空间离散化方法与分辨率对城市洪水建模的影响——以暴雨洪水管理模型（SWMM）应用为中心的综述与元分析

《Water》：Impacts of Spatial Discretization Approach and Resolution on Urban Flood Modeling: A Review and Meta-Analysis Focused on Storm Water Management Model Applications

　　

洪水是最危险的自然灾害之一，且受气候变化影响，预计其发生频率将进一步增加。城市化通过改变流域的水文特征，加剧了洪水风险。暴雨洪水管理模型（Storm Water Management Model, SWMM）是一种广泛使用的城市水文学模型。子汇水区的离散化是构建SWMM模型的关键阶段，因为它影响模型构建的工作量和结果的准确性。在本综述中，研究人员通过分析43篇期刊论文中的123个建模场景，考察了基于SWMM建模中的子汇水区划分（sub-catchment delineation）。文中提出了一种新颖的子汇水区划分技术分类体系，包含五种主要方法和三种次要方法。尽管外部汇流（external routing，即径流在子汇水区之间传输）和内部汇流（internal routing，即径流从子汇水区的不透水部分传输至透水部分或反之）具有重要的水文意义，但在所综述的场景中，考虑此类连接的比例分别仅为27%和15%。结果还表明，69%的场景使用了粗于地块（coarser than parcel, CP）分辨率的子汇水区，但在率定和验证中，其表现不如使用细于或等于地块（finer than or equal to parcel, FEP）分辨率子汇水区的场景。仅40%的场景尝试了率定。洼蓄（depression storage）和地表粗糙度（surface roughness）是常被率定的模型参数，但调优后的数值表明，在许多情况下，率定是以牺牲物理合理性为代价实现的。未来的SWMM建模应用可通过以下措施加以改进：(i) 在FEP尺度上划分子汇水区；(ii) 利用SWMM的汇流选项更好地表征物理水流路径；以及(iii) 避免物理上不现实的率定情景。建议对结合多种主要方法的次要划分方法继续开展研究，以弥补各主要方法的局限性。

**1. 引言**

城市洪水事件威胁着城市环境，危及基础设施以及居民的生命和财产安全。城市化与气候变化被认为是改变洪水事件特征的人为因素。城市开发影响流域的水文特征（如土地覆盖和不透水率），从而增加径流量和洪峰流量。此外，由于全球变暖，引发洪水的极端降雨事件预计不仅会更加频繁，而且会更加剧烈。考虑到城市水文学和洪水日益增长的重要性，全球范围内已有许多研究项目致力于这一主题。然而，对城市水文过程的深入理解和精确建模仍然具有挑战性。

为模拟城市洪水，已开发了多种复杂程度各异的方法。在最简单的方法（即一维（1D）建模）中，仅模拟排水管网内的水流力学，而地表汇流过程不被显式表达。更高级的方法称为1D-1D建模，将街道作为一维输水系统与排水管网耦合，同时表征地表和地下水流力学。最精细的方法称为1D-2D建模，以二维方式模拟地表水流力学，并与地下系统耦合。

已有多个建模平台支持城市洪水模拟，包括开源平台（如SWMM、HEC-RAS 2D、TELEMAC-MASCARET、LISFLOOD-FP和GSSHA）、商业平台（如InfoWorks ICM、MIKE URBAN/FLOOD、TUFLOW、SOBEK和FLO-2D）以及研究级平台（如TSR和URBS-MO）。暴雨洪水管理模型（Storm Water Management Model, SWMM）由美国环境保护署（EPA）开发，是全球公认的用于模拟城市水文和水力过程的工具。鉴于其灵活性和广泛适用性，本综述聚焦于采用SWMM或其商业扩展作为主要建模平台的研究。

SWMM包含水文模块和水力模块。水文模块模拟降雨-径流和入渗等关键过程以估算超渗径流，水力模块则将产生的超渗径流通过地表路径和排水管网进行汇流演算。SWMM作为半分布式模型运行，要求将研究区域离散化为更小的计算单元，即子汇水区（sub-catchment）。每个子汇水区被表示为非线性水库，作为水文模拟的基本单元。SWMM在每个子汇水区内区分透水和不透水地表，各自具有不同的入渗和地表特征。子汇水区离散化是构建SWMM模型最关键阶段，因为它影响模型构建的工作量和结果准确性。然而，文献中关于最优空间分辨率或离散化方法尚未达成共识。本综述的主要贡献有三方面：第一，提出子汇水区离散化方法的新分类体系并评估其在不同建模条件下的适用性；第二，综合外部和内部汇流的研究现状并考察这些汇流方法与子汇水区离散化的相互作用；第三，评估研究区域大小、离散化方法和空间分辨率对率定和验证中模型性能的影响。

