王慧敏 黃晶 劉高峰 佟金萍 曾慶彬

摘 要：城市洪澇災(zāi)害防控是國(guó)家防洪安全的重大需求，更是城市公共安全管理的重要內(nèi)容。如何利用大數(shù)據(jù)實(shí)現(xiàn)全信息融合、全過(guò)程管控、全社會(huì)參與的城市洪澇災(zāi)害預(yù)警與全景式?jīng)Q策是國(guó)內(nèi)外關(guān)注的前沿?zé)狳c(diǎn)和重點(diǎn)領(lǐng)域。本文從“跨界關(guān)聯(lián)、粒度縮放、全局視圖”視角出發(fā)，提出了大數(shù)據(jù)驅(qū)動(dòng)的城市洪澇災(zāi)害風(fēng)險(xiǎn)感知與預(yù)警決策研究范式，包括：利用天空地網(wǎng)多源異構(gòu)數(shù)據(jù)信息，基于“數(shù)據(jù)驅(qū)動(dòng)”的關(guān)聯(lián)關(guān)系挖掘與“模型驅(qū)動(dòng)”的因果解析方法，感知暴雨洪澇情景態(tài)勢(shì);建立基于暴雨洪澇情景的空間動(dòng)態(tài)網(wǎng)絡(luò)風(fēng)險(xiǎn)研判模型，構(gòu)建“觀測(cè)-感知-辨析”的城市洪澇災(zāi)害動(dòng)態(tài)預(yù)警模式;創(chuàng)建以數(shù)據(jù)為中心的扁平化城市洪澇災(zāi)害管理框架，提出全景式災(zāi)害應(yīng)急合作響應(yīng)與風(fēng)險(xiǎn)控制策略。

關(guān)鍵詞：大數(shù)據(jù);城市洪澇;風(fēng)險(xiǎn)感知;預(yù)警;決策

中圖分類號(hào)：C93 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2097-0145（2022）01-0035-07 doi：10.11847/fj.41.1.35

Abstract：Urban flood disaster prevention and control is a major demand for national flood control and is also an important part of urban public safety management. How to use big data to achieve full information fusion， whole process control and participation of the whole society in urban flood disaster warning and panoramic decision-making is the frontier hotspot and key area of concern at home and abroad. From the perspective of “cross-border association， granularity scaling and global view”， this study proposes a research paradigm of big data driven urban flood disaster risk perception， early warning， and decision. Based on “data-driven” association mining and “model-driven” causality analysis method， multi-source heterogeneous data information of sky and earth network is used to perceive rainstorm and flood scenarios. The spatial dynamic network risk analysis model based on rainstorm and flood scenarios is established， and the “observation-perception-discrimination” urban flood disaster dynamic warning model is constructed. A data-centered flattened urban flood disaster management framework is established， and a panoramic disaster emergency cooperative response and risk control strategy is proposed.

Key words：big data; urban flood; risk perception; early warning; decision

1 引言

城市化、工業(yè)化的快速發(fā)展及人類生產(chǎn)生活方式的轉(zhuǎn)變，加劇了水資源壓力，顯著改變了降雨徑流、匯流路徑和方式等水文過(guò)程，水循環(huán)多過(guò)程的非一致性特征凸現(xiàn)[1，2]，表現(xiàn)為城市“雨島效應(yīng)”凸顯、極端暴雨頻發(fā)，城市內(nèi)澇升級(jí)，“逢雨必澇”、“城市看海”已成常態(tài)。北京“7.21”暴雨、武漢、深圳以及鄭州“720”特大暴雨，嚴(yán)重威脅了人民生命財(cái)產(chǎn)安全。據(jù)《中國(guó)水旱災(zāi)害公報(bào)》數(shù)據(jù)顯示，近20年全國(guó)洪澇災(zāi)害直接經(jīng)濟(jì)損失年均1500多億元，占GDP的1.5%～2%;近10年年均損失高達(dá)2300多億元，災(zāi)害損失呈顯著增長(zhǎng)趨勢(shì)。由于城市人口與財(cái)富集中、產(chǎn)業(yè)高集聚、交通強(qiáng)互聯(lián)，城市洪澇災(zāi)害呈現(xiàn)出爆發(fā)性、連鎖性、災(zāi)難性的特點(diǎn)，給城市洪澇災(zāi)害預(yù)警防控帶來(lái)了新挑戰(zhàn)。

習(xí)近平在中央政治局第十九次集體學(xué)習(xí)時(shí)強(qiáng)調(diào)“積極推進(jìn)我國(guó)應(yīng)急管理體系和能力現(xiàn)代化”。《中華人民共和國(guó)國(guó)民經(jīng)濟(jì)和社會(huì)發(fā)展第十四個(gè)五年規(guī)劃和2035年遠(yuǎn)景目標(biāo)綱要》將“突發(fā)公共事件應(yīng)急處置能力顯著增強(qiáng)，自然災(zāi)害防御水平明顯提升”列為2035年遠(yuǎn)景目標(biāo)的重點(diǎn)內(nèi)容之一。國(guó)際學(xué)術(shù)界與實(shí)務(wù)界認(rèn)識(shí)到防御在防災(zāi)減災(zāi)工作中的重要性，聯(lián)合國(guó)減災(zāi)署制定的《2015-2030年仙臺(tái)減輕災(zāi)害風(fēng)險(xiǎn)框架》，把災(zāi)害的早期預(yù)警作為減災(zāi)框架的七個(gè)重要目標(biāo)之一?！笆濉薄笆奈濉眹?guó)家重點(diǎn)研發(fā)計(jì)劃分別設(shè)立了“重大自然災(zāi)害監(jiān)測(cè)預(yù)警與防范”“重大自然災(zāi)害防控與公共安全”重點(diǎn)專項(xiàng)，旨在圍繞重大自然災(zāi)害綜合監(jiān)測(cè)預(yù)警與防范的核心科學(xué)問(wèn)題開(kāi)展科技攻關(guān)和應(yīng)用示范，提升國(guó)家防災(zāi)減災(zāi)救災(zāi)能力。

