中国城市洪涝实时预报研究：现状与挑战

林 珲，吴贤宇，潘家祎，邹海波

1. 江西师范大学地理与环境学院，江西 南昌 330022; 2. 江西师范大学鄱阳湖湿地与流域研究教育部重点实验室，江西 南昌 330022; 3. 南昌工程学院水利与生态工程学院，江西 南昌 330099

在全球气候变化的背景下，快速城市化带来的城市布局不合理、防洪排涝设施不配套等问题，使得我国城市洪涝问题日益突出。例如2012年北京[1]、2020年广州[1]、2021年郑州[2]等地区都遭受了不同程度的洪涝灾害，造成人民生命和财产的巨大损失。为最大程度降低洪涝灾害带来的影响，亟须探索“情景模拟—预测预报—应急处置”的城市洪涝灾害应对新范式，全景式模拟洪涝灾害演化过程，输出精细化洪涝淹没预测结果，科学指导城市防洪应急工作。

本文在系统分析我国城市洪涝频发原因的基础上，全面梳理了国内城市洪涝实时预报研究所用数据和模型，深入剖析了当前研究存在的数据不足、模型不完善和预报不确定性问题，并展望了未来一段时期的重点研究方向，以期为我国的城市排水防涝减灾工作提供参考和支撑。

1 我国城市洪涝频发的原因

城市洪涝灾害的发生往往是多种自然、人文因素共同作用造成的(图1)。暴雨是最主要、最直接的驱动因素[3]；另一方面，城市建设、水利工程等人类活动打破了城市原有的水循环平衡。一旦遭遇暴雨，城市有限的排水能力远不能满足排涝需求，故“逢雨必涝”现象屡见不鲜[4]。

图1 我国城市洪涝频发的原因

1.1 全球变化下的异常气候影响

大量研究表明，近年来全球大部分地区的极端降水事件呈显著增长趋势，但区域之间存在明显差异[5-6]；美国大部分区域极端降水的频率和强度显著增加[7]；波兰极端降水事件显著增加[8]；印度南部的极端降水比北部和中部增加更多[9]。

与全球趋势类似，中国大部分区域极端降水事件的频次和强度呈显著增加趋势，且同样存在明显的区域性差异[10-13]。文献[13]分析了中国693个地面观测站1961—2016年的逐日降水资料，得出结论：全国极端降水事件明显增多，其中，华东地区增幅最大。2021年7月20日，鹤壁科创中心气象站监测到1 122.6 mm的最大过程点雨量，郑州国家气象站监测到624.1 mm的日降雨量和201.9 mm的小时雨强(郑州平均年降雨量640.8 mm，我国大陆区域小时雨强极值198.5 mm)[2]。

我国东南沿海城市大多是感潮水系，台风、暴雨、河道洪水一旦遭遇高潮顶托，极易排水不畅形成城市复合洪(潮)涝灾害[14]。而全球气候变暖导致的海平面上升，更加剧了我国沿海城市内涝事件的发生频率和强度[14-16]。

1.2 排涝系统建设滞后与维护不足

尽管排水系统标准不断提高，但与急剧扩张的城市和不断提高的排水防涝要求相比，我国大部分城市的已建排水设施依然标准偏低，管渠、河道行洪流量整体偏小，雨洪蓄滞设施明显不足。

有的城市虽然建设了不少公园绿地，但由于规划建设不合理，或是未配套接入周边区域雨洪的通道，或是自身高程比周边地面还高，导致这些公园绿地无法发挥滞蓄和消纳周边区域雨洪的功能[17]；有的城市虽然建设了不少雨水池，但智慧管理能力不足，没有充分发挥调蓄作用。

