城市暴雨道路积水监测技术及其应用进展

栾清华，秦志宇，王 东，刘家宏，付潇然

(1.河北工程大学河北省智慧水利重点实验室，河北 邯郸 056038；2.河海大学洪涝灾害风险预警与防控应急管理部重点实验室，江苏 南京 210098；3.中国水利水电科学研究院流域水循环模拟与调控国家重点实验室，北京 100038)

2021年郑州“7·20”特大暴雨和北京“8·16”短时强降雨事件再次唤起民众对城市暴雨内涝的关注，并引发了对城市内涝灾害预警预案的思考[1]。同一时期，美国纽约曼哈顿街区、德国西部地区和日本岛根县均经历了大暴雨，洪水灌入地铁和下穿隧道，城市道路变成行泄通道，造成财产损失和民众伤亡。突发的暴雨事件，使得决策者不仅要从宏观上对区域整体内涝风险进行快速评估，还要针对具体易涝点进行预警，有的放矢制定相应的预警方案。近年来，采用非工程措施来降低城市极端降雨内涝灾害损失的重要性被不断提及，国内外许多学者通过建立精确的物理模型来实现上述管理需求[2-4]；随着信息收集和传输的飞速发展，一些学者尝试采用深度学习等技术算法分析挖掘数据间的潜在联系，并构建数据驱动模型来反映城市暴雨内涝问题[5-7]。然而城市地表空间有限，地下空间也布满了各种管道、地铁等基础设施，要想实现精细化分析，充足准确的数据和本底资料非常关键[8-9]。道路交通作为城市基础设施的重要组成部分，必然是预警、预案涉及的一个重要方面，监测分析不同暴雨过程下的道路积水分布及特征成为城市洪涝预警和预案设计的关键内容[10-11]。此外，我国尚未大面积开展城市雨水管网的实时监测，在率定和验证区域雨洪管理模型时，借助道路积水监测数据也是一种有效的解决途径[12-14]。本文立足上述城市暴雨内涝灾害防治的需求背景，在总结归纳道路积水不同监测技术原理及优缺点的基础上，阐述各技术在城市内涝预警中的应用情况，进而探究其发展趋势，以期为其他学者和管理者在城市内涝模拟及预警方面提供借鉴和参考。

1 道路积水监测技术

1.1 人工监测技术

城市雨水排放的概念很早就有过记载，如古罗马的地下管网系统和我国赣州的福寿沟[15-16]。早期的城市排水或积水监测主要是采用水尺等工具，人工测量水深(图1)。按照测量要素的不同又可分为现场实时监测和最大积水深度踏勘。现场实时监测是指在城市易涝点派专人蹲守，通过设立的水尺记录下整场降雨的水位变化过程；内涝最大积水深度踏勘是指通过实时测量或事后补测的方法获取数据，一般多次读数后取其平均值。最大积水深度踏勘能直观地获取水位数据，是较为准确可靠的单点监测方法，在监测固定积水点的基础上，可根据不同降雨内涝的实际情况，充分发挥人的能动性，采用人工实地测量和勘察，灵活补充测点以弥补单点固定监测的不足，因此也常用于校核自计水位装置。然而该方法的自动化程度较低，且读数误差、时间耗费和人员风险也是难以避免的问题[17]。单靠人工记录获取监测点的积水深度、积水过程线并通过电话短信上报的形式，已不能满足城市内涝快速预警预案的需要[18]。

图1 人工道路积水监测Fig.1 Manual road waterlogging monitoring

1.2 传感器监测技术

随着电子设备的更新，水位监测开始从人工向自动化转变，目前大多数城市通过布设水位传感器[19-20]，建立基于传感器的道路积水监测系统来实现数据采集、传输、存贮模块与水位传感器的紧密结合[21-22]。按测量方式的不同，水位传感器可分为接触式和非接触式，其中，接触式又分为电子水尺和压力式水位传感器2类；非接触式又分为超声波、红外光、雷达和激光水位传感器4类。

1.2.1接触式

电子水尺(电极式)主要运用水的微弱导电性原理获取数据，其长度一般有8 cm、12 cm、18 cm、20 cm 等不同规格，测量精度为1 cm，由于传感器与水体直接接触，防护多采用具有密闭性的不锈钢外壳。该设备基本不受温度、压力、湿度、泥污等外界环境的影响，适合测量静态和动态水面[23]；其采样精度取决于电极间距，所以实测中还能将不同长度的电子水尺组合，增大测量量程[24]。为增加数据监测传输的可靠性，防止市电的停运，一般都配有太阳能供电设备(图2)，但电子水尺体积较大，对布设场地有要求。

