开封市7.20特大暴雨城市内涝风险评估

冯 峰 ，喻谦花，罗福生，霍继超，冯跃华，靳晓颖 ，刘 翠

(1. 黄河水利职业技术学院，河南 开封 475004； 2. 河南省黄河中下游水资源节约集约利用工程技术研究中心，河南 开封 475004； 3. 开封市气象局，河南 开封 475004； 4. 河南省豫东水利工程管理局，河南 开封 475004)

2021年7月20日，河南省遭遇极端强降雨。7月18日8时至20日15时30分，河南郑州荥阳、巩义7个雨量站降雨量超600 mm，重现期均大于500年一遇，最大点雨量718.5 mm[1]。极端强降雨引起河南多地出现严重城市内涝，防汛形势十分严峻[2]。城市内涝不仅威胁城市居民生命财产和出行安全，也造成了巨大经济损失[3-4]。近年来聚焦于城市内涝的研究取得了较大进展，主要集中在内涝引发的灾害、形成的原因、治理的措施等方面[5-9]。对于城市内涝风险评估研究，陈嘉雷等以珠海市为例，构建了基于InfroWorks ICM 的城市雨洪模型，结合层次分析法和熵权法量化脆弱性，对3种设计暴雨情景下的研究区内涝风险进行评估[10]。这种利用雨洪模型模拟演进对城市内涝风险进行评估和划分的方法，为本研究风险评价指标遴选和确定提供了思路。陆敏博等以苏州市相城区为例，采用Mike 模型建立排水防涝系统耦合模型，同时考虑平原河网地区城市排水防涝特征，评估多种情景下的雨水系统排水能力和内涝风险[11]。苏州市相城区与本研究区域开封同为平原河网地区，为评估7.20 特大暴雨风险评估模型构建提供了可借鉴的思路。王俊佳等采用层次分析法将研究区域划分为高风险内涝区、中风险内涝区和低风险内涝区[12]。杨帆等从内涝成因的角度出发，以佛山市为典型研究区域，定量评估了佛山市城区多种雨潮组合下遭遇概率及其变化趋势[13]。

以上研究在内涝风险评估方面取得了一定的成果，但大部分使用数据模拟、模型计算，对城市某区域的内涝风险进行场地演进模拟，评估结果缺少实际强降雨过程的检验，可能存在着风险评估不准确等问题[14]。对于由极端强降雨引发的城市内涝，缺乏真实内涝数据和实际案例的风险综合评价方面的研究。因此在开封市7.20 特大暴雨降水过程、内涝监测数据的基础上，基于城市特点开展针对性的风险评估研究，通过分析风险来源遴选代表性指标，采用分层、多种赋权方法来规避人为因素带来的误差，构建改进的风险模糊评价模型，能够充分利用指标数据携带的信息，有效处理不同的决策偏好，使内涝风险评估结果更加精准实用。

1 研究区域与资料

开封市位于黄河下游，河南省中东部，东经113°51′51″~115°15′42″，北纬34°11′43″~35°11′43″，总面积6 444 km2，城区面积546 km2。开封市属暖温带大陆性季风气候区，年均气温为14.52 ℃，多年平均降水量为627.5 mm，降水多集中在夏季7、8月份。根据历年遇到暴雨时易形成多个内涝积水点的范围，选择开封市中心城区为研究区域。由于研究区域内的内涝已严重影响城市的防洪安全和居民出行，开展7.20 特大暴雨内涝风险研究就显得非常迫切和必要。

1.1 7.20 特大暴雨降水过程

根据开封气象站监测数据，7月20日0时至22日8时7个气象站降水过程如图1 所示。最大降水强度出现在7月20日22时，A 站达到103.4 mm/h；最大3 h 累计降水量出现在A 站为157.0 mm，最大24 h累计降水量出现在G 站为276.2 mm，最大48 h 累计降水量出现在A 站为354.7 mm，该值已达到开封多年平均降水量627.5mm 的56.5%。7个站点56 h 的平均累计降水量为345.1 mm，各站点累计降水量相差较小，说明本次特大暴雨在研究区域范围内的降水量和降水过程差别不大。

图1 开封市7.20 特大暴雨降水过程（56 h）Fig. 1 Precipitation process of 7.20 heavy rainstorm in Kaifeng City (56 hours)

1.2 开封市内涝监测站点及数据来源

研究区域以开封古城墙为中心，北至复兴大道，南至滨河路，东至劳动路，西至金明大道。根据研究区域内易发生内涝积水的位置，选择了市内12个内涝自动监测站点为研究对象，研究区域位置、监测站点的地理位置如图2 所示，各站点的地理位置、编号与气象站之间的对应关系及经纬度见表1。2021年的7.20 暴雨内涝数据来源于自动监测站每2 min 生成的监测数据。