此外，雨水蓖堵塞、排水管网淤堵、泵站设施老化、部分泵站受淹失效，地铁、隧道、立交桥等地下设施排涝能力不足等问题，导致本就滞后的排涝系统更难满足城市排涝需求。

1.3 城镇化建设改变了城市下垫面条件

如火如荼的城镇化建设剧烈地改变了城市地形、地貌、地质条件，导致城市气象、水文过程发生重大变化，大大增加了城市内涝风险[18-20]。

首先，由于农田、池塘、湖泊、湿地等天然蓄水容器被大量填平、占用，城市自身的雨水调蓄作用大大削弱。其次，不透水面面积的持续增加不仅导致城市区域蒸散发减弱、截留和下渗减少、地表产流增加[21]，而且导致地表糙率变小，雨水汇集变快、洪峰加大、峰现时间提前[22]。另外，铁路、道路建设切断了天然排水路线，汇流由“线”变“点”；隧道、下穿式立交桥的兴建，造成大量低洼区的出现；不少道路、立交桥的排水系统建设滞后，导致“新修一条路，产生一个积水点”事件屡有发生[17]；一些规划、城建部门缺乏防洪防涝意识，项目建在地势低洼区或在低洼区建设下穿式立交桥，极易被淹。同时，大量的人为干预造成水系结构简化，不仅加快了城区汇水[4]，增大了河道防洪压力，而且容易导致城区排水不畅，甚至造成倒灌。

此外，城市下垫面的变化改变了地表热力、动力条件，加剧了城市热岛效应。诸多研究[23-24]表明热岛效应引起的热岛环流会增加城市区域雷暴、强降水和强风暴等对流性天气的发生概率，且更易在城市下风向处增强，从而使得城区及下风区更容易成为区域的暴雨中心，产生所谓的雨岛效应。

2 城市洪涝实时预报数据研究

由于城市气象水文过程十分复杂，城市洪涝实时预报需要大量高精度数据的支撑。城市洪涝实时预报研究所需数据可分为基础数据和验证数据两大类，基础数据主要包括降雨、下垫面、排水设施等；验证数据主要包括河道水位、管网流量、积水水深及范围等[1]。其中，高精度的降雨数据、下垫面数据及积水验证数据是实现暴雨洪涝精细化模拟的基础与关键条件，直接影响预报结果的准确性和可靠性。

2.1 降雨数据

早期的城市洪涝预报研究大多使用落地雨(实测降雨)驱动洪涝模型。但是受到雨量计/雷达站点分布的影响，往往难以准确捕捉降水的时空分布；而且基于落地雨预报的预见期十分有限，一旦发生城市洪涝，往往措手不及[25]。随着雷达、卫星观测网络、数值预报理论与方法的迅速发展，降雨预报数据的精度和时空分辨率不断提升。为延长预报的有效预见期，越来越多的研究将高分辨率定量降雨预报数据引入城市洪涝预报研究中，采用气象水文耦合的方法定量预报城市洪水[26]。

在0～3 h的降水预报中，雷达临近预报的准确性和可靠性更高[27]，可以更好地体现降雨的时空分布特征[28]，日本[29]、美国[30]、英国[31]、法国[31]等国家已将雷达临近预报应用于日常洪水预报业务中。由于我国新一代多普勒天气雷达监测网的布设相对较晚，覆盖范围有限，预报效果有待提升，且受数据访问权限的限制，国内的相关研究不多，但也取得了一定的成果。文献[32]引入多普勒雷达估算降雨用于东莞市内涝预报，取得了良好的效果。

数值预报的预见期更长，适合开展3 h以上较为可靠的定量降雨预报[33]，美国的WRF(weather research and forecasting model)模式，日本的JRSM(Japan regional spectral model)模式和中国的GRAPES(global/regional assimilation and prediction system)模式都已广泛应用于洪水预报领域[34]。但是数值预报模式在初始阶段预报精度较差，直接将其用于城市洪涝短临预报的效果并不理想。文献[35]集成了中尺度数值预报模型(GRAPES_MESAO)和水动力模型，构建了内涝预报模型,并应用于沣西新城区域，但是预报结果依然存在较大不确定性。

为延长城市洪水预见期的同时保障预报精度，一些学者提出将雷达外推预报与数值模式预报进行融合。文献[26]将奥地利气象局开发的短时临近预报系统INCA单向耦合至城市内涝模型中，使用雷达降水估测产品为内涝模型预热，使用1～6 h的数值降水预报产品驱动内涝模型，得到合肥市未来6 h逐小时的积水深度预报。

