EN中文

Journal of Geo-information Science >

2023 , Vol. 25 >Issue 12: 2427 - 2438

DOI: https://doi.org/10.12082/230326.2023.230326

Spatial Simulation of Compound Flood Hazard Risk in Coastal Megacities under Climate Change

  • SUN Qinke , 1 ,
  • ZHOU Liang , 2 ,
  • WANG Bao 3
Expand
  • 1. Key Laboratory of Geographic Information Science of the Ministry of Education, School of Geographical Sciences, East China Normal University, Shanghai 200241, China
  • 2. Faculty of Geomatics, Lanzhou Jiaotong University, Lanzhou 730070, China
  • 3. Northwest Institute of Eco-environment and Resources, Chinese Academy of Sciences, Lanzhou 730000, China
*ZHOU Liang, E-mail:

Received date: 2023-06-12

  Revised date: 2023-09-25

  Online published: 2023-12-05

Supported by

National Key Research and Development Program of China(2022YFC3800705)

Natural Science Foundation of Gansu Province(21JR7RA278)

Natural Science Foundation of Gansu Province(21JR7RA281)

Fold

Abstract

Coastal megacities are typically situated in low-lying and densely populated areas. The occurrence of storm surge compound flooding has the potential to result in catastrophic social, economic, and ecological impacts for these coastal cities. The rising sea levels and the increased intensity and frequency of tropical cyclones caused by global warming will exacerbate the challenges faced by coastal cities. Therefore, accurately assessing compound flooding events caused by tropical cyclones is critical to protecting coastal areas from inundation. However, research on the impact of climate change on the risk of tropical cyclone induced compound flooding in coastal areas is still limited. In this study, we used the EC-EARTH3P climate model and selected a dataset of climate change tropical cyclone trajectories synthesized by the STORM model. This dataset is generated using historical data from the International Best Track Archive for Climate Stewardship (IBTrACS) to simulate synthetic tropical cyclones under future climate conditions. Subsequently, we used the coupled Delft3D FLOW & WAVE hydrodynamic model to simulate the impact of storm surge compound water levels on coastal areas due to the nonlinear effects of tropical cyclones wind fields and waves. Furthermore, we investigated the contributions of tropical cyclones and sea level rise to coastal storm surge compound flooding under different Shared Socioeconomic Pathways (SSPs) scenarios, taking the Shanghai city, located within an estuary and along the coastline of China, as our case study. The results showed that climate change had a significant impact on storm surge compound flooding. The future compound flooding disasters exhibited spatial variations in shanghai and differences in water level heights, influenced by future cyclone paths and intensities. Among these areas, Chongming district was the most seriously affected area by storm surge compound flooding. In addition, sea level rise under different climate scenarios will lead to more severe flood hazards in the Shanghai area. We found that although sea level rise will further intensify the impact of storm surge compound flooding in Shanghai, tropical cyclones will have a greater influence on future compound flooding in the city. The spatial risk analysis framework for compound flooding hazards under climate change designed in this study can also be applied to research future storm surge compound flooding hazards in other coastal megacities. Our research findings not only provide a foundational basis for policymakers and flood risk managers to identify risk vulnerable areas, but also provide significant implications for coastal adaptation measures and urban emergency response planning.

Key words： global climate change; SSPs scenarios; spatial simulation; coastal cities; tropical cyclones; compound flooding; sea level rise; Delft 3D

Cite this article

SUN Qinke , ZHOU Liang , WANG Bao . 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

