EN中文

热带地理 >

2026 , Vol. 46 >Issue 3: 471 - 482

DOI: https://doi.org/10.13284/j.cnki.rddl.20250873

城市洪涝精细模拟与评估

典型设计暴雨下深圳市内涝空间分异与承灾体风险评估

  • 靳超 , 1, 2 ,
  • 王园园 , 3, 4, * ,
  • 李晨溪 5 ,
  • 李娟 3
展开
  • 1. 中国矿业大学 安全工程学院，江苏 徐州 221116
  • 2. 深圳市应急管理监测预警指挥中心，广东 深圳 518024
  • 3. 广东省测绘工程有限公司，广州 510700
  • 4. 北京师范大学 水科学研究院，北京 100875
  • 5. 北京师范大学 国家安全与应急管理学院，广东 珠海 519087
王园园（1991—），女，河北邢台人，硕士，工程师，主要研究方向为自然资源管理、土地调查监测、灾害评估，E-mail：

图件制作与修改

靳超（1990—），男，河南滑县人，硕士，工程师，主要研究方向为城市洪涝灾害、应急管理、防灾减灾，E-mail：

收稿日期: 2025-12-10

  修回日期: 2026-02-26

  网络出版日期: 2026-03-07

基金资助

广东省基础与应用基础研究基金（2022A1515110049）

版权

版权所有 © 2026 热带地理编辑部
收起

Spatial Differentiation of Urban Waterlogging and Risk Assessment of Exposed Elements in Shenzhen Under Typical Design Rainstorm Scenarios

  • Chao Jin , 1, 2 ,
  • Yuanyuan Wang , 3, 4, * ,
  • Chenxi Li 5 ,
  • Juan Li 3
Expand
  • 1. School of Safety Engineering, China University of Mining and Technology, Xuzhou 221116, China
  • 2. Shenzhen Emergency Management Monitoring, Early Warning and Command Center, Shenzhen 518024, China
  • 3. Guangdong Surveying and Mapping Engineering Co., Ltd, Guangzhou 510700, China
  • 4. College of Water Sciences, Beijing Normal University, Beijing 100875, China
  • 5. School of National Safety and Emergency Management, Beijing Normal University, Zhuhai 519087, China

Received date: 2025-12-10

  Revised date: 2026-02-26

  Online published: 2026-03-07

Copyright

Copyright © 2026 Tropical Geography. All rights reserved.
Fold

摘要

为揭示不同设计暴雨情景下深圳市内涝风险特征，文章基于LISFLOOD-FP模型，构建郑州“7·20”、深圳“9·07”及“8·05”3种典型设计暴雨情景，开展内涝模拟与城市系统暴露风险评估。结果表明：深圳市内涝积水呈现“西部深、东部浅，城区深、郊区浅”的空间格局，西部核心城区为高风险集聚区；经183个历史内涝点验证，模型模拟结果可信度较高。3种设计情景中，“7·20”设计暴雨情景风险最高，积水超0.3 m的风险区域占比26.55%，建筑、人口、道路及重点目标暴露风险均最显著；“9·07”和“8·05”设计暴雨情景内涝风险相对温和，但局部区域仍存在集中性高风险。重点目标对积水深度高度敏感，且不同区域暴露风险特征与防控短板各异，因此需聚焦差异化防护，强化专项防护措施与针对性施策。

关键词： 典型设计暴雨; 内涝模拟; 风险评估; LISFLOOD-FP模型; 深圳市

本文引用格式

靳超 , 王园园 , 李晨溪 , 李娟 . 典型设计暴雨下深圳市内涝空间分异与承灾体风险评估[J]. 热带地理, 2026 , 46(3) : 471 -482 . DOI: 10.13284/j.cnki.rddl.20250873

Abstract

Global climate change and rapid urbanization have intensified the occurrence of extreme rainstorm events, and urban waterlogging has emerged as a critical disaster risk constraining the sustainable development of high-density cities, posing serious threats to life, property, and urban resilience. To characterize urban waterlogging risk in Shenzhen under different design rainstorm scenarios, this study constructed three representative scenarios with distinct return periods and rainfall characteristics—Zhengzhou “7·20”, Shenzhen “9·07” and Shenzhen “8·05” —using the two-dimensional hydrodynamic model LISFLOOD-FP and conducted systematic waterlogging simulations and exposure risk assessments of urban systems. Model validation using 183 historical waterlogging points demonstrated high reliability: within 50-m buffers of these points, maximum simulated water depths generally exceeded 0.3 m (with extreme values exceeding 10 m), effectively reproducing the spatial distribution and severity of severe waterlogging. The results indicate that waterlogging in Shenzhen exhibits a distinct spatial pattern characterized as “deeper in the west, shallower in the east; deeper in urban cores, shallower in suburbs,” driven by the “higher southeast, lower northwest” topography, high impervious surface coverage in western districts, and uneven drainage system loading. Among the three scenarios, the “7·20” design scenario poses the highest risk due to its high rainfall intensity, pronounced peak discharge, and extended duration, with areas experiencing water depths > 30 cm accounting for 26.55% of the study area. Specifically, more than 74,000 buildings and approximately 4.68 million people were exposed to water depth exceeding 1 m, and 46.76% of the total road network (8,966.25 km) was inundated. The “9·07” scenario is characterized by nocturnally concentrated short-duration heavy rainfall, resulting in localized water accumulation in low-lying areas such as Longgang. The “8·05” design scenario exhibits a multi-peak pattern with a pronounced surge and a mid-event rainfall lull that temporarily alleviates accumulation, producing an intermediate risk level relative to the other two scenarios. Critical infrastructure elements exhibit high sensitivity to water depth, with significant differences in risk response. Under the “7·20” design scenario, 1,028 medical institutions, 823 elderly and childcare facilities and 106 emergency shelters, were exposed to high risk, potentially compromising emergency medical services and vulnerable populations; more than eight hazardous chemical enterprises faced potential secondary disasters at water depths exceeding 0.5 m. Spatially, risk to critical infrastructure exhibits a pattern of “western concentration and eastern dispersion.” High-risk clusters are concentrated in Luohu and Longhua (medical and elderly-care facilities), Bao'an (moderate risk), and Nanshan, Luohu, and Guangming (hazardous chemical enterprises). Eastern districts exhibit generally low risk, with localized high-risk pockets confined to elderly-care facilities in Dapeng and Yantian. Futian District demonstrates the strongest protective performance, likely attributable to higher construction standards and more scientifically informed site selection. This study advances the literature by constructing cross-regional and locally representative design rainstorm scenarios and elucidating the coupling mechanism between rainfall characteristics and waterlogging risk in high-density urban environments. The findings provide a scientific basis for hierarchical disaster prevention planning and offer a transferable framework for waterlogging risk management in similar high-density cities nationwide.