由于天气过程固有的混沌特性及数值预报不可避免的初值误差等原因，“单一的”降水确定性预报可能导致耦合模型预报存在较大的偏差[36]。为此，国内不少研究开始从“单一的”确定性预报转向考虑不确定性的概率预报。文献[37—38]基于交互式全球大集合预报系统(TIGGE)降水集合预报建立了各种气象水文耦合的洪水预报预警模型，但是主要应用于自然流域，城市洪水预报研究相对较少。基于气象水文概率预报的城市洪水预报不仅可以提高预报精度，而且可以提供灾害风险信息，是今后的重点发展方向。

2.2 下垫面数据

城市洪涝模拟预报对下垫面输入数据极其敏感，下垫面数据的准确、精细程度会直接影响地表微地形和土地覆被的刻画程度，从而改变地表产汇流过程，影响结果的准确度和精细度[39-40]。近年来，快速发展普及的卫星遥感、航空摄影测量技术使得高精度下垫面数据的获取日益便捷，大大推进了城市洪涝实时预报研究的发展[41]。

地形数据是城市洪涝模拟的基础关键数据，微小的地形误差甚至会显著影响模拟结果[41]。高精度地形数据的获取方法很多，野外实测法精度较高但效率太低；传统的航空摄影测量法精度有限；激光雷达(LiDAR)、合成孔径雷达干涉测量(InSAR)等新型测绘手段高效精准，已引起广泛关注[39]。

表征了建筑物、道路、植被、水体等地物类型分布的土地利用数据是确定城市洪涝模型所需地表糙率、下渗系数、阻水建筑物等参数的重要依据，是城市洪涝精细化预报的重要输入数据。从常规的野外实测到卫星遥感、大飞机航空摄影测量、无人机低空摄影测量等，都能够为模型模拟提供丰富的土地利用类型数据[41]。

为克服洪涝模拟结果二维展示的局限性，满足城市洪涝过程高精度、高逼真度模拟与展示的需要，一些研究[39,42-44]基于采用无人机低空摄影、车载移动测量系统等技术获取的高精度测绘数据和城市洪涝模型输出的高精度模拟预报结果，实现三维环境下的洪涝灾害过程交互展示。为精细描绘特定建筑物(高架桥、立交桥、隧道等)对城市洪水运动过程的影响，文献[42]利用三维单体建模技术构建精细的建筑物模型，并耦合到城市洪涝过程模拟中。

2.3 积水验证数据

为准确刻画城市水文过程，需要采集地表积水信息对模型进行率定和验证。地表积水验证数据的获取途径很多，但各有局限性，需要多源数据相互补充。

(1) 现场调查和问卷调查。由于暴雨内涝过程数据(如水深、流速及淹没范围等)较难获取，传统方法往往是灾后实地调查获取洪痕或走访调查获取积水大致情况。这种方法成本高、效率低，且精度有限。

(2) 摄影测量与遥感。凭借及时准确、覆盖范围广、不受地面条件限制等优势，摄影测量与遥感方法已经成为灾害应急监测的重要支撑手段。但是内涝期间往往伴随多云多雨天气，光学遥感容易受影响；雷达卫星(SAR)虽然可以穿云透雨，但是由于角反射效应同样效果不佳；无人机低空摄影测量，机动灵活、分辨率高，可以为模型的验证率定提供了有力的数据支撑[42]。

(3) 地面传感器。广泛分布的地面传感器网络如视频监控设备、电子水尺、雷达水位计等也是获取地表积水信息的有效方式。但地面传感器覆盖范围小，安装成本高，无法全面覆盖整个区域，难以获取大范围区域积水数据。

(4) 互联网大数据。伴随着移动互联网、智能手机的广泛普及，抖音、微信、微博等社交媒体的蓬勃发展，来源广泛、实时性强的互联网大数据越来越多地应用在城市洪涝灾害研究中，成为获取灾情信息的重要途径[1]。

