利用创新的多源影响数据，量化基于影响的预警在山洪监测中的附加值

《International Journal of Disaster Risk Reduction》：Quantifying the added value of impact-based warnings for flash flood monitoring using innovative multi-source impact data

　　朱丽叶·戈代（Juliette Godet）| 埃里克·高姆（Eric Gaume）| 皮埃尔·贾维尔（Pierre Javelle）| 托马斯·迪亚斯（Thomas Dias）| 皮埃尔·尼科尔（Pierre Nicolle）| 奥利维尔·帕雷斯特尔（Olivier Payrastre）
GERS-LEE，古斯塔夫·埃菲尔大学（Univ. Gustave Eiffel），IFSTTAR，Allée des Ponts et Chaussées，44344，布盖奈（Bouguenais），法国

**摘要**
山洪暴发对社会具有毁灭性影响。早期预警系统通过启用预防措施在减轻这些影响方面发挥着关键作用。传统上，预警系统基于风险，依赖于预先定义的物理参数阈值（如洪水流量）。然而，越来越多的人关注基于影响的预警（IBW），这种预警将风险信息与暴露度和脆弱性结合起来，以传达潜在影响。预计IBW能够提高与公众的沟通，优先处理受影响区域，并减少误报，但其运营效益尚未得到充分验证。本研究重点关注山洪暴发的IBW，并将其性能与传统基于风险的预警（HBW）进行比较。我们使用了一个基于多样化数据集的验证框架，包括证明自然灾害的立法法令、保险理赔记录以及消防和救援服务操作日志。分析涵盖了法国地中海地区13年（2010–2022年）的时间段以及两种不同的空间分辨率（河流段和市镇规模）。IBW基于被淹没建筑物的数量阈值，而HBW则基于流量重现期阈值。

**结果**
我们的研究表明，在更细致的空间尺度上，IBW明显优于HBW。在河流段尺度上，与HBW相比，IBW将误报数量减少了2到3倍。这凸显了IBW通过提供更精确和可操作的预警来增强决策过程的潜力。研究结果强调了系统化收集影响数据以及整合多样化数据集以进一步完善和验证IBW的必要性。

**1. 引言**
最近，欧洲和北美都遭受了灾难性山洪暴发的袭击，例如2024年秋天的瓦伦西亚（西班牙）和2025年夏天的德克萨斯州。这些事件提醒我们洪水对社会的毁灭性影响。它们也强化了一个关键教训：及时可靠的洪水预警对于挽救生命和减少损失至关重要，当当局采取预防性疏散和其他保护措施时尤其如此。

预警传统上通过其内容、格式和通信渠道来区分[1]。内容是指预警发布者向接收者传达的信息。该信息可能包括即将发生的灾害性质、事件开始和持续时间、位置、预测强度和/或预期后果等细节。它还可能提供行动建议和相关不确定性的信息。预警格式的例子包括文本、图形和地图，而通信渠道可能涉及无线电、电视或短信。

预测是指预警所基于的未来条件的估计，是预警内容的一个组成部分。尽管为了简单性和普遍性，我们在本文中使用了“预警”一词，但我们的重点实际上是短期预警系统中的“即时预报”（nowcast）。然而，严格来说，我们的分析依赖于回顾性分析，因为我们重新播放了长期的预测链以进行评估，但仍使用“预警”这一广义术语。

**1.1. 基于风险的预警和基于影响的预警**
最初，预警仅依赖于对即将发生的灾害的描述，采用阈值（例如预期降雨量/流量/风速/积雪深度等）来触发预警。本文将这些类型的预警称为基于风险的预警（HBW）。然而，现在越来越多的努力被投入到基于影响的预警（IBW）的开发中。根据世界气象组织的建议，这些预警旨在不仅说明灾害本身，还说明其可能造成的影响，明确考虑了处于风险中的元素、它们的暴露度和脆弱性[2]。基于影响的预警可以使用定量物理或社会经济指标，如预计受损建筑物或受影响的人数，这仍然允许使用阈值方法来确定预警级别。

影响建模通常看起来比风险建模简单，因为其输出通常仅限于对物体、区域和人员的影响。然而，由此产生的不确定性往往被认为更为显著[3]。这种差异源于我们在影响建模方面的经验有限，例如与河流水位等风险相关变量相比，影响数据收集不够系统化，以及影响建模本身所固有的复杂性。尽管影响建模看似简单，但实际上涉及多种因素，包括人类行为，这可能导致不可预测的后果。

尽管不确定性更大，但基于影响的预警预计在多个方面比基于风险的预警更有用：
1. 它们可以帮助弥合科学家、预警服务和目标受众之间的沟通差距[1]，[2]，[4]，[5]，[6]，[7]。例如，基于影响的洪水预警可以指出特定社区的房屋、道路和关键基础设施可能被淹没，使信息更容易被非专业人士理解。
2. 它们有助于识别和优先处理受影响区域[3]，[8]，[9]，[10]，[11]。例如，在洪水期间，基于影响的预警可以将基础设施较老的区域确定为疏散和紧急援助的优先对象。
3. 它们还可以提高人们对前置条件和连锁灾害的认识，帮助决策者和社区为次生效应做好准备[4]，[12]，[13]。例如，洪水预警不仅应强调淹没区域的直接风险，还应考虑累积和连锁效应，如交通网络瘫痪或电力和饮用水供应系统故障。这些间接影响可能会在直接淹没区域之外引发疏散需求。
4. 它们可以减少“误报”数量，提高对预警系统的信任，并将可用紧急资源分配到相关区域[4]。例如，基于影响的系统可以帮助确保预警针对有重要资产或脆弱性的区域，避免在几乎没有或没有风险资产的地区发送不必要的警报。
5. 它们可以通过自动结合风险信息和风险要素来节省时间并加快决策过程，而这通常是应急管理人员手动完成的，且容易受到主观性影响[14]。更广泛地说，IBW的附加价值在于通过自动提供有关潜在影响的有用信息来促进决策[15]。
6. 最后，它们可以通过提供一种基于影响的共同语言来促进向多灾害早期预警系统的过渡，从而克服不同学科之间的障碍[7]。

然而，大多数这些假设尚未得到可靠的证据支持[3]。事实上，一些研究甚至质疑IBW是否本质上比HBW更有用。例如，研究结果表明，当恐惧是主要动机时，IBW提供的额外信息可能影响有限[16]。本文的目标是贡献更多证据，支持IBW相对于HBW的附加价值，特别是在识别和优先处理受影响区域（第2点）以及减少误报（第4点）方面。

**1.2. 山洪暴发背景下的基于影响的预警**
本文重点关注山洪暴发的预警系统。需要注意的是，洪水和山洪暴发的预警系统可能有所不同。例如，在法国，Vigicrues系统监测大型河流，具有24小时的预警窗口，根据预期的洪水强度确定四个预警级别，并结合风险因素进行调整。未被Vigicrues监测且更容易发生快速洪水的较小河流可以使用Vigicrues Flash服务[17]，这将在我们的研究中作为基准。这项自动化预警服务提供的预警时间较短，更准确地称为“即时预报”而非“预测”，并根据洪水重现期（5年或20年）确定洪水是否“严重”或“非常严重”。因此，法国当前的运行中的山洪暴发预警系统完全是基于风险的。其他基于风险的山洪暴发监测和预报系统也在美国[18]、新西兰[19]、西班牙[20]、瑞士[21]以及欧洲的ERIC-ERICHA系统[22]，[23]中得到发展。

