杜建華，鄭虹暉，莫云音，羊清雯

(1.海南省氣象信息中心，海南 ?？?570203；2.海南省南海氣象防災減災重點實驗室，海南 ?？?570203；3.海南省氣象服務中心，海南 ?？?570203)

引 言

暴雨洪澇災害是危害人類生命財產(chǎn)安全最常見的自然災害之一[1-2]，也是我國東部、南部沿海地區(qū)最嚴重的氣象災害之一。針對強降雨尤其是臺風暴雨，國內(nèi)外基于天氣學原理和數(shù)值模擬研究其機理及預報方法的成果比較多見[3-9]。目前除了對暴雨發(fā)生機理及其預報方法研究外，還需要對強降雨的綜合風險分布特征及其致災危險性進行了解，因此也有不少結(jié)合自然災害風險理論對強降雨及其引發(fā)的次生災害進行風險評估和分析的研究[10-17]。

強降水會導致道路內(nèi)澇、交通擁堵[18]。在我國，強降雨引發(fā)的公路損毀、道路積水、道路通行受阻時常發(fā)生。隨著各地交通氣象業(yè)務、服務工作的不斷深入，運用統(tǒng)計學方法，建立基于氣象條件的風險預警模型，針對京津冀及我國西南地區(qū)的強降雨對公路交通通行影響的研究逐步開展[19-23]。海南省受臺風暴雨影響尤為嚴重，常造成較為嚴重的經(jīng)濟財產(chǎn)損失[24-25]。根據(jù)海南省公路交通管理部門公布的信息，臺風暴雨發(fā)生期間，省內(nèi)縣道、省道、高速公路常發(fā)生積水點或積水路段，甚至出現(xiàn)因漫水造成交通長時間中斷的現(xiàn)象，嚴重威脅行車安全和交通運輸效率。為進一步分析海南島強降雨對公路交通的影響，本文基于海南省2015—2018年公路漫水阻斷事件個例及其對應的降水觀測資料，運用平滑曲線擬合法分析降水因子對公路漫水阻斷事件發(fā)生的相對危險度，并基于不同時段降水因子分別建立Logistic風險預報模型，以便在今后的交通氣象服務業(yè)務中可以根據(jù)降水量預報開展公路漫水阻斷事件發(fā)生風險的估測。

1 資 料

應用海南省公路管理部門提供的2015—2018年因臺風暴雨造成的島內(nèi)公路漫水阻斷事件個例，經(jīng)篩選，得到有效個例177個，覆蓋?？凇⒍ò?、文昌、瓊海、萬寧、陵水、東方、昌江、儋州、臨高、屯昌、瓊中、五指山、白沙、澄邁15個行政市(縣)。個例信息包括公路漫水阻斷事件發(fā)生時間、地點及其造成的影響等信息。選取事件發(fā)生地臨近的15個國家氣象站的降水觀測資料，篩選個例發(fā)生前3、6、12、24、48、72 h等不同時段累計降水量及最大小時雨量等信息，研究公路漫水阻斷事件發(fā)生特征及其與氣象條件的相關關系和風險預報方法。

2 公路漫水阻斷事件總體分布

2015—2018年177個有效公路漫水阻斷樣本中，2016年發(fā)生次數(shù)最多(81次)、2018年次之(36次)、2017年第三(31次)、2015年最少(29次)，且這些樣本集中發(fā)生在每年的8—10月，漫水阻段事件的日變化和年變化隨機性較強，沒有顯著的變化特征。圖1為海南省公路漫水阻斷事件空間分布?？梢钥闯?，儋州境內(nèi)發(fā)生公路漫水阻段事件次數(shù)最多，占樣本總數(shù)的22%；其次是臨高和昌江，占樣本總數(shù)的比例均在12%以上；瓊海、東方、文昌、澄邁占樣本總數(shù)的7%～10%；而屯昌、瓊中、定安、五指山則較少發(fā)生，占樣本總數(shù)的2%以下?？傮w呈現(xiàn)出海島北部多于南部、沿?？h市多于非沿海縣市、山區(qū)和丘陵地帶明顯偏少的特征。

圖1 2015—2018年海南省公路漫水阻斷事件空間分布Fig.1 The spatial distribution of road flooding and blocking events in Hainan Province during 2015-2018