1 引言

洪水被认为是当今全球最严重的自然灾害之一[1]。世界上一半以上的人口居住在海岸线100 km以内，预计这一数字在21世纪将急剧增长[2]，同时受全球气候变化的影响，沿海地区将会受到灾害引发的更严重的社会经济损失，这无疑会对联合国可持续发展目标实现提出新的挑战[3-4]。近期沿海城市频遭洪水侵袭，造成严重的财产损失和人员伤亡。例如，2005年8月美国卡特里娜飓风-风暴潮使美国新奥尔良市防洪堤决口，造成218人死亡，经济损失达960多亿美元[5]。2012年10月“桑迪”飓风导致美国东部纽约等沿海城市洪水泛滥，造成164人死亡，经济损失达500亿美元以上[6]。2013年台风“菲特”使浙江和上海700多万人受灾，造成6人死亡，经济损失更是巨大。造成沿海地区这些严重事件的灾害均是由于极端高潮、风暴潮等多种洪水驱动因素共同作用。因此，了解多种驱动因素产生的复合洪水对于沿海地区灾害评估和缓解至关重要。
解决沿海地区多种驱动因素之间相互作用所构成的灾害威胁是包括世界气候研究计划 （World Climate Research Programme，WCRP）、欧盟仙台框架和国际气候变化计划以及联合国可持续发展目标（Sustainable Development Goals，SDGs）共同呼吁解决的问题。沿海复合洪水可能的产生机制主要包括强降雨、风暴潮和高河流径流以及海平面上升等因素两两或者同时驱动[7⇓-9]，当这些来源中的一个以上同时或连续作用时，洪水造成的破坏性更强[10-11]。热带气旋（Tropical Cyclones，TC）通常发生在沿海地区并伴随着暴雨和风暴潮，如果遇上极端河流径流和天文潮汐，可能会引发严重的复合洪水[12⇓-14]。因此，为了充分解决沿海地区复合洪水造成的威胁，至关重要的是要考虑由热带气旋产生的风暴复合洪水驱动因素之间的关系，并模拟其对沿海地区复合洪水风险的影响。
沿海地区TC复合洪水的研究方法主要分为统计分析和数值模拟。许多统计模型已应用于研究TC复合事件，如正态分布、Gumbel分布以及Copula函数等[15⇓⇓-18]。统计模型可用于对各致灾变量进行关联性分析以及联合概率建模[19-20]。但受限于样本量和概率机制，统计分析难以较好地捕捉到TC复合洪水发生机制和变化特征。与此相比，数值模型是一种基于流体动力学物理原理的方法，能够较好地理解TC洪水的发生机理和变化特征。近年来，基于数值物理模型及GIS技术的支持下的城市复合洪水研究已得到较为广泛的应 用[21]，其研究或选择独立模拟风暴潮，或者使用 2个或多个模型进行耦合模拟[22-23]。然而，登陆沿海地区TC相关的洪水往往取决于TC的路径和强度[24]，受其不确定性影响很少有研究结合TC路径和强度对未来复合洪水进行数值模拟综合分析。此外，相关研究表明气候变化引起的海平面上升（Sea Level Rise，SLR）造成的顶托作用会加剧这种复合洪水风险[25⇓-27]，因此，应将预测的SLR和TC气候学纳入复合洪水数值模拟，以提供沿海灾害空间的长期观点。
本研究考虑气候变化对风暴潮和海平面的影响，提出了一个框架，用于沿海地区的复合洪水灾害空间风险分析。该框架依赖于基于物理的合成热带气旋事件和风暴潮波浪模型。具体来说，利用大量合成的TC数据，其风暴潮路径和强度是使用高分辨率、基于气候模式的合成热带气旋生成模型（Synthetic Tropical cyclOne geneRation Model，STORM）算法模拟，将其用作耦合水动力模型中的强迫因子，以模拟潮汐河口风暴潮和波浪的相互作用。其次，通过结合不同气候变化情景下的SLR试图了解不同频率的TC 会产生何种程度的复合洪水以及海平面上升和风暴潮灾害对于复合洪水水位的贡献程度，将这种复合分析框架应用于中国上海河口海岸地区。

2 研究区概况与数据来源

2.1 研究区概况

地处长江三角洲前沿的上海，东濒东海，南临杭州湾，西接江苏省和浙江省，北界长江入海口，位于中国海岸带中部，是典型的中纬度过渡带、海陆相过渡带和生态环境脆弱性区域，同时扼居中国第一大河、世界第三大河长江出海的门户，也是典型的河口城市及河口海岸地区（图1）。上海市全域土地面积约6 340.50 km2，占中国总面积的0.06%，南北长约120 km，东西宽约100 km，平均海拔约为4 m，地势低平，且由东向西略有倾斜，缺乏抵御台风风暴潮的自然屏障，易受风暴潮的行洪威胁[28]。上海平均每年受台风影响2~3 次[29]。因此，上海不仅是典型的生态环境敏感区，也是台风风暴潮灾害多发区。此外，上海作为中国乃至世界的金融中心，在自然灾害面前具有极高的暴露性和脆弱性，对全球气候变化的影响最为敏感和社会经济的波及效应、放大效应最为突出。
图1 研究区域所处的地理位置

注:图中左下角红色圆框表示详细模型域中放大的研究区域遥感影像图，同时用以辅助表示观测站点位置。模型设置中使用了三层嵌套网格，大型模型域、中间模型域以及详细模型域的网格边界分别在图中用不同的颜色表示，详细的构建步骤请参见Delft3D Flow & Wave耦合模型方法介绍。

Fig. 1 The geographical location of the study area

2.2 数据来源

根据模型需要，研究主要使用的数据如表1所示。模型使用高程和测深数据主要包括基于SRTM（Shuttle Radar Topography Mission，SRTM）近岸高程数据集和基于GEBCO（General Bathymetric Chart of the Oceans，GEBCO）近海测深数据集，研究选取2022年最新的海洋地形信息GEBCO_2022数据集。区域潮汐信息从OTIS（OSU Tidal Inversion Software，OTIS）收集，数据以潮汐组成形式应用于模型，包括潮汐振幅和相位。台风温妮的路径信息使用了中国气象局热带气旋的最佳路径数 据[30]。此外，通过模型模拟有无风暴潮情况测试模型的模拟性能，模型均从OTSI获取区域潮汐信息作为边界初始条件，风暴潮情况区别在增加了台风温妮的最佳路径轨迹信息。潮汐验证数据取自国际水文观测组织IHO潮汐观测站数据，台风温妮期间的风暴潮数据来自上海市气象局上海气候中 心[31]。不同气候变化情景下海平面上升最新预测数据来源于IPCC耦合模型比较项目第6阶段生成的数据，可通过NASA海平面上升工具获取。
表1 数据来源及简介

