鍵參數。

2.1.3 X 波段雙偏振天氣雷達

天氣雷達通過對目標物體主動發射電磁波，并重新接收其后向散射的部分，對降雨進行觀測（楊揚等, 2000）。回波強度與雨滴大小及密度緊密相關，故可在一定程度上反應降雨的強度。回波所經歷的時間則反映了降雨粒子與雷達的距離。兩者相結合，可獲得每個時刻降雨的空間分布信息。天氣雷達波長范圍很大，具體可分為K 波段、X 波段、C 波段、S 波段和L 波段。不同波段適用范圍不同，X、C 及S 波段雷達通常被應用于降雨探測，其中又以X 波段雷達所提供的降雨產品空間分辨率最高。

不同于普通的多普勒雷達，雙偏振雷達可以同時或交替發射并接收水平方向和垂直方向的偏振波，即雙發雙收。因此可提供更多的觀測參量，繼而實現水粒子相態識別、形狀判斷及衰減訂正等多種功能，更好地刻畫強對流降水結構。

2.2 地表積水綜合觀測

隨著機器學習、圖像識別、語義分析等新興技術的快速發展，在基于水位傳感器的積水監測方法外，基于交通監控影像和社交網絡服務的積水反演方法日益成熟（周天穎等, 2016; Jiang et al., 2018）。

2.2.1 水位傳感器

基于水位傳感器的積水監測方法一直以來在城市地區被廣泛采用。目前已發展出多類傳感器，主要包括雷達水位傳感器、地埋式積水監測儀和電子水尺。雷達水位傳感器通過發射雷達波以非接觸的方式對地表積水深度進行主動測量,相比于激光水位傳感器，該方法可避免因穿透水面而導致的觀測誤差，可對較淺積水進行更好的監測。電子水尺利用水的微導電特性，對積水深度進行估計。雖為接觸式測量，但可通過配備特殊材料外殼的方式以有效應對凍、腐、熱等特殊工況。地埋式積水監測儀同為接觸式測量，但其優勢在于安裝簡單、結構小巧且功耗較低，可部署在前兩者無法安裝的特殊位置。

2.2.2 道路監控攝像

高清的監控攝像機可提供較大范圍內詳細的地物信息，且廣泛分布在城市內部，是掌握大尺度積水實況的有效途徑。一方面，通過監控視頻可以直接定性的掌握現場內澇積水情況；另一方面，可利用機器學習、深度學習等技術對監控圖像進行積水深度信息提取，實現對洪水風險的定量評估。

2.2.3 社交網絡服務

社交網絡服務會產生海量的數據，其中不乏有許多信息與積水相關。例如，每當暴雨洪澇發生，推特、微信、微博等社交平臺便會涌現出大量與之相關的文字和圖片。綜合采用語義分析，圖像處理，本體推理和模糊評估等技術手段，對其中的有效信息進行提取，可以對積水位置進行捕捉，并評估其嚴重程度。

3 城市內澇風險預警系統框架

城市聚集著大量的人口和財產，對洪澇災害呈現出較大的脆弱性，但通常也配備著相對完善的水文氣象觀測網絡，擁有較為全面的觀測數據。充分利用水文氣象綜合觀測技術，有利于構建一個更加魯棒的城市內澇風險預警系統。如圖2 所示，本系統包括六個功能模塊，集成了多項觀測、預測技術，通過融合積水綜合觀測和洪澇模擬結果，實時呈現全流域、各街區積水狀況；通過耦合雷達降雨臨近預報技術和城市雨洪模型，對未來內澇積水情勢進行預測；最后，面向社會公眾發布周邊實況積水信息服務于交通出行，面向政府管理部門提供未來內澇風險分布致力于風險應對，所有信息均集成于GIS 平臺，支持基于時間和空間的自定義查詢。

圖2 城市內澇災害風險預警系統技術框架Fig. 2 Technical framework of the urban waterlogging warning system

3.1 積水監測模塊

對歷史內澇風險點或人群聚集地的積水狀況進行監測，可避免物理模型中因認知不確定性、結構不確定性、參數不確定性以及驅動數據不確定性所帶來的誤差，有利于獲得更加準確的積水實況。當代積水監測手段眾多，這里重點考慮三類監測方法：基于水位傳感器的監測方法、基于道路監控圖像的監測方法和基于社交網絡服務的監測方法。以上三者，特點不一，優勢各異，可互為補充。其中，前兩者由于監測位置固定，且可將數據實時傳回數據庫，故這里將其稱之為固定式在線監測模式；基于社交網絡服務的監測方法數據來源眾多（如推特、微博、微信、QQ 等），且監測位置的不確定性大，故將其稱之為移動式眾源監測。數據分析子模塊負責對文字圖像資料進行積水信息提取，同時對監測數據進行清洗和質量控制。