隨著大數(shù)據(jù)技術(shù)的發(fā)展以及數(shù)據(jù)的快速增長(zhǎng)，利用大數(shù)據(jù)進(jìn)行災(zāi)害預(yù)報(bào)預(yù)警研究更為廣泛，實(shí)踐也證明大數(shù)據(jù)可有效提升信息預(yù)警與應(yīng)急響應(yīng)效率[3，4]?！笆奈濉币?guī)劃提出“加快構(gòu)建數(shù)字技術(shù)輔助政府決策機(jī)制，提高基于高頻大數(shù)據(jù)精準(zhǔn)動(dòng)態(tài)監(jiān)測(cè)預(yù)測(cè)預(yù)警水平。強(qiáng)化數(shù)字技術(shù)在公共衛(wèi)生、自然災(zāi)害、事故災(zāi)難、社會(huì)安全等突發(fā)公共事件應(yīng)對(duì)中的運(yùn)用，全面提升預(yù)警和應(yīng)急處置能力。”中國(guó)國(guó)家自然科學(xué)基金委也設(shè)立了“大數(shù)據(jù)驅(qū)動(dòng)的管理與決策研究”重大研究計(jì)劃，豐富和拓展了大數(shù)據(jù)應(yīng)用創(chuàng)新領(lǐng)域?？梢?jiàn)，傳統(tǒng)的災(zāi)害管理思維和范式正因大數(shù)據(jù)驅(qū)動(dòng)發(fā)生根本性變革[5，6]，為城市洪澇災(zāi)害預(yù)警防控提供了全新的研究范式和研究方法。

城市洪澇災(zāi)害是一個(gè)自然水循環(huán)和人類社會(huì)活動(dòng)耦合的復(fù)雜系統(tǒng)，其復(fù)雜性體現(xiàn)在多尺度、多層次、多主體，加劇了城市洪澇災(zāi)害預(yù)警防控的難度，表現(xiàn)在：（1）城市的多維空間、多變環(huán)境、多樣行為直接帶來(lái)洪澇災(zāi)害信息的多源異構(gòu)和多維海量，增加了災(zāi)變動(dòng)因辨識(shí)匹配和預(yù)警前兆信息挖掘難度。（2）傳統(tǒng)的洪澇災(zāi)害預(yù)報(bào)預(yù)警僅考慮水文、氣象等自然要素，而進(jìn)一步考慮災(zāi)害對(duì)人類活動(dòng)帶來(lái)影響的系統(tǒng)預(yù)警是面臨的難題。（3）城市洪澇災(zāi)害的致災(zāi)、孕災(zāi)、報(bào)災(zāi)、防災(zāi)管理過(guò)程分離，使得管理決策多為碎片式或片景式，末端治理[2]現(xiàn)象嚴(yán)重，如何實(shí)現(xiàn)全局視圖的風(fēng)險(xiǎn)決策是災(zāi)害應(yīng)對(duì)的難題。隨著大數(shù)據(jù)、人工智能技術(shù)的迅猛發(fā)展，為城市洪澇災(zāi)害管理提供了新思路。事實(shí)上，城市洪澇災(zāi)害過(guò)程正以更細(xì)粒度的數(shù)據(jù)形式和更高的數(shù)據(jù)成像呈現(xiàn)，透過(guò)數(shù)據(jù)世界可以更清晰地描繪災(zāi)害演變活動(dòng)情境。建立數(shù)據(jù)驅(qū)動(dòng)下城市洪澇災(zāi)害預(yù)警與風(fēng)險(xiǎn)決策范式是解決預(yù)警防控難題的新途徑。

與傳統(tǒng)的災(zāi)害預(yù)警和風(fēng)險(xiǎn)管理相比，大數(shù)據(jù)驅(qū)動(dòng)的城市洪澇災(zāi)害防控應(yīng)該由以管理流程為主的線性范式逐漸向以數(shù)據(jù)為中心的扁平化范式轉(zhuǎn)變，災(zāi)害預(yù)警應(yīng)從“因果假設(shè)”向“復(fù)雜相關(guān)”、從“經(jīng)驗(yàn)推動(dòng)”向“數(shù)據(jù)推動(dòng)”、從“模糊滯后預(yù)警”向“精準(zhǔn)快速預(yù)警”、從“碎片式預(yù)警”向“整合式預(yù)警”轉(zhuǎn)變，災(zāi)害應(yīng)對(duì)應(yīng)從“片景式?jīng)Q策”向“全景式?jīng)Q策”、“實(shí)時(shí)決策”轉(zhuǎn)變。本文面向應(yīng)急治理能力提升的國(guó)家重大需求，基于“跨界關(guān)聯(lián)、粒度縮放、全局視圖”視角，提出大數(shù)據(jù)驅(qū)動(dòng)的城市洪澇災(zāi)害預(yù)警與全景式?jīng)Q策研究范式，從數(shù)據(jù)基礎(chǔ)、態(tài)勢(shì)感知、風(fēng)險(xiǎn)預(yù)警、決策應(yīng)對(duì)和示范應(yīng)用方面開(kāi)展城市洪澇災(zāi)害預(yù)警與決策研究，不僅為我國(guó)洪澇災(zāi)害應(yīng)對(duì)及防災(zāi)減災(zāi)提供理論方法，也為公共安全管理提供新型決策的典型范例，更為保障城市和國(guó)家公共安全提供科學(xué)決策和實(shí)踐指導(dǎo)。

2 國(guó)內(nèi)外研究現(xiàn)狀及發(fā)展動(dòng)態(tài)

2.1 洪澇災(zāi)害前兆信息辨識(shí)研究進(jìn)展

洪澇災(zāi)害前兆信息辨識(shí)的研究主要集中在氣象水文預(yù)報(bào)、RS/GIS信息處理等環(huán)節(jié)。20世紀(jì)30年代，美國(guó)學(xué)者開(kāi)始從氣象資料推算可能最大降水的研究，此后，時(shí)間序列、水文隨機(jī)分析等數(shù)理統(tǒng)計(jì)方法在水文預(yù)報(bào)、災(zāi)害預(yù)測(cè)方面的應(yīng)用得到快速發(fā)展[7，8]。20世紀(jì)70～80年代后，隨著計(jì)算機(jī)技術(shù)、遙感技術(shù)、地理信息系統(tǒng)的發(fā)展，基于遙感空間信息、地理空間信息的數(shù)值氣象預(yù)報(bào)和水文模型的預(yù)報(bào)產(chǎn)品逐漸成熟并廣泛應(yīng)用于業(yè)務(wù)系統(tǒng)[9]。

