EN中文

地球信息科学学报 >

2024 , Vol. 26 >Issue 5: 1151 - 1165

DOI: https://doi.org/10.12082/dqxxkx.2024.230311

地球信息科学理论与方法

基于主体建模的城市暴雨洪涝灾害预警策略仿真研究

  • 黄晶 , 1, 2 ,
  • 蔡思琴 1 ,
  • 庞甜甜 1 ,
  • 王慧敏 , 1, 2, *
展开
  • 1.河海大学 商学院，南京 211100
  • 2.水灾害防御全国重点实验室，南京 210098
*王慧敏(1963— )，女，山西阳泉人，博士，教授，主要从事管理系统工程、复杂资源系统运行与管理、灾害风险管理与应急管理等方面的研究。E-mail:

黄 晶(1986— )，女，江苏无锡人，博士，副教授，主要从事灾害风险管理与应急决策、管理科学与系统工程研究。E-mail:

收稿日期: 2023-06-04

  修回日期: 2023-11-30

  网络出版日期: 2024-05-21

基金资助

国家自然科学基金项目(42171081)

国家自然科学基金项目(42371092)

国家自然科学基金项目(72174054)

收起

Agent-based Modelling of Urban Rainstorm Flood Disaster Early Warning Strategy Simulation

  • HUANG Jing , 1, 2 ,
  • CAI Siqin 1 ,
  • PANG Tiantian 1 ,
  • WANG Huimin , 1, 2, *
Expand
  • 1. Business School, Hohai University, Nanjing 211100, China
  • 2. The National Key Laboratory of Water Disaster Prevention, Nanjing 210098, China
*WANG Huimin, E-mail:

Received date: 2023-06-04

  Revised date: 2023-11-30

  Online published: 2024-05-21

Supported by

National Natural Science Foundation of China(42171081)

National Natural Science Foundation of China(42371092)

National Natural Science Foundation of China(72174054)

Fold

摘要

灾害预警通过提前发布灾害信息，引导居民及时采取避灾行动，从而有效降低灾害损失和伤亡，在减灾管理中发挥重要作用。面对自然与社会耦合下的复杂洪涝灾害系统，如何考虑居民的预警响应行为，评估不同洪涝灾害预警策略有效性是当前亟待解决的问题。本文提出了基于主体建模的城市暴雨洪涝灾害预警策略仿真方法，设定基于降雨预报、基于洪涝淹没、基于人群暴露性的3种预警策略，并以深圳市福田区为例，分析不同预警策略下城市洪涝灾害风险的变化。结果表明：① 考虑洪涝灾害风险感知与个体出行决策概率的城市暴雨洪涝灾害预警策略ABM仿真模型，能够准确模拟不同洪涝灾害预警策略下居民出行响应行为及洪涝灾害风险的变化，科学、全面评估城市洪涝灾害预警策略的有效性；② 不同洪涝灾害预警策略下人群出行响应行为差异显著，导致城市暴雨洪涝灾害风险降低效果不同。面对20 a一遇的降雨情景，基于洪涝淹没和人群暴露性预警能够帮助研究区居民快速识别高危险区，从而显著降低建筑物和道路的风险；③ 不同暴雨情景下不同洪涝灾害预警策略效果不同。面对较小的降雨情景，基于洪涝淹没和基于人群暴露性的精细化预警策略下城市洪涝灾害风险降低效果更好；而面对极端暴雨情景，采用基于降雨预报的统一预警策略效果优于精细化预警策略。

关键词： 城市暴雨洪涝; 灾害预警策略; 仿真; 主体建模; 灾害风险; 风险感知; 行为决策; 深圳市

本文引用格式

黄晶 , 蔡思琴 , 庞甜甜 , 王慧敏 . 基于主体建模的城市暴雨洪涝灾害预警策略仿真研究[J]. 地球信息科学学报, 2024 , 26(5) : 1151 -1165 . DOI: 10.12082/dqxxkx.2024.230311

Abstract

Disaster early warning plays an important role in disaster reduction management by proactively disseminating disaster information to guide residents in taking timely evacuation actions, thus effectively reducing disaster losses and casualties. The dynamic response process of residents to disaster early warning information and the assessment of the effectiveness of different flood disaster early warning strategies are pressing issues. This paper proposes a simulation method for urban rainstorm flood disaster early warning strategies based on Agent-Based Modeling (ABM). Firstly, three warning strategies are established: rainfall forecast-based, flood inundation-based, and population exposure-based. Secondly, individual risk perception is assessed by considering a variety of socio-demographic characteristics, and a probabilistic model of individual travel decision-making is constructed. Based on this, an agent-based model for urban flood disaster early warning strategies is developed. Finally, taking Futian District in Shenzhen, China as a case study, residents' travel behavior and flood risk are simulated and analyzed with different flood warning strategies under 20-year, 50-year, and 100-year return period rainstorm scenarios. The results show that: (1) The ABM simulation model, considering residents' perception of flood disaster risk and the probability of individual travel decision-making, accurately simulates residents' travel response behavior and changes in flood disaster risk under different warning strategies. It provides a scientific and comprehensive evaluation of the effectiveness of urban flood disaster early warning strategies; (2) Different warning strategies lead to significant differences in population travel response behavior, resulting in varying effectiveness in reducing urban rainstorm flood disaster risk. Faced with a 20-year rainfall scenario, flood inundation-based and population exposure-based early warning strategies help residents in the study area quickly identify high-risk areas, significantly reducing the risk to buildings and roads. Faced with a 20-year return period rainstorm scenario, the study area shows minimal changes in residents' travel behavior under rainfall forecast-based warnings. However, flood inundation-based, and population exposure-based warning strategies help residents rapidly identify high-risk areas, significantly reducing the number of people heading to red and orange warning zones. This results in a noticeable decrease in risks to buildings and roads; (3) Under different rainstorm scenarios, the effectiveness of various flood disaster early warning strategies varies. In the face of smaller rainstorm scenarios, refined flood disaster early warning strategies, such as flood inundation-based, and population exposure-based, demonstrate effectiveness in reducing urban flood disaster risk. However, when dealing with extreme rainstorm scenarios, adopting a unified flood disaster early warning strategy, such as rainfall forecast-based, is more effective than a refined warning strategy. Therefore, urban flood disaster early warning systems should be tailored to local conditions and varying circumstances, establishing a graded, zonal, and scenario-based warning system.

