《Journal of Hydro-environment Research》：The impact of rainfall characteristics on combined sewer overflows in wet weather
编辑推荐：
本研究通过分析71年降雨数据，构建液压模型与神经网络结合的方法，量化了降雨深度、持续时间和峰值时段比例对北京西城区合流排水溢流的影响，发现降雨深度贡献率最高（0.580），持续时间次之（0.274），峰值时段比例影响最小（0.024）。该方法为快速评估CSO提供支持，助力城市排水规划。
王浩|王子健|曾鹏飞|刘子龙|陈斌|周金军
北京工业大学建筑、土木与交通工程学院，中国北京100124
摘要
合流制污水溢流（CSO）对水质和公共卫生都构成威胁。然而，不同降雨特征对CSO的影响尚不明确。本研究旨在评估和分析CSO与降雨特征（特别是降雨深度、降雨持续时间和降雨在高峰期所占的比例）之间的相关性。目的是识别并阐明每个主要降雨特征对CSO发生频率的影响。为了进行这项分析，将71年的降雨数据分为1435个降雨事件，并根据其时间分布将其分为五种典型的降雨模式。采用下水道网络的水力模型来模拟不同降雨模式下的CSO结果。引入了一个称为“降雨-CSO贡献率”的指标来反映降雨对CSO的影响。利用神经网络方法建立了降雨特征与降雨-CSO贡献率之间的关系模型（R2 > 0.94）。通过敏感性分析和模型可视化技术揭示了降雨特征与降雨-CSO贡献率之间的关系。观察到不同降雨模式下的贡献率存在显著差异（p = 0.012），表明它们与降雨特征有很强的关联性。具体来说，高峰期降水比例较高的降雨模式对应的CSO贡献率更大。在每种降雨模式下，降雨深度被确定为影响CSO贡献率的最关键因素，其次是降雨持续时间，其平均敏感性指数分别为0.580和0.274。高峰期降雨比例对结果的影响最小，平均敏感性指数仅为0.024。此外，研究还发现，随着降雨深度的增加，不同模式下的CSO贡献率差异加剧，而降雨持续时间的影响则随着持续时间的延长而减弱。本研究提供了一种系统的方法来定量分析降雨特征与CSO贡献率之间的关系，有助于快速评估CSO状况，并为城市规划和排水管理决策提供依据。
引言
合流制污水系统是一种城市排水系统，它通过同一管道收集和输送废水和雨水。在降雨期间，当径流量超过合流制污水系统的输送能力或超出污水处理系统的处理能力时，就会发生合流制污水溢流（CSO），导致未经处理的污水直接排放到相邻水体中。这种现象被广泛认为是降雨事件期间城市水污染的主要来源之一，对城市水环境管理提出了重大挑战（Mutzner等人，2019；Schertzinger等人，2019）。CSO污染是许多城市普遍面临的问题，全球城市地区每年都会发生数千起此类事件，例如美国（Ghodsi等人，2023）、加拿大（Jean等人，2022）、英国（Giakoumis和Voulvoulis，2023）、日本（Poopipattana等人，2021）和中国（Yu等人，2022）。近年来，气候变化和人类活动导致城市地区极端降雨事件的频率增加，进而使得CSO污染的频率和严重程度也随之上升（Botturi等人，2020；Zhang和Zhao等人，2021）。因此，探索降雨特征及其对CSO污染的影响，以及在不同降雨特征下评估CSO污染情况，具有重要的科学意义。此类研究可以为管理城市水污染和保护水生态系统提供关键的科学基础和技术支持。
城市降雨的特征显著影响CSO排放的特性（Gooré Bi等人，2015；Moreno-Rodenas等人，2017；Shi等人，2018），如CSO的频率、量和持续时间，这些特性受到降雨深度、持续时间、强度（Yu和Kojima，2013；Fortier和Mailhot，2015；Mailhot等人，2015；Yu等人，2018；Chun等人，2023）等降雨特征以及前期条件（Rodriguez等人，2023）的影响。研究人员对降雨与CSO之间的复杂关系进行了全面调查，分析了可能影响CSO发生的因素及其相互关系。降雨深度被认为是CSO事件的主要驱动因素（Sandoval和Torres等人，2013；Jean和Duchesne等人，2018）。在魁北克和柏林，研究人员使用统计方法预测CSO的发生，并发现降雨深度存在一个临界值。当降雨深度超过这个值时，CSO很可能发生（Schroeder等人，2011；Fortier和Mailhot，2015）。其他研究也表明降雨持续时间也是影响CSO的重要因素（Todeschini，2012）。丹麦的一项研究表明，降雨事件的深度和持续时间可以有效描述CSO的发生（Thorndahl和Willems，2008）。利用降雨深度和强度可以可靠地预测合流制污水管道内的水量和峰值流量（Li和Kazemi等人，2021）。