極端暴雨條件下城市內(nèi)澇模擬研究進(jìn)展與展望

0 引言

源源不斷的水汽、強(qiáng)盛而持久的上升氣流和大氣層結(jié)構(gòu)的不穩(wěn)定性是形成極端暴雨的物理?xiàng)l件[1]同時(shí)，全球變暖和高度城市化加劇了極端暴雨的形成，城市內(nèi)澇災(zāi)害日趨頻繁，造成的人員傷亡和經(jīng)濟(jì)損失越發(fā)嚴(yán)重[2]，僅2022年，中國(guó)就有3385.26萬(wàn)人因內(nèi)澇受災(zāi)，143人死亡，直接經(jīng)濟(jì)損失1288.99億元[]。

極端暴雨首次提出是在1982年，Winkler[4]對(duì)美國(guó)明尼蘇達(dá)州43例極端暴雨進(jìn)行了研究和分類，認(rèn)為形成極端暴雨的原因主要為劇烈的大氣活動(dòng)。中國(guó)學(xué)者首次提出極端暴雨概念是在2005年[5]，認(rèn)為極端暴雨事件與臺(tái)風(fēng)活動(dòng)、水汽輸送等因素密切相關(guān)，后人的研究也持有相同看法[6-8]。隨著極端暴雨事件發(fā)生的頻率上升，全球氣候變化、水汽輸送、大氣不穩(wěn)定性成為公認(rèn)的極端暴雨觸發(fā)機(jī)制[9-14]。2021年鄭州4 7?20^′′ 特大暴雨事件的發(fā)生進(jìn)一步引起了社會(huì)對(duì)極端暴雨破壞性和危害性的廣泛關(guān)注，成為氣象、建筑和水利領(lǐng)域的關(guān)鍵研究方向。

在極端暴雨頻發(fā)和城市化不斷發(fā)展的背景下，開展極端暴雨城市內(nèi)澇模擬是內(nèi)澇防治規(guī)劃與防災(zāi)減災(zāi)措施的重點(diǎn)和前沿，對(duì)增強(qiáng)防范內(nèi)澇風(fēng)險(xiǎn)的能力，降低內(nèi)澇災(zāi)害損失具有重要意義。已有研究人員總結(jié)了城市內(nèi)澇的模型和原理[15-16]，但缺乏對(duì)極端暴雨條件下城市內(nèi)澇模擬的系統(tǒng)總結(jié)。因此，本文在總結(jié)分析極端暴雨基本特征、識(shí)別城市內(nèi)澇積水影響因素的基礎(chǔ)上，系統(tǒng)梳理了極端暴雨條件下城市內(nèi)澇積水模擬的兩種主要方法，討論了其原理、特點(diǎn)和應(yīng)用情況，指出了未來(lái)時(shí)期極端暴雨條件下城市內(nèi)澇模擬的發(fā)展趨勢(shì)，為極端暴雨條件下的城市內(nèi)澇過(guò)程識(shí)別和管理提供支撐。

1極端暴雨特征及城市內(nèi)澇積水影響因素

1.1 極端暴雨的基本特征

極端暴雨是指在短時(shí)間內(nèi)（如數(shù)小時(shí)到幾天）降水量遠(yuǎn)高于當(dāng)?shù)仄骄档谋┯晔录涮卣靼ń邓畯?qiáng)度大、持續(xù)時(shí)間短、空間分布不均以及季節(jié)性和周期性明顯。形成極端暴雨的成因復(fù)雜多樣，主要由以下因素共同作用產(chǎn)生： ① 水汽供應(yīng)充足。充足的水汽供應(yīng)是暴雨形成的先決條件[17-18]。在大氣中，水汽的豐沛程度直接影響降水的強(qiáng)度和持續(xù)時(shí)間[19]。 ② 大氣不穩(wěn)定性。大氣層內(nèi)的溫差是引發(fā)對(duì)流活動(dòng)的關(guān)鍵因素[20]。特別是在濕熱空氣迅速上升時(shí)，大氣不穩(wěn)定性顯著增加，導(dǎo)致強(qiáng)對(duì)流云團(tuán)的形成，這些云團(tuán)在遇冷凝結(jié)的過(guò)程中釋放大量潛熱，進(jìn)一步促進(jìn)了暴雨的發(fā)展[21]。 ③ 地形和地表因素。地形和地表特性對(duì)降水強(qiáng)度有著顯著影響[22-23]，山脈地形和城市建筑物的阻擋及抬升作用可以增強(qiáng)降水。在山地地區(qū)[24]，地形的抬升作用尤為顯著，它促進(jìn)濕空氣的快速上升，導(dǎo)致空氣冷卻和水汽凝結(jié)，從而形成降雨。 ④ 低壓系統(tǒng)或臺(tái)風(fēng)活動(dòng)。低壓系統(tǒng)、臺(tái)風(fēng)和梅雨鋒面等天氣系統(tǒng)為極端降水提供了必要的動(dòng)力條件[25-27]，并可能導(dǎo)致局部降水的持續(xù)。這些天氣系統(tǒng)通過(guò)其動(dòng)力學(xué)作用，為暴雨的形成和發(fā)展提供了持續(xù)的能量和水汽供應(yīng)。

目前國(guó)際上界定極端暴雨的方法主要是基于降水量超出正常水平的程度，以及發(fā)生頻率的稀有性，例如： ① 百分位數(shù)法[28]。根據(jù)歷史降水?dāng)?shù)據(jù)，超過(guò)95百分位數(shù)或99百分位數(shù)的降水量作為極端暴雨閾值。② 極值理論[29-31]。應(yīng)用統(tǒng)計(jì)學(xué)中的極值理論（ex-tremevaluetheory，EVT），對(duì)降水?dāng)?shù)據(jù)進(jìn)行建模，確定極端事件的發(fā)生概率和閾值。 ③ 閾值法[32]。為特定地區(qū)設(shè)定降雨閾值，分為固定閾值和相對(duì)閾值。 ④ 綜合指標(biāo)法[33-34]。結(jié)合降水強(qiáng)度、持續(xù)時(shí)間和空間分布等多重因素，通過(guò)綜合指標(biāo)來(lái)界定極端暴雨。例如，世界氣象組織（WMO）可能使用多維指標(biāo)，如降水量、降水強(qiáng)度、持續(xù)時(shí)間等，來(lái)定義極端暴雨事件。國(guó)內(nèi)對(duì)極端降水稱為暴雨，每小時(shí)降雨量 16mm 以上或連續(xù)^12h 降雨量 30mm 以上 ?24h 降雨量為 50mm 或以上稱為“暴雨”， 24h 降雨量超過(guò) 250mm 稱“特大暴雨”。

近年來(lái)學(xué)者們通過(guò)分析歷史降雨數(shù)據(jù)對(duì)極端暴雨模式進(jìn)行了研究，為接下來(lái)的極端暴雨條件下的城市內(nèi)澇模擬提供了理論基礎(chǔ)。 W_u 等[35]利用聚類分析和機(jī)理驅(qū)動(dòng)模型，確定了南昌市包含7種極端暴雨雨型，并以青山湖排水區(qū)為例，展布7種雨型的積水分布圖；郭舟等[36]選取芝加哥雨型法、Pilgrimamp;Cordery 法、概化累積雨量法和同頻率分析法推求武漢市分區(qū)設(shè)計(jì)暴雨雨型，求得武漢市兩分區(qū)4種方法的 24h 長(zhǎng)歷時(shí)暴雨過(guò)程。Liu等[7]基于10a的 5min 降雨量資料，采用無(wú)監(jiān)督動(dòng)態(tài)聚類方法對(duì)深圳市的極端暴雨事件進(jìn)行分類，結(jié)果表明所得3種極端暴雨事件具有鮮明的特征和明確的物理機(jī)制，符合當(dāng)?shù)貙?shí)際情況

在全球氣候變暖的背景下，極端暴雨事件的頻率和強(qiáng)度均呈現(xiàn)上升趨勢(shì)，導(dǎo)致單次降雨事件中的小時(shí)降雨量顯著增加。與此同時(shí)，城市化進(jìn)程的加速加劇了極端降雨事件對(duì)城市地區(qū)的影響，進(jìn)而引發(fā)更為嚴(yán)重的城市內(nèi)澇問(wèn)題。此外，流域外洪與城市內(nèi)澇的相互作用進(jìn)一步增強(qiáng)了災(zāi)害的破壞力。

