EN中文

地球信息科学学报 >

2024 , Vol. 26 >Issue 7: 1688 - 1701

DOI: https://doi.org/10.12082/dqxxkx.2024.240066

地理空间分析综合应用

城市内涝排水抢险单位布局优化的仿真研究—以北京市百年极端降雨情景为例

  • 张孟斐 , 1, 2 ,
  • 王丽晶 3 ,
  • 李永坤 3 ,
  • 郎立晨 1, 2 ,
  • 郭纳良 1, 2 ,
  • 吴锋 , 1, 2, *
展开
  • 1.中国科学院地理科学与资源研究所 中国科学院陆地表层格局与模拟重点实验室，北京 100101
  • 2.中国科学院大学，北京 100049
  • 3.北京市水科学技术研究院，北京 100048
*吴 锋（1979—），男，河北张家口人，博士，研究员，主要从事人水和谐行为调控机制与仿真模拟、计算经济学研究。E-mail:

张孟斐（1999—），男，河南商丘人，硕士生，主要从事城市洪涝灾害风险评估研究。E-mail:

Copy editor: 蒋树芳

收稿日期: 2024-01-29

  修回日期: 2024-04-13

  网络出版日期: 2024-06-25

基金资助

国家自然科学基金面上项目(41971233)

国家自然科学基金重大项目(72091511)

收起

Optimization Simulation Study of Urban Flood Drainage Rescue Unit Layout: A Case Study of Beijing Under a Century-Extreme Rainfall Scenario

  • ZHANG Mengfei , 1, 2 ,
  • WANG Lijing 3 ,
  • LI Yongkun 3 ,
  • LANG Lichen 1, 2 ,
  • GUO Naliang 1, 2 ,
  • WU Feng , 1, 2, *
Expand
  • 1. Key Laboratory of Land Surface Pattern and Simulation, Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences, Beijing 100101, China
  • 2. University of Chinese Academy of Sciences, Beijing 100149, China
  • 3. Beijing Water Science & Technology Institute, Beijing 100048, China
*WU Feng, E-mail:

Received date: 2024-01-29

  Revised date: 2024-04-13

  Online published: 2024-06-25

Supported by

National Natural Science Foundation of China(41971233)

National Natural Science Foundation of China(72091511)

Fold

摘要

城市内涝灾害不断频发，不仅对城市基础设施和居民财产造成严重破坏，更损害了居民的生活质量和幸福感。排水抢险救援能力与城市内涝灾害强度的空间匹配性直接影响抢险救援效率。本研究以“信息集成-仿真建模-情景模拟-效率对比-方案优选”为思路，基于多智能主体构建了城市内涝排水抢险单位救援行为仿真模型，以北京市凉水河流域为例，结合内涝、交通与排水抢险单位分布信息开展了实证研究，模拟对比了不同情景下城市内涝排水抢险救援效率。结果表明，通过采用“全局分散，局部聚集”的排水抢险单位空间布局方案，抢险救援效率在早晚高峰、抢险水平和救援组合情景中分别提升了18.27%、18.24%和10.34%，模型结果稳定性达到了93.85%。在该布局方案下，排水抢险单位具有更均衡合理的任务分配，有效降低了高峰时期交通流量和信号灯对排水抢险救援效率的影响，同时排水抢险能力组合选择时更具优势。本研究提出的城市内涝排水抢险单位布局优化方案可提升抢险救援效率，降低灾害风险的社会影响，为城市内涝应急管理提供科学依据。

关键词： 城市内涝应急抢险; 排水抢险单位; 布局优化; 多主体模型; 抢险救援效率; 多情景; 百年极端暴雨; 北京市

本文引用格式

张孟斐 , 王丽晶 , 李永坤 , 郎立晨 , 郭纳良 , 吴锋 . 城市内涝排水抢险单位布局优化的仿真研究—以北京市百年极端降雨情景为例[J]. 地球信息科学学报, 2024 , 26(7) : 1688 -1701 . DOI: 10.12082/dqxxkx.2024.240066

Abstract

The continuous and frequent urban flooding presents a formidable impediment to social and economic progress, imperiling community welfare. A critical aspect of urban flood emergency management involves enhancing the efficiency of drainage in rescue and relief operations. In this study, we combined diverse datasets encompassing the spatial distribution of urban rescue units, urban flooding occurrences, traffic dynamic flows, and traffic signal placements. We devised a multi-scenario simulation model for urban flood emergency response employing multi-agent based model guided by a "information integration - simulation modeling - emergency scenarios - efficiency comparison - optimization scheme". The model embedded Dijkstra algorithm to solve the optimal path for rescue and optimized the spatial layout of rescue points of rescue units with K-means algorithm. Through simulation experiments, we investigated the interaction between behavioral subjects and geographic environments, wherein rescue units navigate waterlogged areas, considering traffic constraints. The culmination of rescue and relief efforts is deemed achieved upon reducing water depth at all inundated points below the 15cm threshold. By formulating scenarios mirroring morning and evening peaks, diverse rescue levels, and rescue combination, we dissected the influence mechanisms of varied factors on rescue efficiency. Focused on the Liangshui River basin in Beijing, against the backdrop of a century-extreme rainfall event, our study scrutinized diverse emergency rescue scenarios, analyzed factors affecting rescue efficiency, and proffered optimization strategies for rescue unit layouts, to explore the path for the enhancement of rescue and relief efficiency. Our findings proposed optimized strategies for rescue unit deployment, advocating a spatial layout scheme emphasizing "global dispersion and local aggregation". Implementation of this scheme yielded substantial efficiency improvements by 18.27%, 18.24%, and 10.34% during morning and evening peak scenarios, varying rescue levels, and different rescue compositions, respectively. In addition, the efficiency of rescue during off-peak hours was significantly higher than that during peak hours. Moreover, we underscored the pivotal role of rescue personnel efficiency in dictating overall rescue efficacy, observing nonlinear, and accelerated efficiency declines with diminishing rescue personnel levels. Depending on the road conditions, there was uncertainty in the rescue efficiency of both joint rescues and individual stationary teams. Hence, within the realm of practical rescue operations, it is imperative to adeptly tailor rescue strategies to the nuanced dynamics of each scenario, encompassing variables such as rainfall intensity, traffic congestion, resource availability, and other pertinent factors. These adaptive measures ensure a nimble response that optimally addresses the evolving exigencies of urban flooding emergencies. Notably, our model attained a commendable stability rate of 93.85%. This study offers strategic recommendations for enhancing emergency rescue efficiency and assuaging the societal ramifications of urban flood risk, as well as scientific insights for urban flood emergency management.

