一種針對城市極端強降雨風險早期識別的方法

鄭 睿 李 成 陳燦偉 楊 棚

（廣東省電信規劃設計院有限公司，廣東 廣州 510660）

1 引言

2021年7月10 日晚至12日凌晨，豫西、豫北地區迎來最強一輪降雨天氣，濟源、鶴壁局部地區出現特大暴雨，鶴壁、濟源、安陽等市平均降雨量分別達151.2毫米、118.8毫米和97.4毫米。2021年7月18日至21日，河南多地出現了持續強降水天氣過程，尤其在省會鄭州普降特大暴雨，累積平均降水量449毫米。最大的降雨在20日下午4點到5點間，鄭州全市降雨量達201.9毫米，超過我國陸地小時降雨量極值。降雨引發的洪水令市民措手不及，造成京廣隧道倒灌、地鐵5號線倒灌、鄭州茜城花園15號及22號樓傾斜、小區及商場地庫倒灌、道路塌陷等次生災害問題。

此次極端強降雨造成了重大的人員和經濟損失，截至8月2日12時，河南省共有150個縣（市、區）、1663個鄉鎮、1453.16萬人受災。組織緊急避險93.38萬人，轉移安置最高峰值147.08萬人；倒塌房屋30106戶、89001間；農作物成災面積872萬畝，絕收面積380萬畝，直接經濟損失1142.69億元。截至2021年8月2日12時，僅鄭州市就有遇難292人，失蹤47人，此次特大洪澇災害共造成302人死亡，50人失蹤。

基于此次事件的基本情況和重大影響，結合數學分析模型，開展對特定區域、特定時間范圍內發生短時極端強降雨的風險進行早期識別的初步研究和討論。

2 解決思路

2.1 數據收集整理

2.1.1 數據收集

通過對接匯聚氣象和水文部門歷史降雨數據，完成區域內降水相關的歷史數據的收集，匯聚整理海拔高度、經緯度、地形（平地、丘陵、山區、沿海、海島等）、坡向（南坡、北坡等）等公開的地理信息以及水文和氣象基本雨量站的經緯度、海拔高度等公開的地理信息，為數據分析和風險識別提供基礎數據支撐能力。

2.1.2 數據整理

將水文、氣象基本雨量站歷史降雨數據按照年-月-日-時-小時雨量的統一格式整理成逐時降雨數據文件，采用合理范圍、相關性、連續性、變化趨勢檢驗等手段，實現對觀測數據代表性、一致性、可靠性的質量控制，以支撐準確可靠、完整高效的降雨數據質量分析。

2.1.3 建立原始數據集

根據質量控制后的各個站點歷史雨量數據，采用滑動分析方法，每年挑選1小時、3小時、6小時、24小時等降雨歷時的逐年歷史最大值，建立統一的各站點各歷時的極值雨量原始數據集，對應急、氣象、水文等部門的實時人口熱力圖、經濟、工地、化工廠等各類承災體數據進行歸類整理，建立區域內極端強降雨災害承災體數據庫，為上層業務應用系統提供數據支撐，支撐實現數據匯聚、存儲、融合、智能分析和可視化展示。

2.2 數據耦合分析

2.2.1 雨量站極值雨量序列延長訂正

根據地理信息資料對有代表性的水文和氣象基本雨量站的高程進行相似性分析，根據氣象水文站經緯度資料對有代表性的水文和氣象基本雨量站的位置及距離進行分析，根據地理信息資料對有代表性的水文和氣象基本雨量站的坡度、坡向進行相似性分析，綜合高程、經度、緯度、坡度、坡向等相似性分析，實現對水文和氣象基本雨量站的鄰近相似雨量參證站的選取，完成對水文氣象基本雨量站降雨數據的極值序列數據延長訂正，補充缺失數據，提高歷史雨量極值數據的可靠性。

2.2.2 延長訂正模型構建

降雨數據分析需同時考慮地理信息數據（經度、緯度、高程、坡度、坡向等），通過多元逐步回歸分析、交叉驗證等手段建立水文氣象基本雨量站和參證站之間的極值雨量推算的合理可靠的數學模型，提升降雨數據分析的精準度和科學合理性。

2.2.3 極端強降雨頻率計算分析

通過對各站點不同歷時歷史強降雨的頻率分析，計算得出有代表性的水文氣象基本雨量站1小時、3小時、6小時、24小時等降雨歷時的重現期間隔為5年、最大重現期為100年的降雨量數據，對各站點不同降雨歷時的年最大降雨量極值序列進行各種概率分布曲線擬合分析，確定最優的概率分布模型，幫助提升極端強降雨風險識別與預測能力。

2.2.4 擬合判別

根據擬合均方差、擬合相對偏差、柯爾莫哥洛夫檢驗指標等多種概率分布的擬合優度指標，確定各站點歷史極值雨量頻率分析的最優的概率分布模型：

（1）擬合相對偏差判別：根據擬合均方差計算擬合優度指標。

（2）擬合均方差判別：根據擬合相對偏差計算擬合優度指標。

（3）柯爾莫哥洛夫檢驗指標判別：根據柯爾莫哥洛夫檢驗指標計算擬合優度指標。

Sf=其中n為樣本容量，Dn如下式所示：

Dn=

其中，xi為有序樣本，Dn表示在所有各點上，經驗分布與假設的理論分布之差的最大值。

以上三種指標均是值越小表示概率分布模型擬合效果越好，根據擬合結果，結合當地降雨特點，可確定各站點歷史極值雨量頻率分析的最優概率分布模型，幫助提前預測短時極端強降雨發生概率。

2.2.5 極端強降雨頻率計算分析

基于最優概率分布模型，對各站點不同歷時歷史強降雨的頻率進行分析，計算出區域內代表性水文氣象站1小時、3小時、6小時、24小時等降雨歷時的重現期5年、10年、20年、50年、100年一遇的短時極端強降雨的發生頻率，為及時有效防范化解災害事故風險提供有力支撐。

2.3 極端強降雨大數據智能分析

依據區域內基礎數據庫，實現對市區、城鎮、鄉村、山區、沿海地區等不同類型地區的極端強降雨進行智能頻率風險分析和風險預警分級，實現事前預判、臨災預告、短臨預警的全過程感知，提升風險發現能力、隱患排查能力和應急處置支撐能力。

2.3.1 極端強降雨智能風險分級體系確定

根據風險的高低、色彩的辨識度，確定極端強降雨風險分級體系、文字表述和色標體系。

2.3.2 極端強降雨智能風險等級閾值確定

依據敏感性、危險性、脆弱性、防災減災能力等，確定各鎮街各歷時的極端強降雨風險等級閾值，建立區域內鎮街級精細度的各歷時降雨頻率風險預警等級閾值庫。

2.3.3 極端強降雨智能風險分級

基于各歷時極端強降雨數據庫、風險等級閾值，按無風險、有一定風險（4級）、風險較高（3級）、風險高（2級）、風險很高（1級）5個級別對區域內各市、縣及鎮街發生短時極端強降雨的風險進行分級，預測風險隱患，提前分級別開展防御和告警轉移等工作，減少人員傷亡和財產損失。

3 結語

通過探討實現對極端強降雨發生風險的早期識別，提前預測災害風險，進行風險防范和人員轉移，可幫助減少人員傷亡和經濟損失，進一步提升應急管理部門智慧監測預警和智慧輔助決策能力。下一步，需研究推進結合應急管理救援實戰運用，不斷核實完善應用體系，著實提升實戰能力。