大數據驅動的城市洪澇災害風險感知與預警決策研究范式

王慧敏 黃晶 劉高峰 佟金萍 曾慶彬

摘 要：城市洪澇災害防控是國家防洪安全的重大需求，更是城市公共安全管理的重要內容。如何利用大數據實現全信息融合、全過程管控、全社會參與的城市洪澇災害預警與全景式決策是國內外關注的前沿熱點和重點領域。本文從“跨界關聯、粒度縮放、全局視圖”視角出發，提出了大數據驅動的城市洪澇災害風險感知與預警決策研究范式，包括：利用天空地網多源異構數據信息，基于“數據驅動”的關聯關系挖掘與“模型驅動”的因果解析方法，感知暴雨洪澇情景態勢;建立基于暴雨洪澇情景的空間動態網絡風險研判模型，構建“觀測-感知-辨析”的城市洪澇災害動態預警模式;創建以數據為中心的扁平化城市洪澇災害管理框架，提出全景式災害應急合作響應與風險控制策略。

關鍵詞：大數據;城市洪澇;風險感知;預警;決策

中圖分類號：C93 文獻標識碼：A 文章編號：2097-0145（2022）01-0035-07 doi：10.11847/fj.41.1.35

Abstract：Urban flood disaster prevention and control is a major demand for national flood control and is also an important part of urban public safety management. How to use big data to achieve full information fusion， whole process control and participation of the whole society in urban flood disaster warning and panoramic decision-making is the frontier hotspot and key area of concern at home and abroad. From the perspective of “cross-border association， granularity scaling and global view”， this study proposes a research paradigm of big data driven urban flood disaster risk perception， early warning， and decision. Based on “data-driven” association mining and “model-driven” causality analysis method， multi-source heterogeneous data information of sky and earth network is used to perceive rainstorm and flood scenarios. The spatial dynamic network risk analysis model based on rainstorm and flood scenarios is established， and the “observation-perception-discrimination” urban flood disaster dynamic warning model is constructed. A data-centered flattened urban flood disaster management framework is established， and a panoramic disaster emergency cooperative response and risk control strategy is proposed.

Key words：big data; urban flood; risk perception; early warning; decision

1 引言

城市化、工業化的快速發展及人類生產生活方式的轉變，加劇了水資源壓力，顯著改變了降雨徑流、匯流路徑和方式等水文過程，水循環多過程的非一致性特征凸現[1，2]，表現為城市“雨島效應”凸顯、極端暴雨頻發，城市內澇升級，“逢雨必澇”、“城市看海”已成常態。北京“7.21”暴雨、武漢、深圳以及鄭州“720”特大暴雨，嚴重威脅了人民生命財產安全。據《中國水旱災害公報》數據顯示，近20年全國洪澇災害直接經濟損失年均1500多億元，占GDP的1.5%～2%;近10年年均損失高達2300多億元，災害損失呈顯著增長趨勢。由于城市人口與財富集中、產業高集聚、交通強互聯，城市洪澇災害呈現出爆發性、連鎖性、災難性的特點，給城市洪澇災害預警防控帶來了新挑戰。

習近平在中央政治局第十九次集體學習時強調“積極推進我國應急管理體系和能力現代化”。《中華人民共和國國民經濟和社會發展第十四個五年規劃和2035年遠景目標綱要》將“突發公共事件應急處置能力顯著增強，自然災害防御水平明顯提升”列為2035年遠景目標的重點內容之一。國際學術界與實務界認識到防御在防災減災工作中的重要性，聯合國減災署制定的《2015-2030年仙臺減輕災害風險框架》，把災害的早期預警作為減災框架的七個重要目標之一。“十三五”“十四五”國家重點研發計劃分別設立了“重大自然災害監測預警與防范”“重大自然災害防控與公共安全”重點專項，旨在圍繞重大自然災害綜合監測預警與防范的核心科學問題開展科技攻關和應用示范，提升國家防災減災救災能力。

隨著大數據技術的發展以及數據的快速增長，利用大數據進行災害預報預警研究更為廣泛，實踐也證明大數據可有效提升信息預警與應急響應效率[3，4]。“十四五”規劃提出“加快構建數字技術輔助政府決策機制，提高基于高頻大數據精準動態監測預測預警水平。強化數字技術在公共衛生、自然災害、事故災難、社會安全等突發公共事件應對中的運用，全面提升預警和應急處置能力。”中國國家自然科學基金委也設立了“大數據驅動的管理與決策研究”重大研究計劃，豐富和拓展了大數據應用創新領域。可見，傳統的災害管理思維和范式正因大數據驅動發生根本性變革[5，6]，為城市洪澇災害預警防控提供了全新的研究范式和研究方法。