1.2 極端暴雨條件下城市內(nèi)澇積水影響因素

隨著全球氣候變化的加劇和城市化進(jìn)程的快速推進(jìn)，城市內(nèi)澇已成為全球許多城市面臨的一個(gè)日益嚴(yán)峻的挑戰(zhàn)。氣候變化下極端降雨事件的頻率和強(qiáng)度的增加，加之城市排水系統(tǒng)的容量限制、高度城市化以及地形等自然條件的限制，共同作用下形成了復(fù)雜而多變的城市內(nèi)澇風(fēng)險(xiǎn)環(huán)境。造成城市內(nèi)澇積水的因素主要分為自然因素和人為因素兩大類[38] 。

（1）自然因素。 ① 自然環(huán)境的變化。氣候變化及城市“熱島”“雨島”效應(yīng)導(dǎo)致極端天氣事件頻發(fā)，城市降雨量和降雨強(qiáng)度的明顯增強(qiáng)是造成城市內(nèi)澇的根本原因。 ② 地形和地勢(shì)。無(wú)論何種情況下，城市的地形和地勢(shì)對(duì)內(nèi)澇的影響顯著[39]，低洼地區(qū)和河流下游地帶是內(nèi)澇頻發(fā)區(qū)。利用數(shù)字高程模型（DEM）和水文分析工具，可以識(shí)別城市中的低洼地區(qū)和潛在的積水點(diǎn)，為城市排水設(shè)施的布置和改造提供指導(dǎo)。同時(shí)，通過(guò)構(gòu)建精細(xì)化的機(jī)理驅(qū)動(dòng)模型，可以模擬不同地形條件下的水流路徑和積水深度，為城市規(guī)劃和應(yīng)急管理提供決策支持。

（2）人為因素。 ① 城市排水系統(tǒng)容量及工程設(shè)施。排水管網(wǎng)設(shè)計(jì)容量過(guò)小無(wú)法處理極端降雨[40-42]，且不合理的布局和缺乏冗余的設(shè)計(jì)易形成內(nèi)澇點(diǎn)。泵站在低洼地區(qū)的提升能力不足或調(diào)度規(guī)則不合理，使得積水無(wú)法及時(shí)排出，進(jìn)一步加劇了內(nèi)澇問(wèn)題。城市建設(shè)過(guò)程中，存在著合流制管道[43]，降低了管道設(shè)計(jì)排水能力，增加了內(nèi)澇風(fēng)險(xiǎn)，優(yōu)化管網(wǎng)和泵站設(shè)計(jì)、提升系統(tǒng)效率是減少內(nèi)澇風(fēng)險(xiǎn)的關(guān)鍵[44]。同時(shí)，極端暴雨導(dǎo)致的河湖水位急劇上升，對(duì)城市排水管網(wǎng)系統(tǒng)形成頂托作用[45]，阻礙了正常排水，進(jìn)而出現(xiàn)河水或湖水倒灌進(jìn)入城市的現(xiàn)象，最終引發(fā)城市內(nèi)澇。此外，從多次“城市看海”的事件來(lái)看，極端降雨發(fā)生后，城市排水系統(tǒng)處于完全滿負(fù)荷狀態(tài)，道路成為主要的行洪路徑，除排水系統(tǒng)外，更應(yīng)關(guān)注道路對(duì)內(nèi)澇的影響。 ② 城市化程度和土地利用。城市化導(dǎo)致大面積自然土地被硬化，大幅減少了地表的滲透能力，增加了地表徑流[46]。同時(shí)，不合理的土地利用規(guī)劃，如過(guò)度集中的工業(yè)和商業(yè)區(qū)域，缺乏有效的綠地和水體，會(huì)進(jìn)一步加劇內(nèi)澇風(fēng)險(xiǎn)。研究表明[47]，極端暴雨條件下，相較于對(duì)水深的控制，低影響開發(fā)（LID）設(shè)施對(duì)內(nèi)澇范圍和水量的控制效果更為顯著，并可以對(duì)城市內(nèi)澇進(jìn)行控制[48]。發(fā)生極端暴雨時(shí)，城市地表超滲產(chǎn)流，在75mm/h 的降雨強(qiáng)度下，裸地最快 13min 就能形成徑流，綠地則需 18min^[49] ，極端暴雨對(duì)土壤下滲能力的影響還存在空白，亟待研究。

2極端暴雨條件下城市內(nèi)澇積水模擬方法

2.1 機(jī)理驅(qū)動(dòng)模型

極端暴雨條件下的城市內(nèi)澇機(jī)理驅(qū)動(dòng)模型是基于精細(xì)的物理過(guò)程和數(shù)學(xué)描述所構(gòu)建的一種復(fù)雜模型，通常被分為水文模型、水動(dòng)力模型和水文水動(dòng)力耦合模型，通過(guò)建立城市地形、土地利用類型[50]和城市建筑分布[51]等因素與模型的連接，模擬降雨、地表產(chǎn)匯流、城市排水以及地表溢流等多方面的水文水動(dòng)力過(guò)程，以準(zhǔn)確推演內(nèi)澇發(fā)生時(shí)的動(dòng)態(tài)過(guò)程[44，52 -57] 。

現(xiàn)有的極端暴雨條件下城市內(nèi)澇模擬精細(xì)化程度常受到地形精度影響，同時(shí)隨著模型細(xì)節(jié)增加，所需的計(jì)算資源顯著增多，計(jì)算資源和經(jīng)濟(jì)投入成為限制因素。與自然流域不同，城市的下墊面[58]和地形更加復(fù)雜，同時(shí)建筑的阻隔會(huì)嚴(yán)重影響水流的流動(dòng)狀態(tài)，如何平衡城市復(fù)雜地形、計(jì)算精度、計(jì)算效率之間的關(guān)系，成為關(guān)鍵的技術(shù)難題。DEM是機(jī)理驅(qū)動(dòng)模型重要的輸入?yún)?shù)，不同的來(lái)源和精度的DEM對(duì)內(nèi)澇模擬結(jié)果有著重要的影響，許可芃[59]對(duì)上海市黃浦江流域展開內(nèi)澇模擬，在相同條件下6種不同的DEM在極端暴雨情況下會(huì)導(dǎo)致的淹沒(méi)面積預(yù)測(cè)差異超過(guò)1200倍。Xing 等[55]利用HiPIMS模型對(duì)福州市進(jìn)行了極端暴雨條件下的內(nèi)澇模擬，采用了5種不同精度的DEM，結(jié)果表明， 5m 及更高精度的DEM對(duì)城市內(nèi)澇有良好的模擬效果，否則會(huì)降低密集化城市地區(qū)的流量連通性。

網(wǎng)格本身在初始狀態(tài)下并不具備高程數(shù)據(jù)，需通過(guò)對(duì)DEM數(shù)據(jù)進(jìn)行插值處理，網(wǎng)格才具有地形地貌特征，不合理的結(jié)合方式，可能會(huì)導(dǎo)致模型中的地貌呈現(xiàn)出偏差或失真的情況，如圖1所示。

網(wǎng)格分辨率也決定了模擬結(jié)果的精確度。張紅萍等[]在全分布式模型的精細(xì)網(wǎng)格框架之上，疊加了大尺度的計(jì)算單元，其中，上層的大尺度單元專責(zé)模擬非淹沒(méi)區(qū)的降雨產(chǎn)流和匯流過(guò)程，而底層的精細(xì)網(wǎng)格則用于模擬淹沒(méi)區(qū)的內(nèi)澇淹沒(méi)現(xiàn)象。鐘家民等[6]以廣州市天河區(qū)獵德涌流域?yàn)檠芯繉?duì)象開展研究，發(fā)現(xiàn)當(dāng)網(wǎng)格分辨率增大時(shí)，極端暴雨內(nèi)澇淹沒(méi)的范圍和深度顯著加劇，在進(jìn)行城市建筑內(nèi)澇模擬研究時(shí)，應(yīng)充分考慮建筑物的實(shí)際寬度，選擇 10m 的網(wǎng)格分辨率能夠獲得最佳的模擬效果。程濤等[利用無(wú)人機(jī)獲取了城市UAV地形，完成了對(duì)濟(jì)南市海綿城市示范區(qū)的模擬，在不考慮圍墻的情況下會(huì)低估對(duì)內(nèi)澇結(jié)果的影響。在極端暴雨的城市內(nèi)澇模擬過(guò)程中，增加模型的精細(xì)度必將要求更好的運(yùn)行條件并延長(zhǎng)模型的運(yùn)行時(shí)間，當(dāng)模型應(yīng)用于實(shí)時(shí)內(nèi)澇預(yù)警時(shí)，對(duì)模型計(jì)算的時(shí)效性要求顯著提升，此時(shí)平衡模型的精確度和計(jì)算效率顯得尤為重要。

