基于CMPAS的臨海市超強臺風(fēng)洪澇淹沒個例模擬及檢驗

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)害給社會經(jīng)濟(jì)發(fā)展和人民生命財產(chǎn)安全造成嚴(yán)重?fù)p失和威脅(周月華等，2019)。針對各地嚴(yán)峻的洪澇形勢，如何應(yīng)用水文-水動力模型和衛(wèi)星遙感等高新技術(shù)改進(jìn)暴雨洪澇災(zāi)害風(fēng)險評估方法、提高氣象災(zāi)害風(fēng)險評估的時效性和準(zhǔn)確性、增強防災(zāi)減災(zāi)能力，已越來越受到我國各級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-水動力模型FloodArea，并針對湖北荊江分洪區(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)險評估。Zischg 等(2018)基于二維水動力模型模擬瑞士4個地區(qū)的洪澇風(fēng)險，并用保險理賠數(shù)據(jù)驗證了其評估結(jié)果。謝五三等(2018)推算合肥市不同歷時的排水能力，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-水動力模型開展洪水模擬及災(zāi)害評估是科學(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)報的基礎(chǔ)，對氣象及水文防災(zāi)減災(zāi)均起到重要作用(潘旸等，2015)。站點資料雖精度高，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-水動力模式中面雨量的計算，更容易與GIS 相結(jié)合的計算機(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)用到面雨量的計算中(楊森等，2017)。潘旸等(2015)研制了逐時、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，同時也優(yōu)于二源融合降水產(chǎn)品，尤其是對強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資料用于臺風(fēng)暴雨洪水模擬和災(zāi)害風(fēng)險評估等相關(guān)研究的報道，該資料在水文氣象和災(zāi)害評估等方面的應(yīng)用有待加強。

2019年09號超強臺風(fēng)“利奇馬”于8月10日01時45分(北京時，下同)在浙江臺州溫嶺登陸，為新中國建立以來登陸浙江省的第3 強臺風(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”臺風(fēng)強降水影響臺州的主要時段為8 月8日08 時—11 日08 時；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_風(fēng)過程降水量歷史紀(jì)錄。臨海、溫嶺站9日08時—10日08時累積降水量分別達(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，臺州府城景點被洪水所淹，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”臺風(fēng)引發(fā)的浙江省臺州臨海市受淹為例，利用浙江全省水文站和氣象站降水觀測資料對國家級地面-衛(wèi)星-雷達(dá)三源融合實況格點降水?dāng)?shù)據(jù)(CMPAS-5km)進(jìn)行檢驗評估；然后，基于CMPAS-5km 計算的面雨量和降水分布權(quán)重柵格驅(qū)動FloodArea 二維水動力淹沒模型，在“暴雨情景”下進(jìn)行洪澇模擬，并借助哨兵1號合成孔徑雷達(dá)衛(wèi)星(Sentinel-1 SAR)資料和地面驗證點開展模擬受淹驗證，以期為面向?qū)崟r氣象防災(zāi)減災(zāi)的臺風(fēng)暴雨災(zāi)害風(fēng)險評估服務(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實時數(shù)據(jù)(RT)，其格式為NetCDF，時間分辨率1 h，滯后時間40 min左右，本文將其用于面雨量源數(shù)據(jù)驅(qū)動FloodArea模擬受淹情況；(2)浙江省近3 000 個自動氣象站以及2 600多個與本省水文部門交換的共享站點降水資料，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CMPAS-5km 進(jìn)行檢驗評估；(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。上述資料起止時間為2019 年8月8日08時—8月11日08時，即超強臺風(fēng)“利奇馬”影響浙江省期間。

1.1.2 哨兵1號SAR數(shù)據(jù)

臺風(fēng)過境后當(dāng)?shù)赝ǔ缓駥嵲葡蹈采w，造成可見光遙感影像監(jiān)測的洪水在實際服務(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、全天時工作能力和寬覆蓋的優(yōu)勢，尤其適合對洪澇淹沒范圍的監(jiān)測。哨兵1號(Sentinel-1)作為SAR歷史上首次向全球開放并免費下載的雷達(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)兩個時次的哨兵-1B 干涉寬幅地距影像(GRD)L1 級數(shù)據(jù)，對“利奇馬”臺風(fēng)影響前后臺州臨海市水體變化進(jìn)行檢測，并將其與由CMPAS-5km 驅(qū)動的FloodArea 受淹模擬結(jié)果進(jìn)行對比。

1.2 研究方法

首先，對“利奇馬”臺風(fēng)影響浙江時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，對2 921個有效氣象站點降水進(jìn)行空間插值后，再與CMPAS-5km 臺風(fēng)過程降水量進(jìn)行空間分布對比。然后，利用2 620個水文站點和5 541個“水文站+氣象站”對CMPAS-5km 開展降水評估檢驗，檢驗指標(biāo)包括相關(guān)系數(shù)(R)、均方根誤差(RMSE)和絕對誤差(MAE)；再分別計算臺州地區(qū)CMPAS-5km、水文站和“水文站+氣象站”逐小時面雨量和過程面雨量，對上述3套資料進(jìn)行逐小時對比。最后，選取與災(zāi)后哨兵雷達(dá)衛(wèi)星SAR成像時間最為接近的FloodArea 模擬輸出對應(yīng)時間(2019 年8 月10 日18 時)的柵格數(shù)據(jù)進(jìn)行洪澇受淹對比。由于哨兵1號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中的柵格計算器對兩者求差值進(jìn)行空間受淹分布檢驗，繼而利用公開報道的臺州4個受淹驗證點最大水深作模擬受淹水深對比。