表1 开封市积水内涝自动监测站点位置Tab. 1 Location of automatic monitoring points of waterlogging in Kaifeng City

图2 研究区域内涝积水监测站点分布Fig. 2 Distribution of urban waterlogging monitoring points in research area

根据2021年7.20 暴雨内涝监测站点数据，12个站点中最大积水深度发生在5号站点（达104 cm），最小积水深度发生在10号站点（为6 cm）。最大平均积水深度也是5号站点，达60.44 cm，最小的平均积水深度发生在7号站点为3.10 cm。积水持续时间最长的为2、3 和6号站点，都达到41.50 h；积水持续时间最短的为8号站点，积水时长为5 h。最大积水深度出现时间：7号站点最早，为2021年7月20日 的22时06分，8号站点出现时间最晚，为2021年7月21日 9时14分，比7号站点晚了11 h 8 min。

2 城市内涝风险评估

2.1 内涝风险评估结构

城市内涝风险评估是在已有内涝数据基础上，更准确地识别出短期风险、长期风险、综合风险，为后期的区域内涝积水防治、应急预案制定、排涝措施规划、后续风险规避等提供科学依据。城市内涝风险评估由短期风险、长期风险两个维度的因素构成，两个因素下遴选若干影响因子，影响因子由代表性指标表示。城市内涝风险评估体系共分3 层：第1 层是风险评估目标层；第2 层是由短期风险因素、长期风险因素构成的准则层；第3 层是由若干个代表性指标构成的指标层。在第2 层2个子系统中，短期风险因素侧重于内涝在较短时间内对道路通行安全、人员涉水安全、淹没深度及范围等方面产生的不利影响，选择了积水深度、积水出现时间、积水面积等瞬时性指标；长期风险因素侧重于内涝存续在较长时间内对道路、建筑物等设施的基础浸泡、排涝困难等方面的不利影响，遴选了积水持续时间、不同积水深度持续时间等过程性指标。

根据开封市7.20 特大暴雨的降水过程，12个站点数据统计时段为7月20日0时至22日 8时共56 h，如表2 所示。第1个指标xn1是指在7.20 特大暴雨降水的56 h 中，根据监测站点间隔2 min 积水数据中出现的最大积水深度。第2个指标xn2是指在7.20 特大暴雨降水的56 h 过程中，积水累计时长内的积水深度平均值。第3个指标xn3最大积水深度出现时间，是以12个站点中最大积水深度出现时间滞后于对应气象站降水峰值出现的时间，以分钟（min）计算。如图1 所示7个气象站降水峰值出现时间均为7月20日22 点。第4个指标xn4积水面积，由于监测点安装的设备及位置并不能监测到此项数据，由内涝点的实际积水面积情况表述为定性指标。第6~9个指标为不同积水深度的累计时长，考虑到涉水及通行的安全影响，积水深度在10 cm 以下未列入。

表2 7.20 特大暴雨开封市内涝风险评估指标数据Tab. 2 Waterlogging risk assessment index data of 7.20 heavy rainstorm in Kaifeng City

2.2 风险模糊评估模型

根据前期研究成果，对多目标多层次评估问题采用改进的模糊评价模型比较适合[15-16]。模糊评价模型常用的指标、系统权重确定方法为二元比较模糊标度法，将指标或子系统两两对比主观判断后，利用查模糊标度与相对隶属度关系表的方法确定。这种权重确定方法适用于指标数量、评价方案较少的情况，并对主观判断的专业性和准确性要求较高。根据城市内涝风险评估的特点对模型权重确定方法进行改进，在指标层、准则层权重确定时采用分层赋权法，以减少人为因素或其他误差对评价结果的影响[15]。对于指标层，以短期风险因素、长期风险因素2个子系统的指标作为输入数据，由式（1）利用模糊评价计算，得到该层的12个站点的相对优属度向量并作为输出数据。

式中：u'n为短期风险子系统的相对优属度向量；u'a为长期风险子系统的相对优属度向量；xn为短期风险因素子系统的指标；xa为长期风险因素子系统的指标；l 为参与风险评价的站点数；k 为子系统的指标数。

对于第2 层，最低层的输出结果也是该层的输入数据，由式（2）构成该层输入数据。

从输出结果到输入数据的变化由式（3）完成，令

依此从最低层（目标层）向最高层（目标层）逐层进行计算，由于目标层只有一个系统，可直接输出得到系统结果，即方案相对优属度向量[17]，如式（4）所示。

式中：u 为目标层系统的相对优属度向量；u1为对应于等级1 的相对优属度向量；h 为评价等级级别数，包括极高、较高、中等、较低、极低等5 级。

风险评估过程如下：

（1）由7.20 特大暴雨开封市内涝风险评估指标的原始数据，构建l个站点k个指标的判断矩阵X 如下：

（2）评价指标有定量、定性指标2种，判断矩阵X 由定量指标值和定性指标的相对优属度组合构成。定性指标I4的相对优属度值按二元比较模糊决策分析法[18]通过查表法确定。