估计预测洪水和山洪暴发影响的方法多种多样。例如，从ERICHA系统发展而来的ReAFFINE方法[14]计算社会经济影响，如受影响的人口和受干扰的关键基础设施。“风险指数”基于法国的Vigicrues Flash系统[24]，通过对利益相关者的调查对各种资产（如交通网络、农作物或专用建筑）进行排名来评估暴露度。这种方法将不同资产类别的脆弱性结合成一个得分，也被用于非洲的Flood-PROOFS工具[25]和巴西的CEMADEN工具[26]中。英国使用的洪水风险矩阵[27]根据被淹没资产的数量（如道路、铁路和住宅物业）直接分配影响类别（轻微、严重或灾难性），并与预先定义的阈值进行比较。同样，美国未来的潜在预警工具Flash Flood Severity Index[28]根据影响类型将洪水从轻微到灾难性进行排名（例如，“房屋被冲走”表示灾难性洪水，而“河流泛滥”表示轻微洪水）。其他方法虽然不太关注操作环境，但旨在估计具体影响。例如，一些研究专注于在详细空间尺度上估计受损建筑物的数量[9]，推进人员损失的预测[29]和人员安全[30]，或预测紧急服务操作[31]和可达性[32]以及因洪水导致的道路封闭位置[33]。在这项工作中，我们也关注了具体影响，这可以看作是一种非常简化的方法，但符合验证要求，如下所述。

**1.3. 基于影响的预警的验证**
预警的验证是一个关键但复杂的过程。第一个挑战是定义什么是正确的预警。根据戈尔丁（Golding）[34]的观点，“完美的”预警是“能够防止所有可避免的[负面]后果”的预警。从基于风险的预警（HBW）过渡到基于影响的预警（IBW）引入了额外的验证挑战——这是世界气象组织高风险天气项目（WMO World Weather Research Program High Impact Weather）的主要研究领域之一[7]，例如测量IBW如何提高接收者对灾害的理解。专注于预警的预测部分，评估HBW的质量相对简单（例如，通过将测量或重建的流量与基于流量阈值的山洪暴发预警进行比较[35]）。相比之下，IBW必须与基于地面观测的影响数据进行比较，这特别具有挑战性，因为缺乏系统化、全面和连续的灾后影响数据收集。这一问题已被广泛记录[7]，[36]，[37]，[38]，[39]，[40]。研究人员建议通过预警服务、应急响应者和其他利益相关者之间的合作伙伴关系和合作[7]，[41]，以及开发改进影响数据收集的方法[11]，[42]来解决这一问题。即使有可用的影响数据，它们也必须与被评估的变量一致[43]。例如，如果IBW预测每个市镇的被淹没建筑物数量，则验证过程需要相应的灾后观测数据，而这些数据并不总是能够收集或获取。此外，影响数据很少专门为验证IBW系统而收集，通常需要额外的处理，尤其是在整合多个数据源以实现全面视角时[7]，[44]。

公开可用的影响数据中的偏差进一步复杂化了IBW的验证。例如，阈值偏差发生在数据库主要包含高影响事件时，排除了低影响事件[44]。这种偏差通过在被预测和实际观测的影响之间造成差异来影响IBW的验证。为了缓解这个问题，怀亚特（Wyatt）等人[44]建议使用多种数据来源来获得更真实的自然灾害影响表示。在洪水和山洪暴发的背景下，由于高质量损害数据的可用性有限[45]，[46]，[47]，[48]，[49]，尤其是在详细的空间尺度上[50]，预警链中的影响部分很少被评估。大多数研究使用受影响人口的观测数据或在区域或国家尺度上汇总的经济损失来评估影响预测[14]，[25]，[26]。然而，一些验证工作是在更精细的空间分辨率下进行的，例如县级[29]、市级[30]、[51]或河段尺度（大约2公里）[9]。此外，验证工作通常集中在有限数量的具体事件上[9]、[14]、[25]、[29]、[30]，而持续进行验证工作的倡议相对较少[26]、[51]。适合用于验证山洪预警工具的详尽影响数据库示例包括SHAVE（严重灾害分析与验证实验）数据集以及美国的风暴事件数据库，这些数据库是根据个人报告建立的[52]。本研究利用多种数据来源对山洪影响边界（IBW）进行了验证，包括证明市政区域内自然灾害的立法法令、保险理赔记录以及消防和救援服务操作记录。验证时间跨度为2010年至2022年，覆盖了法国地中海地区的广大区域，并且是在高空间分辨率（市级和河段尺度）下进行的。通过这些数据，我们比较了一个基于影响的简单模型（根据被淹没建筑物的数量阈值发出预警）与Vigicrues基于洪水的灾害模型（根据流量阈值发出预警）的性能。因此，本研究的创新之处在于基于这两种模型在非常大的时空范围内的连续实施，对它们的附加值进行了系统的评估，这超出了现有的基于案例的、短期的或空间有限的研究。接下来，第2节将描述影响数据库，第3节详细说明了基于影响和基于灾害的模型以及验证方法，第4节将展示和讨论结果。

2. 洪水影响数据
2.1. 收集法国东南部的山洪影响数据
本研究重点关注法国东南部地中海地区，该地区是欧洲极端流量频繁发生的“热点”[53]。该地区一个著名的灾难性山洪事件是2010年瓦尔省发生的洪水，导致25人死亡，保险损失高达7.71亿欧元（按2023年的价值调整）[54]。研究范围涵盖了法国地中海地区的61个主要河流流域，排水面积接近42,000平方公里，河流网络长度达到20,000公里（见图1a）。排水面积小于5平方公里的河流被排除在研究网络之外。此外，由于罗讷河和杜朗斯河不易发生山洪，并且受到大坝等人造结构的显著调节，因此也未纳入研究范围。
在本研究中，我们比较了在两个空间尺度上发布的基于影响和基于灾害的预警：河段尺度（见图1b，平均子流域面积为4平方公里）和市级尺度（见图1c，平均市级面积为20平方公里）。这种高分辨率分析的要求排除了使用广泛认可的国际影响数据库（如EM-DAT），因为这种细节级别只能在国家以下层面实现。影响通常被分类为直接影响、间接影响、有形影响或无形影响[46]。在这里，我们仅关注可以直接与模拟的直接和有形影响进行比较的影响数据，例如建筑物或道路的损坏。此外，我们的研究仅限于影响排水面积大于5平方公里的河流的山洪灾害。因此，我们想要收集的影响数据理想情况下应仅代表这些河流造成的损害（从而排除较小的河流或地表洪水）。这是一个重要的限制，因为在山洪情况下，地表洪水可能非常严重并造成重大损害。
数据收集面临法国行政体系的第一个挑战，该体系的特点是行政和环境治理层级之间职责重叠且有时存在冲突。传统的行政机构（如省级部门）提供了相对稳定且基于历史的数据收集框架。另一方面，环境治理结构（如河流流域管理机关）提供了领土连贯的方法，但增加了复杂性。这种碎片化的格局导致了数据可用性的不平衡，受到地方优先事项、预算和机构能力的影响。因此，识别关键行为者和协调各级努力仍然是重要的挑战。

