基于智能網格預報的江西暴雨災害風險預評估研究*

孫素琴，吳 靜，唐春燕，熊 立，朱星球

(1.江西省氣象臺，江西 南昌 330096；2.江西省減災備災中心，江西 南昌 330030)

暴雨是江西省主要氣象災害之一，常引發城市內澇、農田漬澇，更有甚者引發山洪、泥石流等次生災害，給當地人民生活、生產帶來極大影響。近十年來江西各地災情普查數據統計顯示，暴雨洪澇災害累計經濟損失最大，其次為干旱；因災累計死亡人數最多的氣象災害亦為暴雨洪澇，其次為風雹災害。據民政部發布的2020年江西全年自然災害基本情況報告顯示，洪澇造成直接經濟損失達344.5億元，占各類自然災害直接經濟損失總和的97%。如2020年6月29日-7月上旬，江西中北部多次遭暴雨襲擊，累計雨量創歷史同期新高，達常年同期4倍，其中7月7-9日連續出現區域性大暴雨，大暴雨持續時間(3 d)和覆蓋范圍(60個縣(市、區))均為1961年以來歷史之最；7月8日大暴雨縣市數達35個，單日大暴雨范圍創歷史新高；江西暴雨與長江流域性大洪水相逢，外洪內澇致鄱陽湖流域發生超歷史大洪水。衛星遙感監測顯示，7月14日06：00，鄱陽湖主體及附近水域面積達4 403 km2，為近10年來最大。黃安多[1]研究表明，從暴雨洪澇及其引發次生災害的發生機制來看，暴雨洪澇具有明顯的季節性、區域性和重復性。因此，有必要開展暴雨災害預評估工作，為政府及相關部門應急決策管理提供科學依據。

國內外對暴雨災害評估研究有概率統計法，灰色關聯法和主成分分析法。概率統計法以歷史重現率描述暴雨災害等級，適于災前、災中、災后快速評估，但未考慮人口和經濟等信息，對暴雨事件可能評估不足。灰色關聯法對數據要求較低且計算量小，簡便易行，但災情資料獲取后才可評估，適于各種災害災情調查評估。主成分分析法可將多種致災因子按權重簡化成一個綜合指標描述暴雨災害強度，實際應用中與概率統計法結合使用可有較好效果。王秀榮等[2]利用一種簡化的暴雨災害風險及影響評估方法確定了中國區域內與暴雨災害密切相關的地形高程等環境脆弱性影響因素，并對各類要素進行分級評定，將各類因子相結合建立暴雨災害綜合風險評估模型，該評估模型實時評估業務能力強。襲祝香等[3]根據重大暴雨過程災害損失風險的主要成因等，構建了吉林省重大暴雨過程災害損失風險評估模型，并對一次重大暴雨過程災害損失風險進行預評估，得出吉林省暴雨過程災害損失綜合分析的高值區等，提高了重大暴雨過程應對能力，減少災害損失。石濤等[4]建立了暴雨洪澇災害的致災、孕災、承災和抗災4個風險評價因子模型，對蕪湖市暴雨洪澇風險進行評估，解決了暴雨洪澇災害難以精細化、定量化評估的部分問題。張瑋瑋等[5]對風險評估方法進行改進，通過對災害過程中不同階段分別開展風險分析，將氣象災害風險分析從氣候特征評價向天氣過程評價轉化。謝五三等[6]從暴雨致災機理出發，以東津河流域為例，開展中小河流域暴雨洪澇災害風險區劃技術研究，得到不同重現期下人口、GDP以及土地利用等風險區劃圖譜，研究發現建立的中小河流域暴雨洪澇災害風險區劃技術方法簡便可行，區劃結果精度高、實用性強，對于面向實時防災減災的動態災害風險管理具有重要意義。伍俊斌等[7]針對洪澇災害發生后應急救災部門優先采取救援行動的對象，以及重點關注的承災體類型，提出基于應急災情指數的洪澇災害災情動態應急評估方法，實現服務于洪澇災害應急救援的災情動態應急評估。劉慧等[8]基于突變理論對湖南衡陽暴雨災害進行風險評估，綜合分析了衡陽暴雨災害風險的時間演變和空間變化情況，表明暴雨災害綜合風險大致呈現由南至北逐漸遞減的趨勢，突變理論的采用和評估體系指標的細化，優化了風險評估的過程，提高了風險評估的實用性和科學性。李亞濱等[9]對黑龍江省1984-2013年各臺站歷史暴雨災害資料進行統計分析，采用灰色關聯度方法進行災害等級劃分，研究暴雨災害與氣象因子之間的關系，建立了反映暴雨災害程度的5項單指標及綜合評估指數，在此基礎上建立了評估和預評估模型，最終實現對暴雨災害事件的快速評估。徐永清等[10]以致災危險性、承災體暴露性和脆弱性評估為理論基礎，采用GIS空間分析技術，對黑龍江省位于平原的富裕縣和位于山區的呼瑪縣進行了暴雨洪澇風險評估研究，發現與基于空間分辨率較低降水資料所得到的暴雨洪澇指數和風險分區結果相比，采用較高空間分辨率降水資料的暴雨洪澇指數分布更加平滑，突出了暴雨高值和低值區，平原區暴雨洪澇風險分區連續性增強，山區風險分區不但連續性增強，且與地形分布趨勢高度一致的狀況顯著改善，結果更科學合理。對江西省暴雨災害風險評估研究較多[11-15]，但在實際業務中可運用的暴雨災害風險預評估產品仍較少。本文旨在借鑒已有研究成果，結合江西實際情況，側重考慮暴雨過程與前期降水實況，結合災情，對區域性暴雨進行風險評估研究，實現對區域性暴雨過程災害風險動態預警評估。

