《Water Resources Research》：Decoding Compound Flood Risk Under Nonstationary Conditions: A Separable Parametric Framework Revealing the Heterogeneous Effects of Driving Mechanisms
编辑推荐：
沿海环境中的复合洪水（compound flooding）源于极端降水与沿海高水位（coastal water levels）的相互作用。现有方法通常依赖于基于过程的水动力模拟或灾害驱动因素的统计特征描述，限制了量化单个机制对淹没的贡献以及不断演变的灾害格局向
沿海环境中的复合洪水（compound flooding）源于极端降水与沿海高水位（coastal water levels）的相互作用。现有方法通常依赖于基于过程的水动力模拟或灾害驱动因素的统计特征描述，限制了量化单个机制对淹没的贡献以及不断演变的灾害格局向洪水风险传播的能力。本研究开发了一个整体性的复合洪水风险框架，包含一个最优估计器，用于预测在相互作用的水文应力因素（即降雨强度、风暴潮（storm surge）和前期河流流量（antecedent streamflow））下的淹没水平，以及一个基于驱动机制的条件概率模型，用于估计洪水超越率。对大波士顿地区的案例研究表明，该框架能准确再现不同历史风暴事件中的淹没模式，且误差较低。在连续时间段上进行的分析揭示了局部洪水风险加剧的热点区域，这些热点可能被长期聚合分析所低估。结果进一步强调，降雨强度和频率的变化并不会均匀地转化为洪水风险，而是驱动空间异质性的响应。在上游区域，降雨趋势控制着洪水风险变化，而沿海过程则调节了河口边界附近的加剧模式。通过将水动力模拟与统计严谨的建模方案相结合，该框架能够以计算高效且可解释的方式，分离并量化相互作用的洪水驱动因素对气候引起的洪水风险变化的相对贡献。这些见解可为沿海和河口环境中的韧性规划、针对性减缓策略以及气候适应努力提供信息。
**论文解读**
**1. 研究背景与问题**
复合洪水（compound flooding）是指多种洪水驱动机制（如极端降水、风暴潮、河流流量）同时或相继发生而导致的淹没事件。在沿海地区，当强降雨事件与高沿海水位（如风暴潮）叠加时，复合洪水风险显著增加。然而，现有评估方法存在两大局限：一是纯数值模拟方法（如水动力模型）计算成本高、地点特定，且难以系统考虑气候变化对驱动机制的非平稳（nonstationary）影响；二是纯统计方法（如基于团聚（copula）的联合概率分析）虽能刻画驱动因素间的依赖关系，但往往忽略这些驱动机制如何实际转化为淹没深度及其空间异质性。因此，将物理一致的水动力模拟与概率模型相结合，以分离和量化各驱动机制（尤其是非平稳降雨）对洪水风险的贡献，是当前研究的关键缺口。该研究旨在开发一个可分离参数框架（separable parametric framework），以应对上述挑战，并发表在《Water Resources Research》期刊上。
**2. 研究内容与结论**
研究人员开发了一个整体性复合洪水风险框架，该框架包含两个核心组件：一是基于最优线性估计器（optimal linear estimator）预测给定降雨强度、风暴潮和前期河流流量组合下的淹没深度；二是通过极值团聚（extreme value copula）模型估计淹没水平的条件超越概率（conditional exceedance probability）。框架将多个驱动因素（降雨、风暴潮、前期河流流量）的边际分布与依赖结构分离，并在时间域和频率域中实现可分离建模。以美国大波士顿地区为案例，利用84场历史风暴事件（2000-2020年）的水动力模拟（采用Telemac-2D模型）数据进行验证。结果表明：该估计器在各类风暴事件中均能以低误差（均方根误差RMSE通常低于25-30 cm）复现淹没模式，且偏差极小。通过比较全样本（假设平稳）与分段十年时段（考虑降雨非平稳性）的洪水超越概率，揭示出降雨非平稳性对洪水风险的影响在空间上呈现异质性：上游降雨主导区域风险加剧显著，而近岸区域因风暴潮的稳定作用导致加剧信号减弱。此外，长期聚合分析可能掩盖局部风险热点，而分段分析能识别出如波士顿港附近等风险加剧区域。
