2023, Vol. 49 
2. 中国气象局雄安大气边界层重点开放实验室，雄安 071800；
3. 河北省气象灾害防御和环境气象中心，石家庄 050021；
4. 河北雄安新区气象局，雄安 071700；
5. 南京信息工程大学地理科学学院/灾害风险管理研究院，南京 210044
2. CMA Xiong'an Atmospheric Boundary Layer Key Laboratory, Hebei, Xiong'an 071800;
3. Meteorological Disaster Prevention and Environment Meteorological Center of Hebei Province, Shijiazhuang 050021;
4. Meteorological Office of Xiong'an New Area, Hebei, Xiong'an 071700;
5. Institute for Disaster Risk Management/School of Geographical Science, Nanjing University of Information Science and Technology, Nanjing 210044
洪水灾害是中国发生最频繁、影响最严重的自然灾害之一。随着全球变暖和社会经济的快速增长，2001—2020年中国洪水灾害造成的年均受灾人口超过1亿人次，直接经济损失达1678.6亿元，占国内生产总值(GDP)比重的0.34%(李莹和赵珊珊，2022)，极大地威胁着人类社会的生存和发展(罗亚丽等，2020；黄垭飞等，2021；江洁等，2022)。气候模式预估显示，未来中国极端降水和强降水占年降水量的比重均会增加(秦大河和翟盘茂，2021)，洪水灾害风险将进一步增大。有效地开展洪水灾害风险评估不仅是洪水灾害风险管理的重要内容，更是降低灾害损失和减轻灾害风险的前提和基础，对区域防洪减灾措施制定和洪水灾害风险应对具有重要的现实意义。
国内外学者已经对洪水灾害风险评估开展了大量研究，早期的评估侧重灾害的自然属性，主要分析致灾因子的危险性或灾害损失特征，以评估风险的高低(何报寅等，2002；Dankers and Feyen, 2008；李莹和赵珊珊，2022)。随着灾害风险理论的发展，洪水灾害风险开始关注灾害的社会属性，逐步开展灾害损失与影响的定量评估(张继权等，2006；胡畔等，2021)、灾害暴露度和脆弱性分析(权瑞松等，2011；Jongman et al, 2012；王艳君等，2014)，以及考虑灾害的自然和社会双重属性进行洪水灾害的风险评估研究(Hirabayashi et al, 2013；李万志等，2019)。目前，对中国全国(田国珍等，2006；徐影等，2014)、省级(宫清华等，2009；张婧等，2009；李喜仓等，2012；李万志等，2019)、市(县)(张君枝等，2020；周轶等，2021；曹雪健等，2022)和流域(刘家福等，2008；谢五三等，2017)尺度的洪水灾害风险评估与区划研究已有较多成果。研究结果表明，未来中国洪水灾害高风险区将有所增加，主要出现在四川东部、华东的大部分地区、华北的京津冀地区、陕西和山西的部分地区以及东南沿海的部分地区(徐影等，2014)，未来气候变化情景下每升温0.5℃，中国每年因洪水灾害造成的损失预估超过600亿美元(Jiang et al, 2020)。从研究方法来看，研究人员主要采用基于历史灾情的数理统计方法(张继权等，2006；王艳君等，2014；李莹和赵珊珊，2022)、基于指标体系的方法(田国珍等，2006；宫清华等，2009；张婧等，2009；李喜仓等，2012)和基于情景模拟的方法(权瑞松等，2011；谢五三等，2017；张君枝等，2020；周轶等，2021；扈海波等，2021；狄靖月等，2022)。其中，基于历史灾情的数理统计方法要求较长时间序列的灾情数据，基于指标体系的方法在指标的选取与权重设定中具有较大的主观性，且这两种方法很难反映灾害系统中各要素的联系和灾害演变过程，无法展现复杂灾害系统的动态性(胡恒智等，2018；李超超等，2020)；基于情景模拟的方法需要较为精细的地理信息和社会经济数据，通常运用遥感和GIS技术构建洪水淹没模拟和灾害损失模型，实现对灾害风险的动态评估，是灾害风险评估研究的主流方向。近年来，人工神经网络、支持向量机、决策树、随机森林等机器学习方法(Lee et al, 2017；Dano et al, 2019；Li et al, 2019；刘扬和王维国，2020；Zhu and Zhang, 2021；曹伟华等，2022)，与GIS技术结合，可以更准确地识别和评估洪水易发区，也将成为洪水灾害风险评估的新兴方法。上述风险评估研究中多数以致灾危险性直接作为风险指标或者以历史时期某一年份的静态社会经济数据开展承灾体的暴露度和脆弱性分析，较少结合动态社会经济情景评估洪水灾害风险。
雄安新区位于海河大清河流域腹地，地处“九河下梢”，频繁遭受上游中小河流洪水影响，社会经济损失严重(郝志新等，2018；盛广耀等，2020)。目前，已经开展高分辨率气候模式对雄安新区未来极端气候事件预估和历史灾情统计特征的相关研究，研究表明，未来雄安新区最大日降水量明显增加，暴雨和洪涝事件的频率和强度均将增大(吴婕等，2018；石英等，2019)。郝志新等(2018)通过对历史文献等洪涝灾害记录的摘录整理，分析了雄安新区过去300年洪涝灾害时空分布特征，认为雄安新区洪涝灾害发生频繁且灾情严重，平均2~3年发生1次；盛广耀等(2020)通过整理地方历史文献中的洪涝灾害记录，结合1960年以来的降水观测数据，分析了不同时期各种影响因素对于洪涝灾害发生及灾害等级的边际效应，评估了未来气候变化的极端降水增量情景下雄安新区内涝灾害事件及高等级洪涝发生的风险。结果指出，雄安新区的洪灾频次低于涝灾，但洪灾灾情普遍较重；安新县洪涝灾害发生频次较高，容城县洪涝灾害明显减少；未来本地极端强降水不足以导致高等级洪涝灾害的发生，只有在发生洪水致灾的同时当日极端降水强度增加15%(300 mm)以上时，有县域会发生2级及以上洪涝灾害。随着雄安新区经济社会不断发展，未来气候变暖背景下雄安新区将面临怎样的洪水灾害影响与风险，是雄安新区规划建设必须面对且应深入思考的问题。本研究以雄安新区上游中小河流域为研究区，以年最大连续3 d降水量作为洪水致灾因子，采用水文模型HBV和水动力模型FloodArea相结合的方法模拟洪水的淹没过程，通过构建直接经济损失率脆弱性曲线，结合未来雄安新区动态人口和经济预估情景，开展雄安新区上游中小河流洪水的经济损失风险评估。研究结果将为雄安新区的城市规划和防洪减灾措施制定提供科学依据。