地鐵和車庫(kù)等地下空間在城市內(nèi)澇模擬中未被完全考慮，尤其在極端暴雨條件下，地下空間被淹沒(méi)的可能性急劇上升。2021年鄭州市發(fā)生特大暴雨災(zāi)害，城市地下空間破壞嚴(yán)重，地鐵隧道和地下室等地下空間淹沒(méi)造成多人溺水身亡，完善極端內(nèi)澇災(zāi)害地下空間模擬方法和體系，對(duì)于降低城市洪澇災(zāi)害風(fēng)險(xiǎn)具有重要意義。李鑫月等[52]將地下車庫(kù)概化為一個(gè)比小區(qū)地表低 5.5m 的二維地表，洪水通過(guò)管網(wǎng)進(jìn)入地下車庫(kù)；郭元等[63]在極端降水條件下對(duì)地下空間采用概化蓄水池法和水力連通法2種方式建模，蓄水池法簡(jiǎn)單易行，水力連通法可以詳細(xì)還原淹沒(méi)過(guò)程，為后續(xù)的地下空間模擬提供了思路和參考;Li等[64]建立了綜合水動(dòng)力特性、人體不穩(wěn)定性和人體行為的耦合模型，為極端暴雨下地鐵隧道淹沒(méi)預(yù)警提供了支持。但目前地下空間的模擬范圍較小，未能擴(kuò)展到整座城市，且概化方法不明確，機(jī)理性不強(qiáng)，還需進(jìn)一步探索。

2.2 數(shù)據(jù)驅(qū)動(dòng)模型

數(shù)據(jù)驅(qū)動(dòng)作為一種創(chuàng)新的分析方法，具有高效、準(zhǔn)確和自適應(yīng)的優(yōu)勢(shì)，能夠處理和分析大規(guī)模數(shù)據(jù)集，并運(yùn)用機(jī)器學(xué)習(xí)[65-66]和深度學(xué)習(xí)[67-69]技術(shù)挖掘其中的關(guān)聯(lián)性和模式，近年來(lái)在極端暴雨條件下的內(nèi)澇模擬中得到應(yīng)用。與機(jī)理驅(qū)動(dòng)模型明顯不同，數(shù)據(jù)驅(qū)動(dòng)模型不依賴于對(duì)研究區(qū)域內(nèi)物理過(guò)程的深入理解和詳盡建模，而重點(diǎn)關(guān)注于收集和分析可能影響內(nèi)澇結(jié)果的所有參數(shù)，將其作為輸入數(shù)據(jù)進(jìn)行模型訓(xùn)練。

數(shù)據(jù)驅(qū)動(dòng)模型的可靠性在很大程度上取決于機(jī)器學(xué)習(xí)方法。傳統(tǒng)統(tǒng)計(jì)模型如線性回歸[70]和邏輯回歸[71]僅能處理簡(jiǎn)單的內(nèi)澇數(shù)值關(guān)系，難以應(yīng)對(duì)復(fù)雜的地形和時(shí)間變化，實(shí)用性有限。隨著模型演進(jìn)，更復(fù)雜的簡(jiǎn)單機(jī)器學(xué)習(xí)模型如支持向量機(jī)[72]、K－近鄰算法[73]和貝葉斯模型[74]逐漸被引人，盡管它們?cè)谀承┓蔷€性特征處理上有所提升，但普遍存在計(jì)算效率低、對(duì)高維數(shù)據(jù)適應(yīng)性差以及處理多變量能力有限的問(wèn)題。隨后集成模型受到應(yīng)用，隨機(jī)森林[75]和梯度提升決策樹[76]提升了對(duì)內(nèi)澇復(fù)雜特征的處理能力，但在捕捉內(nèi)澇的時(shí)間動(dòng)態(tài)變化方面仍有所欠缺。深度學(xué)習(xí)的興起帶來(lái)了新的機(jī)遇，卷積神經(jīng)網(wǎng)絡(luò)[7]（CNN）在空間特征提取方面表現(xiàn)突出，而長(zhǎng)短期記憶網(wǎng)絡(luò)[78]（LSTM）和循環(huán)神經(jīng)網(wǎng)絡(luò)[79]（RNN）則專注于時(shí)間序列預(yù)測(cè)。CNN和LSTM[80]的耦合有效整合了空間與時(shí)間特征，提升了內(nèi)澇預(yù)測(cè)精度，成為目前主流的研究方法。

數(shù)據(jù)驅(qū)動(dòng)模型的輸人數(shù)據(jù)主要分為兩類，一類是基于歷史監(jiān)測(cè)的內(nèi)澇結(jié)果，包括但不局限于降雨量、內(nèi)澇點(diǎn)、積水深度等。Rasool等[81]以降雨數(shù)據(jù)驅(qū)動(dòng)機(jī)器學(xué)習(xí)模型，發(fā)掘巴基斯坦卡拉奇地區(qū)的降雨強(qiáng)度－持續(xù)時(shí)間-頻率之間的關(guān)系，可以快速預(yù)測(cè)極端暴雨產(chǎn)生的內(nèi)澇點(diǎn)。陳前虎等[82]基于元胞自動(dòng)機(jī)建立了杭州市的城市內(nèi)澇風(fēng)險(xiǎn)識(shí)別模型， 20min 即可完成3347km² 研究區(qū) ^3h 的極端暴雨內(nèi)澇積水過(guò)程模擬，且該模型不需要?jiǎng)澐謪R水區(qū)，不需要考慮河道數(shù)據(jù)與頂托等問(wèn)題，資料數(shù)據(jù)要求少。Zhang等[83分別將卷積神經(jīng)網(wǎng)絡(luò)（CNN）、具有批量歸一化的卷積神經(jīng)網(wǎng)絡(luò)（CNNBN）和多層感知器（MLP）3種深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)架構(gòu)應(yīng)用到中國(guó)東部城市的內(nèi)澇模擬中，只需14＼～24s即可生成整個(gè)研究領(lǐng)域的淹沒(méi)深度圖，計(jì)算速度是機(jī)理驅(qū)動(dòng)模型的20倍以上。

另一類則是基于社會(huì)側(cè)數(shù)據(jù)，通過(guò)高分辨率衛(wèi)星、互聯(lián)網(wǎng)等方式獲取極端暴雨內(nèi)澇數(shù)據(jù)以訓(xùn)練數(shù)據(jù)驅(qū)動(dòng)模型也成為一種新的研究方向。胡凱龍等[84]采用決策樹分類策略對(duì)衛(wèi)星影像進(jìn)行內(nèi)澇識(shí)別，積水點(diǎn)和淹沒(méi)范圍識(shí)別精度達(dá)到了 85% 。Amiri等[85]集成遙感和地理信息系統(tǒng)，考慮高程、坡度、河流距離等因素，開發(fā)了一種用于極端暴雨洪澇預(yù)測(cè)的機(jī)器學(xué)習(xí)工具。Zhu等[86]集成遙感、社會(huì)感知數(shù)據(jù)和機(jī)器學(xué)習(xí)模型提出了一種EMF內(nèi)澇制圖模型，可快速準(zhǔn)確識(shí)別極端暴雨下的內(nèi)澇易發(fā)地區(qū)。李海宏等[7]根據(jù)上海市應(yīng)急聯(lián)動(dòng)中心110接報(bào)極端暴雨內(nèi)澇災(zāi)情數(shù)據(jù)，利用BP模型（BackPropagation Model）和XGBoost模型（Ex-tremeGradientBoostingModel）實(shí)現(xiàn)了對(duì)上海市的暴雨內(nèi)澇預(yù)測(cè)。雖然訓(xùn)練社會(huì)側(cè)數(shù)據(jù)可以達(dá)到內(nèi)澇快速預(yù)測(cè)的目的，但受樣本數(shù)量和監(jiān)測(cè)能力的限制，其可靠性仍待進(jìn)一步探索。

