高大偉，吳利紅，馬浩，姚益平，方賀，朱占云，魏爽

(1.浙江省氣候中心，杭州 310017；2.浙江省氣象服務(wù)中心，杭州 310017；3.浙江省氣象信息網(wǎng)絡(luò)中心，杭州 310017)

引言

我國是暴雨洪澇災(zāi)害頻發(fā)地區(qū)之一，每年汛期暴雨引發(fā)的洪澇及次生災(zāi)害給社會(huì)經(jīng)濟(jì)發(fā)展和人民生命財(cái)產(chǎn)安全造成嚴(yán)重?fù)p失和威脅(周月華等，2019)。針對(duì)各地嚴(yán)峻的洪澇形勢，如何應(yīng)用水文-水動(dòng)力模型和衛(wèi)星遙感等高新技術(shù)改進(jìn)暴雨洪澇災(zāi)害風(fēng)險(xiǎn)評(píng)估方法、提高氣象災(zāi)害風(fēng)險(xiǎn)評(píng)估的時(shí)效性和準(zhǔn)確性、增強(qiáng)防災(zāi)減災(zāi)能力，已越來越受到我國各級(jí)政府和科研人員的關(guān)注(丁志雄，2004；李云等,2005；夏志宏等，2014；徐宗學(xué)等，2018；張前東等，2018；盧燕宇等，2020)。蘇布達(dá)等(2015)最早從德國引進(jìn)二維水文-水動(dòng)力模型FloodArea，并針對(duì)湖北荊江分洪區(qū)模擬了不同分洪方案下的洪水受淹及影響。Roland等(2017)基于MikeFlood模型對(duì)澳大利亞墨爾本市某區(qū)域在不同城市發(fā)展水平和氣候變化情景下進(jìn)行了洪澇風(fēng)險(xiǎn)評(píng)估。Zischg 等(2018)基于二維水動(dòng)力模型模擬瑞士4個(gè)地區(qū)的洪澇風(fēng)險(xiǎn)，并用保險(xiǎn)理賠數(shù)據(jù)驗(yàn)證了其評(píng)估結(jié)果。謝五三等(2018)推算合肥市不同歷時(shí)的排水能力，并結(jié)合FloodArea模型獲得了合肥市不同重現(xiàn)期下的淹沒水深圖譜，建立起一套較完整的城市內(nèi)澇評(píng)估與預(yù)警業(yè)務(wù)流程。黃國如等(2019)基于城市洪澇仿真模型，繪制出不同情景下廣州東濠涌流域洪澇災(zāi)害風(fēng)險(xiǎn)區(qū)劃圖，為城市排澇決策提供參考依據(jù)。上述研究表明，基于水文-水動(dòng)力模型開展洪水模擬及災(zāi)害評(píng)估是科學(xué)可行的。精細(xì)化的洪澇模擬離不開精準(zhǔn)的降水資料，高質(zhì)量、高分辨率的降水資料作為水文監(jiān)測預(yù)報(bào)的基礎(chǔ)，對(duì)氣象及水文防災(zāi)減災(zāi)均起到重要作用(潘旸等，2015)。站點(diǎn)資料雖精度高，但空間代表性差，面雨量因可提供更客觀的區(qū)域內(nèi)降水量，在水文、氣象和地理學(xué)等數(shù)值模擬中均能發(fā)揮重要作用(楊青等，2006)。網(wǎng)格化降水資料便于水文-水動(dòng)力模式中面雨量的計(jì)算，更容易與GIS 相結(jié)合的計(jì)算機(jī)處理。近年來，隨著衛(wèi)星、雷達(dá)估測降水和數(shù)據(jù)融合技術(shù)的發(fā)展，多源融合降水資料逐漸被應(yīng)用到面雨量的計(jì)算中(楊森等，2017)。潘旸等(2015)研制了逐時(shí)、5 km 的地面、衛(wèi)星、雷達(dá)三源融合降水分析數(shù)據(jù)(CMPAS-5km，CMA Multisource Precipitation Analysis System)。已有數(shù)據(jù)質(zhì)量評(píng)估結(jié)果表明：CMPAS-5km 總體精度高于任何單一來源降水產(chǎn)品，同時(shí)也優(yōu)于二源融合降水產(chǎn)品，尤其是對(duì)強(qiáng)降水精度的把握更準(zhǔn)確(李顯風(fēng)等，2017；潘旸等，2018a，2018b；俞劍蔚等，2019)。但未見CMPAS-5km資料用于臺(tái)風(fēng)暴雨洪水模擬和災(zāi)害風(fēng)險(xiǎn)評(píng)估等相關(guān)研究的報(bào)道，該資料在水文氣象和災(zāi)害評(píng)估等方面的應(yīng)用有待加強(qiáng)。