Key words： urban rainstorm flood; disaster early warning strategy; simulation; Agent-Based Model (ABM); disaster risk; risk perception; individual travel decision-making; Shenzhen

1 引言

全球气候变化加剧，极端天气的频率和强度骤增，城市暴雨洪涝灾害风险大大增加，对人民生命财产安全和社会经济发展构成巨大威胁。除了传统的工程性防洪措施外，采取非工程性措施对于城市综合洪灾风险管理至关重要[1]。洪涝灾害预警通常是通过监测、模拟和预测洪水相关信息，在灾害发生前向公众发布警告信息，使公众能够采取有效措施避免或降低灾害风险[2]，从而减少灾害损失和伤亡，在减灾管理中发挥重要作用。2022年世界气象日的主题是“早预警、早行动”，世界气象组织（WMO）在《全民预警行动计划》[3]中进一步强调要推动建立全民预警系统[3]，我国“十四五”规划也提出要建立更具备时效性和精度的灾害预警防控体系。
目前我国自然灾害预警以气象预警为主，以红、橙、黄、蓝4种颜色对应I至IV级预警级别。传统基于气象预警或水情预警的洪涝灾害预警，分别以雨情信息和水文情报为依据[4]，但这2种基于致灾要素的预警方式无法完全体现城市洪涝灾害带来的影响。有学者提出基于淹没信息的精细化预警[5-6]，通过实时监测或模拟城市洪涝过程获得淹没信息，指导人们避开内涝易发区域。面对自然与社会耦合下的城市洪涝灾害复杂系统，需要进一步将洪涝灾害风险信息纳入灾害预警体系，因此，有学者提出建立风险预警[7-8]，如通过DPSIR模型构建综合性多指标城市洪涝风险预警评价方法[9]，或考虑不同建筑物的淹没深度-损坏率-损失值关系，提出基于建筑物直接损失的预警[10]。
大量研究与实践提高了洪涝灾害预警的准确性，然而，不同洪涝灾害预警策略在降低城市洪涝灾害影响方面的有效性与适用性仍有待明确。对灾害预警有效性评估的研究，主要以社会调查为主，探究灾害预警对灾前准备、灾害信息获取、疏散决策变化等响应行为的影响[11⇓-13]，较为直观地反映灾害预警对个体的作用，但这类方法时间跨度广、实施难度大。也有学者将灾害损失作为灾害预警有效性衡量标准，使用相对损失度量灾害预警的效果[14-15]。同样地，也有学者评估了灾害预警的成本和效益比，如Verkade等[16]结合了相对经济价值的概念，评估了减少洪水损失相关的收益和提供灾害预警的成本的关系；Bapon等[17]基于效益成本分析方法将采用气旋预警系统的货币效益与建立这种系统所需的投资成本进行比较，量化灾害预警系统的成本和效益比。然而，灾害预警的目的是使人能够采取有效措施规避风险，减少财产损失和人员伤亡，上述这些方法难以体现洪涝灾害的动态特征以及以人为代表的承灾体对洪涝灾害预警的动态响应过程。因此，有必要通过模拟个体对洪涝灾害预警信息的动态响应过程，进而分析洪涝灾害预警带来的灾害风险变化，以此达到准确评估洪涝灾害预警有效性的目的。多主体建模方法(Agent-Based Model，ABM)能够模拟异质性个体行为及其相互作用[18]，有学者利用该模型模拟不同类型人群出行行为带来的洪涝灾害脆弱性变化[19]。
因此，为了探究不同洪涝灾害预警下个体响应行为的变化特征及其对洪涝风险的影响，评估不同洪涝预警策略的有效性和适用场景，本研究考虑个体洪涝风险感知的异质性及个体行为决策的不确定性，构建了基于主体的洪涝灾害预警策略仿真模型，设定基于降雨预报、基于洪涝淹没、基于人群暴露性的3种预警策略，并以深圳市福田区为例，模拟和比较在不同暴雨情景下，采用不同洪涝灾害预警策略时居民出行行为和城市暴雨洪涝风险的变化，为完善城市洪涝灾害预警体系提供科学依据。

2 基于主体建模的城市暴雨洪涝灾害预警策略仿真模型构建

2.1 基于主体建模的城市暴雨洪涝灾害预警策略仿真模拟框架

在洪涝灾害过程中，以人为代表的承灾体处于动态变化的状态，并由此引发洪涝风险的时空变化。承灾体的动态响应受到主观和客观因素的双重影响，一方面洪涝灾害预警策略能够对个体决策产生外部信息刺激，另一方面个体的社会经济属性会影响出行行为模式及个体风险感知，因此提出城市暴雨洪涝灾害预警策略仿真模拟框架（图1）。该框架主要包含3部分，分别为城市洪涝灾害预警策略设定，城市洪涝灾害预警策略的ABM仿真模型，以及城市暴雨洪涝灾害风险测度。
图1 城市暴雨洪涝灾害预警策略仿真模拟框架

Fig. 1 Simulation framework for early warning strategies for urban rainstorm flood disasters

2.2 城市洪涝灾害预警策略设定

本研究设定了3种洪涝灾害预警策略（表1）：基于降雨预报的统一预警、基于洪涝淹没的精细化预警、基于人群暴露性的精细化预警。降雨预报预警考虑降雨强度，以不同的降雨重现期为划分依据；洪涝淹没预警考虑洪涝淹没对承灾体的威胁程度，以淹没深度为划分依据；人群暴露性预警考虑了淹没区域的人群的暴露程度，结合暴雨淹没深度和人口密度，计算城市人群暴露性值，作为预警划分依据。洪涝灾害预警从低到高分蓝、黄、橙、红4个级别。
表1 洪涝灾害预警策略及划分标准