3 城市洪涝实时预报模型研究

城市洪涝致灾机理的复杂性、城市下垫面的高度空间异质性、城市降雨的高时空变异性等种种原因给城市洪涝实时预报带来了巨大挑战[1]。但是，多源遥感技术、人工智能技术的快速发展和城市洪涝模型模拟能力、定量降雨预报能力的稳步提升为城市洪涝实时预报研究提供了新的发展机遇。有别于暴雨预报，城市洪涝实时预报不仅要考虑暴雨因素，更要综合考虑城市排涝能力、河道水位、潮位、地形、下垫面等因素[45]。因此，城市洪涝预报系统的关键是能对整个暴雨洪涝过程进行精细化模拟的城市洪涝预报模型。经过几十年的发展，城市洪涝实时预报模型已由简单的经验模型逐步发展成为精细的情景模拟模型。

3.1 经验模型法

数据驱动的经验模型法简单快速，一般不考虑城市洪涝形成的物理机制，仅仅利用研究区域输入(降雨量、积水图像等)与输出(积水点水深、范围等)的历史资料直接建立数学关系实现预报[46]。

天空地多源遥感技术及智慧城市中高密度、多类型的传感器为经验模型的建立提供了精准、详细的数据源[47-48]，云计算、大数据、人工智能技术的快速发展也为经验模型法带来了计算效率和准确度的大大提升[1]。文献[49]基于水位传感器数据构建了北京市内涝积水监测预警系统。文献[50]提出了一种基于卷积神经网络(CNN)的城市道路积水快速监测方法，可实现积水图像信息的快速提取。文献[51]基于上海市应急联动中心接报的灾情数据建立了暴雨内涝灾情预测BP模型(back propagation model)和XGBoost(extreme gradient boosting model)模型，实现了对暴雨内涝灾情数量及等级的预测。文献[52]以降水速率为输入，最大水位为输出，训练前馈神经网络模型，实现了基于神经网络的城市暴雨积水水位实时预测。

但经验模型法缺乏物理基础，不能对暴雨、洪水在城区地表、河道、管网的流动过程进行全程模拟，无法明确内涝位置和积涝程度，不利于精准防护；预报结果的合理性高度依赖于历史监测数据的准确性和完整性，且只适用于监测点附近；由于大规模布设监测点成本过高，大部分城市的监测点数量与监测记录都非常有限，因此难以建立大范围的数学关系式用来预测未来积水分布。以郑州“2021.7.20”特大暴雨事件为例，虽然省市多级气象部门多次发布暴雨红色预警，但是相关部门研判不足，未能及时准确向公众发布城市汛情预警信息，导致应急处置不当，造成巨大的人员伤亡及财产损失[2]。

3.2 情景模拟法

情景模拟法通过逼真再现真实地理环境，借助精细化数值模型，以“虚实结合”的方式对暴雨、洪水在城区的流动过程进行全程精细化模拟，已成为城市洪涝领域的研究热点[53-57]。根据所采用数值模型的不同，情景模拟法大致可分为3种类型：水文水动力模型、简化模型和耦合模型。

(1) 水文水动力模型。水文模型法对地表产、汇流等物理过程采用经验法描述或概念性简化，结构简单，效率较高。但是水文学模型仅能得到流域出口处的流量过程，无法给出指定点的特征要素[58-59]，难以动态模拟地表淹没过程；日新月异的城市下垫面变化导致模型率定难度呈几何式增长[58]；大多数城市缺乏足够的水文监测数据以总结归纳本地化的水文经验公式[60]。因此，这类水文模型已难以满足我国当前智慧城市背景下的精准应急管理决策需求。水动力学模型主要采用一维运动波、扩散波或动力波方程描述管网汇流过程[61]，采用基于物理机制的浅水方程或其简化形式描述地表坡面汇流过程[61]，具有明确的物理意义和更好的准确度，应用前景广阔[60,62]。但是水动力模型需要求解复杂的微分方程，计算量大、效率低，难以满足实时预报的要求[61]；对基础数据和验证数据要求较高，国内很多城市难以获取足够数据建立高精度水动力模型[63]；对截留、入渗等水文学环节考虑不足[14]。为此，一些研究[64-66]建立了水文水动力耦合模型，以水文学方法计算地表产汇流，水动力学方法计算河道、管网汇流，二维浅水方程计算地面溢流[64]。这种耦合模型比单一模型更高效、准确[67-68]，是当前研究的主流方向。