**3. 主要关键技术方法**
该研究采用以下关键技术方法：（1）基于一阶二阶矩分析（1st order 2nd moment analysis）的最优线性估计器，将降雨强度（I）、风暴潮（S）和4条USGS（美国地质调查局）测站河流流量（Q）的边际分布转换至标准正态空间，建立线性模型以预测淹没深度（H）；（2）使用Gumbel-Hougaard极值团聚（extreme value copula）建模淹没深度、降雨强度和沿海水位之间的尾部依赖关系，并基于阿卡伊克信息准则（AIC）和贝叶斯信息准则（BIC）选择最优团聚形式；（3）采用广义极值分布（GEV）拟合沿海水位年最大序列，采用Gamma-广义帕累托（Gamma-GP）混合分布拟合河流流量，并利用多重分形（multifractal）尺度参数构建降雨强度-历时-频率（IDF）关系；（4）通过将多重分形模型拟合至十年分段数据，并将所得降雨重现期映射至全样本参数，以引入降雨非平稳性效应；（5）采用留一风暴法（LOSO）交叉验证评估估计器精度。样本数据来源包括：NOAA（美国国家海洋和大气管理局）波士顿港潮位站、USGS四条河流测站、4-km网格降雨数据及Jupiter Intelligence提供的水动力模拟结果。
**4. 研究结果**
**4.1 淹没水平线性估计器的验证**
通过LOSO交叉验证，计算了全域均方根误差（RMSE）、偏差、误差方差和平均绝对误差（MAE）。结果显示，RMSE通常不超过25-30 cm，仅在大型水体附近（如湖泊、水库）出现有限误差热点（最大50 cm）；偏差接近零（-1至5 cm）；MAE普遍低于10 cm；误差方差小于0.04 m2。进一步按淹没深度四分位数分层评估表明，模型在各严重程度区间（包括低淹没“困扰”事件）均表现稳健，误差随淹没深度增加略有上升但仍低于0.25 m。
**4.2 淹没水平条件超越概率**
通过比较Gumbel-Hougaard和Galambos两种极值团聚形式，Gumbel-Hougaard团聚在AIC和BIC上均表现更优（平均AIC=9.48，BIC=11.91），表明其能更好地捕捉极端降雨与风暴潮的上尾依赖。基于该团聚模型，计算了考虑降雨非平稳性（分段分析）与忽略非平稳性（全样本分析）的洪水超越概率之比（z_H）。结果显示：降雨非平稳性在波士顿港附近沿海区域导致风险增加（z_H>1），而向西内陆区域风险减弱或持平。分段分析揭示出长期聚合分析所掩盖的局部风险热点（如某些区域z_H>2）。箱线图进一步表明，分段估计的超越概率变异性更小，能突出风险持续升高的区域。
**5. 讨论与结论**
讨论部分指出，降雨趋势并不均匀转化为洪水风险：上游区域降雨主导风险变化，而近岸区域因风暴潮的稳定贡献导致风险加剧信号衰减。这种空间异质性强调了区分降雨主导区和风暴潮主导区对制定适应策略的重要性。研究结论部分总结了该框架的贡献：开发了一种可分离参数框架，将水动力模拟与统计依赖建模相结合，实现计算高效且可解释的复合洪水风险分解。关键结论包括：（1）该方法在复杂水动力环境（如沿海、河口）中表现稳健，以大波士顿地区84场历史风暴验证了低误差和低偏差；（2）降雨非平稳性导致空间异质性风险响应，内陆降雨驱动区风险加剧最显著，沿海区因边界水位影响而减弱；（3）长期聚合分析可能掩盖局部热点，而分段分析能识别这些热点。研究局限性包括：假设风暴潮和驱动因素间的依赖结构平稳，未考虑风暴潮趋势、海平面上升或土地利用变化。未来方向包括：纳入合成风暴场景、海平面上升情景及数据驱动的归因方法（如基于树的集成与SHAP分析）。