Key words： urban flooding emergency rescue; drainage rescue unit; layout optimization; multi-agent based model; rescue efficiency; multi-scenario; century-extreme rainfall; Beijing

1 引言

受气候变化和城市化进程加快的影响，极端降水事件发生频率和强度持续上升，城市内涝问题不断凸显。“逢大雨必涝，逢涝即成灾”已经成为我国大多数城市的真实写照，对居民生命安全、城市发展带来了严重的影响[1]。中国住房和城乡建设部对全国351个城市的调查发现，2008—2010年，62%的样本城市发生过内涝事件，79%的样本城市积水时间超过0.5 h，57个样本城市的最大积水时间甚至超过了12 h[2-3]。2010—2016年，中国水利部数据表明我国平均每年有超过180座城市进水受淹或发生内涝。此外，北京、郑州、广州等大型城市的内涝灾害频次不断增加，灾害影响与损失尤为严重[4⇓⇓-7]。如2021年河南郑州“7·20特大暴雨”，造成受灾人口188.49万人，市政道路损毁2 730处，直接经济损失达532亿元[8]；2023年北京的“7·31暴雨”造成的洪灾，导致33人死亡，近129万人受灾，108国道多处被洪水冲断，6 300余辆汽车被淹泡。城市内涝造成巨大的经济损失，且极易导致城市交通系统瘫痪，进一步阻碍抢险救援实施[9-10]。因此，如何高效完成灾中排水抢险救援、恢复城市交通系统运转成为应急管理研究的前沿议题。
洪涝灾害的灾中排水抢险救援是城市内涝治理中不可或缺的一环。城市内涝是指在城市区域内，强降水或持续降水超过城市排水系统承载能力，引发严重的城市积水现象[11-12]。此时，城市现有排水设施已达饱和状态，人工干预的紧急抢险排水成为了消除积水的主要方式。其中，抢险单位作为人工干预排水救援方式的实施者，通过前往积水点开展排水的方式实施抢险救援。2021年，国务院发布了《关于加强城市内涝治理的实施意见》[13]，明确指出了提升城市内涝排水抢险救援效率的重要性，并倡导“不让内涝影响城市运行”的核心理念。因此，为了降低内涝灾害对城市交通、经济等负面影响，高效排出城市积水并恢复城市正常运行成为当务之急[10]。
学术界对城市内涝治理给予充分的关注。目前，大多数研究侧重于内涝灾害前的预防措施，如河道管理、地下管网改造和预警系统的发布等[14⇓-16]。尽管一些学者探讨了内涝灾害时人员疏散效率等问题，但对于在城市内涝中期展开排水救援的影响因素以及排水抢险救援效率提升的研究则较鲜见[17⇓-19]。城市内涝发生时，排水抢险救援效率用于表征抢险单位对积水点完成排水的时间花费，抢险救援效率越高，全部积水排完用时最短，城市交通系统恢复正常运转越快。排水抢险单位作为抢险救援的实施者，其空间布局的合理性直接影响了排水抢险救援的总耗时。同时，城市内涝抢险救援受到抢险人员与排水能力配置、交通路况、积水水深等多重因素影响，最终抢险救援效率是抢险单位、交通路况、自然环境等多因素交互的结果。因此，如何在多因素共同作用下优化配置排水抢险救援力量以提升抢险救援效率，是目前城市应急救援管理探讨的核心问题[12,20-21]。
目前，众多学者运用现代信息技术对城市内涝灾害影响因素及抢险救援效率展开探讨。多位学者运用机器学习算法[22]、多主体模型[23]、遥感和互联网大数据等新技术构建洪涝灾害模拟模型[24-25]，设定多情景来还原真实地理环境，以“虚实结合”的方式模拟洪水的时空演进过程，探讨城市内涝抢险救援效率提升路径。其中，机器学习算法多用于历史洪水数据的未来预测[26]，遥感和互联网大数据主要用于洪涝发展过程的监测与重现[27-28]。多主体模型可用于模拟复杂系统动态变化，由系统内部个体之间的交互产生全局效应、模式或特性[29-30]。如Sung等[31]基于多主体模型，分析了家庭层面属性和政府支持变化制约人类与洪水的相互作用路径。Huang等[32]提出了一种城市暴雨洪水灾害风险模拟的多主体模型方法，探讨了在早晚高峰情景下因人群活动引起的城市暴雨洪涝灾害风险的动态变化。杨宇涵等[33]通过构建暴雨洪涝灾害人群应急疏散主体模型，以河南郑州“7·20”特大暴雨洪涝灾害为例，揭示了暴雨洪涝灾害对人群行为特征和城市应急疏散的级联影响机制。另有学者专门开发了洪涝风险管理的多主体模型，对洪涝灾害展开仿真模拟，以探究洪水、地理环境与人等多主体之间的交互变化[34⇓-36]。然而，目前研究基于多主体模型方法对洪涝发生机理及灾时人群疏散救援进行了较多的探索，但以抢险单位为主体的排水行为刻画及其与地理环境之间交互的现实场景下提升排水救援效率的仿真模拟研究仍较缺乏。
本研究运用多主体模型方法，嵌入K-means聚类和Dijkstra算法，以“信息集成-仿真建模-情景模拟-效率对比-方案优选”为思路，基于NetLogo仿真平台构建了城市内涝排水抢险单位救援行为仿真模型，选取北京市凉水河流域为案例区，探究了在百年极端降雨情景下，排水抢险单位行为及其与地理环境（城市内涝积水点、交通路况）之间的交互对排水抢险救援效率的影响机制，优化了排水抢险单位救援点的空间布局，明晰了不同情景下最优抢险救援策略组合，为城市内涝应急管理提供了科学依据。