近10年來(lái)，大數(shù)據(jù)方法逐漸應(yīng)用于氣象水文、災(zāi)害管理等領(lǐng)域[10～13]。衛(wèi)星雷達(dá)及降水等多源信息融合、海量信息挖掘與智能方法分析等已成為國(guó)際水文領(lǐng)域高精度信息辨識(shí)的關(guān)注熱點(diǎn)。在多源信息融合方面，主要采用本體對(duì)齊、實(shí)體鏈接、沖突解決、關(guān)系推演等技術(shù)實(shí)現(xiàn)暴雨洪澇領(lǐng)域知識(shí)的標(biāo)準(zhǔn)化及多源信息的融合[14，15]。在信息挖掘與智能方法分析方面，主要基于統(tǒng)計(jì)概率分布、Apriori關(guān)聯(lián)規(guī)則、支持向量機(jī)、自組織映射聚類等挖掘模型[16，17]，研究災(zāi)害性天氣過(guò)程在更高時(shí)空分辨度的演化規(guī)律，也有學(xué)者提出了一種基于人工智能的概率定量降水預(yù)報(bào)與智能搜索方法[18]。此外，通過(guò)分析微博、微信、Twitter、Facebook等社交媒體信息獲取淹沒(méi)特征向量及災(zāi)情信息的研究開(kāi)始受到關(guān)注[19～21]。

2.2 城市洪澇災(zāi)害預(yù)警研究進(jìn)展

現(xiàn)有的關(guān)于城市洪澇災(zāi)害預(yù)報(bào)預(yù)警的研究主要側(cè)重在以下三個(gè)方面：第一類是基于氣象觀測(cè)數(shù)據(jù)的洪澇災(zāi)害預(yù)警研究，如通過(guò)高分辨數(shù)值預(yù)報(bào)模式、衛(wèi)星監(jiān)測(cè)和全天雷達(dá)探測(cè)等形式收集氣象數(shù)據(jù)，利用遙感手段進(jìn)行強(qiáng)降雨及洪澇災(zāi)害的模擬與預(yù)警[9];根據(jù)多普勒雷達(dá)反射率因子，利用自動(dòng)站雨量資料，運(yùn)用相關(guān)算法合成降雨產(chǎn)品來(lái)指導(dǎo)發(fā)布預(yù)報(bào)預(yù)警[22];利用衛(wèi)星云圖、氣象預(yù)測(cè)數(shù)據(jù)提高暴雨預(yù)警的準(zhǔn)確率[23]。第二類是基于水文模型數(shù)值模擬的洪澇災(zāi)害預(yù)警研究[24，25]，如ILLUDAS、SWMM、TR-55、HSPF、InfoWorks、STORM等模型，依據(jù)這些分布式水文模型建立預(yù)報(bào)預(yù)警系統(tǒng)。第三類是利用風(fēng)險(xiǎn)評(píng)估結(jié)果進(jìn)行洪澇災(zāi)害預(yù)警[26～29]，將產(chǎn)匯流模型與損失評(píng)估相結(jié)合的預(yù)警方法，或是將長(zhǎng)期預(yù)警與臨災(zāi)預(yù)警相結(jié)合研究不同時(shí)空尺度的洪澇災(zāi)害預(yù)警模型，或從壓力、狀態(tài)、影響、響應(yīng)角度研究風(fēng)險(xiǎn)評(píng)估與災(zāi)害預(yù)警。已有基于大數(shù)據(jù)災(zāi)害預(yù)警平臺(tái)的開(kāi)發(fā)與應(yīng)用[30，31]，如美國(guó)FEMA研發(fā)的HAZUS-MH系列標(biāo)準(zhǔn)應(yīng)用軟件平臺(tái)為內(nèi)澇災(zāi)害的早期預(yù)警和災(zāi)害評(píng)估決策提供依據(jù)。

2.3 城市洪澇災(zāi)害風(fēng)險(xiǎn)應(yīng)對(duì)研究進(jìn)展

我國(guó)城市災(zāi)害風(fēng)險(xiǎn)應(yīng)對(duì)的研究始于20世紀(jì)90年代，主要包括應(yīng)急技術(shù)、應(yīng)急管理體系、應(yīng)急資源調(diào)度與應(yīng)急資源管理、應(yīng)急心理與行為決策等方面研究。城市防汛救災(zāi)注重于“一案三制”編制和防汛抗旱指揮系統(tǒng)、洪水預(yù)報(bào)與調(diào)度系統(tǒng)等決策支持系統(tǒng)建設(shè)，隨后也有一些學(xué)者提出了決策優(yōu)化方法與技術(shù)，如基于情景依賴的洪水災(zāi)害多主體合作應(yīng)急決策分析方法及應(yīng)急管理流程優(yōu)化[32]、超標(biāo)準(zhǔn)洪水應(yīng)急避險(xiǎn)決策支持技術(shù)研究[33]等。

近年來(lái)，大數(shù)據(jù)應(yīng)急決策受到廣泛關(guān)注，國(guó)外研究側(cè)重于從大數(shù)據(jù)技術(shù)和大數(shù)據(jù)處理方法的角度進(jìn)行應(yīng)急決策方法、模型、數(shù)據(jù)、系統(tǒng)平臺(tái)的整合與集成，并將深度學(xué)習(xí)等智能技術(shù)應(yīng)用于大數(shù)據(jù)應(yīng)急決策中[34～36];而國(guó)內(nèi)的研究則關(guān)注大數(shù)據(jù)應(yīng)急決策體系、大數(shù)據(jù)應(yīng)急決策模式與機(jī)制、大數(shù)據(jù)應(yīng)急決策系統(tǒng)與平臺(tái)、應(yīng)急決策數(shù)據(jù)質(zhì)量等方面[37～39]。我國(guó)城市洪澇災(zāi)害應(yīng)急決策的研究，對(duì)風(fēng)險(xiǎn)災(zāi)害危機(jī)全成因分析與全景式建模、基于信息研判的風(fēng)險(xiǎn)預(yù)警以及基于靶向思維的應(yīng)急響應(yīng)還很缺乏[5]。