數(shù)據(jù)驅(qū)動(dòng)模型通過(guò)這些數(shù)據(jù)學(xué)習(xí)不同參數(shù)與內(nèi)澇淹沒(méi)結(jié)果之間的關(guān)系，但面對(duì)數(shù)據(jù)匱乏的區(qū)域可能面臨諸多挑戰(zhàn)[88]。因此，在沒(méi)有充分實(shí)測(cè)數(shù)據(jù)的情況下，為了提高內(nèi)澇預(yù)測(cè)的準(zhǔn)確性和可靠性，可能需要采用其他方法或技術(shù)來(lái)輔助數(shù)據(jù)驅(qū)動(dòng)模型，比如結(jié)合機(jī)理驅(qū)動(dòng)方法。劉媛媛等[89]結(jié)合機(jī)理驅(qū)動(dòng)模型和BP人工神經(jīng)網(wǎng)絡(luò)模型對(duì)深圳市極端暴雨內(nèi)澇進(jìn)行模擬，用機(jī)理驅(qū)動(dòng)模型的結(jié)果訓(xùn)練數(shù)據(jù)驅(qū)動(dòng)模型，結(jié)果與實(shí)測(cè)的最大水深誤差為 3.84% ，模擬 ³h 的降雨方案用時(shí)僅0.01s。總之，數(shù)據(jù)驅(qū)動(dòng)模型通過(guò)挖掘歷史事件中的數(shù)據(jù)模式，為城市內(nèi)澇預(yù)測(cè)提供了一種重要工具和思路，但其有效性需要結(jié)合豐富的數(shù)據(jù)和其他補(bǔ)充技術(shù)來(lái)保證。表1總結(jié)了機(jī)理驅(qū)動(dòng)模型和數(shù)據(jù)驅(qū)動(dòng)模型的適用條件及優(yōu)缺點(diǎn)。

3極端暴雨條件下城市內(nèi)澇模擬的發(fā)展趨勢(shì)

3.1 城市內(nèi)澇模擬結(jié)果的多指標(biāo)動(dòng)態(tài)分析

城市內(nèi)澇模擬研究在極端暴雨條件下產(chǎn)生了顯著的發(fā)展趨勢(shì)，不再僅限于積水時(shí)間、范圍等傳統(tǒng)因素，而是逐步將水深、流速和淹沒(méi)時(shí)間等更為細(xì)化和動(dòng)態(tài)的要素納入分析范疇。這些擴(kuò)展變量的加入，不僅提升了城市內(nèi)澇模擬的準(zhǔn)確性和時(shí)效性，也為城市防洪工程的設(shè)計(jì)和應(yīng)急響應(yīng)提供了更加詳實(shí)的數(shù)據(jù)支持。Zhang等[9]構(gòu)建了澳門的城市內(nèi)澇模型，對(duì)多種情景下的極端暴雨城市內(nèi)澇過(guò)程展開模擬，依據(jù)積水深度以及淹沒(méi)時(shí)間，劃分出高、中、低3個(gè)風(fēng)險(xiǎn)等級(jí)，繪制出了澳門高密度城區(qū)的綜合風(fēng)險(xiǎn)分布圖。Zheng等[]建立了一種基于網(wǎng)格單元的城市防洪能力指標(biāo)，除水深外，流速和淹沒(méi)歷時(shí)也被考慮在內(nèi)，以內(nèi)澇災(zāi)害中的居民和車輛的失穩(wěn)性，評(píng)價(jià)交通用地的系統(tǒng)性能。這一趨勢(shì)反映了城市內(nèi)澇管理從粗放型向精細(xì)化、科學(xué)化轉(zhuǎn)變的需求，同時(shí)也為城市內(nèi)澇風(fēng)險(xiǎn)區(qū)域的劃分、多智能體內(nèi)澇災(zāi)情動(dòng)態(tài)風(fēng)險(xiǎn)評(píng)估[92]、災(zāi)害鏈全過(guò)程耦合模擬[93]奠定了基礎(chǔ)。

多指標(biāo)動(dòng)態(tài)分析有望拓展至多種城市與地理環(huán)境，構(gòu)建通用高效的評(píng)估模式。通過(guò)整合更多維度數(shù)據(jù)，如地下水位、土壤濕度等，完善內(nèi)澇風(fēng)險(xiǎn)評(píng)估。同時(shí)，基于此構(gòu)建自動(dòng)化、智能化內(nèi)澇預(yù)警與應(yīng)對(duì)系統(tǒng)，推動(dòng)城市防洪減災(zāi)新突破。

3.2 城市內(nèi)澇系統(tǒng)模擬精度和效率的提升

全球氣候變化引發(fā)的極端降雨事件日益頻繁，且極端暴雨具有短歷時(shí)、高強(qiáng)度、破壞性強(qiáng)的特點(diǎn)，準(zhǔn)確模擬內(nèi)澇的積水深度、影響范圍、流速等結(jié)果至關(guān)重要，為有效應(yīng)對(duì)上述挑戰(zhàn)，需要模型能夠以更高的分辨率捕捉這些細(xì)微變化。Huxley[94]分割0.5，1，2，5，10，20m 的網(wǎng)格分辨率對(duì)極端暴雨內(nèi)澇進(jìn)行模擬，發(fā)現(xiàn)分辨率較高的網(wǎng)格模擬效果好于粗網(wǎng)格，推薦的分辨率為 0.5～2m ，網(wǎng)格數(shù)量隨著分辨率的增加而顯著增加，且計(jì)算用時(shí)也隨之增長(zhǎng)， 0.5m 分辨率的網(wǎng)格計(jì)算需 48d ，而 20m 的網(wǎng)格僅需 12min 。冗長(zhǎng)的計(jì)算時(shí)長(zhǎng)難以滿足快速預(yù)報(bào)和應(yīng)急響應(yīng)的需求。為解決這一問(wèn)題，通過(guò)提升計(jì)算機(jī)算力、引入并行計(jì)算技術(shù)以及耦合機(jī)器學(xué)習(xí)模型等方法，可以顯著提升計(jì)算效率，為城市防洪減災(zāi)提供更為可靠和及時(shí)的支持。侯精明等[95]建立了一套具有層次拓?fù)潢P(guān)系的結(jié)構(gòu)化非均勻網(wǎng)格劃分模型，并基于GPU進(jìn)行高精度模擬加速，在保證精度的條件下，其運(yùn)行速度約為均勻網(wǎng)格的2～3倍。

隨著計(jì)算機(jī)技術(shù)的不斷進(jìn)步，內(nèi)澇模擬將能實(shí)現(xiàn)更高的空間和時(shí)間分辨率，為應(yīng)急響應(yīng)提供實(shí)時(shí)決策支持。未來(lái)的研究應(yīng)專注于平衡模型的計(jì)算效率與準(zhǔn)確性，開發(fā)新算法與技術(shù)，以應(yīng)對(duì)更復(fù)雜的極端降雨事件。同時(shí)，借助云計(jì)算和大數(shù)據(jù)技術(shù)，可以實(shí)現(xiàn)大規(guī)模的內(nèi)澇模擬，為城市規(guī)劃提供強(qiáng)有力的數(shù)據(jù)支撐。

3.3 城市尺度模型與流域尺度模型的深度融合

極端暴雨條件下城市內(nèi)澇和流域外洪相互影響，流域模型與城市內(nèi)澇模型的耦合模型能夠綜合考慮流域與城市之間的相互作用，提高模擬精度，同時(shí)增強(qiáng)模型的適用性和決策支持能力。唐清竹等[%]以2，10，50a和100a一遇的極端暴雨為輸人，建立了深圳河流域城市洪澇模型，繪制了深圳河流域不同暴雨情景下洪澇風(fēng)險(xiǎn)分布圖，劃分出了需重點(diǎn)關(guān)注的高風(fēng)險(xiǎn)區(qū)域。Nkeki等[9]建立了尼日利亞奧納河流域的洪澇模型，完成了洪水風(fēng)險(xiǎn)測(cè)繪和城市基礎(chǔ)設(shè)施敏感性評(píng)估，結(jié)果表明高層建筑、橋梁涵洞、公路和鐵路網(wǎng)比較密集的地區(qū)易受洪澇侵襲。流域模型與城市內(nèi)澇模型的耦合嵌套技術(shù)，為水文水資源研究和管理工作提供了一個(gè)高效、精確、靈活的工具。它不僅有助于優(yōu)化水資源管理，還能為流域洪水預(yù)報(bào)、城市內(nèi)澇模擬提供更為精確和全面的工具，從而幫助相關(guān)部門提前制定防洪排澇措施，減少洪澇災(zāi)害帶來(lái)的損失。