Key words： design rainstorm scenarios; urban waterlogging; risk assessment; LISFLOOD-FP; Shenzhen

全球气候变化加剧与城市化高速推进，正显著增加极端暴雨事件的发生频率与强度，城市内涝已成为制约城市可持续发展的突出灾害问题（Zhu et al., 2021）。城市内涝不仅会造成交通瘫痪、基础设施损毁等直接损失，还可能引发次生灾害，严重威胁居民生命财产安全，对城市韧性建设提出严峻挑战（王峤 等，2022；沈涣焕 等，2025）。为应对这一挑战，国内外学者构建了以水文水动力模型为核心的技术体系（张菲菲 等，2021；张江波 等，2025），其中，LISFLOOD-FP二维水动力模型凭借其在积水扩散、地表汇流与淹没过程中的高精度优势，被广泛应用于城市内涝过程模拟与风险评估（Zhang et al., 2021；卢培骏，2025），且在北京、上海、广州等地的内涝风险防控规划中得到实证（曾照洋 等，2017；赖成光 等，2023；李智 等，2024；Li et al., 2024；卢兴超 等，2024）。
城市内涝风险分析的核心聚焦于降雨情景设计与承灾体暴露评估两大维度。在降雨情景方面，已有研究普遍指出，不同重现期、时空分布及雨型特征的降雨事件，其内涝致灾机制与影响范围存在显著差异（石小芳 等，2021；张弛 等；2025；郑杨坤 等，2025）。但现有针对深圳的研究多局限于深圳本地历史暴雨（如 深圳“4·11”暴雨、深圳“9·07”暴雨），较少纳入跨区域暴雨情景的对比分析，对不同雨型、不同重现期典型设计暴雨的致灾差异揭示不足（吴辉明 等，2024；梁鑫 等，2024；许镇 等，2025）。在致灾影响评估层面，研究已从单纯关注淹没水深、淹没范围等水文要素，逐步拓展至承灾体的暴露性与脆弱性分析（宋英华 等，2020），通过耦合人口、经济及基础设施空间数据，定量评估内涝对城市系统的综合影响（Lin et al., 2018；Ding et al., 2024；刘明阳 等，2024）。相关研究为识别典型设计暴雨情景下城市系统的脆弱环节与关键风险点提供了重要支撑。
因此，针对历史典型或对我国城市影响显著的降雨事件进行情景设计，并开展承灾体内涝暴露风险评估，对于深入理解城市内涝机制与支持精准防控具有重要意义。深圳市作为高度城市化的超大型城市，长期承受暴雨洪涝等灾害的严重威胁。然而，现有研究对深圳地区典型设计暴雨情景下内涝风险的精细化评估仍显不足，对城市各子系统的影响机制尚未得到明确（许镇 等，2025；严心如，2025），特别是对社会系统及基础设施系统的暴露风险分析相对缺乏。为此，本研究以深圳为研究区，基于LISFLOOD-FP模型，构建跨区域典型设计暴雨（郑州“7·20” ）与本地设计暴雨（深圳“9·07”和“8·05” ）情景，系统分析不同降雨特征下城市内涝的空间分布规律，揭示内涝对城市建筑、人口、道路及重点公共设施的影响机制，以期为深圳市内涝防治规划优化与防灾减灾能力提升提供科学依据，并为沿海高密度城市化地区的内涝风险管理提供参考范式。

1 研究区概况

深圳市位于中国广东省南部沿海，珠江口东岸，毗邻香港，地理位置优越，交通便捷，是中国改革开放的窗口城市之一（图1）。全市总面积1 997.47 km2，2024年年末常住人口约1 800万人（广东省统计局，2025）。深圳市属亚热带海洋性季风气候，年均降雨量约1 935 mm，约86%的降雨发生在汛期（4—9月），多短时强降雨与台风暴雨事件。研究区地势整体东南高、西北低，城市化程度高，地表不透水面积占比大，河网水系受人工改造明显，排水系统面临较大压力。区域暴雨内涝风险受高强度开发、地面沉降及海平面上升等多重因素影响，是中国乃至全球范围内非常典型且备受关注的暴雨内涝案例城市。
图1 研究区位置及地形

注：该图基于国家基础地理信息中心天地图服务中心下载的审图号为粤BS（2024）031的标准地图制作，底图无修改。

Fig.1 Location and topography of the study area

2 数据与方法

2.1 数据来源

1）内涝模拟分析数据：DEM数据来源于深圳市城市公共安全技术研究院，覆盖深圳市全域，空间分辨率为5 m；气象数据为郑州“7·20”、深圳“9·07”和深圳“8·05”24 h降雨数据，由深圳市应急管理局提供，作为典型设计暴雨的基础数据；历史内涝点数据来源于深圳市市政排水与应急管理部门，包含积水报送、交警/城管处置记录、物联网积水监测点、媒体报道与经核实的社会化线索等，覆盖近年深圳本地暴雨事件。
2）城市系统暴露风险评估数据：人口数据采用WorldPop人口栅格数据集（2025年），空间分辨率为100 m，基于《广东统计年鉴2024》（广东省统计局，2025）的常住人口总量按比例标定；道路数据来源于OpenStreetMap（OSM）平台，包括高速、国道、省道等各级道路类型；城市建筑数据源于中国房屋普查数据库（Shapefile格式），并从中提取了医疗机构、应急避难场所、危化品企业及老幼集聚区（含学校与养老机构）4类应急重点目标。

2.2 研究方法

2.2.1 典型暴雨情景设计方法

本研究结合暴雨强度、雨型代表性及致灾梯度，设计了3类典型暴雨：跨区域极端暴雨（郑州“7·20” ）、本地高强度极端暴雨（深圳“9·07” ）及本地多峰极端暴雨（深圳“8·05” ）。三者均以24 h降雨数据驱动模拟，降雨时段分化明显，核心共性为短时强降雨引发内涝（图2）。为确保风险量化可比，将3种情景的降雨过程统一对齐为“0—23时”连续时序，并通过均匀分布法将降雨数据赋给深圳市全域所有栅格单元，聚焦雨型与强度的致灾效应，得到3种典型设计暴雨情景。
图2 3种暴雨24 h降雨雨强

