附有汇流量信息的城市道路内涝风险评估

胡俊聪，李英冰

(武汉大学测绘学院，湖北 武汉 430079)

1 引 言

城市内涝是指在城市区域遭遇暴雨或短历时强降水天气后发生的气象衍生灾害。根据应急管理部和水利部的统计[1]，2000年以来我国平均每年发生200多起不同程度的城市内涝灾害，全国约有62%的城市发生过暴雨内涝灾害，造成的经济损失以5%的年平均增长率逐年增长，仅2019年城市内涝灾害就造成了 1 922.7亿直接经济损失。2021年7月20日，河南郑州地区遭遇短时间强降水，引发大范围城市内涝，造成300余人遇难和失踪，1 453.16万人受灾，直接经济损失高达 1 142.69亿元[2]。

对于城市内涝而言，快速准确获取淹水区域信息非常重要。星载合成孔径雷达(SAR)采用微波波段，能够穿透云雾，广泛应用于洪水监测研究，是快速准确获取淹水区域重要的数据源。目前，基于SAR的淹没水体提取的思路主要有阈值法[3]，灰度纹理分类[4]等，Geudtner[5]通过评估场景一致性证明了SAR提取洪水淹没范围的可靠性；Matgen[6]将SAR阈值分析与区域增长分析相结合提取淹没区域，为洪涝信息获取提供了新的思路，陈媛媛等通过SVM对Sentinel-1A SAR数据的强度纹理进行分类提取水体区域[7]。在城市内涝风险研究中，道路作为城市的生命线，其内涝风险分析一直是研究热点。徐美等通过精细化洪涝模型构建暴雨-内涝情景库，针对暴雨预报利用情景匹配快速识别有内涝风险的道路[8]；叶丽梅采用GIS暴雨洪涝淹没模型计算不同重现期雨量的淹没水深和范围并分析了城市道路内涝灾害风险[9]；张金萍将径流曲线法下渗模型与SWMM模型相结合，模拟了不同重现期暴雨情景下的郑州高新区内涝情况[10]；唐海吉采用空间格网和AHP法，基于多源数据构建了城市短期暴雨内涝灾害风险评估模型，并以武汉市为例进行了分析[11]。

总的来讲，目前的道路风险分析主要采用情景模拟的思路进行预测性分析，较少结合现势性监测数据进行分析。目前针对城市内涝灾害中的道路风险分析，有两种常用的思路：一是采用SAR监测数据提取淹水区域进行分析，此方法具有较强的现势性，但SAR卫星对同一地区的监测存在时间间隔，间隔期内无法获取灾害情况；二是通过水文模型与GIS分析对灾害发展态势进行预测，由于是采用情景模拟的手段，相比于复杂多变的真实情景，其分析结果存在一定误差。本文采用高分三号(GF-3)SAR数据，提取并分析了2021年7月郑州城区内涝淹没区域空间分布特征，并结合地形与地表汇流因素分析了“7.20”暴雨事件对郑州地区道路网络的影响，从现势性监测的遥感影像出发，利用组合DEM空间插值预测性分析内涝风险指数，并基于空间关联对道路内涝风险进行分析，服务于洪涝灾害应对决策的制定。

2 基于附有汇流量信息淹水的城市路网内涝风险评估

运用SAR提取淹没水体的方法在城市内涝研究中应用广泛，由于缺乏水体深度信息，该方法多应用于监测，较少应用在风险分析领域。传统的城市内涝物理模型模拟方法，大多需要采集诸多起算数据，在应急应对方面现势性较差。考虑到地形和地表汇流因素的影响，本文在SAR提取淹没水体的基础上综合流量信息，利用地表汇流量弥补SAR提取水体缺乏的深度信息，提出了基于附有汇流量信息淹水的城市道路内涝风险评估方法，将现势性较强的SAR数据与GIS风险分析相结合，在灾害蔓延过程中便可快速准确评估道路内涝风险，辅助应急决策。具体思路与技术路线如图1所示。