3.2 降雨監測及臨近預報模塊

X 波段雙偏振天氣雷達具有時空分辨率高，覆蓋范圍廣的特點，且可獲得反射率因子（ZH）、差分反射率因子（ZDR）、差傳播相移率（Kdp）、和相關關系（CC）等多個觀測參量，得到相對于單偏振雷達更好的降雨雨量估計輸出。本系統降雨定量估計子模塊以X 波段雙偏振天氣雷達降水反演技術為核心，融合雨量計觀測和雨滴譜信息，對研究區降雨時空分布進行反演。首先，需要對雷達基數據進行質量控制，包括非氣象回波去除（馬建立等, 2019），差分傳播相位質量控制（Giangrande et al., 2013），以及衰減訂正（張培昌等, 2018）。正如我們知道的，探測信息離目標物越接近，探測準確性越高。考慮到城市洪澇模擬主要關注地表降雨，所以雷達最低仰角獲得的降雨信息最為準確。但城市中，雷達降雨觀測通常會受到建筑物或地形的遮擋而導致部分信號缺失，需要產生復合平面掃描仰角，即識別出各個方位角上的最低仰角，最終生成復合平面掃描觀測場，具體技術細節詳見張哲等（2021）。

雙偏振雷達可獲取包括反射率因子在內的多個觀測參量，這也為雷達降雨定量估計提供了不同方法：

其中，R為降水率（單位：mm h?1），a、b、c為參數，在不同地區和不同降雨條件下，由于降雨粒子雨滴譜特性特征不同，參數值存在明顯差異。本系統基于經過質量控制的當地雨滴譜數據，計算了雨滴譜觀測的1 min 等效雷達觀測參量（即ZH、ZDR、Kdp），隨后使用非線性最小二乘法擬合得到了適用于研究區X 波段雙偏振天氣雷達的定量降雨估計參數。需要注意的是，這里ZH和ZDR分別是Zh和Zdr的指數形式：

式中，Zh為雷達反射率（單位：dBZ），Zdr為雷達差分反射率（單位：dB）。為了在不同的降雨條件下均取得良好的降雨定量估計結果，本系統采用了混合使用不同降雨反演方法的策略（Thompson et al., 2018），即通過判斷在雷達觀測的每一個庫上雙偏振信號的強弱，以確定使用哪一套降雨反演關系，具體規則見圖3。

圖3 基于X 波段雙偏振雷達的混合降雨定量估計流程Fig. 3 Flowchart of the mixed quantitative rainfall estimation, based on X-band dual-polarization radar

考慮到雷達定量降雨估計依然可能存在殘余偏差，融合局地雨量計觀測數據對雷達定量降雨估計產品做進一步訂正：

其中，ei為第i個雨量計對應格點處雷達降雨定量估計與雨量計觀測的差值（單位：mm），ri為第i個雨量計對應格點處雷達降雨定量估計值（單位：mm），gi為第i個雨量計降雨觀測值（單位：mm），Rex為x格點處雷達降雨定量估計的偏差值（單位：mm），wix為針對x格點第i個雨量計的權重，n為參與該雷達格點偏差計算的雨量計個數。首先根據公式（7）計算每個雨量計對應位置雷達降雨定量估計與雨量計觀測的差值，再通過公式（8）計算得到的偏差場對所有格點雷達降雨定量估計結果進行系統性修正。這里針對特定雷達格點，采用反距離權重法對每個雨量計的權重進行計算：

當 α大于1時，認為有足夠的雨量計用于雷達降雨定量估計訂正，采用如下公式計算雨量計權重：

反之，雨量計權重計算方法如下：

這里，b為di的指數參數，范圍為0.5～3.0；D為最大可接受距離（單位：km），即若某一雨量計與該格點距離大于D，則其權重為0，D的范圍為10～500 km。在b、D各自的定義域內，可得到不同的參數組合，通過依次去除單個雨量計信息，并定量評估該參數組合下在去除雨量計格點位置處的雷達降雨定量估計訂正效果，從而挑選出最優的參數組合。