Fig.2 24-hours rainfall intensity of the three typical designed rainstorms

3类设计暴雨情景对应风险等级依次为极端罕见、高度危险、中度危险。其中，郑州“7·20”的致灾强度突破城市现有防御体系极限，易引发系统性内涝灾害，是最高优先防控情景；深圳“9·07”的致灾强度接近中心城区防御上限，雨峰集中夜间高峰，短时强降雨对局部低洼区域形成瞬时冲击，易引发点式集中积水，叠加夜间视线受阻、交通流量集中等因素，致灾风险被进一步放大；深圳“8·05”呈现“多峰+高峰突发”的特征，使其对应急响应能力的考验更为严峻，需重点关注雨峰时段的风险防控。3种设计情景综合考虑了跨区域极端降雨的潜在威胁与深圳本地降雨特征，为分层次制定防御标准、优化资源配置提供了核心依据。

2.2.2 LISFLOOD-FP模型

本研究采用英国布里斯托大学开发的LISFLOOD-FP二维水动力模型（Bates & De Roo, 2000）。该模型以正方形栅格为计算单元，可兼顾一维河道与二维洪泛区模拟，能高效刻画复杂地形下的淹没过程，精准预测各网格单元在不同时间步长的水深及洪水波动态传播，计算效率高，适用于城市区域内涝积水过程模拟与分布获取（刘勇 等，2015）。

2.2.3 城市系统暴露风险评估方法

选取自然系统（内涝积水）、社会系统（人口）、基础设施系统（道路）以及经济系统（建筑物，包括重点目标建筑物）4个子系统构建城市系统暴露风险评估框架。基于LISFLOOD-FP模型模拟不同暴雨情景下的积水深度分布，叠加建筑、人口、道路等空间数据，定量分析各子系统的暴露特征与空间分异。
1）建筑暴露风险分析：采用ArcGIS工具将建筑物图层与积水分布图层叠置，为建筑物生成5 m宽（不含建筑本身）的缓冲区，通过“分区统计到表格”工具计算各缓冲区平均积水深度；按积水深度划分6个内涝危险性等级：无风险[0, 0.3）m、低风险[0.3, 0.5）m、中低风险[0.5, 1.0）m、中风险[1.0, 1.5）m、中高风险[1.5, 2.0）m、高风险（≥2.0 m），评估建筑物暴露程度。
2）人口暴露风险分析：以建筑物矢量边界作为人口落位的刚性空间约束，以WorldPop 100 m人口栅格和建筑面积表征空间强弱，计算每栋建筑的人口权重；基于深圳市常住人口总量，得到每个建筑单体内的人口数；将降尺度的人口数据图层与积水分布图层叠置，评估人口暴露风险。
3）道路暴露风险分析：考虑机动车排气管平均高度，将积水阻断道路的阈值设定为0.3 m，统计积水超阈值的失效道路总长度。
4）重点目标暴露风险分析：在重点目标建筑物图层外建立100 m缓冲区，与LISFLOOD最大水深栅格叠置，提取缓冲区像元最大水深作为淹没强度表征，得到各类重点目标的风险等级与数量占比，评估重点目标暴雨内涝风险。

3 结果与分析

3.1 不同设计暴雨情景下的内涝风险分析

3.1.1 暴雨内涝风险分布特征

3种典型设计暴雨情景模拟生成的积水淹没深度分布图（图3）显示，深圳市内涝积水整体呈现“西部深、东部浅，城区深、郊区浅”的特征。宝安区、福田区、南山区等西部城区积水深度明显高于东部，坪山区、大鹏新区等东部区域积水深度普遍较低。这一空间格局主受到地势、城市化和排水系统3方面影响，深圳东南高、西北低的地势使西部更易汇流积聚，而东部排水条件更好；西部城市化早、密度高，地表不透水面积大，径流系数高，加剧积水；同时西部管网负荷重、部分标准滞后，而东部负荷轻，积水风险较低。
图3 “7·20”（a）、“9·07”（b）及“8·05”（c）设计暴雨情景下最大积水深度模拟结果

Fig.3 Simulation results of maximum water accumulation depth under the “7·20”(a) ,“9·07”(b) and “8·05”(c) typical designed rainstorm scenario

3种设计暴雨情景不同风险等级的内涝积水面积占比情况（表1）及空间分布显示，“7·20”情景无风险区面积最小，积水≥0.3 m的风险区域占比26.55%，其中中高及以上风险区淹没面积占比最大（11.53%），空间上宝安、南山、福田的高积水区域几乎连片，龙华、罗湖也有明显中高深度积水，这因为该情景的降雨强度大、峰值高且持续久，超出了深圳排水系统承载极限，导致西部核心城区积水大范围蔓延；“9·07”情景无风险区面积相对更大，但宝安、南山、福田高积水斑块密集，龙岗也出现较多中高深度积水，归因于夜间短时降雨集中，且龙岗部分区域地势低洼、排水管网布局不均，从而引发局部积水积聚；“8·05”情景风险水平介于前两者之间，高积水区域较少且集中在宝安、南山局部，因降雨中间存在雨强锐减时段，缓解了雨水累积。内涝风险的情景差异与空间分布，既直接受极端降雨强度、历时及雨型特征驱动，也与深圳“东南高、西北低”的地势、城市化扩张差异及排水系统承载压力分布高度相关，这为分情景制定防控策略提供了依据。
表1 不同设计暴雨情景下积水面积占比

Table 1 Proportion of water accumulation area under different typical designed rainstorm scenarios %

积水深度/m风险等级“7·20”情景“9·07”情景“8·05”情景
[0, 0.3）无风险73.4578.7577.65
[0.3, 0.5）低风险4.023.693.89
[0.5, 1.0）中低风险6.645.906.33
[1.0, 1.5）中风险4.353.863.90
[1.5, 2.0）中高风险3.232.242.57
≥2.0高风险8.305.555.66

3.1.2 内涝模拟验证

为验证设计情景模拟的准确性与参考价值，本研究搜集了深圳市历史暴雨官方积水点位数据，经整理匹配，形成研究区内有效历史内涝点共183个（见图3）。空间分析显示，深圳市内涝风险呈现明显差异。宝安、南山、福田为内涝密集区，风险点数量明显高于坪山、大鹏新区等东部区域。绝大多数历史积水点位于积水深度＞0.5 m区域，证实积水深度是内涝发生的关键致因，＞0.5 m区域属于内涝高风险区。这与本研究以积水深度为核心评估判据的模拟逻辑相互印证，说明分析结果具有可靠性。
以各历史积水点为中心生成50 m半径缓冲区用于表征局部影响范围，与3种设计暴雨情景的模拟积水深度栅格数据叠加，统计各缓冲区内模拟积水深度的均值与最大值（图4）。结果显示，绝大多数历史积水点50 m缓冲区内，模拟积水最大深度普遍＞0.3 m（主要分布于0.3~5.0 m），表明设计情景下内涝风险显著；部分极端点位最大积水深度突破10 m，局部淹没风险极高。关键点位缓冲区内积水平均深度亦＞0.3 m，最高达4 m以上，这表明该区域内并非局部深坑积水，而是存在大范围、持续性深度内涝。本研究多情景模拟可在历史严重内涝点位再现深度积水分布，与真实情况下的内涝空间格局及严重程度吻合，证实所用模拟模型、参数及典型设计暴雨情景具备较高可信度与现实参考价值。
图4 历史积水点对应“7·20” “9·07”及“8·05”模拟积水深度的最大值（a）和平均值（b）

