大数据驱动的城市洪涝灾害风险感知与预警决策研究范式

王慧敏 黄晶 刘高峰 佟金萍 曾庆彬

摘 要：城市洪涝灾害防控是国家防洪安全的重大需求，更是城市公共安全管理的重要内容。如何利用大数据实现全信息融合、全过程管控、全社会参与的城市洪涝灾害预警与全景式决策是国内外关注的前沿热点和重点领域。本文从“跨界关联、粒度缩放、全局视图”视角出发，提出了大数据驱动的城市洪涝灾害风险感知与预警决策研究范式，包括：利用天空地网多源异构数据信息，基于“数据驱动”的关联关系挖掘与“模型驱动”的因果解析方法，感知暴雨洪涝情景态势;建立基于暴雨洪涝情景的空间动态网络风险研判模型，构建“观测-感知-辨析”的城市洪涝灾害动态预警模式;创建以数据为中心的扁平化城市洪涝灾害管理框架，提出全景式灾害应急合作响应与风险控制策略。

关键词：大数据;城市洪涝;风险感知;预警;决策

中图分类号：C93 文献标识码：A 文章编号：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、工業化的快速发展及人类生产生活方式的转变，加剧了水资源压力，显著改变了降雨径流、汇流路径和方式等水文过程，水循环多过程的非一致性特征凸现[1，2]，表现为城市“雨岛效应”凸显、极端暴雨频发，城市内涝升级，“逢雨必涝”、“城市看海”已成常态。北京“7.21”暴雨、武汉、深圳以及郑州“720”特大暴雨，严重威胁了人民生命财产安全。据《中国水旱灾害公报》数据显示，近20年全国洪涝灾害直接经济损失年均1500多亿元，占GDP的1.5%～2%;近10年年均损失高达2300多亿元，灾害损失呈显著增长趋势。由于城市人口与财富集中、产业高集聚、交通强互联，城市洪涝灾害呈现出爆发性、连锁性、灾难性的特点，给城市洪涝灾害预警防控带来了新挑战。

习近平在中央政治局第十九次集体学习时强调“积极推进我国应急管理体系和能力现代化”。《中华人民共和国国民经济和社会发展第十四个五年规划和2035年远景目标纲要》将“突发公共事件应急处置能力显著增强，自然灾害防御水平明显提升”列为2035年远景目标的重点内容之一。国际学术界与实务界认识到防御在防灾减灾工作中的重要性，联合国减灾署制定的《2015-2030年仙台减轻灾害风险框架》，把灾害的早期预警作为减灾框架的七个重要目标之一。“十三五”“十四五”国家重点研发计划分别设立了“重大自然灾害监测预警与防范”“重大自然灾害防控与公共安全”重点专项，旨在围绕重大自然灾害综合监测预警与防范的核心科学问题开展科技攻关和应用示范，提升国家防灾减灾救灾能力。

随着大数据技术的发展以及数据的快速增长，利用大数据进行灾害预报预警研究更为广泛，实践也证明大数据可有效提升信息预警与应急响应效率[3，4]。“十四五”规划提出“加快构建数字技术辅助政府决策机制，提高基于高频大数据精准动态监测预测预警水平。强化数字技术在公共卫生、自然灾害、事故灾难、社会安全等突发公共事件应对中的运用，全面提升预警和应急处置能力。”中国国家自然科学基金委也设立了“大数据驱动的管理与决策研究”重大研究计划，丰富和拓展了大数据应用创新领域。可见，传统的灾害管理思维和范式正因大数据驱动发生根本性变革[5，6]，为城市洪涝灾害预警防控提供了全新的研究范式和研究方法。

城市洪涝灾害是一个自然水循环和人类社会活动耦合的复杂系统，其复杂性体现在多尺度、多层次、多主体，加剧了城市洪涝灾害预警防控的难度，表现在：（1）城市的多维空间、多变环境、多样行为直接带来洪涝灾害信息的多源异构和多维海量，增加了灾变动因辨识匹配和预警前兆信息挖掘难度。（2）传统的洪涝灾害预报预警仅考虑水文、气象等自然要素，而进一步考虑灾害对人类活动带来影响的系统预警是面临的难题。（3）城市洪涝灾害的致灾、孕灾、报灾、防灾管理过程分离，使得管理决策多为碎片式或片景式，末端治理[2]现象严重，如何实现全局视图的风险决策是灾害应对的难题。随着大数据、人工智能技术的迅猛发展，为城市洪涝灾害管理提供了新思路。事实上，城市洪涝灾害过程正以更细粒度的数据形式和更高的数据成像呈现，透过数据世界可以更清晰地描绘灾害演变活动情境。建立数据驱动下城市洪涝灾害预警与风险决策范式是解决预警防控难题的新途径。