（3）归一化处理指标判断矩阵，得到归一化判断矩阵B。根据指标是正向或逆向的不同类型，正向指标用式（6）计算，逆向指标用式（7）计算。

式中：bij为归一化判断矩阵中第i 行第j 列的元素；xij为第i 行第j 列的指标值；i 为矩阵行数，亦为指标数；j 为矩阵列数，亦为评价站点数。

（4）由分层赋权法确定系统第1 层各指标、第2 层各子系统的权向量。第1 层采用数学赋权法，通过计算各指标的熵值确定各指标的权向量，熵值权向量主要是依据各指标所携带的数据信息，有效地避免了人为主观因素的影响[19]。指标的熵值用式（8）计算，指标熵值权向量用式（9）确定[20]。为了能够模拟各种情况，确保内涝风险评价更符合实际，第2 层子系统权向量采用3种方法进行赋权，分别为熵值权向量、对等权向量和决策偏好权向量。

式中：Hi为指标i 的熵值；fij为熵值计算的参数。

式中：ωi为第i个指标的熵值权向量。

（5）计算第1 层各子系统相对优属度向量，利用连续模糊优选原理的式（10）计算。

式中：uhj为第j个方案对应级别h 的相对优属度向量；i为矩阵第i 行，共m行，与指标数相同；j为矩阵第j列，共n 列，与评价站点数相同；h为评价等级级别数，h=aj,aj+1,···,bj；dhj、zj为计算参数，=sh为等级h 对应的标准值向量。

（6）计算准则层短期风险、长期风险2个子系统的相对优属度向量，重复（3）~（5）步骤。

（7）得出最高层风险评估目标层的输出相对优属度向量，用式（11）计算各站点的级别特征值。

式中： H 为第j个站点的级别特征值。

3 开封市内涝风险评估

短期风险因素下有1个定性指标，即积水面积xn4，根据语气算子和相对隶属度的关系表[18]，可确定该指标的相对优属度矩阵如下：

根据城市内涝风险评估的目标，以及由暴雨引发的内涝和积水产生的不利影响和风险越低越好的原则，将9个指标进行分类[21-22]。xn3计算的最大积水深度出现时间滞后于对应气象站降水峰值出现的时间，出现的越晚内涝风险越小，因此该指标为正向越大越优型指标；其余8个指标为逆向越小越优型指标。第1 层（输入层）2个子系统下各指标权值的计算，令定性指标的相对优属度为其构成特征值矩阵X 的数据值，与定量指标组合，利用式（6）、（7）计算各子系统指导的归一化判断矩阵B。利用式（8）、（9）计算第1 层（输入层）2个子系统各指标的权值（表3）。

表3 短期风险、长期风险子系统的熵值和权值Tab. 3 Entropy value and weight vector of short-term and long-term risk subsystem

构建第2 层各子系统的方案相对优属度矩阵R，计算归一化判断矩阵B。对短期风险因素、长期风险因素2个子系统设置不同的权重模拟各种决策情况，有效规避因权重设置不合理导致的评价结果偏差问题。子系统权向量采用第1种方法熵值权向量（w=（0.381，0.619））、第2种方法对等权向量（w=（0.500，0.500））和第3种方法决策偏好权向量（w=（0.600，0.400））。第3种决策偏好权向量，模拟的是决策者更看重短期风险的影响，代表了偏保守的决策意愿。分别利用式（10）、（11）进行计算，结果如表4 所示。

表4 开封市内涝风险评估12个站点的级别特征值Tab. 4 Level characteristic values of 12 stations for waterlogging risk assessment in Kaifeng City

4 结果分析

将表4 中级别特征值进行转换，级别特征值H 整数位代表的是级数，对应1~5 级的标准值为（0，0.3，0.6，0.8，1.0），通过内插计算转换为0~1 之间的风险综合评价结果，如表5 所示。根据在第2 层对2个子系统采取的3种计算方法，得出开封市12个站点的内涝综合风险评估值，为了更直观判断风险等级，将风险设为Ⅴ级（Ⅰ级极低、Ⅱ级较低、Ⅲ级中等、Ⅳ级较高、Ⅴ级极高），对应综合评估值的范围为0~0.14，0.15~0.39，0.40~0.59，0.60~0.84，0.85~1.00，3种方法对应的评价级别见表5。

