基于DRIVE-Urban模型的長沙市區暴雨內澇災害研究*

黃澤群，陳唯天，黎躍勇，廖春花，彭瑋瑩，王 瑤，郭田韻，李佳琦

(1.湖南省氣象服務中心，湖南 長沙 410118；2.氣象防災減災湖南省重點實驗室，湖南 長沙 410118；3.中山大學 大氣科學學院，廣東 珠海 519082；4.廣東省氣候變化與自然災害研究重點實驗室，廣東 廣州 510275)

隨著全球氣候變化的不斷加劇以及城市化進程的快速發展，城市內澇災害的發生也更加頻繁，影響范圍也越來越大[1-3]。這種不斷發生的嚴重城市內澇災害，已成為制約新興發展中國家城市發展的重要因子[4]。“逢暴雨必澇”已經成為中國許多城市的真實寫照[5-7]。近些年，北京、廣州和鄭州等大中城市相繼發生暴雨內澇災害事件。2012年7月21日，北京市遭遇特大洪澇災害，造成79人死亡，受災人口達160.2萬。2014年5月23日，廣州、清遠等地區遭遇特大暴雨天氣，造成當地交通癱瘓，通信中斷，受災人數超40萬。2021年7月19-21日，鄭州地區出現了歷史以來極為罕見的極端暴雨天氣，8個國家級地面氣象觀測站日降水量全部突破建站以來的最大值[8]，極端暴雨引發了嚴重的城市內澇和交通癱瘓，造成380人死亡失蹤，直接經濟損失達到人民幣409億元[9-10]。因此，科學地評估城市內澇災害的風險性是保證城市經濟可持續性發展的前提與必要條件。

迄今為止，國內外許多學者在城市內澇的模擬與評估方面開展了大量工作，主要包括歷史事件統計分析、機器學習(卷積神經網絡和BP神經網絡等)和數值模型等方法。歷史事件統計分析主要依賴降水數據，未充分考慮造成內澇的其他因素，如地形和植被覆蓋等。機器學習法受到訓練樣本的限制，特別是許多城市的內澇事件樣本數量和質量難以滿足計算要求。數值模型雖然考慮到了影響內澇過程的所有基本參數，但是很少能實現研究范圍和空間分辨率的平衡。例如，部分內澇模型雖然空間分辨率較高(<10 m)，但研究僅針對某小區或某一小片區域進行實時的模擬和計算，無法滿足整個城區的防災減災工作。有些研究雖然能覆蓋整個城區，但空間分辨率較粗(>100 m)，無法精準定位和捕捉內澇的發生點。DRIVE-Urban城市內澇模型能很好地實現整個城區地表高分辨率積水淹沒信息的模擬。因此，本研究以長沙市內五區及高新區作為研究區域，運用DRIVE-Urban城市內澇模型和統計分析相結合的方法，實現街道尺度(10 m分辨率)的模擬，并結合GIS空間信息技術，實現了長沙市內澇災害危險性的綜合評估與區劃。

1 數據與方法

1.1 研究區域概況

本文的研究范圍為長沙市內五區及高新區，內五區主要包括芙蓉區、天心區、岳麓區、雨花區和開福區。為方便敘述，后文將這6個區統稱為長沙市區。長沙市區為多級階地組成的坡度較緩的平崗地帶，地勢南高北低[11]，屬亞熱帶季風性氣候，雨量充沛，且雨季集中[12]。每年汛期，由于過度集中的大暴雨天氣，容易造成市區內出現嚴重積水，威脅著人民的生命和財產安全。

1.2 模型參數設置與評估方法

城市內澇模型DRIVE-Urban為DRIVE(Dominant River Tracing-Routing Integrated with VIC Environment Model)水文模型[13-14]和城市暴雨洪水管理模型SWMM(Storm Water Management Model)模型[15-16]相耦合，通過二維水動力淹沒算法，實現了河網、管道、地表三者之間的水通量交互計算，能對城區地帶進行實時的內澇模擬，特別是城市地表高分辨率積水淹沒信息的模擬。DRIVE-Urban從一維城市管網排放能力和二維河道溢流兩個方面全面描述了流域與城市區域的相互作用方式，從降雨徑流、蒸發下滲、管網排水、河道作用等方面闡述了城市內部的水循環過程。