降雨臨近預報子模塊采用集合COTREC 外推方法，通過估算風暴移動速度和移動方向，對未來降雨進行預測。該方法可以過濾異常的速度矢量，使得移動速度場更加平滑，此外引入變分法修正初始運動場，使其滿足連續性方程。此外，集合COTREC 方法通過多次改變外推單元位置并對其外推結果進行集合平均，同時適當考慮歷史時刻信息，以得到更加連續的外推速度場，可以更好地考慮不同尺度的風暴情況，使預報更加準確。

3.3 洪澇模擬模塊

洪澇模擬模塊旨在通過降雨產品驅動，以數值模擬的方式提供現狀及未來研究區內洪澇時空分布信息。該模塊基于分布式城市水文水動力耦合模型，包含地表產匯流模擬、管網排水及河道行洪模擬、和地表淹沒過程模擬三個部分，兼顧城市地表和地下要素信息，以實現對城市暴雨徑流產生和運動的科學描述，做到對城市內澇風險區的準確定位。

式中，d為蓄水深（單位：m），t為時間（單位：s），p為降雨率（單位：m s?1），e為蒸發率（單位：m s?1），f為入滲率（單位：m s?1），q為單位面積徑流流量（單位：m s?1），KS為飽和水力傳導度（單位：m s?1），LS為飽和層厚度（單位：m）， ψS為濕潤峰面的毛細吸力水頭（單位：m），n為匯水區曼寧系數，W為匯水區寬度（單位：m），dS為最大洼地蓄水深度（單位：m），S為匯水區坡度，Ac為匯水區面積（單位：m2）。

洪澇模擬模塊采用基于規則網格的離散方式，精細化描述下墊面信息。根據水量平衡原理公式（12），網格單元內水深變化受降雨、蒸發、下滲、及徑流流量（出流）控制。降雨時空信息由上述降雨監測及臨近預報模塊提供；蒸發量在暴雨事件中通常極其有限，故針對城市場次雨洪模擬，可以忽略；下滲過程使用格林—安普特模型進行模擬（公式13）；坡面匯流過程（即網格單元出流流量）采用非線性水庫法計算，如公式（14）所示。

式中，x為沿水流方向的距離（單位：m），A為過水斷面面積（單位：m2），Q為出流量（單位：m3s?1），H為管內水深（單位：m），Sf為阻力坡度（單位長度上的水頭損失），g為重力加速度（單位：m3s?1）。對于管道或河道經過的網格單元，網格單元內產流經過坡面匯流將直接匯入相應管道或河道節點，繼而利用一維圣維南方程組公式（15～16）計算管網及河道內的水流演進過程；相反，若該網格單元無管道或河道經過，網格單元出流則將根據地表高程信息流入相鄰網格單元，繼續參與坡面產匯流計算，直至匯入管道或河網。在上述一維模型之上，用正方形網格離散選定的二維模擬區域，構成地表、地下（管道）雙排水系統，用以考慮管網溢流或河道漫堤后的地表淹沒過程和排水系統能力恢復后的澇水消退過程。這里，將地表概化為由節點和矩形開放通道構成的循環網絡，其中節點為二維模擬區域內的正方形網格的中心點，矩形開放通道負責連接相鄰節點。沿著計算網格的每個組分（即垂直于正方形網格邊的方向）分別建立基于均勻流體的一維平均深度動量方程和連續性方程，使用有限差分法進行求解，從而實現從全動態一維方法到二維自由表面流計算的拓展。

3.4 內澇風險評估模塊

根據現場觀測或數值模擬結果，內澇風險評估模塊負責給出定量的風險評估結果和相應的風險等級分區。考慮到側重目標和服務對象的差異，內澇評估模塊內設實況積水評估和未來情景評估兩個子模塊，分別采用不同的評估體系。實況積水評估模塊側重為車輛行人提供周邊積水信息，以便及時調整路線，提高出行效率。因此，該模塊采用了僅考慮積水深度信息的單因子風險評估方法（王成坤等, 2019），具體評價標準如表1 所示。未來情景評估模塊雖然同樣可以為行人車輛提供積水信息，但該模塊更加關注政府機構、職能部門等管理單位的現實需求。通過綜合評估流域內各區域未來可能的積水深度和積水時間（徐宗學等, 2020），為相關部門制定決策和采取行動提供參考，采用表2 所示內澇災害等級劃分標準。

