极端天气下轨道交通水害致灾因子时空分布特征

摘要：

近年来，在与气候变化相关的多种极端天气因素的相互作用下，洪涝事件对城市及轨道交通系统造成了严重影响。以粤港澳大湾区典型沿海城市洪涝事件为例，研究了轨道交通水害的主要致灾因子（极端降雨和台风风暴潮）及相关特征参数，揭示了其时空分布特征。研究表明：① 近年来，广州市降雨量、降雨强度均明显增加，但降雨历时减少，降雨整体呈现增多且趋于集中的极端化趋势。广州市降雨时间分布在年内存在两个极值区间，第一极值区间与广州市“龙舟水”相关，第二极值区间主要受台风影响。广州市降雨空间分布不均，主要受季风及地理位置影响。② 近10 a影响广东省的29场台风风暴潮灾害集中发生在7～10月，该时间与降雨第二极值区间重合。在对近年广东省典型轨道交通水害事件进行总结后发现，水害高发期与两个极值区间重合。虽然广东省台风强度存在缓慢降低趋势，但由于广东省沿海城市遭受台风风暴潮灾害的频次不断上升，且粤中地区密集分布有广东省全部的地下轨道交通系统，未来广东省轨道交通系统水害风险将随着极端天气时空分布特征的变化进一步加大。研究成果可为未来城市轨道交通水害致灾特征研究提供依据，为城市防灾减灾提供参考。

关" 键" 词：

轨道交通； 洪涝灾害； 致灾因子； 极端降雨； 台风风暴潮； 特征参数模型； 广州市

中图法分类号： TV122

文献标志码： A

DOI：10.16232/j.cnki.1001-4179.2024.07.002

收稿日期：

2023-11-28；接受日期：

2024-03-12

基金项目：

国家重点研发计划项目（2022YFC3005203）

作者简介：

江雨潮，男，硕士研究生，研究方向为轨道交通水害及其次生地质灾害。E-mail：jiangych37@mail2.sysu.edu.cn

通信作者：

高" 燕，女，教授，博士生导师，主要从事地质灾害、岛礁钙质砂工程性质等研究。E-mail：gaoyan25@mail.sysu.edu.cn

Editorial Office of Yangtze River. This is an open access article under the CC BY-NC-ND 4.0 license.

文章编号：1001-4179（2024） 07-0010-10

引用本文：

江雨潮，高燕，史天根，等.

极端天气下轨道交通水害致灾因子时空分布特征

［J］.人民长江，2024，55（7）：10-19.

0" 引 言

20世纪以来，气候变化加上高强度的人类活动，改变了区域或局域尺度的水文过程和气候过程，致使全球极端强降雨等极端气候条件突变式发生［1］。在洪水灾害中，一部分水体侵入地下空间，如轨道交通、购物中心等，威胁民众生命安全［2］。因此，城市轨道交通在给民众带来了极大便利的同时，其安全问题也越来越紧迫。近年来，城市内强度大、历时短的极端天气事件频发［3］。根据IPCC的预测，东亚地区遭遇强烈热带气旋的频率和其登陆带来的降水强度都可能增加［4］。2021年7月河南省遭遇历史罕见特大暴雨，郑州市因灾死亡失踪380人，多处地铁轨道设施遭受水淹无法运行；广州市2020年5月22日暴雨导致城市严重内涝，造成4人死亡［5］；2018年台风“山竹”、2017年台风“天鸽”先后影响珠江口，均造成了破纪录的高潮位［6］。

在这种极端复合天气事件导致复合洪水风险越发严重的背景下，国内外学者开始对极端天气事件因子的时空分布特征展开分析，Konapala等［7］研究表明全球9个区域中有4个区域的降雨量呈现变化增加趋势。可以看出，在全球尺度上，极端天气事件显著增加的区域多于明显减少的区域；在大洲尺度上，北美洲、欧洲、大洋洲和亚洲东部等地区甚至在总降水量减少的条件下，极端降雨频率和强度均有所增加，且增加的趋势将进一步加剧［8-11］。针对国内极端天气的时空分布特征，目前研究多基于地方雨量站［12-15］、水文站［15-19］及验潮站［20-23］历年数据的统计分析，结果表明全国降雨普遍存在频次增加、强度增大的趋势［24-26］，空间分布上表现出城市多、城郊少、沿海多、内陆少、南部多、北部少的特点［27-30］。中国沿海地区的风暴潮灾害则表现出强度波动幅度较小，但频次不断增加，且随着城市发展及海平面的不断升高，其危害有不断加大的趋势［31-34］。目前，针对影响轨道交通系统水淹事件的研究相对较少［35-38］，且缺乏极端天气事件对轨道交通系统造成危害的分析［39-42］，关于轨道交通水害的研究多为一般暴雨条件下的水害分析［43-45］，而对于不同极端天气条件下，轨道交通水害致灾因子的时空分布特征尚不清晰。