图2 电子水尺Fig.2 Electronic water gauge

压力式水位传感器通过测量液体的静水压力来获取数据，其尺寸规格一般有10～80 m可选，精度可达0.1 cm。根据传感器安装位置不同还可分为气泡式和投入式[25]，两者的区别在于气泡式水位传感器安装在液面以上，将水压力通过气管中的空气或惰性气体传至传感器，投入式传感器则埋于水下，多用于城市道路积水监测(图3)。其优点在于测量精度高，体积小、重量轻、密封性好和便于安装，但会受大气压强变化、被测液体密度变化和降雨外力等环境因素的影响，所以在运行前需进行校准[26]。

图3 压力式传感器Fig.3 Pressure-type sensor

表1 水位传感器对比Table 1 Comparison of water level sensors

1.2.2非接触式

激光水位传感器利用了激光测量周期短、精度高、无发散角的优势[25]。在测量时，顶部激光器发出激光到液面反射板，通过测量激光相位变化得到光程，从而获得水位变化情况[27]；其量程一般为 5 m、10 m、20 m、30 m，测量精度可达0.1 cm；测量时基本不受环境因素影响，但因其强穿透性，在监测液面时需加装反光板才能使传感器接收到反射光信号，增加了成本和施工难度。超声波水位传感器利用超声波高频、短波、方向性好以及遇不同密度介质分界面时发生反射的特性，通过超声波测距原理来测量水位[25]；根据仪器的安装位置可细分为气介式、固介式和液介式3种，气介式多用于城市道路积水监测[28]，其量程一般为1 m、5 m、10 m、20 m、40 m；该类型传感器生产成本低、功耗较低，在保证高精度测量的同时，有很长的使用寿命，测量盲区也较小；缺点是易受到温度、空气密度以及回波检测等因素的影响，针对这些问题，可以通过确定传感器和被测水体的最佳距离以及添加温度检测电路等措施来从一定程度上提高设备测量精度[29]。红外线是具有部分光特性的电磁波[29]，用红外传感器测量水位时，光电探测器也会接收到不同的光信号，最后根据光强弱的不同将光信号转为电信号进行数据记录和路面状态的检测分析；同超声波技术相比，其技术难度较低，成本也低，最重要的是在近距离测量上比超声波的测距精度更高[31]，但受光照的影响，在测量时须考虑系统进行光照补偿的问题[32]。上述的测量方法都有各自的优缺点，需根据使用环境和目标需求选择更合适的方法。本文基于道路积水监测情景，对上述电子水尺、压力传感器、激光传感器、超声波传感器以及红外传感器5种监测设备的规格、精度、优点和待改进问题进行了对比，如表1所示。

由表1可见，水位传感器均能实现道路积水监测。接触式传感器的缺点主要是由于直接接触水体而导致设备易受腐蚀和水中其他物质干扰，而非接触式传感器尽管避免了设备腐蚀的风险，但会受温度、光照等环境因素的影响。立足这些问题，一些学者就不同应用场景，基于原有的传感器的技术特性，设计改进了相应的监测系统。针对立交桥区域，陈春梅等[33]设计了一套超声波积水监测系统，实现了非接触式测量与远程水位监控和报警；忻龙玉[34]设计了一套雷达积水监测系统；孙凤华等[35]将电子水尺的控制和供电组件安装在桥上，并对其耗电量较高的问题做了优化，保证了该设备在市政供电故障时正常工作；针对下穿隧道区域，刘永志等[36]设计了一套接触式道路积水监测装置，运用杠杆的原理进行水位测量并实现了积水监控装置与排水泵的联动；Hassan等[37]设计了一种基于浮子传感器并能将积水预警信息在显示屏上及时展示的道路积水监测系统。还有学者在监测系统的采集传输技术方面进行了改进，曾铖泓等[38]将基于STM32的水深测量装置搭载于汽车上，以高效获取城市道路积水状况。随着交通视频监控的推广和技术升级，将其与水位传感器相结合逐渐成为当下采用的一种道路积水监测手段。严建华等[39]将电子水尺与视频监控相结合，两种数据源的结合提高了隧道积水监测的准确性；徐青林等[40]设计了一套由道路积水监测控制器、电子水尺、多路接触开关、视频摄像机﹑太阳能供电系统等组成的自感应式道路积水监测设备。