1.2.1 CMPAS-5km實時數(shù)據(jù)的檢驗評估

利用水文站和“水文站+氣象站”降水資料分別對CMPAS-5km進(jìn)行檢驗評估，主要評估指標(biāo)包括：(1)計算CMPAS-5km 與上述兩套資料過程降水量的R、RMSE和MAE，統(tǒng)計全省“水文站+氣象站”與對應(yīng)所在CMPAS-5km格點上過程降水量相對誤差百分比的空間分布；(2)計算的CMPAS-5km 面雨量為臺州地區(qū)逐小時格點值的平均，計算的水文站、“水文站+氣象站”面雨量為同地區(qū)逐小時所含站點降水量的算術(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空物理場，已在多個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，實現(xiàn)了對GIS與氣象-水文水動力學(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”臺風(fēng)影響期間逐小時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，以臺州地區(qū)為模擬對象，通過Python 編程計算得到逐小時臺州市面雨量和臺風(fēng)過程降水量分布權(quán)重柵格文件。結(jié)合前期在臺州地區(qū)開展的FloodArea 模型參數(shù)本地化試驗及當(dāng)?shù)氐叵鹿芫W(wǎng)排水下滲等因素，參考謝五三等(2018)對合肥以及楊東等(2020)對西安等城市的研究結(jié)果，模擬時將研究區(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 時對應(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，模擬起始時間2019 年8 月8 日08 時，模擬時長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)果為逐時淹沒水深和范圍柵格TIF 文件。參考張君枝等(2020)對水深的劃分，將受淹水深≥0.05 m的柵格判斷為受淹。

圖1 2019年09號超強臺風(fēng)“利奇馬”引發(fā)的浙江省臺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的波段合成工具對所需合成的RGB 柵格中的3 個波段分別指定不同時期的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的檢驗評估

從8 月8日08時—11日08時CMPAS-5km資料和由浙江全省氣象站點空間插值得到的“利奇馬”臺風(fēng)過程降水量空間分布對比看(圖2)，雖在括蒼山(830.9 mm)等個別站點出現(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，也更適合于對臺風(fēng)、梅雨等系統(tǒng)性暴雨的監(jiān)測評估。

圖2 2019年8月8日08時—11日08時“利奇馬”臺風(fēng)影響期間氣象站點累積降水量(a)與CMPAS-5km實時累積降水量(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.

對浙江省“利奇馬”臺風(fēng)過程CMPAS-5km與水文站的降水量的獨立評估檢驗表明，兩者的一致性較好，大部分?jǐn)?shù)據(jù)點都分布在散點圖(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—11日08時浙江省“利奇馬”臺風(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)散點圖(R、RMSE、MAE、N分別表示相關(guān)系數(shù)、均方根誤差、絕對誤差和樣本數(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—11日08時臺風(fēng)“利奇馬”暴雨過程浙江省逐小時CMPAS-5km實時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比看(圖4)，CMPAS-5km 與水文站在72 個時次中兩者的平均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，該時段內(nèi)降水偏弱，很多站點降水量不足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—11日08時“利奇馬”臺風(fēng)暴雨過程浙江省逐小時CMPAS-5km實時面雨量(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”臺風(fēng)暴雨過程浙江省CMPAS-5km實時產(chǎn)品與“水文站+氣象站”累積降水量的相對誤差空間分布(圖5a)可見，全省70%的站點相對誤差在±25%以內(nèi)，近80%的相對誤差在±30%以內(nèi)；在臺州模擬區(qū)域(圖5a藍(lán)色方框)，CMPAS-5km的相對誤差較小。

另由臺州洪水淹沒模擬區(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，則可有效彌補站點監(jiān)測上的縫隙，CMPAS-5km的降水空間分布權(quán)重和面雨量較站點空間插值更為精細(xì)。從“利奇馬”臺風(fēng)影響期間臺州地區(qū)逐小時CMPAS-5km 實時數(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)變化趨勢相對更為一致，這是因為CMPAS-5km融合的站點信息為氣象站降水，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，其格點比現(xiàn)有氣象站點分布更精密均勻。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通過地理空間插值刻畫來得更精細(xì)客觀。

圖5 “利奇馬”臺風(fēng)暴雨過程浙江省CMPAS-5km實時產(chǎn)品與水文站+氣象站累積降水量的相對誤差空間分布(a，方框為臺州受淹模擬區(qū))，以及臺州地區(qū)FloodArea模擬降水權(quán)重與站點分布(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—11日08時“利奇馬”臺風(fēng)影響期間臺州地區(qū)逐小時CMPAS-5km實時面雨量(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)時效滯后在40 min以內(nèi)，相比由水利部門共享的站點降水資料，前者在數(shù)據(jù)傳輸?shù)臅r效性上更具優(yōu)勢和更有保障；CMPAS-5km數(shù)據(jù)為格點資料，與站點空間插值相比，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)贏得了時間。