城市洪澇災害是一個自然水循環和人類社會活動耦合的復雜系統，其復雜性體現在多尺度、多層次、多主體，加劇了城市洪澇災害預警防控的難度，表現在：（1）城市的多維空間、多變環境、多樣行為直接帶來洪澇災害信息的多源異構和多維海量，增加了災變動因辨識匹配和預警前兆信息挖掘難度。（2）傳統的洪澇災害預報預警僅考慮水文、氣象等自然要素，而進一步考慮災害對人類活動帶來影響的系統預警是面臨的難題。（3）城市洪澇災害的致災、孕災、報災、防災管理過程分離，使得管理決策多為碎片式或片景式，末端治理[2]現象嚴重，如何實現全局視圖的風險決策是災害應對的難題。隨著大數據、人工智能技術的迅猛發展，為城市洪澇災害管理提供了新思路。事實上，城市洪澇災害過程正以更細粒度的數據形式和更高的數據成像呈現，透過數據世界可以更清晰地描繪災害演變活動情境。建立數據驅動下城市洪澇災害預警與風險決策范式是解決預警防控難題的新途徑。

與傳統的災害預警和風險管理相比，大數據驅動的城市洪澇災害防控應該由以管理流程為主的線性范式逐漸向以數據為中心的扁平化范式轉變，災害預警應從“因果假設”向“復雜相關”、從“經驗推動”向“數據推動”、從“模糊滯后預警”向“精準快速預警”、從“碎片式預警”向“整合式預警”轉變，災害應對應從“片景式決策”向“全景式決策”、“實時決策”轉變。本文面向應急治理能力提升的國家重大需求，基于“跨界關聯、粒度縮放、全局視圖”視角，提出大數據驅動的城市洪澇災害預警與全景式決策研究范式，從數據基礎、態勢感知、風險預警、決策應對和示范應用方面開展城市洪澇災害預警與決策研究，不僅為我國洪澇災害應對及防災減災提供理論方法，也為公共安全管理提供新型決策的典型范例，更為保障城市和國家公共安全提供科學決策和實踐指導。

2 國內外研究現狀及發展動態

2.1 洪澇災害前兆信息辨識研究進展

洪澇災害前兆信息辨識的研究主要集中在氣象水文預報、RS/GIS信息處理等環節。20世紀30年代，美國學者開始從氣象資料推算可能最大降水的研究，此后，時間序列、水文隨機分析等數理統計方法在水文預報、災害預測方面的應用得到快速發展[7，8]。20世紀70～80年代后，隨著計算機技術、遙感技術、地理信息系統的發展，基于遙感空間信息、地理空間信息的數值氣象預報和水文模型的預報產品逐漸成熟并廣泛應用于業務系統[9]。

近10年來，大數據方法逐漸應用于氣象水文、災害管理等領域[10～13]。衛星雷達及降水等多源信息融合、海量信息挖掘與智能方法分析等已成為國際水文領域高精度信息辨識的關注熱點。在多源信息融合方面，主要采用本體對齊、實體鏈接、沖突解決、關系推演等技術實現暴雨洪澇領域知識的標準化及多源信息的融合[14，15]。在信息挖掘與智能方法分析方面，主要基于統計概率分布、Apriori關聯規則、支持向量機、自組織映射聚類等挖掘模型[16，17]，研究災害性天氣過程在更高時空分辨度的演化規律，也有學者提出了一種基于人工智能的概率定量降水預報與智能搜索方法[18]。此外，通過分析微博、微信、Twitter、Facebook等社交媒體信息獲取淹沒特征向量及災情信息的研究開始受到關注[19～21]。