在数学建模中，条件回归树模型已被证明能有效预测基于预测降雨强度的CSO排放（Bersinger和Bareille等人，2018），决策树模型也被用于预测CSO事件并评估降雨强度带来的CSO污染风险（Montserrat和Bosch等人，2015；Carnacina和Lambert等人，2017）。最大降雨强度会影响CSO的发生（Abdellatif等人，2014；Chun等人，2023）。对CSO特征与降雨事件之间关系的研究表明，CSO的量取决于降雨深度和最大强度（Yu等人，2022；Chun等人，2023）。研究表明，降雨事件的最大强度是影响CSO量、持续时间和流量的主要因素（Sandoval等人，2013）。降雨的时间分布对水文过程和CSO事件的发生有显著影响。多项研究表明，降雨的时间分布对排水系统的水文响应有重要影响（Nied等人，2014；Fischer等人，2019；Lee等人，2021；Mu等人，2021）。尽管许多研究已经确定了影响CSO事件的降雨特征并提出了预测方法，但在不同降雨特征对CSO响应的相对贡献的定量评估方面仍存在显著差距。特别是，降雨特征之间的相互作用及其对CSO动态的综合影响尚未得到系统研究。这种缺乏全面分析的情况不仅限制了对城市降雨与CSO响应之间机制的理解，也制约了可靠预测工具和有效管理策略的开发。
为了解决这一差距，本研究旨在建立一个数据驱动的框架，将降雨特征与CSO响应联系起来，并量化它们的单独影响。同时，它还寻求提供一种快速的方法来评估在不同降雨条件下的CSO行为。为此，使用了北京西城区的一个合流制污水系统的水力模型来模拟具有不同降雨特征的降雨事件，并提供CSO结果。然后定义了一个降雨-CSO贡献率来衡量降雨特征对CSO的影响。接着开发了一个神经网络模型来捕捉降雨特征与贡献率之间的关系，从而能够在更广泛的降雨条件下生成更多的贡献率样本。最后，应用重采样和响应面切片分析来可视化和量化CSO响应对各个降雨特征的敏感性。
方法与数据
图1展示了该框架的总体流程图。收集了研究区域内管道网络及其附件的数据（2.1），以及连续的历史降雨数据（2.2）。降雨数据被分为1435个降雨事件，并使用模糊矩阵方法和K均值聚类（2.3）将其分类为几种典型的降雨模式。每个降雨事件的特征包括降雨深度、持续时间和降雨在高峰期的比例
水动力模型模拟
SWMM的模拟结果展示了该研究区域内排水系统在干燥和潮湿天气下的功能。图6展示了干燥天气和B1模式降雨事件期间管道和堰部分的工作情况（图6（C））。管道的充满度（h/D），其中h表示横截面水深，D表示管道高度，是评估管道部分运行状态的重要指标（Zhou等人，2023）。降雨事件下的溢流特征
在研究区域内进行的水力建模模拟显示，在干燥天气条件下，该区域内超过99%的管道部分的最大充满度保持在0.6或以下。这表明管道部分具有足够的排水能力，不存在CSO的风险。然而，在降雨期间，研究区域内合流管道和雨水管道的充满度显著增加。具体来说，49.9%的管道部分结论
本研究评估了降雨特征对合流制污水溢流的影响，旨在确定不同降雨特征对CSO行为的影响程度。此外，它还定量比较了降雨特征对CSO影响的差异。主要结论总结如下：
(1)通过将水动力模拟与神经网络学习相结合，本研究建立了一个快速的CSO估算框架，该框架仅需要三个
未引用的参考文献
Carnacina等人，2017；Dong等人，2023；Hill等人，2013；Jean等人，2018；Li等人，2021a；Li等人，2021b；Mishra等人，2021；Montserrat等人，2015；Racolte等人，2022；Shepard，1968；Tang等人，2007；Tansar等人，2023；Torres等人，2022；Yang等人，2023；Yuan等人，2021；Zhang等人，2021a；Zhang等人，2021b。CRediT作者贡献声明
王浩：撰写——原始草稿、资源整理、概念构思。王子健：撰写——审阅与编辑、方法论。曾鹏飞：撰写——审阅与编辑、软件开发、方法论、数据整理。刘子龙：监督、资源协调。陈斌：撰写——审阅与编辑、监督。周金军：撰写——审阅与编辑、验证、方法论。
资助
本研究得到了国家自然科学基金一般项目（项目编号：72373011）、北京市自然科学基金（项目编号：8242003）、北京市杰出科学家计划（项目编号：BJJWZYJH01201910027031）、水利部流域数字孪生重点实验室开放研究基金（项目编号：Z0202042022）、重庆市自然科学基金（项目编号：CSTB2024NSCQ-MSX0557）以及国家开放研究基金的支持利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。