綜上所述，城市洪澇災(zāi)害預(yù)警與風(fēng)險(xiǎn)決策的理論和實(shí)踐已取得頗豐成果，但是面對(duì)復(fù)雜變化環(huán)境下城市洪澇災(zāi)害管理的新問(wèn)題，亟待實(shí)現(xiàn)兩個(gè)轉(zhuǎn)變。（1）研究視角的轉(zhuǎn)變：基于水文要素的預(yù)報(bào)預(yù)警轉(zhuǎn)變?yōu)榛陲L(fēng)險(xiǎn)感知的多維預(yù)警。將災(zāi)害風(fēng)險(xiǎn)分析納入災(zāi)害預(yù)警過(guò)程，匹配暴雨-地物-淹沒(méi)數(shù)據(jù)關(guān)聯(lián)，將水量-流量過(guò)程轉(zhuǎn)換成淹沒(méi)-破壞風(fēng)險(xiǎn)信息，從過(guò)去的閾值預(yù)警向針對(duì)風(fēng)險(xiǎn)的災(zāi)害響應(yīng)信息預(yù)警，進(jìn)行全面、精確風(fēng)險(xiǎn)度量，提升基于風(fēng)險(xiǎn)感知的預(yù)警精度。（2）研究范式的轉(zhuǎn)變：“模型驅(qū)動(dòng)”的決策分析模式轉(zhuǎn)變?yōu)椤皵?shù)據(jù)驅(qū)動(dòng)+模型驅(qū)動(dòng)”的大數(shù)據(jù)全景式?jīng)Q策范式。以模型驅(qū)動(dòng)的傳統(tǒng)預(yù)警決策方法難以展現(xiàn)或容納組合變量的關(guān)聯(lián)關(guān)系，而基于“模型+數(shù)據(jù)”驅(qū)動(dòng)的城市洪澇災(zāi)害預(yù)警，尋找全局視圖下的諸多不確定性的“關(guān)聯(lián)”要素關(guān)系，構(gòu)建全景式?jīng)Q策范式，是未來(lái)我國(guó)災(zāi)害管理和公共安全管理的研究方向。

3 研究范式

3.1 概念界定

城市洪澇災(zāi)害是由于強(qiáng)降雨、風(fēng)暴潮等引起的大量積水和徑流等自然現(xiàn)象作用于城市社會(huì)經(jīng)濟(jì)系統(tǒng)的產(chǎn)物，是人與自然關(guān)系的一種表現(xiàn)。因此，城市洪澇災(zāi)害不單單是暴雨洪水的自然過(guò)程，而是一個(gè)包含人類活動(dòng)影響的復(fù)雜系統(tǒng)。

城市自然系統(tǒng)包括氣象、水文、地質(zhì)地形、土壤、植被等要素，各要素之間相互作用;社會(huì)經(jīng)濟(jì)系統(tǒng)涉及城市居民社會(huì)、經(jīng)濟(jì)及文化活動(dòng)的各個(gè)方面，包括經(jīng)濟(jì)、人口、能源、交通、基礎(chǔ)設(shè)施等要素，各要素之間相互關(guān)聯(lián)且高度繁雜。城市洪澇災(zāi)害承災(zāi)體是社會(huì)經(jīng)濟(jì)系統(tǒng)與自然系統(tǒng)交互下災(zāi)害風(fēng)險(xiǎn)表達(dá)空間，承載著人類的生產(chǎn)、生活等各項(xiàng)活動(dòng)，當(dāng)城市自然系統(tǒng)中水汽在溫度、濕度、云量、風(fēng)速風(fēng)向等要素的綜合作用下形成暴雨時(shí)，雨水會(huì)形成地面徑流，造成城市承災(zāi)體空間積水，淹沒(méi)城市中的包括建筑物、道路、橋梁、工廠等各類承災(zāi)體，影響城市社會(huì)經(jīng)濟(jì)系統(tǒng)的正常運(yùn)行（如圖1所示）。

因此，從復(fù)雜系統(tǒng)視角，城市洪澇災(zāi)害風(fēng)險(xiǎn)是暴雨徑流形成的自然過(guò)程與城市內(nèi)社會(huì)經(jīng)濟(jì)活動(dòng)相互作用下給人們生命財(cái)產(chǎn)、生產(chǎn)生活等帶來(lái)的影響，風(fēng)險(xiǎn)的刻畫需要考慮城市基礎(chǔ)設(shè)施、交通運(yùn)行、能源供給、社會(huì)經(jīng)濟(jì)等反映人類行為的信息，挖掘“暴雨-承災(zāi)體-淹沒(méi)”空間特征關(guān)聯(lián)模式，研判城市洪澇災(zāi)害的風(fēng)險(xiǎn)。

3.2 科學(xué)問(wèn)題提出

針對(duì)變化環(huán)境下的城市洪澇災(zāi)害風(fēng)險(xiǎn)特征，借助云計(jì)算、人工智能等新興技術(shù)，尋求大數(shù)據(jù)范式驅(qū)動(dòng)的、適應(yīng)全景式變化的城市洪澇災(zāi)害預(yù)警與風(fēng)險(xiǎn)決策新方法，形成城市洪澇災(zāi)害管理系統(tǒng)解決方案，需要解決以下幾個(gè)科學(xué)問(wèn)題：

（1）城市暴雨洪澇情景態(tài)勢(shì)及其演化規(guī)律

基于水文、氣象、交通、經(jīng)濟(jì)、社交媒體等多源異構(gòu)大數(shù)據(jù)，辨識(shí)城市洪澇災(zāi)害風(fēng)險(xiǎn)要素，感知城市暴雨洪澇情景態(tài)勢(shì)，通過(guò)“數(shù)據(jù)驅(qū)動(dòng)”的“暴雨-地物-淹沒(méi)”關(guān)聯(lián)模式與“模型驅(qū)動(dòng)”的洪澇災(zāi)害演進(jìn)過(guò)程的融合，刻畫暴雨洪澇災(zāi)害情景形成機(jī)理及演化規(guī)律。