表5 开封市内涝风险评估12个站点综合评价结果Tab. 5 Comprehensive evaluation results of waterlogging risk assessment of 12 stations in Kaifeng City

在内涝短期风险评估中，根据第2 层评价结果可知：5号站点评估值最大，风险等级为极高；10号站点的评估值最小，风险等级为中等。在长期风险评估中，6号站点评估值最大，风险等级为较高；8号站点的评估值最小，风险等级为极低。输出层3种方法的评估值对比如图3 所示。12个站点的评估值中，有9个站点的第3种决策偏好权向量法评价结果均是3种方法中最低的，且无极高风险等级，这说明决策偏好偏保守。12个站点中3种赋权方法均显示：5号站点评估值最大，风险等级为极高；7号站点评估值最小，风险等级为较低。综合风险评价等级为极高的是5号、2号站点，较低的是7号、8号站点。

图3 开封市城市内涝风险3种方法评价对比Fig. 3 Comparison of urban waterlogging risk evaluation by three methods in Kaifeng City

计算所得的开封市7.20 特大暴雨12个站点56 h的内涝过程，经与12个站点的内涝风险评价结果对比，符合内涝实际发生过程，5号、2号2个站点过程曲线均在图4 中显示峰值最大、覆盖时间最长。综合风险评价等级为较低的是7号、8号站点，也符合内涝实际发生过程，2个站点过程曲线均显示积水深度小且覆盖时间短。5号点位于开封市复兴大道西段，由于此处的排水管网较小、地势低洼等原因，在历次降雨中极易发生内涝，积水深度大且历时长。6号站点位于复兴大道与东环北路交叉口，积水持续时间较长，内涝风险也较高，评价结果与实际内涝过程完全吻合。复兴大道为开封市北面重要的交通要道，是进出连霍高速公路的必经之路，内涝积水将严重影响道路交通和居民出行。此次7.20 特大暴雨更是充分暴露了5号、6号站点内涝风险的情况，因此后期需要加强复兴大道排水管网改造力度，布设排水泵站时应优先考虑。7号站点位于开封市第三职业高中门口，在降雨过程中虽然有积水，但历时短积水较浅，因此综合风险较低。位于老城区城墙内的7号、9号站点风险等级为较低和中等，也得益于老城区内水系众多，河湖连通，排水系统较发达。

图4 开封市7.20 特大暴雨12个站点内涝过程（56 h） (单位： mm)Fig. 4 Waterlogging process at 12 stations of 7.20 heavy rain in Kaifeng City (56 hours) (unit: mm)

与对应的7个气象站降水过程对比，A 站的小时降水量、3 h 累计降水量、48 h 累计降水量均为7个站点中最大的，但对应的内涝积水风险为较高。这是因为开封的西部城区是新区，排水管网及泵站相对较完善，降低了内涝积水的风险。最大24 h 累计降水量出现在G 站，但G 站覆盖的内涝站点中7、8号的风险评估均为较低。结合城区DEM 图可见：在地势南高北低的影响下，开封南区、东区内涝积水风险得到了有效缓冲，开封老城区内排水效果较明显。B、F 站的48 h 累计降水量为7个站点中较小的，但对应的5、6号内涝站点却是风险极高和较高。DEM 图也显示：开封北区地势低洼，排水体系较差，容易形成小雨大涝险情。这应该引起重视。

5 结 语

在河南7.20 特大暴雨的真实背景下，针对城市内涝风险评估问题开展研究。根据城市内涝监测数据，构建了由短期风险、长期风险2个维度，9个指标构成的3 层评价体系。在模糊评价的基础上对模型分层赋权进行了改进，采用输入层、准则层不同的赋权方法。对2个子系统设置不同的权重模拟各种决策情况，采用了第1种方法熵值权向量（w=（0.381，0.619））、第2种方法对等权向量（w=（0.500，0.500））和第3种方法决策偏好权向量（w=（0.600，0.400））赋权方法，有效规避因权重设置不合理导致的评价结果偏差较大，确保评价结果的合理性。以开封市7.20 特大暴雨为研究实例，选择了12个内涝站点进行风险评估，评价结果与实际相符。3种不同赋权方法下评价结果仍保持一致，这证实了评价结构和模型具有较强的适用性。

通过7.20 特大暴雨12个站点的风险评估结果，可知中等以上风险的站点占比达到了83.3%，说明开封市需提高洪涝排泄能力和城市应急管理水平。内涝风险评估结果也为开封市排水管网改造、排涝泵站的选址、海绵城市建设等提供有益的数据支持，还可根据第2 层评价结果具体分析短期风险和长期风险的变化过程，找到弱项和短板，从而为城市防涝应急预案制定和抢险提供方向和思路。