表1 基于積水深度的內澇災害等級劃分標準Table 1 Classification standard of risk based on waterlogging depth

表2 基于積水深度和積水時間的內澇災害等級劃分標準Table 2 Classification standard of risk based on waterlogging depth and duration

3.5 可視化仿真模塊

可視化仿真模塊旨在對致災因子和內澇風險等級進行基于圖像的直觀呈現，包括降雨總量空間分布、地表洪水動態演進、最大積水深度空間分布和內澇災害風險分區4 項內容。從邏輯上看，以上4項內容從降雨驅動，到洪水演進，再到最大積水深度，最后到內澇風險等級評估，依次遞進，為內澇災害應急管理和風險應對提供更加直接的信息。

3.6 災害風險發布模塊

災害風險發布模塊負責向用戶發布洪澇積水可視化結果，并支持基于時間和位置的自定義風險信息查詢。該模塊設置主面板用于展示基于GIS 系統的實時內澇災害風險和未來內澇風險推演，降雨及最大積水深度等致災因子的具體信息可通過切換至相應面板進行查看。

4 案例研究（以北京市清河流域為例）

4.1 流域概況、模型構建及驗證

綜合地理條件、氣候條件、社會經濟條件和氣象監測條件等多個方面，本文選擇清河流域作為首個示范區。清河流域位于北京市中心城區北部，源起西山碧云寺，橫跨海淀、朝陽、昌平三區，包含山區、平原、和平原低洼區三種地形，總面積達到200 km2。近年來在快速城市化背景下，流域內不透水面積占比已超過50%，且管網密集、高樓林立、道路縱橫，具備典型的城市化流域特征。從氣候條件來看，清河流域屬于溫帶半干旱半濕潤大陸性季風氣候，春秋短促而冬夏漫長，多年平均降雨量660 mm，但年內分配不均，主要集中在6、7、8 三個月份（盧麗, 2017）。縱觀清河歷史，大洪水事件多發生在7月下旬和8月上旬。例如，1963年8月8日，清河流域遭遇24 h 最大降雨量超400 mm 的特大暴雨，清河全線漫溢，淹沒農田3.4 萬畝，周邊17 個村莊受到不同程度的影響；2012年7月21日，清河流域再次遭遇特大暴雨，流域內低洼區域均出現嚴重積水現象，給道路交通帶來巨大影響。從社會經濟條件來看，清河流域內聚集了包含清華大學、北京大學在內的眾多國內名校，聚集了包含中關村科技園、天通苑在內的許多高科技園區，涉及人口超過三百萬。流域內人口和社會資產的廣泛聚集使得清河流域面對洪澇災害表現出很高的易損性，需要高度重視。最后，從現有氣象監測條件來看，清河流域內部署了多臺雨滴譜儀和微型氣象站，且可以被位于順義和昌平的兩臺X 波段雙偏振天氣雷達很好的覆蓋。這極大地滿足了上述城市內澇預警系統對精細化降雨數據驅動的需求。

基于高精度地表高程數據、土壤類型數據、地表覆蓋數據和管網分布數據，對清河流域下墊面條件進行詳細刻畫，為精準的內澇風險預報提供基礎保障。采用北京順義X 波段雙偏振雷達對全流域開展定量降雨觀測，降雨數據時空分辨率分別可達3 min 和75 m。基于北京地區11 部雨滴譜儀的觀測數據，統計得到適用的定量降水估計關系參數，繼而實現雷達降水反演。

清河流域洪水模型采用立體分層結構，納入地表、管道、河道等多項要素，考慮地面降雨產流、地表坡面匯流、地下管網排水、河道洪水演進和地表積水擴散等多個過程，對城市洪水響應的全過程進行模擬（Cao et al., 2020a）；采用與雷達降雨產品空間分辨率相適應的結構化網格對流域進行離散，一方面實現對地表匯流路徑的精細刻畫（Cao et al.,2020b, 2021），另一方面避免精細化降雨空間分布信息丟失。這里，基于實況積水照片和積水區情況調研，特別對2018年“7·15”暴雨個例下的內澇積水模擬結果進行了評估，如圖4 所示。結果表明，在西二旗公交站和回龍觀地鐵站所在區域，模型均識別出較高的洪澇災害風險，且模擬所得最大積水深度與圖中參照物最大淹沒深度基本吻合，相對誤差不超過20%，具有較高的可靠性；在清河流域的東南區域，模型同樣報出較高的洪澇風險。進一步分析發現，該區域為北京市溫榆河公園，地勢較低，且具有蓄滯洪功能，故可以認為存在較大的淹沒水深；在流域的中南部，模擬得到部分高風險區域，但由于缺乏實際觀測目前尚未得到驗證。總體來看，該模型可以比較準確地定位內澇高風險區，具有較高的可靠性。