2.2 城市洪澇災害預警研究進展

現有的關于城市洪澇災害預報預警的研究主要側重在以下三個方面：第一類是基于氣象觀測數據的洪澇災害預警研究，如通過高分辨數值預報模式、衛星監測和全天雷達探測等形式收集氣象數據，利用遙感手段進行強降雨及洪澇災害的模擬與預警[9];根據多普勒雷達反射率因子，利用自動站雨量資料，運用相關算法合成降雨產品來指導發布預報預警[22];利用衛星云圖、氣象預測數據提高暴雨預警的準確率[23]。第二類是基于水文模型數值模擬的洪澇災害預警研究[24，25]，如ILLUDAS、SWMM、TR-55、HSPF、InfoWorks、STORM等模型，依據這些分布式水文模型建立預報預警系統。第三類是利用風險評估結果進行洪澇災害預警[26～29]，將產匯流模型與損失評估相結合的預警方法，或是將長期預警與臨災預警相結合研究不同時空尺度的洪澇災害預警模型，或從壓力、狀態、影響、響應角度研究風險評估與災害預警。已有基于大數據災害預警平臺的開發與應用[30，31]，如美國FEMA研發的HAZUS-MH系列標準應用軟件平臺為內澇災害的早期預警和災害評估決策提供依據。

2.3 城市洪澇災害風險應對研究進展

我國城市災害風險應對的研究始于20世紀90年代，主要包括應急技術、應急管理體系、應急資源調度與應急資源管理、應急心理與行為決策等方面研究。城市防汛救災注重于“一案三制”編制和防汛抗旱指揮系統、洪水預報與調度系統等決策支持系統建設，隨后也有一些學者提出了決策優化方法與技術，如基于情景依賴的洪水災害多主體合作應急決策分析方法及應急管理流程優化[32]、超標準洪水應急避險決策支持技術研究[33]等。

近年來，大數據應急決策受到廣泛關注，國外研究側重于從大數據技術和大數據處理方法的角度進行應急決策方法、模型、數據、系統平臺的整合與集成，并將深度學習等智能技術應用于大數據應急決策中[34～36];而國內的研究則關注大數據應急決策體系、大數據應急決策模式與機制、大數據應急決策系統與平臺、應急決策數據質量等方面[37～39]。我國城市洪澇災害應急決策的研究，對風險災害危機全成因分析與全景式建模、基于信息研判的風險預警以及基于靶向思維的應急響應還很缺乏[5]。

綜上所述，城市洪澇災害預警與風險決策的理論和實踐已取得頗豐成果，但是面對復雜變化環境下城市洪澇災害管理的新問題，亟待實現兩個轉變。（1）研究視角的轉變：基于水文要素的預報預警轉變為基于風險感知的多維預警。將災害風險分析納入災害預警過程，匹配暴雨-地物-淹沒數據關聯，將水量-流量過程轉換成淹沒-破壞風險信息，從過去的閾值預警向針對風險的災害響應信息預警，進行全面、精確風險度量，提升基于風險感知的預警精度。（2）研究范式的轉變：“模型驅動”的決策分析模式轉變為“數據驅動+模型驅動”的大數據全景式決策范式。以模型驅動的傳統預警決策方法難以展現或容納組合變量的關聯關系，而基于“模型+數據”驅動的城市洪澇災害預警，尋找全局視圖下的諸多不確定性的“關聯”要素關系，構建全景式決策范式，是未來我國災害管理和公共安全管理的研究方向。

3 研究范式

3.1 概念界定

城市洪澇災害是由于強降雨、風暴潮等引起的大量積水和徑流等自然現象作用于城市社會經濟系統的產物，是人與自然關系的一種表現。因此，城市洪澇災害不單單是暴雨洪水的自然過程，而是一個包含人類活動影響的復雜系統。

城市自然系統包括氣象、水文、地質地形、土壤、植被等要素，各要素之間相互作用;社會經濟系統涉及城市居民社會、經濟及文化活動的各個方面，包括經濟、人口、能源、交通、基礎設施等要素，各要素之間相互關聯且高度繁雜。城市洪澇災害承災體是社會經濟系統與自然系統交互下災害風險表達空間，承載著人類的生產、生活等各項活動，當城市自然系統中水汽在溫度、濕度、云量、風速風向等要素的綜合作用下形成暴雨時，雨水會形成地面徑流，造成城市承災體空間積水，淹沒城市中的包括建筑物、道路、橋梁、工廠等各類承災體，影響城市社會經濟系統的正常運行（如圖1所示）。