1 研究地區概況

江西省位于長江中下游南岸，冷暖空氣常交匯的地帶，1980-2010年年均降水量為1 676 mm，僅次于廣東省(1 788 mm)和海南省(1 787 mm)。地貌以江南丘陵為主，省境東、西、南三面環山地，中部丘陵和河谷平原交錯分布，北部為鄱陽湖平原，地勢總體呈現四周高、中間低，內部呈南高北低，如一個向北開口的簸箕(圖1)，江西主要河流被五條動脈水系所覆蓋：贛江、撫河、信江、饒河和修水，流域面積均超1萬km2，以鄱陽湖為中心集納后經長江入海。

圖1 江西省地形及氣象站點分布圖注：底圖來源于標準地圖服務網 審圖號為GS(2019)3333號，無修改，下同

2 資料及處理

2.1 資料

1)降水實況數據為經質控的當日20時-次日20時降水數據，因涉及極值問題，為充分利用現有資料，選取1951-2022年數據。江西降水過程統計優先使用江西地面實況網格日產品，該產品分辨率為1 km(0.01°)，源于江西省氣象數據中心，無此資料時利用站點數據插值處理，其中2022年數據用于暴雨災害風險預評估。

2)降水預報資料為氣象臺預報員每日制作的網格預報數據，時間分辨率為12 h，將其累加至24 h網格降水預報產品，空間區域為113.45°～118.60°E、24.35°～30.20°N，精度為5 km×5 km，產品選取上午、下午兩時段預報數據，按需插值成1 km分辨率。

3)暴雨過程災情數據來源于“國家自然災害災情管理系統(2022)”，自然災害災情報送分為省、市、縣、鄉、村五級，災情數據以鄉鎮為基本單元。災情報送時效分為初報、續報、核報。過程開始時，各部門2 h以內完成災情逐級初報。初報后，24 h內完成災情逐級續報。過程結束時，完成災情核定后，各部門(縣級5 d內、市級8 d內、省級10 d內)逐級上報后完成最終災情數據。

4)江西省年GDP(Gross Domestic Product，國內生產總值)、人口資料來源于中國科學院地理科學與資源研究所。經濟數據為2015年中國GDP空間分布公里網格數據集，人口數據為2015年中國人口空間分布公里網格數據集，兩者分辨率均為1 km，據暴雨過程所在年份使用時對江西省總GDP、常住總人口數適當修訂。

5)水系數據采用江西基礎地理信息數據，用于河網密度計算。

6)土壤類型數據來自聯合國糧農組織(FAO)和維也納國際應用分析研究所(IIASA)所構建的世界土壤數據庫(Harmonized World Soil Database，HWSD)。