城市與流域模型融合將向智能化發(fā)展。借助物聯(lián)網(wǎng)技術(shù)實(shí)時(shí)獲取關(guān)鍵節(jié)點(diǎn)數(shù)據(jù)，如水位、雨量等，增強(qiáng)模型實(shí)時(shí)性與準(zhǔn)確性。融合模型與城市規(guī)劃系統(tǒng)結(jié)合，為規(guī)劃者提供洪澇風(fēng)險(xiǎn)評(píng)估，從源頭減少洪澇隱患，促進(jìn)城市與自然和諧共生。

3.4 機(jī)理模型和數(shù)值天氣預(yù)報(bào)的動(dòng)態(tài)結(jié)合

極端暴雨條件下的城市內(nèi)澇模擬中，降雨作為關(guān)鍵的致災(zāi)因素，其數(shù)據(jù)的精確性對(duì)模擬結(jié)果有著決定性的影響。當(dāng)前，獲取降雨數(shù)據(jù)的主要途徑包括歷史記錄、芝加哥雨型、雷達(dá)或遙感技術(shù)預(yù)測(cè)[98]，以及數(shù)值天氣預(yù)報(bào)（numerical weather prediction，NWP）[99]。歷史降雨數(shù)據(jù)雖然提供了寶貴的參考，但在全球氣候變化的大背景下，時(shí)間和空間上的局限性限制了其對(duì)未來(lái)降雨事件變化的全面反映。芝加哥雨型模型通過(guò)簡(jiǎn)化降雨過(guò)程來(lái)模擬設(shè)計(jì)降雨，但其準(zhǔn)確性高度依賴于選定參數(shù)的精確性，例如雨峰系數(shù)對(duì)模型結(jié)果有顯著影響[3]。雷達(dá)或遙感技術(shù)在預(yù)測(cè)降雨方面提供了一種現(xiàn)代手段，但其預(yù)測(cè)的準(zhǔn)確性容易受到大氣條件和地形特征的干擾，導(dǎo)致預(yù)測(cè)值與實(shí)際降雨量之間存在偏差[100]。數(shù)值天氣預(yù)報(bào)則代表了一種更為先進(jìn)的方法，它基于一系列數(shù)學(xué)和物理方程，從給定的初始大氣狀態(tài)出發(fā)，模擬和預(yù)測(cè)大氣狀態(tài)的未來(lái)演變。這種方法能夠提供更為動(dòng)態(tài)和細(xì)致的降雨預(yù)測(cè)，能提高降雨準(zhǔn)確性。初祁等[1o1]利用WRF（weatherresearch andforecasting）模型提高了北京地區(qū)短歷時(shí)強(qiáng)降水的模擬和預(yù)報(bào)能力，選用WRF模型中對(duì)降雨模擬影響明顯的3類參數(shù)化方案組成12組物理參數(shù)化方案組合，對(duì)北京地區(qū)具有不同中尺度環(huán)流特征的2類共8場(chǎng)短歷時(shí)強(qiáng)降水事件進(jìn)行模擬。Galanaki等[102]利用WRF-Hydro模型對(duì)希臘兩個(gè)中型流域進(jìn)行極端暴雨洪澇模擬，結(jié)果與WRF模型相比，對(duì)降雨的模擬有顯著提高。然而，氣象初始條件具有不穩(wěn)定性，人們難以完全掌握天氣的初始狀態(tài)，進(jìn)而導(dǎo)致數(shù)值天氣模擬輸出具有不穩(wěn)定性[99]，且模型計(jì)算量同樣龐大，追求預(yù)報(bào)精度和預(yù)報(bào)可見(jiàn)期必將極大提高計(jì)算成本，同時(shí)還要考慮數(shù)值天氣預(yù)報(bào)模型與城市內(nèi)澇模型的耦合程度，城市內(nèi)澇模擬結(jié)果受多種參數(shù)的影響，需要根據(jù)地區(qū)特征或現(xiàn)實(shí)需求選取能實(shí)際解決應(yīng)用目標(biāo)的耦合方式[103]。

機(jī)理模型與數(shù)值天氣預(yù)報(bào)的結(jié)合將更為緊密，以應(yīng)對(duì)氣候變化帶來(lái)的挑戰(zhàn)。隨著人工智能技術(shù)的興起，利用大數(shù)據(jù)提高降雨預(yù)報(bào)的準(zhǔn)確性，結(jié)合高頻率的氣象監(jiān)測(cè)，將使得內(nèi)澇模擬具備更強(qiáng)的實(shí)時(shí)性和靈活性。

3.5 機(jī)理驅(qū)動(dòng)模型和數(shù)據(jù)驅(qū)動(dòng)模型的實(shí)時(shí)耦合

機(jī)理模型雖然采用的都是數(shù)學(xué)和物理的方法，但是整個(gè)過(guò)程不僅僅是一系列方程和算法的簡(jiǎn)單疊加，而是一個(gè)高度集成的系統(tǒng)工程。它要求模型使用者不僅要熟悉數(shù)學(xué)和物理原理，還要對(duì)城市水文循環(huán)有深刻理解。模型的設(shè)計(jì)需要考慮到城市結(jié)構(gòu)的復(fù)雜性，包括建筑物、道路、綠地等不同地表特征對(duì)水文過(guò)程的影響。因此，想要更加精準(zhǔn)地刻畫城市內(nèi)澇，不僅要增加參數(shù)的多樣性，還要增加地形的豐富程度。提高模型精細(xì)化程度必然導(dǎo)致模型計(jì)算量巨大，在短期預(yù)報(bào)極端暴雨時(shí)難以起到快速模擬的作用。機(jī)理驅(qū)動(dòng)模型基于物理定律，能夠提供準(zhǔn)確的物理過(guò)程描述，而數(shù)據(jù)驅(qū)動(dòng)模型能夠捕捉數(shù)據(jù)中的復(fù)雜關(guān)系和模式快速輸出結(jié)果，兩者結(jié)合可以提高預(yù)測(cè)的準(zhǔn)確性，也可以顯著減少模擬的時(shí)間和成本。潘鑫鑫等[]利用K近鄰算法構(gòu)建了城市內(nèi)澇快速預(yù)測(cè)模型，可在17s內(nèi)快速預(yù)測(cè)出城市內(nèi)澇積水，計(jì)算速度可達(dá)到機(jī)理驅(qū)動(dòng)模型的87倍。He等[104]采用粗網(wǎng)格水動(dòng)力模型生成低分辨率內(nèi)澇時(shí)間序列，隨后通過(guò)深度學(xué)習(xí)模型將其轉(zhuǎn)換為高分辨率內(nèi)澇地圖， ^48h 的極端暴雨計(jì)算速度是直接使用細(xì)網(wǎng)格的2690倍。

未來(lái)的研究方向?qū)⒓杏趯?shí)現(xiàn)機(jī)理驅(qū)動(dòng)模型與數(shù)據(jù)驅(qū)動(dòng)模型的緊密耦合，以構(gòu)建一種自適應(yīng)的實(shí)時(shí)預(yù)測(cè)系統(tǒng)。這種系統(tǒng)能夠動(dòng)態(tài)學(xué)習(xí)城市內(nèi)澇過(guò)程中的關(guān)鍵變量變化，快速調(diào)整預(yù)測(cè)模型，提高預(yù)測(cè)的準(zhǔn)確性和實(shí)時(shí)性。同時(shí)，隨著更多高維度數(shù)據(jù)的集成，未來(lái)的模型將更加智能化。