2.2. CatNat法令
2.2.1. 定义和局限性
在法国，CatNat法令（“Catastrophes Naturelles”或“自然灾害”的缩写）是由政府发布的官方声明，用于将特定事件认定为自然灾害。这些法令有助于根据国家团结体系获得保险赔偿，该体系动员集体资源来支持受影响的个人和社区。诸如洪水、滑坡、地震和干旱等自然灾害符合这一定义。当财产或基础设施遭受重大损害时，市政当局可以请求政府将事件列为自然灾害。如果事件满足所需标准（例如理论回归周期至少为10年），政府将发布正式法令。这一回归周期可以指从一小时到几天的降雨累积，或峰值流量。这一认定使受影响者能够获得财政赔偿和政府的额外支持。
开放获取的GASPAR数据库提供了自1982年以来的CatNat法令及其相关受影响市政当局的历史记录。先前的研究[57]、[58]评估了这些法令在洪水事件清单中的使用情况，指出了某些局限性：(i) 要求10年回归周期的标准可能应用不一致；(ii) 政治影响可能会影响决策；(iii) 难以区分由河流洪水和由降雨引起的洪水造成的损害。尽管存在这些缺点，GASPAR数据库中的CatNat法令已经被用来验证预测链[51]。对于这项研究，我们提取了2009年9月至2023年9月期间法国地中海地区1985个市政当局发布的所有3588份洪水法令。因此，该数据库的空间分辨率为市级尺度（见图1c）。

2.3. 保险数据
2.3.1. CCR保险数据库的内容和局限性
当事件被归类为CatNat事件时，国有再保险公司CCR（“Caisse Centrale de Réassurance”）会向保险公司提供国家担保的覆盖。因此，CCR在其与客户的再保险协议中开发了一个广泛的保险理赔数据库[59]。该数据库覆盖了整个法国领土，数据可靠性从1997年开始，并被认为是法国关于洪水影响的最全面资源[9]。然而，它也存在某些局限性，包括：(i) 地理编码偶尔不准确；(ii) 数据库中的理赔报告不够系统；(iii) 数据录入过程中基于保险公司提供的信息存在错误。例如，与保险单相关联的地址并不总是与受影响财产的位置相符，这种情况在度假屋中尤为常见。一项使用相同数据集的研究计算了两次重大洪水事件在1000年一遇洪水范围内的索赔与保单比率[9]。这个“1000年一遇洪水范围”指的是在极低概率（回归期为1000年）的事件中会被淹没的区域，实际上提供了非常大的风险暴露范围。计算出的比率分别为0.37和0.43，乍看之下可能令人惊讶。这种差异可能是由于未得到赔偿的索赔、没有索赔的情况、位于较高楼层的公寓或存在诸如抬高的地下室或当地防洪设施等保护性特征所导致的。解读索赔数据的另一个难点是它合并了由非河流洪水现象引起的损害，如小型未建模的水道、地表洪水、下水道溢出，甚至可能无意中录入数据库的屋顶渗水索赔。以地中海地区1995年至2019年间报告的洪水损害为例，有38%的损害发生在CCR洪水模型所建模的淹没区域之外[60]，尽管该模型考虑了河流和地表洪水。这一结果强调了一个更广泛的观点：无论使用哪种影响模型，模型预测的风险范围与实际观测到的损害之间都可能存在很大差异。只有位于高风险区域的少数财产会受到严重损害，相反，在重大洪水中观察到的损失中，超过一半并不直接由河流溢出造成。

2.3.2. 本研究收集的保险数据
本研究使用的数据由CCR提供，其中包括按河流段落汇总的数据（见图1b），以保持隐私。在进行汇总之前，CCR通过仅选择那些可以与街道号码进行地理编码的住宅、商业、工业和农业建筑的索赔数据进行了筛选。此外，他们只包括了那些位于1000年一遇洪水范围内的索赔（即可能与河流洪水有关的索赔）。这个1000年一遇洪水地图由Godet等人描述[61]。这种方法减少了我们的预警与由未建模的危险因素（如地表洪水或排水面积小于5平方公里的河流洪水）引起的洪水影响进行比较的可能性。然而，在1000年一遇洪水范围内仍可能发生一些此类影响的残余案例。

对于每次事件，CCR统计了每个河流段落的索赔数量，并根据观察到的损害（索赔数量）对河流段落进行了排名，如图2b所示。这种数据处理方法既保证了隐私性，也符合我们的目标：主要关注河流洪水，并使我们能够评估预警在检测和分类受影响区域方面的有效性。

CCR提取了从2010年1月到2022年12月的连续时间窗口内的数据，共记录了分布在图1a所示61个流域中的402次事件。图2b提供了CCR保险数据的一个示例。为了解决保险数据库中可能存在的错误，例如保单地址报告不正确、事件日期错误或保单持有人地址与损害位置不符的情况，我们实施了额外的验证步骤。这涉及将CCR保险数据库与上一节中描述的CatNat数据库进行交叉比对。由于CCR数据库中的所有索赔都应该对应于一个被认可的CatNat事件，这一过滤过程使我们能够识别并排除不一致之处。结果有20%的事件被移除，这突显了考虑这些限制的重要性。特别是被排除的事件具有高度局部性，75%的事件只涉及单个河流段落，最多影响四个河流段落。这些案例可能反映了孤立错误（例如地理位置不准确、报告错误的地址如度假屋），而不是真正的洪水事件，这可以解释为什么它们没有在CatNat数据库中被识别出来。

2.4. 消防和救援服务操作记录
2.4.1. 消防和救援服务在洪水管理中的作用及其产生的数据集
在法国，消防和救援服务负责为面临自然灾害的人口提供紧急援助。他们通常采取分阶段的方法来管理洪水事件，根据事件的发展情况调整行动。在洪水之前，重点在于组织预防性疏散和预先部署资源。在洪水期间，重点转向立即救援和保障受影响区域的安全，部署专门的团队来协助人员并评估情况。洪水过后，恢复工作成为重点，包括抽水、清理碎片以及恢复受影响区域的安全条件。这种结构化的响应确保了每个洪水阶段的有效管理。

消防和救援服务的操作记录通常存档在部门数据库中，其中通常包含每次干预的时间戳和位置信息。关于消防和救援服务活动的统计报告每年在国家级层面编制；仅2022年就记录了4,968,500次干预。其中30,663次与洪水有关，根据法国内政和海外领土部的数据。然而，这些国家级报告掩盖了这些干预记录方式上的差异。这个过程缺乏标准化是一个重大挑战，因为影响必须尽可能严格和一致地记录下来。不过，目前有明确的趋势朝着国家标准化发展，这应有助于克服这些当前的限制。据我们所知，消防和救援服务操作记录从未被用于洪水预警的验证。然而，它们在几项研究中被认为是有前景的数据集[51]、[62]，并启发了对洪水影响的建模[31]，其他国家也使用了类似的数据来分析触发山洪的降雨事件与消防和救援服务记录的洪水影响之间的关系[63]。

2.4.2. 收集的消防和救援服务操作记录的描述、优点和局限性
消防和救援服务记录主要在部门层面收集。图1a中展示的研究区域涵盖了14个不同的部门消防和救援服务（SDIS），所有服务都系统地接受了联系。观察到了较高的响应率，14个服务中有10个回复了电子邮件或电话。其中，三个提供了运营数据库，六个表示愿意未来合作，一个拒绝了请求。在收集的三个数据库中，有一个被排除，因为它只提供了到市政中心的地理编码操作信息。分析主要集中在剩下的两个数据库上，这两个数据库包含了每次操作的精确坐标。这些分别对应于加尔省（地图左侧）和阿尔卑斯-滨海省（地图右侧），分别用“SDIS30”和“SDIS06”表示，SDIS代表“部门消防和救援服务”，“30”和“06”代表部门代码。