模型使用的降水數據為2012-2021年1個國家基本氣象站(長沙站)和60個區域自動氣象站共10年的逐小時雨量數據，站點的分布如圖1所示。數字地表模型為自然資源部國土衛星遙感應用中心的高分辨率DSM(Digital Surface Model)，其分辨率為10 m。土地覆蓋數據為ESRI公布的全球10 m土地覆蓋數據。長沙城市道路矢量數據來源于中國科學院資源環境科學與數據中心，土地利用數據來源于OSM(Open Street Map)。

圖1 國家基本氣象站和區域自動氣象站的空間分布

因為缺乏地下管網數據，所以對城市管道模塊做出如下設計：①每條主干道路都具有管道排放能力；②每條道路的頭部和尾部都具有管道口用于該道路的地表水排放；③管線的拓撲結構與道路相似，即主干道管線的布置與道路平行；④每個管道均為圓形口徑，其直徑為50 cm(該數值為長沙市常用管道標準口徑；管道的上下游關系根據道路的總體坡度決定，管道的長度與道路長度相等)；⑤管道排放口連接于最近的河道格點；⑥地表逐時刻降雨-產流均匯流于最近的管道口。

DRIVE-Urban模型采用數值求解圣維南方程組的運動波方程，得到河道格點的逐3 h徑流量、水深等數據，并假設河道水深在3 h內不變；采用求解圣維南方程組的動力波方法得到管道逐時刻的匯流狀態(管道模擬時間步長設置為5 s)，并通過兩種類型的二維淹沒算法連接城市地表與管道的水量交互，以及河道與城市地表的水量交互；地表降雨-徑流的模擬采用SCS-CN徑流曲線法，地表子匯水區CN的數值根據長沙市土地覆蓋、土地利用數據確定；基本的圣維南方程的公式如下：

(1)

(2)

式中：Q為徑流流量，A為過水斷面面積，q為側向入流量，S0為渠道坡度，Sf為摩擦坡度，g為重力加速度，H為水深。

求解圣維南方程組利用到的謝才公式與曼寧公式如下：

(3)

(4)

式中：n為曼寧糙率系數；R為水力半徑。

在祁彪佳死后的30多年里，商景蘭對于人生價值尤其是女性立身的思考逐漸明晰，并在文學世界尋找到了自我意識抒發的渠道。她“恃子若女，相依膝下，或對雪聯吟，或看花索句，聊寄風雅，以卒桑榆。”[9]297山陰祁氏的文學活動為時人津津樂道，成為當地一樁美談。商景蘭不僅開始思考作為個體的生命意義，還意識到作為女性的生存處境。在《西施山懷古》中，詩人感慨萬端：

內澇模型的模擬效果評估指標為內澇點命中率(POD)，POD越接近1，表示模型未模擬到的內澇事件越少，模型的模擬效果越好，可信度越高。

(5)

式中：Nhit表示真實觀測到的內澇且模型成功捕捉到的數量，Nmiss表示真實觀測到的內澇但是模型未模擬出來的數量。

1.3 內澇風險區劃方法

本研究基于降水、地形和內澇持續時間等參數來確定長沙市區的內澇風險區劃。降水因子根據內澇過程中1 h、3 h、6 h降水量建立評價指標庫，對各評價指標進行歸一化處理，并采用德爾菲法，確定權重后通過加權求和得到內澇過程中單站降水量的強度指數。內澇過程中單站降水量強度指數的公式如下：

IR=A×I1h+B×I3h+C×I6h。

(6)

式中：IR為單站暴雨過程強度指數；I1h、I3h和I6h分別是1 h、3 h、6 h最大降水量歸一化處理后的指標數值，A、B、C為權重系數，分別為0.5，0.3和0.2。

為了綜合評估內澇災害的危險性，利用致災因子和孕災環境共同定義危險性指數，具體表示為：

DA=E×IR+F×Train+G×Hterrain。

(7)

式中：DA為內澇災害綜合危險性指標，IR為內澇過程中單站降水量強度指數，Train為內澇過程發生時內澇的持續時間，Hterrain為站點位置的高程，E、F、G分別表示三個指標的權重系數，分別為0.4，0.2和0.4。

2 結果的分析與應用

2.1 長沙市內澇事件統計

2012-2021年期間，長沙市區共發生城市內澇102起，受內澇影響的街道共計109條。各區的內澇事件次數統計由圖2所示，可知雨花區的次數最多(26起)，之后分別是岳麓區、天心區、芙蓉區、開福區和高新區。