4結(jié)論

本文針對(duì)目前極端暴雨條件下城市內(nèi)澇模擬做了系統(tǒng)梳理和總結(jié)。結(jié)果表明：極端暴雨具有短歷時(shí)、破壞性強(qiáng)的特點(diǎn)，目前界定極端暴雨的方式各有不同，需要根據(jù)地區(qū)的氣候特征、地理特征、歷史降雨等多方面因素，因地制宜地確定界定方法。實(shí)現(xiàn)極端暴雨條件下城市內(nèi)澇模擬的方法主要包括機(jī)理驅(qū)動(dòng)模型和數(shù)據(jù)驅(qū)動(dòng)模型。機(jī)理驅(qū)動(dòng)模型具有明確的物理意義，能夠從物理機(jī)制角度推演降雨、產(chǎn)匯流、排水系統(tǒng)和地面積水等過(guò)程。盡管這些模型經(jīng)過(guò)率定驗(yàn)證后結(jié)果可信，但其結(jié)構(gòu)復(fù)雜、計(jì)算量龐大且效率較低。相比之下，數(shù)據(jù)驅(qū)動(dòng)模型雖然不具備明確的物理意義，但其能夠反映輸入與輸出之間非線性的復(fù)雜關(guān)系，計(jì)算效率較高。

未來(lái)一段時(shí)間內(nèi)，極端暴雨條件下的城市內(nèi)澇模擬將朝著高精度和高效率的方向發(fā)展。如何在更高精度的環(huán)境下提高計(jì)算效率，成為多學(xué)科交叉研究的重要突破點(diǎn)。此外，數(shù)值天氣預(yù)報(bào)和機(jī)理模型的耦合也將成為一種新趨勢(shì)，通過(guò)提供更精細(xì)化的降雨數(shù)據(jù)，進(jìn)一步提升內(nèi)澇預(yù)報(bào)的準(zhǔn)確性；將機(jī)理驅(qū)動(dòng)模型與機(jī)器學(xué)習(xí)算法相結(jié)合，可以極大縮短機(jī)理驅(qū)動(dòng)模型的計(jì)算時(shí)間，同時(shí)豐富學(xué)習(xí)樣本，提高機(jī)器學(xué)習(xí)模型的機(jī)理性。兩者的優(yōu)勢(shì)互補(bǔ)，可為優(yōu)化城市防洪管理提供新的思路。

參考文獻(xiàn)：

[1]張金良，羅秋實(shí)，王冰潔，等.城市極端暴雨洪澇災(zāi)害成因及對(duì)策研究進(jìn)展[J].水資源保護(hù)，2024，40（1）：6-15.

[2] 舒章康，李文鑫，張建云，等.中國(guó)極端降水和高溫歷史變化及未來(lái)趨勢(shì)[J].中國(guó)工程科學(xué)，2022，24（5）：116-125.

[3]中華人民共和國(guó)水利部.中國(guó)水旱災(zāi)害防御公報(bào)[R].北京：中華

人民共和國(guó)水利部，2022.

[4] WINKLERJA.A synoptic-dynamic climatology of extreme precipitationinMinnesota[M].[S.l.]：[s.n.]，1983.

[5]侯建忠，王川，魯淵平，等.臺(tái)風(fēng)活動(dòng)與陜西極端暴雨的相關(guān)特征分析[C]//陜西省氣象學(xué)會(huì).陜西省氣象學(xué)會(huì)2005年學(xué)術(shù)交流會(huì)論文集，2005.

[6]關(guān)鐵生，姚惠明，吳永祥，等.海河流域極端暴雨特征及其天氣成因[J].水文，2012，32（1）：80-83.

[7］周云霞，蘇彥，黃莉.強(qiáng)臺(tái)風(fēng)“黑格比”后期極端暴雨的成因分析[J].海洋預(yù)報(bào)，2010，27（4）：20-24.

[8]XIE B T，HAN FT，LIU DF，et al. Statistical prediction of long termcharacteristics for typhoon induced rainstorm and inundation in china[C]//Proceedings of the 27th International Conference on OffshoreMechanics and Arctic Engineering，Estoril，Portugal，2008.

[9]楊春，諶蕓，方之芳，等.“07.6”廣西柳州極端暴雨過(guò)程的多尺度特征分析[J].氣象，2009，35（6）：54-62.

[10］孫穎妹，周玉淑，鄧國(guó)，等.2021年10月2＼～6日山西持續(xù)性極端降水過(guò)程低空急流及水汽輸送特征分析[J/OL].高原氣象，1－14[2025-03-18].http：//kns.cnki.net/kcms/detail/62.1061.P.20240830.0932.004.html.

[11］周春花，肖遞祥，郁淑華.誘發(fā)四川盆地極端暴雨的西南渦環(huán)流背景和結(jié)構(gòu)特征[J].氣象，2022，48（12）：1577-1589.

[12]劉晶，周雅蔓，楊蓮梅，等.伊犁河谷\"7.31”極端暴雨過(guò)程不穩(wěn)定性及其觸發(fā)機(jī)制研究[J].大氣科學(xué)，2019，43（6）：1204-1218.

[13]DEMISSIE S S.Effect of climate change on rainfall extremes： an eval-uation framework and study for Ireland[D].Galway：National Univer-sityofIreland，2006.

[14]ZHANG C，GU X Z，YE L，et al.Climate informed non- stationary-modeling of extreme precipitation in China[J].Water Resources Man-agement，2023，37（9） ：3319-3341.

[15］黃國(guó)如，陳志威，曾博威.城市洪澇模型及CPU-GPU異構(gòu)并行計(jì)算技術(shù)研究進(jìn)展[J].水利學(xué)報(bào)，2023，54（6）：654-665.

[16]徐宗學(xué)，葉陳雷.城市暴雨洪澇模擬：原理、模型與展望[J].水利學(xué)報(bào)，2021，52（4） ：381-392.

[17］成勤，王清龍，孟芳，等.宜昌市致洪中尺度極端降水成因分析[J].人民長(zhǎng)江，2024，55（7）：88-97.

[18]AHN K H，NAYAK M A.Atmospheric River activities and theirefetsoprecipiationoverSouthKoreaJ]JoualofHdology2022，610：127886.

[19］謝家旭，郭廣芬，杜良敏，等.漢江流域盛夏期極端降水特征及大氣環(huán)流分型研究[J].人民長(zhǎng)江，2023，54（9）：91-98，105.

[20］王垚，史海勻.粵港澳大灣區(qū)極端降雨的時(shí)空變化及其驅(qū)動(dòng)因素探究[J].水資源保護(hù)，2024，40（6）：28-37，77.

[21] CANNON F，HECHT C W，CORDEIRA J M，et al. Synoptic and me-soscale forcing of Southern California extreme precipitation[J]. Jour-nal of Geophysical Research -Atmospheres，2018，123（24）：13714-13730.

[22]LOMBARDI R，DAVIS M A L. Seting the stage：how abrupt climatechange，geomorphic thresholds，and drought control flood response inthe lower Tennessee River，USA[J].Quaternary Science Reviews，2023，301 ：107931.

[23]HE Y T，WANG J，F(xiàn)ENG J M.A typical weakly forced mountain - to- plain extreme precipitation event exacerbated by urbanization in

Beijing[J].Journal ofGeophysicalResearch-Atmospheres，2023，

128（22） ： e2023JD039275.

[24］張煜森，段彥博，吳哲元，等.極端暴雨下山地丘陵區(qū)小流域洪水淹沒(méi)強(qiáng)度對(duì)景觀特征的響應(yīng)：以河南“7·20”暴雨為例［J].生態(tài)學(xué)報(bào)，2023，43（20） ：8359 -8374.

[25]WANGYX，WANGSS，LUOF，etal.Strengthened impactsof IndianOceanDipole on the Yangtze precipitation contribute to the extremerainfall of 2O2O meiyu season[J]. Journal of Geophysical Research -Atmospheres，2022，127（24） ： e2022JD037028.

[26] SO K W，TAM C Y，LAU N C.Impacts of global warming on Meiyu-Baiu extreme rainfall and associated mid-latitude synoptic- scalesystems as inferred from 20km AGCM simulations[J]. Climate Dy-namics，2022，59（5/6） ：1849 -1861.

[27]LI X，ZHAO S W，WANG D H. Roles of synoptic characteristics andmicrophysics processes on the heavy rain event over Beijing regionduring29 Julyto2 August 2023[J].Frontiersin Earth Science，2024，12：1394342.

[28]劉萍，李帆，潘奇鑫，等.基于Copula函數(shù)的二維極端降水聯(lián)合概率特征分析[J].水文，2023，43（1）：35-40.