SDIS06数据库的数据可追溯到2011年12月，其中包括标记为“陆地/公共道路被淹”、“因恶劣天气导致场所被淹”、“因恶劣天气导致道路被淹”、“恶劣天气后的洪水评估”和“重大洪水”的操作记录。在移除了数据严重缺失的条目（例如缺少坐标）后，剩余了4180次操作。排除了包含“浇水”、“漏水”、“消防栓”、“龙头”、“管道”或“喷水器”等关键词的操作，使数据库减少到2991次。尽管采取了这些预防措施，仍有一些记录可能代表了由非气象事件引起的洪水。为了解决这个问题，应用了最后的过滤步骤：只保留了位于1000年一遇洪水范围内的操作（同CCR保险数据一样）。最终得到了741次操作的数据库。

SDIS30数据库涵盖的是自2012年5月以来的操作，初始记录数量为5574条，标记为“天气事件后的非紧急行动”或“救援或保障行动”。这些标签可能涵盖了由除洪水以外的天气灾害引起的操作。为了缓解这个问题，对SDIS06数据库也应用了相同的过滤步骤，只保留了位于1000年一遇洪水范围内的操作。最终得到了1693次操作的数据库。为了保持隐私，在选择后，SDIS30和SDIS06数据库按河流段落进行了汇总。

尽管这两个数据库中的操作类型不同，但它们有几个共同特点。两者都包含了精确到分钟的时间戳，记录了接收到请求的时间、救援团队出发的时间以及操作结束的时间。它们还详细列出了部署的资源类型和车辆。这些信息特别有价值，因为消防和救援服务操作记录的一个主要局限性是一些干预可能被隐藏。例如，记录中的单次操作可能对应于多个区域的部署，特别是当坐标对应于“高级指挥所”时，在那里会直接做出战略决策。这样的案例通常可以通过分配给单次操作的车辆数量来判断。

尽管关于某些操作的来源存在不确定性（例如，它们是否真正与洪水有关，特别是与排水面积大于5平方公里的河流有关），以及一个记录下可能掩盖了多次干预的情况，但这个数据集仍然被认为是有价值的。这些局限性在基于风险和基于影响的方法中都是一致的，确保了比较的准确性。与CatNat和CCR数据库不同，消防和救援服务记录不受10年回归期阈值偏见的影响，这使得它们特别适合分析较小的洪水事件。此外，它们精确的空间和时间信息独特地允许验证模型的预测时间。最后，虽然一些干预发生在建筑物之外（例如，从车辆中救援人员），但我们采用了简化的假设，即干预发生在人们所在的地方，而人们主要位于建筑物内。我们的数据支持这一假设，因为在洪水事件期间大多数干预都与建筑物有关（例如，侦察、疏散、抽水）。图2c提供了消防和救援服务数据库的示例。

3. 现在预报链和验证方法
在本节中，我们将介绍正在比较的洪水预警服务。首先是目前在法国运行的基于风险的（HB）预警服务，简称为HB模型。该模型作为基准，用于评估基于影响的（IB）预警服务（简称IB模型）的附加值。“现在预报”是在2009年9月至2023年9月的连续时间窗口内模拟的。图3展示了这两种建模链的示例。

3.1. 基于风险的现在预报链
本研究中用作基准的HB模型是法国的Vigicrues山洪预警系统。由于在之前的研究中已经对其进行了详细描述和评估[64]，这里只提供简要总结。Vigicrues Flash使用INRAE开发的基于水库的降雨-径流模型，每15分钟估计一次洪水严重程度（以回归期表示）[65]。该水文模型高度简化，依赖于包含两个水库（生产区和转移区）和“瞬时”路由方案的结构。它是完全分布式的，分辨率为1平方公里。目前，Vigicrues Flash使用观测到的雷达降雨估计值而非降雨预报值进行驱动。因此，预测时间不能超过流域的集水时间，并且高度依赖于强降雨的位置。因此，在本研究中使用“现在预报”一词而不是“预测”。此外，在这项工作中，该模型使用ANTILOPE再分析降雨产品[66]进行驱动，这可能比使用实时ANTILOPE数据得到的结果更为乐观。

在Vigicrues Flash中，水文模型的流量输出通过Gumbel拟合方法转换为回归期，该方法应用于模型生成的长系列流量数据。这被认为足以估计低回归期的流量分位数（Vigicrues Flash不估计超过20年一遇的回归期）。然而，由于本研究考虑的回归周期范围从2年到1000年不等，我们应用了SHYREG方法[67]来处理较大的分位数（详见[64]）。目前，只有选定的河流网络适合使用Vigicrues Flash服务。不过，[64]的研究结果表明，将服务扩展到整个河流网络并不会系统性地降低性能。基于这些发现，我们将该模型应用于图1中展示的整个河流网络。由于Vigicrues Flash使用的是网格化的水文模型，因此会为研究区域内的每个像素计算流量输出和回归周期。为了将这些结果与图1中显示的矢量化河流网络结合起来，根据上游流域轮廓的相似性，将河流网络中的点分配给水文模型中最接近的网格像素（具体方法详见[68]）。最后，在Vigicrues Flash服务中，结果会在市镇级别进行汇总：如果某个市镇内的任何河段的流量回归周期超过预定义的阈值，则会发出警告。我们的HB模型也采用了这种方法，但同时也会直接在河段级别评估结果。

3.2 基于影响的临近预报链
要将之前描述的HB模型修改为IB模型，首先需要面对的挑战是洪水制图。基于影响的方法需要进行水力计算来评估洪水范围和受影响资产的情况，这可能计算量很大[69]。尽管过去曾使用过快速简单的方法（如“浴缸建模”），但现在越来越不推荐使用[70]，而是推荐基于物理原理的方法——例如求解浅水方程（SWE）的水力模型[71]——特别是在最近的研究显示出近实时水动力建模有良好结果的情况下[72]。然而，对于像本研究中考虑的这样的大范围研究区域，直接进行水力计算仍然是不可行的，因此通常会使用洪水库[9]、[25]、[69]、[73]。基于人工智能（AI）的方法也在探索中用于洪水制图，但由于数据匮乏，在未设测量站的流域中实现这些方法仍具有挑战性[74]。
在本研究中，我们采用了传统的洪水库方法。本研究中使用的洪水库记录在[61]中，包含八张洪水图，每张图对应一个回归周期为2年、5年、10年、20年、50年、100年和1000年的频率情景，这些洪水图是用5米分辨率的2D SWE模型计算得出的。基于洪水库的实时洪水范围重建是针对每个河段单独进行的。对于每个河段，从HB模型中确定回归周期，并从洪水库中检索到最接近该回归周期的水力计算结果。这包括为给定河段计算的水位值栅格图，并在其边界两侧各扩展2公里，以考虑可能的回水效应。在不同河段的洪水范围重叠的区域，会选择最高的水位值。这个过程可以为所有可能的情景预先计算，从而实现实时预报。在操作环境中，它将每15分钟生成一张洪水图。然而，在本研究中，洪水图是按天汇总的，方法是选择每个河段当天模拟的最大流量。