**2. 论文筛选**

为确定目标论文，首先从Scopus数据库中检索文献（检索截至2024年10月17日）。选择Scopus是因为其比Web of Science提供更全面的覆盖范围。检索仅限于文献的标题、摘要和关键词，并限定为2010年后发表的英文期刊论文。使用检索字符串后，最早记录出现在1977年。1977年至2010年（含）期间共识别42篇论文。2011年至2023年（含）期间共识别460条记录，出版物数量随时间呈明显上升趋势。

随后应用三个手动筛选步骤（标题筛选、摘要筛选和全文筛选），以识别聚焦于子汇水区离散化的研究。目标研究包括开发新的离散化方法、比较不同方法或将现有方法应用于新案例的研究。筛选后，无关论文被排除，包括侧重于洪水风险、危险性和易损性，城市化、土地利用变化和气候变化对洪水的影响，洪水制图，模型比较以及模型耦合的研究。筛选过程由单一评审者完成。标题和摘要筛选阶段采用包容性方式以确保最广泛和最准确的论文选择，全文筛选阶段则采用更严格的方式。最后，通过对所选论文的参考文献列表进行后向参考文献检查，以进一步减少遗漏相关记录的可能性。最终，从Scopus检索到的528条记录中筛选出43篇研究用于本综述目的。

**3. 发现与讨论**

**3.1 初步分析**

所选论文涵盖13个国家的53个案例研究。中国（17个）、美国（14个）和芬兰（10个）占案例研究的大多数。关于建模区域的大小分布，87%、70%和49%的区域分别小于100 km²、10 km²和1 km²，仅8%的研究聚焦于大于100 km²的区域。小尺度研究区域占主导地位的现象源于建模限制和管理考虑：从建模角度看，为大区域开发模型需要在子汇水区划分上投入大量精力，且排水系统数据常存在缺口和错误；从管理角度看，大型研究区域可能由多个管理机构管辖，带来优先级、监管框架和数据可获取性方面的挑战。

出版物的时间分布（2011年至2025年）呈现明显上升趋势。2024年和2020年出版物数量最多。根据Scopus，43篇论文每篇平均被引20.5次，相当于每篇文献每年被引2.7次。关键词分析方面，共记录408个索引关键词和164个作者关键词。"SWMM"、"stormwater"和"urban hydrology"是最常用的作者关键词，而"runoff"、"water management"和"catchment"在索引关键词中占主导。

**3.2 子汇水区离散化**

通过评估目标论文，子汇水区离散化方法被分为五类主要方法和三类次要方法。主要方法包括：地形法（TOPO）、几何法（GEOM）、均匀网格法（GRID）、边界法（BOUND）和土地利用法（LULC）。次要方法整合多种主要方法，分为嵌套法（NESTED）、混合法（HYBRID）和两步法（2-STEP）。在NESTED方法中，研究区域首先被离散化为较大区域，再进一步细分为更小的子汇水区。HYBRID方法对不同景观应用不同的离散化方法，例如对平坦区域使用BOUND方法，对坡度显著区域使用TOPO方法。2-STEP方法首先对整个研究区域进行初始离散化，然后仅对关键子汇水区进行进一步细分，其与NESTED方法的关键区别在于选择性细化。

空间分辨率分为两类：细于或等于地块（finer than or equal to parcel, FEP）和粗于地块（coarser than parcel, CP）。地块被定义为合法登记且个人拥有的土地单元。在所有场景中，BOUND方法使用最广泛（占30%），TOPO、NESTED、GEOM、LULC、GRID、HYBRID和2-STEP方法分别占24%、15%、11%、8%、7%、2%和2%。69%的场景采用CP分辨率，仅31%采用FEP分辨率。所有应用TOPO、GEOM和2-STEP方法的研究均生成CP子汇水区，而GRID、LULC和NESTED方法则倾向于FEP子汇水区。