[29]張馳，白瑩瑩，崔童，等.一種對(duì)數(shù)型區(qū)域暴雨過(guò)程綜合強(qiáng)度評(píng)估模型的應(yīng)用研究［J].西南師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2022，47（11） ：86 -96.

[30］宋曉猛，張建云，孔凡哲.基于極值理論的北京市極端降水概率分布研究[J].中國(guó)科學(xué)：技術(shù)科學(xué)，2018，48（6）：639-650.

[31］萬(wàn)仕全，周國(guó)華，潘柱，等.南京過(guò)去100年極端日降水量模擬研究［J].氣象學(xué)報(bào)，2010，68（6）：790-799.

[32] GROISMAN P， KARL T，EASTERLING D，et al. Changes in the prob-ability of extremeprecipitation：important indicators of climate change[J]. Climatic Change，1999，42：243- 283.

[33]史培軍，孔鋒，方佳毅.中國(guó)年代際暴雨時(shí)空變化格局[J].地理科學(xué)，2014，34（11） ：1281-1290.

[34]HOSSEINZADEHTALAEI P，TABARI H，WILLEMS P. Climatechange impacton short-duration extreme precipitation and intensity-duration -frequency curvesover Europe[J].Jourmal of Hydrology，2020，590：125249.

[35] WU Y，TANG M，ZHOU Z，et al. Rainfall pattern construction methodbased on DTW- HCA and urban flood simulation： a case study ofNanchang City，China[J]. Water，2023，16（1） ：65.

[36]郭舟，張翔，趙燁，等.城市分區(qū)設(shè)計(jì)暴雨雨型研究：以武漢市為例[J].給水排水，2022，58（10）：78-83.

[37]LIU Y Y，LIL，LIU Y S，et al.Dynamic spatial-temporal precipitati-on distribution models for short-duration rainstorms in Shenzhen，China based on machine learning[J].Atmospheric Research，2020，237 ：104861.

[38]宋曉猛，徐楠濤，張建云，等.中國(guó)城市洪澇問(wèn)題：現(xiàn)狀、成因與挑戰(zhàn)[J].水科學(xué)進(jìn)展，2024，35（3）：357-373.

[39］王小杰，夏軍強(qiáng)，董柏良，等.基于匯水區(qū)分級(jí)劃分的城市洪澇模擬[J].水科學(xué)進(jìn)展，2022，33（2）：196-207.

[40］侯精明，董美君，李東來(lái)，等.超標(biāo)暴雨下城市雨水管網(wǎng)排水效果：以西安市灃西新城為例[J].地球科學(xué)與環(huán)境學(xué)報(bào)，2023，45（2）：427 -436.

[41］王琦，陳俊儒，王昊.基于失效概率的雨水管網(wǎng)高風(fēng)險(xiǎn)管道識(shí)別與改造[J].人民長(zhǎng)江，2024，55（8）：15-22.

[42]陳小龍，王小雨，王永桂.基于陸面-管網(wǎng)耦合模型的城市排水系統(tǒng)評(píng)估［J].人民長(zhǎng)江，2022，53（11）：79-85.

[43]唐磊，劉廣奇，程小文，等.海綿城市背景下合流制改造及溢流污染控制路徑研究[J].給水排水，2024，60（4）：54-61.

[44] CHEN Z，HUANG G.Numerical simulation study on the effect of un-derground drainagepipenetwork intypical urban flood[J].Journal ofHydrology，2024，638 ：131481.

[45]胡小鳳，周飛祥，司馬文卉，等.江南丘陵地區(qū)內(nèi)澇問(wèn)題成因系統(tǒng)性分析[J].給水排水，2023，59（增2）：77-81.

[46］陳佩琪，王兆禮，曾照洋，等.城市化對(duì)流域水文過(guò)程的影響模擬與預(yù)測(cè)研究[J].水力發(fā)電學(xué)報(bào)，2020，39（9）：67-77.

[47] ZHOU Z，LI Q，HE P，et al. Impacts of rainstorm characteristics onflood inundation mitigation performance of LID measures throughout anurban catchment[J]. Journal of Hydrology，2023，624 ：129841.

[48］楊鋼，徐宗學(xué)，趙剛，等.基于SWMM模型的北京大紅門排水區(qū)雨洪模擬及LID效果評(píng)價(jià)[J].北京師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2018，54（5） ：628 -634.

[49]RUIHONG W，KAIQIANG Z，CAN W，et al. Slope protection effct oftypical vegetation in the Three Gorges Reservoir area under extremerainfall[J]. iScience，2024，27（6） ：110057.

[50]ZHAOH，GUT，TANGJ，etal.Urbanfloodrisk differentiationunderland use scenario simulation[J].iScience，2023，26（4） ：106479.

[51]MEI C，SHI H，LIU J，et al.Analyzing urban form influence on pluvialflooding via numerical experiments using random slices of actual citydata[J]. Journal of Hydrology，2024，633 ：130916.

[52]李鑫月，侯精明，劉國(guó)，等.基于一維二維耦合水動(dòng)力模型的極端暴雨下地下空間洪水過(guò)程模擬［J].水動(dòng)力學(xué)研究與進(jìn)展A輯，2024，39（3） ：434 -441.

[53]杜經(jīng)緯，王昊，王浩，等.短歷時(shí)雨型對(duì)城市排水管網(wǎng)運(yùn)行狀態(tài)影響研究［J].人民長(zhǎng)江，2023，54（4）：108-113，162.

[54］劉家宏，李澤錦，梅超，等.基于TELEMAC-2D的不同設(shè)計(jì)暴雨下廈門島城市內(nèi)澇特征分析[J].科學(xué)通報(bào)，2019，64（19）：2055-2066.

[55]XING Y，LIANG Q，WANG G，et al. City - scale hydrodynamic model-ling of urban flash floods ：the issues of scale and resolution[J].Natu-ral Hazards，2018，96（1） ：473-496.

[56]丁青云，習(xí)雪飛.基于SWMM模型的城市內(nèi)澇成因分析[J].水利水電快報(bào)，2024，45（4）：31-34，40.

[57］馬鑫，侯精明，李丙堯.城市極端暴雨澇情變化特征模擬分析：以寧夏固原市為例[J].人民長(zhǎng)江，2023，54（7）：1-7.

[58]JINH，LIANGY，LUH，etal.Anintelligent framework forspatiotem-poral simulation of flooding considering urban underlying surface char-acteristics[J].International Journal ofApplied EarthObservation andGeoinformation，2024，130：103908.

[59］許可芃.基于改進(jìn)DEM的上海城市洪澇模擬與風(fēng)險(xiǎn)應(yīng)對(duì)[D].上海：華東師范大學(xué)，2022.

[60］張紅萍，郝曉麗，胡昌偉，等.城市暴雨洪澇多尺度分層嵌套模擬技術(shù)[J].水科學(xué)進(jìn)展，2023，34（4）：510-519.

[61］鐘家民，賀嘉琦，鄧鎮(zhèn)業(yè)，等.密集建筑物對(duì)城市洪澇模擬的影響研究［J].中國(guó)農(nóng)村水利水電，2023（8）：32-40.

[62]程濤，黃本勝，邱靜，等.基于UAV精細(xì)化地表數(shù)據(jù)的城市洪澇模擬與分析：以濟(jì)南市海綿城市示范區(qū)為例［J].水力發(fā)電學(xué)報(bào)，2021，40（5） ：110-124.

[63]郭元，王路瑤，陳能志，等.極端降水下的城市地表-地下空間洪澇過(guò)程模擬[J].水科學(xué)進(jìn)展，2023，34（2）：209-217.

[64]LI Q，XIA J，ZHOU M，et al. Risk assessment of metro tunnel evacuation in devastating urban flooding events[J].Tunnelling and Underground Space Technology，2024，144：105540.

[65] DANG T Q，TRAN B H，LE Q N，et al.Aplication of machine learning-based surrogatemodels for urban flood depth modeling in Ho Chi Minh City，Vietnam Image 1[J].Applied Soft Computing，2024 150： 111031.

[66］潘鑫鑫，侯精明，陳光照，等.基于K近鄰和水動(dòng)力模型的城市內(nèi) 澇快速預(yù)報(bào)[J].水資源保護(hù)，2023，39（3）：91-100.

[67］趙杏杏，左翔，蔡文靜，等.考慮時(shí)空特征的城市內(nèi)澇智能預(yù)報(bào)模 型研究[J].人民長(zhǎng)江，2024，55（7）：20-28.