2.2 區域暴雨過程確定

本文針對社會經濟、群眾生活生產等造成一定影響的降水過程評估。因此，選取江西境內24 h內(當日20時-次日20時)出現≥5站國家站暴雨(24 h降雨量≥50 mm)時，且5站以上暴雨較為集中的過程為一個區域性暴雨日。區域性暴雨過程向前或向后延伸基本條件為全省有3～5站降水量≥25 mm。據統計1951-2021年此類區域性暴雨為672次。

此外，區域暴雨過程發生前或即將結束時，某些觀測站較強降水已開始或仍在持續，對相應觀測站暴雨過程延伸，延伸標準為日降水量≥25 mm。如2011年6月13-15日暴雨過程，6月16日僅出現1站暴雨(區域性暴雨過程結束)，但德興市16-17日降水量為52.3 mm和29.8 mm，與15日降水量(233.6 mm)有共同致災影響，故德興市暴雨時間延伸至17日。

3 基于格點的精細化暴雨災害風險預評估

3.1 暴雨過程強度指數

1)單站暴雨過程強度指數。首先，計算單站暴雨過程強度：

Ir=A×I24pre+B×Ipre+C×Iday。

(1)

式中：I24pre、Ipre、Iday分別為歸一化后的最大日降水量、過程累積降水量、降水持續天數；A、B、C為權重系數，由I24pre、Ipre、Iday三者之間的復相關系數絕對值的倒數求得；統計得到持續1 d及以上暴雨過程的三個因子值及各自權重系數(表1)。

表1 1951-2021年單站暴雨過程歸一化參數和各因子權重系數

2)區域性暴雨過程強度指數。在單站暴雨過程強度指數基礎上，構建區域暴雨過程強度指數為：

(2)

式中：n為達到單站暴雨過程標準的站數，m為第i個測站出現暴雨過程次數，Irij為第i站、第j次暴雨過程單站暴雨強度指數。

據江西1951-2021年672次區域性暴雨過程強度指數統計結果，采用百分位法，將區域暴雨過程分特強、強、較強、一般四等級(表2)，給出綜合強度由強到弱排前20位的區域性暴雨過程(表3)，對應強度指數劃分，得出這些過程均為特強過程。

表2 區域降水過程強度百分位分級

表3 1951-2021年強度排名前20位強區域性暴雨過程

3.2 孕災環境分析

本文孕災環境敏感性指標選擇與暴雨災害關聯性較大的地理環境要素，包括地形高程數據，地形高程標準差、河網密度、土壤類型等。

1)地形因子。周成虎等[16]研究表明，地形對暴雨災害損失的影響以地形高程和地形高程標準差的綜合影響值體現，地形高程越低，地形起伏越小，越容易發生洪水。綜合考慮江西省地形和洪澇災害分布特點，以200 m、500 m和1 000 m為界，將地形高程劃分為四個等級，分別對應不同的指數值。

(3)

式中：E為高程(m)，指數值越大表示越容易產生洪澇災害。

高程標準差指數是據隋剛等[17]研究成果，選擇合適柵格空間分辨率，利用高程標準差可較好反映出地形起伏度。其中標準差為0～10時表示地勢為比較平坦，基本是農業用地；10～30為相對平坦的草地，30～50為起伏的丘陵地帶，大于50基本是溝壑縱橫的山地。根據不同高程標準差產生洪澇災害的難易程度，設置分級指數。

(4)

式中：Ed為高程標準差(m)，指數值越大表示越容易產生洪澇災害。

(2)河網密度指數。河網密度高的區域，流域徑流匯流快，而暴雨轉化為地下水的部分相對較小，洪流流量大，洪水危險性較大。參考黃詩峰等[18]的研究方法：

D=L/A=nl/na=l/a。

(5)

式中：L為流域內河流總長度，A為流域面積，n為流域內河段總段數，l為平均河流長度，a為平均相鄰面積。運用線密度計算方法對河網密度分析計算，將發生洪澇災害的難易程度劃分為四個等級：

(6)

式中：D為河網密度(km/km2)。ID為河網密度指數，指數值越大表示越容易發生洪澇災害。

(3)土壤類型指數。不同土壤的透水性不相同，郭曉軍等[19]研究表明，下滲率的大小與土壤顆粒大小密切相關。根據FAO-90對各種土壤顆粒百分含量的資料，并結合考慮土壤的滲透率和產流能力的大小，對不同土壤類型賦予不同指數值，反映發生洪澇災害的難易程度(表4)。