1.3 影像监测技术

随着城区不断扩张和极端暴雨事件的频发，及时全面地获得城区大尺度范围的积涝情况愈加重要。尽管传感器监测实现了自动化监测和传输，但也只能反映单个测点的积水情况，且获取的数据量有限。为快速全面的获取积水数据，目前采用两种技术方法：①利用3S(remote sensing， RS； geographic information system， GIS； global positioning system， GPS)技术进行水体提取[41-42]；②利用监控视频图像进行积水区域识别[43]。

1.3.1遥感影像监测技术

遥感影像监测技术常用于城市内涝灾害快速评估，其利用水体在0.4～2.5 μm电磁波段低反射率的特性，通过识别水体的光谱特征和分析空间位置关系实现水体信息提取[44]。以光学影像信息为主的水体提取方法主要有阈值法、分类器法和自动化法[45]；以雷达影像为主的方法主要有阈值法、滤波法、基于DEM法和基于GLCM法，也有将两种影像相结合的模型法[45]。目前用于洪水监测的遥感资料主要有美国的陆地资源卫星Landsat TM与 ETM+、法国的资源卫星SPOT、美国的极轨气象业务卫星NOAA/AVHRR、中国的极轨气象卫星FY-1、FY-2、高分三号卫星、美国的对地观测系统卫星EOS/MODIS以及加拿大的雷达卫星RadarsatSAR等[47]。

遥感影像提取水体具有覆盖范围广、周期短、时效性强的优点。缺点是提取的水体与陆地边界区分较差、无法完全消除背景干扰、不易提取细小水体[48]。而城市区域的地物分布错综复杂，建筑物、道路、涵洞、明渠等相互交错，微小的地形误差就可能导致测量失败，对遥感影像监测技术有着更高的要求[49]，且提取道路积水和计算深度需要高精度的遥感和DEM数据，获取这些数据的成本也要考虑在内。若能将地面视频监测设备获取的数据与之结合，便能更好地应用于城市洪涝模拟和预警管理。

为改进遥感影像水体识别技术，使其更加适用于城市尺度的积水监测，王俊海等[50]从城市水体识别技术着手，通过结合光谱信息、形状信息和纹理信息，以减少城市阴影对水体识别的影响；崔齐等[51]提出一种面向遥感影像的矢量约束水体提取的方法，该方法不仅能有效抑制地物阴影的影响，还可以准确提取细小水体信息。还有学者在遥感积水数据提取上采用不同方法进行尝试或改进，如董玉波等[56]将最大熵的遥感积水影像提取技术与最小二乘法的道路预警方法相结合，推进了道路积水预警的发展；Irwin等[57]运用多源遥感数据，建立了包含光学遥感影像数据、SAR数据和机载激光雷达数据的融合分类模型，通过最小化单个数据集模型之间的差异实现水体的高精度提取。

就雷达卫星而言，多与地面站降雨数据结合输入到城市内涝模型来预测道路积水深度[52]。唐颖等[53]通过雷达外推结合降水量与雷达基本反射率公式预测降水量，进而将预测降雨数据导入水力模型来现城市内涝预警；李恒升等[54]利用雷达OHP(1 h precipitation accumulation)产品数据通过网格插值法处理成内涝数学模型所需的降雨数据，再带入模型中进行积水预测；杨东等[55]将无人机载激光雷达技术用于提取区域高精度DEM数据，基于此数据建立了城市内涝模型，模拟结果在积水面积和深度上都有较好的表现。

1.3.2视频图像监测技术

城市中监控摄像头随处可见，能否将这些摄像头采集的信息用于道路积水分析成为近来研究热点。现阶段的提取方法根据目标对象的不同大致分为两类：①通过分析事先在积水区域设置的水尺图像得到水位线信息，该过程通常先通过截取监控视频的图像，再对彩色图像进行灰度转换，删减无用信息提高运算效率，之后对图像中的水尺进行分割提取，最后进行图像降噪与刻度线信息的提取；②直接分析区域的积水图像，运用多种技术手段提取分析积水影像，例如使用基于大数据的深度学习技术，通过海量积水图像的不断训练，增强模型对城市道路各种复杂情景下算法的鲁棒性，从而提高积水检测、识别、分割的精度。相比第一种方法，后者省去了积水点布设水尺和日常维护的步骤，大大提高了测量的机动性，但识别精度有待提高。