与传统的灾害预警和风险管理相比，大数据驱动的城市洪涝灾害防控应该由以管理流程为主的线性范式逐渐向以数据为中心的扁平化范式转变，灾害预警应从“因果假设”向“复杂相关”、从“经验推动”向“数据推动”、从“模糊滞后预警”向“精准快速预警”、从“碎片式预警”向“整合式预警”转变，灾害应对应从“片景式决策”向“全景式决策”、“实时决策”转变。本文面向应急治理能力提升的国家重大需求，基于“跨界关联、粒度缩放、全局视图”视角，提出大数据驱动的城市洪涝灾害预警与全景式决策研究范式，从数据基础、态势感知、风险预警、决策应对和示范应用方面开展城市洪涝灾害预警与决策研究，不仅为我国洪涝灾害应对及防灾减灾提供理论方法，也为公共安全管理提供新型决策的典型范例，更为保障城市和国家公共安全提供科学决策和实践指导。

2 国内外研究现状及发展动态

2.1 洪涝灾害前兆信息辨识研究进展

洪涝灾害前兆信息辨识的研究主要集中在气象水文预报、RS/GIS信息处理等环节。20世纪30年代，美国学者开始从气象资料推算可能最大降水的研究，此后，时间序列、水文随机分析等数理统计方法在水文预报、灾害预测方面的应用得到快速发展[7，8]。20世纪70～80年代后，随着计算机技术、遥感技术、地理信息系统的发展，基于遥感空间信息、地理空间信息的数值气象预报和水文模型的预报产品逐渐成熟并广泛应用于业务系统[9]。

近10年来，大数据方法逐渐应用于气象水文、灾害管理等领域[10～13]。卫星雷达及降水等多源信息融合、海量信息挖掘与智能方法分析等已成为国际水文领域高精度信息辨识的关注热点。在多源信息融合方面，主要采用本体对齐、实体链接、冲突解决、关系推演等技术实现暴雨洪涝领域知识的标准化及多源信息的融合[14，15]。在信息挖掘与智能方法分析方面，主要基于统计概率分布、Apriori关联规则、支持向量机、自组织映射聚类等挖掘模型[16，17]，研究灾害性天气过程在更高时空分辨度的演化规律，也有学者提出了一种基于人工智能的概率定量降水预报与智能搜索方法[18]。此外，通过分析微博、微信、Twitter、Facebook等社交媒体信息获取淹没特征向量及灾情信息的研究开始受到关注[19～21]。

2.2 城市洪涝灾害预警研究进展

现有的关于城市洪涝灾害预报预警的研究主要侧重在以下三个方面：第一类是基于气象观测数据的洪涝灾害预警研究，如通过高分辨数值预报模式、卫星监测和全天雷达探测等形式收集气象数据，利用遥感手段进行强降雨及洪涝灾害的模拟与预警[9];根据多普勒雷达反射率因子，利用自动站雨量资料，运用相关算法合成降雨产品来指导发布预报预警[22];利用卫星云图、气象预测数据提高暴雨预警的准确率[23]。第二类是基于水文模型数值模拟的洪涝灾害预警研究[24，25]，如ILLUDAS、SWMM、TR-55、HSPF、InfoWorks、STORM等模型，依据这些分布式水文模型建立预报预警系统。第三类是利用风险评估结果进行洪涝灾害预警[26～29]，将产汇流模型与损失评估相结合的预警方法，或是将长期预警与临灾预警相结合研究不同时空尺度的洪涝灾害预警模型，或从压力、状态、影响、响应角度研究风险评估与灾害预警。已有基于大数据灾害预警平台的开发与应用[30，31]，如美国FEMA研发的HAZUS-MH系列标准应用软件平台为内涝灾害的早期预警和灾害评估决策提供依據。

2.3 城市洪涝灾害风险应对研究进展

我国城市灾害风险应对的研究始于20世纪90年代，主要包括应急技术、应急管理体系、应急资源调度与应急资源管理、应急心理与行为决策等方面研究。城市防汛救灾注重于“一案三制”编制和防汛抗旱指挥系统、洪水预报与调度系统等决策支持系统建设，随后也有一些学者提出了决策优化方法与技术，如基于情景依赖的洪水灾害多主体合作应急决策分析方法及应急管理流程优化[32]、超标准洪水应急避险决策支持技术研究[33]等。