2 基于主体的抢险救援仿真模型

2.1 模型框架

本研究以多主体模型为基础，嵌入了Dijkstra最优路径和K-means聚类算法，构建了城市内涝排水抢险单位救援行为仿真模型，以探究不同情景下排水抢险单位的抢险救援效率，进而优化其空间布局。 ① 本研究集成了研究区抢险单位、历史积水点、百年一遇降雨积水水深、交通流量、交通信号灯和路网等多尺度数据。 ② 排水抢险主体行为受到地理环境的约束，同时地理环境受到排水抢险主体行为的影响而改变。排水抢险单位在实施抢险救援的过程中，交通路况和积水点水深制约排水抢险单位行为，同时排水抢险单位救援的排水行为不断改变积水状况，进而改变交通状态。本研究依据北京城市积水内涝风险等级划分标准，将积水点筛选阈值设置为60 cm，该水深可能对人身安全造成威胁，同时可能造成汽车排气口进水，进而导致局部交通拥堵；同时，根据国家标准《GB51222-2017城镇内涝防治技术规范》[37]，将积水点抢险完成阈值设置为15 cm。 ③ 研究考虑了交通流量对排水单位抢险救援出行时间的影响，设置了早晚高峰与抢险救援单位组合情景。 ④ 城市内涝抢险救援仿真实验。排水抢险单位以交通流量为权重，交通信号灯为约束，依据Dijkstra算法确定最优抢险救援路径[38]，前往积水点位展开排水抢险救援任务。⑤ 参数敏感性分析与布局优化。研究通过对比分析不同情景下抢险救援效率差异机制，检验了模型结果稳定性，遴选了排水抢险单位救援点的空间布局优化方案，为提升城市内涝抢险救援效率提供了科学支撑（图1）。
图1 模型框架流程

Fig. 1 Flowchart of the simulation modeling framework

2.2 模型方法

本研究采用多主体模型方法刻画了排水抢险救援主体与环境间的交互，交互过程利用NetLogo平台实现，通过“自下而上”对抢险救援主体行为进行建模，仿真城市内涝救援的人-环境交互系统的复杂性。多主体模型从微观角度对系统内主体行为建模，模拟主体之间及与环境交互作用过程，以评估其系统层级的涌现效应[39]。多主体模型中主体的特性包括： ① 主动性：主体的决策行为是主动的，可采取目标导向的行为； ② 适应性：主体可以感知环境的变化，并通过行为响应以适应环境变化； ③ 交互性：主体在变化环境中可与其他主体进行交互，涌现出新的行为[40]。城市内涝应急抢险救援的人-环境交互系统具有高复杂性、动态性和不确定性，多主体模型可聚焦于人与环境交互机理和规律挖掘[41-42]，为研究城市内涝人与环境交互系统提供方法支撑。本研究的交互行为体现在排水抢险主体对积水点信息的感知、排水决策以及目的地路径规划。换言之，排水抢险单位在交通流量和信号灯的约束下，感知到积水点的地理位置，遴选派遣排水抢险单位进而最高效率地完成排水任务。当积水点水位低于15 cm时，积水点排水抢险救援完成，排水抢险单位继续前往下一个积水点，直至完成所有积水点的救援。
本研究运用K-means聚类算法优化排水抢险单位空间布局，分析排水抢险单位布局优化前后的抢险救援效率。首先，研究运用K-means聚类算法，基于研究区历史积水情况，对排水抢险单位空间布局进行优化。K-means聚类算法通过迭代分配每个数据点到最近的一个预定数量（K）的中心点，不断更新，以实现数据集的划分[43]。排水抢险单位布局优化的具体步骤为：① 确定中心点数值K。该研究在优化前后排水抢险单位数量保持不变，将K设定为11个；② 基于历史积水点分类。运用 K-means聚类算法，以历史积水点空间分布的欧式距离为依据，将历史积水点划分为11簇；③ 求解聚类中心点。对划分后的11个簇，以历史积水点发生频次、水深为权重，求得11个聚类中心，将其作为新的排水抢险单位空间位置。最后，借助仿真模型评估排水抢险单位最终的抢险救援效率，用RE衡量。
T r o a d = T F · L R A V G ( L R ) · t
A T = T r o a d + T s a v e
R E = N A T
式中：Troad表示排水抢险单位到达积水位置的时间（tick）；研究区内道路是由很多路段组成，其中TF和LR分别表示研究区内道路中不同路段对应的交通流量和长度（m），AVG(LR)表示研究区内道路中路段的平均长度，计算该值为206 m； NetLogo平台构建的仿真模型有专属的计时单位（tick），本研究用t表示，但该时间未考虑道路流量和长度等信息，不能较好地反映真实抢险救援过程的用时。因此，本文构建Troad变量（tick），将路网中道路的长度和交通流量纳入救援时间计算中； AT表示排水抢险单位从出发到完成抢险救援工作的时间（tick），由路程用时和排水用时两部分组成，其中Tsave表示排水抢险单位在积水位置开展排水救援的时间（tick）；RE表示排水抢险单位完成积水点抢险工作的抢险救援效率，即反映排水抢险单位在100个单位时间内的救援积水点数量（个/100 tick）； N表示积水点的数量（个），该研究中N为72个。
最后，模型稳定性评估。模型结果稳定性用RS来表示，计算公式为：
R S = 1 - ( T m a x - T m i n ) T m a x
式中：RS表示模型结果稳定性； Tmax和Tmin分别表示在同一情景下排水抢险单位完成救援时间的最大值和最小值。在仿真实验过程中，模型参数对模型结果存在不同的影响，通过RS来评估模型参数对模型结果稳定性的影响。

2.3 情景设定

本研究设置在百年一遇的降雨背景下，考虑排水抢险单位空间位置与能力、排水抢险人员专业水平、道路交通流量等抢险救援效率的直接影响因素，开展仿真模拟实验（图2）。排水抢险单位空间位置的合理布局可极大地缩短前往积水点展开救援的时间；单组固定或多组共同协作的抢险救援方式，需要综合考虑抢险路程的时间花销、抢险人员操作水平及抢险装备排水能力等信息进行排水抢险单位的救援决策。因此，本研究将影响排水抢险救援的因素构建情景，进而对其影响机制开展探究。仿真实验情景分为早晚高峰、抢险水平和救援组合（表1）。
图2 抢险救援影响因素示意