Tab. 1 Flood disaster early warning strategies and classification criteria

洪涝灾害预警策略 预警划分依据 预警等级 建筑物灾害预警值 F R W n
基于降雨预报的统一预警
（降雨预报预警）		 无降雨 无预警 0
10 a及以下 蓝色预警 0.2
20 a 黄色预警 0.4
50 a 橙色预警 0.6
100 a及以上 红色预警 0.8
基于洪涝淹没的精细化预警
（洪涝淹没预警）		 无淹没 无预警 0
轻度淹没 蓝色预警 0.2
中度淹没 黄色预警 0.4
中高度淹没 橙色预警 0.6
高度淹没 红色预警 0.8
基于人群暴露性的精细化预警
（人群暴露性预警）		 无威胁 无预警 0
低威胁 蓝色预警 0.2
中威胁 黄色预警 0.4
中高威胁 橙色预警 0.6
高威胁 红色预警 0.8
F R W n表示建筑物灾害预警值。居民个体接收的洪涝灾害预警值由当前时刻居民个体所处建筑物和目标建筑物的预警值决定，如下：
F i , t = m a x { F R W l o c a t i o n , t , F R W t a r g e t , t }
式中： F i , t表示居民i时刻t所接收到的灾害预警值； F R W l o c a t i o n , t为居民i时刻t所处建筑物的灾害预警值； F R W t a r g e t , t为居民i时刻t目标建筑物的灾害预警值。居民在出行过程中不更新灾害预警值，其灾害预警值由上一时刻接收到的灾害预警值决定。

2.3 城市洪涝灾害预警策略的ABM仿真

2.3.1 Agent类型及其行为规则设定

（1）居民Agent类型和出行行为模式
根据年龄、职业等人口特征将居民Agent划分为少年儿童、中青年、老年及随机人群四类。不同人口特征的人群一天中的空间地理位置呈现显著的变化，其出行行为是一系列出行活动的序列，具有时序性和异质性，因此不同类型的居民主体的出行活动类型和活动转移概率q有所差异，由此可以生成不同的出行行为模式[20]。通过对城市交通情况的调查和参考已有研究构建不同类别的居民主体的日常出行行为活动图（图2）。
图2 居民日常出行行为

Fig. 2 Daily travel behavior of residents

（2）个体风险感知与出行行为决策更新
风险感知是人们对某个特定风险的特征和严重性所做出的主观判断，洪涝灾害风险感知代表了居民对洪灾风险的感知能力。人类在面对灾害事件时的行为是一个复杂的过程，人们会有目的地采取行动来保护自己免于威胁，而外界信息和个体社会经济属性会影响个体对灾害风险的感知，直接或间接地影响个体响应行为[21]。个体洪涝风险感知表达如式（2）所示。
F R P i = α + ∑ n = 1 n β n A n , i
式中： F R P i为居民i的个体风险感知( F R P i ∈ [ 0,1 ])； α为常数， β n为主要影响因素参数，表示各个影响因素对个体洪涝风险感知的影响程度； A n , i为居民i的第n个属性特征值。Cao等[22]认为居民保护性响应行为受到个体风险感知的影响，研究发现年龄( A 1 , i)、洪灾经历( A 2 , i)、对政府的信任( A 3 , i)、月收入水平( A 4 , i)和保险意愿( A 5 , i)是深圳市居民保护性响应应对行为的主要影响因素，因此，本文将个体洪涝风险感知表示为式（3）。
F R P i = 2.5355 - 0.157 A 1 , i + 0.205 A 2 , i + 0.36 A 3 , i - 0.438 A 4 , i + 0.109 ( A 4 , i × A 5 , i )
居民个体出行行为决策受到个体风险感知和接收到预警信息的影响，采用决策场理论模型[23]计算居民个体出行行为决策的改变概率，见式（4）。
P ( t + h ) = S × P ( t ) + V ( t + h )
式中： h为一个任意小的时间单位在决策过程中，决策者偏好强度的变化过程采用线性随机差分方程表示。 P ( t )表示 t时刻的决策偏好， P ( t + h )为 t + h时刻的决策偏好。假设本文中居民个体的初始偏好都为前往目的地，即“出行”，决策初始偏好 P ( 0 ) = 0； S是反馈矩阵，一般 0.9 < S < 1，表示选择受到上一时刻偏好状态的影响大； V ( t + h )表示 t + h时刻的决策效价；是 n维随机向量； n为备选方案个数。
V ( t + h ) = C × W ( t + h ) × M ( t + h ) + ε ( t + h )
式中： C为 ( n × n )的比较矩阵； M ( t + h )为 ( n × m )的属性矩阵， m为备选方案的属性个数； W ( t + h )为 ( m × 1 )的属性注意力权重矩阵，表示注意力随属性不断转移变化的权重； ε ( t + h )为误差项。因此居民出行决策改变概率如式（6）所示。
P ( t + 1 ) i = S × P ( t ) i + C × N o r m ( F R P i ) × F i , t
式中： P ( t + 1 ) i为居民 i在 t + 1时刻出行决策改变概率； N o r m ( F R P i )为个体风险感知标准化值，本文假定居民 i初始选择是“出行”，有“出行”和“不出行”决策，即 n = 2。如果居民 i的“ C × N o r m ( F R P i ) × F i , t”的值为0.6，则居民 i有60%的概率“不出行”，即有60%的概率采取了保护性应对行为。
居民出行道路选择通过获取居民Agent所在位置的坐标和目的地的坐标，考虑道路灾害预警值和道路长度作为道路边的权重，采用Dijkstra算法搜索最短路径。

2.3.2 Agent决策流程

城市洪涝灾害发生时，居民更新个体风险感知和接收灾害预警信号，进而更新个体出行行为决策，从而判断居民Agent是否出行。若居民选择“出行”，则会选择道路前往目的地，到达后输出当前时刻的建筑物和道路风险值；否则会中断出行活动，停留在当前建筑物内。若降雨停止则完成模拟，否则会更新所在位置和目的地，再次判断是否出行，Agent出行决策如图3所示。
图3 Agent决策流程