(2) 简化模型。水文水动力模型对数据要求较高，建模效率偏低，难以满足快速模拟和实时预报的需求[69]。因此，为提升模拟效率，数据要求低、计算效率高、模型构建简单的简化模型方法日益受到关注[70]。根据能否输出洪水淹没过程可将简化模型大致分为基于地理信息系统(GIS)的快速洪水模型(RFMs)和基于元胞自动机(CA)的模型[70]。快速洪水模型如RUFIDAM[71]、FloodStroem[72]、HIM[73]，大多忽略地表径流的具体过程，依据地形和水量平衡原理来预测淹没区域，运行时间比水动力模型短了几个数量级，也明显低于基于CA的简化模型，因此在快速评估城市洪涝风险方面取得了成功[70]。但是，此类模型只能确定淹没范围和水深，不能提供详细的流速和洪水淹没过程[60]。CA-based 2D flood model[74]、CA2D[75]、RunCA[76]、WCA2D[77]等基于CA的城市洪涝模型[74-83]将地表划分为离散的元胞网格，通过制定合理的演化规则来模拟洪水的时空演变过程[84]。由于构建简单、数据要求低、计算效率高、适合并行计算，能反映一定的物理机制，且能模拟地表洪水的时空演变过程，CA模型在城市大规模、高分辨率洪水模拟预报方面具有较好的优越性[85-86]。但是，CA模型缺乏排水管网和地面产流模块，依旧无法真实、完整地模拟暴雨、洪水在城区流动的全过程。由于RFMs的预处理步骤(识别洼地及其属性)和后处理步骤(标记淹没洼地之间洪水可能的流动路径)十分耗时，文献[70]提出了是一种基于CA方法的快速洪水淹没模型CA-ffé。与RFMs相似，该模型只依赖于地形和连续性方程，只预测最终的洪水范围和深度，不能输出洪水淹没过程，同时不需要RFMs的预处理和后处理步骤，因此可以提供更高的仿真速度。虽然使用简化模型并不一定意味着可靠度和准确度的损失[87]，但是简化模型的物理意义模糊导致其在实践中仍然会长期受到质疑和争论[88]。

(3) 耦合模型。好的洪水预报模型应该在模拟准确度、计算负荷、数据成本、用户需求及模型构建难度等多方面取得平衡[60,87,89]。为了满足这些要求，部分学者[83,90]尝试进行水文水动力模型—简化模型耦合方法的研究。文献[83]提出了一种基于CA框架的城市淹没建模新方法，包括基于WCA2D的2D坡面流模型，基于SWMM的一维沟渠模型和一维管网模型，该方法能在显著减少计算时间的前提下保持较好的精度。

总体来讲，国内城市洪涝预报模型研究仍然处于探索研究期，预报的准确度及预见期都有待提升。综合考虑经验模型法和情景模拟法的优缺点，一些研究试图从数据驱动与物理机制耦合的角度，通过结合人工智能、大数据分析与水文水动力模型建立兼具计算效率和物理基础的预报方法，这为城市洪涝快速预报提供了新的途径[1]。文献[91]分别构建了基于IFMS Urban的一二维耦合模型、用于预测河道断面峰值流量与地表积水的机器学习模型，实现了成都市典型点洪峰流量与区域地表积水的快速预报。但是，随着数据获取能力和计算能力的不断提升，基于物理机制的水文水动力模型依然是未来城市洪涝实时预报模型研究的主流发展方向。

4 问题与挑战

尽管国内学者在城市洪涝实时预报方面开展了大量研究，并形成了一些代表性成果。然而，由于城市下垫面的复杂性、实测验证数据的匮乏、降雨预报数据和城市洪涝模型的不确定性等原因，仍然存在很多问题亟须研究和完善。本文将分别从数据的不足、模型的不完善、预报的不确定性3方面进行阐述。