因此，從復雜系統視角，城市洪澇災害風險是暴雨徑流形成的自然過程與城市內社會經濟活動相互作用下給人們生命財產、生產生活等帶來的影響，風險的刻畫需要考慮城市基礎設施、交通運行、能源供給、社會經濟等反映人類行為的信息，挖掘“暴雨-承災體-淹沒”空間特征關聯模式，研判城市洪澇災害的風險。

3.2 科學問題提出

針對變化環境下的城市洪澇災害風險特征，借助云計算、人工智能等新興技術，尋求大數據范式驅動的、適應全景式變化的城市洪澇災害預警與風險決策新方法，形成城市洪澇災害管理系統解決方案，需要解決以下幾個科學問題：

（1）城市暴雨洪澇情景態勢及其演化規律

基于水文、氣象、交通、經濟、社交媒體等多源異構大數據，辨識城市洪澇災害風險要素，感知城市暴雨洪澇情景態勢，通過“數據驅動”的“暴雨-地物-淹沒”關聯模式與“模型驅動”的洪澇災害演進過程的融合，刻畫暴雨洪澇災害情景形成機理及演化規律。

（2）基于暴雨洪澇情景的空間動態網絡風險研判

暴雨洪澇情景與承災體社會活動融合下的災害承災體風險度量，刻畫洪澇災害情景矩陣與多維風險向量（概率、影響、損失）的關系，辨析洪澇災害風險變化特征，確定洪澇災害預警閾值區間，實現面向城市重要承災體的城市洪澇災害動態預警。

（3）洪澇災害全景式風險模擬及決策

構建洪澇災害全過程風險推演模式，基于宏觀-中觀-微觀不同決策主體的利益協同目標，重構多部門跨界的“資源-任務”災害應急響應業務流程，形成洪澇災害全景式、系統性的解決方案。

3.3 城市洪澇災害風險感知與預警決策框架構建

城市洪澇災害是自然過程與社會經濟活動耦合的復雜系統，利用衛星遙感、氣象水文、基礎地理、社會經濟、社交媒體等天空地網多源異構數據信息，通過信息挖掘融合技術和知識圖譜構建，提出結合“數據驅動”的關聯關系挖掘與“模型驅動”的因果解析方法，感知暴雨洪澇情景態勢，實現情景模擬與重現;建立基于暴雨洪澇情景的空間動態網絡風險研判模型，建立“觀測-感知-辨析”的城市洪澇災害動態預警模式;基于知識推理與場景推演，構建洪澇災害全景式風險模擬及決策框架，包括城市洪澇災害應急疏散、跨界多主體合作的應急響應、市場化風險分散、全社會減災公共政策;最后，通過統一空間表達的洪澇災害大數據資源池構建，研發出城市洪澇災害全景式決策云服務平臺，為大數據驅動下城市洪澇災害預警與風險決策提供系統支持。框架如圖2所示。

（1）大數據驅動的洪澇災害態勢感知

基于“數據驅動”的關聯關系挖掘與“模型驅動”的因果解析方法，感知暴雨洪澇情景態勢。①基于機器學習算法，挖掘暴雨洪澇情景及其重要特征，發現暴雨-承災體-淹沒空間特征組合模式。②結合洪澇災害演變過程的水文水動力學模型，感知暴雨洪澇災害情景演化態勢。

（2）基于暴雨洪澇情景的風險預警

建立基于暴雨洪澇情景的空間動態網絡風險研判模型，構建“觀測-感知-辨析”的城市洪澇災害動態預警模式。①風險研判。利用時空大數據識別人口、產業活動下的承災體類別，建立暴雨洪澇情景與承災體社會活動融合的災害風險測度方法。②風險預警。基于暴雨洪澇情景態勢的模擬與重現，構建洪澇災害風險的時空動態網絡預測模型，確定不同類別承災體的洪澇災害預警閾值區間矩陣。

（3）城市洪澇災害風險全景式決策

借助全景式管理理論，從“跨界關聯、粒度縮放、全局視圖”視角出發，創建“宏觀-中觀-微觀”帕累托優化反饋式決策框架，提出災害應急合作響應與風險控制策略。①洪澇災害全過程風險推演模式。提出災害全過程“暴雨洪澇情景-風險應對策略”的推演模式，基于宏觀-中觀-微觀不同決策主體的利益協同目標，重構基于模糊推理的隨機網絡災害應急業務流程，提出“資源-任務”跨界多部門應急響應行動計劃。②提出多主體風險分擔、城市韌性提升的洪澇災害應對策略。提出符合中國國情的“政府-市場-公眾”多主體合作的災害應對風險分擔模式;設計保險、期權、債券組合優化資本市場風險產品;建立城市洪澇災害韌性評估模型，提出社區適災韌性提升策略。

