城市雨洪模型的不确定性分析研究综述

城市雨洪模型的不确定性分析研究综述城市雨洪模型是支撑海绵城市建设、内涝风险管控、排水系统优化设计的核心工具，其模拟结果的可靠性直接决定了城市水安全决策的科学性。随着气候变化背景下极端降雨事件频发，以及城市下垫面硬化、管网系统复杂度持续提升，雨洪模拟过程中多重不确定性因素的耦合效应不断凸显，已成为制约模型工程应用价值的关键瓶颈。目前业界对城市雨洪模型不确定性的研究主要围绕来源解析、量化方法、控制策略三大方向展开，相关成果为提升模拟精度、降低决策风险提供了重要理论支撑。一、城市雨洪模型不确定性的核心来源城市雨洪模拟是一个涵盖气象、水文、水力、工程调度等多过程的复杂系统，不确定性来源可划分为输入不确定性、模型结构不确定性、参数不确定性三大类，三类因素往往相互交织、共同作用于模拟结果。输入不确定性中最突出的是降雨数据的误差。降雨作为雨洪过程的核心驱动因子，其时空分布异质性直接决定了产汇流过程的模拟精度。目前常用的降雨数据来源包括地面雨量站、雷达反演降雨、卫星遥感降雨三类，三类数据各有局限性：地面雨量站受站点密度限制，难以捕捉短历时强降雨的空间分布特征，当站点间距超过5km时，对1小时以内极端降雨的捕捉误差可达30%以上；雷达反演降雨虽能提供高时空分辨率数据，但受波束遮挡、雨滴谱变化、Z-R关系拟合误差影响，定量估测误差通常在20%-50%区间，极端降雨条件下误差甚至超过100%；卫星遥感降雨的时间分辨率多为30分钟以上，空间分辨率多在1km及以下，难以满足城市尺度小范围、短历时内涝模拟的精度要求。此外，降雨数据的时间步长选择也会引入显著误差，当模拟时间步长从5分钟延长至30分钟时，峰值流量模拟结果可能偏低20%-40%，峰现时间偏差可达15分钟以上。下垫面数据的不确定性是输入误差的另一重要来源。城市下垫面包含建筑、道路、绿地、水体等多种类型，其空间分布、属性参数的精度直接影响产流计算结果。当前下垫面数据主要来源于土地利用分类图、遥感影像解译、现场勘测三类，普遍存在属性精度不足、时空更新滞后等问题：土地利用分类图的分辨率通常为30m或更低，难以区分透水路面、透水铺装等低影响开发设施的精细分布；遥感影像解译的土地利用类型错分率通常在10%-15%，部分复杂区域可达20%以上；老旧城区的下垫面数据更新周期普遍超过5年，难以匹配城市快速建设带来的下垫面变化。研究表明，当不透水率的输入误差为10%时，年径流总量控制率的模拟误差可达8%-12%，峰值流量误差可达15%-20%。模型结构不确定性源于对复杂水文水力过程的简化假设。目前主流的城市雨洪模型如SWMM、InfoWorksICM、MIKEUrban等，均在产流、汇流、管网水力计算等环节采用了不同程度的简化处理：产流计算中，霍顿下渗公式、格林-安普特公式等均是对土壤下渗过程的经验或半经验描述，无法完全反映土壤含水量空间异质性、植被截留、土壤结皮等复杂因素的影响；地表汇流计算中，常用的非线性水库模型、运动波模型假设地表径流为一维均匀流，忽略了地形起伏、建筑阻挡、洼地蓄水等因素带来的二维漫流特征，在平坦区域、建筑密集区的汇流模拟误差可达30%以上；管网水力计算中，圣维南方程的求解需假设管网无淤积、管道糙率恒定，而实际管网中普遍存在沉积物淤积、杂物堵塞等问题，导致实际过流能力与设计值偏差可达20%-50%。不同模型的结构差异也会带来显著的结果差异，针对同一研究区域，采用SWMM和InfoWorksICM模拟的内涝积水深度最大偏差可达0.5m以上，积水范围重合度通常不足70%。参数不确定性是模型应用过程中最受关注的误差来源。城市雨洪模型包含数十个待率定参数，可分为水文参数和水力参数两类：水文参数如不透水率、曼宁系数、下渗能力、洼蓄量等，受下垫面属性、土壤类型、植被覆盖等因素影响，空间异质性极强；水力参数如管道糙率、节点溢流系数、水泵运行参数等，受管网建设质量、运维状况、调度规则等因素影响，难以通过现场勘测精确获取。参数不确定性的影响程度与研究区域特征、模拟目标密切相关：在小尺度研究区域（<1km²），参数不确定性对模拟结果的贡献通常超过50%；而在大尺度区域（>10km²），输入不确定性的贡献占比往往更高。参数之间的相关性进一步加剧了不确定性的复杂程度，如不透水率和曼宁系数、下渗能力和洼蓄量等参数之间普遍存在较强的负相关性，导致参数率定过程中存在大量“异参同效”现象，即多组不同的参数组合能够得到相近的模拟精度，进一步降低了参数取值的唯一性和可靠性。