Fig. 2 Schematic diagram of factors affecting rescue and relief

表1 模型情景设置

Tab. 1 Basic information on simulation modeling scenarios

情景 情景内容 情景类型
早晚高峰 早高峰、晚高峰、非高峰 地理环境状态
抢险水平 100%、80%、50% 救援主体行为能力
救援组合 单独救援；组合救援 救援主体行为方式
情景模拟分别探究了布局优化方案前后的交通流量、抢险人员专业度和救援方式对排水抢险救援效率的影响。在早晚高峰情景中，交通流量变化是排水抢险主体主要考虑的外部环境。研究基于高德大数据平台采集了交通延迟指数，分为早高峰（7:00—9:00）、晚高峰（17:00—19:00）和非高峰时间段（其他时间段）3个时段，以探究不同交通流量压力下对抢险救援效率的影响。在排水抢险救援能力不同情景中，抢险人员专业水平对排水抢险救援效率产生影响，不同的专业水平使得发挥抢险救援装备能效（100%、80%、50%）产生差异，即抢险水平降低时，单位时间内排水能力等比例降低，从而使得救援时间AT增加。该情景下，排水抢险主体专业水平通过对比分析抢险人员的经验和专业化程度来刻画。在救援组合情景中，组合救援（多对一）和单组固定（一对一）的救援方式对排水抢险救援效率的影响。在组合救援时，模型设置最多两个抢险单位前往同一个积水点共同开展排水任务。综合而言，本研究通过多个情景的仿真实验，定量分析了优化布局方案下多种因素对抢险救援效率提升的影响，涵盖了抢险单位救援点布局优化、早晚高峰交通流量、抢险人员专业水平以及不同救援组合方式等方面。

3 研究区概况与数据源

3.1 研究区概况

凉水河流域地处北京市中心城区南部，流域涉及石景山区、丰台区、朝阳区、大兴区与通州区，于榆林庄闸上游汇入北运河，是北京市的主要排水分洪河道。凉水河全长58 km，有9条支流汇入，流域面积630 km2，降水时空分布不均匀，北多南少，主要集中在6月—9月，汛期降水量占全年降水量的80%以上，具有局地性明显、短时雨强大等特点[44]。研究区地形自西向东呈“逐渐降低”趋势，因流域地形低洼、河床狭窄、城市排水系统建设不完善等原因导致了凉水河流域洪涝灾害[45]。研究区的排水抢险单位主要分布于凉水河流域的西北部；积水点空间分布与抢险单位空间分布具有一定匹配性，除此之外，流域东部也少有零星分布；100 a降雨积水水深的格网数据空间分辨率为10 m，主要集中于研究区的北部，积水最严重部分位于研究区西部的大红门排水区；交通信号灯数据则依据路网数据较均匀地分布在研究区的道路交叉点上（图3）。
图3 凉水河流域概况

Fig. 3 Overview map of the Liangshui River basin

3.2 数据源

本研究数据来源于北京市水科学技术研究院的水文模拟结果、高德大数据平台的交通流量监测①（①高德大数据平台： https://trp.autonavi.com/detail.do?city=110000。）和实地调研。抢险救援效率是排水抢险单位分布及能力、交通路况、内涝积水深度及范围共同作用的结果。研究所需数据依据研究目标可分为行为主体类和地理环境类数据（表2），行为主体类数据主要是排水抢险单位救援点位置；地理环境类分为自然因素数据（历史积水点、积水水深数据）和人文因素数据（交通信号灯、交通流量数据）。自然因素数据用于确定积水点位置及水深等属性；人文因素数据用于排水抢险单位前往积水点排水救援的约束，即抢险单位在交通信号灯及交通流量的限制下确定最优抢险路径。交通信号灯数据包含设置等待（红灯）和通行（绿灯）2种选择，当抢险单位遇到信号灯时，按照传统固定配时周期[46]，设置通行概率为25%，等待概率为75%，若为等待，设置等待10个时间单位②（②注：该处时间单位指NetLogo模型中的基本时间单位为tick。）；交通流量数据利用高德大数据平台获取，根据交通指数（Traffic Performance Index，TPI）量化路网流量压力（1~10之间），对不同时段进行多次采集，多日平均最终得到交通流量数据作为求解最优抢险路径的权重。
表2 研究数据基本情况

Tab. 2 List of data used in the simulation model

数据名称 获取时间/年 空间分辨率 数据类型 数据来源
排水抢险单位位置 2023 - 矢量数据 北京市水科学技术研究院
交通信号灯 2023 - 矢量数据 实地调研
交通流量 2023 - 矢量数据 高德大数据平台
历史积水点 2011-2021 - 矢量数据 北京市水科学技术研究院
积水水深(100 a) - 10 m 栅格数据 Infoworks ICM模型求解[47-48]

4 结果及分析

本研究基于不同情景下抢险救援效率对比遴选了排水抢险单位的空间布局优化方案。研究以排水抢险单位主体为核心，分析抢险单位在不同地理环境约束下的抢险救援效率，评估模型参数对模型结果稳定性的影响程度，探究抢险救援效率的影响因素及机制，模型对比抢险救援效率（RE）来衡量优化布局前后效果，进而遴选城市内涝排水抢险单位空间布局优化方案。

4.1 模型参数敏感性检验

经参数检验后，模型仿真实验结果表现为低敏感性，稳定性达到了93.85%。本研究构建的城市内涝排水抢险单位救援行为仿真模型中涉及多个参数，包括情景参数和模型初始参数等。经检验发现，交通信号灯参数对仿真结果稳定性影响较大，其他参数并未有显著影响。本研究对不同模型参数进行了多次仿真实验，结果表明布局优化方案前后仿真结果的稳定性分别为92.41%和95.30%（图4）。在仿真实验中，模型充分考虑了交通信号灯因素，排水抢险单位经过信号灯路口时，等待的时间长短将导致抢险救援时间波动。在早晚高峰、抢险水平和救援组合3种情景下，救援时间的稳定性分别达到96.79%、97.41%和89.89%，较优化前分别提升了2.58%、4.54%和1.78%。值得注意的是，在早晚高峰情景中，晚高峰的稳定性最高（97.18%）；在排水抢险单位专业水平情景中，抢险人员专业度与稳定性呈负相关关系，仿真结果对排水抢险单位专业水平参数变化更加敏感；在救援组合情景中，由于组合救援方式的不确定性大，稳定性最低，仅为83.22%。模型参数检验表明，本模型参数对仿真结果整体表现为低敏感性，仿真结果稳定性较高。
图4 不同情景下的模型参数检验结果