2019年09號(hào)超強(qiáng)臺(tái)風(fēng)“利奇馬”于8月10日01時(shí)45分(北京時(shí)，下同)在浙江臺(tái)州溫嶺登陸，為新中國建立以來登陸浙江省的第3 強(qiáng)臺(tái)風(fēng)。受其影響，浙江沿海出現(xiàn)大暴雨、局部特大暴雨、局地極端降水，其中“利奇馬”臺(tái)風(fēng)強(qiáng)降水影響臺(tái)州的主要時(shí)段為8 月8日08 時(shí)—11 日08 時(shí)；臨海括蒼山站過程降水量為830.9 mm，突破當(dāng)?shù)赜袣庀笥涗浺詠韱握九_(tái)風(fēng)過程降水量歷史紀(jì)錄。臨海、溫嶺站9日08時(shí)—10日08時(shí)累積降水量分別達(dá)326.0 mm和379.5 mm，兩站均破當(dāng)?shù)赜袣庀笥涗浺詠?4 h 累積降水量記錄。臺(tái)州各地普遍出現(xiàn)內(nèi)澇，其中臨海城區(qū)受到江水倒灌，臺(tái)州府城景點(diǎn)被洪水所淹，城墻外積水最深處達(dá)10 m，城墻內(nèi)積水最深2.5 m。本文以當(dāng)年“利奇馬”臺(tái)風(fēng)引發(fā)的浙江省臺(tái)州臨海市受淹為例，利用浙江全省水文站和氣象站降水觀測資料對(duì)國家級(jí)地面-衛(wèi)星-雷達(dá)三源融合實(shí)況格點(diǎn)降水?dāng)?shù)據(jù)(CMPAS-5km)進(jìn)行檢驗(yàn)評(píng)估；然后，基于CMPAS-5km 計(jì)算的面雨量和降水分布權(quán)重柵格驅(qū)動(dòng)FloodArea 二維水動(dòng)力淹沒模型，在“暴雨情景”下進(jìn)行洪澇模擬，并借助哨兵1號(hào)合成孔徑雷達(dá)衛(wèi)星(Sentinel-1 SAR)資料和地面驗(yàn)證點(diǎn)開展模擬受淹驗(yàn)證，以期為面向?qū)崟r(shí)氣象防災(zāi)減災(zāi)的臺(tái)風(fēng)暴雨災(zāi)害風(fēng)險(xiǎn)評(píng)估服務(wù)提供參考方法。

1 資料說明與研究方法

1.1 資料說明

1.1.1 降水及水文資料

本文使用的氣象水文資料包括：(1)CMPAS-5km資料，來自CMACast業(yè)務(wù)下發(fā)的CMPAS實(shí)時(shí)數(shù)據(jù)(RT)，其格式為NetCDF，時(shí)間分辨率1 h，滯后時(shí)間40 min左右，本文將其用于面雨量源數(shù)據(jù)驅(qū)動(dòng)FloodArea模擬受淹情況；(2)浙江省近3 000 個(gè)自動(dòng)氣象站以及2 600多個(gè)與本省水文部門交換的共享站點(diǎn)降水資料，均來源于浙江省氣象信息網(wǎng)絡(luò)中心數(shù)據(jù)庫，數(shù)據(jù)入庫前均已通過質(zhì)量控制，該資料用于對(duì)CMPAS-5km 進(jìn)行檢驗(yàn)評(píng)估；(3)浙江省有關(guān)水庫水位資料，來源于浙江省氣象服務(wù)中心。上述資料起止時(shí)間為2019 年8月8日08時(shí)—8月11日08時(shí)，即超強(qiáng)臺(tái)風(fēng)“利奇馬”影響浙江省期間。

1.1.2 哨兵1號(hào)SAR數(shù)據(jù)

臺(tái)風(fēng)過境后當(dāng)?shù)赝ǔ?huì)被厚實(shí)云系覆蓋，造成可見光遙感影像監(jiān)測的洪水在實(shí)際服務(wù)中效果不理想，而星載合成孔徑雷達(dá)(SAR)基于C波段微波成像，不受云、雨、霧等天氣影響，具有全天候、全天時(shí)工作能力和寬覆蓋的優(yōu)勢，尤其適合對(duì)洪澇淹沒范圍的監(jiān)測。哨兵1號(hào)(Sentinel-1)作為SAR歷史上首次向全球開放并免費(fèi)下載的雷達(dá)衛(wèi)星數(shù)據(jù)，是歐洲航天局(以下簡稱ESA)“哥白尼計(jì)劃”地球觀測衛(wèi)星系列之一，其中A、B星先后于2014 年和2016 年成功發(fā)射升空，兩顆星常規(guī)重復(fù)周期為6 d，空間分辨率達(dá)10 m。本文利用從ASF網(wǎng)站(https：//search.asf.alaska.edu/#/)下載的2019年8月10日17∶54(災(zāi)后)和7月29日17∶54(災(zāi)前)兩個(gè)時(shí)次的哨兵-1B 干涉寬幅地距影像(GRD)L1 級(jí)數(shù)據(jù)，對(duì)“利奇馬”臺(tái)風(fēng)影響前后臺(tái)州臨海市水體變化進(jìn)行檢測，并將其與由CMPAS-5km 驅(qū)動(dòng)的FloodArea 受淹模擬結(jié)果進(jìn)行對(duì)比。