从上一阶段，我们获得了在计算域内任何地方流量回归周期超过2年时每天的洪水图（包括水位和水流速度）。这为影响建模提供了许多可能性。正如引言中讨论的那样，洪水影响建模包括多种方法，包括估计被淹没的建筑物[9]、经济损失和受影响的人口[14]、[25]、[73]、人员损失[29]、紧急服务操作[75]以及道路封闭[33]。当有相应的观测影响数据时，这些指标可以直接与观测结果进行比较以验证预报。然而，在某些情况下，影响模型的输出被合成为影响得分或分类影响等级。
在本研究中，我们采用了一种非常简化的洪水影响建模方法，即计算被淹没区域中的建筑物数量。尽管这种方法简单，但我们认为这种洪水影响指标与我们收集的三个全面的影响数据库（CatNat法令、保险记录和消防及救援服务操作记录）非常吻合。对于主要关注建筑物损害的CatNat法令和保险记录，这种比较是直接的。虽然消防及救援服务操作记录并不总是关于建筑物的——因为干预也可能涉及从车辆中救援人员——但我们对可用样本的分析表明，洪水事件期间记录的大多数干预都与建筑物有关。这种简化使得可以使用三个不同的验证数据集来评估单一的洪水影响模型。
建筑物形状文件是从BD-TOPO（https://geoservices.ign.fr/bdtopo，最后访问日期2025年10月2日）中提取的，并进行了预处理，以区分住宅建筑、农业建筑、工业建筑和商业建筑。我们选择了2020年的形状文件，以确保与用于水力建模的数字高程模型保持一致。一些验证确认，在整个模拟期间，1000年洪水范围内建筑物的数量相对稳定。BD-TOPO建筑物形状文件被栅格化，以匹配洪水图的5米空间分辨率。如果一个建筑物的“建筑物像素”至少有一个与水位超过15厘米的“洪水像素”重叠，则认为该建筑物被淹没。然后计算每个河段内的被淹没建筑物数量，以匹配保险记录的数据空间分辨率，并且每个市镇内的数量也与CatNat数据一致。这种汇总还确保了消防及救援服务操作数据处理的保密性。

3.3 验证方法
将上述模型与验证数据集进行比较，可以评估模型（1）检测受影响区域的能力以及（2）对受影响区域进行排序的能力，具体细节见本节。这种评估是为用户设计的，例如紧急管理人员，他们的目标是确定如何分配资源以进行有效的危机管理以及如何优先分配有限的资源。

3.3.1 评估模型识别受影响区域的能力
在本研究中，模型提供的临近预报仅限于确定性地检测阈值 crossing。当使用单一阈值时， contingency 表是一种常见的验证方法，如表2所示。这里使用基于 contingency 表的验证方法来评估不同模型（基于危险、影响和混合模型）在检测（和预测）受损区域方面的表现，从二元的角度来看：“受影响”/“未受影响”。
在本研究中，为每个模型测试了多种阈值。对于HB模型，可用的回归周期范围从2年到1000年；对于IB模型，我们特别关注超过一栋建筑物的洪水阈值。这种选择的理由有几个：位于洪水区域内的建筑物可能由于局部防护措施而受到有限或没有损害，即使发生了损害，也可能不会导致保险索赔，例如由于高额免赔额或其他阻止报告的原因。
contingency 表的构建方式如下：如果在观察到影响的同一区域内，在±2天的时间窗口内触发了警告，则HIT 计数器增加1。相反，如果在±2天的时间窗口内没有触发警告但在该区域记录了影响，则记录为MISS。同样，如果发出了警告但没有相应的观察结果，则记录为FALSE ALARM。
表2. 基于影响数据建立的临近预报链评估的 contingency 表示例。a、b、c 和 d 分别对应每个类别中的发生次数。
警告触发
观察到影响
空单元格
是
否
是
HIT (a)
FALSE ALARM (b)
否
MISS (c)
正确拒绝 (d)
在这项验证练习中，“区域”指的是两种不同的空间分辨率：市镇级别（图1c）或河段级别（图1b）。在两个级别上评估结果可以比较不同分辨率下模型的性能。预计在市镇级别上的结果更为可靠，因为河段级别对影响定位有更严格的要求和更高的精度要求。
“影响”指的是选定的验证数据集：根据开始和结束日期定义的因洪水事件发布了CatNat法令的市镇；在我们的洪水模型1000年情景下，至少有一个保险索赔在CCR保险记录中报告的河段或市镇；在我们的洪水模型1000年情景下，至少有一次消防及救援服务操作在消防及救援服务数据库中记录的河段或市镇，且操作时间明确。
基于 contingency 表，计算了传统的 contingency 分数，例如CSI（关键成功指数）分数：CSI=aa+b+c，其范围从0到1，值为1表示完美的预报。POD（检测概率或命中率）：POD=aa+c，关注观察到的事件集，当所有观察到的事件都被遗漏时为0，当所有观察到的事件都被正确预报时为1。FAR（误报率）：FAR=ba+b，关注发出的警告集，当没有误报时为0，当所有发出的警告都是误报时为1。图4a提供了验证过程的示例。

3.3.2 评估模型对受影响区域进行排序的能力
尽管所有三个选定的验证数据库都支持基于阈值的验证，但CCR保险记录最初提供了基于每次事件报告的索赔数量的受影响区域排名列表。这种在河段级别上可观察到的排名可以使用不同模型来复现：在HB模型中，区域按洪水回归周期排序；在IB模型中，按被淹没的建筑物数量排序。这种基于排序的验证特别有价值，因为它不仅评估了模型检测受影响区域的能力，还提供了它们适当排序能力的见解。在现实世界的背景下，这种区分至关重要，因为紧急资源有限，优先级分配对于有效的危机管理至关重要。
图4b提供了这种基于排序的验证过程的示例。为了评估模型对受影响区域进行排序的能力，构建了四个 contingency 表。它们对应于根据模型特定的影响指标定义的最受影响河段的不同百分比子集。具体来说，25%最受影响的河段、50%最受影响的河段和75%最受影响的河段分别对应于模拟影响值属于分布的上25%、50%和75%的河段，而100%类别包括所有受影响的河段。然后基于汇总的CSI分数总结观察到的排名和模拟排名之间的全局一致性。该分数对每个类别赋予不同的权重：25%最受影响的河段加权x4，接下来的25%到50%的河段加权x3，50%到75%的河段加权x2，75%到100%的河段加权x1。这种方法确保了对受影响最严重区域的更大重视。然而，这种分数并没有完全考虑到接近失败的情况，即观察到的和预测的类别相邻但并不完全相同的情况，这可能会使验证过于严格。未来可以通过采用替代的评分方法（如Gerrity分数[76]）来解决这一限制，该方法更好地考虑了类别的序数性质，尽管其公式更加复杂，与迄今为止使用的指标相比可比性较低。
图8展示了使用所提出的指标基于两个真实洪水事件获得的CSI分数示例。在2015年10月Siagne流域的洪水案例中（图8a），IB模型取得了0.63的CSI值，反映出观察到的影响排名与预测结果之间有相当好的吻合度。尽管考虑到两张地图之间的视觉相似性，这个数值可能看起来有点低，但这里的重点不是追求完美分数，而是突出IB模型相对于HB方法的附加价值。从这个意义上说，两个模型之间的相对差异才是最重要的。使用CCR保险数据库进行的这种基于排名的验证只能在河流段尺度上执行，因为无法在市镇级别上有意义地汇总这些排名。它也不适用于CatNat数据库，因为后者仅提供二进制影响信息。尽管理论上可以使用消防和救援服务操作记录来根据记录的操作次数对河流段进行排名，但这种方法最终被放弃了。如前文在数据集限制中讨论的，单个记录的操作可能对应于多个区域的部署，这使得直接进行排名比较变得不可靠。

4. 结果与讨论
本节展示了使用即时预测链（第3.1节基于危险的即时预测链，第3.2节基于影响的即时预测链）与覆盖的地中海地区所有市镇和河流段的洪水影响数据（第2节）进行比较的结果（图1）。第4.1、4.2、4.3、4.4和4.5节介绍了使用所有三个验证数据集（CatNat法令、CCR保险索赔和消防及救援服务操作）在2010-2022年连续期间进行的基于阈值的验证方法（第3.3.1节）的结果。第4.6节使用仅保险索赔数据集，在事件尺度上展示了基于阈值和基于排名的验证方法的结果。