(1) 数据的不足。国内大部分城市的水文监测点都位于骨干河道；雨水管道和排水河道鲜有监测设施[17]；地面监测传感器布设严重不足；受制于云层、树冠、高楼等原因，可见光、微波、雷达等卫星遥感观测手段难以持续、准确获取城市地表积水信息；无人机摄影测量虽然可以快速准确获取下垫面信息和积水信息，但是若需实现长时间持续动态监测成本较高；再加上多年来的城市化进程导致下垫面变化剧烈，因此难以获取高精度、长时间序列的模型率定和验证资料。

此外，由于数据安全及行业壁垒等原因，大多数城市的高精度地形、排水设施、河道数据是难以获取的，导致模型模拟时往往分辨率太低，不考虑管网、河道资料或者对其进行概化处理，难以满足精细化预报的要求。

因此，数据的不足成为限制城市洪涝预报研究进一步发展的重要因素。如何在基础数据、率定验证数据匮乏的背景下，合理、精确地对城市暴雨洪水进行模拟和预报，是当前阶段面临的主要困难之一。

(2) 模型的不完善。复杂的下垫面导致城市区域产汇流过程较自然流域更加复杂，城市水文过程机理尚未完全清晰，需要进一步深入研究，这些为城市洪涝模型的研究增加了难度。

虽然地表产汇流、管网河道汇流、地表淹没等算法均已取得较大进步，但现有模型的综合性依然不够，对复杂城市水文过程模拟的适应性依旧较差，对复合洪水事件的预测关注很少。

计算效率与精细程度是决定模型实用性和可靠性的关键要素[61]。现有经验模型模拟精度较低，不利于重点防护；水文水动力模型计算效率较低，难以满足实时预报的需求；简化模型缺乏严格的物理意义，难以反映复杂的地表水流特征；现有耦合模型研究也未有效解决模拟精细化程度与计算效率之间的矛盾。

当前广泛使用的模型大多是国外商业软件或开源模型，国内自主研发的成功模型不多，且模型的效率、准确度、稳定性和综合性都亟须提升。

因此，如何加速研发高效、准确、稳定、综合性强的国产城市洪涝预报模型，是今后很长一段时间的重点研究内容。

(3) 预报的不确定性。尽管近年来降雨预报的准确度和预见期都大大提高，但是由于城市降雨形成机制复杂，时空变异性大，城市降雨预报依然存在很大的不确定性。

随着对城市洪涝过程物理规律认识的提高，洪涝模型结构及参数优选方面的研究取得了一定的进展，但是仍然不可忽视洪涝模型的“不确定性问题”。

理论上，气象水文耦合预报可以大大提高城市洪涝预报精度，延长预报预见期，但是降雨预报的输入误差、洪涝模型的输入误差和结构误差等也增加了耦合预报的不确定性。

因此，如何降低预报的不确定性，是城市洪涝预报面临的重大挑战之一。

5 发展趋势与展望

我国城市洪涝实时预报研究已取了较多进展，预报的精度与预见期已大幅提高，但是现有研究具体指导“情景模拟—预测预报—应急处置”实践的能力依然有限，仍需更多的研究和讨论，可预见的发展趋势主要包括：

(1) 进一步发展卫星遥感、水文观测、人工智能、数据挖掘技术，加强遥感数据、水文监测数据、互联网数据等多源异构数据的融合应用，为城市洪涝实时预报研究提供更高时空分辨率的气象、水文、地理数据支持。

(2) 进一步探究城市气象水文过程机理，开展城市洪涝预报模型多过程耦合、集成研究，发展城市洪涝模型并行计算理论和技术，解决模拟预报精度和速度的矛盾。

(3) 进一步加强融合预报、集合预报等定量降水预报研究，开展气象水文耦合机理研究，发展研究综合考虑降水预报不确定性和洪涝模型不确定性的概率预报理论和方法，解决气象水文耦合预报的不确定性问题。