1.2 研究方法

首先，對(duì)“利奇馬”臺(tái)風(fēng)影響浙江時(shí)段全省氣象站降水資料進(jìn)行質(zhì)量控制，剔除數(shù)據(jù)存在明顯異常的站點(diǎn)，對(duì)2 921個(gè)有效氣象站點(diǎn)降水進(jìn)行空間插值后，再與CMPAS-5km 臺(tái)風(fēng)過程降水量進(jìn)行空間分布對(duì)比。然后，利用2 620個(gè)水文站點(diǎn)和5 541個(gè)“水文站+氣象站”對(duì)CMPAS-5km 開展降水評(píng)估檢驗(yàn)，檢驗(yàn)指標(biāo)包括相關(guān)系數(shù)(R)、均方根誤差(RMSE)和絕對(duì)誤差(MAE)；再分別計(jì)算臺(tái)州地區(qū)CMPAS-5km、水文站和“水文站+氣象站”逐小時(shí)面雨量和過程面雨量，對(duì)上述3套資料進(jìn)行逐小時(shí)對(duì)比。最后，選取與災(zāi)后哨兵雷達(dá)衛(wèi)星SAR成像時(shí)間最為接近的FloodArea 模擬輸出對(duì)應(yīng)時(shí)間(2019 年8 月10 日18 時(shí))的柵格數(shù)據(jù)進(jìn)行洪澇受淹對(duì)比。由于哨兵1號(hào)SAR提取的新增水體柵格為10 m分辨率，本文將其重新采樣至30 m，使之與FloodArea 模擬的分辨率統(tǒng)一，并通過ArcGIS中的柵格計(jì)算器對(duì)兩者求差值進(jìn)行空間受淹分布檢驗(yàn)，繼而利用公開報(bào)道的臺(tái)州4個(gè)受淹驗(yàn)證點(diǎn)最大水深作模擬受淹水深對(duì)比。

1.2.1 CMPAS-5km實(shí)時(shí)數(shù)據(jù)的檢驗(yàn)評(píng)估

利用水文站和“水文站+氣象站”降水資料分別對(duì)CMPAS-5km進(jìn)行檢驗(yàn)評(píng)估，主要評(píng)估指標(biāo)包括：(1)計(jì)算CMPAS-5km 與上述兩套資料過程降水量的R、RMSE和MAE，統(tǒng)計(jì)全省“水文站+氣象站”與對(duì)應(yīng)所在CMPAS-5km格點(diǎn)上過程降水量相對(duì)誤差百分比的空間分布；(2)計(jì)算的CMPAS-5km 面雨量為臺(tái)州地區(qū)逐小時(shí)格點(diǎn)值的平均，計(jì)算的水文站、“水文站+氣象站”面雨量為同地區(qū)逐小時(shí)所含站點(diǎn)降水量的算術(shù)平均值，分析3套資料在模擬地區(qū)的面雨量差異。

1.2.2 淹沒模擬方法及技術(shù)路線

FloodArea 為德國Geomer公司研發(fā)的二維非恒定流水動(dòng)力學(xué)模型，模型能準(zhǔn)確刻畫洪水演進(jìn)過程，可視化表達(dá)流向、流速和淹沒水深、范圍等水文要素的時(shí)空物理場，已在多個(gè)國家的洪水淹沒相關(guān)的決策、科研和工程等部門得到應(yīng)用。模型以模塊形式與ArcGIS桌面軟件無縫集成，實(shí)現(xiàn)了對(duì)GIS與氣象-水文水動(dòng)力學(xué)模型的數(shù)據(jù)融合(Geomer，2020)。本文模擬使用的FloodArea為10.1四核版本。

本文受淹模擬技術(shù)路線見圖1。按FloodArea“暴雨模式”情景模擬所需，首先根據(jù)“利奇馬”臺(tái)風(fēng)影響期間逐小時(shí)CMPAS-5km 資料，考慮到臨海周邊來水和下游退水，適當(dāng)擴(kuò)大范圍，以臺(tái)州地區(qū)為模擬對(duì)象，通過Python 編程計(jì)算得到逐小時(shí)臺(tái)州市面雨量和臺(tái)風(fēng)過程降水量分布權(quán)重柵格文件。結(jié)合前期在臺(tái)州地區(qū)開展的FloodArea 模型參數(shù)本地化試驗(yàn)及當(dāng)?shù)氐叵鹿芫W(wǎng)排水下滲等因素，參考謝五三等(2018)對(duì)合肥以及楊東等(2020)對(duì)西安等城市的研究結(jié)果，模擬時(shí)將研究區(qū)域管網(wǎng)排水量概化并設(shè)置為10 mm·h-1，在面雨量序列中予以扣除(面雨量≤10 mm 時(shí)對(duì)應(yīng)全部排出，有效面雨量為0)；其次，利用地表覆蓋分類柵格Glo?balLand30(陳軍等，2014)，并根據(jù)孫桂華等(1992)、蘇布達(dá)等(2015)的文獻(xiàn)中給出的參考值轉(zhuǎn)化為對(duì)應(yīng)的地表粗糙率；最后，結(jié)合SRTM DEM進(jìn)行受淹模擬。模擬的投影為Albers等面積投影，柵格分辨率30 m，模擬起始時(shí)間2019 年8 月8 日08 時(shí)，模擬時(shí)長72 h，步長間隔1 h，根據(jù)官方建議(Geomer，2020)并經(jīng)本地化測試，模擬最大交換率設(shè)為5%，模擬輸出結(jié)果為逐時(shí)淹沒水深和范圍柵格TIF 文件。參考張君枝等(2020)對(duì)水深的劃分，將受淹水深≥0.05 m的柵格判斷為受淹。

圖1 2019年09號(hào)超強(qiáng)臺(tái)風(fēng)“利奇馬”引發(fā)的浙江省臺(tái)州臨海市受淹模擬技術(shù)路線圖Fig.1 Simulation technique roadmap for the flood inundation in Linhai,Taizhou,Zhejiang Province caused by the super severe typhoon(1909)Lekima.