图1 技术路线

2.1 附有汇流量信息的淹没水体提取

通过遥感影像提取大面积淹没水体是目前内涝灾害分析较为常用的方法，但提取的淹没水体只包含二维的面积信息，无法获取水体深度信息。采用基于DEM计算的地表汇流信息补充淹没水体深度信息，综合遥感影像提取水体得到了附有汇流量信息的淹没水体，用于分析城市内涝风险。在对SAR数据进行多视、滤波、地理编码和辐射定标等预处理后，采用阈值法进行水体提取，其基本原理是通过某一个阈值分割水体与非水体区域，提取水体信息。由于不同地物散射特性存在差异，在SAR影像上的灰度也存在差异，在微波范围内，水体的后向散射系数相比于林地、耕地、住宅、设施等地物类型的后向散射系数要小[12]，因此可以利用VV和HV极化的向后散射系数构建关系式，确认阈值进行水体提取。贾诗超受NDVI和NDWI方法的启发，提出了SDWI法提取水体[13]，其模型的公式如下所示：

KSDWI=ln(10·b1·b2)+δ

式中，KSDWI是水体提取指数，当其值大于0时为水体，小于0时为非水体；δ是经验阈值，b1是VV极化，b2是VH极化。对于最优经验阈值的选择，可采用目视判断的方式，通过对Landset光学影像数据和SDWI算法提取的水域分布情况进行对比，结合像素值频率分布直方图拐点筛选出最优经验阈值。

地形和地表汇流是城市内涝风险分析的重要因子，本文以DEM数据为基础，采用最大坡降D8算法[14]提取不同区域内地表径流汇流累计量，其算法如下：

式中，d表示两个栅格间的坡降，h是该栅格单元高程，hi是其周边八个栅格单元的高程，D表示栅格间的欧氏距离，k表示栅格单元的汇流量，表示坡降方向。以数值表示每个栅格的流向：由正东方向开始顺时针到东北方向对应数值依次为：1，2，4，8，16，32，64，128。假设每个栅格单元均带有一份水流，将其按照最大坡度下降的方式汇总，依次计算不同方向上栅格中的每个下坡像元的所有像元的累积权重，得到地表径流汇流量。将地表径流量栅格与淹没水体按空间约束关系进行联合，得到附有汇流量信息的淹没水体。

2.2 顾及地表径流影响的道路内涝风险分析

洪涝淹水对周边地物的影响力会随着离淹水区域距离的增大而衰减，可利用反距离权重插值[15]的方法对内涝风险进行分析。SAR提取的淹水信息中缺乏深度信息，无法计算各淹水区域的水体总量，为了提高风险分析的可靠性，本文提出了顾及地表径流影响的内涝风险分析方法，从附有汇流量信息的淹没水体出发，通过空间格网统计的方式将基于地形坡度计算的不同区域内地表径流汇流累计量纳入权重，对淹水区域及其周边的内涝风险进行评估。首先将研究区域划分为若干空间格网，并与道路网络建立多对一的空间关联关系，然后以格网为空间约束，计算每一个空间格网内的淹水地块地表径流汇流量归一化系数平均值并纳入权重进行反距离内插：

式中，kj表示格网内第j个样本点位置的地表径流汇流量，di是插值点与第i个格网中心之间的欧氏距离，P表示幂参数(默认取2)，Z是格网内涝风险指数估计值。通过上式的计算可得到研究区域内所有空间格网的内涝风险指数估计值，从空间关联的角度出发，以格网中心与道路中心线的垂直距离加权汇总与路段相交的格网内涝风险指数计算路中每一个路段的期望风险指数，得到研究区域路网风险的空间分布情况(图1)。

