城市尺度下洪水事件期间地铁系统行人出行风险的动态评估

《Geomatics, Natural Hazards and Risk》：City-scale dynamic assessment of pedestrian travel risk in urban subway systems during flood events

　　

由于气候变化和快速城市化，城市洪水正在加剧，然而地铁乘客所面临的洪水风险仍未被充分理解。本研究以北京地铁系统作为特大城市典型案例，开发了一个城市尺度的框架，用于动态评估与出行相关的洪水风险，该框架整合了洪水危险性（hazard）、行人出行暴露度（pedestrian travel exposure, PTE）以及行人对洪水环境的物理脆弱性（physical vulnerability, PV）。研究人员系统地考察了未来气候情景下的关键因素——包括全球气候模式（global climate models, GCMs）、排放路径、降水重现期、土地利用格局以及工作日与周末差异——对总体和逐小时出行洪水风险的影响。研究结果识别出北京地铁网络中存在四个空间聚集的高风险区域，涉及多条关键线路和车站，这些地方的行人出行面临严重的洪水威胁。在更高的排放路径和更长的降水重现期下，高风险区域的空间覆盖范围和易受影响的站点数量均有所增加，且不同GCMs之间存在显著的区域差异。相比之下，出行洪水风险对土地利用变化敏感性有限，且仅在工作日与周末之间存在微小差异。尽管存在明显的早高峰（07:00–09:00）和晚高峰（17:00–19:00）出行峰值，但最高的出行洪水风险出现在深夜时段（22:00–24:00），这主要是由于逐小时降水强度与行人出行暴露度在时间上的不匹配所致。这些发现强调了将动态人类流动性纳入城市洪水风险评估的重要性，并为地铁系统的气候适应性规划和防洪韧性管理提供了可操作的见解。

论文解读：《城市尺度下洪水事件期间地铁系统行人出行风险的动态评估》

一、研究背景、现存问题与研究意义

随着全球气候变化加剧，极端降水事件的频率和强度显著增加。联合国政府间气候变化专门委员会（IPCC）第六次评估报告指出，全球温度每升高1°C，极端日降水的强度和频率极有可能增加7%。与此同时，快速的城镇化进程导致不透水地表面积急剧扩张，严重破坏了自然水文循环，加之老化的城市排水系统，共同推动全球城市洪水风险呈指数级上升。城市洪水每年造成超过300亿美元的经济损失，其中交通基础设施占比过半。地铁系统作为特大城市的公共交通骨干，因其巨大的客流量（例如北京工作日的日均客运量持续超过1000万人次）以及封闭或半封闭空间易被地表洪水倒灌的特性而尤为脆弱。历史上不乏惨痛案例，如2012年飓风桑迪给纽约地铁造成超50亿美元损失，以及2021年中国郑州地铁5号线因洪水灌入隧道导致14名乘客遇难的悲剧。

现有研究在应用“危险性-暴露度-脆弱性”（hazard-exposure-vulnerability, H-E-V）框架评估地铁洪水风险方面取得了进展，但仍存在若干局限：多数研究未将气候变化预测纳入风险框架，也未综合考虑气候模式、土地利用动态或工作日与周末行人出行行为的差异；此外，它们主要依赖静态历史数据，忽略了乘客暴露度的日内动态变化（如高峰期与非高峰期客流量的差异），而这可能会在实际运营中显著改变地铁出行洪水风险。为填补这些空白，研究人员提出了一种针对地铁行人出行的动态、多情景洪水风险评估框架，并以北京地铁系统为案例展开研究。其创新点在于：（1）整合了耦合模式比较计划第六阶段（CMIP6）的气候预测、土地利用预测和精细化的智能卡出行数据，以评估气候模式、排放情景、重现期和土地利用条件对行人出行洪水风险的影响；（2）刻画了不同降水情景下的时空风险格局，特别关注日内动态演变；（3）识别了高风险车站和运营时段，以制定有针对性的减灾策略。该研究成果发表于《Geomatics, Natural Hazards and Risk》。

二、关键技术方法

研究人员采用了一套多源数据驱动的综合评估方法。首先，基于CMIP6降尺度数据集获取降水数据，并利用数字高程模型（digital elevation model, DEM）、土壤类型和土地利用数据，通过SCS-CN（Soil Conservation Service Curve Number）水文模型模拟不同情景下的地表径流和淹没深度，以此表征洪水危险性（hazard, H）。其次，利用北京地铁2019年5月12日（工作日）和5月19日（周末）的智能卡交易数据，结合世界人口（WorldPop）的100米分辨率人口分布栅格数据，计算每个栅格内地铁出行人数与常住人口的比值，定义为行人出行暴露度（pedestrian travel exposure, PTE）。再次，基于行人力学平衡模型，建立了关于淹没深度的分段线性函数来量化行人在洪水环境中的物理脆弱性（physical vulnerability, PV）。最终，研究人员提出了一个经幂变换优化的非线性风险耦合模型：FTR = (H × PV)^0.3 × PTE^0.2，以避免传统乘法模型中极端值带来的偏差。所有栅格数据均重采样至统一的30米分辨率进行分析。