Fig.4 Statistical analysis of the maximum(a) and average(b) simulated water depths at historical waterlogging points under the “7·20”,“9·07” and “8·05”

3.2 城市系统暴露风险评估

3.2.1 建筑风险评估

不同设计暴雨情景下建筑物暴露数量统计显示（表2），“7·20”设计暴雨情景下，平均积水深度超过1 m的建筑物有74 081栋，“9·07” “8·05”暴雨情景下分别为42 589和48 264栋，表明“7·20”设计暴雨情景下研究区建筑面临的风险最大。空间分布上，各区建筑风险格局与整体内涝空间分布特征一致，但西部城区的罗湖、龙华、宝安等区中高风险建筑占比较高，尤其“7·20”情景下最为突出。东部的大鹏新区及龙华整体风险较低，盐田受低洼地段影响，中等风险相对明显（图5）。这表明建筑风险与区域城市化程度、地形条件和排水能力密切相关，西部核心城区应为典型设计暴雨情景下风险防控的重点区域。
表2 不同设计暴雨情景下建筑暴露数量

Table 2 Number of buildings exposed under different typical designed rainstorm scenarios 栋

积水深度/m风险等级“7·20”情景“9·07”情景“8·05”情景
[0, 0.3）无风险190 325212 193219 511
[0.3, 0.5）低风险19 12220 00718 894
[0.5, 1.0）中低风险33 54333 55830 402
[1.0, 1.5）中风险25 22713 15719 880
[1.5, 2.0）中高风险20 11113 15712 640
≥2.0高风险28 74316 27515 744
图5 不同设计情景下各子系统暴露风险分布

Fig.5 Exposure risk distribution of each subsystem under different typical designed rainstorm scenario

3.2.2 人口风险评估

不同典型设计暴雨情景下深圳人口暴露比例统计显示（表3），“7·20”、“8·05”及“9·07”暴雨情景下，暴露在超过0.3 m水深风险的人口分别占总人口的32.89%（约592.02万人）、25.98%（约467.64万人）和24.02%（约432.36万人），周围积水超过1 m的建筑物对应的人口数量为290.70万人、171.72万人和187.20万人。空间分布上，3种设计暴雨情景均呈现西部城区人口暴露风险高于东部的特征。“7·20”情景下，西部的宝安、光明等地风险突出；“9·07”“8·05”设计情景下，西部风险有所回落，但大鹏新区、龙华、坪山仍维持较高风险（见图5）。这一分布既契合西部人口集聚、内涝风险高的特点，也与建筑风险格局一致。“7·20”强降雨放大了西部人口密集区的风险，而“9·07”和“8·05”典型设计暴雨降雨减弱后，人口风险随高积水区域收缩而降低，东部及沿海区域风险则始终显著更低。
表3 不同设计暴雨情景下人口暴露比例

Table 3 Proportion of population exposed under different typical designed rainstorm scenario %

积水深度/m风险等级“7·20”情景“9·07”情景“8·05”情景
[0, 0.3）无风险67.1175.9874.02
[0.3, 0.5）低风险6.505.846.22
[0.5, 1.0）中低风险10.248.649.36
[1.0, 1.5）中风险6.434.675.14
[1.5, 2.0）中高风险4.782.372.58
≥2.0高风险4.942.502.68

3.2.3 道路风险评估

不同典型设计暴雨情景下因积水深度超过0.3 m而通行受阻的路段长度分别为8 966.25、7 404.36和6 924.89 km，分别占研究区总道路长度的46.76%、38.62%和36.12%。不同设计暴雨情景下的道路阻断情况呈现一致的分布趋势（图6）。整体上，西部核心城区（福田、南山、宝安）道路密度高，且多条交通主干道贯穿低洼区域，阻断风险远高于东部区域；其他道路与主干交通干线交叉节点，在设计的暴雨情景下易形成集中积水，成为道路网络中的关键薄弱环节，这一特征对城市应急救援通道规划具有重要启示。
图6 “7·20”（a）、“9·07”（b）及“8·05”（c）设计情景下道路阻断情景

Fig.6 Road blockage scenario under the “7·20”(a) ,“9·07”(b) and “8·05”(c) typical designed rainstorm scenario

3.2.4 重点目标风险评估

1）医疗机构风险评估
医疗机构暴露数量统计显示（表4），深圳市全域5 345个医疗机构，在“9·07”设计情景下，周围的平均积水深度超过1 m的医疗机构有524个，当降雨强度来到“8·05”设计情景，该值增大到608个，而在“7·20”设计情景下，有1 028个医疗机构面临威胁。这一变化清晰地表明，设计暴雨强度越大，医疗机构面临的中度及以上的暴露风险也越显著。
表4 不同设计暴雨情景下医疗机构暴露数量

Table 4 Number of medical institutions exposed under different typical designed rainstorm scenarios 个

积水深度/m风险等级“7·20”情景“9·07”情景“8·05”情景
[0, 0.3）无风险295839313734
[0.3, 0.5）低风险394298409
[0.5, 1.0）中低风险965592594
[1.0, 1.5）中风险485243272
[1.5, 2.0）中高风险274189150
≥2.0高风险26992186
空间上看，3种设计暴雨情景下，医疗机构风险格局与全市内涝空间分布特征一致，但区域差异显著。西部核心城区（罗湖、龙华、宝安、南山）是高风险集中区，尤其是罗湖在设计暴雨情景下的风险最为突出，东部区域整体风险较低。值得注意的是，盐田受滨海低洼地形影响，低风险相对明显（见图5）。整体而言，西部城区应作为风险防控重点，东部则需关注局部低洼地段。这种区域分异特征为制定差异化防灾策略提供了明确依据。
2）应急避难场所风险评估
应急避难场所暴露数量统计显示（表5），“9·07”设计情景下，周围平均积水深度超过1 m的应急避难场所有70个，而来到“8·05”设计情景下，该值增大到64个，而在“7·20”设计情景中，有106个应急避难场所都面临着周围大于1 m的积水威胁。空间分布上，西部区域中，罗湖受低洼地形限制，中高风险集中；宝安中低风险分布较广；南山、福田等核心城区管控效果较好，仅3种设计暴雨下存在少量中高风险点。东部区域则整体风险偏低，大鹏新区因地势高、人口密度低，暴露风险最轻；龙岗、龙华无风险占比始终居前，仅坪山局部高风险占比居全市前列（见图5）。应急避难场所的高风险暴露，主要因部分场所选址未充分考虑内涝风险，或周边排水设施不足，导致在3种设计暴雨情景下被积水淹没。“7·20”暴雨的强致灾性使得更多避难场所面临高风险，应急避难场所的可用性直接关系到受灾群众的安置效率，其高风险暴露问题需引起重视。
表5 不同设计暴雨情景下应急避难场所暴露数量