3 案例分析——以“7.20”郑州暴雨事件为例

3.1 数据来源与处理过程

研究区域为郑州市主城区(东经113°27′11″-113°52′23″，北纬34°36′02″-34°57′50″)，路网数据来自OpenStreetMap(https：//www.openstreetmap.org，暂不考虑道路宽度因素的影响，文中道路指道路中心线)，DEM数据来自ASTER GDEM v3(https：//earthdata.nasa.gov/)，其空间分辨率为 30 m；郑州市周边气象站点7月20日6时至21日6时记录的降雨量数据来自郑州市气象台(图2a)。针对“7.20”郑州暴雨事件，本文使用事件发生前2021年6月9日和事件发生期间2021年7月21日和22日，郑州主城区GF-3 L1A级别数据(数据来源：北京盛世华遥公司http：//sshy3s.com/)进行数据预处理，主要处理步骤包括多视、滤波、地理编码和辐射定标等。将GF-3单视复数(SLC)数据导入到SARscape中，通过多视处理提高空间分辨率后，利用中值滤波抑制SAR噪声。采用DEM数据进行地理编码和辐射定标处理，得到VV和VH极化的向后散射系数。在对同一个区域的不同极化方式的Sentinel-1数据进行水体提取分析，发现利用公式(1)，对VV、VH极化的Sentinel-1数据水体提取的结果与对HH、VH极化的Sentinel-1数据水体提取的结果并无太大区别，考虑到GF-3没有VV极化，故将公式(1)中的VV极化波段替换为HH极化波段进行处理，提取淹水区域(图2b)。

图2 数据来源与预处理

计算地表汇流量时，首先采用公式(2)计算郑州市城区DEM数据中每一个栅格单元与其周围栅格单元之间坡降，选取其最大坡降作为流向，得到郑州城区地表径流流向(图2d)。然后将郑州城区划分为空间分辨率为 200 m的空间格网，利用公式(3)计算每一个格网的内涝风险指数，将内涝风险指数归一化后按高风险(>0.9)、较高风险(0.9-0.7)、中等风险(0.7-0.5)、较低风险(0.5-0.3)和低风险(≤0.3)分为五个风险等级，得到郑州城区7月21日和22日的内涝风险分布情况并与OpenStreetMap路网数据建立空间关联，对21日、22日的道路内涝风险进行评估(图4)。

图3 SAR提取淹没水域结果

图4 郑州城区道路内涝风险分布

3.2 结果与分析

观察SAR提取淹水区域(图3)可知，“7.20”暴雨事件中郑州城区淹没区域主要集中在城区边缘地带，中心地区的淹水区域较小。结合郑州地区水系分布情况对比分析发现，较大范围的淹没水域基本上均分布在原有水系或沿原有水系外廓分布。创建郑州城区水域 1 km阈值缓冲区，与SAR数据提取的淹没区域进行叠加分析可得：21日、22日分别有 43.84 km2、56.05 km2的淹水区域位于该缓冲区内，分别占总淹水面积的66.79%、62.01%，表明位于郑州城区人工渠、河流、湖泊等内部水系周边的地区具有更高内涝风险。

结合不同区域的淹水面积和风险评价结果来看(表1，图3)，惠济区淹水面积最大，管城区、金水区次之，二七区最小，综合郑州城区的高程分布情况(图2c)和“7.20”事件郑州各区气象站点20日6时～21日6时记录的平均降雨量数据分析(表1)可知，淹水面积与高程有着比较强的负相关关系(相关系数r=-0.975，p<0.01)，而与区域内气象站点降雨量平均记录并没有呈现出较强的相关性(p>0.05)，说明在“7.20”郑州暴雨事件中，地势因素的影响远高于降雨因素的影响。对比表1中21日与22日各区淹水面积变化情况可知，21日到22日金水区、惠济区淹水面积绝对值和相对值都远高于其余三区，造成此结果的原因是金水区、惠济区地势低，地表径流汇流流向两区，引起渍水。

表1 郑州主城区各区淹水统计情况

如图4所示，从风险分析的统计结果上来看，21日共有 481 km路段处于中风险及以上，占比9.92%，22日共有 870 km路段处于中风险及以上，占比17.94%。22日相比于21日新增了 389 km内涝风险处于中风险及以上的路段，主要集中在金水区郑州国际会展中心附近的黄河路、东风东路、金水东路及商都路东段，惠济区北四环、西三环及其周边路段(图5)。