近年来，大数据应急决策受到广泛关注，国外研究侧重于从大数据技术和大数据处理方法的角度进行应急决策方法、模型、数据、系统平台的整合与集成，并将深度学习等智能技术应用于大数据应急决策中[34～36];而国内的研究则关注大数据应急决策体系、大数据应急决策模式与机制、大数据应急决策系统与平台、应急决策数据质量等方面[37～39]。我国城市洪涝灾害应急决策的研究，对风险灾害危机全成因分析与全景式建模、基于信息研判的风险预警以及基于靶向思维的应急响应还很缺乏[5]。

综上所述，城市洪涝灾害预警与风险决策的理论和实践已取得颇丰成果，但是面对复杂变化环境下城市洪涝灾害管理的新问题，亟待实现两个转变。（1）研究视角的转变：基于水文要素的预报预警转变为基于风险感知的多维预警。将灾害风险分析纳入灾害预警过程，匹配暴雨-地物-淹没数据关联，将水量-流量过程转换成淹没-破坏风险信息，从过去的阈值预警向针对风险的灾害响应信息预警，进行全面、精确风险度量，提升基于风险感知的预警精度。（2）研究范式的转变：“模型驱动”的决策分析模式转变为“数据驱动+模型驱动”的大数据全景式决策范式。以模型驱动的传统预警决策方法难以展现或容纳组合变量的关联关系，而基于“模型+数据”驱动的城市洪涝灾害预警，寻找全局视图下的诸多不确定性的“关联”要素关系，构建全景式决策范式，是未来我国灾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

城市洪涝灾害是由于强降雨、风暴潮等引起的大量积水和径流等自然现象作用于城市社会经济系统的产物，是人与自然关系的一种表现。因此，城市洪涝灾害不单单是暴雨洪水的自然过程，而是一个包含人类活动影响的复杂系统。

城市自然系统包括气象、水文、地质地形、土壤、植被等要素，各要素之间相互作用;社会经济系统涉及城市居民社会、经济及文化活动的各个方面，包括经济、人口、能源、交通、基础设施等要素，各要素之间相互关联且高度繁杂。城市洪涝灾害承灾体是社会经济系统与自然系统交互下灾害风险表达空间，承载着人类的生产、生活等各项活动，当城市自然系统中水汽在温度、湿度、云量、风速风向等要素的综合作用下形成暴雨时，雨水会形成地面径流，造成城市承灾体空间积水，淹没城市中的包括建筑物、道路、桥梁、工厂等各类承灾体，影响城市社会经济系统的正常运行（如图1所示）。

因此，从复杂系统视角，城市洪涝灾害风险是暴雨径流形成的自然过程与城市内社会经济活动相互作用下给人们生命财产、生产生活等带来的影响，风险的刻画需要考虑城市基础设施、交通运行、能源供给、社会经济等反映人类行为的信息，挖掘“暴雨-承灾体-淹没”空间特征关联模式，研判城市洪涝灾害的风险。

3.2 科学问题提出

针对变化环境下的城市洪涝灾害风险特征，借助云计算、人工智能等新兴技术，寻求大数据范式驱动的、适应全景式变化的城市洪涝灾害预警与风险决策新方法，形成城市洪涝灾害管理系统解决方案，需要解决以下几个科学问题：

（1）城市暴雨洪涝情景态势及其演化规律

基于水文、气象、交通、经济、社交媒体等多源异构大数据，辨识城市洪涝灾害风险要素，感知城市暴雨洪涝情景态势，通过“数据驱动”的“暴雨-地物-淹没”关联模式与“模型驱动”的洪涝灾害演进过程的融合，刻画暴雨洪涝灾害情景形成机理及演化规律。

（2）基于暴雨洪涝情景的空间动态网络风险研判

暴雨洪涝情景与承灾体社会活动融合下的灾害承灾体风险度量，刻画洪涝灾害情景矩阵与多维风险向量（概率、影响、损失）的关系，辨析洪涝灾害风险变化特征，确定洪涝灾害预警阈值区间，实现面向城市重要承灾体的城市洪涝灾害动态预警。

（3）洪涝灾害全景式风险模拟及决策

构建洪涝灾害全过程风险推演模式，基于宏观-中观-微观不同决策主体的利益协同目标，重构多部门跨界的“资源-任务”灾害应急响应业务流程，形成洪涝灾害全景式、系统性的解决方案。