Table 5 Number of emergency shelters exposed under different typical designed rainstorm scenarios 个

积水深度/m风险等级“7·20”情景“9·07”情景“8·05”情景
[0, 0.3）无风险394451433
[0.3, 0.5）低风险444045
[0.5, 1.0）中低风险817380
[1.0, 1.5）中风险272714
[1.5, 2.0）中高风险431430
≥2.0高风险392326
3）危化品企业风险评估
危化品企业暴露数量统计显示（表6），41个危化品企业，在“9·07”设计情景下，周围平均积水深度超过0.5 m的危化品企业有5个，当降雨强度来到“8·05”设计情景下，该值也为5个，而在“7·20”设计情景中，有8个危化品企业所都面临着周围＞0.5 m的积水威胁。深圳市整体上风险差距较小，暴露风险比例不大。空间分布上，3种典型设计暴雨情景下危化品企业风险呈现“局部集中、整体可控”的空间特征。西部的南山、罗湖及光明等区域虽然危化品企业数量较少，但其中高及以上风险占比较明显。而东部及多数区域（如坪山、龙岗、大鹏新区等）无风险占比始终居前，体现这些区域危化品企业布局与防灾条件的适配性较好（见图5）。这一空间差异提示需重点强化西部局部区域的危化品企业内涝防护，提升其抗涝韧性，避免因内涝积水导致发生泄漏、爆炸等次生灾害。
表6 不同设计暴雨情景下危化品企业暴露数量

Table 6 Number of hazardous chemical enterprises exposed under different typical designed rainstorm scenarios 个

积水深度/m风险等级“7·20”情景“9·07”情景“8·05”情景
[0, 0.3）无风险293433
[0.3, 0.5）低风险423
[0.5, 1.0）中低风险411
[1.0, 1.5）中风险011
[1.5, 2.0）中高风险101
≥2.0高风险332
4）老幼集聚区风险评估
老幼集聚区暴露数量统计显示（表7），“9·07”设计情景下，周围的平均积水深度超过1 m的老幼集聚区有446个，当降雨强度来到“8·05”设计情景下，该值增大到524个，而在“7·20”设计情景中，有823个老幼集聚区所都面临着周围＞1 m的积水威胁。空间分布上，各区域风险分布不均衡特征显著。西部城区中，罗湖、龙华等在“7·20”设计情景下高风险集中，东部区域如大鹏新区、龙岗的风险相对较低。值得注意的是，盐田因滨海低洼地形，中等风险较为突出；宝安在各类情景下中低至中风险占比持续较高，积水防控压力大，风险格局差异主要与区域地形、建设密度及排水能力相关（见图5）。鉴于老幼群体行动不便、抗灾能力弱的特点，中风险及以上风险区域均需优先推进排水设施升级、应急避难场所规划和预警机制建设，并制定性优化应急救援方案，确保极端降雨时快速响应，保障老幼群体生命安全。
表7 不同设计暴雨情景下老幼集聚区暴露数量

Table 7 Number of elderly and child-care facilities exposed under different typical designed rainstorm scenarios 个

积水深度/m 风险等级 “7·20”情景 “9·07”情景 “8·05”情景
[0, 0.3） 无风险 2 532 3 430 3 256
[0.3, 0.5） 低风险 345 249 357
[0.5, 1.0 中低风险 883 458 446
[1.0, 1.5） 中风险 358 213 239
[1.5, 2.0） 中高风险 250 164 127
≥2.0 高风险 215 69 158
综合3种典型设计暴雨情景的风险评估结果，深圳市内涝风险呈现显著情景差异性与空间分异性。“7·20”典型设计暴雨情景对深圳市各类承灾体的综合影响最为显著，内涝风险、建筑暴露、人口威胁、交通中断以及对重点防护目标的冲击均处于最高水平；“9·07”与“8·05”情景影响相对减缓，但仍对城市运行与公共安全构成严峻挑战。评估结果进一步印证，典型设计暴雨的强度与城市内涝风险的扩大之间存在明确的对应关系，且不同区域及关键基础设施脆弱性表现存在差异。系统化评估既揭示了深圳市在面对不同类型设计暴雨事件时可能存在的短板与风险集聚区域，也为提升城市韧性、优化防灾空间布局、加强重点目标防护提供了具有针对性的决策依据。