Fig. 4 Model parameter validation results under different scenarios

4.2 多情景下排水抢险救援效率对比

研究对早晚高峰、抢险水平和救援组合情景展开仿真实验，测度了不同情景下的抢险救援效率（RE），如图5所示。仿真结果表明： ① 在优化布局方案下，排水抢险单位抢险救援效率更高，同时11个排水抢险单位的抢险救援效率差距明显减小，表明优化后抢险救援任务更均衡且合理地分配给了排水抢险单位。 ② 在早晚高峰情景中，救援效率呈非高峰>晚高峰>早高峰（优化前）和非高峰>早高峰>晚高峰（优化后）的特征；排水抢险单位布局优化后的平均救援效率较优化前提升了18.27%（RE1=0.246， RE2=0.208），同时优化前后高峰时期抢险救援效率较非高峰分别下降13.57%和7.76%，有效降低了高峰时期交通流量和信号灯对抢险救援的影响。 ③ 在排水抢险单位专业水平情景中，优化后抢险单位平均抢险救援效率较优化前提升了18.24%（RE3=0.188， RE4=0.159）。同时专业水平与抢险救援效率呈非线性关系，当专业水平由100%降至80%和50%时，优化前排水抢险单位的抢险救援效率分别降低了14.81%和41.23%，优化后则分别降低了16.94%和45.52%。④ 在救援组合情景中，优化后抢险单位平均抢险救援效率较优化前提升了10.34%（RE5=0.224， RE6=0.203）；其中组合抢险救援效率与单组固定的效率比较存在不确定性，优化后排水抢险单位救援效率表现为组合救援<单独救援，而优化前则相反。因此，针对特定的研究区域、抢险单位、积水点的空间分布，抢险救援的组合方式可能存在差异，该发现强调了在选择抢险策略时需考虑特定条件下的变异性。
图5 3种情景下的抢险单位救援效率对比结果

Fig. 5 Results of rescue efficiency of rescue units under three scenarios

4.3 排水抢险单位空间布局优化

研究提出的排水抢险单位空间布局优化方案为“全局分散，局部聚集”。依据模型方法部分的K-means聚类算法求解步骤，获得了优化后的排水抢险单位救援点空间布局（图6）。总体而言，排水抢险单位全局较分散地位于积水点附近，而对于积水严重的局部地区，则表现出集中的分布特征。优化后的排水抢险单位空间布局方案更具针对性，救援力量变化呈现“西部加强，中部减弱，东部补充”的特征，其主要集中分布于研究区的西北地区，即大红门排水区，该区域城市内涝积水严重；同时中部救援力量逐渐向西部转移，加强了对西部内涝抢险的救援力量，且在研究区的东部新布设了排水抢险单位，弥补了之前在东部的救援力量弱的现状。该优化布局方案使得排水抢险单位更均衡且全面地应对城市内涝灾害。
图6 排水抢险单位救援点优化前后的空间布局

Fig. 6 Optimization of the space layout before and after the rescue unit

根据构建的城市内涝排水抢险单位救援行为仿真模型，对比分析了在不同情景下优化布局方案前后的抢险仿真结果（图7）。结果表明： ① 优化前的排水抢险单位救援点布局存在进一步优化的空间，在不同情景下，优化后的排水抢险单位救援花费时间成本更小。 ② 分析完成抢险救援总耗时发现，在早晚高峰、抢险水平和救援组合3种情景下，优化后的救援总耗时分别减少15.31%、16.13%和13.75%。 ③ 以排水抢险单位为基本单元分析发现， 11个排水抢险单位的救援花费时间存在显著差异。在早晚高峰、抢险水平和救援组合3种情景下，优化后的平均救援时间依次减少了12.90%、14.01%和7.01%。特别是在早晚高峰情景的晚高峰、抢险水平情景的100%专业水平发挥和救援组合情景的单组抢险救援较优化前的救援花费时间减少效果最为显著，分别减少了18.23%、18.57%和14.17%。
图7 排水抢险单位优化前后救援时间对比结果

Fig. 7 Rescue time before and after rescue unit optimization

5 结论与讨论

5.1 讨论

科学合理的排水抢险单位布局对提升城市内涝应急水平至关重要。研究发现，北京市凉水河流域排水抢险单位救援点的空间布局具有较大的优化潜力，在城市内涝排水抢险单位可采用“全局分散，局部聚集”的优化方案来提升救援效率。同时，对比不同交通流量下抢险救援效率发现，信号灯与交通路况共同作用于排水抢险单位的路程耗时来影响抢险救援效率。此外，排水抢险单位的劳动力专业水平也是直接影响抢险救援效率的重要因素。抢险人员专业水平刻画了人员素质与熟练程度等方面，考虑人的个体性差异，在救援行动执行过程中也存在显著差异[49]。模拟发现，优化后的排水抢险单位在不同抢险水平下抢险救援效率更高。同时，组合抢险效率与单组固定的效率依据路况存在不确定性，而并非组合抢险救援效率更高，这一发现深化了我们对灾时救援资源组合应用的认识。本研究是城市内涝应急管理中对城市发展和恢复起支撑作用的一次实证研究，研究结果有助于为排水抢险单位的优化配置提供科学参考。
城市内涝是一个复杂的系统，包括自然、人等多方面的因素，多种影响因素使得城市内涝救援行为仿真研究存在一定的困难性。本研究构建的城市内涝排水抢险单位救援行为的多主体仿真模型实现了对排水抢险单位救援点的空间布局优化，明晰了抢险人员专业水平、交通路况等影响因素的差异机制。研究不仅为提升城市内涝灾中抢险救援效率提供了新思路，更为后续涉及更为复杂、真实的多要素多主体模型建立了基础。但目前研究工作仍存在一些问题需进一步完善，如因数据缺失而未考虑降雨径流的转换过程，导致对下垫面的空间异质性刻画不足；缺少更详细的水深数据、实时交通流量变化数据、车主行为决策调研数据等，制约了精细化探究排水抢险单位在多情景下抢险救援效率的影响。后续工作可进一步完善数据集，采用更详细的数据、结合实时交通流量、降雨、历史积水点等多维度信息，参考选址模型优化排水抢险单位空间布局，从更多维度探究不同影响因素对抢险救援效率的影响。