Fig. 3 Decision-making processes of Agent

2.4 灾害预警下的城市暴雨洪涝灾害风险测度

本研究采用IPCC采纳的城市洪涝风险评估框架“危险性(Hazard)—暴露性(Exposure)—脆弱性(Vulnerability)”测度灾害预警下城市暴雨洪涝灾害风险[24]。其中危险性是指洪涝发生的空间位置及强度，即淹没范围和淹没深度；暴露性指洪涝危险性影响到的风险要素，用居民数量反映居民的时空暴露程度；脆弱性是承灾体洪涝灾害敏感性、恢复力与暴露性的综合表征，脆弱性越高，建筑物或道路应对风险的能力越低。建筑物和道路暴雨洪涝灾害风险的计算方法如式（7）、式（8）所示。
R i s k t b n = H t b n × V b n × E t b n
R i s k t d m = H t d m × V D × E t d m
式中： R i s k t b n和 R i s k t d m分别表示在 t时刻第 n个建筑物和第 m条道路的洪涝灾害风险值， b 1 , b 2 , b 3 , … , b n ∈ B，表示建筑物集合， d 1 , d 2 , d 3 , … , d m ∈ D，表示道路的集合； H t b n和 H t d m表示在 t时刻第 n个建筑物和第 m条道路的淹没深度； V b n和 V D分别表示第 n个建筑物和第 m条道路的脆弱性值，建筑物 b n的脆弱性值由它所属的建筑物类别决定（ b n ∈ B k , k = 1,2 , … , n）； E t b n和 E t d m分别表示在 t时刻位于第 n个建筑物和第 m条道路中的人数。
参考中国城市基本土地利用类别（EULUC-China）[25]，利用土地利用类型来表征城市功能区，将建筑物划分为居民住所、商务办公、餐饮购物、公共服务、教育场所、休闲娱乐和旅游绿地。建筑物的功能和设施等因素会影响洪涝灾害对其造成的实际损坏和潜在影响[26]，因此不同类型的建筑物的脆弱性存在差异，例如医院等公共服务建筑物，由于其具有医疗服务功能，一旦遭受洪涝灾害会造成严重的损失和后果，因此脆弱程度高；此外，道路较建筑物更容易遭受到洪涝灾害的冲击，因此道路脆弱性高于建筑物[19]。综合考虑道路和建筑物社会功能以及专家意见，得到建筑物和道路的脆弱性值，具体见表2。
表2 建筑物和道路的脆弱性值

Tab. 2 Vulnerability values for buildings and roads

脆弱性 V 类别 脆弱性值
V B K建筑物脆弱性 B 1旅游绿地 0.1
B 1居民住所 0.1
B 1商务办公 0.2
B 1餐饮购物 0.4
B 1教育场所 0.4
B 1休闲娱乐 0.5
B 1公共服务 0.5
V D道路脆弱性 D道路 1.0

3 实验区概况、数据来源及处理

3.1 实验区及数据来源

本文以广东省深圳市福田区作为研究区域，如图4所示。福田区位于深圳市中心区域，辖区面积78.66 km2，位于亚热带季风气候区，旱涝季节明显，多受锋面低槽、热带气旋和季风低压影响，易引起短时极端强降雨事件，极易发生洪涝灾害。
图4 深圳市福田区基础地理信息

Fig. 4 Basic Geographic Information of Futian District, Shenzhen City

实验数据主要是由基础地理信息数据、社会经济数据以及历史灾情数据组成：基础地理信息数据包括道路、土地利用类型等数据；社会经济数据包括社会人口因素、人口密度等数据；历史灾情数据包括积水点监测信息数据，具体见表3。
表3 实验数据集

Tab. 3 Experimental data sets

类型 名称 描述及来源 年份
基础地理信息数据 道路 OpenStreetMap(www.openstreetmap.org) 2022
土地利用类型 EULUC-China数据（http://data.starcloud.pcl.ac.cn/zh/resource/7）[25]
主要土地利用类型（分辨率10 m×10 m）		 2018
社会经济数据 社会人口因素 深圳市福田区统计局(szft.gov.cn)) 2021
深圳市调查问卷(Cao, 2020)[22] 2020
人口密度数据 Worldpop(1 km×1 km栅格数据, https://www.worldpop.org/) 2020
历史灾情数据 积水点监测信息 积水监测站点位置、历史水深等 2018

3.2 数据处理与模型初始化

采用芝加哥雨型计算研究区的降雨过程，耦合二维水动力学模型LISFLOOD-FP与城市雨洪管理模型SWMM，模拟了20、50、100 a一遇暴雨情景下研究区淹没过程，并选取2018年8月29日和2019年4月11日的2场降雨数据进行多次选值多次计算，对耦合模型的曼宁系数、洼地蓄水深度、最大入渗率、最小入渗率和衰减常数等参数进行率定，选择最优参数，模拟得到福田区的淹没情况，作为暴雨洪涝灾害场景。
参考国家《风暴潮灾害风险评估和区划技术导则》和现有研究[27]，并根据福田区的实际情况，将淹没水深危险程度分为：无淹没（0~0.15 m）、轻度淹没(0.15~0.5 m)、中度淹没(0.5~1.2 m)、中高度淹没(1.2~3 m)、高度淹没(3 m以上)。人群暴露性预警将叠加暴雨淹没深度和人口密度计算得到的人群暴露性值标准化，以此量化洪灾对人群活动的威胁程度为：无威胁、低威胁(0~0.02)、中威胁(0.02~0.08)、中高威胁(0.08~0.20)、高威胁(大于0.20)。
根据深圳市福田区人口普查数据，按照福田区常住人口1：300的比例，设置5 000个Agent，其中少年儿童、中青年、老年人口分别占16%、76%、8%，且另设800人口作为随机人口，此外，根据问卷调查数据按照比例随机为其赋予相应的人口特征属性。本文使用GAMA仿真平台(https://gama-platform.org/)，模拟7:00—13:00降雨情景下居民活动及暴雨洪涝风险变化，每隔10 min输出模拟结果。