Tab. 1 Data source and introduction

数据类型 数据详情 年份 数据来源
高程数据 SRTM 高程数据 2022 https://search.earthdata.nasa.gov/search?q=SRTM
测深数据 GEBCO_2022数据 2022 https://www.gebco.net/data_and_products/gridded_bathymetry_data/gebco_2022
温妮路径 中国气象局热带气旋温妮的最佳路径
参数数据		 1997 https://tcdata.typhoon.org.cn/dlrdqx_zl.html
温妮观测站点 上海气候中心温妮风暴潮观测站点数据 1997 http://sh.cma.gov.cn/
潮汐信息 OTIS潮汐振幅和相位 2020 https://www.tpxo.net/otis
潮汐观测站点 IHO国际水文观测组织潮汐观测站点数据 2020 https://iho.int/en/twcwg-tidal-data-sets-analysis
海平面上升 IPCC AR6不同气候情景最新海平面上升预测数据 2022 https://sealevel.nasa.gov/ipcc-ar6-sea-level-projection-tool

3 研究方法

为了分析未来气候变化热带气旋造成的风暴潮复合洪水灾害进行空间影响，提出了一个框架（图2）。该框架依赖于基于STROM模型的合成热带气旋路径和Delft3D Flow & Wave耦合模型。具体来说，基于GCM全球气候模式，选取STORM算法模拟合成的高分辨率TC数据，然后将其用作Delft3D Flow & Wave耦合模型的强迫因子以模拟潮汐河口风暴潮和波浪的相互作用。其次，通过结合基于IPCC AR6的海平面上升情景预测分析了不同频率的TC会产生何种程度的空间影响，并量化了海平面上升和风暴潮灾害对复合洪水水位的贡献。
图2 研究技术路线

Fig. 2 Flow chart of the framework in this study

3.1 基于STORM模型的合成热带气旋路径

热带气旋因其强大的风暴潮复合效应在登录沿海地区时对该地区造成严重经济影响,但热带气旋相对稀缺的数据记录对于执行此类风险的评估具有挑战性。为了评估未来气候变化热带气旋造成的风暴潮灾害，需要生成可靠的且大量的热带气旋路径数据。Bloemendaal等[32]开发的STORM可以合成当前和未来气候条件下的热带气旋，且合成的热带气旋数据保留了原始数据集中的热带气旋统计特征，因此其性能足以用于风险评估和危害分析。STORM通过4个大气环流模型提取气候变化信号（CMCC-CM2-VHR4，CNRM-CM6-1-HR，EC-Earth3P-HR，HAdGEM3-GC31-HM），并将该信号添加到International Best Track Archive for Climate Stewardship（IBTrACS）的历史数据中生成未来气候条件下的合成热带气旋。
热带气旋路径数据用于风暴潮模型模拟，应用3个标准来选择合适的热带气旋路径：① GCM（Global Climate Model，GCM）模式的选取；② 设计重现期频率的组合；③ 区域路径的覆盖性。图3显示EC-Earth3P RCP8.5/SSP5条件情景下STORM模型模拟的百年一遇和千年一遇所有WP（Western Pacific）区域内的热带气旋的最佳轨迹。STORM模型生成了包括TC路径、强度和大小等信息，通过筛选符合标准的合成热带气旋路径，采用Holland模式将其风场和气压场等转换为蜘蛛网格式，用作流体动力学和波浪模型的计量强迫因子进行波浪和风暴潮的连续预测，从而为近岸模拟提供边界条件。
图3 EC-Earth3P模型不同频率的热带气旋路径

注:图中不同颜色的线条表示STORM模型模拟生成的百年一遇和千年一遇的热带气旋轨迹,热带气旋轨迹数据较多故采用不同颜色的线条加以区分。

Fig. 3 Tropical cyclone tracks of different frequencies from EC-Earth3P model

3.2 基于IPCC AR6的海平面上升情景预测

未来海平面上升采用了IPCC AR6（Intergovernmental Panel on Climate Change Sixth Assessment Report， IPCC AR6）中的海平面预测数据[33]，可通过NASA海平面上升工具获取。IPCC AR6对不同SSP-RCP组合情景下的海平面变化进行预测：SSP1-1.9，SSP1-2.6，SSP2-4.5，SSP3-7.0，SSP5-8.5以及SSP1-2.6 Low confidence、SSP5-8.5 Low confidence 共7种组合情景。研究选择SSP2-4.5、SSP5-8.5情景下的未来SLR，根据 IPCC AR6 SLR预测，与1995—2014年相比，2050年海平面可能上升0.26~0.40 m（SSP2-4.5）和0.29~0.44 m（SSP5-8.5），到2100年海平面可能上升0.63~1.05 m（SSP2-4.5）和0.87~1.36 m（SSP5-8.5）。IPCC AR6预测的海平面上升数据作为模型驱动数据进行风暴潮复合洪水模拟，本文通过选取2050年和2100年的海平面上升与热带气旋产生的风暴潮水位综合考虑复合洪水（图4）。
图4 2020—2100年SSPs情景下海平面上升