（4）城市洪澇災害云服務平臺

①洪澇災害大數據資源池。從衛星、雷達、地面觀測站網、統計資料、互聯網等采集城市洪澇過程相關的氣象、水文、基礎地理、歷史災情、社會經濟、網絡媒體等物理上相互隔離的多源異構數據，提出多源數據的共享機制，構建統一空間表達的洪澇災害大數據資源池。②云平臺構建。提供災害監測預警、風險評估、應急管理、社會減災等城市洪澇災害云服務，開發包含暴雨洪澇情景及決策信息的全景式可視化組件，實現洪澇災害業務化預警與風險決策。

4 大數據驅動的深圳市洪澇預警與決策實踐

深圳市位于廣東省珠江口東岸，是我國的經濟特區、全國性經濟中心城市和國際化城市。2020年常住人口超1700萬，密度8793人/平方公里，國內生產總值超過2.77萬億元。深圳市屬亞熱帶海洋性氣候，臺風、暴雨等氣象災害頻發、災情嚴重。2003～2019年，深圳市受臺風、暴雨等極端天氣事件影響次數超過190次，死亡及失蹤人數超過95人，直接經濟損失達25.58億元。因此，構建深圳市智慧防汛防旱防臺風（簡稱“三防”）體系有助于提高防災減災能力，增強城市韌性水平，保障城市可持續發展。

以本研究提出的“大數據驅動的城市洪澇災害風險感知與預警決策框架”為指導，基于大數據、物聯網、云計算、人工智能、移動互聯網等現代信息技術，深圳市開發了“深圳市智慧三防系統”（一期）[40]，包括一張圖展示、監測預警、輔助決策、指揮調度等功能，實現了三防信息集成與共享、風雨汛情及其引發的災害風險全景感知與預警、災情智能推演與應急決策。2020年以來，該系統有效支持防臺風防汛應急響應行動百余次。

通過多部門數據共享機制，將基礎地理、水務工程、生命線、重點區域等多源信息集成融合到深圳市 “一張圖”上，在實體、關系、屬性抽取形成的洪澇災害知識圖譜基礎上，建立了深圳市三防大數據資源池。在災害態勢智能感知方面，基于氣象遙感、物聯網傳感器、視頻監控、社交媒體等實時監測信息，運用大數據分析、圖片識別、視頻語義計算等技術，挖掘包括城市淹沒水深、面積、災情等暴雨洪澇災害情景及其演化態勢，快速繪制出暴雨淹沒風險圖。在此基礎上，融入城市路況、居民活動等社會行為數據，研判當前淹沒深度、未來降雨量對生命財產、交通出行、基礎設施等的影響，實現了從基于閾值的預警轉向基于風險的預警，大大提高了預警的精準度和有效性。針對重點防御區域，在暴雨內澇、風暴潮增水等諸多場景模擬的基礎上，推演不同應急處置救援方案下災害情景的變化，實時調整救援力量的部署，為應急響應及救援決策提供了有效技術支撐。大數據驅動的洪澇災害風險感知與決策技術顯著提高了深圳三防業務的智能化、科學化和精準化水平，助力深圳成功抵御了2020年6月發生的近10年最強季風降水事件，全市內澇點較往年減少50%以上，減輕了災害天氣對人們日常生產、生活的影響。

5 結論與啟示

當今世界正處于百年未有之大變局。城市洪澇災害風險預警與決策是國家防洪安全的重大需求，更是城市公共安全管理的重要內容。大數據作為一場重大的技術和思維革命，正在使災害預警理念、模式及方法發生深刻變化。災害管理范式正由以管理流程為主的線性范式逐漸向以數據為中心的扁平化范式轉變，需要“關聯+因果”大數據分析和“數據+模型”驅動的大數據技術手段實現城市洪澇災害預警與決策。大數據驅動下城市洪澇災害預警與風險決策范式，突破了傳統機理研究認知的框架，呈現出大數據驅動的全景式特點，以更細粒度的數據形式和更高的數據成像呈現城市洪澇災害過程，以全周期沉浸式交互行為參與跨界合作的實時管理決策，有效提升了城市洪澇災害公共安全管理決策創新水平及公共服務水平。