綜上分析表明：CMPAS-5km在“利奇馬”臺風(fēng)影響浙江省時段與站點資料的一致性較好，無論是從產(chǎn)品的精細(xì)度、穩(wěn)定性還是時效性上看均較站點統(tǒng)計模擬更具優(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)果及驗證

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

圖7 2019年8月8日08時—11日08時“利奇馬”臺風(fēng)影響浙江期間臺州臨海逐小時面雨量(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)，為了對比臺州臨海區(qū)受淹前后的情景，圖8a給出臺州臨海區(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)，排水泄洪出口相對單一，其泄洪能力有限?！袄骜R”超強臺風(fēng)引發(fā)的強降雨加上地勢狹窄，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排出，從而導(dǎo)致當(dāng)?shù)貒?yán)重的洪澇災(zāi)害。

圖8 臺州臨海區(qū)受淹前地形地貌(a)與2019年8月10日18時FloodArea模擬得到的“利奇馬”臺風(fēng)暴雨造成臨海區(qū)受淹情景(b)以及哨兵1號水情遙感監(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“利奇馬”臺風(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SAR 得到的當(dāng)時洪水受淹假彩色圖(圖中藍(lán)色區(qū)域為新增水體)。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。對比模擬和衛(wèi)星雷達(dá)監(jiān)測實況受淹格點差值圖(圖9)可見，基于CMPAS-5km 的FloodArea 模擬結(jié)果較哨兵1 號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模擬與實際受淹區(qū)均匹配較好(紅色)，對應(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中看到上述兩個街道呈淡黃色，說明雷達(dá)回波比正常時偏強，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際受淹情況也較吻合；圖9中C區(qū)和E區(qū)，主要對應(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FloodArea受淹模擬與哨兵1號雷達(dá)衛(wèi)星提取的受淹區(qū)對比檢驗(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”臺風(fēng)影響期間臨海牛頭山水庫逐小時水位及其附近受淹點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時水位超過汛期正常水位后繼續(xù)上漲；而模擬的受淹點水深上漲開始時間要晚于水庫水位上升開始時間，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時前后達(dá)到峰值后降幅也較快。

圖10 2019年8月8日08時—11日08時“利奇馬”臺風(fēng)影響期間牛頭山水庫逐小時水位(單位:m)與其附近受淹點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.

對上述洪水淹沒空間分布，除與哨兵1 號SAR 進(jìn)行對比驗證外，本文在盡可能收集相關(guān)準(zhǔn)確信息的情況下共選取4 個災(zāi)情驗證點(調(diào)查其最大淹沒水深)對FloodArea模擬結(jié)果進(jìn)行檢驗。4個災(zāi)情驗證點分別選在臨海市古城街道望江路段附近(驗證點1)、古城街道臨海中醫(yī)院大樓(驗證點2)、大田街道東方大道山前村(驗證點3)、大洋街道湖畔尚城(驗證點4)。驗證結(jié)果表明，除驗證點1的模擬水深較實況偏大外，其余3個驗證點模擬水深均較實況偏小，模擬的最大受淹水深與實際報道的最大受淹水深誤差均在±22%以內(nèi)，模擬結(jié)果與實況總體較為一致(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”臺風(fēng)造成臨海多個受淹代表點的最大淹沒水深模擬結(jié)果檢驗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”臺風(fēng)引發(fā)浙江臺州臨海市受淹為例，利用浙江省水文站和氣象站降水量觀測資料對CMPAS-5km進(jìn)行檢驗評估；基于CMPAS-5km計算的面雨量和降水分布權(quán)重柵格驅(qū)動FloodArea 二維水動力淹沒模型進(jìn)行洪澇模擬，借助哨兵1 號SAR資料和地面驗證點對模擬受淹結(jié)果進(jìn)行驗證。主要結(jié)論如下：

(1) 利用浙江省2 620 個水文站降水量數(shù)據(jù)對CMPAS-5km 的檢驗評估表明，兩者時空分布一致性較好，兩套臺風(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“水文站+氣象站”的“利奇馬”臺風(fēng)過程降水的相關(guān)系數(shù)也達(dá)0.89，全省70%站點過程降水量相對誤差在±25%以內(nèi)。

(2) CMPAS-5km、水文站及氣象站3 套資料在臺州地區(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 比水文站點資料在傳輸時效性上更具優(yōu)勢；CMPAS-5km數(shù)據(jù)為格點資料，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 個驗證點的實際水深誤差均在±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)行了驗證，CMPAS-5km 資料在及時性、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)化評估，且能為面向?qū)崟r氣象防災(zāi)減災(zāi)的臺風(fēng)暴雨災(zāi)害風(fēng)險評估服務(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)一步提高格點降水量空間分辨率和DEM精度，怎么才能獲取更精確的實時水位和城市復(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)測和評估服務(wù)值得重點關(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！