注:图中阴影部分表示SSPs情景下17%~83%百分位范围的海平面上升变化范围值。

Fig. 4 Sea level rise under SSPs scenario from 2020 to 2100

3.3 Delft3D Flow & Wave耦合模型

Delft3D模型是一个由Deltares开发的水动力模拟模型[34]。通过耦合Delft3D-Flow和 Delft3D-Wave模型模拟风暴潮汐波浪的传播，其中Delft3D-FLOW模拟浅水假设下的水动力流动，Delft3D-WAVE模拟波浪的产生和传播，其是基于第三代谱波模型SWAN[35]。Delft3D Flow & Wave耦合模型主要基于Navier-Stokes方程和线性波浪理论，可以有效模拟台风事件导致的风暴水位的时空变化，且已成功的应用于许多沿海和河口地区[36-37]。具体来说，Delft3D Flow模型是基于Navier-Stokes方程组，描述了水流的运动。Delft3D Flow模型的控制方程主要在x方向和y方向来进行运算（式（1）和（2））。Delft 3D Wave模型中的控制方程基于线性波浪理论，主要用于模拟波浪的传播和相互作用，其控制方程如式（3）所示。对于完整的波浪和水流之间的相互作用是通过在每个时间步长中耦合Delft3D Flow和Delft 3D Wave 2个模型来实现。模型控制方程公式如下：
            ∂ u ∂ t + u ∂ u ∂ x + ν ∂ υ ∂ y + g ∂ ω ∂ x - f υ +                                 g u U C 2 d + ω - V η ( ∂ 2 u ∂ x 2 + ∂ 2 υ ∂ y 2 ) = 0
            ∂ u ∂ t + u ∂ u ∂ x + ν ∂ υ ∂ y + g ∂ ω ∂ x - f υ +                                 g u U C 2 d + ω - V η ( ∂ 2 u ∂ x 2 + ∂ 2 υ ∂ y 2 ) = 0
        ∂ ∂ t N + c x ∂ ∂ x N + c y ∂ ∂ y N + c σ ∂ ∂ σ N + c θ ∂ ∂ θ N - ∂ σ = 0
式中： ω表示水位高程； t表示时间； d表示水位深度； f表示科里奥参数； U表示总流速的大小； C表示摩擦系数； u和 υ表示 x和 y方向上的深度和平均速度； V η表示扩散系数； g表示引力常数； N表示二维波浪作用密度谱；传播速度 c  取自线性波理论； c x和 c y  分别代表作用密度谱在 x和 y空间中的传播； c σ和 c θ分别表示由于深度和水流的变化引起的相对频率的偏移和折射。
为了生成台风驱动下沿海波浪和风暴潮汐，使用全物理Delft3D模型建立了一个三步嵌套模型链（图1）。具有不同嵌套模型的模型链用于后报上海地区对温妮飓风的水动力响应。大型模型的网格分辨率为0.1 度，受区域潮汐、背景气象条件以及台风温妮造成的风和压力场的影响。大型模型域和中间模型域是Delft3D-FLOW&WAVE模型，详细模型域是Delft3D-FLOW模型。中间模型嵌套在这个具有0.01 度网格分辨率的大尺度域内，其设置与大尺度模型相同。中间模型从大型模型中获取水位和波浪边界条件，并将内陆和近岸水位边界条件传递给覆盖上海地区的详细模型，详细模型具有100 m的分辨率。台风风场和背景压力场是通过Holland参数风模型将台风参数信息转换生成所需[38]，模型的关键参数曼宁摩擦系数在U和V方向上经过校准选取为0.03，对于风暴潮情况采用Chu等[39]在东海地区验证并使用的风阻系数。对于未来STORM最佳气旋信息采用经过验证的台风温妮的相同模型设置，以模拟生成未来气候变化情景的风暴潮复合洪水。

3.4 精度评估方法

为了评估模型的模拟性能，采用NSE（Nash-Sutcliffe Efficiency，NSE）和RMSE（Root Mean Square Error，RMSE） 2种指标以对模型的性能进行综合评估。NSE主要用于评估模拟结果与实际观测值之间的一致性，而RMSE主要是评估模型模拟误差以表示准确性，详细公式如下：
R M S E = ∑ i = 1 n O i - M i 2 n
N S E = 1 - ∑ i = 1 n O i - M i 2 ∑ i = 1 n O i - M - 2
式中： O i表示观测值； M i表示模型模拟值； M -表示模拟值的平均值；n表示数据的总数量。其中，NSE值取值范围从负无穷到1，NSE值越接近于1，说明模型的模拟值与观测值之间的一致性越好；RMSE值越小，表明模型的模拟误差越小，其准确性也越高。因此，RMSE和NSE表示模型的一致性和准确性以全面评估模型的性能。