3 公路漫水阻斷事件與降水關系

3.1 2016年公路漫水事件與降水的關系

為進一步解釋漫水阻斷事件的空間分布特征，對公路漫水阻斷事件發(fā)生頻次與事件發(fā)生臨近氣象觀測站的年累計降水量、最大小時雨量、小時雨量大于20 mm降水頻次依次對比分析，發(fā)現(xiàn)公路漫水阻段事件發(fā)生的頻次與當?shù)刈畲笮r雨量以及小時雨量大于20 mm降水發(fā)生頻次有較好的對應關系，而與年累計降水量的對應關系不明顯。2016年公路漫水阻斷事件發(fā)生次數(shù)最多，其數(shù)據(jù)比4 a累加數(shù)據(jù)更具代表性，能夠在一定程度上反映公路漫水阻斷事件的空間分布特征。圖2為2016年海南省不同地區(qū)最大小時雨量、小時雨量大于20 mm降水頻次及對應公路漫水阻斷事件發(fā)生頻次。可以看出，臨高、昌江、瓊海、儋州最大小時雨量較大、小時雨量大于20 mm降水發(fā)生頻次較高，且這4個地區(qū)的公路漫水阻段事件發(fā)生頻次也較高。萬寧雖然小時雨量大于20 mm降水發(fā)生頻次較高，但最大小時雨量并不大。而地處山區(qū)的瓊中、五指山等地，雖然最大小時雨量以及小時雨量大于20 mm降水發(fā)生頻次都較高，但公路漫水阻斷事件發(fā)生的頻次比丘陵地帶和平原、沿海地區(qū)要明顯偏少。初步分析，這是由于地形原因所致，海南全島呈現(xiàn)中間高、周邊地勢低緩的地形特征。強降雨發(fā)生后，山區(qū)降水迅速向地勢低的河流匯集，因此公路積水情況相對較少，而丘陵和沿海地勢低緩，則容易造成路段積水。

圖2 2016年海南省不同地區(qū)最大小時雨量、小時雨量大于20 mm降水頻次及對應公路漫水阻斷事件發(fā)生頻次Fig.2 The maximum hourly rainfall and frequency of hourly rainfall more than 20 mm and corresponding road flooding and blocking events frequency in different area of Hainan Province in 2016

3.2 公路漫水阻斷事件與累計降水量及最大小時雨量的關系

由于樣本中歷次公路漫水阻斷事件的天氣背景均是臺風暴雨，因此以降水量作為主要因子，利用Kendall相關分析法分析事件發(fā)生前3、6、12、24、48、72 h累計降水量與公路漫水阻斷事件發(fā)生頻次的相關性，最終發(fā)現(xiàn)事件發(fā)生前24 h累計降水量與公路漫水阻斷事件的相關性最好，3、6、12 h累計降水量次之(圖略)。表1列出2015—2018年公路漫水阻斷事件發(fā)生前不同時段、不同級別累計降水量占比。可以看出，事件發(fā)生前24 h降水量有78.4%超過100 mm，其中45.1%超過200 mm，最大值發(fā)生在2016年8月18日臨高境內(nèi)，事件發(fā)生前24 h降水量達516.6 mm，造成臨高境內(nèi)7處漫水阻段事件，其中有2處記錄為“強降雨導致路面坍塌阻斷”；最小值發(fā)生在2016年10月19日瓊海境內(nèi)，事件發(fā)生前24 h降水量為46.5 mm，對應事件發(fā)生前48～72 h，降雨一直持續(xù)，說明本次事件屬于在前期強降雨基礎上形成的新增積水點。事件發(fā)生前12 h降水量有80.4%超過50 mm，其中49.0%超過100 mm。而事件發(fā)生前3、6 h降水量分別有80.4%、53.0%在50 mm以下。

分析歷次公路漫水阻斷事件發(fā)生前最大小時雨量發(fā)現(xiàn)：當小時雨量超過50 mm時，無論前期有無降水，在2 h內(nèi)就可能出現(xiàn)公路漫水阻斷事件；當24 h累計降水量超過100 mm、小時雨量超過30 mm時，4～6 h內(nèi)可能出現(xiàn)公路漫水阻斷事件；當連續(xù)3～5 d日降水量超過50 mm、持續(xù)3～6 h的小時雨量超過10 mm時也可能發(fā)生公路漫水阻斷事件。