4 不同洪涝灾害预警策略下居民出行行为及洪涝风险变化

4.1 不同洪涝灾害预警策略下居民出行行为分析及验证

图5显示了不同洪涝灾害预警策略下建筑物内和道路出行人数变化情况。在20 a一遇暴雨情景下，从建筑物人数变化来看，降雨预报预警下居民从住所转移至商务办公、教育场所和休闲娱乐等建筑物人数较多，在淹没预警和人群暴露性预警下，居民住所人数随着时间推移小幅度下降。从道路上出行人数来看，降雨预报预警下的出行人数与无预警情景差距较小，且远高于淹没预警和人群暴露性预警下的出行人数，后二者的出行人数峰值较降雨预报预警分别降低了约42%和52%。说明不同预警策略下居民出行行为差异显著，降雨预报预警下大部分居民不会改变出行行为，出行模式与无预警情况下基本一致，这是由于居民接收到的统一的预警信号等级较低，认为当前灾害危险性不高，且统一的预警信号难以判断不同区域的灾害威胁程度，因此大部分居民会忽略预警信息继续出行；而淹没预警和人群暴露性预警能够减少前往红色、橙色等预警区的人数，改变居民的出行行为。
图5 不同预警策略下建筑物内和道路人数变化情况

Fig. 5 Changes in the number of residents in buildings and on roads under different early warning strategies

百度热力图可以反映地理空间的人口流动变化[28]。2022年7月30日10时30分福田区发布暴雨黄色预警，因此，本研究从百度地图慧眼平台收集了研究区2022年7月23日（周六）与2022年7月30日（周六）12时的人口热力情况，对居民出行行为模拟结果进行验证。图6（a）和图6（b）分别为平时和发布暴雨黄色预警后的百度人口热力图，结果显示发布黄色预警后研究区人口热度略有降低，平均降低幅度为1.46%（表4），同样选取发布预警后1.5 h的居民活动模拟结果，预警后人口数量减少了2.04%（表4），对比发现二者偏差不大。结果表明，模型可以反映洪涝灾害预警后城市人群在不同时刻的动态活动及出行行为变化情况。
图6 无预警和黄色预警后的百度人口热力图

Fig. 6 Baidu population heat map without warning and after yellow warning

表4 无预警和黄色预警后的人口流动变化幅度

Tab. 4 Magnitude of change in population movements without warning and after yellow warning

黄色预警（预警后1.5 h） 无预警（同一时刻） 变化幅度/%
实际数据（人口热力值） 45 071 45 741 -1.46
模拟数据（Agent数量/个） 2 354 2 403 -2.04

4.2 不同洪涝灾害预警策略下暴雨洪涝风险变化

4.2.1 不同洪涝灾害预警策略下城市暴雨洪涝风险均值的变化趋势

将建筑物和道路的风险均值相加来表征城市整体洪涝风险的变化，图7显示不同预警策略下城市洪涝风险均值变化。整体上，降雨预报预警下的洪涝风险均值远高于淹没预警和人群暴露性预警，且差距逐渐增大；后二者洪涝风险均值差异较小，9:00后淹没预警的风险均值逐渐高于人群暴露性预警的风险均值，这说明精细化的预警策略下城市洪涝风险降低效果更好，尤其是人群暴露性预警。同时，降雨预报预警下的建筑物和道路风险均值均高于后二者。就建筑物而言，降雨预报预警下的建筑物风险逐渐上升，9:20后与另2种预警策略差距增大，而后二者建筑物风险较低且变化趋势平缓；就道路而言，降雨预报预警下的道路风险均值先增后降，9:20—11:00风险均值较高，这是由于该时段道路人数较多，人群暴露性高，风险高，而后两者道路风险均值呈缓慢上升趋势，这是因为居民规避高危险道路会导致路程和道路出行时间增加，道路上的出行人数下降较慢，增加部分道路的风险。
图7 不同预警策略下城市洪涝风险均值变化趋势

Fig. 7 The trend of average risk under different early warning strategies

4.2.2 不同洪涝灾害预警策略下建筑物风险变化

图8(a)—图8(c)分别为降雨预报预警、淹没预警和人群暴露性预警下建筑物风险区分布图，以建筑物各个时刻的风险均值划分风险区，其中风险值在0.2以上为风险区，高于2为高风险区，图8(d)为不同洪涝灾害预警策略下的建筑物不同等级的风险区占比情况，表5为不同类型建筑物的风险区的数量在该类建筑物中的占比情况。可以看出，降雨预报预警下风险区数量最多，占建筑物总数的18.59%，后二者风险区的数量略有降低，分别占比16.71%和16.43%；相较于降雨预报预警，淹没预警和人群暴露性预警下除居民住所外，其余建筑物类型的风险区的数量占比均下降，其中教育场所更显著，分别减少了40.6%和37.3%，这是因为在淹没预警和人群暴露性预警下部分居民停止了出行活动，留在住所，导致住所风险区的数量增多，而教育场所的主要活跃人群是少年儿童，针对教育场所发送预警信息会显著影响前往该类建筑物的人数，从而大大减少教育场所的风险区数量。此外，淹没预警和人群暴露性预警下的高风险区的数量较降雨预报预警均减少了约2/3，其中休闲娱乐、教育场所和商务办公的高风险区占比显著下降，这是因为淹没预警和人群暴露性预警能够减少前往红色、橙色等预警区的人数，从而有效降低高风险区数量。
图8 不同预警策略下的建筑物风险

Fig. 8 Building risks under different early warning strategies

表5 不同预警策略下不同类型建筑物风险区占比情况

Tab. 5 The proportion of risk zones for different types of buildings under different early warning strategies