4 结果及分析

4.1 数值模型验证

为了验证模型的模拟性能，分别对有无风暴潮即潮汐和潮汐加风暴潮2个事件进行模拟实验（观测站点位置见图1），并使用NSE、RMSE 2个指标进行评价。表2显示了潮汐模拟的验证和风暴潮汐模拟的验证2个事件的试验构成以及验证指标分析结果。通过将模型模拟与非台风期间上海附近潮汐站的观测结果进行比较，验证了模型模拟天文潮汐的性能。图5显示了绿华山站、东沙站等观测点的模拟数值和观测值之间的比较。验证的结果显示站点平均均方根误差RMSE为0.17 m，纳什效率系数NSE为96.94 %，表明模型潮汐模拟性能良好。
表2 模型验证试验设计及误差分析

Tab. 2 Experimental design and experimental error analysis for model validation

验证指标 潮汐模拟试验 风暴潮汐模拟试验
NSE/% 96.94 93.42
RMSE/m 0.17 0.35
图5 潮汐模拟结果与测量值之间的比较

Fig. 5 Comparison between tidal simulation results and measured values

通过将模型模拟与1997年台风温妮期间的观测结果进行比较，验证了模型模拟风暴潮的性能。图6显示了吴淞口站、长兴站、芦潮港站和小洋山站点的模拟数值和观测值之间的比较。计算这些站点的均方根误差RMSE为0.35 m，纳什效率系数NSE为93.42 %。表明模型对于风暴潮水位也具有良好的模拟性能。尽管显示有时低潮水位被低估，可能由于测深数据与当时实际状况不一致，主要可能在于长江水流携带泥沙及航道疏浚导致测深数据发生改变。然而，低潮水位对沿海复合洪水高潮位的改变影响较小，因此风暴潮模拟验证结果表明，模型具有预测台风期间复合水位的能力。总而言之，嵌套模型模拟潮汐和风暴潮均以较高的NSE系数以及较低的均方根误差RMSE，进一步证实了模型的模拟结果和测量值之间具有良好的一致性和较高的准确性。
图6 风暴潮模拟结果与观测值之间的比较

Fig. 6 Comparison between storm surge simulation results and observed values

4.2 复合洪水风险空间影响

Delft3D Flow & Wave模型经过校准和验证后，用来模拟气候变化背景下2种情景的极端风暴洪水：100年一遇和1 000年一遇的热带气旋产生的风暴潮波浪水位（图7）。受气旋路径和风速的影响，百年一遇热带气旋产生的风暴潮主要对上海南部尤其是金山和奉贤地区产生较大的影响，该地区最高水位接近3 m。千年一遇的热带气旋对上海崇明地区影响最大，其次是长兴岛和宝山地区，最高水位也出现崇明岛地区。相比百年一遇的热带气旋，模拟千年一遇的热带气旋产生的风暴潮影响更大，较多地区都出现超过4 m的风暴潮位。
图7 百年一遇和千年一遇热带气旋产生的风暴潮水位空间影响分布

注:该图基于自然资源部标准地图服务网站下载的审图号为GS(2019)3266号的标准地图制作，底图无修改。

Fig. 7 Distribution of storm surge water level impacts from 100-year and 1 000-year tropical cyclones

此外，合成热带气旋路径主导风暴潮影响的区域及最高水位。热带气旋登陆的地区是受影响最大的地区，将会受到严重的洪水威胁，因此，需要加强对台风轨迹的预报及预测。此外，不同频率的热带气旋其产生的风暴洪水水位差异较大，且极端水位是在整个研究区的倍率扩大。因此，小概率事件如“1 000年一遇”热带气旋对沿海地区产生的影响需要在灾害防范应对中重点考虑。

4.3 复合水位驱动因素贡献

为了量化不同类型的强迫因子在复合洪水中的重要性，结合相对贡献率指标计算了不同强迫类型的相对贡献，并分析了海平面上升、热带气旋及其组合时产生的复合洪水风险。图8显示了海平面上升和热带气旋对复合洪水的贡献，其中折线图表示在百年一遇和千年一遇热带气旋作用下海平面上升对复合水位的相对贡献，结果表明，随着气候变化和气旋频率的增强，海平面上升对复合洪水水位的相对贡献正在逐渐增大但贡献的增长率却低于热带气旋产生的风暴潮；此外，图7也显示了2种不同频率的热带气旋在4种不同气候情景下产生的复合洪水的时间变化，结果表明千年一遇的热带气旋产生的复合洪水几乎是百年一遇的热带气旋产生的复合洪水水位的一倍，低概率事件的发生对复合洪水起到较大的影响。不同气候情景下的结果也表明海平面上升仍是复合水位增加的重要因素，其相对贡献率约为10%~30%。
图8 海平面上升和热带气旋对复合洪水水位的相对贡献率

Fig. 8 Relative contribution of sea level rise and TC climate change to compound flooding

海平面上升是导致上海海岸极端洪水水位升级的最直接因素，如果按照目前气候变化的速度继续下去，SSP585情景下平均海平面预计到2050年将增加0.36 m，到2100年将增加1.07 m。热带气旋引起的风暴潮波浪是导致复合极值水位升级的主导因素，千年一遇的热带气旋引起的复合水位将成倍于百年一遇的热带气旋引起的复合水位。因此，热带气旋气候变化相比海平面上升对未来沿海洪水风险的影响更大。