以大數據為代表的知識與技術廣泛性應用已大大提升了城市災害的風險感知與應對能力，但實現城市災害智慧治理仍需在以下方面突破、創新：（1）從單一洪澇災害風險轉變為由洪澇災害誘發的滑坡、塌陷、水污染等災害系統性風險研究。（2）突破領域邊界，集成不同災種、不同領域的大規模、細粒度的數據，并建立數據集成的共享與更新交換機制，全面、及時洞悉城市災害發生發展過程。（3）深度融合模型驅動和數據驅動，創新災害過程模擬與風險態勢感知技術，高效、精確預見災害對生命生產生活帶來的影響。（4）將物流、人群移動、救災物資儲備等社會行為數據融入災害預報預警模式，完善災害預警預報發布路徑與機制，提升精準防災減災效率與能力。

參 考 文 獻：

[1] Oki T， Kanae S. Global hydrological cycles and world water resources[J]. Science， 2006， 313（5790）： 1068-1072.

[2] 嚴登華，王浩，張建云，等.生態海綿智慧流域建設——從狀態改變到能力提升[J].水科學進展，2017，28（2）：302-310.

[3] Shoyama K， Cui Q L， Hanashima M， et al.. Emergency flood detection using multiple information sources： integrated analysis of natural hazard monitoring and social media data[J]. Science of the Total Environment， 2021， 767： 144371.

[4] Kitazawa K， Hale S A. Social media and early warning systems for natural disasters： a case study of Typhoon Etau in Japan[J]. International Journal of Disaster Risk Reduction， 2021， 52： 101926.

[5] 童星，丁翔.風險災害危機管理與研究中的大數據分析[J].學海，2018，（2）：28-35.

[6] 陳國青，吳剛，顧遠東，等.管理決策情境下大數據驅動的研究和應用挑戰——范式轉變與研究方向[J].管理科學學報，2018，21（7）：1-10.

[7] Kisiel C C. Time series analysis of hydrologic data[A]. Advances in Hydroscience[C]. Elsevier， 1969. 1-119.

[8] Damle C， Yalcin A. Flood prediction using time series data mining[J]. Journal of Hydrology， 2007， 333（2-4）： 305-316.

[9] 曾子悅，許繼軍，王永強.基于遙感空間信息的洪水風險識別與動態模擬研究進展[J].水科學進展，2020，31（3）：463-472.

[10] Chen Y， Han D. Big data and hydroinformatics[J]. Journal of Hydroinformatics， 2016， 18（4）： 599-614.

[11] Akter S， Wamba S F. Big data and disaster management： a systematic review and agenda for future research[J]. Annals of Operations Research， 2019， 283（1）： 939-959.

[12] Martinez-Alvarez F， Morales-Esteban A. Big data and natural disasters： new approaches for spatial and temporal massive data analysis[J]. Computers & Geosciences， 2019， 12： 38-39.

[13] Zhou L， Huang H Q， Muthu B A， et al.. Design of internet of things and big data analytics-based disaster risk management[J]. Soft Computing， 2021， 25（18）： 12415-12427.

[14] 杜志強，李鈺，張葉廷，等.自然災害應急知識圖譜構建方法研究[J].武漢大學學報（信息科學版），2020，45（9）：1344-1355.

[15] Wang C， Chen N， Wang W， et al.. A hydrological sensor web ontology based on the SSN ontology： a case study for a flood[J]. ISPRS International Journal of Geo-Information， 2018， 7（1）： 2.

[16] Nourani V， Baghanam A H， Adamowski J， et al.. Using self-organizing maps and wavelet transforms for space-time pre-processing of satellite precipitation and runoff data in neural network based rainfall-runoff modeling[J]. Journal of Hydrology， 2013， 476： 228-243.

[17] Farrokhi A， Farzin S， Mousavi S F. Meteorological drought analysis in response to climate change conditions， based on combined four-dimensional vine copulas and data mining （VC-DM）[J]. Journal of Hydrology， 2021， 603： 127135.

[18] Ben Daoud A， Sauquet E， Bontron G， et al.. Daily quantitative precipitation forecasts based on the analogue method： improvements and application to a French large river basin[J]. Atmospheric Research， 2016， 169： 147-159.