图5 21日～22日郑州城区内涝风险上升情况

3.3 结果验证

以郑州气象官方微博7月21日9时通报的郑州积水路段作为真实灾情、章卫军[16]针对此次“7.20”郑州暴雨风险评估结果和李世豪[17]提出的郑州市区内涝模拟模型对本文提出的模型结果进行验证。

首先是采用真实灾情进行验证：选取主城区内的20个真实积水路段进行逆地理编码并矢量化，与道路风险分析进行叠加对比(图4)，统计所有真实积水路段21日和22日的风险等级。统计结果表明，在20个积水路段中，21日共有19个路段处于中风险及以上，其中2个路段处于高风险，8个路段处于较高风险，9个路段处于中风险，22日全部路段均处于中风险及以上，其中较高风险路段6段，高风险3段。综合检验情况，在检验的40个样本中，真实积水道路的内涝风险有97.5%处于中等风险及以上。

根据章卫军的淹没风险分析结果，此次“7.20”暴雨内涝高风险区主要位于地势较低的金水区和惠济区，与本文分析结果一致；该论文模拟水深为：沙口路 2.2 m，黄河路 2.9 m，京广南隧道 1.1 m，对应本文中的结果为：沙口路、黄河路较高风险，京广南隧道中风险，可以认为结果具有较好的一致性；在道路内涝风险上，李世豪针对郑州市区道路内涝模拟结果表明，在强降雨情景下，北环路、中原路、建设东路、天明路、丰乐路、农业路、紫荆山路、航海路等路段积水严重；对比前文分析结果，在上述8个路段中，除建设东路全线为中风险路段，其余各路均存在较高风险路段。综上所述，可以认为本文提出的基于附有汇流量信息淹水的城市道路内涝风险评估结果具有一定的可靠性。

表2 真实积水路段与内涝分析结果

4 结 论

本文提出了基于附有汇流量信息淹水的城市道路内涝风险评估方法，并以“7.20”郑州暴雨事件为例，运用高分三号SAR数据提取了2021年7月21日和22日郑州城区内涝淹没区域，并综合淹水统计情况、气象站降雨记录与DEM等地理要素信息，分析了此次“7.20”暴雨事件中郑州城区内涝空间分布和道路风险空间分布及变化情况。主要研究成果和创新：

(1)顾及城市内涝中地形因素的影响，利用地表汇流量信息补充SAR提取水体缺失的深度信息，提出了基于附有汇流量信息淹水的城市道路内涝风险评估方法。该方法将现势性较强的SAR数据与GIS风险分析相结合，通过对不同区域内地表径流汇流累计量与欧氏距离加权将地表径流影响纳入内涝风险分析，在灾害蔓延过程中便可快速准确评估道路内涝风险，辅助应急决策。

(2)以“7.20”郑州暴雨事件为例进行了道路内涝分析评估，并采用官方媒体通报的积水路段和已有的研究成果对评估结果进行了验证。从SAR监测数据提取的淹没水体来看，7月21日有 43.84 km2面积的淹没区域位于郑州城区水系周边 1 km范围内，占总淹水面积的66.79%，说明城区内部水系周边地区内涝灾情严重；结合各行政区21日、22日淹水面积的变化情况与降雨量和高程相关性分析，表明相比于降雨量因素，地形因素才是造成此次内涝灾害空间分布的最主要因素；采用本文提出的内涝风险分析方法对“7.20”郑州暴雨内涝风险进行分析，分析结果表明，在7月21日，城区道路中共有 481 km路段处于中风险及以上，占比9.92%；7月22日，郑州国际会展中心与西三环北四环附近的道路受到新增淹水影响，总共有870公里路段处于中风险及以上，占比17.94%。

快速准确获取淹水区域信息并分析道路内涝风险对估计灾情、制定应急对策有重要意义，本文采用在暴雨内涝灾害中现势性较好的SAR监测数据，利用空间插值和空间关联等方法分析了道路内涝风险，可辅助内涝灾害应对决策的制定。受数据限制，本文在分析过程中假设城市排水系统在短时间强降水情景下会因超载而失效，随着海绵城市建设和城市管网系统的逐步完善，排水因素影响不可忽视，是未来城市内涝分析模型研究和改进的重点。