5 结论与讨论

5.1 结论

气候变化背景下的复合洪水灾害对沿海城市产生严重威胁。研究以沿海特大城市上海市为例，通过考虑热带气旋气候变化、海平面上升对上海地区复合洪水极值水位的综合影响并实施相关分析框架来量化其空间风险。提出的嵌套模型是为预测沿海城市因热带气旋引起的复合洪水而设计的。① 证明了所开发的风暴潮波浪模型可以有效预测上海市热带气旋期间的实际结果，检验通过以较高的NSE系数以及较低的均方根误差RMSE表明良好的模拟性能。该模型可用于预测任何情况下热带气旋引起的风暴潮水位（历史或者STORM合成最佳热带气旋路径）。② 所开发的方法可应用于世界上其他容易发生热带气旋的沿海城市，与GCM模式下其他的TC路径结合预测不同气候情景下热带气旋导致的沿海洪水，而不是像传统方法统计并计算气旋轨迹及相关参数。发现未来气候变化下热带气旋导致的风暴潮极值水位对复合洪水产生重要影响，叠加未来的海平面上升，将使上海地区未来面临更严重的洪水灾害，尤其崇明岛地区将会受到最严重的威胁。进一步量化了海平面上升和热带气旋对上海沿海复合洪水灾害的相对贡献，虽然海平面上升会进一步加剧沿海风暴潮复合洪水灾害的影响，但热带气旋对上海地区未来复合洪水灾害的贡献更多。研究结果可以输出作为沿海地区洪水模型的驱动因子，为决策者提供了未来沿海防洪战略规划的见解，特别是为洪水预警和解决海平面上升的适应性措施提供支持。

5.2 讨论

热带气旋是一个复杂的系统，研究通过嵌套Delft3D FLOW & WAVE 用于热带气旋事件的耦合模拟，以通过模型之间的非线性作用解决由于耦合和强迫过程预测风暴潮水位的不确定性。因为波浪在传播过程中可能会由于风力不足或地形测深受限而在近岸失去动量，通过建立不同分辨率的网格嵌套模型可以更好的解决这种问题。然而，沿海复合洪水水位风险的预警应结合上游河流以及降水对洪水来源的不确定性影响，否则会低估沿海临界水位的阈值水平，本研究对热带气旋期间引起的降水考虑较少，因此未来的工作需要加强对热带气旋引起的降水对沿海河流和海岸洪水模式变化的复合影响。其次，准确预测沿海河口海岸地区的风暴潮水位对于波浪漫堤和复合极值水位风险分析等具有重要意义。准确的风暴潮波浪水位可用于设计防洪措施的有效高度，尤其在全球变暖海平面上升的背景下尤为重要，因为海平面上升可能会增加风暴潮高度超出防御水平。准确的风暴潮波浪水位也可用于复合洪水的风险损失及适应性措施评估，将预测的风暴潮复合水位高度通过模型级联作为水动力淹没模型的强迫边界条件（例如，LISFLOOD-FP、SFINCS、Floodmap等）输出淹没深度和范围捕捉极端事件的影响，进一步评估风险损失制定具有成本效益的适应性措施。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[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. DOI:10.1038/nclimate1979

[2]
方佳毅, 殷杰, 石先武, 等. 沿海地区复合洪水危险性研究进展[J]. 气候变化研究进展, 2021, 17(3):317-328.

[ Fang J Y, Yin J, Shi X W, et al. A review of compound flood hazard research in coastal areas[J]. Climate Change Research, 2021, 17(3):317-328. ] DOI:10.12006/j.issn.1673-1719.2020.210

[3]
Knutson T R, McBride J L, Chan J, et al. Tropical cyclones and climate change[J]. Nature Geoscience, 2010, 3(3):157-163. DOI:10.1038/ngeo779

[4]
徐新良, 申志成, 李嘉豪, 等. “海上丝绸之路”主要海域热带气旋时空分布特征及其危险性[J]. 地球信息科学学报, 2020, 22(12):2383-2392.

DOI

[ Xu X L, Shen Z C, Li J H, et al. The Spatio-temporal characteristics of tropical cyclones hazard in the Maritime Silk Road[J]. Journal of Geo-information Science, 2020, 22(12):2383-2392. ] DOI:10.12082/dqxxkx.2020.190369

[5]
Townsend, Frances Fragos. The federal response to Hurricane Katrina: Lessons learned[M]. Washington, D.C.: White House, 2006:02-23.

[6]
Strauss B H, Orton P M, Bittermann K, et al. Economic damages from Hurricane Sandy attributable to sea level rise caused by anthropogenic climate change[J]. Nature communications, 2021, 12(1):2720. DOI:10.1038/s41467-021-22838-1

PMID

[7]
石先武, 谭骏, 国志兴, 等. 风暴潮灾害风险评估研究综述[J]. 地球科学进展, 2013, 28(8):866-874.