5.2 结论

本研究构建了城市内涝排水抢险单位救援行为仿真模型，在综合考虑早晚高峰、抢险水平、救援组合的影响因素下，对凉水河百年一遇降水抢险救援效率进行测算，遴选了排水抢险单位空间布局优化方案，为城市内涝应急管理提供了定量化评估工具。主要研究结论如下：
（1） 采取“全局分散，局部聚集”的优化布局方案可提升排水抢险单位的抢险救援效率。优化后的抢险救援力量变化呈现“西部加强，中部减弱，东部补充”的趋势，中部救援力量逐渐向西部转移，加强了对西部内涝抢险的救援力量，同时在研究区的东部新布设了排水抢险单位，弥补了之前在东部的救援力量弱的现状。
（2） 在优化布局方案下，抢险救援效率在早晚高峰、抢险水平和救援组合情景中分别提升了18.27%、18.24%和10.34%。优化后的抢险救援任务更合理地分配给了排水抢险单位，使得排水抢险单位之间的抢险救援效率差距明显减小。经参数检验后，模型仿真实验结果表现为低敏感性，稳定性达到了93.85%。
（3） 该优化布局方案可有效降低了高峰时期交通流量和信号灯对抢险救援工作的影响，同时在排水抢险能力组合选择时更具优势。研究发现，优化前后高峰时期抢险救援效率较非高峰分别下降13.57%和7.76%，以及组合抢险救援效率并非皆高于单组固定的情景，因此选择抢险策略时需考虑特定条件下的变异性。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Lin L J, Gao T, Luo M, et al. Contribution of urbanization to the changes in extreme climate events in urban agglomerations across China[J]. The Science of the Total Environment, 2020, 744:140264. DOI:10.1016/j.scitotenv.2020.140264

[2]
Jia H F, Yao H R, Yu S L. Advances in LID BMPs research and practice for urban runoff control in China[J]. Frontiers of Environmental Science & Engineering, 2013, 7(5):709-720. DOI:10.1007/s11783-013-0557-5

[3]
Hu S L, Han C F, Meng L P. A scenario planning approach for propositioning rescue centers for urban waterlog disasters[J]. Computers and Industrial Engineering, 2015, 87(C):425-435. DOI:10.1016/j.cie.2015.05.036

[4]
张建云, 舒章康, 王鸿杰, 等. 郑州 “7·20” 暴雨洪涝几个水文问题的讨论[J]. 地理学报, 2023, 78(7):1618-1626.

DOI

[Zhang J Y, Shu Z K, Wang H J, et al. A discussion on several hydrological issues of\ “7·20\” rainstorm and flood in Zhengzhou[J]. Acta Geographica Sinica, 2023, 78(7):1618-1626.] DOI:10.11821/dlxb202307004

[5]
刘业森, 刘媛媛, 李敏, 等. 降雨数据空间分辨率在城市流域洪峰变化分析中的影响[J]. 地球信息科学学报, 2022, 24(7):1326-1336.

DOI

[Liu Y S, Liu Y Y, Li M, et al. Influence of spatial resolution of rainfall data on flood peak in urban areas[J]. Journal of Geo-information Science, 2022, 24(7):1326-1336.] DOI:10.12082/dqxxkx.2022.210565

[6]
Wu X D, Yu D P, Chen Z Y, et al. An evaluation of the impacts of land surface modification, storm sewer development, and rainfall variation on waterlogging risk in Shanghai[J]. Natural Hazards, 2012, 63(2):305-323. DOI: 10.1007/s11069-012-0153-1

[7]
Lin T, Liu X F, Song J C, et al. Urban waterlogging risk assessment based on Internet open data: A case study in China[J]. Habitat International, 2018, 71:88-96. DOI:10.1016/j.habitatint.2017.11.013

[8]
Guo X N, Cheng J, Yin C L, et al. The extraordinary Zhengzhou flood of 7/20, 2021: How extreme weather and human response compounding to the disaster[J]. Cities, 2023, 134:104168. DOI:10.1016/j.cities.2022.104168

[9]
Duan C Y, Zhang J Q, Chen Y N, et al. Comprehensive risk assessment of urban waterlogging disaster based on MCDA-GIS integration: The case study of Changchun, China[J]. Remote Sensing, 2022, 14(13):3101. DOI:10.3390/rs14133101

[10]
Zhang M L, Xu M H, Wang Z L, et al. Assessment of the vulnerability of road networks to urban waterlogging based on a coupled hydrodynamic model[J]. Journal of Hydrology, 2021, 603:127105. DOI:10.1016/j.jhydrol.2021.127105

[11]
孙钦珂, 周亮, 王宝. 气候变化背景下沿海特大城市复合洪水灾害空间模拟[J]. 地球信息科学学报, 2023, 25(12):2427-2438.

DOI

[Sun Q K, Zhou L, Wang B. Spatial simulation of compound flood hazard risk in coastal megacities under climate change[J]. Journal of Geo-Information Science, 2023, 25(12):2427-2438.] DOI:10.12082/230326.2023.230326

[12]
Lu X H, Shun Chan F K, Chen W Q, et al. An overview of flood-induced transport disruptions on urban streets and roads in Chinese megacities: Lessons and future agendas[J]. Journal of Environmental Management, 2022, 321:115991. DOI:10.1016/j.jenvman.2022.115991

[13]
中华人民共和国中央人民政府. 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[A/OL]. (2021-04-08)[2024-03-21]. https://www.gov.cn/gongbao/content/2021/content_5605102.htm.