建筑物
类型		 风险区占比/%
0.2≤R<0.5 0.5≤R<2 R≥2 总计
降雨预报
预警		 淹没
预警		 人群暴露性
预警		 降雨预报
预警		 淹没
预警		 人群暴露性
预警		 降雨预报
预警		 淹没
预警		 人群暴露性
预警		 降雨预报
预警		 淹没
预警		 人群暴露性
预警
居民住所 4.9 14.4 14.6 1.8 8.0 9.2 0.0 1.0 1.4 6.8 23.4 25.3
商务办公 19.9 10.2 5.8 15.5 15.0 2.9 3.9 0.0 0.0 39.3 15.5 8.7
教育场所 22.0 13.2 13.2 27.5 7.7 4.4 8.8 0.0 0.0 58.2 20.9 17.6
餐饮购物 20.7 3.4 24.1 6.9 3.4 0.0 0.0 3.4 0.0 27.6 10.3 24.1
休闲娱乐 9.7 3.2 12.9 19.4 12.9 19.4 12.9 0.0 0.0 41.9 16.1 16.1
公共服务 4.5 3.0 3.0 4.5 1.5 4.5 1.5 0.0 0.0 10.4 4.5 9.0
旅游绿地 1.6 0.8 0.0 0.8 0.8 0.0 0.0 0.0 0.0 2.3 1.6 0.0

4.2.3 不同洪涝灾害预警策略下道路风险变化

图9(a)—图9(c)别为降雨预报预警、淹没预警和人群暴露性预警策略下道路风险区分布图，图9(d)、图9(e)为不同预警策略下道路风险区数量和受灾人数的变化。可以看出，道路高风险区（R≥2）多位于交叉路口和淹没水深较高的路段，此外，相较于降雨预报预警，淹没预警和人群暴露性预警下道路风险区的数量和风险区受灾人数均显著下降，其中风险区数量分别下降44.56%和48.68%，风险区受灾人数也均分别下降50%以上，这说明淹没预警和人群暴露性预警能够通过减少淹没路段的暴露人数，显著降低道路洪涝风险。
图9 不同预警策略下的道路风险

Fig. 9 Road risks under different early warning strategies

4.3 不同暴雨情景下洪涝灾害预警策略比较与选择

面对不同暴雨情景，居民在不同洪涝灾害预警策略下的出行人数的变化如图10所示。随着降雨重现期的增大，基于降雨预报的统一预警对人群出行的影响显著变大，相较20 a一遇和50 a一遇的降雨情景，100 a一遇的降雨情景下出行人数大大降低，居民出行人数下降幅度均超过90%，这是因为100 a一遇的暴雨情景的预警级别大大提高，区域预警信号高，居民感知到的灾害风险威胁程度高，多数居民会因此改变出行活动，甚至不出行，因此出行人数急剧下降。而淹没预警和人群暴露性预警下居民出行人数受暴雨情景影响小，主要是因为基于洪涝淹没、人群暴露性的预警策略实现了空间上的精细化、差异化预警，存在对居民高威胁和相对安全的区域，居民能够快速识别危险区，减少前往高危险区的人数，但仍会保障相对安全的区域的居民的正常出行活动。
图10 不同暴雨情景下道路出行人数变化

Fig. 10 Changes in the number of residents traveling on roads under different rainfall scenarios

图11为不同暴雨情景下洪涝风险均值的变化趋势。面对100 a一遇的暴雨情景，降雨预报预警策略风险均值相较于20 a一遇暴雨情景降低效果显著，而洪涝淹没和人群暴露性预警风险均值的变化较小。且在100 a一遇的暴雨情景下，降雨预报预警策略的策略效果优于基于洪涝淹没和基于人群暴露性的精细化预警，洪涝风险均值较后两者分别降低15%和19%。结合图10和图11可以看出，面对20 a一遇的暴雨情景，降雨预报预警下的洪涝风险均值远高于淹没预警和人群暴露性预警，是因为此时预警级别较低，居民感知到的风险威胁程度低，大多数居民会忽视预警信号，继续按照日常出行，增加了人群暴露性，进而增加城市洪涝灾害风险。面对50 a一遇的暴雨情景，尽管降雨预报预警下道路出行人数低于淹没预警和人群暴露性预警，但其风险均值最高，这是因为降雨预报预警下，出行居民未能识别危险区，前往高危险区的人数并未减少，城市洪涝灾害风险难以降低。面对100 a一遇的暴雨情景，降雨预报预警下洪涝灾害风险均值最低，这是因为此时区域危险性高，降雨预报预警下预警级别大大提高，居民感知到的风险威胁程度高，出行人数急剧下降，道路人群暴露性极小，大大降低了道路风险，进而降低城市洪涝灾害风险。
图11 不同暴雨情景下城市暴雨洪涝风险均值的变化

Fig. 11 Change of mean risk of rainstorm and flood under different rainfall scenarios