1.2.3 哨兵1號(hào)SAR水體變化檢測

參考孫亞勇等(2017)和范偉等(2018)的數(shù)據(jù)預(yù)處理方法，利用SNAP 軟件對(duì)下載的SAR 數(shù)據(jù)依次進(jìn)行軌道精校正、拼接、輻射定標(biāo)、濾波、地形訂正和裁剪等處理，獲得影像的后項(xiàng)散射系數(shù)值(dB)。在此基礎(chǔ)上，借鑒了ESA Sentinel 官網(wǎng)上SAR 洪水監(jiān)測個(gè)例以及曾玲芳等(2015)的處理方法：主要基于SAR 水體變化檢測原理，利用災(zāi)前和災(zāi)后影像并結(jié)合RGB三原色色彩原理，構(gòu)造受淹區(qū)域增強(qiáng)顯示的假彩色圖(表1)，將經(jīng)預(yù)處理轉(zhuǎn)化得到的兩景影像導(dǎo)入ArcGIS，根據(jù)水體在SAR影像的dB值通常較小的特征以及RGB波段組合中紅、綠、藍(lán)三通道值的特性，利用ArcGIS的波段合成工具對(duì)所需合成的RGB 柵格中的3 個(gè)波段分別指定不同時(shí)期的SAR影像，即紅色波段R(災(zāi)后)、綠色波段G(災(zāi)后)、藍(lán)色波段B(災(zāi)前)影像，通過對(duì)合成影像進(jìn)行標(biāo)準(zhǔn)差拉伸顯示，最終獲得能夠清晰區(qū)分受災(zāi)前后水體變化的RGB 假彩圖，洪澇受淹區(qū)域(新增水體)在圖中呈現(xiàn)為偏藍(lán)色，淺黃色為泥漿淹沒區(qū)。

表1 受淹區(qū)域(新增水體)的后項(xiàng)散射系數(shù)(dB)及其在RGB假彩色圖中的顏色特征Table 1 Backscattering coefficient(dB)of flooded area(new water body)and its color characteristics in RGB false-color image.

2 結(jié)果與分析

2.1 “利奇馬”影響期間CMPAS-5km的檢驗(yàn)評(píng)估

從8 月8日08時(shí)—11日08時(shí)CMPAS-5km資料和由浙江全省氣象站點(diǎn)空間插值得到的“利奇馬”臺(tái)風(fēng)過程降水量空間分布對(duì)比看(圖2)，雖在括蒼山(830.9 mm)等個(gè)別站點(diǎn)出現(xiàn)的降水極值在CMPAS-5km中(圖2b)被其周邊值平滑變小，但兩者在全省空間分布上呈現(xiàn)良好的一致性，CMPAS-5km刻畫出的臺(tái)州大部、寧波中南部以及杭州西北面等降水中心與氣象站點(diǎn)空間分布(圖2a)一致。由于融入了雷達(dá)和衛(wèi)星資料，CMPAS-5km還涵蓋了浙江省周邊范圍，從而使監(jiān)測覆蓋范圍更廣，也更適合于對(duì)臺(tái)風(fēng)、梅雨等系統(tǒng)性暴雨的監(jiān)測評(píng)估。

圖2 2019年8月8日08時(shí)—11日08時(shí)“利奇馬”臺(tái)風(fēng)影響期間氣象站點(diǎn)累積降水量(a)與CMPAS-5km實(shí)時(shí)累積降水量(b)的空間分布(單位:mm)Fig.2 Distribution of accumulated precipitation(unit:mm)from(a)the meteorological stations and(b)the CMA Multisource Precipitation Analysis System(CMPAS-5km)during the typhoon Lekima affecting Zhejiang from 08∶00 BT 8 to 08∶00 BT 11 August 2019.