（2）基于暴雨洪澇情景的空間動(dòng)態(tài)網(wǎng)絡(luò)風(fēng)險(xiǎn)研判

暴雨洪澇情景與承災(zāi)體社會(huì)活動(dòng)融合下的災(zāi)害承災(zāi)體風(fēng)險(xiǎn)度量，刻畫洪澇災(zāi)害情景矩陣與多維風(fēng)險(xiǎn)向量（概率、影響、損失）的關(guān)系，辨析洪澇災(zāi)害風(fēng)險(xiǎn)變化特征，確定洪澇災(zāi)害預(yù)警閾值區(qū)間，實(shí)現(xiàn)面向城市重要承災(zāi)體的城市洪澇災(zāi)害動(dòng)態(tài)預(yù)警。

（3）洪澇災(zāi)害全景式風(fēng)險(xiǎn)模擬及決策

構(gòu)建洪澇災(zāi)害全過(guò)程風(fēng)險(xiǎn)推演模式，基于宏觀-中觀-微觀不同決策主體的利益協(xié)同目標(biāo)，重構(gòu)多部門跨界的“資源-任務(wù)”災(zāi)害應(yīng)急響應(yīng)業(yè)務(wù)流程，形成洪澇災(zāi)害全景式、系統(tǒng)性的解決方案。

3.3 城市洪澇災(zāi)害風(fēng)險(xiǎn)感知與預(yù)警決策框架構(gòu)建

城市洪澇災(zāi)害是自然過(guò)程與社會(huì)經(jīng)濟(jì)活動(dòng)耦合的復(fù)雜系統(tǒng)，利用衛(wèi)星遙感、氣象水文、基礎(chǔ)地理、社會(huì)經(jīng)濟(jì)、社交媒體等天空地網(wǎng)多源異構(gòu)數(shù)據(jù)信息，通過(guò)信息挖掘融合技術(shù)和知識(shí)圖譜構(gòu)建，提出結(jié)合“數(shù)據(jù)驅(qū)動(dòng)”的關(guān)聯(lián)關(guān)系挖掘與“模型驅(qū)動(dòng)”的因果解析方法，感知暴雨洪澇情景態(tài)勢(shì)，實(shí)現(xiàn)情景模擬與重現(xiàn);建立基于暴雨洪澇情景的空間動(dòng)態(tài)網(wǎng)絡(luò)風(fēng)險(xiǎn)研判模型，建立“觀測(cè)-感知-辨析”的城市洪澇災(zāi)害動(dòng)態(tài)預(yù)警模式;基于知識(shí)推理與場(chǎng)景推演，構(gòu)建洪澇災(zāi)害全景式風(fēng)險(xiǎn)模擬及決策框架，包括城市洪澇災(zāi)害應(yīng)急疏散、跨界多主體合作的應(yīng)急響應(yīng)、市場(chǎng)化風(fēng)險(xiǎn)分散、全社會(huì)減災(zāi)公共政策;最后，通過(guò)統(tǒng)一空間表達(dá)的洪澇災(zāi)害大數(shù)據(jù)資源池構(gòu)建，研發(fā)出城市洪澇災(zāi)害全景式?jīng)Q策云服務(wù)平臺(tái)，為大數(shù)據(jù)驅(qū)動(dòng)下城市洪澇災(zāi)害預(yù)警與風(fēng)險(xiǎn)決策提供系統(tǒng)支持?？蚣苋鐖D2所示。

（1）大數(shù)據(jù)驅(qū)動(dòng)的洪澇災(zāi)害態(tài)勢(shì)感知

基于“數(shù)據(jù)驅(qū)動(dòng)”的關(guān)聯(lián)關(guān)系挖掘與“模型驅(qū)動(dòng)”的因果解析方法，感知暴雨洪澇情景態(tài)勢(shì)。①基于機(jī)器學(xué)習(xí)算法，挖掘暴雨洪澇情景及其重要特征，發(fā)現(xiàn)暴雨-承災(zāi)體-淹沒(méi)空間特征組合模式。②結(jié)合洪澇災(zāi)害演變過(guò)程的水文水動(dòng)力學(xué)模型，感知暴雨洪澇災(zāi)害情景演化態(tài)勢(shì)。

（2）基于暴雨洪澇情景的風(fēng)險(xiǎn)預(yù)警

建立基于暴雨洪澇情景的空間動(dòng)態(tài)網(wǎng)絡(luò)風(fēng)險(xiǎn)研判模型，構(gòu)建“觀測(cè)-感知-辨析”的城市洪澇災(zāi)害動(dòng)態(tài)預(yù)警模式。①風(fēng)險(xiǎn)研判。利用時(shí)空大數(shù)據(jù)識(shí)別人口、產(chǎn)業(yè)活動(dòng)下的承災(zāi)體類別，建立暴雨洪澇情景與承災(zāi)體社會(huì)活動(dòng)融合的災(zāi)害風(fēng)險(xiǎn)測(cè)度方法。②風(fēng)險(xiǎn)預(yù)警?；诒┯旰闈城榫皯B(tài)勢(shì)的模擬與重現(xiàn)，構(gòu)建洪澇災(zāi)害風(fēng)險(xiǎn)的時(shí)空動(dòng)態(tài)網(wǎng)絡(luò)預(yù)測(cè)模型，確定不同類別承災(zāi)體的洪澇災(zāi)害預(yù)警閾值區(qū)間矩陣。

（3）城市洪澇災(zāi)害風(fēng)險(xiǎn)全景式?jīng)Q策

借助全景式管理理論，從“跨界關(guān)聯(lián)、粒度縮放、全局視圖”視角出發(fā)，創(chuàng)建“宏觀-中觀-微觀”帕累托優(yōu)化反饋式?jīng)Q策框架，提出災(zāi)害應(yīng)急合作響應(yīng)與風(fēng)險(xiǎn)控制策略。①洪澇災(zāi)害全過(guò)程風(fēng)險(xiǎn)推演模式。提出災(zāi)害全過(guò)程“暴雨洪澇情景-風(fēng)險(xiǎn)應(yīng)對(duì)策略”的推演模式，基于宏觀-中觀-微觀不同決策主體的利益協(xié)同目標(biāo)，重構(gòu)基于模糊推理的隨機(jī)網(wǎng)絡(luò)災(zāi)害應(yīng)急業(yè)務(wù)流程，提出“資源-任務(wù)”跨界多部門應(yīng)急響應(yīng)行動(dòng)計(jì)劃。②提出多主體風(fēng)險(xiǎn)分擔(dān)、城市韌性提升的洪澇災(zāi)害應(yīng)對(duì)策略。提出符合中國(guó)國(guó)情的“政府-市場(chǎng)-公眾”多主體合作的災(zāi)害應(yīng)對(duì)風(fēng)險(xiǎn)分擔(dān)模式;設(shè)計(jì)保險(xiǎn)、期權(quán)、債券組合優(yōu)化資本市場(chǎng)風(fēng)險(xiǎn)產(chǎn)品;建立城市洪澇災(zāi)害韌性評(píng)估模型，提出社區(qū)適災(zāi)韌性提升策略。