5 讨论与结论

5.1 讨论

灾害预警的目的是使人能够采取有效措施规避风险，减少财产损失和人员伤亡。现有的社会调查或损失度量方法难以体现灾害的动态特征以及居民对灾害预警的动态响应过程。本文提出的基于主体建模的城市暴雨洪涝灾害预警策略仿真模拟方法，将个体风险感知的异质性与洪涝灾害预警信息相结合，构建了基于洪涝灾害风险感知的个体出行行为决策概率模型，充分考虑了个体行为决策的不确定性，能够模拟洪涝灾害预警下个体异质性响应行为过程，从而模拟预警带来的灾害风险变化，为预警策略的评估与决策提供科学依据。
城市洪涝灾害预警不断向精细化发展，但面对不同的暴雨洪涝灾害情景，需制定更合理的洪涝灾害预警策略。面对较小的暴雨洪涝灾害情景，统一的、低级别的预警，使得公众无法辨识洪涝威胁，容易产生麻痹思想。这类情景下，建议使用精细化预警，实现空间上的差异化，提供更准确和有针对性的风险信息，引导处于相对安全的区域的城市居民的正常出行活动，也能保障社会的正常生产生活。而面对极端暴雨情景时，理应规避和减少居民出行，此时选择较高级别的基于降雨预报的统一预警，能够尽可能地减少出行人数，降低城市洪涝灾害风险。因此，“一刀切”的预警方式背离了精准化、精细化灾害预警与防治的理念，城市洪涝灾害预警需要因地制宜、因时而异，构建分级分区分情景的预警体系。
模型中设置了4类居民主体，设置了回家、工作、学习、购物餐饮、文化娱乐5种主要的活动类型，并在此基础上设置一定比例的随机人口随机前往某一商务办公、住宅用地或公共服务场所，能够较为客观、完整地反映研究区域内城市人口在工作日的出行活动。通过百度人口热力图对居民出行行为模拟结果进行验证，发布黄色预警后模拟的研究区人口变化与实际结果偏差不大，说明模型可以真实地反映洪涝灾害预警后城市人群在不同时刻的动态活动及出行行为变化情况。此外该模型经过多次运行，模拟结果偏差非常微小，说明模型具有较好稳定性。但仍存在一些问题需进一步完善，个体风险感知和响应行为的影响因素具有复杂性，文中仅考虑了年龄、洪灾经历、对政府的信任程度、月收入水平和保险意愿等因素；另外，本文针对深圳市评估了居民个体的洪涝灾害风险感知程度，但受到城市经济发展水平以及洪涝灾害发生频次的影响，个体风险感知存在地域性差异，进而影响洪涝灾害预警策略的评估。未来将进一步研究不同区域居民个体风险感知对预警响应行为的影响机制。

5.2 结论

（1）提出了基于主体建模的城市洪涝灾害预警策略仿真模拟方法，构建了基于洪涝灾害风险感知的个体出行行为决策概率模型，能够准确模拟不同洪涝灾害预警策略下居民出行响应行为及洪涝灾害风险的变化，科学、全面评估城市洪涝灾害预警策略的有效性。
（2）不同洪涝灾害预警策略下人群出行响应行为差异显著，导致城市暴雨洪涝灾害风险降低效果不同。面对20 a一遇的降雨情景，研究区在降雨预报预警下人群出行人数变化不大，而基于洪涝淹没和人群暴露性预警能够帮助居民快速识别高危险区，前往红色、橙色等预警区的人数显著减少，建筑物和道路的风险明显降低，其中教育场所类建筑物的风险区的数量分别减少了40.6%和37.3%，道路风险区数量分别下降44.56%和48.68%。
（3）不同暴雨情景下不同洪涝灾害预警策略效果不同。面对较小的降雨情景，精细化的洪涝灾害预警策略城市洪涝灾害风险降低效果更好；面对极端暴雨情景，采用统一的洪涝灾害预警策略效果优于精细化预警策略。因此，城市洪涝灾害预警需因地制宜、因时而异，构建分级分区分情景的预警体系。
本文图文责任编辑：蒋树芳

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Abebe Y A. Modelling human-flood interactions: A coupled flood-agent-institution modelling framework for long-term flood risk management[M]. 1st ed.ed. London: CRC Press, 2021. DOI:10.1201/9781003160045

[2]
Bolle A, Das N L, Smets S, et al. An impact-oriented Early Warning and Bayesian-based Decision Support System for flood risks in Zeebrugge harbour[J]. Coastal Engineering, 2018, 134:191-202. DOI:10.1016/j.coastaleng.2017.10.006

[3]
World Meteorological Organization (WMO). Executive Action Plan 2023-2027[R]. Geneva: United Nations, 2022.

[4]
郭桂祯, 廖韩琪, 孙宁. 我国自然灾害风险监测预警现状概述[J]. 中国减灾, 2022(3):36-39.

[Guo G Z, Liao H Q, Sun N. Overview of the Current Situation of Natural Disaster Risk Monitoring and Early Warning in China[J]. Natural Disaster Reduction in China, 2022(3):36-39.] DOI:10.3969/j.issn.1002-4549.2022.03.014

[5]
曹雪健, 戚友存, 李梦迪, 等. 极端暴雨威胁下的城市内涝风险预警系统研究[J]. 大气科学, 2022, 46(4):953-964.

[Cao X J, Qi Y C, Li M D, et al. Early warning system of urban waterlogging under the threat of extreme rainfall events[J]. Chinese Journal of Atmospheric Sciences, 2022, 46(4):953-964.] DOI:10.3878/j.issn.1006-9895.2112.21191 (in Chinese)

[6]
徐美, 刘舒, 孙杨, 等. 利用洪涝模型进行城市内涝风险快速识别与预警[J]. 武汉大学学报·信息科学版, 2020, 45(8):1185-1194.

[Xu M, Liu S, Sun Y, et al. Rapid Identification and early warning of urban waterlogging risk using flooding model[J], Geomatics and Information Science of Wuhan University, 2020, 45(8):1185-1194.] DOI:10.13203/j.whugis20200122

[7]
王慧敏, 黄晶, 刘高峰, 等. 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[J]. 工程管理科技前沿, 2022, 41(1):35-41.

[Wang H M, Huang J, Liu G F, et al. Research paradigm of big data driven urban flood disaster risk perception, early warning and decision[J]. Frontiers of Science and Technology of Engineering Management, 2022, 41(1):35-41.] DOI:10.11847/fj.41.1.35

[8]
刘志雨, 侯爱中. 洪水影响预报和风险预警理念与业务实践[J]. 水文, 2020, 40(1):1-6.