4 讨论

本研究基于LISFLOOD-FP模型，构建了3种典型设计暴雨情景，系统开展了深圳市内涝模拟与城市系统暴露风险评估。研究结果在印证现有同类研究核心发现的基础上（Zhang et al., 2023；Li et al., 2025），进一步从暴雨情景的跨区域比较与城市多系统的暴露风险解析2个维度，深化了极端降雨背景下超大城市内涝风险研究的视角，为韧性城市建设与精细化防洪管理提供了更具针对性的实践参考。
在典型暴雨情景设计方面，现有研究多聚焦于单一暴雨情景或本地历史暴雨事件（张金萍 等，2023；陈金林 等，2025），对跨区域、异质性极强的极端暴雨情景关注不足。本研究将郑州“7·20”特大极端暴雨事件移植至深圳进行典型设计暴雨情景模拟，并与本地“9·07”和“8·05”典型设计暴雨进行对比分析。研究发现，“7·20”暴雨情景所引发的积水深度、高风险区面积及对城市系统的综合冲击均远超本地典型设计暴雨。这一发现强烈警示，超大城市的内涝防御体系不能仅基于本地历史极值进行设计，必须充分考虑跨区域极端雨型“黑天鹅”事件的潜在威胁，从而将城市内涝风险评估的视野从“本地经验”拓展至“跨区域极端情景”，为制定更具前瞻性的防御标准提供关键科学依据。
在风险评估维度方面，既有针对深圳市承灾体内涝风险的研究难以全面反映内涝对城市复杂系统的综合冲击（黄国如 等，2021；吴辉明 等，2024；Zhang et al., 2024）。本研究构建了涵盖自然系统、社会系统、基础设施系统及经济系统风险评估框架，综合分析了建筑、人口、道路以及医疗机构、应急避难场所、危化品企业、老幼集聚区的风险暴露特征。本研究不仅明确了“西部深、东部浅，城区深、郊区浅”的宏观风险格局，更揭示了各子系统风险的空间协同性与差异性。如老幼集聚区与医疗机构在各类设计情景下均表现出极高的风险暴露，而危化品企业的风险则在特定积水深度阈值上凸显。这种多系统暴露风险评估，实现了从“积水分布图”到“综合风险图谱”的深化，为实施差异化、精准化的分区分类防控策略提供了直接依据。
在模型验证方面，受限于观测数据获取难度，多数研究缺乏足量本地化实测数据的校验，影响了模拟结果的可靠性与决策支撑效力（刘勇 等，2015；李涛 等，2022）。本研究结合深圳市183个历史内涝点数据，对模型模拟的积水深度与空间分布进行了大样本验证。结果表明，模型能有效再现典型设计暴雨情景下的高风险积水区的分布格局与严重程度，不仅提升了模拟结果的本地化可信度，也为城市地区的内涝模拟验证提供了可复用的方法范例。
需指出的是，尽管本研究在典型暴雨设计、模型验证和风险评估方面取得一定进展，但仍存在局限性。在数据与模拟方法层面，一是本研究采用均匀分步法假设全域降雨强度一致，属于一种理想化的设计思路，未充分考虑实际降雨的空间分异性，尤其忽略了地形、城市热岛效应带来的降雨空间分异，因而构建的典型均匀暴雨情景，与实际观测中具有显著空间差异的降雨特征存在不同。二是内涝模拟主要基于高精度地形数据，尚未充分考虑深圳高密度建筑物对汇流的影响。在高度城市化区域，建筑物的阻隔和导流作用可能改变积水的时空分布，从而导致部分区域模拟结果与实际存在偏差。三是风险评估以最大积水深度作为核心指标，未系统纳入内涝的持续时间，可能低估长时间积水对建筑、管网及公共服务的累积损害。
在典型暴雨设计与灾害机制认知层面，一是本研究主要关注24 h极端暴雨即时致灾效应，未考虑前期降雨导致土壤饱和、地下水位抬升、水位流动的致灾机制，以及极端暴雨前期的多日降雨的累加效应。二是典型暴雨设计更多是“极端压力测试”下的风险格局，定量精度存在不确定性。
未来可从以下几个方面进一步深化。一是通过整合建筑物三维模型、管网分布数据，细化模型参数，提升内涝模拟的精细化程度；二是完善风险评估指标体系，将内涝持续时间、承灾体脆弱性等因素纳入综合分析，构建多维风险评估框架；三是结合气候变化背景下极端降雨增强的趋势，设计面向未来情景的内涝风险演变分析，为深圳市长期防灾减灾规划与城市韧性提升提供前瞻性的科学支撑。

5 结论

本研究以深圳市为研究区，基于LISFLOOD-FP模型，构建了郑州“7·20”、深圳“9·07”及“8·05”3种典型设计暴雨情景，系统开展了深圳市内涝模拟与城市系统暴露风险评估，主要结论如下：
1）3种典型设计暴雨情景的降雨特征存在显著差异，深圳市内涝积水呈现“西部深、东部浅，城区深、郊区浅”特征。西部核心城区为高风险集聚区，东部区域风险较低，且“7·20”设计情景积水深度，积水超0.3 m的风险区域占比26.55%，且因强度大、峰值高且持续久高深度积水区域最广、分布最集中；“9·07”设计情景表现为夜间短时强降雨集中，局部低洼区域易形成点式积水；“8·05”设计情景呈“多峰+高峰突发”特征，中间雨强锐减时段缓解了积水累积，风险水平介于前两者之间。
2）经183个历史内涝点验证，LISFLOOD-FP模型在深圳市内涝模拟中可信度较高。历史积水点50 m缓冲区内，3种设计暴雨情景下模拟积水最大深度普遍超0.3 m，部分极端点位突破10 m，模型能有效再现深度积水的空间分布与严重程度，模拟结果可为城市内涝防控提供可靠数据支撑。
3）城市系统各承灾体暴露风险呈现显著的情景梯度与空间分异，“7·20”设计情景的风险最为突出，约7.4万栋建筑、468万人口暴露于超1 m积水风险，46.76%的道路通行受阻；“9·07”与“8·05”情景风险相对较低，但局部区域仍存在集中高风险，且西部核心城区的建筑、人口、道路暴露风险普遍远高于东部区域。
4）重点目标对积水深度敏感且承灾体风险响应存在差异。“7·20”设计暴雨情景下，1028家医疗机构、823个老幼集聚区面临超1 m积水威胁，106个应急避难场所遭遇高风险暴露，直接影响灾时救治、人员安置及特殊群体安全；危化品企业虽整体暴露比例较低，但仍有8家面临超0.5 m积水引发的泄漏、爆炸等次生灾害潜在风险。这一结果凸显了不同类型重点目标的风险短板，亟需针对性强化专项防护措施，提升抗涝韧性。
5）重点目标暴露风险空间分布呈“西部聚焦、东部分散，类型分异明显”特征。西部核心城区中，罗湖、龙华的医疗机构与老幼集聚区高风险集中，宝安中等强度风险突出，南山、罗湖及光明的危化品企业风险相对凸显；东部以低风险为主，大鹏、盐田的老幼集聚区在设计暴雨下高风险暴露明显，福田各类重点目标无风险占比始终居前，防护效果最优。不同区域防护重点各异，需根据局部空间特征针对性施策。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
Bates P D and De Roo A P J 2000. A Simple Raster-Based Model for Flood Inundation Simulation. Journal of Hydrology, 236(1/2): 54-77.

陈金林, 赵雨荷, 李鑫, 任小虎, 李一哲. 不同降雨情景下城市内涝风险研究——以兰州市某区域为例. 灾害学, 2025, 40 (4): 62- 70.

DOI

Chen Jinlin, Zhao Yuhe, Li Xin, Ren Xiaohu, and Li Yizhe. Risk Analysis of Urban Waterlogging Under Different Rainfall Scenarios: A Case Study of a District in Lanzhou. Journal of Catastrophology, 2025, 40 (4): 62- 70.

DOI

Ding Y, Wang H, Liu Y, and Lei X. Urban Waterlogging Structure Risk Assessment and Enhancement. Journal of Environmental Management, 2024, 352, 120074.

DOI

广东省统计局. 2025. 广东统计年鉴. 北京: 中国统计出版社. [Guangdong Provincial Bureau of Statistics. 2025. Guangdong Statistical Yearbook. Beijing: China Statistics Press.]