研究轨道交通水害的致灾因子，并了解各水害因子的特征参数，对其发展趋势及时空分布特征进行数字化表征是对国家“十四五”计划的积极响应，也是符合《国务院办公厅关于加强城市内涝治理的实施意见》要求的有效措施［45-46］。本文将分析影响城市、轨道交通洪涝灾害的致灾因子组成及基本特征，重点从降雨、台风风暴潮等城市轨道交通水害影响因素进行统计分析，以期为未来城市轨道交通水害致灾水体组成、水淹影响过程及致灾特征研究提供参考。

1" 数据来源及方法

本文以广州市及广东省沿海地区为研究区域，通过数据统计和趋势拟合构成参数模型，分析广东省极端天气条件下轨道交通水害致灾因子的发展趋势。其中，降雨数据来源于“广州天气”天气过程实况数据（http：∥www.tqyb.com.cn/gz/weatherLive/tqgc/）、《2007～2022年广州市气候公报》以及广州市各区县气象站2007～2022年逐时降雨数据；台风风暴潮和天文潮数据来源于广东省自然资源厅《2013～2015年广东海洋灾害公报》及广东省沿海18个潮位站（南渡站、广州站、汕尾站等）的逐时潮位数据，各潮位站的具体区位如表1所列。

2" 轨道交通水害致灾因子组成

本研究为实现当水害形成时快速确定不同致灾因子对轨道交通的影响，采用的研究方法包括：① 构建致灾因子组成基本单元集；② 确定各致灾因子对水害、水体组成的贡献方式及特征参数；③ 确定各致灾因子的数字化参数特征［47-48］。根据GB 50014-2021《室外排水设计标准》中城市雨水设计流量计算规范，城市轨道交通水害过程中，致灾水体主要来源于降雨。同时，结合沿海地区极端台风风暴潮天气对城市洪涝过程的影响，主要选取极端降雨与台风风暴潮作为轨道交通水害的主要致灾因子，并对其特征参数及时空分布特征展开研究。

通过实际案例分析及现场、文献调研表明，降雨是引发城市轨道交通水淹灾害最直接的因素［49］，确定其影响水害形成的特征参数有利于了解极端降雨的发展趋势及其对轨道交通水淹灾害的影响过程，是实现轨道交通水害预测预报的关键环节。采用平均降雨强度作为极端降雨影响轨道交通水害的主要特征参量，同时对其他降雨相关影响因素的变化特征进行分析。台风风暴潮作为引发沿海城市轨道交通水淹事件的主要驱动因素，具有突发性强、影响范围广以及危害程度大的特点，往往数小时内就能酿成巨大灾害，严重影响人民群众生命财产安全。采用风暴增水及最大风暴增水值作为台风风暴潮的特征参数［27-31］。主要研究讨论的轨道交通致灾因子特征参数及相关影响因素的具体表征如表2所列。

3" 极端降雨时空分布特征

广州市为中国轨道交通系统发展速度最快、覆盖范围最广的城市之一，以广州市为例，对其极端降雨时空分布特征进行统计分析。

3.1" 广州市降雨时间分布特征

3.1.1" 降雨相关参数变化趋势

近年来，广州市每年都会发生较为严重的水淹灾害。经统计，2007～2022年间广州市范围内遭遇暴雨及暴雨以上的极端降雨事件共计212次，其中大部分的极端降雨事件都引发了一定程度的城市内涝。本文对广州市近16 a内212次降雨事件的降雨特征参数进行统计分析，如图1所示。结果表明：近16 a，广州市降雨事件的过程降雨量、最大降雨强度以及平均降雨强度都呈增加趋势，降雨历时呈现减少趋势。降雨总体上表现为单次降雨事件的强度增大、历时减短，降雨次数减少且时间上趋于集中的态势。