表1 2015—2018年海南省公路漫水阻斷事件發(fā)生前不同時段、不同級別降水量占比Tab.1 The proportion of precipitation with different levels in different periods before road flooding and blocking events occurrence in Hainan Province during 2015-2018

3.3 累計降水量對事件發(fā)生相對危險度的分析

利用平滑曲線擬合法[26]，通過Empower Stats統(tǒng)計分析軟件分析公路交通漫水阻斷事件發(fā)生次數(shù)與事件發(fā)生前3、6、12、24 h累計降水量關系(圖3)?？傮w上，公路漫水阻斷事件發(fā)生次數(shù)對3、6、12、24 h累計降水量的響應不存在明顯的閾值效應，隨著3、6、12、24h累計降水量的增加，公路交通漫水阻斷事件發(fā)生次數(shù)呈上升趨勢。當3、6、12、24 h累計降水量分別超過100、150、250、500 mm后，由于樣本個例過少，擬合的可信度降低。

圖3 2015—2018年海南省公路漫水阻斷事件發(fā)生次數(shù)與事件發(fā)生前3、6、12、24 h累計降水量擬合曲線Fig.3 The fitting curves between occurring numbers of road flooding and blocking events and accumulated precipitation in 3 h, 6 h, 12 h and 24 h before the events in Hainan Province during 2015-2018

利用泊松分布，基于曲線擬合，以公路漫水阻斷事件發(fā)生次數(shù)為因變量，以氣象影響要素為自變量，分析公路漫水阻斷事件發(fā)生次數(shù)與事件發(fā)生前3、6、12、24 h累計降水量各因子的相對危險度(RR)[26-30]，具體公式如下：

RR=exp(β×△X)

(1)

式中：RR為公路漫水阻斷事件發(fā)生的相對危險度，X為氣象影響要素，△X為氣象要素的單位變化；β為系數(shù)。當RR>1(β>0)時，X每增加一個單位，公路漫水阻斷事件發(fā)生風險的增加率為(RR-1)×100%；當RR<1(β<0)時，X每增加一個單位，公路漫水阻斷事件發(fā)生風險的減小率為(1-RR)×100%。

計算得出公路漫水阻斷事件發(fā)生前3、6、12、24 h累計降水量分別對應的相對危險度(表2)，可以看出，4個時段累計降水量對應的公路漫水阻斷事件發(fā)生相對危險度RR均大于1，即隨著3、6、12、24 h累計降水量的增加，公路漫水阻斷事件發(fā)生的風險都呈升高趨勢。而3、24 h累計降水量對應的事件發(fā)生相對危險度RR較大，分別為1.013、1.007，即隨著3、24 h累計降水量每增加1 mm，公路漫水阻斷事件發(fā)生的風險分別隨之增加1.3%和0.7%。

表2 2015—2018年海南省公路漫水阻斷事件發(fā)生次數(shù)與事件發(fā)生前不同時段累計降水量的關系Tab.2 The relationship between occurring numbers of road flooding and blocking events and accumulated precipitation in different periods before the events in Hainan Province during 2015-2018

4 公路漫水阻斷風險預報方法

4.1 公路漫水阻斷事件風險預報模型

應用Logistic回歸模型[31]，將公路漫水阻斷事件作為二分類響應變量，即事件發(fā)生視為y=1，不發(fā)生視為y=0，進而以降水因子為自變量，根據(jù)樣本數(shù)據(jù)估計出參數(shù)值求得響應變量的發(fā)生概率。由于只考慮降水因子對公路漫水阻斷事件的影響，而海南公路漫水阻斷事件與不同時段降水量相關，因此將事件發(fā)生前3、6、12、24 h累計降水量分別作為自變量單獨建模。建模時，應用2015—2017年7月1日至10月31日(臺風暴雨多發(fā)時段)15個自動氣象站任一整點時次往前推3、6、12、24 h的累計降水量，不為0則作為一個有效樣本輸出，共得到樣本24 812個。

依據(jù)Logistic回歸原理，建立公路漫水阻斷事件與降水因子的回歸模型為：

(2)