對(duì)浙江省“利奇馬”臺(tái)風(fēng)過程CMPAS-5km與水文站的降水量的獨(dú)立評(píng)估檢驗(yàn)表明，兩者的一致性較好，大部分?jǐn)?shù)據(jù)點(diǎn)都分布在散點(diǎn)圖(圖3a)中的1：1等值線附近，兩套資料的降水相關(guān)系數(shù)R達(dá)0.89，同樣將其與“氣象站+水文站”降水量資料進(jìn)行比較，其相關(guān)系數(shù)R也達(dá)0.89(圖3b)。

圖3 2019年8月8日08時(shí)—11日08時(shí)浙江省“利奇馬”臺(tái)風(fēng)過程CMPAS-5km與水文站(a)、水文站+氣象站(b)的累積降水量(單位:mm)散點(diǎn)圖(R、RMSE、MAE、N分別表示相關(guān)系數(shù)、均方根誤差、絕對(duì)誤差和樣本數(shù)，紅色虛線為線性回歸趨勢線)Fig.3 Scatter diagram of accumulated precipitation(unit:mm)between CMPAS-5km and(a)the hydrological stations,and(b)hydrological stations plus meteorological stations during the typhoon Lekima affecting Zhejiang from 08∶00 BT 8 to 08∶00 BT 11 August 2019.R,RMSE,MAE,and N denote correlation coefficient,root mean square error,mean absolute error and sample number,respectively.Red dashed lines denote linear trend lines.

另外，從8月8日08時(shí)—11日08時(shí)臺(tái)風(fēng)“利奇馬”暴雨過程浙江省逐小時(shí)CMPAS-5km實(shí)時(shí)面雨量及其與水文站平均降水量的相關(guān)系數(shù)和均方根誤差變化對(duì)比看(圖4)，CMPAS-5km 與水文站在72 個(gè)時(shí)次中兩者的平均RMSE為1.7 mm·h-1(分布在0.1～4.4 mm·h-1之間)，平均R 達(dá)0.79，約90%的時(shí)段內(nèi)兩者的R 均達(dá)0.7以上，R小值主要出現(xiàn)在“利奇馬”影響的初期和末期，該時(shí)段內(nèi)降水偏弱，很多站點(diǎn)降水量不足1.0 mm；而水文站雨量記錄的最小量值間隔為0.5 mm，這是導(dǎo)致圖4中頭尾R值不高的主要原因。

圖4 2019年8月8日08時(shí)—11日08時(shí)“利奇馬”臺(tái)風(fēng)暴雨過程浙江省逐小時(shí)CMPAS-5km實(shí)時(shí)面雨量(RA，單位:mm)及其與水文站平均降水量的相關(guān)系數(shù)(R)和均方根誤差(RMSE)變化Fig.4 Hourly variation of area rainfall(RA,unit:mm)from CMPAS-5km and the correlation coefficient(R)and the root mean square error(RMSE)between it and the mean precipitation from the hydrological stations during the typhoon Lekima affecting Zhejiang from 08∶00 BT 8 to 08∶00 BT 11 August 2019.

再由“利奇馬”臺(tái)風(fēng)暴雨過程浙江省CMPAS-5km實(shí)時(shí)產(chǎn)品與“水文站+氣象站”累積降水量的相對(duì)誤差空間分布(圖5a)可見，全省70%的站點(diǎn)相對(duì)誤差在±25%以內(nèi)，近80%的相對(duì)誤差在±30%以內(nèi)；在臺(tái)州模擬區(qū)域(圖5a藍(lán)色方框)，CMPAS-5km的相對(duì)誤差較小。

另由臺(tái)州洪水淹沒模擬區(qū)氣象站、水文站分布及基于CMPAS-5km資料計(jì)算得到的“利奇馬”暴雨過程模擬降水量權(quán)重分布(圖5b)看到，無論是水文站還是氣象站，其分布均較稀疏，尤其是在受淹嚴(yán)重的臨海市，很多站點(diǎn)間距遠(yuǎn)大于5 km，而CMPAS-5km融入了雷達(dá)及衛(wèi)星資料，則可有效彌補(bǔ)站點(diǎn)監(jiān)測上的縫隙，CMPAS-5km的降水空間分布權(quán)重和面雨量較站點(diǎn)空間插值更為精細(xì)。從“利奇馬”臺(tái)風(fēng)影響期間臺(tái)州地區(qū)逐小時(shí)CMPAS-5km 實(shí)時(shí)數(shù)據(jù)與水文站、氣象站面雨量變化圖上(圖6)可見，CMPAS-5km(藍(lán)線)與氣象站(紅線)面雨量變化趨勢較其與水文站面雨量(橙色)變化趨勢相對(duì)更為一致，這是因?yàn)镃MPAS-5km融合的站點(diǎn)信息為氣象站降水，而從“利奇馬”過程累積面雨量變化看，CMPAS-5km(305.5 mm)又與水文站(304.1 mm)更接近，較氣象站(283.7 mm)偏大，原因是CMPAS-5km是融合資料，其格點(diǎn)比現(xiàn)有氣象站點(diǎn)分布更精密均勻。因此，CMPAS-5km 資料的優(yōu)勢不僅在于其面雨量能彌補(bǔ)氣象站過程降水量較水文站監(jiān)測降水量偏小的不足，且在FloodArea模擬所需的累積降水量空間分布權(quán)重表現(xiàn)上比任何單一來源站點(diǎn)通過地理空間插值刻畫來得更精細(xì)客觀。

圖5 “利奇馬”臺(tái)風(fēng)暴雨過程浙江省CMPAS-5km實(shí)時(shí)產(chǎn)品與水文站+氣象站累積降水量的相對(duì)誤差空間分布(a，方框?yàn)榕_(tái)州受淹模擬區(qū))，以及臺(tái)州地區(qū)FloodArea模擬降水權(quán)重與站點(diǎn)分布(b)Fig.5 (a)Spatial distribution of the relative bias of accumulated precipitation between CMPAS-5km and hydrological stations plus meteorological stations and(b)the accumulated precipitation-weights and the hydrological and meteorological stations in Taizhou simulated by FloodArea during the typhoon Lekima affecting Zhejiang.In(a)rectangle marks the flooded simulation of Taizhou.