[Liu Z Y, Hou A Z. Concept and practice of impact-based flood forecasting and risk-based flood warning[J], Journal of China Hydrology, 2020, 40(1):1-6.] DOI:10.19797/j.cnki.1000-0852.20190 381

[9]
Chen Y B, Zhou H L, Zhang H, et al. Urban flood risk warning under rapid urbanization[J]. Environmental Research, 2015, 139:3-10. DOI:10.1016/j.envres.2015.02.028

PMID

[10]
Zang Y W, Meng Y, Guan X J, et al. Study on urban flood early warning system considering flood loss[J]. International Journal of Disaster Risk Reduction, 2022,77:103042. DOI:10.1016/j.ijdrr.2022.103042

[11]
Xu H R, Li H X, Tian S C, et al. Effects of flood risk warnings on preparedness behavior: Evidence from northern China[J]. International Journal of Disaster Risk Reduction, 2023,96:103971. DOI:10.1016/j.ijdrr.2023.103971

[12]
Bajracharya S R, Khanal N R, Nepal P, et al. Community Assessment of Flood Risks and Early Warning System in Ratu Watershed, Koshi Basin, Nepal[J]. Sustainability, 2021, 13(6):3577. DOI:10.3390/su13063577

[13]
Strawderman L, Salehi A, Babski-Reeves K, et al. Reverse 911 as a complementary evacuation warning system[J]. Natural Hazards Review, 2012, 13(1):65-73. DOI:10.1061/(ASCE)NH.1527-6996.0000059

[14]
Sahana M, Patel P P, Rehman S, et al. Assessing the effectiveness of existing early warning systems and emergency preparedness towards reducing cyclone-induced losses in the Sundarban Biosphere Region, India[J]. International Journal of Disaster Risk Reduction, 2023,90:103645. DOI:10.1016/j.ijdrr.2023.103645

[15]
Girons L M, Di B G, Seibert J. Impact of social preparedness on flood early warning systems[J]. Water Resources Research, 2017, 53(1):522-534. DOI:10.1002/2016WR019387

[16]
Verkade J S, Werner M G F. Estimating the benefits of single value and probability forecasting for flood warning[J]. Hydrology and Earth System Sciences, 2011, 15(12):3751-3765. DOI:10.5194/hess-15-3751-2011

[17]
Fakhruddin B S H M, Schick L. Benefits of economic assessment of cyclone early warning systems: A case study on Cyclone Evan in Samoa[J]. Progress in Disaster Science, 2019,2:100034. DOI:10.1016/j.pdisas.2019.100034

[18]
Tonn G L, Guikema S D. An Agent‐Based Model of Evolving Community Flood Risk[J]. Risk Analysis, 2018, 38(6):1258-1278. DOI:10.1111/risa.12939

[19]
朱净萱, 戴强, 蔡俊逸, 等. 基于多智能体的城市洪涝灾害动态脆弱性计算模型构建[J]. 地球信息科学学报, 2021, 23(10):1787-1797.

DOI

[Zhu J X, Dai Q, Cai J Y, et al. An agent-based computing model of urban vulnerability to flood hazard[J]. Journal of Geo-information Science, 2021, 23(10):1787-1797.] DOI:10.12082/dqxxkx.2021.210053

[20]
Dai Q, Zhu X H, Zhuo L, et al. A hazard-human coupled model (HazardCM) to assess city dynamic exposure to rainfall-triggered natural hazards[J]. Environmental Modelling & Software, 2020, 127. DOI:10.1016/j.envsoft.2020.104684

[21]
周忻, 徐伟, 袁艺, 等. 灾害风险感知研究方法与应用综述[J]. 灾害学, 2012, 27(2):114-118.

[Zhou X, Xu W, Yuan Y, et al. Overview on research methods and application of hazard risk rerception[J]. Journal of Catastrophology, 2012, 27(2):114-118.] DOI:10.3969/j.issn.1000-811X.2012.02.024

[22]
Cao W W, Yang Y, Huang J, et al. Influential factors Affecting protective coping behaviors of flood disaster: A case study in Shenzhen, China[J]. International Journal of Environmental Research and Public Health, 2020, 17(16): 5945. DOI:10.3390/ijerph17165945

[23]
张奕源, 李进龙, 罗霞, 等. 考虑决策过程与潜在异质性的居民通勤选择行为研究[J]. 交通运输系统工程与信息, 2021, 21(3):221-228,236.

[Zhang Y Y, Li J L, Luo X, et al. Commuting mode choice behavior incorporating decision-making process and latent geterogeneity[J]. Journal of Transportation Systems Engineering and Information Technology, 2021, 21(3):221-228,236.] DOI:10.16097/j.cnki.1009-6744.2021.03.028

[24]
张会, 李铖, 程炯, 等. 基于“H-E-V”框架的城市洪涝风险评估研究进展[J]. 地理科学进展, 2019, 38(2):175-190.

DOI

[Zhang H, Li C, Cheng J, et al. A review of urban flood risk assessment based on the framework of hazard-exposure-vulnerability[J]. Progress in Geography, 2019, 38(2):175-190.] DOI:10.18306/dlkxjz.2019.02.003

[25]
Gong P, Chen B, Li X, et al. Mapping essential urban land use categories in China (EULUC-China): preliminary results for 2018[J]. Science Bulletin, 2020, 65(3):182-187. DOI:10.1016/j.scib.2019.12.007

PMID

[26]
Yu I, Park K, Lee E H. Flood Risk Analysis by Building Use in Urban Planning for Disaster Risk Reduction and Climate Change Adaptation[J]. Sustainability, 2021, 13(23):13006. DOI:10.3390/su132313006

[27]
刘媛媛, 王毅, 刘洪伟, 等. 针对不同受灾体城市内涝预警指标的研究[J]. 中国防汛抗旱, 2018, 28(2):15-18.

[Liu Y Y, Wang Y, Liu H W, et al. Study on early warning indexes of urban pluvial floods for various disaster-affected bodies[J]. China Flood & Drought Management, 2018, 28(2):15-18.] DOI:10.16867/j.issn.1673-9264.2017243

[28]
谭欣, 黄大全, 赵星烁, 等. 基于百度热力图的职住平衡度量研究[J]. 北京师范大学学报(自然科学版), 2016, 52(5): 622-627+534.

[Tan X, Huang D Q, Zhao X S, et al. Jobs housing balance based on Baidu thermodynamic diagram[J]. Journal of Beijing Normal University (Natural Science), 2016, 52(5):622-627.] DOI:10.16360/j.cnki.jbnuns.2016.05.015

Options
文章导航

/

〈 〉