[ The State Council of the People's Republic of China. Implementation opinions of the General Office of the State Council on strengthening the control of urban waterlogging: Issued by General Office of the State Council of the People's Republic of China [2021] No. 11[A/OL]. (2021-04-08)[2024-03-21]. https://www.gov.cn/gongbao/content/2021/content_5605102.htm.]

[14]
刘文宋, 张仲英, 郑琳, 等. 基于改进HLT与深度学习的双时相PolSAR洪涝灾害监测新方法[J]. 地球信息科学学报, 2023, 25(8):1730-1745.

DOI

[Liu W S, Zhang Z Y, Zheng L, et al. A Novel Flood Disaster Monitoring Method based on Improved HLT and Deep Learning Using Bi-temporal PolSAR Images[J]. Journal of Geo-information Science, 2023, 25(8):1730-1745.] DOI:10.12082/dqxxkx.2023.220985

[15]
陈昆仑, 许红梅, 李志刚, 等. 快速城市化下的武汉城市暴雨渍水空间特征及发生机制[J]. 经济地理, 2020, 40(5):129-135,219.

[Chen K L, Xu H M, Li Z G, et al. The spatial characteristics and formation mechanism of urban rainstorm waterlogging under the influence of human activities in Wuhan[J]. Economic Geography, 2020, 40(5):129-135,219.] DOI:10.15957/j.cnki.jjdl.2020.05.014

[16]
Berkhahn S, Fuchs L, Neuweiler I. An ensemble neural network model for real-time prediction of urban floods[J]. Journal of Hydrology, 2019, 575:743-754. DOI:10.1016/j.jhydrol.2019.05.066

[17]
Matsuki A, Hatayama M. Risk analysis of mutual influence relationships among residents under rescue operations in long-term flooded areas[J]. International Journal of Disaster Risk Reduction, 2024, 100:104216. DOI:10.1016/j.ijdrr.2023.104216

[18]
Kurata Y B, Prasetyo Y T, Ong A K S, et al. Factors affecting perceived effectiveness of Typhoon Vamco (Ulysses) flood disaster response among Filipinos in Luzon, Philippines: An integration of protection motivation theory and extended theory of planned behavior[J]. International Journal of Disaster Risk Reduction, 2022, 67:102670. DOI:10.1016/j.ijdrr.2021.102670

[19]
Maity S, Sundar S. A coupled model for macroscopic behavior of crowd in flood induced evacuation[J]. Physica A Statistical Mechanics and Its Applications, 2022, 607:128161. DOI:10.1016/j.physa.2022.128161

[20]
Yang Y F, Ng S T, Zhou S H, et al. Physics-based resilience assessment of interdependent civil infrastructure systems with condition-varying components: A case with stormwater drainage system and road transport system[J]. Sustainable Cities and Society, 2020, 54:101886. DOI: 10.1016/j.scs.2019.101886

[21]
Yang Y F, Ng S T, Dao J C, et al. BIM-GIS-DCEs enabled vulnerability assessment of interdependent infrastructures-A case of stormwater drainage-building-road transport Nexus in urban flooding[J]. Automation in Construction, 2021, 125:103626. DOI:10.1016/j.autcon.2021.103626

[22]
李海宏, 吴吉东, 王强, 等. 基于机器学习方法的上海市暴雨内涝灾情预测模型研究[J]. 自然灾害学报, 2021, 30(1):191-200.

[Li H H, Wu J D, Wang Q, et al. A study on rainstorm waterlogging disaster prediction models in Shanghai based on machine learning[J]. Journal of Natural Disasters, 2021, 30(1):191-200.] DOI:10.13577/j.jnd.2021.0120

[23]
Zhuo L, Han D W. Agent-based modelling and flood risk management: A compendious literature review[J]. Journal of Hydrology, 2020, 591:125600. DOI:10.1016/j.jhydrol.2020.125600

[24]
Tellman B, Sullivan J A, Kuhn C, et al. Satellite imaging reveals increased proportion of population exposed to floods[J]. Nature, 2021, 596:80-86. DOI:10.1038/s41586-021-03695-w

[25]
Rentschler J, Avner P, Marconcini M, et al. Global evidence of rapid urban growth in flood zones since 1985[J]. Nature, 2023, 622:87-92. DOI:10.1038/s41586-023-06468-9

[26]
Zhang Z J, Liang J, Zhou Y J, et al. A multi-strategy-mode waterlogging-prediction framework for urban flood depth[J]. Natural Hazards and Earth System Sciences, 2022, 22(12):4139-4165. DOI:10.5194/nhess-22-4139-2022

[27]
Chen Y L, Hu M C, Chen X H, et al. An approach of using social media data to detect the real time spatio-temporal variations of urban waterlogging[J]. Journal of Hydrology, 2023, 625:130128. DOI:10.1016/j.jhydrol.2023.130128

[28]
Li Y, Osei F B, Hu T G, et al. Urban flood susceptibility mapping based on social media data in Chengdu city, China[J]. Sustainable Cities and Society, 2023, 88:104307. DOI: 10.1016/j.scs.2022.104307.

[29]
易嘉伟, 王楠, 千家乐, 等. 基于大数据的极端暴雨事件下城市道路交通及人群活动时空响应[J]. 地理学报, 2020, 75(3):497-508.

DOI

[Yi J W, Wang N, Qian J L, et al. Spatio-temporal responses of urban road traffic and human activities in an extreme rainfall event using big data[J]. Acta Geographica Sinica, 2020, 75(3):497-508.] DOI:10.11821/dlxb202003005

[30]
Liu C F, Liu S J, Zhang J X, et al. An optimal design method of emergency evacuation space in the high-density community after earthquake based on evacuation simulation[J]. Natural Hazards, 2023, 116(3):2889-2915. DOI: 10.1007/s11069-022-05789-8

[31]
Sung K, Kim Y, Yu D. Spatially explicit agent-based approach for human-flood interaction modeling under external support[J]. Journal of Hydrology, 2022, 612:128175. DOI:10.1016/j.jhydrol.2022.128175

[32]
Huang J, Pang T T, Liu Z Z, et al. Risk simulation of urban rainstorm flood disasters considering crowd activities[J]. Systems, 2023, 11(8): 407. DOI:10.3390/systems11080407

[33]
杨宇涵, 殷杰, 王丹丹, 等. 基于ABM的城市暴雨洪涝灾害应急疏散仿真研究——以河南郑州“7·20”特大暴雨洪涝灾害为例[J]. 中国科学:地球科学, 2023, 53(2):267-276.