DOI

[ Shi X W, Tan J, Guo Z X, et al. A review of risk assessment of storm surge disaster[J]. Advances in Earth Science, 2013, 28(8):866-874. ] DOI:10.11867/j.issn.1001-8166.2013.08.0866

[8]
Zscheischler J, Martius O, Westra S, et al. A typology of compound weather and climate events[J]. Nature Reviews Earth & Environment, 2020, 1(7):333-347. DOI:10.1038/s43017-020-0060-z

[9]
许炜宏, 蔡榕硕. 海平面上升、强台风和风暴潮对厦门海域极值水位的影响及危险性预估[J]. 海洋学报, 2021, 43(5):14-26.

[ Xu W H, Cai R S. Impacts of sea level rise, strong typhoon and storm surge on extreme sea level in coastal waters of Xiamen and hazards estimation[J]. Haiyang Xuebao, 2021, 43(5):14-26. ] DOI:10.12284/hyxb2021081

[10]
Ward P J, Couasnon A, Eilander D, et al. Dependence between high sea-level and high river discharge increases flood hazard in global deltas and estuaries[J]. Environmental Research Letters, 2018, 13(8):084012. DOI:10.1088/1748-9326/aad400

[11]
Zscheischler J, Westra S, van den Hurk B J J M, et al. Future climate risk from compound events[J]. Nature Climate Change, 2018, 8(6):469-477. DOI:10.1038/s41558-018-0156-3

[12]
杨彩虹, 薛存金, 季民. 近30年西北太平洋热带气旋时空特征分析[J]. 地球信息科学学报, 2012, 14(5):611-617.

DOI

[ Yang C H, Xue C J, Ji M. Spatio-temporal variability of typhoon in the recent 30 years in the Northwest pacific[J]. Journal of Geo-information Science, 2012, 14(5):611-617. ] DOI:10.3724/SP.J.1047.2012.00611

[13]
杨腾飞, 解吉波, 李振宇, 等. 微博中蕴含台风灾害损失信息识别和分类方法[J]. 地球信息科学学报, 2018, 20(7):906-917.

DOI

[ Yang T F, Xie J B, Li Z Y, et al. A method of typhoon disaster loss identification and classification using micro-blog information[J]. Journal of Geo-information Science, 2018, 20(7):906-917. ] DOI:10.12082/dqxxkx.2018.180062

[14]
聂心宇, 谭红建, 蔡榕硕, 等. 利用区域气候模式预估未来登陆中国热带气旋活动[J]. 气候变化研究进展, 2023, 19(1):23-37.

[ Nie X Y, Tan H J, Cai R S, et al. Projection of the tropical cyclones landing in China in the future based on regional climate model[J]. Climate Change Research, 2023, 19(1):23-37. ] DOI:10.12006/j.issn.1673-1719.2022.064

[15]
Zheng F F, Westra S, Leonard M, et al. Modeling dependence between extreme rainfall and storm surge to estimate coastal flooding risk[J]. Water Resources Research, 2014, 50(3):2050-2071. DOI:10.1002/2013WR014616

[16]
武传号, 黄国如, 吴思远. 基于Copula函数的广州市短历时暴雨与潮位组合风险分析[J]. 水力发电学报, 2014, 33(2):33-40.

[ Wu C H, Huang G R, Wu S Y. Risk analysis of combinations of short duration rainstorm and tidal level in Guangzhou based on Copula function[J]. Journal of Hydroelectric Engineering, 2014, 33(2): 33-40. ]

[17]
Moftakhari H R, Salvadori G, AghaKouchak A, et al. Compounding effects of sea level rise and fluvial flooding[J]. Proceedings of the National Academy of Sciences of the United States of America, 2017, 114(37):9785-9790. DOI: 10.1073/pnas.1620325114

PMID

[18]
李倩, 俞海洋, 李婷, 等. 京津冀地区台风危险性评估——基于Gumbel分布的分析[J]. 地理科学进展, 2018, 37(7):933-945.

DOI

[ Li Q, Yu H Y, Li T, et al. Hazard assessment of typhoons affecting the Beijing-Tianjin-Hebei region based on Gumbel distribution[J]. Progress in Geography, 2018, 37(7):933-945. ] DOI:10.18306/dlkxjz.2018.07.007

[19]
Jane R, Wahl T, Santos V M, et al. Assessing the potential for compound storm surge and extreme river discharge events at the catchment scale with statistical models: Sensitivity analysis and recommendations for best practice[J]. Journal of Hydrologic Engineering, 2022, 27(3):04022001. DOI:10.1061/(asce)he.1943-5584.000215

[20]
孙钦珂, 周亮, 唐相龙, 等. 干旱区绿洲城镇扩张对耕地空间影响及预测——以河西走廊区域为例[J]. 自然资源学报, 2021, 36(4):1008-1020.

DOI

[ Sun Q K, Zhou L, Tang X L, et al. Spatial influence and prediction of oasis urban expansion on cultivated land in arid areas: A case study of the Hexi Corridor[J]. Journal of Natural Resources, 2021, 36(4):1008-1020. ] DOI:10.31497/zrzyxb.20210415

[21]
王尔琪, 王少华. 未来GIS发展的技术趋势展望[J]. 测绘通报, 2015(S2):66-69.