3.1.2" 平均降雨强度分布规律及年内变化趋势

为进一步明确降雨特征参数的数字化特征，以2007～2022年内广州市极端降雨事件的平均降雨强度为代表，对每年极端降雨事件的平均降雨强度分布规律进行分析。通过研究过去16 a 广州市极端降雨事件平均降雨强度的年内分布规律可以看出（图2），大部分年份的平均降雨强度在时间分布上存在两个极值，且极值两侧的数值分布规律表现出一定的正态分布规律，则可应用高斯函数表述各极值的正态分布特征。基于高斯函数建立的参数模型如公式（1）、（2）所示。

P=P0+（P0-Pc）×e-2×x-xcw2

（1）

w=Pc-P02ln4

（2）

式中：P表示广州市发生极端降雨事件时的平均降雨强度，mm/h；

x表示时间，d；

P0表示广州市极端降雨事件的基础降雨强度，mm/h；

Pc表示平均降雨强度极值区间内的极值，mm/h；

xc表示平均降雨强度极值出现的时间，d；

w表示钟状高斯函数的宽度。

对两个极值出现的时间进行分析后发现，广州市平均降雨强度的第一个极值出现在4～5月，该时间与广州市前汛期“龙舟水”的时间相重合［5］。第二个极值出现在7～10月，该时间段内，广东省频繁遭遇台风灾害，广州市受台风带来的风雨影响易形成极端降雨，因此可以推测该时间段内的极值与台风的频繁登陆有关。由于广州市极端降雨事件的平均降雨强度在年内存在两个极值区间，因此，分别将两个极值Pc1与Pc2代入参数模型中可以得到不同极值区间内平均降雨强度年内变化趋势表达式。

综上，为实现对平均降雨强度P时间分布模型的建立，还需要确定的模型参数包括：基础降雨强度P0、平均降雨强度极值Pci及各极值出现的时间xci。下文对各模型参数情况作进一步讨论。

3.1.3" 平均降雨强度极值年际变化趋势

为构建广州市未来遭遇极端降雨事件时的降雨特征参数模型，分别对两个极值区间内的模型参数进行统计分析，即对两个极值区段内的平均降雨强度极值（Pc1，Pc2）及极值出现的时间（xc1，xc2）进行统计分析。如图3所示，分析平均降雨强度两个极值的年际变化趋势可以看出，各极值区间内极值的年际变化呈现增长趋势，符合幂增长。且在对第二极值区间内的极值依据“该年份粤中地区是否直接遭受台风风暴潮登陆影响”进行划分后，发现第二极值区间内的极值变化趋势按上限（直接影响）、下限（非直接影响）分别拟合得到的R2值明显优于未划分时的拟合结果。因此，可以得出结论，第二极值区间内参数在分布上明显存在上限与下限，上限的出现受该年广东省台风灾害是否直接登陆粤中地区影响。

根据拟合结果建立广州市平均降雨强度极值幂增长模型如公式（3）～（5）所示，对于第一极值区间内的平均降雨强度极值直接使用公式（3）进行模拟。对于第二极值区间内的极值，应分别讨论该年7～10月台风风暴潮是否直接对广州市产生影响，若台风直接登陆粤中地区，则选取上限对应的公式（4）进行模拟，若未直接对广州市产生影响，则应用公式（5）进行模拟。

Pc1=0.026X2-102.66X+101832.8（3）

Pc2=0.4X2-1600.21X+1609902.8（4）

Pc2=0.02X2-78.82X+78526.3" （5）

式中：Pc1，Pc2分别为广州市极端降雨事件平均降雨强度第一、第二极值区间的极值，mm/h；X为时间，a。

对剩余的模型参数（xc1，xc2，P0）进行趋势分析，结果如图4所示。可见，xc与P0均存在一定的增长趋势但并不明显，未来在进行模型建立时可以根据实际情况取值。

本节通过对2007～2022年广州市极端降雨事件的平均降雨强度模型相关参数的变化趋势分析，根据高斯函数建立了广州市极端降雨时间分布特征模型，实现了对广州市未来极端降雨事件特征参数发展态势的数字化模拟，可以为城市轨道交通水淹灾害预防、预报提供支撑，对于城市发展及工程安全建设具有重要意义。