各主要离散化方法各有优缺点。GEOM和GRID需要的输入数据最少，TOPO数据需求适中（数字高程模型DEM为主要输入），BOUND和LULC数据需求最高（分别依赖详细的边界和土地利用/土地覆盖数据）。在参数化方面，LULC最省力，因为每种土地利用/土地覆盖类型可被赋予独立的参数集；精细分辨率的GRID模型也相对容易参数化。在可扩展性方面，精细分辨率的BOUND和LULC方法不太适合大尺度应用。在局部尺度，TOPO和精细GRID与地形排水路径最兼容。BOUND与城市规划最兼容。为克服各主要方法的局限性并发挥各自优势，应用次要离散化方法具有很大价值，其中2-STEP方法在大尺度建模中显示出显著潜力。

**3.3 建模结构（汇流路径）**

精确模拟地表汇流路径对可靠的城市洪水模拟至关重要。外部汇流和内部（子区域）汇流通过改变入渗损失等途径显著影响水量平衡，并影响径流汇流时间及径流过程线。然而，在123个建模场景中，仅33个（27%）考虑了至相邻子汇水区的外部汇流，其余90个场景（73%）直接将径流从子汇水区导向节点。TOPO和GEOM方法构建的模型完全未采用外部汇流，而LULC和GRID方法的外部汇流实施率最高（分别为90%和88%）。在CP分辨率模型中仅8%包含至相邻子汇水区的汇流，而FEP模型中为68%，这一差异具有物理合理性。

关于内部（子区域）汇流，仅18个场景（15%）模拟了这一过程。GEOM、GRID、LULC或2-STEP方法构建的模型均未包含内部汇流。HYBRID和BOUND方法的实施率最高（分别为33%和32%）。内部汇流在CP模型中更常见（19%对比FEP模型的5%），但即使在CP模型中，大多数也未纳入内部汇流。仅七篇论文在其场景中应用了内部汇流，其中仅一项研究尝试利用DEM和土地覆盖数据推导物理上有意义的内部汇流比例。未来需进一步研究以精确模拟内部和外部汇流过程，并探索使用厘米级高分辨率DEM。

**3.4 模型参数化**

参数化是模型开发过程的最后步骤之一。在123个建模场景中，49个（40%）进行了水文模型参数率定。率定在GRID方法中应用最少（13%），在LULC方法中最普遍（60%）。洼蓄、地表曼宁系数n、管道/渠道曼宁系数n和入渗参数是最常被率定的参数。不透水率比、子汇水区宽度和坡度很少被率定，因为这些参数可从土地覆盖图、河网和DEM层中推导获得。大多数执行率定的研究同时调整了地表和地下水分损失参数，但由于实测数据仅为流域出口的流量（78%）或水深（22%），一般无法区分这些过程。92%的研究采用基于事件的率定。

在模型性能评估方面，FEP模型在率定和验证阶段的纳什-萨特克利夫效率系数（NSE）均高于CP模型，且FEP模型的NSE分布更集中于中位数附近，表明性能更为一致。CP模型的NSE范围更宽，意味着更大的变异性和更不可预测的性能。研究区域大小也影响模型性能：较小研究区域（<1 km²）的NSE均值在率定阶段为0.84，验证阶段为0.77；较大区域分别为0.79和0.69，精度有所下降。相互依赖分析表明空间分辨率是影响精度的主要控制因素，但该结论需谨慎解读，因为当前数据集未涵盖所有可能的研究区域大小、离散化方法和空间分辨率组合。

**4. 总结与结论**

本综述将子汇水区离散化方法组织为五类主要方法（TOPO、GEOM、GRID、BOUND、LULC）和三类次要方法（NESTED、HYBRID、2-STEP）。大多数现有研究聚焦于较小流域，表明当前SWMM建模实践对大型区域（>100 km²）的适用性研究不足。尽管证据表明FEP分辨率提供更稳健和一致的模型性能，但69%的研究场景使用CP分辨率，仅31%采用FEP分辨率。在汇流方面，仅27%和15%的场景分别实现了外部和内部汇流选项，表明相当大比例的现有SWMM应用中未能充分表征子汇水区之间和内部的径流再分配过程。研究区域大小、子汇水区离散化方法和空间分辨率均影响建模精度，相互依赖分析进一步表明空间分辨率是主要控制因素。未来研究建议：(i) 在FEP尺度上划分子汇水区；(ii) 利用SWMM汇流选项更好地表征物理水流路径；(iii) 避免物理上不现实的率定情景。进一步开发2-STEP等次要离散化方法并制定识别细化区域的客观标准，将有助于在大尺度研究区域实现FEP分辨率的模拟，从而提升SWMM城市洪水模型的精度和可靠性。