圖2 2012-2021年間長沙市區內城市內澇事件次數統計

圖3 2017年06月29日11時-07月02日05時長沙市區降水空間分布

圖4 2021年08月17日16時-08月18日00時長沙市區降水空間分布

2.2 典型內澇事件的降水空間分析

2.2.1 2017年7月案例

2017年6月29日-7月2日，長沙市區普降大到暴雨。此次降水過程具有強度大，范圍廣，持續時間長等特點。6月29日11時-7月2日05時，長沙市區平均累計降水量達278 mm，22個自動站累計雨量均超過200 mm。累計雨量超過300 mm的有7站，其中岳麓區4站，天心區、雨花區和芙蓉區各1站，最大值為岳麓區長沙國家站351.3 mm。最大小時雨強出現在開福區霞凝港站，達62.6 mm(30日14時-15時)。22個自動站中有21個站最大小時雨強超過20 mm，6個站超過50 mm(岳麓區4站，開福區1站，高新區1站)。

2.2.2 2021年8月案例

2021年08月17日，受到中低層切變的影響，長沙市區出現暴雨天氣，部分地區大暴雨。8月17日16時-18日00時，長沙市區平均累積雨量28.59 mm，累計雨量超過50 mm達到暴雨標準的有8站(岳麓區4站，雨花區2站，天心區1站，開福區1站)，其中最大值為雨花區東塘街道七里廟站，其8 h累計雨量達106.4 mm，達到大暴雨標準。暴雨區域主要集中在岳麓區東部、天心區北部、雨花區北部和開福區北部。最大小時雨強出現在雨花區東塘街道七里廟站，達66.3 mm(17日17-18時)。其中岳麓區東部、天心區北部、雨花區北部、和開福區北部小時雨強較大，超過20 mm。

2.3 基于DRIVE-Urban模型的典型內澇事件模擬

基于逐小時的降水數據輸入，DRIVE-Urban模型分別模擬了兩次典型的內澇事件(2017年7月和2021年8月案例)。圖5為模型生成的2017年7月1日11時的城市道路積水分布，空間分辨率為10 m。此次內澇的范圍幾乎覆蓋了整個長沙市區的主要街道，特別是雨花區西北部、天心區中北部、芙蓉區中西部、開福區南部、岳麓區東部以及高新區東部。內澇嚴重地段多集中于街道、十字路口和地勢低洼的地區。市區內共監測到25處內澇點，模型成功捕捉到16處，內澇點命中率(POD)達到64%(表1)。圖6為長沙市岳麓區牌樓路附近的積水淹沒圖，可以看出牌樓路和麓山路的北段積水面積較大，大部分積水深度都在100～500 mm之間。

表1 兩次典型內澇事件中模型的內澇點命中率(POD)結果

圖5 2017年7月1日11時長沙市區的內澇積水分布

圖6 2017年7月1日11時長沙市岳麓區牌樓路和麓山路附近的內澇積水分布

圖7為2021年8月17日18時的城市道路積水分布圖，其空間分辨率為10 m。該圖顯示此次內澇的范圍主要集中在天心區中北部和雨花區西北部，且內澇嚴重地段主要在分布在街道和地勢低洼的地區。市區內共監測到21處內澇點，模型成功捕捉到14處，內澇點命中率(POD)達到67%(表1)。圖8為長沙市天心區浦沅橋附近的積水淹沒圖，從圖中可以看出南二環、芙蓉南路和部分小區的積水面積較大，積水深度集中在100 ～500 mm之間，部分地區的積水深度甚至超過了500 mm。

圖7 2021年8月17日18時長沙市區的內澇積水分布

圖8 2021年8月17日18時長沙市天心區南二環和芙蓉南路附近的內澇積水分布

2.4 不同重現期下內澇積水的模擬

基于長沙市區國家站和區域自動站的降水數據，分別計算了6個不同重現期(5年、10年、20年、30年、50年和100年)下的降水累計量，并使用反距離加權法插值到10 m×10 m的水平網格上作為DRIVE-Urban內澇模型中的降水輸入數據，得到歷時1 h和3 h的重現期下城市道路積水淹沒情況(表2和表3)。由表2可得，當暴雨歷時為1 h的時候，重現期越大，積水面積越大。積水深度為0.1 ～0.25 m的積水面積占總積水面積的86.99%到90.18%，積水深度為0.25 ～0.50 m的積水面積占總積水面積的9.31%～12.27%，積水深度為0.50 ～1.0 m的積水面積占總積水面積的1%以下，積水深度未超過1.0 m的比例不足0.1%。并且隨著重現期的增大，積水深度大于0.25 m的占比越高。表3為不同重現期長沙市區暴雨歷時3 h積水面積，相比于表2可以發現，當重現期相同時，暴雨歷時越長，積水越深，積水面積也越大，且積水面積最高占比達總市區面積的8.2%(96.51 km2)。