1 研究区概况雄安新区由雄县、容城县、安新县及周边部分区域组成，其中容城、安新两县交界区域为新区起步区，雄县、容城县、安新县城及寨里乡、昝岗镇为5个外围组团区域，总面积约为1770 km2，地处海河流域大清河水系冲积扇上，属太行山麓平原向冲积平原的过渡带，全境西北较高、东南略低，海拔为7~19 m，自然纵坡为1‰左右，耕地为其主要土地利用类型(侯春飞等，2021)。2021年末新区常住总人口约为131万人，人均GDP约为2.33万元(国家统计局农村社会经济调查司，2022)。雄安新区上游中小河流众多，可分为南北两支。南支河流包括萍河、瀑河、漕河、府河、唐河、孝义河、潴龙河等，其中潴龙河流域面积最大，为9430 km2，萍河流域面积最小，仅为440 km2，各河流均汇入白洋淀；北支河流有南拒马河、北拒马河、白沟河等，白沟河与南拒马河在白沟镇汇合后，始称大清河，在此以下大部分洪水由新盖房分洪道入东淀，少量经白沟引河入白洋淀(河北省水利厅，2009)(图 1)。新区白洋淀以上流域总面积约为21 045 km2，河流源短流急，汇流时间短、洪水陡涨陡落，一旦发生暴雨，极易造成新区洪水灾害(河北省水利厅，2009)。
|
图 1 研究区水系和水文气象站点分布 Fig. 1 The distribution of hydrometeorological stations and river system |
研究所需气象观测数据来源于国家气象信息中心，包括大清河流域及周边61个气象站点(图 1)1961—2019年的逐日降水量，逐日最高、最低和平均气温，数据均通过了气候界限值、台站极值和内部一致性检查等质量控制方法的检验(任芝花等，2010)。气候模式数据使用第六次国际耦合模式比较计划(CMIP6)中预估情景齐全的5个全球气候模式(CanESM5、CNRM-ESM2-1、IPSL-CM6A-LR、MIPOC6和MRI-ESM2-0)所输出的逐日降水量，为了与观测数据起始年份一致，所用数据时段选择1961—2014年为历史试验期，2021—2050年为未来预估期。气候预估情景是基于共享社会经济路径(SSP1-5)的不同社会发展生成相应的土地利用和排放路径变化，强调未来辐射强迫情景与共享社会经济情景的一致性(张丽霞等，2019)。考虑到SSP2-4.5情景是中等的辐射强迫情景，温室气体的时间变化与中国未来经济发展趋势较为一致，适合中国国情，符合政府对未来经济发展、应对气候变化的政策措施(高超等，2014)，因此，气候预估情景选择中等辐射强迫情景SSP2-4.5。由于不同气候模式的空间分辨率不一致，本研究采用空间解集和偏差订正方法(Su et al, 2016; Hempel et al, 2013)将气候模式数据统一降尺度到0.5°×0.5°的空间分辨率。
雄安新区上游中小河流域流量观测数据来源于河北省水利厅，包括东茨村(白沟河)、北河店(南拒马河)和北郭村(潴龙河)水文站1961—1966年逐日流量。其他支流(瀑河、漕河、唐河、府河、萍河和孝义河)的逐日流量，由流域观测气象数据驱动HBV水文模型模拟获得。
研究区数字高程模型(DEM)数据来源于地理空间数据云(http://www.gscloud.cn)，2015年的土地利用数据源自中国科学院资源环境科学中心，空间分辨率均为30 m；土地利用数据还包括由《河北雄安新区总体规划——新区用地功能规划图》数字化得到的雄安新区2035年的矢量图；土壤最大持水量为德国波茨坦气候影响研究所水文组依据联合国粮食与农业组织(FAO)土壤分类标准推算的土壤持水力值。由于不同来源的数据坐标和投影不一致，本研究统一将其投影转换为Albers投影，坐标系转换成2000国家大地坐标系(CGCS 2000)。
为了与气候预估情景SSP2-4.5对应，未来的社会经济发展情景选取了共享社会经济路径SSP2，该路径是中间路径，未来世界将保持与历史时期相似的道路继续发展，面临中等气候变化减缓和适应挑战(O’Neill et al, 2017)。共享社会经济路径SSP2雄安新区的人口和GDP预估数据，来源于南京信息工程大学灾害风险管理研究院(Jing et al, 2022)。其中，人口预估采用人口-发展-环境分析(PDE)模型，GDP预估采用柯布-道格拉斯(Cobb-Douglas)经济生产函数，以2010年为基准年本地化模型参数，预估2010—2050年的人口和GDP，并以2035年雄安新区的土地利用规划数据，对预估结果进行格网化处理，其空间分辨率为1 km；1984—2019年河北省GDP来自河北省统计年鉴；1984—2019年河北省暴雨洪水直接经济损失来源于国家气候中心。