4.2 多降雨個例觀測、積水模擬及風險評估

圖5 展示了2017～2018年間清河流域雷達觀測得到的7 個典型對流性降雨過程。可以看到，這7 個降雨過程降雨量級不同、空間分布各異，且降雨歷時、暴雨云團移動方向均有不同（表3），具有較好的代表性。本研究首先利用雨量計監測數據對雷達降雨反演結果進行了定量評估。結果表明，雷達定量降雨估計結果和雨量計觀測結果相關系數高達0.85，呈現出良好的一致性，如圖6 所示。然后，針對以上7 個降雨事件使用該系統框架核心部分在北京市清河流域進行了積水模擬和內澇風險評估。圖7 展示了不同降雨條件下流域最大積水深度的空間分布，可以發現積水主要分布在道路及洼地，且與降雨條件密切相關。例如，E3 降雨主要集中在流域東南部（圖5），則相應區域積水狀況更加嚴重（圖7）；作為對照，E5 降雨主要集中在流域西北部，則流域西北部積水現象則明顯加重（圖7）。這一結果也從一定程度上表明了降雨落區的準確估計對于積水模擬的重要性。綜合考慮積水深度和積水時間，對內澇災害風險進行分級，結果如圖8 所示。對照圖7 可發現，洪澇災害分級結果與最大積水深度空間分布存在很高的一致性。其主要原因在于，積水深度越大往往意味著更長的積水時間，因而造成更高的風險。

圖5 X 波段雙偏振天氣雷達降水反演的7 個典型對流性降雨過程的降雨總量（彩色陰影，單位：mm）空間分布Fig. 5 Spatial distribution of total rainfall retrieved from the X-band dual-polarization weather radar in seven typical convective rainfall processes

圖6 X 波段雙偏振雷達降雨反演產品評估Fig. 6 Evaluation of the X-band dual-polarization radar rainfall retrieval products

圖7 7 個典型對流性降雨過程的最大積水深度空間分布Fig. 7 Spatial distribution of the maximum ponding depth for seven convective rainfall processes

圖8 7 個典型對流性降雨過程的內澇災害風險分級Fig. 8 Waterlogging risk distribution for seven convective rainfall processes

表3 2017～2018年北京清河流域典型降雨個例特性匯總Table 3 Characteristic summary of typical rainfall cases in the Qing River basin in Beijing during 2017–2018

5 結論

受全球氣候變化和城市化影響，極端暴雨所引發的洪澇災害事件日益增多，儼然已成為城市可持續發展必須要面對的挑戰。因此，構建一套可靠的內澇災害預警系統以科學應對風險則具備了更加重要的意義。

區別于僅采用單一降雨產品驅動水文水動力耦合模型的傳統城市洪澇預警模式，本文提出了一套基于綜合觀測的城市內澇災害風險預警系統，以進一步提高預報結果的可靠性。該系統融合了新興的降雨、積水觀測技術，引入了主流的降雨臨近預報方法，集成了成熟的城市雨洪模擬手段，可為交通出行提供實時的周邊積水信息，亦可為應急管理提供未來的內澇風險推演。將該系統框架主體部分在北京市清河流域進行了初步實踐和評估分析。結果表明，該系統可以較好地模擬預測積水分布并定位內澇高風險區域。可以發現，雖然地形地勢是決定積水內澇狀況的關鍵因素，但降雨空間分布條件變化同樣發揮著重要的作用，因此有必要進一步加強高時空分辨率降雨產品在城市雨洪管理中的應用。該系統尚未考慮河湖閘壩調度、及泵站抽排等措施的影響。這需要在未來的工作中逐步納入，以進一步提高洪澇預報精度，推動精細化數字孿生實踐，為城市洪澇應急管理和智慧水務建設提供更好服務。該研究對于城市洪澇災害管理及相關研究具有一定的借鑒意義和參考價值。