4.1. 基于危险模型与基于影响模型的比较：误报显著减少
图5展示了使用保险索赔影响数据对HB和IB即时预测链进行基于阈值验证的结果。该图显示了CSI分数随警告阈值的变化情况（基于HB模型的回归周期，或基于IB模型的淹没建筑物数量）。CSI曲线呈现出“山状”形态，这是由于权衡效应：随着警告阈值的增加，命中次数减少（虽然未显示，但未命中次数也在对称增加），误报次数也随之减少。当这种权衡达到平衡时，CSI达到最大值。尽管IB模型相比HB模型实现了更高的最大CSI值，但仅凭这一图很难得出广泛结论。特别是，优化CSI的阈值取决于模型、空间尺度以及所考虑的验证数据集。

为了便于比较不同的即时预测链，表3展示了在相同命中率（或检测概率POD）下，HB和IB模型获得的分数。该表有助于量化从HB模型转换到IB模型时误报的减少情况，通常认为60%到70%的POD目标表示二进制洪水预测评估中的满意检测性能。然而，在使用消防和救援服务数据进行验证时，这一目标无法达到，这一限制将在后面详细讨论。

下载：下载高分辨率图像（320KB）
下载：下载全尺寸图像

图5. 使用保险索赔数据在河流段尺度上进行基于阈值验证的结果，显示了随着警告阈值的增加，CSI、误报次数和命中次数的变化情况：(a) 基于危险的模型；(b) 基于影响的模型。

表3中展示的保险数据和消防及救援服务数据的验证结果清楚地表明，IB模型显著减少了误报次数，进一步证实了HB模型在识别受影响区域方面的效果较差。这一结果是预期之中的，因为洪水影响不仅取决于洪水危险性，还取决于当地的暴露程度和脆弱性条件，而HB模型并未考虑这些因素。

表3. 对所有模型在(a) 市镇尺度和(b) 河流段尺度上提供相似检测概率（POD = 命中数/(命中数 + 未命中数)的阈值验证结果。对于基于危险的模型，阈值以回归周期（年）表示；而对于基于影响的模型，阈值对应于淹没的建筑物数量。

此外，误报的差异在河流段尺度上似乎更加明显。HB模型在市镇尺度上产生的误报是1.3到1.7倍，而在河流段尺度上这一比率增加到2到2.7倍。这可以归因于IB方法能够检测到没有暴露资产的区域，从而避免误报。但在较大的空间尺度上，例如市镇（平均面积20平方公里），存在暴露资产的可能性更高，因此这种附加价值受到限制。

4.2. CatNat数据与IB模型之间的差异
表3中从CatNat验证数据获得的结果并未显示出使用IB方法时误报减少的趋势。首先，我们观察到IB模型的命中率不能超过61%，因为这是使用最低的基于影响的阈值获得的分数，即在淹没区域有1栋建筑。这意味着对于几乎40%的CatNat法令——这些法令理论上只有在建筑物受损时才会被请求——我们的模拟链没有识别出任何被淹没的建筑物。即使将建筑物在低于15厘米的水深下也视为淹没（这是为了与典型的门门槛大致对应而选择的阈值），这一结论仍然成立。

IB方法在检测CatNat法令方面的有限性能可以归因于一个事实：GASPAR数据库中并未区分由地表洪水引起的影响与河流洪水引起的影响。这种区分可能是关键，因为CCR在法国地中海地区进行的一项研究显示，在1995年至2019年之间，所有CatNat洪水事件中“地表洪水”造成的经济损害比例占60%[60]。此外，对iCatNat数据库的分析（其中包含有关洪水类型的其他信息）显示，在研究区域内，2018年至2023年间40%的CatNat请求是由地表洪水现象单独引发的。这可以解释为什么CatNat法令不适合用于验证我们的IB方法，因为我们的方法仅关注面积大于5平方公里的流域的河流洪水。相比之下，基于流量回归周期发出警报的基于危险的模型与CatNat法令数据更为一致，因为地表洪水影响是由强降雨模式直接引起的，而这些模式反映在流量回归周期中。

图6给出了2020年9月Gardon流域洪水事件的一个例子。在这种情况下，基于CatNat法令的验证对于HB模型的表现优于IB模型。利用iCatNat数据库的额外信息（例如，市长声明的受影响建筑物数量和洪水类型），观察到所有涉及“河流洪水”、“山洪暴发”或两者的CatNat法令都被HB和IB模型检测到。然而，在仅被HB方法检测到的五个CatNat法令中（图中用红色虚线标出），有两个是仅由地表洪水引起的，三个是由地表洪水、河流洪水和山洪暴发共同引起的。这可能解释了IB方法未能识别出损害的原因：它并不是为考虑地表水洪水或沉积物运输的影响而设计的。

另外，误报的差异在河流段尺度上被放大。HB模型在市镇尺度上产生的误报是1.3到1.7倍，而在河流段尺度上这一比率增加到2到2.7倍。这可以归因于IB方法能够检测到没有暴露资产的区域，从而避免了误报。但在较大的空间尺度上，这种附加价值受到限制，例如市镇（平均面积20平方公里），在该区域内存在暴露资产的可能性比河流段尺度（平均子流域面积4平方公里）更高。

4.2. CatNat数据与IB模型之间的差异
表3中从CatNat验证数据获得的结果并未显示出使用IB方法时误报减少的趋势。首先，我们观察到IB模型的命中率不能超过61%，因为这是使用最低的基于影响的阈值获得的分数，即淹没区域中有1栋建筑。这意味着对于几乎40%的CatNat法令——这些法令理论上仅在建筑物受损时才会被请求——我们的模拟链没有识别出任何被淹没的建筑物。即使在洪水深度低于15厘米的情况下将建筑物视为淹没（这是为了与典型的门门槛大致对应而选择的阈值），这一结论仍然成立。

IB方法在检测CatNat法令方面的有限性能可以归因于一个事实：GASPAR数据库中并未区分由地表洪水引起的影响与河流洪水引起的影响。这种区分可能至关重要，因为CCR在法国地中海地区进行的研究显示，在1995年至2019年之间的所有CatNat洪水事件中，“地表洪水”造成的损害比例占60%[60]。此外，对iCatNat数据库的分析（其中包含有关洪水类型的其他信息）显示，在2018年至2023年间，研究区域内40%的CatNat请求仅由地表洪水现象触发。这可能解释了为什么CatNat法令不适合用于验证我们的IB方法，因为我们的方法仅关注面积大于5平方公里的流域的河流洪水。相比之下，基于流量回归周期发出警告的基于危险的模型与CatNat法令数据更为一致，因为地表洪水影响直接由强降雨模式引起，而这些模式反映在流量回归周期中。

图6提供了这些限制的一个例子，以2020年9月Gardon流域的洪水事件为例。在这种情况下，基于CatNat法令的验证对于HB模型的表现优于IB模型。利用iCatNat数据库的额外信息（即市长声明的受影响建筑物数量和洪水类型），观察到所有涉及“河流洪水”、“山洪暴发”或两者的CatNat法令都被HB和IB模型检测到。然而，在仅被HB方法检测到的五个CatNat法令中（图中用红色虚线标出），有两个是仅由地表洪水引起的，三个是由地表洪水、河流洪水和山洪暴发共同引起的。这可能解释了IB方法未能识别出损害的原因：它并非为考虑地表水洪水或沉积物运输造成的影响而设计。