Guangdong Provincial Bureau of Statistics. 2025. Guangdong Statistical Yearbook. Beijing: China Statistics Press.

黄国如, 李碧琦. 基于InfoWorks ICM的深圳市内涝灾害居民室内财产损失研究. 自然灾害学报, 2021, 30 (2): 71- 79.

DOI

Huang Guoru and Li Biqi. Residential Indoor Property Losses from Urban Waterlogging in Shenzhen Based on InfoWorks ICM. Journal of Natural Disasters, 2021, 30 (2): 71- 79.

DOI

赖成光, 廖耀星, 王兆礼. 不同暴雨情景下的城市内涝响应特征分析. 水资源保护, 2023, 39 (3): 101- 108.

Lai Chengguang, Liao Yaoxing, and Wang Zhaoli. Analysis of Urban Waterlogging Response Characteristics Under Different Rainstorm Scenarios. Water Resources Protection, 2023, 39 (3): 101- 108.

Li C, Yang X, Ni X, and Ma X. Urban Waterlogging Susceptibility Assessment Based on Feature Selection Optimization and Interpretable Machine Learning. Journal of Environmental Management, 2025, 393, 127126.

DOI

李智, 张倩, 兰双双. 基于SWMM和LISFLOOD-FP的城市内涝耦合模型研究. 水电能源科学, 2024, 42 (2): 202- 206.

Li Zhi, Zhang Qian, and Lan Shuangshuang. Research on Urban Waterlogging Coupling Model Based on SWMM and LISFLOOD-FP. Water Resources and Power, 2024, 42 (2): 202- 206.

Li J, Yuan L, Hu Y, Xu A, Cheng Z, Song Z, Zhang X, Zhu W, Shang W, Liu J, and Liu M. Flood Simulation Using LISFLOOD and Inundation Effects: A Case Study of Typhoon In-Fa in Shanghai. Science of The Total Environment, 2024, 954, 176372.

DOI

李涛, 夏润亮, 李冰, 俞彦, 徐志恒, 杨无双. 洪水预报研究与展望. 中国农村水利水电, 2022 (12): 107- 114.

DOI

Li Tao, Xia Runliang, Li Bing, Yu Yan, Xu Zhiheng, and Yang Wushuang. Research on Flood Forecasting and Its Prospect. China Rural Water and Hydropower, 2022 (12): 107- 114.

DOI

梁鑫, 侯精明, 陈光照, 李东来, 潘鑫鑫, 吕佳豪, 马越, 姬国强. 考虑降雨空间分布的城市内涝对模式雨型响应特征分析. 水利水运工程学报, 2024 (2): 44- 54.

DOI

Liang Xin, Hou Jingming, Chen Guangzhao, Li Donglai, Pan Xinxin, Lyu Jiahao, Ma Yue, and Ji Guoqiang. Investigation of the Response Characteristics of Urban Waterlogging to Model Rainfall Patterns Considering the Spatial Distribution of Rainfall. Hydro-Science and Engineering, 2024 (2): 44- 54.

DOI

Lin T, Liu X, Song J, Zhang G, Jia Y, Tu Z, Zheng Z, and Liu C. Urban Waterlogging Risk Assessment Based on Internet Open Data: A Case Study in China. Habitat International, 2018, 71, 88- 96.

DOI

刘明阳, 王群英, 徐向舟, 李敏, 吴润祺. 考虑内涝周期的郑州市内涝韧性评估. 水资源保护, 2024, 40 (4): 48- 55.

Liu Mingyang, Wang Qunying, Xu Xiangzhou, Li Min, and Wu Runqi. Assessment of Waterlogging Resilience in Zhengzhou City Considering the Waterlogging Cycle. Water Resources Protection, 2024, 40 (4): 48- 55.

刘勇, 张韶月, 柳林, 王先伟, 黄华兵. 智慧城市视角下城市洪涝模拟研究综述. 地理科学进展, 2015, 34 (4): 494- 504.

Liu Yong, Zhang Shaoyue, Liu Lin, Wang Xianwei, and Huang Huabing. A Review of Urban Flood Simulation from the Perspective of Smart City. Progress in Geography, 2015, 34 (4): 494- 504.

卢培骏. 2025. 基于复合水灾害的湾区风险识别与韧性城市设计评估研究. 广州: 华南理工大学. [Lu Peijun. 2025. Risk Identification of Bay Area Based on Compound Water Disasters and Evaluation of Resilient Urban Design. Guangzhou: South China University of Technology.]

Lu Peijun. 2025. Risk Identification of Bay Area Based on Compound Water Disasters and Evaluation of Resilient Urban Design. Guangzhou: South China University of Technology.

卢兴超, 徐宗学, 李永坤, 胡小红, 唐清竹, 宋鹏越. 基于SWMM与LISFLOOD-FP耦合模型的城市街区内涝模拟研究. 水资源保护, 2024, 40 (3): 98- 105.

Lu Xingchao, Xu Zongxue, Li Yongkun, Hu Xiaohong, Tang Qingzhu, and Song Pengyue. Simulation of Urban Waterlogging in a Block Based on Coupled SWMM and LISFLOOD-FP Models. Water Resources Protection, 2024, 40 (3): 98- 105.

沈涣焕, 胡恒智, 辛辰, 温家洪, 杨雨露. 上海汛期暴雨内涝时空分异及文旅集聚区影响评价. 热带地理, 2025, 45 (4): 605- 620.

DOI

Shen Huanhuan, Hu Hengzhi, Xin Chen, Wen Jiahong, and Yang Yulu. Spatiotemporal Variability of Rainstorm Waterlogging and Its Impact on Cultural-Tourism Agglomeration Areas in Shanghai during Flood Season. Tropical Geography, 2025, 45 (4): 605- 620.

DOI

石小芳, 赵明洁, 杨青青, 张菲菲, 吴燕娟, 高超. 基于降雨情景模拟的城市社区尺度暴雨内涝研究. 水利水运工程学报, 2021 (1): 26- 35.

Shi Xiaofang, Zhao Mingjie, Yang Qingqing, Zhang Feifei, Wu Yanjuan, and Gao Chao. Urban Rainstorm Waterlogging Study at the Community Scale Based on Rainfall Scenario Simulation. Journal of Hydraulic Engineering, 2021 (1): 26- 35.

宋英华, 张哲, 方丹辉. 城市洪涝下承灾体暴露性及行人失稳风险分析. 中国安全科学学报, 2020, 30 (10): 105- 111.

Song Yinghua, Zhang Zhe, and Fang Danhui. Analysis on Exposure of Disaster-Bearing Bodies and Pedestrians' Instability Risk under Urban Waterlogging. China Safety Science Journal, 2020, 30 (10): 105- 111.