二、不确定性量化的主流方法及适用性目前城市雨洪模型不确定性量化方法可分为概率统计方法、情景分析方法、代理模型辅助方法三大类，不同方法的计算效率、量化精度、适用场景存在显著差异。蒙特卡洛模拟是应用最广泛的概率统计方法，其核心思路是通过对不确定性输入变量、参数进行随机抽样，运行模型得到大量模拟结果，进而统计结果的概率分布特征。该方法的优势是原理简单、易于实现，不受模型结构复杂度限制，能够处理多变量耦合的非线性不确定性问题，可输出各变量对结果不确定性的贡献度排序。但其缺点也十分明显：计算成本极高，当需要将结果的统计误差控制在5%以内时，通常需要进行1000次以上的模型运行，对于大尺度、复杂管网的城市雨洪模型，单次运行可能需要数小时甚至数天，导致蒙特卡洛模拟难以应用于高复杂度的实际工程场景。为提升计算效率，学界发展了拉丁超立方抽样、重要性抽样、马尔可夫链蒙特卡洛等改进方法，其中拉丁超立方抽样通过分层抽样策略，可将所需模拟次数降低至传统蒙特卡洛方法的1/5-1/3，目前已成为工程应用中的主流抽样方法。广义似然不确定性估计（GLUE）是针对水文模型不确定性特点发展的专用方法，其核心思想是摒弃传统的“最优参数集”理念，认为所有满足似然度阈值的参数集都是可接受的，通过对所有可接受参数集的模拟结果进行统计，得到结果的置信区间。与传统参数率定方法相比，GLUE方法能够有效处理“异参同效”问题，更符合水文过程的实际特征，在城市雨洪模型不确定性分析中得到了广泛应用。但该方法也存在一定争议：似然度函数的选择、阈值的确定具有较强的主观性，不同的选择可能导致不确定性区间的宽度存在显著差异；当待率定参数数量超过10个时，参数空间的搜索效率会急剧下降，需要消耗大量计算资源。近年来，学界通过将GLUE方法与灵敏度分析结合，先筛选出对模拟结果影响最大的敏感参数，再针对敏感参数进行不确定性分析，有效降低了计算复杂度，提升了结果的可靠性。全局灵敏度分析方法是识别关键不确定性来源的核心工具，能够定量评估各输入变量、参数对模拟结果不确定性的贡献程度，为参数率定、数据监测优化提供方向。常用的全局灵敏度分析方法包括Sobol方法、傅里叶幅度灵敏度检验（FAST）、Morris筛选法三类：Sobol方法基于方差分解原理，能够量化单个参数的一阶灵敏度、参数之间的交互作用灵敏度，精度最高但计算成本也最高，通常需要数千次模型运行；FAST方法通过傅里叶变换实现灵敏度计算，计算效率比Sobol方法高3-5倍，但难以准确量化高阶交互作用的灵敏度；Morris筛选法是一种定性的灵敏度筛选方法，仅需要数十次至数百次模型运行，能够快速区分敏感参数和非敏感参数，适用于参数数量较多的初步筛选阶段。在实际应用中，通常采用“Morris筛选+Sobol定量分析”的组合策略，先通过Morris方法筛选出前5-10个最敏感的参数，再针对这些参数进行高精度的定量灵敏度分析，兼顾计算效率和分析精度。情景分析方法是面向工程决策的不确定性分析工具，核心思路是基于对未来变化条件的预判，设置多种典型情景组合，通过模拟不同情景下的雨洪过程，评估极端条件下的系统响应特征，为鲁棒性决策提供支撑。与概率统计方法相比，情景分析方法不需要精确获取不确定性变量的概率分布，更适用于气候变化、城市发展等缺乏足够历史数据的长周期不确定性因素分析。目前常用的情景设置包括三类：气候变化情景通常采用IPCC发布的不同排放情景下的降雨预测结果，重点评估2030年、2050年等时间节点极端降雨事件的强度、频率变化对雨洪过程的影响；城市发展情景通常基于城市总体规划，设置不同的城市扩张强度、低影响开发设施布局比例、管网建设标准等组合情景；工程调度情景通常考虑不同的泵站调度规则、闸门运行策略、预警响应时间等因素。情景分析的缺点是无法覆盖所有可能的不确定性组合，容易遗漏极端组合情景，近年来学界将情景分析与概率统计方法结合，发展了概率情景分析方法，通过给不同情景赋予发生概率，实现了情景分析结果的概率化表达。代理模型辅助方法是解决高复杂度模型计算效率问题的关键技术，其核心思路是通过构建计算成本极低的代理模型近似替代原始的高复杂度雨洪模型，基于代理模型开展不确定性分析，大幅降低计算成本。目前常用的代理模型包括响应面模型、克里金模型、人工神经网络、支持向量机等：响应面模型结构简单、易于解释，适用于非线性程度较低的问题；克里金模型能够提供预测结果的不确定性估计，适用于样本量较小的场景；人工神经网络具有强大的非线性拟合能力，适用于高维度、强非线性的复杂问题。