圖6 2019年8月8日08時(shí)—11日08時(shí)“利奇馬”臺(tái)風(fēng)影響期間臺(tái)州地區(qū)逐小時(shí)CMPAS-5km實(shí)時(shí)面雨量(紅線)以及水文站面雨量(黑線)和氣象站面雨量(藍(lán)線)變化(單位:mm)Fig.6 Variation of hourly area precipitation(unit:mm)in Taizhou from CMPAS-5km(red line),hydrological stations(black line)and meteorological stations(blue line)during the typhoon Lekima affecting Zhejiang from 08∶00 BT 8 to 08∶00 BT 11 August 2019.

此外，CMPAS-5km資料下發(fā)時(shí)效滯后在40 min以內(nèi)，相比由水利部門共享的站點(diǎn)降水資料，前者在數(shù)據(jù)傳輸?shù)臅r(shí)效性上更具優(yōu)勢和更有保障；CMPAS-5km數(shù)據(jù)為格點(diǎn)資料，與站點(diǎn)空間插值相比，F(xiàn)loodArea模擬所需輸入的過程降水量空間分布權(quán)重參數(shù)，前者在接口上更為簡便，也為開展氣象服務(wù)贏得了時(shí)間。

綜上分析表明：CMPAS-5km在“利奇馬”臺(tái)風(fēng)影響浙江省時(shí)段與站點(diǎn)資料的一致性較好，無論是從產(chǎn)品的精細(xì)度、穩(wěn)定性還是時(shí)效性上看均較站點(diǎn)統(tǒng)計(jì)模擬更具優(yōu)勢，可滿足精細(xì)化洪澇受淹模擬監(jiān)測服務(wù)之所需。

2.2 受淹模擬結(jié)果及驗(yàn)證

圖7給出“利奇馬”臺(tái)風(fēng)影響浙江期間臺(tái)州臨海逐小時(shí)面雨量與模擬洪水淹沒面積的變化。從中可見，隨著降水強(qiáng)度增大，當(dāng)?shù)厥苎兔娣e在8 月9 日19 時(shí)后開始迅速增大，最大受淹面積的出現(xiàn)時(shí)間稍晚于最大小時(shí)雨量的出現(xiàn)時(shí)間；此后，隨著雨強(qiáng)減弱，受淹面積隨之逐漸減小。

圖7 2019年8月8日08時(shí)—11日08時(shí)“利奇馬”臺(tái)風(fēng)影響浙江期間臺(tái)州臨海逐小時(shí)面雨量(單位:mm)與模擬受淹面積(單位:km2)變化Fig.7 Variation of hourly area precipitation(unit:mm)from CMPAS-5km and simulated flooded area(unit:km2)in Linhai district of Taizhou city during the typhoon Lekima affecting Zhejiang from 08∶00 BT 8 to 08∶00 BT 11 August 2019.

由于哨兵1號(hào)SAR在8月10日的過境軌道未能覆蓋到臨海西部的部分地區(qū)，為了對(duì)比臺(tái)州臨海區(qū)受淹前后的情景，圖8a給出臺(tái)州臨海區(qū)受淹前的地形地貌圖，該圖為與SAR 災(zāi)后成像在臺(tái)州重合區(qū)的地形圖。從中可以看到，臨海市區(qū)位于山區(qū)丘陵之間的狹長平坦地區(qū)，主要水系靈江自西向東穿城而過(黑色顯示)，排水泄洪出口相對(duì)單一，其泄洪能力有限?！袄骜R”超強(qiáng)臺(tái)風(fēng)引發(fā)的強(qiáng)降雨加上地勢狹窄，尤其是臨海主城區(qū)南北兩側(cè)山地丘陵區(qū)過程降水量普遍達(dá)到400 mm 以上，處于過程雨勢集中區(qū)(圖2b和圖5b)，山上來水沿著山洪溝順勢匯集到地勢平坦的靈江兩側(cè)，造成靈江洪水難以及時(shí)排出，從而導(dǎo)致當(dāng)?shù)貒?yán)重的洪澇災(zāi)害。

圖8 臺(tái)州臨海區(qū)受淹前地形地貌(a)與2019年8月10日18時(shí)FloodArea模擬得到的“利奇馬”臺(tái)風(fēng)暴雨造成臨海區(qū)受淹情景(b)以及哨兵1號(hào)水情遙感監(jiān)測RGB假彩色合成圖(c)Fig.8 (a)Topographic features of Linhai district of Taizhou city before flooded,and(b)the flooded scenario caused by the typhoon Lekima in Linhai district simulated by FloodArea and(c)the RGB false-color composite map of water regime from Sentinel-1 SAR monitoring at 18∶00 BT on 10 August 2019.