3.1.4" 平均降雨强度与其他降雨影响因素相关性分析

为进一步确定未来广州市极端降雨事件的整体发展态势，对2007～2022年广州市遭遇的共计212场极端降雨事件的降雨历时及最大降雨强度与平均降雨强度的相关性进行分析，如图5所示。由图5（a）可知，广州市过去遭遇的极端降雨事件的降雨历时普遍小于24 h，且随着平均降雨强度增大，其所对应的降雨历时减小，减小趋势符合指数降低趋势。依据指数函数构建平均降雨强度-降雨历时模型，结果如公式（6）所示。形成该趋势的主要原因是近些年降雨存在极端化的发展趋势，部分极端降雨事件表现出降雨强度大、降雨历时短的特点。即在极短的时间内产生大量的降雨量，从而导致降雨历时短的同时平均降雨强度远大于正常值的情况出现。

P=4.59+59.6×e-T4.37

（6）

式中：P表示平均降雨强度，mm/h；

T表示降雨历时，h。

平均降雨强度与最大降雨强度的相关性分析如图5（b）所示，当最大降雨强度小于50 mm/h时，平均降雨强度与最大降雨强度两者基本满足1∶1的关系，两者差异较小，表明该情况下的降雨过程对应的降雨历时短，较大的降雨量在1 h左右全部降落到城市内，形成极端降雨天气；当最大降雨强度增大到50～200 mm/h时，此时的降雨强度已经超过了大部分城市的最大防洪能力。而在该范围内，平均降雨强度普遍分布在0.09倍的最大降雨强度附近，这表示即使在较长降雨历时的降雨过程内，也有可能出现降雨量集中在极短时间内降落的极端降雨情况，并且这种情况一旦出现，所产生的降雨强度将更大，同时由于降雨过程前期已经累计了一定的降雨量，因此对城市产生的排洪压力也将增大，对城市安全造成严重威胁。

3.2" 广州市降雨空间分布特征

为研究广州市降雨空间变化规律及其对轨道交通造成的风险，通过2007～2022年广州市遭遇的212次极端降雨事件的雨量站记录，对每次降雨事件所影响的主要区县进行统计，并应用ArcGIS将广州市各区县遭遇极端降雨事件的总频次按照颜色深浅以及标记大小的方式标注在广州市地图上，如图6所示。由图6可知，近16 a广州市降雨空间分布不均，广州市降雨主要分布在受气候和季风控制的市区北部，如从化区、增城区等，以及受台风风暴潮影响的市区南部，如南沙区等。将降雨空间分布图与轨道交通分布图对比后可以发现，广州市极端降雨高频地区的轨道交通分布并不密集，广州市轨道交通水害受极端降雨空间分布影响小。

因此，广州市降雨空间分布受地理位置的影响更大，与中心城区城市化发展及地下轨道交通建设的相关性低。各主要降雨地区遭遇极端降雨的频次随着大气候背景下降雨及台风风暴潮频次的增加而增加。

4" 风暴潮时空分布特征

4.1" 广东省风暴潮时间分布特征

4.1.1" 风暴潮年内时间分布特征

经统计，2013～2022年明显影响广东省的台风共29场。对台风登陆的时间进行统计，如图7所示，结果表明7～10月为广东省台风风暴潮高发期，这与上述的降雨特征参数第二极值区间重合。台风风暴潮的突发可能带来极端降雨、超警戒潮位、河流洪水等次生灾害，给广东省带来洪涝风险。由图7可以看出，广东省台风风暴潮年内登陆时间呈现出以8～9月为中心的正态分布趋势，为更好地模拟未来广东省台风风暴潮年内登陆时间及频次，应用高斯函数构建广东省台风风暴潮时间分布模型，如公式（7）所示。

N=-0.04+10.53π/2 e（x′-8.52）22.81

（7）

式中：N表示广东省台风风暴潮登陆频次；x′表示时间，月。

据统计，过去10 a影响广东省的29场台风中，恰逢天文大潮的台风有8场，占总数的27.6%，可见，无论台风登陆时是否为天文大潮期，风暴潮都可能产生较高的风暴潮增水从而对城市造成洪涝风险。

近些年，广东省在极端天气的影响下，轨道交通水害事件频发。2016年5月，广州地铁6号线长湴站发生积水倒灌；2017年6月，受台风“苗柏”影响，深圳地铁车公庙站积水关闭；2020年5月，广州地铁13号线官湖站被淹；2021年7月广州地铁21号线神舟路站由于出入口挡水墙倒塌导致地铁站进水；2023年9月，台风“海葵”登陆大湾区，导致广州地铁市桥站、深圳地铁黄阁坑站、榆园站及香港地铁黄大仙站发生严重积水入侵。通过前文的分析可知，广东省极端天气在时间分布上存在两个极值区间，分别为每年4～5月的第一极值区间及7～10月的第二极值区间。可以看出，以上轨道交通水害事件均发生在两个极端天气极值区间内，且受到台风、降雨的严重影响。