2.2 方法 2.2.1 HBV水文模型HBV水文模型是瑞典气象和水文研究所(Swedish Meteorological and Hydrological Institute, SMHI)在20世纪70年代研发的概念性、半分布式水文模型( Bergström et al, 2002 )。该模型能够根据海拔、土地利用以及植被类型的不同，将流域划分为多个不同的子流域，并分别模拟各子流域的 产流过程，经过河道汇流形成流域出口径流。HBV水文模型具有结构简单、参数优选速度快、应用相对容易和模拟性 能好等特点，在中国不同流域都有较好的应用效果(黄金龙等，2016 ；Xu et al, 2017；Seibert and Vis, 2012 )。考虑到研究区1961—2019年降水量呈现下降趋势，近年来降水量总体偏小，为了更好地校验水文模型，选择包含1 963年和1964年两次大洪水发生的年份作为水文模型的率定期和验证期，结合数据的获取性，最后以1961—1963年为 率定期，1964—1966年为验证期，利用东茨村、北河店和北郭村3个水文站的观测流量资料，对HBV水文模型进行参数率定和验证，并采用纳什效率系数(Nash-Suttcliffe efficiency，NSE)(Nash and Sutcliffe, 1970)和克林效率系数(Kling-Gupta efficiency，KGE)(Gupta et al, 2009 )来判别模型模拟值与观测值之间的拟合程度(图略)。NSE和KGE值越接近于1，说明模拟精度越高；对于日尺度的模 拟，当NSE≥0.6，KGE≥0.6，则认为模型在该流域表现良好。本研究3个水文控制流域的模型模拟效果见表 1 ，各水文站的NSE和KGE基本均高于0.60，说明HBV水文模型适用于流域径流模拟研究。研究区的唐河、清水河、漕河 、瀑河、府河、萍河、孝义河等流域由于水文数据的限制，无法进行水文模型的参数校验，因此，这些流域的径流 模拟采用就近原则，选择距离流域出水口最近的已校验好的流域参数。其中，漕河、瀑河、府河、萍河流域参数使 用最近的北河店控制流域的参数；唐河、清水河和孝义河流域则使用北郭村控制流域的参数。
|
表 1 HBV水文模型模拟效果 Table 1 The simulation results of HBV hydrological model |
FloodArea二维水动力模型是德国Geomer公司开发的以ArcGIS为运行平台的洪水淹没模拟模型。其根据研究区DEM、设定水位的河道网络栅格、表示洪水进入圩区起始位置的溃口点及一个或多个水文曲线、表示暴雨分布的降水权重栅格、由曼宁系数获取的糙率等数据，采用三种方式模拟洪水淹没过程，即堤防漫顶式、溃口式和暴雨式，以栅格形式呈现和存储洪水过程每个时相的淹没水深与淹没范围，使得模拟直观明了。本研究采用溃口式模拟雄安新区洪水淹没过程，各河道的溃口点见图 1，溃口点流量由经过参数校验的HBV水文模型模拟，糙率根据空间分辨率为30 m的土地利用结构并依据经验值，将林地、居民点、水田、旱田和水域分别赋值18、25、33、40和50(孙桂华等，1992)。为了验证FloodArea模型的适用性，选取2020年8月12日雄安新区的暴雨实况进行模拟重现。该日雄安新区容城站、安新站、雄县站的降水量分别为58.8、90.2和154.9 mm，达到暴雨量级，局地达到大暴雨。利用FloodArea模型对此次暴雨过程进行淹没模拟，并与实际观测淹没深度进行了对比，结果如表 2所示。从具体的淹没深度来看，雄县盛唐小区东北角和住房与城乡建设局门口的模拟值比观测值分别偏低0.24 m和0.01 m，雄县第三小学门口模拟值比观测值偏高0.05 m，总体上实际淹没深度与模拟淹没值的相对偏差均值为0.10 m，说明FloodArea模型的模拟精度和可靠性较好，可用于雄安新区的洪水淹没模拟研究。
|
|
表 2 实际淹没深度与模拟淹没深度对比(单位：m) Table 2 Comparison of observed inundation depth and simulated inundation depth (unit: m) |
脆弱性指受到不利影响的倾向或习性，包括灾害损失的敏感性以及缺乏应对和适应的能力。由于雄安新区的历史洪水灾损数据较难获取，本研究根据1984—2019年河北省暴雨洪水灾害直接经济损失和GDP，分析直接经济损失率(直接经济损失占GDP的比例)与致灾因子之间的相关性(表 3)，发现暴雨洪水直接经济损失率与年最大连续3 d降水量相关性最强，相关系数为0.58，通过0.01的显著性水平检验。因此，采用年最大连续3 d降水量与暴雨洪水直接经济损失率建立脆弱性曲线，如式(1)和式(2)所示，其中决定性系数为0.36。
| $ L_{\mathrm{r}}=\left(2 \times 10^{-6}\right) P^2-\left(8 \times 10^{-5}\right) P-3 \times 10^{-4} $ | (1) |
| $ L_{\mathrm{r}}=L / G $ | (2) |
|
|
表 3 洪水灾害直接经济损失率与不同致灾因子的相关系数 Table 3 Correlation coefficients between the direct economic loss rate of flood disaster and the disaster-causing factors |
式中：Lr表示暴雨灾害损失率，P表示年最大连续3 d降水量(单位：mm)，L表示暴雨洪水直接经济损失(单位：万元)，G表示GDP(单位：万元)。
2.2.4 风险评估模型根据IPCC(2012)对灾害风险的定义，风险是致灾因子危险性、暴露度和脆弱性三者相互作用的结果。本研究的经济损失风险表示为洪水致灾事件发生的概率与事件损失的乘积，其中洪水致灾事件选择研究区年最大连续3 d降水事件，是因为河北省暴雨洪水灾害直接经济损失与年最大连续3 d降水量的相关性最高(表 3)，且吴绍洪等(2018)对中国暴雨洪水损失与降水量的拟合结果也认为洪水损失在3 d降水量趋于最大；事件的损失则用经济暴露度乘以灾损率表示。经济损失风险(R, 单位：万元)的具体表达式为：
| $ R=F \times E \times L_{\mathrm{r}} $ | (3) |
式中：F表示洪水致灾事件发生的概率(单位：%)，E表示暴露在致灾事件范围内的经济总量(单位：万元)，Lr为损失率(单位：%)。
3 结果分析 3.1 致灾因子危险性雄安新区的洪水灾害主要来自上游暴雨或持续性降水以及本地暴雨，本研究主要讨论上游降水导致的洪水灾害，选取年最大连续3 d降水量作为雄安新区上游中小河流洪水灾害的致灾因子。首先，统计研究区1961—2019年最大连续3 d降水量值，其值达335 mm，重现期为200年一遇，发生于1963年8月8—10日；其次，采用经过参数校验的HBV水文模型，模拟雄安新区上游各支流最大连续3 d降水量产生的流量，以此流量作为各河道溃口点流量输入FloodArea水动力模型，模拟时长为96 h的雄安新区洪水淹没范围和淹没水深，评估洪水致灾因子危险性。洪水演进过程见图 2。