（4）城市洪澇災(zāi)害云服務(wù)平臺(tái)

①洪澇災(zāi)害大數(shù)據(jù)資源池。從衛(wèi)星、雷達(dá)、地面觀測(cè)站網(wǎng)、統(tǒng)計(jì)資料、互聯(lián)網(wǎng)等采集城市洪澇過(guò)程相關(guān)的氣象、水文、基礎(chǔ)地理、歷史災(zāi)情、社會(huì)經(jīng)濟(jì)、網(wǎng)絡(luò)媒體等物理上相互隔離的多源異構(gòu)數(shù)據(jù)，提出多源數(shù)據(jù)的共享機(jī)制，構(gòu)建統(tǒng)一空間表達(dá)的洪澇災(zāi)害大數(shù)據(jù)資源池。②云平臺(tái)構(gòu)建。提供災(zāi)害監(jiān)測(cè)預(yù)警、風(fēng)險(xiǎn)評(píng)估、應(yīng)急管理、社會(huì)減災(zāi)等城市洪澇災(zāi)害云服務(wù)，開(kāi)發(fā)包含暴雨洪澇情景及決策信息的全景式可視化組件，實(shí)現(xiàn)洪澇災(zāi)害業(yè)務(wù)化預(yù)警與風(fēng)險(xiǎn)決策。

4 大數(shù)據(jù)驅(qū)動(dòng)的深圳市洪澇預(yù)警與決策實(shí)踐

深圳市位于廣東省珠江口東岸，是我國(guó)的經(jīng)濟(jì)特區(qū)、全國(guó)性經(jīng)濟(jì)中心城市和國(guó)際化城市。2020年常住人口超1700萬(wàn)，密度8793人/平方公里，國(guó)內(nèi)生產(chǎn)總值超過(guò)2.77萬(wàn)億元。深圳市屬亞熱帶海洋性氣候，臺(tái)風(fēng)、暴雨等氣象災(zāi)害頻發(fā)、災(zāi)情嚴(yán)重。2003～2019年，深圳市受臺(tái)風(fēng)、暴雨等極端天氣事件影響次數(shù)超過(guò)190次，死亡及失蹤人數(shù)超過(guò)95人，直接經(jīng)濟(jì)損失達(dá)25.58億元。因此，構(gòu)建深圳市智慧防汛防旱防臺(tái)風(fēng)（簡(jiǎn)稱“三防”）體系有助于提高防災(zāi)減災(zāi)能力，增強(qiáng)城市韌性水平，保障城市可持續(xù)發(fā)展。

以本研究提出的“大數(shù)據(jù)驅(qū)動(dòng)的城市洪澇災(zāi)害風(fēng)險(xiǎn)感知與預(yù)警決策框架”為指導(dǎo)，基于大數(shù)據(jù)、物聯(lián)網(wǎng)、云計(jì)算、人工智能、移動(dòng)互聯(lián)網(wǎng)等現(xiàn)代信息技術(shù)，深圳市開(kāi)發(fā)了“深圳市智慧三防系統(tǒng)”（一期）[40]，包括一張圖展示、監(jiān)測(cè)預(yù)警、輔助決策、指揮調(diào)度等功能，實(shí)現(xiàn)了三防信息集成與共享、風(fēng)雨汛情及其引發(fā)的災(zāi)害風(fēng)險(xiǎn)全景感知與預(yù)警、災(zāi)情智能推演與應(yīng)急決策。2020年以來(lái)，該系統(tǒng)有效支持防臺(tái)風(fēng)防汛應(yīng)急響應(yīng)行動(dòng)百余次。

通過(guò)多部門數(shù)據(jù)共享機(jī)制，將基礎(chǔ)地理、水務(wù)工程、生命線、重點(diǎn)區(qū)域等多源信息集成融合到深圳市 “一張圖”上，在實(shí)體、關(guān)系、屬性抽取形成的洪澇災(zāi)害知識(shí)圖譜基礎(chǔ)上，建立了深圳市三防大數(shù)據(jù)資源池。在災(zāi)害態(tài)勢(shì)智能感知方面，基于氣象遙感、物聯(lián)網(wǎng)傳感器、視頻監(jiān)控、社交媒體等實(shí)時(shí)監(jiān)測(cè)信息，運(yùn)用大數(shù)據(jù)分析、圖片識(shí)別、視頻語(yǔ)義計(jì)算等技術(shù)，挖掘包括城市淹沒(méi)水深、面積、災(zāi)情等暴雨洪澇災(zāi)害情景及其演化態(tài)勢(shì)，快速繪制出暴雨淹沒(méi)風(fēng)險(xiǎn)圖。在此基礎(chǔ)上，融入城市路況、居民活動(dòng)等社會(huì)行為數(shù)據(jù)，研判當(dāng)前淹沒(méi)深度、未來(lái)降雨量對(duì)生命財(cái)產(chǎn)、交通出行、基礎(chǔ)設(shè)施等的影響，實(shí)現(xiàn)了從基于閾值的預(yù)警轉(zhuǎn)向基于風(fēng)險(xiǎn)的預(yù)警，大大提高了預(yù)警的精準(zhǔn)度和有效性。針對(duì)重點(diǎn)防御區(qū)域，在暴雨內(nèi)澇、風(fēng)暴潮增水等諸多場(chǎng)景模擬的基礎(chǔ)上，推演不同應(yīng)急處置救援方案下災(zāi)害情景的變化，實(shí)時(shí)調(diào)整救援力量的部署，為應(yīng)急響應(yīng)及救援決策提供了有效技術(shù)支撐。大數(shù)據(jù)驅(qū)動(dòng)的洪澇災(zāi)害風(fēng)險(xiǎn)感知與決策技術(shù)顯著提高了深圳三防業(yè)務(wù)的智能化、科學(xué)化和精準(zhǔn)化水平，助力深圳成功抵御了2020年6月發(fā)生的近10年最強(qiáng)季風(fēng)降水事件，全市內(nèi)澇點(diǎn)較往年減少50%以上，減輕了災(zāi)害天氣對(duì)人們?nèi)粘Ｉa(chǎn)、生活的影響。