4.1.2" 广东省风暴潮年际时间分布特征

为明确广东省台风风暴潮未来发展趋势，对2013～2022年影响广东省的29场台风风暴潮的风暴潮增水及台风的中心气压、中心最大风速进行统计，如图8所示。可以看出，广东省在过去10 a中遭受的台风中心气压存在一定的上升趋势，台风的中心最大风速存在一定的下降趋势，台风风暴潮灾害所产生的风暴潮增水存在一定的下降趋势。以上趋势均表明广东省近10 a内遭遇的台风风暴潮灾害强度正在缓慢减弱。

通过分析台风风暴潮相关参数的年际变化趋势，建立台风风暴潮时间分布模型可以实现对未来广东省台风风暴潮灾害影响因素、过程的模拟，从而更好地帮助广东省沿海城市预测、预报、预防由台风风暴潮诱发的城市洪涝及轨道交通水淹灾害。

4.2" 广东省风暴潮空间分布特征

依据广东省沿海各区市潮位站的潮位变化数据，对2013～2022年广东省沿海受台风风暴潮影响进而产生风暴增水的频次进行统计，各验潮站对应的频次如图9所示。结果表明：过去10 a对广东省产生影响的29场台风，对粤西各潮位站产生影响55次，对粤中产生影响72次，对粤东产生影响25次。粤西受风暴潮影响频次呈先减小后增大趋势，粤中以及粤东各区域受风暴潮影响频次均呈持续增加趋势。可以推测，未来广东省沿海各区市受台风风暴潮威胁的次数将不

断增加。然而，粤中等沿海地区作为广东省经济发展

最快的地区，其轨道交通网络的分布密度也远远大于

其他内陆城市。若未来出现多场台风连续登陆的极端

天气情况，将会对广东省轨道交通系统造成十分严重的危害。因此，风暴潮影响频次的增加将会给广东省各沿海城市洪涝带来更大的风险，广东省轨道交通系统受台风风暴潮空间分布特征影响将十分显著。

5" 极端降雨与风暴潮的耦合关系

前文分别讨论了不同轨道交通水害致灾因子各自

的时空分布特征，并通过对各特征参数进行分析，构建了不同的特征参数模型。然而，由于气候变化的影响，相关因素（如极端降雨、严重风暴潮等）的相互作用将

进一步加强。极端天气事件期间，风暴潮和强降雨同时发生，将增加粤港澳大湾区沿海城市的洪水风险。例如，台风“天鸽”于2017年8月23日在珠三角登陆，引发严重风暴潮和强降雨。香港、澳门和珠海市受到高海平面、强降雨和地表洪水的严重影响。同时，在前文的研究中也发现，广州市极端降雨第二极值区间在时间上与风暴潮集中影响广东省的时间重合，第二极值区间内的上限值直接受台风影响。因此，应考虑极端天气条件下多种致灾因子之间的相关性来评估其对轨道交通水害的影响程度。

通过对2013～2022年期间的29场台风及其对应第二极值区间内的极端降雨事件进行统计，分析台风中心气压及最大中心风速与极端降雨平均降雨强度及风暴潮最大风暴潮增水之间的相关性。应用二元二次方程对各参数的分布趋势进行拟合（图10），构建风暴潮-降雨耦合模型，如公式（8）、（9）所示。从结果中可以看出，平均降雨强度及最大风暴潮增水随相关因素的变化趋势相同，与台风中心气压呈负相关，与台风中心最大风速呈正相关。未来通过耦合模型可以实现在一定台风强度条件下对台风造成的极端天气影响进行模拟。

P=0.0062p2-12.26p-0.012v2max+0.74vmax+6045.69（8）

emax=0.025p2-53.28p-0.18v2max+12.47vmax+27764.96（9）

式中：P为平均降雨强度，mm/h；

emax为最大风暴潮增水，cm；

p为台风中心气压，hPa；

vmax为台风最大中心风速，m/s。

6" 结 论

由于全球范围内气候变化及城市化快速发展，极端天气事件愈加频繁，极端降雨强度加大以及台风风暴潮频发使轨道交通水淹防范情势更加严峻。本文以广州市及周边地区为代表分析了轨道交通水害致灾因子时空分布特征，并建立了特征参数数字化模型。主要结论如下：