[68］周易宏.基于深度學(xué)習(xí)的城市洪澇積水點(diǎn)淹沒(méi)過(guò)程預(yù)報(bào)預(yù)警研究 [D].鄭州：鄭州大學(xué)，2021.

[69] MOHAMADIAZAR N，EBRAHIMIAN A， HOSSEINY H. Integrating deep learning，satellte image processing，and spatial -temporal analysis for urban floodprediction[J]. Journal of Hydrology，2024，639： 131508.

[70]LIN JY，ZHANG W L， WEN Y Y，et al. Evaluating the association between morphological characteristics of urban land and pluvial floods using machine learning methods[J]. Sustainable Cities and Society， 2023，99 ：104891.

[71]HAN F，YU J，ZHOU G，et al.A comparative study on urban waterlogging susceptibility assessment based on multiple data - driven models [J]. Journal of Environmental Management，2024，360：121166.

[72] SOOMRO S E H，BOOTA M W，SHI X T，et al. Appraisal of urban waterlogging and extent damage situation after the devastating flood [J]. Water Resources Management，2024，38（12）：4911 -4931.

[73]BAI H，WANG B X，LI B，et al.Multi- period early-warning precipitation identification method for the easily waterlogged districts in Jiangxi Province，China[J].Theoretical and Applied Climatology，2024， 155（4） ：2705 -2718.

[74]LI J，LIU J，WU T，et al. Risk analysis of waterlogging in a big city based on a bow-tie Bayesian network model，using the megacity of Wuhan as an example[J]. Frontiers in Environmental Science，2023， 11 ：1258544.

[75] WANG H，ZHAO Y，ZHU Y，et al. Prediction of urban water accumulation points and water accumulation processbased on machine learning[J]. Earth Science Informatics，2021，14（4） ：2317-2328.

[76] ZHAO JC，WANG J，ABBAS Z，et al. Ensemble learning analysis of influencing factors on the distribution of urban flood risk points：a case study of Guangzhou，China[J].Frontiersin Earth Science，2023，11： 1042088.

[77]HUANG J，KANG JL， WANG H M，et al. A novel approach to measuring urban waterlogging depth from images based on mask region - based convolutional neural network[J]. Sustainability，202o，12（5）： 2149.

[78]LIU Y Z，ZHANG W T，YAN Y，et al. An effctive rainfall - ponding multi-stepprediction model basedonLSTMfor urban waterlogging points[J]. Applied Sciences -Basel，2022，12（23） ：12334.

[79]LIU H，HAO Y，ZHANG W H，et al. Online urban - waterlogging monitoring based on a recurrent neural network for classification of microblogging text[J].Natural Hazards and Earth System Sciences， 2021，21（4） ：1179 -1194.

[80] CHEN J，LI Y W，ZHANG S J.Fast prediction of urban flooding water depthbased onCNN-LSTM[J].Water，2023，15（7）：1397.

[81] RASOOL U，YIN X，XU Z，et al. Rainfall - driven machine learningmodels for accurate flood inundation mapping in Karachi，Pakistan [J].Urban Climate，2023，49：101573.

[82]陳前虎，沈銣桑，陳甜甜，等.基于元胞自動(dòng)機(jī)的城市內(nèi)澇風(fēng)險(xiǎn)識(shí) 別模型研究[J].水利水電技術(shù)（中英文），2024，55（8）：1-12.

[83]ZHANGW，LIUY，TANGW，et al.Rapid spatio-temporal prediction of coastal urban floods based on deep learning approaches[J].Urban Climate，2023，52：101716.

[84]胡凱龍，劉明，劉明博，等.高分多模衛(wèi)星在洪澇災(zāi)害監(jiān)測(cè)中的應(yīng) 用[J].航天器工程，2021，30（3）：218-224.

[85] AMIRI A，SOLTANI K，EBTEHAJ I，et al. A novel machine learning tool for current and future flood susceptibility mapping by integrating remote sensing and geographic information systems[J].Journal of Hydrology，2024，632：130936.

[86] ZHU X，GUO H，HUANG J J. Urban flood susceptibility mapping using remote sensing，social sensing and an ensemble machine learningmodel[J]. Sustainable Cities and Society，2024，108：105508.

[87］李海宏，吳吉東，王強(qiáng)，等.基于機(jī)器學(xué)習(xí)方法的上海市暴雨內(nèi)澇 災(zāi)情預(yù)測(cè)模型研究[J].自然災(zāi)害學(xué)報(bào)，2021，30（1）：191-200.

[88]WU Z，ZHOU Y，WANG H，et al. Depth prediction of urban flood under different rainfall return periods based on deep learning and data warehouse[J].Scienceof the Total Environment，202O，716：137077.

[89]劉媛媛，劉業(yè)森，鄭敬偉，等.BP神經(jīng)網(wǎng)絡(luò)和數(shù)值模型相結(jié)合的城 市內(nèi)澇預(yù)測(cè)方法研究[J].水利學(xué)報(bào)，2022，53（3）：284-295.

[90]ZHANG R，LI Y，CHEN T，etal.Flood risk identification inhigh - density urban areas of Macau based on disaster scenario simulation [J].International Journal of Disaster Risk Reduction，2O24，107： 104485.

[91]ZHENG J，HUANG G.A novel grid cell-based urban flood resilience metric considering water velocity and duration of system performance being impacted[J]. Journal of Hydrology，2023，617 ：128911.

[92]盧興超，徐宗學(xué)，李永坤，等.基于多智能體模型的城市洪澇災(zāi)害 動(dòng)態(tài)風(fēng)險(xiǎn)評(píng)估[J].水資源保護(hù)，2024，40（4）：36-47.

[93]劉家宏，梅超，劉宏偉，等.特大城市外洪內(nèi)澇災(zāi)害鏈聯(lián)防聯(lián)控關(guān) 鍵科學(xué)技術(shù)問(wèn)題[J].水科學(xué)進(jìn)展，2023，34（2）：172-181.

[94]HUXLEY C. Rapid and accurate storm water drainage system assessments using GPU technology[C]//IECA-SQ Conference，Brisbane， 2017.

[95]侯精明，王俊琿，同玉，等.基于非均勻網(wǎng)格的高效高精度洪澇過(guò) 程模擬[J].工程科學(xué)與技術(shù)，2021，53（4）：53-62.

[96]唐清竹，徐宗學(xué)，王京晶，等.深圳河流域城市洪澇風(fēng)險(xiǎn)分析[J]. 水力發(fā)電學(xué)報(bào)，2023，42（6）：13-22.

[97]NKEKI FN，BELLO E I，AGBAJE IG.Flood risk mapping and urban infrastructural susceptibility assessment using a GIS and analytic hierarchical raster fusion approach in the Ona River Basin，Nigeria[J]. International Journal of Disaster Risk Reduction，2022，77：103097.

[98]趙建宇.基于多普勒天氣雷達(dá)圖像的短時(shí)降雨預(yù)測(cè)[D].大連：大 連海事大學(xué)，2022.

[99]徐宗學(xué)，初祁，王昊，等.基于陸氣耦合的城市雨洪模擬技術(shù)研究 進(jìn)展[J].北京師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2022，58（3）：434- 446.

[100]王慧媛.基于深度學(xué)習(xí)的短時(shí)定量降水預(yù)測(cè)研究[D].金華：浙江 師范大學(xué)，2020.

[101]初祁，周晉軍，徐宗學(xué).適用北京地區(qū)短歷時(shí)強(qiáng)降水模擬的WRF 模型物理參數(shù)化方案研究［J].北京師范大學(xué)學(xué)報(bào)（自然科學(xué) 版），2019，55（5）：617-626.

[102]GALANAKI E，LAGOUVARDOSK，KOTRONI V，et al. Implementation of WRF-Hydro at two drainage basins in the region of Attica， Greece，for operational flood forecasting[J]. Copernicus GmbH，2021， 21（7） ：1983.

[103]徐雷.山地城市道路大排水系統(tǒng)交叉口流量分配規(guī)律及模型研究 [D].重慶：重慶大學(xué)，2020.

[104]HE J，ZHANG L，XIAO T，et al. Deep leaming enables super- resolution hydrodynamic flooding process modeling under spatiotemporally varyingrainstorms[J].Water Research，2023，239：120057. （編輯：謝玲嫻）