5 結(jié)論與啟示

當(dāng)今世界正處于百年未有之大變局。城市洪澇災(zāi)害風(fēng)險(xiǎn)預(yù)警與決策是國(guó)家防洪安全的重大需求，更是城市公共安全管理的重要內(nèi)容。大數(shù)據(jù)作為一場(chǎng)重大的技術(shù)和思維革命，正在使災(zāi)害預(yù)警理念、模式及方法發(fā)生深刻變化。災(zāi)害管理范式正由以管理流程為主的線性范式逐漸向以數(shù)據(jù)為中心的扁平化范式轉(zhuǎn)變，需要“關(guān)聯(lián)+因果”大數(shù)據(jù)分析和“數(shù)據(jù)+模型”驅(qū)動(dòng)的大數(shù)據(jù)技術(shù)手段實(shí)現(xiàn)城市洪澇災(zāi)害預(yù)警與決策。大數(shù)據(jù)驅(qū)動(dòng)下城市洪澇災(zāi)害預(yù)警與風(fēng)險(xiǎn)決策范式，突破了傳統(tǒng)機(jī)理研究認(rèn)知的框架，呈現(xiàn)出大數(shù)據(jù)驅(qū)動(dòng)的全景式特點(diǎn)，以更細(xì)粒度的數(shù)據(jù)形式和更高的數(shù)據(jù)成像呈現(xiàn)城市洪澇災(zāi)害過(guò)程，以全周期沉浸式交互行為參與跨界合作的實(shí)時(shí)管理決策，有效提升了城市洪澇災(zāi)害公共安全管理決策創(chuàng)新水平及公共服務(wù)水平。

以大數(shù)據(jù)為代表的知識(shí)與技術(shù)廣泛性應(yīng)用已大大提升了城市災(zāi)害的風(fēng)險(xiǎn)感知與應(yīng)對(duì)能力，但實(shí)現(xiàn)城市災(zāi)害智慧治理仍需在以下方面突破、創(chuàng)新：（1）從單一洪澇災(zāi)害風(fēng)險(xiǎn)轉(zhuǎn)變?yōu)橛珊闈碁?zāi)害誘發(fā)的滑坡、塌陷、水污染等災(zāi)害系統(tǒng)性風(fēng)險(xiǎn)研究。（2）突破領(lǐng)域邊界，集成不同災(zāi)種、不同領(lǐng)域的大規(guī)模、細(xì)粒度的數(shù)據(jù)，并建立數(shù)據(jù)集成的共享與更新交換機(jī)制，全面、及時(shí)洞悉城市災(zāi)害發(fā)生發(fā)展過(guò)程。（3）深度融合模型驅(qū)動(dòng)和數(shù)據(jù)驅(qū)動(dòng)，創(chuàng)新災(zāi)害過(guò)程模擬與風(fēng)險(xiǎn)態(tài)勢(shì)感知技術(shù)，高效、精確預(yù)見(jiàn)災(zāi)害對(duì)生命生產(chǎn)生活帶來(lái)的影響。（4）將物流、人群移動(dòng)、救災(zāi)物資儲(chǔ)備等社會(huì)行為數(shù)據(jù)融入災(zāi)害預(yù)報(bào)預(yù)警模式，完善災(zāi)害預(yù)警預(yù)報(bào)發(fā)布路徑與機(jī)制，提升精準(zhǔn)防災(zāi)減災(zāi)效率與能力。

參 考 文 獻(xiàn)：

[1] Oki T， Kanae S. Global hydrological cycles and world water resources[J]. Science， 2006， 313（5790）： 1068-1072.

[2] 嚴(yán)登華，王浩，張建云，等.生態(tài)海綿智慧流域建設(shè)——從狀態(tài)改變到能力提升[J].水科學(xué)進(jìn)展，2017，28（2）：302-310.

[3] Shoyama K， Cui Q L， Hanashima M， et al.. Emergency flood detection using multiple information sources： integrated analysis of natural hazard monitoring and social media data[J]. Science of the Total Environment， 2021， 767： 144371.

[4] Kitazawa K， Hale S A. Social media and early warning systems for natural disasters： a case study of Typhoon Etau in Japan[J]. International Journal of Disaster Risk Reduction， 2021， 52： 101926.

[5] 童星，丁翔.風(fēng)險(xiǎn)災(zāi)害危機(jī)管理與研究中的大數(shù)據(jù)分析[J].學(xué)海，2018，（2）：28-35.

[6] 陳國(guó)青，吳剛，顧遠(yuǎn)東，等.管理決策情境下大數(shù)據(jù)驅(qū)動(dòng)的研究和應(yīng)用挑戰(zhàn)——范式轉(zhuǎn)變與研究方向[J].管理科學(xué)學(xué)報(bào)，2018，21（7）：1-10.

[7] Kisiel C C. Time series analysis of hydrologic data[A]. Advances in Hydroscience[C]. Elsevier， 1969. 1-119.

[8] Damle C， Yalcin A. Flood prediction using time series data mining[J]. Journal of Hydrology， 2007， 333（2-4）： 305-316.

[9] 曾子悅，許繼軍，王永強(qiáng).基于遙感空間信息的洪水風(fēng)險(xiǎn)識(shí)別與動(dòng)態(tài)模擬研究進(jìn)展[J].水科學(xué)進(jìn)展，2020，31（3）：463-472.

[10] Chen Y， Han D. Big data and hydroinformatics[J]. Journal of Hydroinformatics， 2016， 18（4）： 599-614.

[11] Akter S， Wamba S F. Big data and disaster management： a systematic review and agenda for future research[J]. Annals of Operations Research， 2019， 283（1）： 939-959.

[12] Martinez-Alvarez F， Morales-Esteban A. Big data and natural disasters： new approaches for spatial and temporal massive data analysis[J]. Computers & Geosciences， 2019， 12： 38-39.