（1） 极端降雨和台风风暴潮灾害是引发城市轨道交通水淹的主要原因。极端降雨和风暴潮的主要致灾特征参数为平均降雨强度及最大风暴潮增水等，其影响因素包括降雨量、降雨历时、台风中心气压及台风中心最大风速等。

（2） 近16 a广州市212场极端降雨事件的降雨量、平均降雨强度及最大降雨强度都呈增加趋势，降雨历时缓慢减少。其中平均降雨强度在年内存在两个极值分布区间，时间上分别与广州市“龙舟水”及台风集中影响时间相符。各极值区间内极值均表现出一定的增长趋势，且第二极值区间内受台风影响存在上下限。广州市极端降雨事件呈现增多且趋于集中的态势。对广东省典型的轨道交通水害事件进行总结后发现，水害事件集中发生在两个极值区间内。广州市轨道交通系统水害受极端降雨时间分布影响显著，而受极端降雨空间分布影响小，降雨频次在空间上分布不均，主要受季风和地理位置影响。

（3） 近29场台风风暴潮的数据表明，广东省风暴潮增水值与台风中心气压及最大中心风速变化密切相关。台风风暴潮灾害影响广东省的频次正在不断上升，粤中区域分布有广东省已建成的全部轨道交通系统，轨道交通受风暴潮空间分布的影响显著。风暴潮引起的平均降雨强度及风暴潮增水随着台风中心气压的增大而减小，随着台风中心最大风速的增大而增大，各特征参数与影响因素间存在明确的数字化特征。

参考文献：

［1］" HALLEGATTE S，GREEN C，NICHOLLS R J，et al.Future flood losses in major coastal cities［J］.Nature Climate Change，2013，3（9）：802-806.

［2］" OZAKI T，ASANO N，ISHIGAKI T，et al.Characteristics of underground mall inundation by flush flood in short time heavy rainfall［J］.Journal of Japan Society of Civil Engineers，2014，70：I_1417-I_1422.

［3］" QIANG Y，ZHANG L，HE J，et al.Urban flood analysis for Pearl River Delta cities using an equivalent drainage method upon combined rainfall-high tide-storm surge events［J］.Journal of Hydrology，2021，597：126293.

［4］" BERNSTEIN L，BOSCH P，CANZIANI O，et al.IPCC，2007：climate change 2007［M］.Geneva：IPCC，2008.

［5］" 张之琳，邱静，程涛，等.粤港澳大湾区城市洪涝问题及其分析［J］.水利学报，2022，53（7）：823-832.

［6］" 贾宁，刘强，石先武，等.基于现场调查的台风“天鸽”（1713）和台风“山竹”（1822）风暴潮灾害影响和致灾对比分析［J］.海洋预报，2022，39（5）：94-99.

［7］" KONAPALA G，MISHRA A K，WADA Y，et al.Climate change will affect global water availability through compounding changes in seasonal precipitation and evaporation［J］.Nature Communications，2020，11（1）：3044.

［8］" SCHUSTER Z T，POTTER K W，LIEBL D S.Assessing the effects of climate change on precipitation and flood damage in Wisconsin［J］.Journal of Hydrologic Engineering，2012，17（8）：888-894.

［9］" SHAO Z，GAO F，YANG S L，et al.A new semiparametric and EEMD based framework for mid-term electricity demand forecasting in China：hidden characteristic extraction and probability density prediction［J］.Renewable and Sustainable Energy Reviews，2015，52：876-889.

［10］孔锋，史培军，方建，等.全球变化背景下极端降水时空格局变化及其影响因素研究进展和展望［J］.灾害学，2017，32（2）：165-174.

［11］MIN S K，ZHANG X，ZWIERS F W，et al.Human contribution to more-intense precipitation extremes［J］.Nature，2011，470（7334）：378-381.

［12］ZHANG Y，XU Y，DONG W，et al.A future climate scenario of regional changes in extreme climate events over China using the PRECIS climate model［J］.Geophysical Research Letters，2006，33（24）：L24702.

［13］顾西辉，张强，孔冬冬.中国极端降水事件时空特征及其对夏季温度响应［J］.地理学报，2016，71（5）：718-730.