4.3. 消防和救援服务操作的命中率低
表3中的另一个显著结果是，即使在低阈值下，基于消防和救援服务操作的验证也产生非常低的命中率。这一现象在HB和IB方法中都有体现。表中显示的阈值，即HB模型的5年回归周期和IB模型的5栋建筑阈值，是因为它们导致了几乎相同的命中率。然而，即使使用最低可能的阈值（即2年回归周期或1栋建筑阈值），命中率仍然低于0.30。

一个解释在于消防和救援服务操作数据与保险索赔和CatNat数据集之间的根本区别：与后者不同，消防和救援服务数据不仅限于重大或官方认可的事件。理论上，只有回归周期至少为10年的事件才应该记录在CatNat或保险数据中。相比之下，对Gard和Alpes-Maritimes部门收集的消防和救援服务操作的分析（图1）显示，60%的操作发生在CatNat未声明的事件之外。更引人注目的是，超过90%未被预警链检测到的操作，因此被归类为“未命中”，实际上这些操作并未在任何CatNat事件期间发生。在这些操作有详细描述的情况下，我们发现许多“未命中”情况与我们的即时预测链的范围之外的事件有关，例如地下室洪水、大雨后的污水漫灌、在同一地点记录的多次干预、没有报告损害的侦察任务，或由于建筑维护不当导致的水分渗透。这突显了使用该数据库进行模型验证的一个关键限制：它捕捉了更广泛和更多样化的影响，其中许多影响在我们的预警链背景下是不可预测的或不相关的。

然而，尽管存在这些限制，消防和救援服务数据在我们的研究背景下仍然非常有价值。由于我们的目标是比较基于危险的方法与基于影响的方法发出的预警，特别是量化长时间内IB预警可能减少的误报次数，因此消防和救援服务数据的丰富性仍然对此目的具有价值，如表3所示。

4.4. 基于洪水的模型与混合模型
尽管本研究的目标是量化基于影响的链与基于危险的链的附加价值，但为了讨论目的，我们引入了中间模型。首先是一个基于洪水的（FB）模型：该模型输出每个河流段或市镇在1000年洪水范围内的实际淹没面积的百分比。将这一模型与HB和IB模型进行比较，使我们能够量化水力建模阶段的附加值，并确保IB模型预期的益处确实源于资产描述，而不仅仅是由于水力建模提供的额外信息。尽管这个假设可能看起来很直观，但仍需要验证。然后，我们引入了混合模型：这些模型结合了HB和IB方法的元素。当流量重现期超过预设阈值时，会激活HBW；当受影响的建筑物数量超过设定阈值时，会激活IBW；而混合模型则同时考虑这两个标准。例如，一个混合HB-IB警报可以基于两个阈值的同时被超过的情况，比如：“流量重现期超过10年，并且受影响的建筑物数量超过5座”。表4展示了所有现在预测链（HB、IB、FB和混合HB&IB）的性能，基于关键成功指数（CSI）。对于每种方法，都选定了最佳阈值，如图5所示。由于第4.2节中指出的CatNat数据库不适合评估IB模型的局限性，因此比较仅基于保险和消防救援服务数据集的验证结果。这些新结果首先证实了表3中得出的一些结论：IB模型在河流段尺度上的附加值大于在市镇尺度上的附加值。它们还带来了几个新的发现。首先，仅基于洪水范围的洪水基础（FB）模型发出的警报性能明显低于其他模型。这证实了在从HB方法转向IB方法时纳入暴露信息的附加值。然后，对于保险数据，通过结合基于危险和基于影响的阈值可以获得最佳性能。这种方法显著减少了误报的数量，而没有严重影响检测到的事件数量。这与保险数据仅适用于重现期超过10年的CatNat事件的事实一致。相比之下，对于消防救援服务数据，结合基于危险和基于影响的阈值并不会提高性能。这与消防救援服务的调度逻辑一致，后者并不受危险重现期的限制。

表4. 在（a）市镇尺度和（b）河流段尺度上，提供最佳关键成功指数（CSI）= 检测到事件数量/(检测到事件数量 + 未检测到事件数量 + 误报数量)的阈值验证结果。对于基于危险的模型，阈值以重现期（年）表示；对于基于影响的模型，阈值对应于被淹没的建筑物的数量；对于基于洪水的模型，阈值对应于1000年洪水范围的百分比。

数据库 | 模型 | (a) 市镇尺度 | (b) 河流段尺度
|---------|---------|----------|------------|
| HB | 499 | 64 | 0.73 | 0.44 | 0.20 |
| FB | 300 | 83 | 0.69 | 0.26 | 0.16 |
| HB & FB | 300 | 86 | 0.86 | 0.31 | 0.11 |
| HB & 15% | 61 | 139 | 0.63 | 0.30 | 0.10 |
| FB | 265 | 87 | 0.87 | 0.23 | 0.09 |
| HB & IB | 553 | 86 | 0.57 | 0.49 | 0.30 |
| IB | 694 | 44 | 0.77 | 0.61 | 0.20 |
| FB | 139 | 47 | 0.88 | 0.23 | 0.08 |
| FIRE SERVICE | 139 | 47 | 0.88 | 0.23 | 0.08 |
| HB & FB | 133 | 86 | 0.88 | 0.21 | 0.08 |
| FB | 102 | 67 | 164 | 0.94 | 0.13 |
| FB | 76 | 54 | 0.89 | 0.12 | 0.06 |
| HB & IB | 117 | 50 | 131 | 0.73 | 0.19 |
| IB | 112 | 66 | 0.90 | 0.84 | 0.14 |
| FB | 144 | 74 | 120 | 0.78 | 0.23 |
| IB | 125 | 56 | 73 | 0.85 | 0.16 |

4.5. 模型不确定性和数据限制
如果我们从绝对角度来考察结果——而不是像之前的讨论那样通过比较不同模型来相对评估——CSI分数仍然很低。对于基于消防救援服务数据的结果，第4.3节中讨论的局限性有助于解释这些数值。对于基于保险数据的结果，在市镇尺度上，最好的CSI分数为0.30，这是一个混合HB & IB模型在河流重现期超过20年并且预期洪水范围内至少有10座建筑物被淹没时发出警报（表4）。即使有这个严格的警报阈值，误报的数量（735次）仍然超过了正确检测到的事件数量（553次），而未检测到的事件数量也相当多（586次）。为了将这些数字放在正确的背景下，必须考虑通过现在预测链传播的所有不确定性。降雨输入数据可能包含不准确性；所使用的水文模型是简化的且未经校准的，引入了额外的不确定性；洪水范围的表示依赖于有限数量的预先计算的情景，这些情景本身是用区域尺度上的简化水力模型生成的；而影响模型同样高度简化，将洪水影响定义为任何有超过一定数量建筑物暴露于超过15厘米水深以上的区域。然而，我们很清楚这并不能准确再现真实的损害产生过程。如前所述，文献表明模拟洪水区域的索赔比率相对较低（约40% [9]，这有助于解释误报数量较多的原因。除了模型相关的不确定性外，还必须考虑评估数据集的局限性——这些局限性已经详细讨论过。尽管我们付出了努力，“观察到的影响”并不总是与模拟的影响相匹配，后者仅考虑了面积大于5平方公里的流域的河流洪水影响。一些“未检测到的事件”可能是由于评估数据仍然包括地表或局部洪水的影响。此外，先前的研究[60]表明，即使使用结合河流和地表洪水的先进模型，仍有相当一部分与洪水相关的建筑物损害无法解释（约40%）。这也导致了相对较多的未检测到的事件。