2.2.1 模擬受淹范圍與雷達(dá)衛(wèi)星監(jiān)測影像的比較

圖8b給出利用CMPAS-5km并在考慮地下管網(wǎng)排水因素后得到的2019年8月10日18時(shí)“利奇馬”臺(tái)風(fēng)暴雨致使臨海區(qū)FloodArea 受淹模擬分布，圖8c 為利用哨兵1 號(hào)SAR 得到的當(dāng)時(shí)洪水受淹假彩色圖(圖中藍(lán)色區(qū)域?yàn)樾略鏊w)。為了有別于新增水體的變化，圖8b 中將受災(zāi)前后未變化的水體設(shè)置為黑色。對(duì)比模擬和衛(wèi)星雷達(dá)監(jiān)測實(shí)況受淹格點(diǎn)差值圖(圖9)可見，基于CMPAS-5km 的FloodArea 模擬結(jié)果較哨兵1 號(hào)SAR 監(jiān)測到的洪澇面積更大，但結(jié)合圖8b 和圖8c 來看，在哨兵1 號(hào)SAR 圖像中新增水體明顯的區(qū)域，如A、B、D和F區(qū)，F(xiàn)loodArea模擬與實(shí)際受淹區(qū)均匹配較好(紅色)，對(duì)應(yīng)括蒼鎮(zhèn)、永豐鎮(zhèn)、古城街道、江南街道、邵家渡街道、汛橋鎮(zhèn)以及杜橋鎮(zhèn)等地；此外，B 區(qū)中大洋、大田兩個(gè)街道，圖9顯示雖為較偏大區(qū)域(淺藍(lán)色)，但從圖8c中看到上述兩個(gè)街道呈淡黃色，說明雷達(dá)回波比正常時(shí)偏強(qiáng)，變亮(黃)說明地上電解質(zhì)增加，在SAR 里代表泥漿淹沒區(qū)，表明大洋、大田街道模擬受淹與實(shí)際受淹情況也較吻合；圖9中C區(qū)和E區(qū)，主要對(duì)應(yīng)小芝鎮(zhèn)、涌泉鎮(zhèn)和沿江鎮(zhèn)等地，模擬受淹范圍較SAR 監(jiān)測偏大，究其原因，可能主要是上述區(qū)域地勢相對(duì)平坦，DEM 精度不夠?qū)е翭loodArea 模型在該區(qū)域無法刻畫所致。

圖9 2019年8月10日18時(shí)FloodArea受淹模擬與哨兵1號(hào)雷達(dá)衛(wèi)星提取的受淹區(qū)對(duì)比檢驗(yàn)(紅色方框A、B、D、F為新增水體明顯區(qū))Fig.9 Comparative test of flooded areas in Linhai simulated by FloodArea and those from Sentinel-1 SAR at 18∶00 BT on 10 August 2019.Red rectangles A,B,D and F mark new obvious water areas.

2.2.2 受淹水深與災(zāi)情調(diào)查結(jié)果的比較

由“利奇馬”臺(tái)風(fēng)影響期間臨海牛頭山水庫逐小時(shí)水位及其附近受淹點(diǎn)長坦村模擬受淹水深的變化(圖10)可知，牛頭山水庫水位自8 月9 日12 時(shí)開始逐漸上漲(該水庫汛期正常水位為46.5 m)，8 月10 日03時(shí)水位超過汛期正常水位后繼續(xù)上漲；而模擬的受淹點(diǎn)水深上漲開始時(shí)間要晚于水庫水位上升開始時(shí)間，但其漲幅相比水庫水位上漲快得多，淹沒水深在8 月10日15時(shí)前后達(dá)到峰值后降幅也較快。

圖10 2019年8月8日08時(shí)—11日08時(shí)“利奇馬”臺(tái)風(fēng)影響期間牛頭山水庫逐小時(shí)水位(單位:m)與其附近受淹點(diǎn)長坦村模擬受淹水深(單位:m)變化Fig.10 Hourly variation of the water level(unit:m)of Niutoushan reservoir and the simulated flooded depth(unit:m)at Changtan village nearby during the typhoon Lekima affecting Zhejiang from 08∶00 BT 8 to 08∶00 BT 11 August 2019.

對(duì)上述洪水淹沒空間分布，除與哨兵1 號(hào)SAR 進(jìn)行對(duì)比驗(yàn)證外，本文在盡可能收集相關(guān)準(zhǔn)確信息的情況下共選取4 個(gè)災(zāi)情驗(yàn)證點(diǎn)(調(diào)查其最大淹沒水深)對(duì)FloodArea模擬結(jié)果進(jìn)行檢驗(yàn)。4個(gè)災(zāi)情驗(yàn)證點(diǎn)分別選在臨海市古城街道望江路段附近(驗(yàn)證點(diǎn)1)、古城街道臨海中醫(yī)院大樓(驗(yàn)證點(diǎn)2)、大田街道東方大道山前村(驗(yàn)證點(diǎn)3)、大洋街道湖畔尚城(驗(yàn)證點(diǎn)4)。驗(yàn)證結(jié)果表明，除驗(yàn)證點(diǎn)1的模擬水深較實(shí)況偏大外，其余3個(gè)驗(yàn)證點(diǎn)模擬水深均較實(shí)況偏小，模擬的最大受淹水深與實(shí)際報(bào)道的最大受淹水深誤差均在±22%以內(nèi)，模擬結(jié)果與實(shí)況總體較為一致(表2)。分析誤差原因，可能與DEM精度不高、水文站水位和地下管網(wǎng)排澇數(shù)據(jù)不夠精細(xì)、淹沒模型自身局限以及災(zāi)后政府應(yīng)急措施不力等因素有關(guān)。由于上述因素錯(cuò)綜復(fù)雜，至于每種因素的具體影響，還有待后續(xù)通過深入模擬作進(jìn)一步探討。