式中：p(%)為公路漫水阻斷事件發(fā)生概率；F(mm)為事件發(fā)生前不同時段累計降水量；α、β分別為待擬合模型系數(shù)。運用SPSS20.0數(shù)據(jù)統(tǒng)計分析軟件，通過最大似然法估算出事件發(fā)生前3、6、12、24 h的累計降水量分別與公路漫水阻斷事件發(fā)生風險的相關參數(shù)(表3)，其中Sig<0.05時表示該因子的顯著性水平具有統(tǒng)計學意義，可見，對于公路漫水阻斷事件發(fā)生風險具有顯著意義的因子是事件發(fā)生前3 h和24 h累計降水量。因此最終選取基于3 h和24 h累計降水量的公路漫水阻斷風險預報模型，具體公式如下：

式中：p3、p24(%)分別為基于3 h和24 h累計降水量的公路漫水阻斷事件發(fā)生概率；r3、r24(mm)分別為公路漫水阻斷事件發(fā)生前3、24 h累計降水量。

4.2 公路漫水阻斷事件風險預報模型效果檢驗及修正

應用海南省2018年7—10月的降水量數(shù)據(jù)對公路漫水阻斷風險預報模型進行效果檢驗，單獨運用基于24 h累計降水量的風險預報模型時，當r24≥200 mm時，公路漫水阻斷事件發(fā)生的預測準確率可高達95.8%，當100≤r24<200 mm時，事件發(fā)生的預測準確率為76.3%，當r24<100 mm時，事件發(fā)生的預測準確率為49.2%；而單獨運用基于3 h累計降水量的風險預報模型時，對前期持續(xù)強降水的影響很難反映。因此，采用層次分析法將兩個風險預報模型綜合運用，對公路漫水阻斷事件風險預報模型進行修正，得到公式(4)，再次進行檢驗時，對公路漫水阻斷事件的預測準確率可達91.7%。

(4)

4.3 模型業(yè)務化應用

在實際業(yè)務中運用智能網(wǎng)格化降水預報產(chǎn)品進行公路漫水阻斷事件的風險等級預報。基于風險頻率3基點(p=10%、50%、90%)[31]，得到海南公路漫水阻斷風險判別標準：當p≥90%時，判定事件發(fā)生風險極高；當50%≤p<90%時，判定事件發(fā)生風險高；當10%≤p<50%時，判定事件發(fā)生風險較高；當p<10%時，判定事件發(fā)生風險低。

5 結(jié)論與討論

(1)臺風暴雨造成的海南省公路漫水阻斷事件總體呈現(xiàn)出海島北部多于南部、沿?？h市多于非沿?？h市、山區(qū)和丘陵地帶明顯偏少的特征。公路漫水阻段事件發(fā)生的頻次與當?shù)刈畲笮r雨量以及小時雨量>20 mm降水頻次有較好的對應關系。

(2)事件發(fā)生前24 h降水量78.4%超過100 mm，事件發(fā)生前12 h降水量有49.0%超過100 mm。當小時雨量超過50 mm，24 h累計降水量超過100 mm且小時雨量超過30 mm，連續(xù)3～5 d日降水量超過50 mm且連續(xù)3～6 h小時雨量超過10 mm時都可能引發(fā)公路漫水阻斷事件。定量分析發(fā)現(xiàn)，隨著3、6、12、24 h累計降水量的增加，公路漫水阻斷事件發(fā)生的風險加大，事件發(fā)生前3 h和24 h累計降水量對應的事故發(fā)生相對危險度RR較大，分別為1.013和1.007，即隨著相應時段累計降水量每增加1 mm，事故發(fā)生風險分別增加1.3%和0.7%。

(3)3 h和24 h累計降水量對公路漫水事件的發(fā)生有較好的指示意義，建立Logistic風險預報模型時，可能會忽略短時強降雨和前期累計降水總量的影響，因此將兩個風險預報模型綜合運用建立預報模型，對公路漫水阻斷事件發(fā)生風險有很好的預報效果。

由于降水是公路漫水阻斷事件的主要影響因素，因此本文僅基于降水提取不同因子建立風險預報模型，將來需要對不同路段尤其是沿海縣市的公路路段進行地形地貌、土壤特征、河道排泄能力、植被等特征的詳盡、動態(tài)普查，不斷改進風險預報模型。