更广泛地说，我们的发现为未来IBW评估中的影响数据收集和管理提出了一些关键建议。首先，应共同利用多种互补的影响数据来源，因为仅依赖单一数据集可能导致对IBW附加值的评估有偏差。特别是，我们的结果显示，仅使用CatNat数据库会导致对IBW性能的不同评估。其次，影响观察的空间分辨率是一个重要因素：更高分辨率的数据集会导致IBW的明显更高附加值。第三，在跨数据集比较绝对验证分数时需要谨慎。尽管所有影响观察类型都应用了相同的IB模型，但由于每个数据集的内在限制和报告实践的不同，所得到的CSI值并不直接可比，正如在对消防救援服务干预进行验证时获得的低CSI值所表明的。因此，在这项研究中，我们专注于在给定数据集内比较HB和IB模型的性能，而不是跨不同数据源进行比较。最后，这里应用的验证方法要求特别高，需要空间和时间上的准确性。它是在13年的数据上连续进行的，具有高空间分辨率（平均市镇面积：20平方公里；平均河流段长度：4平方公里），覆盖了42,000平方公里的广泛研究区域。CSI指标本身在其定义上很严格，因为它没有考虑到接近但未命中的情况——例如，当为一个与实际受影响河流段相邻的河流段发出警报时。仅引入了两天的事故日期容差，以考虑观察到的事件时间的不确定性。

4.6. 事件尺度上的验证结果
4.6.1. HB和IB模型在检测受影响区域方面的性能
图7a显示了分别为每个事件计算的CSI分数分布（而不是表4中呈现的2010-2022年期间的聚合CSI分数）。在这种表示中，每个点对应一个特定的洪水事件（总共约300个事件）。散点图比较了使用保险数据集在河流段尺度上定义的最佳性能基于危险（HB）和基于影响（IB）模型获得的CSI分数。这种基于事件的表示清楚地表明，IB模型的性能通常优于HB模型：绝大多数点位于1:1线上方。下一节将通过结合保险数据集中可用的额外信息来进一步探讨这一点，即根据报告的保险索赔数量对受影响的河流段进行排名。

4.6.2. HB和IB模型在排名受影响区域方面的性能
最后一节关注第3.3节和图4中介绍的基于排名的验证方法。图7b显示了2010年至2022年间在研究区域61个流域记录的约300个洪水事件中，HB和IB模型的排名性能。每个点代表一个事件，在这种情况下，CSI分数比较了每种模型根据保险索赔数据再现观察到的受影响河流段排名的能力。该图清楚地表明，IB模型的性能始终优于HB模型。大多数点位于1:1线上方，表明IB模型的CSI更高。在HB模型表现更好的少数情况下，事件往往是局部化的，通常只涉及一到两个受影响的河流段（蓝色点）。在这些局部化事件中，两种方法之间的性能差异更容易受到随机波动的影响。这些结果最终证实，IB预警方法通过根据模拟的受影响建筑物数量来优先考虑区域，比仅基于洪水重现期对区域进行排名的HB方法更能准确地再现观察到的影响空间分布。这表明，在早期预警模型中纳入脆弱性和暴露元素应显著提高它们对紧急响应的相关性。

图8为两个具体事件提供了地图插图。对于2015年10月Siagne流域的事件（图8a），IB模型预测的排名与观察到的分类非常吻合，CSI为0.63。相比之下，HB模型显示出显著差异，特别是在流域的西部，CSI为0.31。相反，图8b展示了一个非常局部化的事件——2010年9月Coulon流域的洪水——两种模型在再现观察到的影响排名方面的表现都相当有限。IB和HB模型产生的CSI分数分别为0.31和0.29，表明在这情况下捕捉损害的空间分布的能力有限，但并非可以忽略。

5. 结论
本研究提供了新的定量证据，证明了基于影响的警告（IBW）在突发洪水监测中的附加值。使用了一个覆盖2010至2022年法国地中海地区的大规模、多源验证框架，我们证明了与基于危险的警告（HBW）相比，IBW在河流段尺度上将误报减少了2到3倍。我们还展示了IBW在识别和优先考虑受影响区域方面的能力优于HBW。这些发现突出了IBW在洪水事件期间更好地支持决策的潜力。同时，评估揭示了重要的局限性，特别是关于与现在预测链一起用于发出警报的可用验证数据集的质量和一致性。CatNat法令虽然覆盖范围广泛，但受到严重性阈值、政治影响和危险归因不一致性的影响，这些都可能扭曲验证结果。在这里研究的特定法国背景下，保险数据同样依赖于阈值，并且合并了多种洪水过程（例如，地表洪水和河流洪水），同时也反映了复杂的索赔过程。消防救援服务操作记录虽然更详细且不受严重性阈值的限制，但由于异质性和包含与局部洪水或原因不明的影响而面临挑战。除了量化IBW的性能外，这项研究还强调了系统化和协调的事件后影响数据收集的迫切需求。附录指出了有前景但未充分使用的数据集，特别是那些与道路封闭相关的数据集，它们既是主要的干扰源，也是建模的挑战。未来的研究应该调查如何将这些数据集整合到IBW验证框架中。这里评估的IBW依赖于简单的前提条件，即受淹没建筑物的确定性阈值。然而，影响建模和警告生成可以从其他方法中受益。最近的研究表明，应调整预警阈值以反映人们对误报的容忍程度，从而提高预警的有效性[77]。同样，从确定性预报转向基于集合的临近预报可以更好地表达不确定性，并增强对早期预警的信心，这一方向得到了之前关于Vigicrues Flash系统研究的支持[78]。这还包括用预报数据替换降水观测数据，在评估过程中这一点非常重要。最后，虽然我们的结果主要关注误报减少和空间优先级的可衡量收益，但IBW的其他潜在好处仍有待系统评估。这些好处包括改进预报的传达方式，因为多项研究表明，公民并不总是完全理解HBW[79]；因此，直接比较公众对IBW和HBW的理解显得至关重要，Potter等人首次提出了这方面的尝试[80]。IBW还可能带来更强的跨部门合作效益，这可以通过评估预报员与最终用户互动共同开发的IBW与仅由气象或水文服务机构单独开发的HBW之间的附加价值来验证[4]。此外，验证IBW是否有助于多灾害管理也很有趣，因为它能够量化一个独特的IBW相对于每个灾害的HBW所具有的附加价值，在突发洪水的情况下，这些灾害可能包括强风、地表洪水、山洪暴发或滑坡。评估这些优势需要跨学科的研究，结合水文学、影响建模、危机管理和社会科学。

总之，本研究不仅提供了方法论上的见解，还提供了关于IBW在突发洪水背景下应用潜力的实证证据。它还指出了需要改进的关键领域和未来的研究方向，支持了向更具影响导向和以人民为中心的洪水预警系统过渡的进程。

**作者贡献声明**

Juliette Godet：撰写——审阅与编辑、撰写——初稿、方法论、调查、形式分析、数据管理、概念化。
Eric Gaume：撰写——审阅与编辑、验证、监督。
Pierre Javelle：撰写——审阅与编辑、监督、概念化。
Thomas Dias：方法论、形式分析、数据管理。
Pierre Nicolle：监督、软件开发。
Olivier Payrastre：撰写——审阅与编辑、验证、监督、方法论、调查、概念化。

**关于写作过程中使用生成式AI和AI辅助技术的声明**

在准备这项工作时，作者使用了ChatGPT-5 Mini工具来提高手稿的可读性和语言表达，并协助编码工作。使用该工具后，作者对内容进行了必要的审查和编辑，并对发表文章的内容承担全部责任。