王峤, 李含嫣, 臧鑫宇. 京津冀典型区域应对暴雨内涝的城市建成环境韧性研究——基于韧性单元类型谱系的分析. 城市问题, 2022 (9): 4- 14.

DOI

Wang Qiao, Li Hanyan, and Zang Xinyu. Research on the Resilience of Urban Built Environment in Typical Areas of Beijing-Tianjin-Hebei Region in Response to Rainstorm Waterlogging: An Analysis Based on the Type Spectrum of Resilience Units. Urban Problems, 2022 (9): 4- 14.

DOI

吴辉明, 陈文龙, 杨芳, 薛冰贤. 深圳龙岗区2023年“9·7”极端特大暴雨洪涝灾害风险评估与对策. 中国防汛抗旱, 2024, 34 (1): 36- 40.

DOI

Wu Huiming, Chen Wenlong, Yang Fang, and Xue Bingxian. Risk Assessment and Countermeasures for the "9·7" Extreme Rainstorm Flood Disaster in Longgang District, Shenzhen in 2023. China Flood & Drought Management, 2024, 34 (1): 36- 40.

DOI

许镇, 赵玉杰, 唐福妍, 田源, 顾栋炼, 施钟洪, 金楠. 基于倾斜摄影和Mohid-Land模型的深圳“4·11”暴雨高精度情景再现. 河北工业大学学报, 2025, 54 (1): 87- 93.

DOI

Xu Zhen, Zhao Yujie, Tang Fuyan, Tian Yuan, Gu Donglian, Shi Zhonghong, and Jin Nan. High-Precision Scenario Reproduction of Shenzhen "4·11" Rainstorm Based on Oblique Photography and Mohid-Land Model. Journal of Hebei University of Technology, 2025, 54 (1): 87- 93.

DOI

严心如. 2025. 城市化背景下内涝风险演化研究——以深圳市为例. 深圳: 哈尔滨工业大学(深圳). [Yan Xinru. 2025. Study on the Evolution of Waterlogging Risk Under Urbanization—Taking Shenzhen as an Example. Shenzhen: Harbin Institute of Technology, Shenzhen.]

Yan Xinru. 2025. Study on the Evolution of Waterlogging Risk Under Urbanization—Taking Shenzhen as an Example. Shenzhen: Harbin Institute of Technology, Shenzhen.

曾照洋, 王兆礼, 吴旭树, 赖成光, 陈晓宏. 基于SWMM和LISFLOOD模型的暴雨内涝模拟研究. 水力发电学报, 2017, 36 (5): 68- 77.

DOI

Zeng Zhaoyang, Wang Zhaoli, Wu Xushu, Lai Chengguang, and Chen Xiaohong. Study on Rainstorm Waterlogging Simulation Based on SWMM and LISFLOOD Models. Journal of Hydroelectric Engineering, 2017, 36 (5): 68- 77.

DOI

张弛, 钟华, 江衍铭, 俞鸿杰, 刘莉, 许月萍. 不同雨型降雨对城市内涝的影响研究. 自然灾害学报, 2025, 34 (3): 88- 98.

Zhang Chi, Zhong Hua, Jiang Yanming, Yu Hongjie, Liu Li, and Xu Yueping. Impacts of Different Rainfall Patterns on Urban Waterlogging. Journal of Natural Disasters, 2025, 34 (3): 88- 98.

Zhang C, Wang W, Huang L, Zhang P, and Lai C. Analysis of Driving Factors for Waterlogging Points in Shenzhen City under High Urbanization Background. Water Resources Protection, 2024, 40 (2): 35- 45.

张菲菲, 谭琳珊, 赵强强, 吴燕娟, 徐羽, 高超. 基于水动力模型的城市内涝灾害研——以宁波市白鹤社区为例. 自然灾害学报, 2021, 30 (6): 209- 218.

DOI

Zhang Feifei, Tan Linshan, Zhao Qiangqiang, Wu Yanjuan, Xu Yu, and Gao Chao. Study on Urban Waterlogging Disaster Based on Hydrodynamic Model: A Case Study of Baihe Community in Ningbo City. Journal of Natural Disasters, 2021, 30 (6): 209- 218.

DOI

张江波, 王熠, 杨晓柳, 姜立智, 周翔, 陈莹, 高路. 基于水动力模型的台风—暴雨—积涝时空演变过程研究. 灾害学, 2025, 41 (1): 226- 234.

DOI

Zhang Jiangbo, Wang Yi, Yang Xiaoliu, Jiang Lizhi, Zhou Xiang, Chen Ying, and Gao Lu. Spatio-Temporal Evolution of Typhoon-Rainstorm-Waterlogging Processes Based on Hydrodynamic Modeling. Journal of Catastrophology, 2025, 41 (1): 226- 234.

DOI

张金萍, 张朝阳, 左其亭. 极端暴雨下城市内涝模拟与应急响应能力评估. 郑州大学学报（工学版）, 2023, 44 (2): 30- 37.

DOI

Zhang Jinping, Zhang Chaoyang, and Zuo Qiting. Simulation of Urban Waterlogging and Evaluation of Emergency Response Capacity under Extreme Rainstorms. Journal of Zhengzhou University(Engineering Science), 2023, 44 (2): 30- 37.

DOI

Zhang M, Xu M, Wang Z, and Lai C. Assessment of the Vulnerability of Road Networks to Urban Waterlogging Based on a Coupled Hydrodynamic Model. Journal of Hydrology, 2021, 603, 127446.

DOI

Zhang Z, Jian X, Chen Y, Huang Z, Liu J, and Yang L. Urban Waterlogging Prediction and Risk Analysis Based on Rainfall Time Series Features: A Case Study of Shenzhen. Frontiers in Environmental Science, 2023, 11, 1131954.

DOI

Zhu H, Jiang Z, and Li L. Projection of Climate Extremes in China, an Incremental Exercise from CMIP5 to CMIP6. Science Bulletin, 2021, 66 (24): 2528- 2537.

DOI

郑杨坤, 王锋, 韦秋莹, 张云, 杨芳, 胡茂川. 广州市雨潮遭遇组合风险及其空间分布特征. 热带地理, 2025, 45 (4): 567- 574.

DOI

Zheng Yangkun, Wang Feng, Wei Qiuying, Zhang Yun, Yang Fang, and Hu Maochuan. Spatial Distribution Characteristics and Co-Occurrence Risk of Rainstorms and High Tide Levels in Guangzhou. Tropical Geography, 2025, 45 (4): 567- 574.

DOI

Options
文章导航

/

〈 〉