表2 “利奇馬”臺(tái)風(fēng)造成臨海多個(gè)受淹代表點(diǎn)的最大淹沒水深模擬結(jié)果檢驗(yàn)Table 2 Verification of the simulated maximum submergence depth(unit：m)at four representative flooded points over Linhai district caused by the typhoon Lekima.

3 結(jié)論與討論

本文以2019 年“利奇馬”臺(tái)風(fēng)引發(fā)浙江臺(tái)州臨海市受淹為例，利用浙江省水文站和氣象站降水量觀測資料對(duì)CMPAS-5km進(jìn)行檢驗(yàn)評(píng)估；基于CMPAS-5km計(jì)算的面雨量和降水分布權(quán)重柵格驅(qū)動(dòng)FloodArea 二維水動(dòng)力淹沒模型進(jìn)行洪澇模擬，借助哨兵1 號(hào)SAR資料和地面驗(yàn)證點(diǎn)對(duì)模擬受淹結(jié)果進(jìn)行驗(yàn)證。主要結(jié)論如下：

(1) 利用浙江省2 620 個(gè)水文站降水量數(shù)據(jù)對(duì)CMPAS-5km 的檢驗(yàn)評(píng)估表明，兩者時(shí)空分布一致性較好，兩套臺(tái)風(fēng)過程降水量資料的相關(guān)系數(shù)達(dá)0.89；兩者逐小時(shí)平均相關(guān)系數(shù)和均方根誤差分別為0.79 和1.7 mm·h-1；CMPAS-5km 與全省5 541 個(gè)“水文站+氣象站”的“利奇馬”臺(tái)風(fēng)過程降水的相關(guān)系數(shù)也達(dá)0.89，全省70%站點(diǎn)過程降水量相對(duì)誤差在±25%以內(nèi)。

(2) CMPAS-5km、水文站及氣象站3 套資料在臺(tái)州地區(qū)的過程面雨量分別為305.5 mm、304.1 mm 和283.7 mm，CMPAS-5km 面雨量與水文站的較為吻合，CMPAS-5km資料比任何單一來源站點(diǎn)通過地理空間插值刻畫來得更為精細(xì)客觀。此外，CMPAS-5km 比水文站點(diǎn)資料在傳輸時(shí)效性上更具優(yōu)勢；CMPAS-5km數(shù)據(jù)為格點(diǎn)資料，F(xiàn)loodArea模擬所需輸入的過程降水量空間分布權(quán)重參數(shù)在接口上較站點(diǎn)資料更簡便。

(3)受災(zāi)較為嚴(yán)重的臨海地區(qū)，在SAR 圖像中“利奇馬”臺(tái)風(fēng)暴雨過程水體面積明顯增加的區(qū)域，模擬受淹與之匹配較好，模擬水深與4 個(gè)驗(yàn)證點(diǎn)的實(shí)際水深誤差均在±22%以內(nèi)。

本文采用水文站及氣象站降水資料對(duì)CMPAS-5km資料是否能應(yīng)用于暴雨洪澇淹沒模擬的可信度進(jìn)行了驗(yàn)證，CMPAS-5km 資料在及時(shí)性、穩(wěn)定性、精細(xì)化、準(zhǔn)確性等方面均優(yōu)于單站資料，認(rèn)為其可用于暴雨洪澇災(zāi)害精細(xì)化評(píng)估，且能為面向?qū)崟r(shí)氣象防災(zāi)減災(zāi)的臺(tái)風(fēng)暴雨災(zāi)害風(fēng)險(xiǎn)評(píng)估服務(wù)提供參考方法。但仍有一些問題有待深入研究，如怎樣進(jìn)一步提高格點(diǎn)降水量空間分辨率和DEM精度，怎么才能獲取更精確的實(shí)時(shí)水位和城市復(fù)雜地下管網(wǎng)排澇數(shù)據(jù)，如何通過編程結(jié)合Google Earth Engine (Noel et al.，2017)提高SAR 數(shù)據(jù)水體變化檢測分析的自動(dòng)流程化處理效率等，都是今后開展暴雨洪澇好模擬、監(jiān)測和評(píng)估服務(wù)值得重點(diǎn)關(guān)注的問題。

致謝：本文數(shù)據(jù)處理得到了國家氣象信息中心氣象數(shù)據(jù)研究室韓帥、孫帥、谷軍霞和潘旸等人指導(dǎo)；哨兵SAR 水體變化檢測工作得到中國科學(xué)研究院空天信息創(chuàng)新研究院陳甫副研究員幫助。在此，一并致謝！