[13] Zhou L， Huang H Q， Muthu B A， et al.. Design of internet of things and big data analytics-based disaster risk management[J]. Soft Computing， 2021， 25（18）： 12415-12427.

[14] 杜志強(qiáng)，李鈺，張葉廷，等.自然災(zāi)害應(yīng)急知識(shí)圖譜構(gòu)建方法研究[J].武漢大學(xué)學(xué)報(bào)（信息科學(xué)版），2020，45（9）：1344-1355.

[15] Wang C， Chen N， Wang W， et al.. A hydrological sensor web ontology based on the SSN ontology： a case study for a flood[J]. ISPRS International Journal of Geo-Information， 2018， 7（1）： 2.

[16] Nourani V， Baghanam A H， Adamowski J， et al.. Using self-organizing maps and wavelet transforms for space-time pre-processing of satellite precipitation and runoff data in neural network based rainfall-runoff modeling[J]. Journal of Hydrology， 2013， 476： 228-243.

[17] Farrokhi A， Farzin S， Mousavi S F. Meteorological drought analysis in response to climate change conditions， based on combined four-dimensional vine copulas and data mining （VC-DM）[J]. Journal of Hydrology， 2021， 603： 127135.

[18] Ben Daoud A， Sauquet E， Bontron G， et al.. Daily quantitative precipitation forecasts based on the analogue method： improvements and application to a French large river basin[J]. Atmospheric Research， 2016， 169： 147-159.

[19] Jiang S J， Babovic V， Zheng Y， et al.. Advancing opportunistic sensing in hydrology： a novel approach to measuring rainfall with ordinary surveillance cameras[J]. Water Resources Research， 2019， 55（4）： 3004-3027.

[20] Bhuvana N， Aram I A. Facebook and Whatsapp as disaster management tools during the Chennai （India） floods of 2015[J]. International Journal of Disaster Risk Reduction， 2019， 39： 101135.

[21] Xiao Y， Li B， Gong Z. Real-time identification of urban rainstorm waterlogging disasters based on Weibo big data[J]. Natural Hazards， 2018， 94（2）： 833-842.

[22] Yin J B， Guo S L， Gu L. Blending multi-satellite， atmospheric reanalysis and gauge precipitation products to facilitate hydrological modelling[J]. Journal of Hydrology， 2021， 593： 125878.

[23] Ricciardelli E， Di Paola F， Gentile S， et al.. Analysis of livorno heavy rainfall event： examples of satellite-based observation techniques in support of numerical weather prediction[J]. Remote Sensing， 2018， 10（10）： 1549.

[24] Lima C H， Lall U， Troy T J， et al.. A climate informed model for nonstationary flood risk prediction： application to Negro River at Manaus， Amazonia[J]. Journal of Hydrology， 2015， 522： 594-602.

[25] Nogherotto R， Fantini A， Raffaele F， et al.. An integrated hydrological and hydraulic modelling approach for the flood risk assessment over Po river basin[J]. Natural Hazards and Earth System Sciences Discussions， 2019， 356： 1-22.

[26] Kuller M， Schoenholzer K， Lienert J. Creating effective flood warnings： a framework from a critical review[J]. Journal of Hydrology， 2021， 602： 126708.

[27] Smith P J， Brown S， Dugar S. Community-based early warning systems for flood risk mitigation in Nepal[J]. Natural Hazards and Earth System Sciences， 2017， 17（3）： 423-437.

[28] Schrter K， Lüdtke S， Redweik R， et al.. Flood loss estimation using 3D city models and remote sensing data[J]. Environmental Modelling & Software， 2018， 105： 118-131.

[29] Zhao J， Jin J， Xu J， et al.. Risk assessment of flood disaster and forewarning model at different spatial-temporal scales[J]. Theoretical and Applied Climatology， 2018， 132（3-4）： 791-808.

[30] 吳先華，肖楊，李廉水，等.大數(shù)據(jù)融合的城市暴雨內(nèi)澇災(zāi)害應(yīng)急管理述評(píng)[J].科學(xué)通報(bào)，2017，62（9）：920-927.

[31] 林炳章.水文氣象大數(shù)據(jù)分析與網(wǎng)絡(luò)洪澇災(zāi)害預(yù)警平臺(tái)探討[J].中國(guó)防汛抗旱，2019，29（5）：3.

[32] 王慧敏，劉高峰，陶飛飛，等.非常規(guī)突發(fā)水災(zāi)害應(yīng)急合作管理與決策[M].北京：科學(xué)出版社，2016.

[33] 黃艷，李昌文，李安強(qiáng)，等.超標(biāo)準(zhǔn)洪水應(yīng)急避險(xiǎn)決策支持技術(shù)研究[J].水利學(xué)報(bào)，2020，51（7）：805-815.

[34] Horita F E A， De Albuquerque J P， Marchezini V， et al.. Bridging the gap between decision-making and emerging big data sources： an application of a model-based framework to disaster management in Brazil[J]. Decision Support Systems， 2017， 97： 12-22.

[35] Fotovatikhah F， Herrera M， Shamshirband S， et al.. Survey of computational intelligence as basis to big flood management： challenges， research directions and future work[J]. Engineering Applications of Computational Fluid Mechanics， 2018， 12（1）： 411-437.

[36] Towe R， Dean G， Edwards L， et al.. Rethinking data-driven decision support in flood risk management for a big data age[J]. Journal of Flood Risk Management， 2020， 13（4）： 12652.

[37] Li Y J， Chen G Q. Big data driven management and decision sciences[J]. Fundamental Research， 2021， 1（5）： 504-507.

[38] 張鋒.大數(shù)據(jù)視域下特大城市應(yīng)急管理模式反思與重構(gòu)[J].城市發(fā)展研究，2020，27（9）：12-18.

[39] 徐選華，劉尚龍，陳曉紅.基于公眾偏好大數(shù)據(jù)分析的重大突發(fā)事件應(yīng)急決策方案動(dòng)態(tài)調(diào)整方法[J].運(yùn)籌與管理，2020，29（7）：41-51.

[40] 王常效，王鯤，邱德鑫，等.深圳市智慧三防系統(tǒng)的建設(shè)與思考[J].中國(guó)防汛抗旱，2021，31（2）：46-50.

3529500338271