|
图 2 1961—2019年雄安新区最大连续3 d降水量的洪水演进过程 Fig. 2 Flood evolution process for maximum consecutive 3 d precipitation in Xiong'an New Area during 1961-2019 |
从图 2不同历时洪水对雄安新区的淹没范围和水深变化来看，随着时间的推移，洪水由各溃口点呈扇形扩张、演进并交汇，北支白沟河与南拒马河来水在雄安新区边界处汇合，一部分向南推进流入白洋淀，另一部分向东南推进淹没雄县大部分区域，并沿大清河干流向下游流出雄安新区；南支萍河、府河、孝义河、瀑河、漕河、清水河、唐河与潴龙河来水随着时间的推移向白洋淀演进，淹没安新县西南部和容城县白洋淀以西区域。从开始受淹至淹没48 h，洪水的演进速度很快，淹没范围快速达到870 km2，此时平均淹没水深为1.10 m，淹没水深大于0.5 m的区域占总淹没范围的76.52%；48 h后，洪水演进速度放缓，至96 h，淹没范围达1140 km2，平均淹没水深与48 h相比几乎无异，淹没水深大于0.5 m的区域占比略有降低，为73.23%；淹没水深较大的区域主要分布在安新县白洋淀以西的地区。
3.2 社会经济暴露度社会经济暴露度是动态的，随时间和空间尺度的变化而变化，并明显受到经济、社会、地理、人口、文化、体制、管理和环境等因素的影响。雄安新区目前的土地利用以耕地为主，约占总用地面积的69%，其次是城乡工矿用地和水域，分别约占总用地面积的18%和12%，林地仅占0.54%；根据《河北省雄安新区规划纲要》，2035年雄安新区的耕地面积将大幅下降，林地和水域大幅增加，三类用地的面积占比将分别为23%、26%和24%，城乡工矿居住用地和其他用地约占27%。根据SSP2路径下雄安新区的人口和GDP预估结果，雄安新区总人口和GDP分别由2021年的131万人和305亿元增长至2035年的约502万人和4160亿元，人口和GDP增长迅速。为了更好地体现雄安新区社会经济发展带来的承灾体暴露度的变化，本研究将2035年雄安新区土地利用规划分布以及人口和经济预估结果，与最大连续3 d降水量导致的洪水淹没范围和水深进行叠加分析，得到不同用地类型、人口和经济的暴露度，分别见图 3和图 4。
|
图 3 2035年雄安新区(a)暴露耕地和(b)城乡工矿居民用地的淹没水深空间分布 Fig. 3 Spatial distribution of (a) exposed farmland and (b) urban-rural industrial and mining residential land of projected inundated water depth in Xiong'an New Area for 2035 |
|
图 4 2035年雄安新区(a)人口和(b)GDP的暴露度空间分布 Fig. 4 Spatial distribution of (a) exposed population and (b) GDP projected in Xiong'an New Area for 2035 |
耕地和城乡工矿居住用地是受洪水影响较大的土地利用类型，2035年受洪水影响面积分别达237 km2和119 km2，分别占各自用地面积的58.91%和43.44%。耕地的主要暴露区位于地势较低的安新县唐河入白洋淀河道周边区域(图 3a)，且85%以上的暴露耕地的淹没水深大于0.5 m，面积约为200 km2；城乡工矿居住用地的暴露范围集中分布在雄安新区起步区东南部以及雄县境内(图 3b)，水深大于0.5m的面积约为70 km2，占暴露总面积的65%。
根据SSP2路径下雄安新区的人口和GDP预估结果可知，2035年雄安新区人口和GDP均集中分布在雄安新区起步区和雄县、容城、安新县城及寨里、昝岗5个外围组团区域。当发生200年一遇最大连续3 d降水事件时，雄安新区约有50%以上的人口和GDP遭受洪水影响。人口与GDP的暴露度空间分布基本一致，高暴露度区域主要集中在雄安新区起步区东南部以及雄县境内，此区域人口密度和地均GDP较高，暴露人口达1万人·km-2以上，暴露GDP超过5亿元·km-2；安新县虽然受洪水影响范围较大，但人口密度和地均GDP较低，总体的人口和GDP暴露度相对较低，暴露人口低于0.5万人·km-2，暴露GDP低于2亿元·km-2(图 4)。
3.3 社会经济脆弱性本研究主要从灾害损失的敏感性角度评估脆弱性，依据建立的河北省暴雨洪水直接经济损失率和最大连续3 d降水量之间的脆弱性曲线，结合未来雄安新区暴露在洪水影响范围内的GDP，则可计算洪水灾害的直接经济损失，结果见图 5。2035年雄安新区受洪水影响造成的GDP总损失约为364亿元，占GDP总量的8%；损失较大的区域主要分布在雄安新区起步区东南部、雄县和昝岗的城乡居住区，此区域的GDP损失超过1亿元·km-2，甚至有的区域高达3.6亿元·km-2。安新县虽然受瀑河、漕河、清水河、唐河与潴龙河等多条河流来水影响，受洪水影响面积较大，但由于具有土地利用以耕地多、城乡工矿和居住用地少为的主要特点，地均GDP较低，GDP损失多数低于0.5亿元·km-2，是直接经济损失的低值区。
|
图 5 2035年雄安新区直接经济损失的空间分布 Fig. 5 Spatial distribution of direct economic loss projected in Xiong'an New Area for 2035 |