视频图像监控技术在城市内涝监测中的普及离不开通信技术和计算机视觉的发展[58]，其优点在于可利用城市现有的监控摄像头，通过对图像的处理便可获取水位信息，降低了设备安装成本；但其抗气候干扰能力较弱，在天气情况良好的情况下，水位信息釆集的精确度较髙，如遇小雨、雾霾等天气，会影响到摄像头采集图片的质量，虽然可通过软件进行去噪、均衡化等操作来还原部分图像，仍会对测量精度产生影响。目前，不论是对道路水尺图像的提取算法或是道路积水识别的深度学习模型在技术上都有待改进，但随着影像识别技术精度的不断提高，视频图像监测技术将在未来逐渐成为主导。

针对目前水尺图像识别和水尺刻度提取精度等技术问题，我国多位学者[59-61]对水尺边缘提取技术开展研究，结果表明sobel、roberts和canny等边缘算子均有较好的抗噪、抗光照不均效果。石玉立等[62]利用水面上下图像亮度差异的特性，构建了基于视频图像的IDL(interactive data language)水位提取检测模型；高晓亮等[63]设计了一种基于HSV(hue, saturation, value)颜色空间的水位检测法，解决了传统边缘检测算子在图像质量较差时无法准确测算的问题；肖卓等[64]运用基于卷积神经网络的目标检测算法(single shot mulitbox detector， SSD)提取水尺特征进行检测的准确率达95%，误差控制在2 cm内；王磊等[65]用YOLO-v3和ResNet网络算法检测水尺对象和识别水尺刻度，运行准确率可达95%以上；周衡等[66]不再通过识别水尺刻度进行数值提取，而是利用水尺刻度对相机进行标定，再通过目标区域图像差分提取水位变化区域，简化了算法的同时能较精确测得实际水位值，但需保证相机与水尺位置都固定住不发生移动。

在提高道路积水图像的识别技术方面，深度学习等人工智能技术也逐渐被采纳。张勤学等[67]设计了一种基于图像识别技术的城市道路积水监测系统，该系统将采集后的图像运用大数据平台实现深度学习以构建数据库，从而实现4个维度的图像分类模型，达到智能化监测道路积水的目的；白岗岗等[68]设计了一种基于深度学习技术的城市内涝积水面积监测方法，通过CNN(convolutional neural network)模型和YOLOv2模型设计出一种可自动识别积水的方法；Vitry等[69]使用深度卷积神经网络(deep convolutional neural network)和静态观测洪水指数从视频监控中获取道路积水信息，将人工智能处理加入监控视频中为市区提供城市内涝监测数据，并结合多种信息构建优化监测系统。

另有学者将多元信息融合应用于积水监测，如黄伟等[70]将降雨资料和压力水位传感器与视频图像获取的3种信息相结合，设计了一套大数据分析与机理模型协同的道路积水监测系统，通过分析视频图像的像素面积与道路实际面积的关系得出降雨情景下的道路积水面积和深度；奚春华等[71]将区域高精度DEM影像、对应的高分辨率遥感影像和视频监控图像三者相结合，根据建立的几何映射关系以及DEM影像映射结果，实现直接在监控视频图像上进行积水深度量测量。

还有学者将图像中的车轮和车辆作为参考物来进行积水识别，黄晶等[72]利用城市视频监控系统作为积水图像的采集设备，提出了一种利用汽车轮胎测量出城市道路积水深度的方法，该方法将各种汽车轮胎视频作为数据源，通过对视频的深度学习达到在现实中应用的效果；Garcia等[73]通过对城市内涝中车辆图像的识别分割以及相关区域地表图像的检索来实现道路积水深的估测，但还需加强复杂环境下的抗干扰性；刘军等[74]研究出一种基于浮动车数据(floating car data，FCD)的桥下积水点识别方法，通过AcrGIS编写算法程序得以实现，该方法排除了GPS随机因素干扰，减少了积水时段常发性拥堵对判断的影响。