表2 不同重現期長沙市區暴雨歷時1 h的積水面積

表3 不同重現期長沙市區暴雨歷時3 h的積水面積

2.5 內澇風險評估與區劃

根據城市內澇模型的模擬結果，對長沙市區內澇的積水深度進行了風險等級的劃分(表4)。當內澇的風險等級為1級時，內澇風險屬性為低風險，積水深度在0.1～0.25 m，1 h的雨量參考值為0～30 mm。當內澇的風險等級為2級時，內澇風險屬性為中風險，積水深度在0.25 ～0.5 m之間，1 h的雨量參考值為30～50 mm。當內澇的風險等級為3級時，內澇風險屬性為較高風險，積水深度在0.5 ～1 m之間，1 h的雨量參考值為50～70 mm。當內澇的風險等級為4級時，內澇風險屬性為高風險，積水深度大于1 m，1 h的雨量參考值大于70 mm。

表4 基于積水深度的城市內澇風險等級指標

根據內澇危險性指數的值來對應內澇風險等級指標中的四個風險等級，最后得到長沙市區暴雨次數和內澇風險區劃圖(圖9)。從圖中可以看出高風險和較高風險的區域主要集中在岳麓區東部、開福區南部、天心區北部、芙蓉區、雨花區北部和高新區南部。芙蓉區、開福區、天心區、雨花區和岳麓區的許多地區基本都處于中風險以上。高新區北部、岳麓區西部和雨花區南部因為地勢較高，風險等級較低。

圖9 長沙市區的暴雨次數和內澇風險區劃圖

暴雨的次數與內澇的風險區劃基本相符，特別是芙蓉區和開福區南部，其風險等級與暴雨的頻次關系密切。盡管岳麓區西部、高新區西部和雨花區南部也有個別點的暴雨次數較多，但是由于其位置多為海拔較高的山地，植被覆蓋情況良好，蓄水能力較強，不易發生內澇。

3 結論與展望

本文以長沙市區為研究區域，統計了市區近十年的內澇分布情況，運用DRIVE-Urban城市內澇模型分別模擬了兩次典型的內澇事件和六個不同重現期下城市道路積水淹沒情況，并確定了內澇風險等級和風險區劃。主要結論如下：

1)長沙市區在2012-2021年間共發生內澇102起，受影響的街道達到109條，其中雨花區最多達26次，之后分別是岳麓區、天心區、芙蓉區、開福區和高新區。

2)兩次典型內澇事件的模擬結果顯示內澇區域主要集中在岳麓區東部、天心區中北部、雨花區北部、芙蓉區中西部、開福區南部及高新區東部，內澇點命中率分別為64%和67%。部分街道的積水深度達到了250 ～500 mm，少數街道積水深度超過了500 mm。

3)6個不同重現期下(5年、10年、20年、30年、50年和100年)短歷時(1～3 h)的城市內澇積水淹沒情況表明當重現期相同時，暴雨歷時越長，積水越深，積水面積也越大。隨著重現期增大，積水面積也越來越大，積水面積占比最高甚至達到了市區總面積的8.2%(96.51 km2)。

4)基于內澇模型的模擬結果，將內澇風險等級分為4個等級，1～4級分別對應低風險、中風險、較高風險和高風險，積水深度分別對應為0.1～0.25 m、0.25～0.5 m、0.5～1 m和大于1 m。高風險和較高風險區域主要集中在岳麓區東部、天心區北部、芙蓉區、開福區南部、雨花區北部以及高新區南部。高新區北部、岳麓區西部和雨花區南部風險等級較低。

盡管DRIVE-Urban城市內澇模型在內澇點命中率(POD)方面的模擬效果較好，但是由于觀測資料的缺失，無法實時獲取街道的淹沒水深和淹沒范圍等數據，造成模型的評估手段較為單一。此外，模型在城市隧道等特殊地形地區的模擬效果較差，這是因為DSM顯示的是隧道頂部的高程，使得模型難以模擬出隧道內的積水，造成模擬的結果誤差較大。今后將與城市排水相關部門展開合作，獲取更多實時的街道積水和淹沒數據，同時設計算法自動校正特殊地形的高程值，進一步提升模型的準確率。