［14］殷水清，王杨，谢云，等.中国降雨过程时程分型特征［J］.水科学进展，2014，25（5）：617-624.

［15］杜经纬，王昊，王浩，等.短历时雨型对城市排水管网运行状态影响研究［J］.人民长江，2023，54（4）：108-113，162.

［16］成丹，陈正洪.湖北宜昌市区暴雨雨型的演变特征［J］.干旱气象，2017，35（2）：225-231.

［17］何玉秀，许有鹏，李子贻，等.城镇化对极端降水的影响及其贡献率研究：以太湖平原地区为例［J］.湖泊科学，2022，34（1）：262-271.

［18］崔婷婷，王银堂，胡庆芳.城镇化进程中太湖流域降水演变规律研究［J］.江苏水利，2019（8）：1-6.

［19］于志慧，刘鹏飞，何玉秀，等.太湖平原高度城镇化下降雨特征时空变化研究［J］.湖泊科学，2022，34（6）：2134-2143.

［20］孙周亮，鲍振鑫，舒章康，等.南京市近25年短历时暴雨雨型特性［J］.水文，2019，39（5）：78-83.

［21］李洁，徐强强，王正华.考虑降雨空间异质性的洪水预报模型研究［J］.人民长江，2023，54（增1）：11-15.

［22］宋晓猛，张建云，孔凡哲，等.北京地区降水极值时空演变特征［J］.水科学进展，2017，28（2）：161-173.

［23］黄国如，陈易偲，姚芝军.高度城镇化背景下珠三角地区极端降雨时空演变特征［J］.水科学进展，2021，32（2）：161-170.

［24］谭畅，孔锋，郭君，等.1961～2014年中国不同城市化地区暴雨时空格局变化：以京津冀、长三角和珠三角地区为例［J］.灾害学，2018，33（3）：132-140.

［25］于鑫，郑腾飞，刘显通，等.广东省极端降水的时空分布特征［J］.广东气象，2022，44（2）：6-9.

［26］程遥，纪彭.深圳市“4·11”暴雨洪水分析 ［J］.水利水电快报，2022，43（5）：8-11，19.

［27］叶荣辉，钱燕，孔俊，等.珠江三角洲大系统风暴潮数学模型建立与验证［J］.人民长江，2013，44（21）：76-80.

［28］庞古乾，黄玉明，何健，等.珠海市台风及其次生风暴潮特征分析与评估［J］.热带气象学报，2020，36（1）：42-50.

［29］韩晶.台风山竹和天鸽对珠海沿海风暴潮增水影响［J］.吉林水利，2019（447）：47-49，53.

［30］史键辉，王永信.珠江口纵深的风暴潮和增水特征［J］.海洋预报，2000（4）：47-51.

［31］张敏，罗军，胡金磊，等.雷州市沿海风暴潮淹没危险性评估［J］.热带海洋学报，2019，38（2）：1-12.

［32］李颖，方伟华，林伟，等.可能最大风暴潮风险评估中各等级热带气旋设定方法［J］.海洋科学，2014，38（4）：71-80.

［33］周才扬，殷成团，章卫胜，等.长江口台风影响能力研究［J］.人民长江，2021，52（1）：27-30.

［34］刘秋兴，傅赐福，李明杰，等.“天鸽”台风风暴潮预报及数值研究［J］.海洋预报，2018，35（1）：29-36.

［35］ISHIGAKI T，TODA K，BABA Y，et al.Experimental study on evacuation from underground space by using real size models［J］.Proceedings of Hydraulic Engineering，2006，50：583-588.

［36］ISHIGAKI T，KAWANAKA R，ONISHI Y，et al.Assessment of safety on evacuating route during underground flooding［C］∥Proceedings of 16th IAHR-APD Congress and 3rd Symposium of IAHR-ISHS，2009：141-146.

［37］TODA K，KAWAIKE K，YONEYAMA N，et al.Underground inundation analysis by integrated urban flood model［C］∥Proceedings of 16th IAHR-APD Congress and 3rd Symposium of IAHR-ISHS，2009：166-171.

［38］YONEYAMA N，TODA K，AIHATA S，et al.Numerical analysis for evacuation possibility from small underground space in urban flood［C］∥Proceedings of 16th IAHR-APD Congress and 3rd Symposium of IAHR-ISHS，2009：107-112.