2 道路积水监测技术应用

2.1 传感器积水监测应用进展

早在20世纪70年代，美国国家气象局就具有了一套功能较完备的水文自动测报系统服务于天然流域的河湖内涝预警[21]。进入21世纪，随着集成电路的发展与应用、终端监测设备的升级、数据传送方式的多样化，许多地区也将多种传感器监测设备用于城市内涝预警领域。菲律宾马尼拉地铁站附近安装了压力传感器监测道路积水，并通过无线通信网络将积水情况发送到用户的手机中[75]。尼日利亚首府乌约市的内涝监测和检测系统涵盖了首府乌约市的15个易涝点，通过获取的湿度、温度、水位和降水量向附近的居民发送预警通知[76]。无锡市道路积水预警系统将AVR单片机与GPRS相结合，用超声波传感器进行监测的同时，利用积水水位以及水位变化率计算出预警系数用于提前预警[77]。重庆两江新区将气介式超声波传感器用于道路积水监测，其中加入了温度补偿计算、数字滤波算法和水位上升速度计算模块，降低了温度和水面波浪对传感器的影响[78]。常州市建设的基于WSAN技术的道路积水监控系统运用了超声波传感器和BP神经网络水位预测模型，并通过控制水泵运作实现闭环控制[79]。长沙市城市内涝监测系统在香樟东路高铁南立交桥等多处易涝区安装了雷达水位传感器，该系统在2017年“7·1”暴雨中发布道路灾情信息31次，为车辆避险及人员撤离提供了宝贵的时间[80]。

还有学者将多种传感器相结合应用于道路积水测量系统，丁榕[81]将电子水尺和超声波传感器分别安装在广州、绵阳等城市低洼地段和窨井内，开展城市道路管网的积水监测研究。上海市水务部门在沪实施的道路积水监测项目中，选择了压力式和超声波两种水位传感器相互结合的方式，保证了测量量程的同时也便于水位监测数据的校核。美国佛罗里达州道路积水监测系统中使用了WL700超声波传感器，通过无线通信系统将道路积水数据与NOAA卫星的降雨预报联系起来，实现了城市道路积水的监测与预报，系统中还加入了视频监控模块，但仅有道路交通和积水点的视频对外发布[43]。

2.2 影像监测技术应用进展

2.2.1遥感影像应用

随着遥感技术的不断发展，城市尺度内涝预警采用遥感影像提取积水水体并开展应用的逐渐增多，得到了许多研究者和管理者的关注，其中积水影像提取从数据源角度又可分单个卫星和多个卫星的应用。在单一卫星监测方面，张斌[82]利用雷达卫星影像数据分析了岳阳市的内涝灾害情况，通过快速提取洪水淹没区，监测洪水多发区的时序保障了城市内涝预警的时效性；Mason等[83]在英国Tewkesbury郡150年一遇的洪水事件中经由航拍验证图像对比，用TerraSAR-X雷达卫星可准确提取城市内涝水体的可见区和遮挡区，可用来校准和验证城市暴雨内涝模型；Vorawit等[84]在马来西亚吉隆坡城区将地面视图的SfM(Structure from Motion)数据与服饰滤波LiDAR数据相结合建立了多维视图融合-数字地形模型(MFV-DTM)，该模型在积水深度和水体范围识别上都有较好的精度，可用作城市内涝模型的数据输入。在多卫星组合监测方面，为提高城市细小水体的提取准确度，德国航空航天的卫星信息中心开发出基于MODIS和TerraSAR-X雷达卫星的双尺度城市内涝监测预警系统，对俄罗斯和阿尔巴尼亚的两场内涝事件进行了监测与评估[85]。王嘉芃等[86]用灾中COSMO-SkyMed雷达影像和灾前SPOT-5光学影像的优缺点进行空间差值运算提取水体，设计了基于多源遥感数据的洪水淹没信息快速提取模型，并在浙江余姚“10.7”水灾中得到了很好的验证。针对建筑物和植被遮挡水体的问题，Mason等[87]使用合成孔径雷达(SAR)和城区激光探测及测距系统，通过检测地面和积水相邻建筑物墙壁间的双散射强度实现积水探测，准确率可达91%。

2.2.2视频图像应用

由于通过计算机视觉技术和多媒体传输技术的视频影像技术可以最大限度发挥监控系统的作用，远程获取道路积水数据[88-89]，因此基于视频图像的道路积水识别技术逐渐成为近年的研究热点，主要集中于水尺图像、水位刻度线的识别和路面积水图像的识别。

在水尺图像识别方面，济宁城市水文监测系统为城区所有积水站点配置了视频监控系统，可在通过视频监控系统观测现场设立的水尺，实现实时积水水深数据采集、接入[90]。牛智星等[91]设计了一套基于水尺图像的水位自动监测系统，利用图像识别技术，采用4G网络进行数据传输，实现了远程遥测，在应用测量误差不超过2 cm。通过查阅大量相关文献发现，以往的视频监控模块在道路积水监测系统中仅用于积水区域的视频查看和影像存储，并且需要耗费人力手动查看，存在很大的局限性[92-93]。而水尺图像智能识别技术是近年的研究热点，具有很大推广价值。但有关水尺图像的深度学习、基于计算机视觉等方法多处于技术研究阶段，还需继续完善。