三、研究结果

3.1 未来气候情景下的风险分布

研究人员通过设计包含不同全球气候模式（GCMs）、排放路径、降水重现期、土地利用年份和工作日/周末的五类情景（共12个案例），评估了北京地铁网络的出行洪水风险。结果显示，北京地铁网络中存在四个空间聚类的高风险区域（分别命名为A区、B区、C区和D区），涵盖1号线、2号线、5号线、6号线、7号线、10号线、13号线、16号线、房山线和亦庄线等多条线路。

• •
  GCMs的影响（Scenario 1）： 不同GCMs（CanESM5, GFDL-CM4, FGOALS-g3）导致风险预测存在差异。FGOALS-g3预测的总风险区域面积和车站数量最小，而CanESM5和GFDL-CM4的结果相近。立垡站、良乡大学城西站和角门东站被三个模式一致识别为高风险车站。
• •
  排放路径的影响（Scenario 2）： 从历史基准情景到中等强迫情景（SSP2-4.5）再到高强迫情景（SSP5-8.5），总风险区域面积和高风险车站数量均呈增加趋势。高风险区域的扩张主要集中在B区和A区。
• •
  降水重现期的影响（Scenario 3）： 随着重现期从50年增加到500年，总风险区域面积和受影响车站数量显著增长，表明极端降水事件会大幅扩大风险范围。B区的风险面积增幅最为显著。
• •
  土地利用变化的影响（Scenario 4）： 对比2030、2050、2070和2100年的土地利用情景，地铁出行洪水风险的变化相对较小。
• •
  工作日与周末的差异（Scenario 5）： 总体风险面积和车站数量在工作日和周末无明显差异。但在B区，周末的高风险和极高风险区域面积略有增加，可能与北京南站等枢纽站在周末的出行暴露度更高有关。

3.2 设计降水情景下的日内动态风险

研究人员进一步利用北京地区24小时设计暴雨过程线，分析了典型工作日内逐两小时的出行暴露度和洪水风险演变。

• •
  行人出行暴露度（PTE）的日内变化： PTE呈现规律性波动。早高峰（7:00-9:00）和晚高峰（17:00-19:00）期间，连接市中心与周边居住区的线路车站PTE显著升高；午后（13:00-15:00）和深夜（24:00后）PTE降至最低。
• •
  出行洪水风险的日内变化： 尽管早晚高峰出行暴露度高，但最高出行洪水风险却出现在深夜时段（22:00-24:00，即Case 6g）。这是因为北京的设计暴雨峰值发生在夜间，此时虽行人较少，但极端降水导致的广泛洪水和较深积水显著提升了风险。该时段高风险和极高风险区域占总风险面积的26.41%，识别出曹房、角门东、屯佃、立水桥、立垡、亦庄桥和良乡大学城西等7个高风险车站。第二大风险时段是17:00-19:00，但由于该时段降水强度弱，所有受影响车站均为低风险级别。
• •
  重现期的影响（Scenario 7）： 在设计降水情景下，更大的降水重现期同样对应着更高的出行洪水风险。

四、讨论与结论

讨论部分总结： 研究人员在讨论中指出，研究结果揭示了极端降水强度的时间变化与城市通勤活动的时空演变之间的相互作用，共同塑造了典型日内地铁出行洪水风险的格局。在“关键时期”（如通勤高峰）和“关键节点”（如高风险车站）洪水风险的显著增加，凸显了实施针对性应急管理措施的必要性。研究还强调，由于北京极端降水倾向于发生在傍晚至夜间，地铁管理部门应重点加强夜间的防洪能力和应急响应预案。同时，研究也承认了其局限性，包括：采用空间均匀的设计暴雨假设，可能低估局部对流性强降雨的影响；未考虑雨水通过出入口、通风井进入地下的水力倒灌过程；行人暴露度数据基于2019年基线，在未来情景中保持静态不变；行人脆弱性参数仅由淹没深度推导，与危险性指标存在概念上的耦合，未能完全解耦。

研究结论翻译： 本研究通过整合洪水危险性、行人出行暴露度和行人的物理脆弱性，构建了一个城市尺度的动态地铁出行洪水风险评估框架，并以北京为例进行了应用。研究发现了四个高风险聚集区，涉及多条关键线路和车站。在更高的排放路径和更长的降水重现期下，高风险区域的范围和受影响的车站数量增加，而土地利用变化和工作日与周末差异的影响则相对较小。最重要的是，研究发现最高的出行洪水风险并非出现在通勤高峰，而是出现在深夜，这归因于降水强度与行人出行暴露度在时间上的错配。这些发现强调了将动态人类流动性纳入城市洪水风险评估的重要性，并为地铁系统的气候适应性规划和防洪韧性管理提供了可操作的见解。