3.3 城市洪涝灾害风险感知与预警决策框架构建

城市洪涝灾害是自然过程与社会经济活动耦合的复杂系统，利用卫星遥感、气象水文、基础地理、社会经济、社交媒体等天空地网多源异构数据信息，通过信息挖掘融合技术和知识图谱构建，提出结合“数据驱动”的关联关系挖掘与“模型驱动”的因果解析方法，感知暴雨洪涝情景态势，实现情景模拟与重现;建立基于暴雨洪涝情景的空间动态网络风险研判模型，建立“观测-感知-辨析”的城市洪涝灾害动态预警模式;基于知识推理与场景推演，构建洪涝灾害全景式风险模拟及决策框架，包括城市洪涝灾害应急疏散、跨界多主体合作的应急响应、市场化风险分散、全社会减灾公共政策;最后，通过统一空间表达的洪涝灾害大数据资源池构建，研发出城市洪涝灾害全景式决策云服务平台，为大数据驱动下城市洪涝灾害预警与风险决策提供系统支持。框架如图2所示。

（1）大数据驱动的洪涝灾害态势感知

基于“数据驱动”的关联关系挖掘与“模型驱动”的因果解析方法，感知暴雨洪涝情景态势。①基于机器学习算法，挖掘暴雨洪涝情景及其重要特征，发现暴雨-承灾体-淹没空间特征组合模式。②结合洪涝灾害演变过程的水文水动力学模型，感知暴雨洪涝灾害情景演化态势。

（2）基于暴雨洪涝情景的风险预警

建立基于暴雨洪涝情景的空间动态网络风险研判模型，构建“观测-感知-辨析”的城市洪涝灾害动态预警模式。①风险研判。利用时空大数据识别人口、产业活动下的承灾体类别，建立暴雨洪涝情景与承灾体社会活动融合的灾害风险测度方法。②风险预警。基于暴雨洪涝情景态势的模拟与重现，构建洪涝灾害风险的时空动态网络预测模型，确定不同类别承灾体的洪涝灾害预警阈值区间矩阵。

（3）城市洪涝灾害风险全景式决策

借助全景式管理理论，从“跨界关联、粒度缩放、全局视图”视角出发，创建“宏观-中观-微观”帕累托优化反馈式决策框架，提出灾害应急合作响应与风险控制策略。①洪涝灾害全过程风险推演模式。提出灾害全过程“暴雨洪涝情景-风险应对策略”的推演模式，基于宏观-中观-微观不同决策主体的利益协同目标，重构基于模糊推理的随机网络灾害应急业务流程，提出“资源-任务”跨界多部门应急响应行动计划。②提出多主体风险分担、城市韧性提升的洪涝灾害应对策略。提出符合中国国情的“政府-市场-公众”多主体合作的灾害应对风险分担模式;设计保险、期权、债券组合优化资本市场风险产品;建立城市洪涝灾害韧性评估模型，提出社区适灾韧性提升策略。

（4）城市洪涝灾害云服务平台

①洪涝灾害大数据资源池。从卫星、雷达、地面观测站网、统计资料、互联网等采集城市洪涝过程相关的气象、水文、基础地理、历史灾情、社会经济、网络媒体等物理上相互隔离的多源異构数据，提出多源数据的共享机制，构建统一空间表达的洪涝灾害大数据资源池。②云平台构建。提供灾害监测预警、风险评估、应急管理、社会减灾等城市洪涝灾害云服务，开发包含暴雨洪涝情景及决策信息的全景式可视化组件，实现洪涝灾害业务化预警与风险决策。

4 大数据驱动的深圳市洪涝预警与决策实践

深圳市位于广东省珠江口东岸，是我国的经济特区、全国性经济中心城市和国际化城市。2020年常住人口超1700万，密度8793人/平方公里，国内生产总值超过2.77万亿元。深圳市属亚热带海洋性气候，台风、暴雨等气象灾害频发、灾情严重。2003～2019年，深圳市受台风、暴雨等极端天气事件影响次数超过190次，死亡及失踪人数超过95人，直接经济损失达25.58亿元。因此，构建深圳市智慧防汛防旱防台风（简称“三防”）体系有助于提高防灾减灾能力，增强城市韧性水平，保障城市可持续发展。

以本研究提出的“大数据驱动的城市洪涝灾害风险感知与预警决策框架”为指导，基于大数据、物联网、云计算、人工智能、移动互联网等现代信息技术，深圳市开发了“深圳市智慧三防系统”（一期）[40]，包括一张图展示、监测预警、辅助决策、指挥调度等功能，实现了三防信息集成与共享、风雨汛情及其引发的灾害风险全景感知与预警、灾情智能推演与应急决策。2020年以来，该系统有效支持防台风防汛应急响应行动百余次。