经济损失风险表示为一定概率下洪水灾害事件造成的破坏或损失。本研究中选取年最大连续3 d降水量为洪水致灾事件，1961—2019年最大连续3 d降水量为335 mm，达到200年一遇。基于5个全球气候模式SSP2-4.5情景下年最大连续3 d降水量的中位数，采用广义极值分布(generalized extreme value，GEV)函数，统计得到2021—2050年发生历史年最大连续3 d降水量的概率为0.67%，重现期约为150年一遇。结合前述未来洪水灾害经济暴露度和脆弱性结果，运用经济损失风险评估模型，计算雄安新区洪水灾害的经济损失风险，并采用自然断点法将经济损失风险分为高中低三级，结果如图 6所示，其中风险指数为0的区域为无风险地区。由图可见，容城县大部分地区地势较高，不会受到洪水淹没，属于经济损失无风险地区；安新县东部大部分区域未受洪水淹没，无经济损失风险，安新县西部大部分地区则属于经济损失低风险区域，主要在于该区域以耕地和水域为主，地均GDP和人口密度较低，因此经济损失低；洪水灾害经济损失风险较高的区域主要集中在雄县境内和雄安新区起步区的东南部，这是因为该区域地势较低，同时受白沟河和南拒马河来水影响，且区域内居住区分布较为集中，人口和GDP暴露度高，所以经济损失较大。因此，未来雄安新区应多关注大清河北支来水的影响，警惕其可能造成的洪涝风险；同时南支导致雄安新区内大面积耕地被淹的情况也需予以重视。
|
图 6 2035年雄安新区洪水灾害的直接经济损失风险 Fig. 6 Direct economic loss risk of flood disaster projected in Xiong'an New Area for 2035 |
选取雄安新区上游中小河流域年最大连续3 d降水量为洪水致灾因子，采用HBV水文模型和FloodArea水动力模型相结合的方法，模拟雄安新区洪水淹没面积和水深变化；叠加2035年雄安新区的土地利用规划信息、人口和经济预估数据，评估洪水灾害的社会经济暴露度；通过构建直接经济损失率脆弱性曲线，结合2021—2050年SSP2-4.5情景下发生致灾事件的概率，评估洪水灾害的经济损失风险。主要研究结论如下：
(1) 未来雄安新区将有60%以上范围遭受洪水淹没影响，淹没范围达1140 km2，平均淹没水深达1.1 m，大部分受淹区域水深高于0.5 m，水深较大区域主要分布在安新县白洋淀以西地区，雄县大部分区域受淹，但淹没水深较浅，容城县因地势较高，仅有白洋淀以西区域和起步区东南部地区受洪水淹没。
(2) 2035年雄安新区内58.91%的耕地面积将受洪水影响，暴露区主要位于地势较低的安新县唐河入白洋淀河道周边区域；受洪水影响的城乡工矿居民用地面积达119 km2，占该用地类型总面积的43.44%，集中分布在雄安新区起步区东南部以及雄县、昝岗境内，该区域人口密集、地均GDP较高，也是人口和GDP暴露的高值区，二者暴露度分别达到1万人·km-2和5亿元·km-2以上，全区约超一半以上的人口和GDP暴露在洪水影响下。
(3) 2035年雄安新区的洪水灾害经济损失预计达364亿元，占GDP总量的8%左右；但全区85%以上区域属于经济损失低风险区，尤其是容城县和安新县大部分地区；经济损失高风险区主要分布在人口密集、地均GDP高的雄安新区起步区东南部、雄县和昝岗的城乡居住区，经济损失超过1亿元·km-2。
本研究从经济损失的角度，纳入动态的社会经济暴露度和脆弱性，评估了雄安新区上游中小河流洪水灾害的风险。研究表明，安新县是洪水淹没范围和淹没水深较大区域，是最容易受洪水影响的区域，这与盛广耀等(2020)以日最大降水量为风险指标评估的结果较为一致。然而，由于安新县受影响区域的主要用地类型为耕地，人口密度和GDP产值较低，洪水灾害的经济损失风险也较低；雄安新区起步区东南部、雄县和昝岗的城乡居住区因较高的人口密度和地均GDP，成为洪水灾害的经济损失高风险区域。因此，在灾害风险评估中，需充分考虑承灾体的暴露度和脆弱性，尤其是暴露度和脆弱性的动态特征；同时，随着经济社会的发展、防洪减灾投入的增大，对灾害的适应能力将进一步提升，未来在灾害脆弱性评估中应该考虑适应能力提升的影响，以使灾害风险评估结果更为科学。
此外，雄安新区不仅受上游中小河流洪水影响，同时也受本地暴雨内涝影响。未来雄安新区的降水强度和大雨日数均表现为增加趋势(吴婕等，2018；石英等，2019)，城市内涝也将成为未来雄安新区防洪的重点(盛广耀等，2020)，雄安新区可能遭遇上游中小河流洪水和本地暴雨内涝的同时影响，该洪水风险如何评估将是进一步深入研究的问题。
曹伟华, 南刚强, 陈明轩, 等, 2022. 基于深度学习的京津冀地区精细尺度降水临近预报研究[J]. 气象学报, 80(4): 546-564. Cao W H, Nan G Q, Chen M X, et al, 2022. A study on fine scale precipitation nowcasting in Beijing-Tianjin-Hebei Region based on deep learning[J]. Acta Meteor Sin, 80(4): 546-564 (in Chinese).
|
曹雪健, 戚友存, 李梦迪, 等, 2022. 极端暴雨威胁下的城市内涝风险预警系统研究[J]. 大气科学, 46(4): 953-964. Cao X J, Qi Y C, Li M D, et al, 2022. Early warning system of urban waterlogging under the threat of extreme rainfall events[J]. Chin J Atmos Sci, 46(4): 953-964 (in Chinese).
|
狄靖月, 许凤雯, 李焕连, 等, 2022. 暴雨诱发恩施州地质灾害成因分析[J]. 气象, 48(10): 1321-1332. Di J Y, Xu F W, Li H L, et al, 2022. Cause of the geological hazards induced by rainstorm in Enshi Autonomous Prefecture[J]. Meteor Mon, 48(10): 1321-1332 (in Chinese).