[ Wang E Q, Wang S. Technology trends prospects of the future development of GIS[J]. Bulletin of Surveying and Mapping, 2015(S2):66-69. ] DOI:10.13474/j.cnki.11-2246.2015.0687

[22]
Zellou B, Rahali H. Assessment of the joint impact of extreme rainfall and storm surge on the risk of flooding in a coastal area[J]. Journal of Hydrology, 2019, 569:647-665. DOI:10.1016/j.jhydrol.2022.128419

[23]
Kumbier K, Carvalho R C, Vafeidis A T, et al. Investigating compound flooding in an estuary using hydrodynamic modelling: A case study from the Shoalhaven River, Australia[J]. Natural Hazards and Earth System Sciences, 2018, 18(2):463-477. DOI:10.5194/nhess-18-463-2018

[24]
Lin N, Chavas D. On hurricane parametric wind and applications in storm surge modeling[J]. Journal of Geophysical Research: Atmospheres, 2012, 117(D9):D09120. DOI:10.1029/2011JD017126

[25]
方建, 杜鹃, 徐伟, 等. 气候变化对洪水灾害影响研究进展[J]. 地球科学进展, 2014, 29(9):1085-1093.

DOI

[ Fang J, Du J, Xu W, et al. Advances in the study of climate change impacts on flood disaster[J]. Advances in Earth Science, 2014, 29(9):1085-1093. ]. DOI:10.11867/j.issn.1001-8166.2014.09.1085

[26]
Kossin J P. A global slowdown of tropical-cyclone translation speed[J]. Nature, 2018, 558(7708):104-107. DOI: 10.1038/s41586-018-0158-3

[27]
Gori A, Lin N, Xi D Z, et al. Tropical cyclone climatology change greatly exacerbates US extreme rainfall-surge hazard[J]. Nature Climate Change, 2022, 12(2):171-178. DOI: 10.1038/s41558-021-01272-7

[28]
Sun Q K, Fang J Y, Dang X W, et al. Multi-scenario urban flood risk assessment by integrating future land use change models and hydrodynamic models[J]. Natural Hazards and Earth System Sciences, 2022, 22(11):3815-3829. DOI:10.5194/nhess-22-3815-2022

[29]
Zong Y Q, Chen X Q. Typhoon hazards in the Shanghai area[J]. Disasters, 1999, 23(1):66-80. DOI:10.1111/1467-7717.00105

PMID

[30]
Lu X Q, Yu H, Ying M, et al. Western north Pacific tropical cyclone database created by the China meteorological administration[J]. Advances in Atmospheric Sciences, 2021, 38(4):690-699. DOI:10.1007/s00376-020-0211-7

[31]
Ke Q, Yin J S, Bricker J D, et al. An integrated framework of coastal flood modelling under the failures of sea dikes: A case study in Shanghai[J]. Natural Hazards, 2021, 109(1):671-703. DOI:10.1007/s11069-021-04853-z

[32]
Bloemendaal N, Haigh I D, de Moel H, et al. Generation of a global synthetic tropical cyclone hazard dataset using STORM[J]. Scientific Data, 2020, 7:40. DOI:10.1038/s41597-020-0381-2

PMID

[33]
IPCC. IPCC Climate Change 2021: The Physical Science Basis, Contribution of Working Group I to the Third Assessment Report of the Intergovernmental Panel on Climate Change[R], Cambridge University Press, 2021.

[34]
Lesser G R, Roelvink J A, van Kester J A T M, et al. Development and validation of a three-dimensional morphological model[J]. Coastal Engineering, 2004, 51(8/9):883-915. DOI:10.1016/j.coastaleng.2004.07.014

[35]
Booij N, Ris R C, Holthuijsen L H. A third-generation wave model for coastal regions: 1. Model description and validation[J]. Journal of Geophysical Research: Oceans, 1999, 104(C4):7649-7666. DOI:10.1029/98JC02622

[36]
Bastidas L A, Knighton J, Kline S W. Parameter sensitivity and uncertainty analysis for a storm surge and wave model[J]. Natural Hazards and Earth System Sciences, 2016, 16(10):2195-2210. DOI:10.5194/nhess-16-2195-2016

[37]
Lyddon C E, Brown J M, Leonardi N, et al. Quantification of the uncertainty in coastal storm hazard predictions due to wave-current interaction and wind forcing[J]. Geophysical Research Letters, 2019, 46(24):14576-14585. DOI:10.1029/2019GL086123

[38]
Holland G J, Belanger J I, Fritz A. A revised model for radial profiles of hurricane winds[J]. Monthly Weather Review, 2010, 138(12):4393-4401. DOI:10.1175/2010mwr3317.1

[39]
Chu D, Zhang J, Wu Y, et al. Sensitivities of modelling storm surge to bottom friction, wind drag coefficient, and meteorological product in the East China Sea[J]. Estuarine, Coastal and Shelf Science, 2019, 231:106460. DOI:10.1016/j.ecss.2019.106460

Options
Outlines

/

〈 〉