［39］QUAN R，ZHANG L，LIU M，et al.Risk assessment of rainstorm waterlogging on subway in central urban area of Shanghai，China based on scenario simulation［C］∥2011 19th International Conference on Geoinformatics.Shanghai：IEEE，2011：1-6.

［40］INOUE T，KAWANAKA R，ISHIGAKI T，et al.Safety evacuation from underground mall during urban flooding［J］.Journal of Japan Society of Civil Engineers，2011，67（4）：I_973-I_978.

［41］HAMAGUCHI S，ISHIGAKI T，OZAKI T，et al.Study on vulnerability of mega-underground space to extreme flood［J］.Journal of Japan Society of Civil Engineers，2016，72（4）：I_1363-I_1368.

［42］LYU H M，WANG G F，SHEN J，et al.Analysis and GIS mapping of flooding hazards on 10 May 2016，Guangzhou，China［J］.Water，2016，8（10）：447.

［43］LYU H M，SUN W J，SHEN S L，et al.Flood risk assessment in metro systems of mega-cities using a GIS-based modeling approach［J］.Science of the Total Environment，2018，626：1012-1025.

［44］LI M，KWAN M P，YIN J，et al.The potential effect of a 100-year pluvial flood event on metro accessibility and ridership：a case study of central Shanghai，China［J］.Applied Geography，2018，100：21-29.

［45］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［EB/OL］.（2021-03-13）［2023-11-28］.https：∥www.gov.cn/xinwen/2021-03/13/content_5592681.html.

［46］国务院办公厅.国务院办公厅关于加强城市内涝治理的实施意见：国办发〔2021〕11号［Z］.北京：国务院办公厅，2021.

［47］FORERO-ORTIZ E，MARTNEZ-GOMARIZ E，CAAS PORCUNA M.A review of flood impact assessment approaches for underground infrastructures in urban areas：a focus on transport systems［J］.Hydrological Sciences Journal，2020，65（11）：1943-1955.

［48］莫伟丽.地铁车站水侵过程数值模拟及避灾对策研究［D］.杭州：浙江大学，2010.

［49］MAIDMENT D.水文学手册［M］.张建云，李纪生，等，译.北京：科学出版社，2002.

（编辑：谢玲娴）

Temporal and spatial distribution characteristics of disaster-causing factors for rail transit flooding under extreme conditions

JIANG Yuchao1，GAO Yan1，2，SHI Tiangen1，SUN Ketian1，SHI Xu1

（1.School of Earth Sciences and Engineering，Sun Yat-sen University，Zhuhai 519000，China；" 2.Southern Marine Science and Engineering Guangdong Laboratory （Zhuhai），Zhuhai 519000，China）

Abstract：

In recent years，under the interaction of multiple extreme weather factors related to climate change，flooding events have caused serious impacts on cities and rail transit systems.Taking a typical coastal city Guangzhou City in the Guangdong-Hong Kong-Macao Greater Bay Area as a case study，we examined the main contributing factors （extreme rainfall and typhoon storm surge） and related parameters of rail transit flooding，revealing their temporal and spatial distribution characteristics.The study results showed that： ① The amount and intensity of rainfall in Guangzhou City have increased significantly，while the duration of rainfall has decreased，leading to an overall increase in rainfall and a trend toward more extreme precipitation events.There are two extreme intervals of rainfall distribution in Guangzhou City during the year.The first interval is associated with the \"Dragon-Boat-Precipitation，\" while the second interval is mainly influenced by typhoons.The spatial distribution of rainfall in Guangzhou City is uneven，primarily due to the monsoon and geographic location.② The 29 typhoons and storm surges that affected Guangdong Province in the past 10 years occurred between July and October，coinciding with the second extreme rainfall interval.Analyzing typical rail transit water damage events in Guangdong Province in recent years revealed that the high incidence of water damage aligns with these two extreme intervals.Although the intensity of typhoons in Guangdong Province is slowly decreasing，the frequency of typhoons and storm surges in its coastal cities is increasing.Given that all rail transit systems are densely distributed in the central region of Guangdong Province，the risk of water damage to these systems is expected to increase in the future due to changes in the temporal and spatial distribution characteristics of extreme weather.The results of the study can serve as a foundation for future research on the characteristics of urban rail transit water damage and as a reference for urban disaster prevention and mitigation.

Key words：

rail transit； flood disasters； disaster-causing factors； extreme rainfall； typhoon storm surge； characteristic parametric model； Guangzhou City