[ Yang Y, Yin J, Wang D, et al. ABM-based emergency evacuation modelling during urban pluvial floods: A “7.20” pluvial flood event study in Zhengzhou, Henan Province[J]. Scientia Sinica (Terrae) 2023, 53(2):267-276.] DOI:10.1360/SSTe-2022-0094

[34]
Yin D D, Wang S W, Ouyang Y F. ViCTS: A novel network partition algorithm for scalable agent-based modeling of mass evacuation[J]. Computers, Environment and Urban Systems, 2020, 80:101452. DOI:10.1016/j.compenvurbsys.2019.101452

[35]
Abebe Y A, Ghorbani A, Nikolic I, et al. Flood risk management in Sint Maarten-A coupled agent-based and flood modelling method[J]. Journal of Environmental Management, 2019, 248:109317. DOI:10.1016/j.jenvman.2019.109317

[36]
Cherng S T, Cangemi I, Trostle J A, et al. Social cohesion and passive adaptation in relation to climate change and disease[J]. Global Environmental Change: Human and Policy Dimensions, 2019, 58:101960. DOI:10.1016/j.gloenvcha.2019.101960

[37]
中华人民共和国住房和城乡建设部. 城镇内涝防治技术规范: GB 51222—2017[S]. 北京: 中国计划出版社, 2017.

[ Ministry of Housing and Urban-Rural Development of the People's Republic of China. Technical code for urban flooding prevention and control: GB 51222—2017[S]. Beijing: China Planning Press, 2017.]

[38]
Mirahadi F, McCabe B Y. EvacuSafe: A real-time model for building evacuation based on Dijkstra's algorithm[J]. Journal of Building Engineering, 2021, 34:101687. DOI: 10.1016/j.jobe.2020.101687

[39]
Lamperti F, Mandel A, Napoletano M, et al. Towards agent-based integrated assessment models: Examples, challenges, and future developments[J]. Regional Environmental Change, 2019, 19(3):747-762. DOI:10.1007/s10113-018-1287-9

[40]
Glen C M, Kemp M L, Voit E O. Agent-based modeling of morphogenetic systems: Advantages and challenges[J]. PLoS Computational Biology, 2019, 15(3):e1006577. DOI:10.1371/journal.pcbi.1006577

[41]
陈旻, 闾国年, 周成虎, 等. 面向新时代地理学特征研究的地理建模与模拟系统发展及构建思考[J]. 中国科学:地球科学, 2021, 51(10):1664-1680.

[Chen M, Lü G N, Zhou C H, et al. Thinking on the development and construction of geographic modeling and simulation system for the study of geographical characteristics in the new era[J]. Scientia Sinica (Terrae), 2021, 51(10):1664-1680.] DOI:10.1360/SSTe-2020-0264

[42]
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

[43]
Tzortzis G F, Likas A C. The global kernel $k$-means algorithm for clustering in feature space[J]. IEEE Transactions on Neural Networks, 2009, 20(7):1181-1194. DOI: 10.1109/TNN.2009.2019722

[44]
陈悦峰, 董原生, 邓立群. 基于Agent仿真平台的比较研究[J]. 系统仿真学报, 2011, 23(S1):110-116.

[Chen Y F, Dong Y S, Deng L Q. Comparative study on simulation platform based on agent[J]. Journal of System Simulation, 2011, 23(S1):110-116.] DOI:10.16182/j.cnki.joss.2011.s1.031

[45]
赵刚, 史蓉, 庞博, 等. 快速城市化对产汇流影响的研究:以凉水河流域为例[J]. 水力发电学报, 2016, 35(5):55-64.

[Zhao G, Shi R, Pang B, et al. Impact of rapid urbanization on rainfall-runoff processes in urban catchment: Case study for Liangshui River Basin[J]. Journal of Hydroelectric Engineering, 2016, 35(5):55-64.] DOI:10.11660/slfdxb.20160507

[46]
曾微波, 陈夏微, 童矿, 等. 红绿灯配时优化与仿真研究[J]. 武汉大学学报(信息科学版), 2022, 47(4):597-603.

[Zeng W B, Chen X W, Tong K, et al. Research on traffic lights timing optimization and simulation[J]. Geomatics and Information Science of Wuhan University, 2022, 47(4):597-603.] DOI:10.13203/j.whugis20200029

[47]
房亚军, 李其军, 潘兴瑶, 等. 城市流域极端降雨条件下的产汇流规律——以北京市凉水河流域为例[J]. 陕西师范大学学报(自然科学版), 2018, 46(1):111-116.

[Fang Y J, Li Q J, Pan X Y, et al. Contrastive analysis of typical rainfall-runoff process in urban watershed: Taking Liangshui River Basin in Beijing as an example[J]. Journal of Shaanxi Normal University (Natural Science Edition), 2018, 46(1):111-116.] DOI:10.15983/j.cnki.jsnu.2018.01.413

[48]
李永坤, 薛联青, 邸苏闯, 等. 基于Infoworks ICM模型的典型海绵措施径流减控效果评估[J]. 河海大学学报(自然科学版), 2020, 48(5):398-405.

[Li Y K, Xue L Q, Di S C, et al. Evaluation of runoff reduction effect of typical sponge measures based on Infoworks ICM model[J]. Journal of Hohai University (Natural Sciences), 2020, 48(5):398-405.] DOI:10.3876/j.issn.1000-1980.2020.05.003

[49]
董炳艳, 张自强, 徐兰军, 等. 智能应急救援装备研究现状与发展趋势[J]. 机械工程学报, 2020, 56(11):1-25.

DOI

[Dong B Y, Zhang Z Q, Xu L J, et al. Research status and development trend of intelligent emergency rescue equipment[J]. Journal of Mechanical Engineering, 2020, 56(11):1-25.] DOI:10.3901/JME.2020.11.001

Options
文章导航

/

〈 〉