除了水尺图像的提取，薛丰昌等[94]在南京信息工程大学校园进行基于视频监控的道路积水研究，通过图像差分，区域分割等技术使得系统能准确获得积水区实时情况，从而实现动态监控，有利于实现地区内涝精细化监测预警。Bhola等[95]运用计算机视觉技术，以图像中的静态物体为参考来估计道路积水水位，已在德国库尔姆巴赫县进行了3场实测。近年来，大数据也逐渐融入城市积水预警中，上海水务部门通过气象预报结合内涝风险图、积水物联网传感器、视频积水图像识别和热线灾报4种方式获取上海的道路积水情况，并用短信、政务微信等新技术手段发布预警信息，大大缩短了道路积水事件的发现率[96-97]。天津市中心城区积水监测信息系统以视频监控设备与电子水尺相结合的方式，通过在地道和道路低洼区域建设电子水尺和视频水位识别系统，实现了天津积水现场的可视化、积水水位数据定量化及精细化。还有国内外学者运用新思路来处理城市道路积水监测，吴先华等[98]设计了一种基于微博大数据分析城市暴雨内涝灾情以及民众情绪反应的流程和方法，以行政区来划分，将微博事件的IP地址与物理地址关联，在南京市2016年6、7月份两场暴雨中按提取到的暴雨内涝、情感词汇进行积水深度分类；Wang等[99]用自然语言处理技术和计算机视觉技术分析了Twitter和MyCast的数据，在南卡罗来纳州查尔斯顿的内涝事件可通过该数据提供的高精度的位置信息用来定位积水点，这种基于网络社交媒体数据的积水监测方法丰富了现有的积水监测手段。

3 结 论

a.目前，城市道路积水监测主要采用水位传感器，鲜有采用视频图像识别的水位监测方法。然而，就硬件设备而言，城市道路布设的视频图像监控，特别是用于交通监控的已经非常完备，图像数量和质量能够保证；就水体监测应用而言，在河流、明渠和水库中已逐步推广并得到了越来越多的应用。未来，城市道路积水监测应在充分利用固有的视频监控设备基础上，适当加密道路积水视频监控点，设计普适性的城市道路积水视频提取识别智能算法，提高道路积水信息的准确性和及时性，更好地服务于城市内涝应急和预警管理。

b.遥感影像常用于流域的大面积洪涝监测，而面对城市内涝空间尺度小、精度高和时效强的需求，未来遥感影像应用研究的重心应聚焦遥感数据的快速获取分析，特别是极端暴雨事件下道路水体的提取上。可通过增加数据源，采用多源数据融合的手段来降低云层对遥感影像干扰。今后，随着云计算、大数据智能算法以及5G信息传输的飞跃发展，可构建基于5G传输、轻松上云、智能化自我校正的AI遥感监测系统，从数据精度、实时性、可视性全方位提升道路积水的遥感监测水平。

c.对城市暴雨内涝预警管理而言，保证道路易涝点积水数据的精准性以及区域尺度积水淹没情况的准确性同等重要。因此，在开展积水监测时，区域尺度遥感影像要与道路视频影像以及重点道路、重点桥隧的电子水尺监测配合，做到“点面结合”，构建城市“天-地-空”各种手段相辅相成、互为补充的立体化监测网。在此基础上，根据管网溢流和道路积水的水力联系进一步优化监测点布局，升级信息存储的安全性，改进数据传递的时效性，真正实现城市道路积水监测传输的自动化，全方位、多手段夯实城市暴雨内涝预警的信息保障。

d.实时监测数据是构建城市雨洪模型的关键。随着监测数据类型的增多，监测频次的加密，未来监测数据必然呈现井喷式增长并逐渐呈现大数据的海量特性。实时监测数据的增加不仅可以大幅提高传统物理机制模型的准确性，更使得以大数据为支撑的数学统计模型极有可能成为未来城市暴雨洪水预警管理的“新宠”，若将两类模型有效结合，互为验证，将会大幅调高城市内涝模拟的准确性，进而实现流域河渠湖库与城市雨水管网智能化联控联调的普适化，最大程度减轻流域和城市的暴雨内涝致灾风险，为建设韧性城市提供有力的技术支撑和有效的决策建议。