|
高超, 张正涛, 陈实, 等, 2014. RCP4.5情景下淮河流域气候变化的高分辨率模拟[J]. 地理研究, 33(3): 467-477. Gao C, Zhang Z T, Chen S, et al, 2014. The high-resolution simulation of climate change model under RCP4.5 scenarios in the Huaihe River Basin[J]. Geogr Res, 33(3): 467-477 (in Chinese).
|
宫清华, 黄光庆, 郭敏, 等, 2009. 基于GIS技术的广东省洪涝灾害风险区划[J]. 自然灾害学报, 18(1): 58-63. Gong Q H, Huang G Q, Guo M, et al, 2009. GIS-based risk zoning of flood hazard in Guangdong Province[J]. J Nat Dis, 18(1): 58-63 (in Chinese).
|
国家统计局农村社会经济调查司, 2022. 中国县域统计年鉴(县市卷)2022[M]. 北京: 中国统计出版社. Rural Social and Economic Survey Division, National Bureau of Statistics, 2022. China Statistical Yearbook (County-Level) 2022[M].
Beijing: China Statistics Press (in Chinese).
|
郝志新, 熊丹阳, 葛全胜, 2018. 过去300年雄安新区涝灾年表重建及特征分析[J]. 科学通报, 63(22): 2302-2310. Hao Z X, Xiong D Y, Ge Q S, 2018. Reconstruction of the chronology and characteristics of flood disasters in the Xiong'an New Area over the last 300 years[J]. Chin Sci Bull, 63(22): 2302-2310 (in Chinese).
|
何报寅, 张海林, 张穗, 等, 2002. 基于GIS的湖北省洪水灾害危险性评价[J]. 自然灾害学报, 11(4): 84-89. He B Y, Zhang H L, Zhang S, et al, 2002. GIS-based risk evaluation for flood disaster in Hubei Province[J]. J Nat Dis, 11(4): 84-89 (in Chinese).
|
河北省水利厅, 2009. 河北河湖名览[M]. 北京: 中国水利水电出版社. Hebei Provincial Department of Water Resources, 2009. Directory of Rivers and Lakes of Hebei[M].
Beijing: China Water & Power Press (in Chinese).
|
侯春飞, 韩永伟, 孟晓杰, 等, 2021. 雄安新区1995—2019年土地利用变化对生态系统服务价值的影响[J]. 环境工程技术学报, 11(1): 65-73. Hou C F, Han Y W, Meng X J, et al, 2021. Effects of land-use change on ecosystem service values in Xiong'an New Area from 1995 to 2019[J]. J Environ Eng Technol, 11(1): 65-73 (in Chinese).
|
扈海波, 孟春雷, 程丛兰, 等, 2021. 基于城市水文模型模拟的暴雨积涝灾害风险预警研究[J]. 气象, 47(12): 1484-1500. Hu H B, Meng C L, Cheng C L, et al, 2021. Research on urban flash flood risk warning based on urban hydrological model simulation[J]. Meteor Mon, 47(12): 1484-1500 (in Chinese).
|
胡恒智, 顾婷婷, 田展, 2018. 气候变化背景下的洪涝风险稳健决策方法评述[J]. 气候变化研究进展, 14(1): 77-85. Hu H Z, Gu T T, Tian Z, 2018. Review for robust decision theories in reducing the flood risk under climate change background[J]. Adv Climate Change Res, 14(1): 77-85 (in Chinese).
|
胡畔, 陈波, 史培军, 2021. 中国暴雨洪涝灾情时空格局及影响因素[J]. 地理学报, 76(5): 1148-1162. Hu P, Chen B, Shi P J, 2021. Spatiotemporal patterns and influencing factors of rainstorm-induced flood disasters in China[J]. Acta Geogr Sin, 76(5): 1148-1162 (in Chinese).
|
黄金龙, 王艳君, 苏布达, 等, 2016. RCP4.5情景下长江上游流域未来气候变化及其对径流的影响[J]. 气象, 42(5): 614-620. Huang J L, Wang Y J, Su B D, et al, 2016. Future climate change and its impact on runoff in the upper reaches of the Yangtze River under RCP 4.5 scenario[J]. Meteor Mon, 42(5): 614-620 (in Chinese).
|
黄垭飞, 管兆勇, 蔡倩, 等, 2021. 近41年来江南地区暴雨洪涝灾害时空变化特征分析[J]. 气象学报, 79(4): 582-597. Huang Y F, Guan Z Y, Cai Q, et al, 2021. Spatiotemporal variation characteristics of rainstorms and related flood disasters in Jiangnan Region in the recent 41 years[J]. Acta Meteor Sin, 79(4): 582-597 (in Chinese).
|
江洁, 周天军, 张文霞, 2022. 近60年来中国主要流域极端降水演变特征[J]. 大气科学, 46(3): 707-724. Jiang J, Zhou T J, Zhang W X, 2022. Temporal and spatial variations of extreme precipita-tion in the main river basins of China in the past 60 years[J]. Chin J Atmos Sci, 46(3): 707-724 (in Chinese).
|
李超超, 田军仓, 申若竹, 2020. 洪涝灾害风险评估研究进展[J]. 灾害学, 35(3): 131-136. Li C C, Tian J C, Shen R Z, 2020. Review on assessment of flood and waterlogging risk[J]. J Catastrophol, 35(3): 131-136 (in Chinese).
|
李万志, 余迪, 冯晓莉, 等, 2019. 基于风险度的青海省暴雨洪涝灾害风险评估[J]. 冰川冻土, 41(3): 680-688. Li W Z, Yu D, Feng X L, et al, 2019. Risk assessment of rainstorm and flood disasters based on the hazard grades/indices in Qinghai Province[J]. J Glaciol Geocryol, 41(3): 680-688 (in Chinese).
|
李喜仓, 白美兰, 杨晶, 等, 2012. 基于GIS技术的内蒙古地区暴雨洪涝灾害风险区划及评估研究[J]. 干旱区资源与环境, 26(7): 71-77. Li X C, Bai M L, Yang J, et al, 2012. Risk zonation and evalu- ation of rainstorm and flood disasters in Inner Mongolia based on GIS[J]. J Arid Land Resour Environ, 26(7): 71-77 (in Chinese).