研究表明，当代理模型的决定系数R²达到0.9以上时，基于代理模型的不确定性分析结果与基于原始模型的结果偏差通常小于5%，而计算效率可提升数百倍甚至数千倍。近年来，随着深度学习技术的发展，基于卷积神经网络、循环神经网络的代理模型逐渐得到应用，能够进一步提升高时空分辨率雨洪模拟的代理精度，为大尺度城市雨洪模型的不确定性分析提供了新的技术路径。三、不确定性控制策略及工程应用进展针对城市雨洪模型的多重不确定性，目前学界和业界已发展出多源数据融合、多模型集合模拟、鲁棒性优化设计三类控制策略，相关技术已逐步应用于实际工程。多源数据融合是降低输入不确定性的核心途径。针对降雨数据的不确定性，目前主流的融合方法是将地面雨量站的点观测数据与雷达、卫星的面观测数据结合，通过地理加权回归、克里金插值、人工智能融合等方法，生成高时空分辨率的高精度降雨产品。研究表明，采用雨量站-雷达融合降雨数据，可将降雨定量估测误差降低至15%以内，内涝模拟精度提升20%-30%。针对下垫面数据的不确定性，通过融合高分辨率遥感影像、倾斜摄影测量、城市信息模型（CIM）数据，可实现下垫面属性的精细化刻画，将不透水率、地形高程等关键参数的测量误差控制在5%以内。随着物联网技术的发展，基于雨量计、水位计、积水监测点等实时监测数据的动态数据同化方法逐步得到应用，通过在模拟过程中不断融入实时观测数据校正模型状态，可进一步降低模拟结果的不确定性，在实时内涝预警场景中，数据同化可将预警精度提升30%以上，峰现时间预测误差降低至10分钟以内。多模型集合模拟是降低结构不确定性的有效手段。其核心思路是采用多个不同结构的雨洪模型对同一研究区域进行模拟，通过对多个模型的结果进行加权集成，抵消单个模型的结构偏差。研究表明，与单个最优模型相比，多模型集合模拟的结果精度通常可提升10%-20%，不确定性区间的覆盖率提升15%-25%。多模型集合的关键在于权重的确定，常用的权重确定方法包括基于模拟精度的逆误差加权、基于贝叶斯理论的后验概率加权、基于机器学习的自适应加权等。在实际工程应用中，通常选择2-3个不同特点的主流模型进行集合，如将侧重水文过程的SWMM模型与侧重二维水动力的InfoWorksICM模型结合，既能保证管网水流过程的模拟精度，又能准确反映地表漫流的空间分布特征。近年来，部分研究进一步将物理机理模型与数据驱动模型结合，构建“机理-数据”融合的混合模型，利用数据驱动模型的强大拟合能力校正物理模型的结构偏差，在特定场景下可将模拟精度提升40%以上。参数自适应率定技术是降低参数不确定性的关键方法。传统的参数率定方法通常采用单一降雨事件进行率定，率定得到的参数往往存在过拟合问题，在其他降雨事件中的模拟精度显著下降。近年来发展的多事件参数率定方法，通过选取不同重现期、不同雨型的多个降雨事件共同参与率定，能够有效提升参数的普适性，降低参数不确定性。研究表明，采用3-5个不同特征的降雨事件进行率定，参数的稳定性可提升30%以上，不同降雨事件的模拟精度偏差可控制在10%以内。针对参数的空间异质性问题，基于分区率定的方法逐步得到应用，根据下垫面特征、排水片区的差异将研究区域划分为多个子区域，每个子区域单独进行参数率定，与全域统一率定相比，分区率定可将模拟精度提升15%-25%。随着监测数据的不断丰富，实时参数动态更新技术也逐步成熟，通过定期利用最新的监测数据重新率定参数，能够适应下垫面、管网状况的动态变化，保证模型的长期模拟精度。鲁棒性优化设计是面向决策的不确定性应对策略。传统的排水系统设计、内涝治理方案制定通常基于确定性的模拟结果，忽略不确定性的影响，容易导致方案在实际运行中达不到预期效果。鲁棒性优化设计的核心思想是在方案设计阶段就充分考虑各种不确定性因素的影响，确保方案在大多数不确定性情景下都能满足性能要求，实现“基于风险的设计”。目前常用的鲁棒性优化方法包括：基于可靠度的设计，将系统的失效概率作为优化目标之一，确保方案的内涝防治标准满足规定的可靠度要求；基于区间优化的设计，将不确定性参数表示为区间数，优化得到在整个参数区间内性能都能满足要求的方案；基于适应性的设计，采用“分阶段建设、动态调整”的策略，预留未来升级改造的空间，降低未来气候变化、城市发展带来的不确定性风险。工程实践表明，采用鲁棒性优化设计的方案，虽然初期投资可能比确定性设计高5%-10%，但长期运行的可靠性显著提升，全生命周期的运维成本可降低2