表4 土壤類型對產流影響分級表

(4)孕災環境影響系數IP。綜合考慮地形、水系、地質災害易發程度，評估點的暴雨孕災環境綜合指數(IC)可通過IE、IEd、ID和Isoil的加權求和得到，即：

IC=a×IE+b×IEd+c×ID+d×Isoil。

(7)

式中：a、b、c和d分別為地形高程系數、地形高程差系數、河網密度系數和土壤類型系數的權重，并滿足a+b+c+d=1。權重值的大小根據上述三因素對暴雨災害影響確定，本文由層次分析法得出，分別取0.55、0.1、0.05、0.3。

考慮評估區域一致性，對暴雨孕災環境綜合指數規范化處理，得到評估格點的暴雨孕災環境影響系數(IP)為：

(8)

式中：ICmin、ICmax分別為區域內最小和最大暴雨孕災環境綜合指數；C為常數(取值0.2～0.4)，本文取0.2；暴雨孕災環境影響系數為負值時，消減致災危險性；正值加重致災危險性。分析得出江西暴雨孕災環境影響系數分布(圖2)。

圖2 江西省暴雨孕災環境影響系數分布

3.3 暴雨過程致災危險性分析

暴雨致災危險性由暴雨孕災環境影響系數與區域暴雨過程綜合強度指數加權綜合得到。

Wx=(1+IP)×IR。

(9)

式中：Wx為暴雨致災危險性指數，IP為暴雨孕災環境影響系數，IR為區域暴雨過程綜合強度指數。

自然斷點法是根據暴雨過程特點進行強度分級的一種方法，而不同暴雨有不同劃分閾值，故不易對比暴雨過程間的強度。為了對比不同暴雨強度，本文采用固定閾值法對135個典型暴雨過程致災危險性分級，分級閾值見表5；并將暴雨災害風險評估結果與災情實況進行對比分析，發現兩者總體一致，表明該模型較為合理。

表5 基于固定閾值的致災危險性等級劃分表

3.4 承災體分析

暴雨災害影響與降雨強度和孕災環境有關，也與承災體密切相關。同等強度暴雨，發生在人口和經濟暴露度高的地區造成損失大，災害風險也大。本文選取承災體包括人口、農業、經濟，災情對應為受災人口、農作物受災面積、直接經濟損失。因承災體脆弱性獲取困難，主要考慮承災體的暴露度。

為消除各指標量綱差異，對人口暴露度、經濟暴露度、農業暴露度指標歸一化處理：

(10)

式中：EDi是第i個指標歸一化值，Ai是第i個指標值，mini和maxi分別是第i個指標中最小值和最大值。據分析得出人口、經濟和耕地的相關數據分布(圖3)。

圖3 江西省2015年人口柵格分布圖、GDP柵格分布圖和土地利用分布示意圖

分析2010-2021年35個暴雨強度與基于站點和格點的承災體災情發現，基于格點的承災體評估強度較站點準確，故本文均基于格點開展暴雨災害風險預評估。本文對多個過程進行評估分析，表6為2022年3個典型暴雨過程(2022年5月27-30日、2022年6月12-15日、2022年6月17-20日)的直接經濟損、農作物受災面積和受災人口分別進行格點數據和站點數據評估檢驗可見，除了案例3直接經濟損失站點數據評估較好外，其他案例格點數據的準確率總體上優于站點數據。

表6 典型暴雨過程災情定量評估準確率分析

3.5 基于格點的精細化暴雨災害風險預評估

暴雨災害的綜合風險分布產品制作流程：利用智能網格的降水預報日產品數據，得出降雨綜合強度評定輸出結果數據，為數據分辨率統一，將降水資料通過反距離權重法插值為空間分辨率1 km的格點數據；結合1 km分辨率的江西各地暴雨致災環境數據，包括地形高程、高程差、土壤類型和河網密度等孕災環境背景數據，應用模型計算出每個格點上的暴雨災害綜合危險性指數，將危險性分為高、較高、中、較低、低五級別，再分別疊加人口、經濟、耕地等承災體空間分布柵格數據，得到不同等級下不同承災體的影響，最后利用GIS技術，得到暴雨災害的綜合風險分布產品。