|
李莹, 赵珊珊, 2022. 2001—2020年中国洪涝灾害损失与致灾危险性研究[J]. 气候变化研究进展, 18(2): 154-165. Li Y, Zhao S S, 2022. Floods losses and hazards in China from 2001 to 2020[J]. Climate Change Res, 18(2): 154-165 (in Chinese).
|
刘家福, 李京, 刘荆, 等, 2008. 基于GIS/AHP集成的洪水灾害综合风险评价——以淮河流域为例[J]. 自然灾害学报, 17(6): 110-114. Liu J F, Li J, Liu J, et al, 2008. Integrated GIS/AHP-based flood risk assessment: a case study of Huaihe River Basin in China[J]. J Nat Dis, 17(6): 110-114 (in Chinese).
|
刘扬, 王维国, 2020. 基于随机森林的暴雨灾害人口损失预估模型及应用[J]. 气象, 46(3): 393-402. Liu Y, Wang W G, 2020. Assessing model of casualty loss in rainstorms based on random forest and its application[J]. Meteor Mon, 46(3): 393-402 (in Chinese).
|
罗亚丽, 孙继松, 李英, 等, 2020. 中国暴雨的科学与预报: 改革开放40年研究成果[J]. 气象学报, 78(3): 419-450. Luo Y L, Sun J S, Li Y, et al, 2020. Science and prediction of heavy rainfall over China: research progress since the reform and opening-up of the People's Republic of China[J]. Acta Meteor Sin, 78(3): 419-450 (in Chinese).
|
秦大河, 翟盘茂, 2021. 中国气候与生态环境演变: 2021第一卷——科学基础[M]. 北京: 科学出版社. Qin D H, Zhai P M, 2021. Climate and ecological environment evolution in China-2021-Volume 1-Science Basis[M].
Beijing: Science Press (in Chinese).
|
权瑞松, 刘敏, 张丽佳, 等, 2011. 基于情景模拟的上海中心城区建筑暴雨内涝暴露性评价[J]. 地理科学, 31(2): 148-152. Quan R S, Liu M, Zhang L J, et al, 2011. Exposure assessment of rainstorm waterlogging on buildings in central urban area of Shanghai based on scenario simulation[J]. Sci Geogr Sin, 31(2): 148-152 (in Chinese).
|
任芝花, 赵平, 张强, 等, 2010. 适用于全国自动站小时降水资料的质量控制方法[J]. 气象, 36(7): 123-132. Ren Z H, Zhao P, Zhang Q, et al, 2010. Quality control procedures for hourly precipita-tion data from automatic weather stations in China[J]. Meteor Mon, 36(7): 123-132 (in Chinese).
|
盛广耀, 廖要明, 扈海波, 2020. 气候变化下雄安新区洪涝灾害的风险评估及适应措施[J]. 中国人口·资源与环境, 30(6): 40-52. Sheng G Y, Liao Y M, Hu H B, 2020. Risk evaluation for flood waterlogging disasters in the Xiong'an New Area under climate change[J]. Chin J Popul Resour Environ, 30(6): 40-52 (in Chinese).
|
石英, 韩振宇, 徐影, 等, 2019. 6.25 km高分辨率降尺度数据对雄安新区及整个京津冀地区未来极端气候事件的预估[J]. 气候变化研究进展, 15(2): 140-149. Shi Y, Han Z Y, Xu Y, et al, 2019. Future changes of climate extremes in Xiong'an New Area and Jing-Jin-Ji District based on high resolution (6.25 km) combined statistical and dynamical downscaling datasets[J]. Climate Change Res, 15(2): 140-149 (in Chinese).
|
孙桂华, 王善序, 王金銮, 等, 1992. 洪水风险分析制图实用指南[M]. 北京: 水利电力出版社. Sun G H, Wang S X, Wang J L, et al, 1992. Practical Guide to Analysis and Mapping of Flood Risk[M].
Beijing: Water Resources and Electric Power Press (in Chinese).
|
田国珍, 刘新立, 王平, 等, 2006. 中国洪水灾害风险区划及其成因分析[J]. 灾害学, 21(2): 1-6. Tian G Z, Liu X L, Wang P, et al, 2006. Flood risk zoning and causal analysis in China[J]. J Catastrophol, 21(2): 1-6 (in Chinese).
|
王艳君, 高超, 王安乾, 等, 2014. 中国暴雨洪涝灾害的暴露度与脆弱性时空变化特征[J]. 气候变化研究进展, 10(6): 391-398. Wang Y J, Gao C, Wang A Q, et al, 2014. Temporal and spatial variation of exposure and vulnerability of flood disaster in China[J]. Climate Change Res, 10(6): 391-398 (in Chinese).
|
吴婕, 高学杰, 徐影, 2018. RegCM4模式对雄安及周边区域气候变化的集合预估[J]. 大气科学, 42(3): 696-705. Wu J, Gao X J, Xu Y, 2018. Climate change projection over Xiong'an District and its adjacent areas: an ensemble of RegCM4 simulations[J]. Chin J Atmos Sci, 42(3): 696-705 (in Chinese).
|
吴绍洪, 高江波, 邓浩宇, 等, 2018. 气候变化风险及其定量评估方法[J]. 地理科学进展, 37(1): 28-35. Wu S H, Gao J B, Deng H Y, et al, 2018. Climate change risk and methodology for its quantitative assessment[J]. Prog Geogr, 37(1): 28-35 (in Chinese).
|
谢五三, 吴蓉, 田红, 等, 2017. 东津河流域暴雨洪涝灾害风险区划[J]. 气象, 43(3): 341-347. Xie W S, Wu R, Tian H, et al, 2017. Rainstorm flood risk regionalization of the Dongjin River Basin[J]. Meteor Mon, 43(3): 341-347 (in Chinese).