通过多部门数据共享机制，将基础地理、水务工程、生命线、重点区域等多源信息集成融合到深圳市 “一张图”上，在实体、关系、属性抽取形成的洪涝灾害知识图谱基础上，建立了深圳市三防大数据资源池。在灾害态势智能感知方面，基于气象遥感、物联网传感器、视频监控、社交媒体等实时监测信息，运用大數据分析、图片识别、视频语义计算等技术，挖掘包括城市淹没水深、面积、灾情等暴雨洪涝灾害情景及其演化态势，快速绘制出暴雨淹没风险图。在此基础上，融入城市路况、居民活动等社会行为数据，研判当前淹没深度、未来降雨量对生命财产、交通出行、基础设施等的影响，实现了从基于阈值的预警转向基于风险的预警，大大提高了预警的精准度和有效性。针对重点防御区域，在暴雨内涝、风暴潮增水等诸多场景模拟的基础上，推演不同应急处置救援方案下灾害情景的变化，实时调整救援力量的部署，为应急响应及救援决策提供了有效技术支撑。大数据驱动的洪涝灾害风险感知与决策技术显著提高了深圳三防业务的智能化、科学化和精准化水平，助力深圳成功抵御了2020年6月发生的近10年最强季风降水事件，全市内涝点较往年减少50%以上，减轻了灾害天气对人们日常生产、生活的影响。

5 结论与启示

当今世界正处于百年未有之大变局。城市洪涝灾害风险预警与决策是国家防洪安全的重大需求，更是城市公共安全管理的重要内容。大数据作为一场重大的技术和思维革命，正在使灾害预警理念、模式及方法发生深刻变化。灾害管理范式正由以管理流程为主的线性范式逐渐向以数据为中心的扁平化范式转变，需要“关联+因果”大数据分析和“数据+模型”驱动的大数据技术手段实现城市洪涝灾害预警与决策。大数据驱动下城市洪涝灾害预警与风险决策范式，突破了传统机理研究认知的框架，呈现出大数据驱动的全景式特点，以更细粒度的数据形式和更高的数据成像呈现城市洪涝灾害过程，以全周期沉浸式交互行为参与跨界合作的实时管理决策，有效提升了城市洪涝灾害公共安全管理决策创新水平及公共服务水平。

以大数据为代表的知识与技术广泛性应用已大大提升了城市灾害的风险感知与应对能力，但实现城市灾害智慧治理仍需在以下方面突破、创新：（1）从单一洪涝灾害风险转变为由洪涝灾害诱发的滑坡、塌陷、水污染等灾害系统性风险研究。（2）突破领域边界，集成不同灾种、不同领域的大规模、细粒度的数据，并建立数据集成的共享与更新交换机制，全面、及时洞悉城市灾害发生发展过程。（3）深度融合模型驱动和数据驱动，创新灾害过程模拟与风险态势感知技术，高效、精确预见灾害对生命生产生活带来的影响。（4）将物流、人群移动、救灾物资储备等社会行为数据融入灾害预报预警模式，完善灾害预警预报发布路径与机制，提升精准防灾减灾效率与能力。

参 考 文 献：

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

[2] 严登华，王浩，张建云，等.生态海绵智慧流域建设——从状态改变到能力提升[J].水科学进展，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.风险灾害危机管理与研究中的大数据分析[J].学海，2018，（2）：28-35.

[6] 陈国青，吴刚，顾远东，等.管理决策情境下大数据驱动的研究和应用挑战——范式转变与研究方向[J].管理科学学报，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] 曾子悦，许继军，王永强.基于遥感空间信息的洪水风险识别与动态模拟研究进展[J].水科学进展，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，李钰，张叶廷，等.自然灾害应急知识图谱构建方法研究[J].武汉大学学报（信息科学版），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] 吳先华，肖杨，李廉水，等.大数据融合的城市暴雨内涝灾害应急管理述评[J].科学通报，2017，62（9）：920-927.

[31] 林炳章.水文气象大数据分析与网络洪涝灾害预警平台探讨[J].中国防汛抗旱，2019，29（5）：3.

[32] 王慧敏，刘高峰，陶飞飞，等.非常规突发水灾害应急合作管理与决策[M].北京：科学出版社，2016.

[33] 黄艳，李昌文，李安强，等.超标准洪水应急避险决策支持技术研究[J].水利学报，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] 张锋.大数据视域下特大城市应急管理模式反思与重构[J].城市发展研究，2020，27（9）：12-18.

[39] 徐选华，刘尚龙，陈晓红.基于公众偏好大数据分析的重大突发事件应急决策方案动态调整方法[J].运筹与管理，2020，29（7）：41-51.

[40] 王常效，王鲲，邱德鑫，等.深圳市智慧三防系统的建设与思考[J].中国防汛抗旱，2021，31（2）：46-50.

3529500338271