[19] Jiang S J， Babovic V， Zheng Y， et al.. Advancing opportunistic sensing in hydrology： a novel approach to measuring rainfall with ordinary surveillance cameras[J]. Water Resources Research， 2019， 55（4）： 3004-3027.

[20] Bhuvana N， Aram I A. Facebook and Whatsapp as disaster management tools during the Chennai （India） floods of 2015[J]. International Journal of Disaster Risk Reduction， 2019， 39： 101135.

[21] Xiao Y， Li B， Gong Z. Real-time identification of urban rainstorm waterlogging disasters based on Weibo big data[J]. Natural Hazards， 2018， 94（2）： 833-842.

[22] Yin J B， Guo S L， Gu L. Blending multi-satellite， atmospheric reanalysis and gauge precipitation products to facilitate hydrological modelling[J]. Journal of Hydrology， 2021， 593： 125878.

[23] Ricciardelli E， Di Paola F， Gentile S， et al.. Analysis of livorno heavy rainfall event： examples of satellite-based observation techniques in support of numerical weather prediction[J]. Remote Sensing， 2018， 10（10）： 1549.

[24] Lima C H， Lall U， Troy T J， et al.. A climate informed model for nonstationary flood risk prediction： application to Negro River at Manaus， Amazonia[J]. Journal of Hydrology， 2015， 522： 594-602.

[25] Nogherotto R， Fantini A， Raffaele F， et al.. An integrated hydrological and hydraulic modelling approach for the flood risk assessment over Po river basin[J]. Natural Hazards and Earth System Sciences Discussions， 2019， 356： 1-22.

[26] Kuller M， Schoenholzer K， Lienert J. Creating effective flood warnings： a framework from a critical review[J]. Journal of Hydrology， 2021， 602： 126708.

[27] Smith P J， Brown S， Dugar S. Community-based early warning systems for flood risk mitigation in Nepal[J]. Natural Hazards and Earth System Sciences， 2017， 17（3）： 423-437.

[28] Schrter K， Lüdtke S， Redweik R， et al.. Flood loss estimation using 3D city models and remote sensing data[J]. Environmental Modelling & Software， 2018， 105： 118-131.

[29] Zhao J， Jin J， Xu J， et al.. Risk assessment of flood disaster and forewarning model at different spatial-temporal scales[J]. Theoretical and Applied Climatology， 2018， 132（3-4）： 791-808.

[30] 吳先華，肖楊，李廉水，等.大數據融合的城市暴雨內澇災害應急管理述評[J].科學通報，2017，62（9）：920-927.

[31] 林炳章.水文氣象大數據分析與網絡洪澇災害預警平臺探討[J].中國防汛抗旱，2019，29（5）：3.

[32] 王慧敏，劉高峰，陶飛飛，等.非常規突發水災害應急合作管理與決策[M].北京：科學出版社，2016.

[33] 黃艷，李昌文，李安強，等.超標準洪水應急避險決策支持技術研究[J].水利學報，2020，51（7）：805-815.

[34] Horita F E A， De Albuquerque J P， Marchezini V， et al.. Bridging the gap between decision-making and emerging big data sources： an application of a model-based framework to disaster management in Brazil[J]. Decision Support Systems， 2017， 97： 12-22.

[35] Fotovatikhah F， Herrera M， Shamshirband S， et al.. Survey of computational intelligence as basis to big flood management： challenges， research directions and future work[J]. Engineering Applications of Computational Fluid Mechanics， 2018， 12（1）： 411-437.

[36] Towe R， Dean G， Edwards L， et al.. Rethinking data-driven decision support in flood risk management for a big data age[J]. Journal of Flood Risk Management， 2020， 13（4）： 12652.

[37] Li Y J， Chen G Q. Big data driven management and decision sciences[J]. Fundamental Research， 2021， 1（5）： 504-507.

[38] 張鋒.大數據視域下特大城市應急管理模式反思與重構[J].城市發展研究，2020，27（9）：12-18.

[39] 徐選華，劉尚龍，陳曉紅.基于公眾偏好大數據分析的重大突發事件應急決策方案動態調整方法[J].運籌與管理，2020，29（7）：41-51.

[40] 王常效，王鯤，邱德鑫，等.深圳市智慧三防系統的建設與思考[J].中國防汛抗旱，2021，31（2）：46-50.

3529500338271