業務在暴雨發生之前或者暴雨發生過程中，需對暴雨過程造成影響提前評估。暴雨過程之前，預評估使用降水預報資料；暴雨過程中，預評估使用降水實況資料和降水預報資料。

4 典型案例分析

上文通過對暴雨過程災害損失風險進行評估，并與災情實況對比檢驗，發現該模型輸出的結果較為合理。

4.1 暴雨災害風險評估

以2019年6月6-10日暴雨過程為例，選用逐日實況降水資料結合孕災環境因子計算此次暴雨過程綜合危險性指數，經分級后得到危險性區域分布，圖4a可見吉安市北部至贛州市東北部、上饒市東部及贛州市西南部為暴雨災害風險較高到風險高區，與災情實況分布(圖4b，源于江西省減災備災中心)對比，大體上反映出此次暴雨過程受災情況。從逐日災情分布可見，災情數據有滯后性，如6月6-8日暴雨發生后，災情收集滯后，6月9日才體現出上饒南部和撫州北部等地災情(圖略)。

圖4 2019年6月6-10日暴雨災害風險評估危險性分布和暴雨實況災情等級分布

基于暴雨過程災害危險性，據人口分布密度計算出受影響人數，同時分析輸出暴雨災害綜合風險等級下的經濟損失和農作物受災面積情況(表7)。

表7 2019年6月6-10日暴雨過程的影響評估

據統計，此次暴雨過程共造成301.7萬人受災，農作物受災面積達250.9 khm2，直接經濟損失達98.2億元。表7可見，評估受災人口為218.640 7萬人，小于實際影響人口；而直接經濟損失評估值大于實際值，為1 212 637萬元；農作物受災面積為206.064 khm2，同樣小于實際值；總體而言，三者評估準確度良好，準確率為72.5%～82.1%。

4.2 暴雨災害風險預評估

以2022年6月12-15日暴雨過程為例，基于評估模型，利用逐日降水預報數據與實況數據得出逐日暴雨過程災害評估預測圖(圖5)，其中圖5c、圖5g、圖5l為2022年6月12-15日過程中已出現的降水實況，圖5a、圖5d、圖5h為暴雨過程中不同時次的降水量預報，圖5e、圖5i為暴雨災害風險預評估的總雨量(實況降水量和預報降水量之和)，圖5b、圖5f、圖5j、圖5m為不同起報時間的暴雨災害風險預評估綜合影響分布，圖5k、圖5n為與暴雨災害風險預評估相對應時間的災情實況分布。從6月11日開始進行暴雨過程風險災害預估，通過逐日預報的調整，瑞金市、龍南市、全南縣、定南縣、于都縣等地預評估受災嚴重，與災情實況接近；但信豐縣和會昌縣南部的預測受災強度較低，與實況相差較大，是否受周圍地區強降水影響致災，有待進一步研究。從災情評估值和實際災情值對比可見(表8)，總體效果較好，其中受災人口評估準確率為93.8%，農作物受災面積準確率為89.1%，直接經濟損失準確率為74.8%。

表8 2022年6月12-15日暴雨過程的影響評估

圖5 2022年6月12-15日暴雨過程災害風險預評估與災情實況

5 結論與討論

本文利用研究模型，對江西暴雨過程進行評估和預評估，該模型對暴雨災害風險評估總體較合理，但仍有不足。

1)結合智能網格預報的降水產品和已出降水實況資料，對任意一次暴雨來臨前(可能發生的)、暴雨進行時(正在發生的)及暴雨結束后(已經發生的)的暴雨災害風險進行動態跟蹤評估和判定；研究發現評估結果與災后統計災情大致相符，評估結果大致反映暴雨災害綜合風險分布趨勢。

2)利用評估模型，結合GIS技術，分析江西地區暴雨災害風險結果，可得出暴雨災害影響的人口數量、直接經濟損失和農作物受災面積等定量影響結果。

3)模型中計算暴雨強度時運用了降水日資料，但對短歷時暴雨而言，其權重因子是削弱的，從而會影響評估效果；需進一步完善承災體背景庫，建立逐年的人口、GDP、土地利用空間分布數據，以消除由承災體數據年際差異造成的模型誤差；災情資料需訂正與細化：災情數據與實際發生的災害影響有時差異較大，需通過各類文獻、實地調研、座談等方式修訂，且目前收集到災情多為省級數據，應精細到市、縣甚至鄉鎮，用以分析承災體脆弱性參數。