|
徐影, 张冰, 周波涛, 等, 2014. 基于CMIP5模式的中国地区未来洪涝灾害风险变化预估[J]. 气候变化研究进展, 10(4): 268-275. Xu Y, Zhang B, Zhou B T, et al, 2014. Projected risk of flooding disaster in China based on CMIP5 models[J]. Climate Change Res, 10(4): 268-275 (in Chinese).
|
张继权, 张会, 韩俊山, 2006. 东北地区建国以来洪涝灾害时空分布规律研究[J]. 东北师大学报(自然科学版), 38(1): 126-130. Zhang J Q, Zhang H, Han J S, 2006. A study on the regularity of temporal and spatial distribution about flood/waterlogging disasters in Northeast District from the built up of China[J]. J Northeast Normal Univ (Nat Sci Ed), 38(1): 126-130 (in Chinese).
|
张婧, 郝立生, 许晓光, 2009. 基于GIS技术的河北省洪涝灾害风险区划与分析[J]. 灾害学, 24(2): 51-56. Zhang J, Hao L S, Xu X G, 2009. GIS-based zoning and analysis of flood disaster risk in Hebei Province[J]. J Catastrophol, 24(2): 51-56 (in Chinese).
|
张君枝, 袁冯, 王冀, 等, 2020. 全球升温1.5℃和2.0℃背景下北京市暴雨洪涝淹没风险研究[J]. 气候变化研究进展, 16(1): 78-87. Zhang J Z, Yuan F, Wang J, et al, 2020. The rainstorm and flooding disaster risk in Beijing under the global warming of 1.5℃ and 2.0℃[J]. Climate Change Res, 16(1): 78-87 (in Chinese).
|
张丽霞, 陈晓龙, 辛晓歌, 2019. CMIP6情景模式比较计划(ScenarioMIP)概况与评述[J]. 气候变化研究进展, 15(5): 519-525. Zhang L X, Chen X L, Xin X G, 2019. Short commentary on CMIP6 scenario model intercomparison project (ScenarioMIP)[J]. Climate Change Res, 15(5): 519-525 (in Chinese).
|
周轶, 陈柳彤, 黄靖玲, 等, 2021. 典型降雨情景下北京市十渡镇山洪灾害风险评估[J]. 灾害学, 36(3): 97-102. Zhou Y, Chen L T, Huang J L, et al, 2021. Flash flood risk assessment in Shidu, Beijing under the typical rainfall scenario[J]. J Catastrophol, 36(3): 97-102 (in Chinese).
|
Bergström S, Lindström G, Pettersson A, 2002. Multi-variable parameter estimation to increase confidence in hydrological modelling[J]. Hydrol Processes, 16(2): 413-421.
|
Dankers R, Feyen L, 2008. Climate change impact on flood hazard in Europe: an assessment based on high-resolution climate simulations[J]. J Geophys Res Atmos, 113(D19): D19105.
|
Dano U L, Balogun A L, Matori A N, et al, 2019. Flood susceptibility mapping using GIS-based analytic network process: a case study of Perlis, Malaysia[J]. Water, 11(3): 615.
|
Gupta H V, Kling H, Yilmaz K K, et al, 2009. Decomposition of the mean squared error and NSE performance criteria: implications for improving hydrological modelling[J]. J Hydrol, 377(1/2): 80-91.
|
Hempel S, Frieler K, Warszawski L, et al, 2013. A trend-preserving bias correction-the ISI-MIP approach[J]. Earth Syst Dyn, 4(2): 219-236.
|
Hirabayashi Y, Mahendran R, Koirala S, et al, 2013. Global flood risk under climate change[J]. Nat Climate Change, 3(9): 816-821.
|
IP CC, 2012. Managing the Risks of Extreme Events and Disasters to Advance Climate Change Adaptation: A Special Report of Working Groups Ⅰ and Ⅱ of the Intergovernmental Panel on Climate Change[M].
Cambridge: Cambridge University Press: 2-18.
|
Jiang T, Su B D, Huang J L, et al, 2020. Each 0.5℃ of warming increases annual flood losses in China by more than US＄60 billion[J]. Bull Am Meteor Soc, 101(8): E1464-E1474.
|
Jing C, Su B D, Zhai J Q, et al, 2022. Gridded value-added of primary, secondary and tertiary industries in China under shard socioeconomic pathways[J]. Sci Data. DOI:10.1038/s41597-022-01440-0
|
Jongman B, Ward P J, Aerts J C J H, 2012. Global exposure to river and coastal flooding: long term trends and changes[J]. Global Environ Change, 22(4): 823-835.
|
Lee S, Kim J C, Jung H S, et al, 2017. Spatial prediction of flood susceptibility using random-forest and boosted-tree models in Seoul Metropolitan City, Korea[J]. Geomatics Nat Hazards Risk, 8(2): 1185-1203.
|
Li X N, Yan D H, Wang K, et al, 2019. Flood risk assessment of global watersheds based on multiple machine learning models[J]. Water, 11(8): 1654.
|
Nash J E, Sutcliffe J V, 1970. River flow forecasting through conceptual models part I-a discussion of principles[J]. J Hydrol, 10(3): 282-290.
|
O'Neill B C, Kridgler E, Ebi K L, et al, 2017. The roads ahead: narratives for shared socioeconomic pathways describing world futures in the 21st Century[J]. Global Environ Change, 42: 169-180.
|
Seibert J, Vis M J P, 2012. Teaching hydrological modeling with a user-friendly catchment-runoff-model software package[J]. Hydrol Earth Syst Sci, 16(9): 3315-3325.
|
Su B D, Huang J L, Gemmer M, et al, 2016. Statistical downscaling of CMIP5 multi-model ensemble for projected changes of climate in the Indus River Basin[J]. Atmos Res, 178/179: 138-149.
|
Xu M, Han H D, Kang S C, 2017. Modeling glacier mass balance and runoff in the Koxkar River Basin on the south slope of the Tianshan Mountains, China, from 1959 to 2009[J]. Water, 9(2): 100.
|
Zhu Z J, Zhang Y, 2021. Flood disaster risk assessment based on random forest algorithm[J]. Neural Comput Appl, 2022, 34(5): 3443-3455.
|