城市积水内涝的形成是 “降雨 - 管网 - 地形” 多因素共同作用的结果，传统监测多聚焦于 “已形成的积水”（如通过水位传感器监测路面积水深度），属于 “事后响应”，难以满足极端天气下的提前避险需求。而现代城市积水内涝监测的核心目标，是通过融合实时降雨量、管网排水能力、地形坡度等多维度数据，构建科学的内涝预测模型，实现从 “积水监测” 到 “降雨 - 积水” 提前预判的转型 —— 即在降雨发生前或降雨初期，就能预判哪些区域会积水、积水深度多少、持续多久，为应急调度、人员疏散争取宝贵时间，最大限度降低内涝危害。

一、数据基石：多维度数据的采集与标准化整合

构建精准的内涝预测模型，首要前提是获取 “全要素、高质量、实时化” 的多维度数据，并通过标准化处理消除数据壁垒，为模型运算提供统一的数据基础。这些数据可分为 “致涝驱动数据”（降雨）、“排水能力数据”（管网）、“地形影响数据”（坡度、高程）三大核心类别。

（一）致涝驱动数据：高精度、高时空分辨率的降雨数据采集

降雨是内涝形成的直接驱动力，其降雨量、降雨强度、降雨时长、降雨分布直接决定内涝风险大小，需通过 “固定监测 + 移动补充” 的方式实现高精度采集：

固定雨量监测站：在城市全域按 “1-3 平方公里 / 个” 的密度布设自动雨量站，重点在易涝区域（如低洼路段、立交桥下）加密布设（0.5 平方公里 / 个）。雨量站需实时采集分钟级降雨数据（如每 5 分钟 1 次降雨量、降雨强度），并通过 GPRS/4G 网络上传至平台，数据精度需达到 ±0.1mm，确保捕捉 “短时强降雨”（如 1 小时降雨量超 50mm）这类高致涝风险降雨事件；

移动降雨监测：利用气象雷达、气象卫星数据补充固定站点的覆盖盲区，例如气象雷达可实现 “1 公里 ×1 公里” 的降雨强度网格化监测，捕捉降雨的空间分布差异（如城市东部降雨量 50mm，西部仅 20mm）；同时，在应急车辆、无人机上搭载便携式雨量仪，在降雨过程中对重点区域进行动态补充监测，修正固定站点数据的偏差；

降雨预报数据接入：对接气象部门的短期降雨预报数据（如未来 1-6 小时降雨预报），获取预报降雨量、降雨时段、降雨中心等信息，为 “提前预判” 提供未来降雨情景输入 —— 例如气象预报未来 3 小时某区域将出现 30mm/h 的强降雨，模型可基于此预判该区域的积水风险。

例如，某城市在主城区布设了 86 个固定雨量站，在 23 处易涝点加密布设 35 个站点，同时接入气象雷达的 1 公里网格降雨数据，实现了 “点 - 面结合” 的降雨数据采集，降雨数据的时空分辨率达到 “5 分钟 / 0.5 公里”，可精准反映降雨的动态变化。

（二）排水能力数据：管网运行状态与设计参数的实时整合

管网是城市排水的核心设施，其排水能力（设计标准、实际运行状态）直接决定降雨能否及时排出，需采集 “静态设计参数” 与 “动态运行数据” 两类信息：

静态设计参数：通过 GIS 管网数据库获取管网的设计标准，包括管径大小（如 DN500、DN1000）、管材类型（混凝土管、塑料管）、设计重现期（如 1 年一遇、5 年一遇）、管底高程、管网走向、泵站抽排能力（如某泵站设计抽排流量 5000m³/h）等基础信息。这些参数决定了管网的 “理论排水能力”，例如 DN1000 的混凝土管，设计重现期 5 年一遇时，理论排水能力约 1.2m³/s；

动态运行数据：通过管网内布设的流量计、液位计实时采集管网的实际运行状态，包括实时流量（如某路段管网实时过流流量 0.8m³/s）、管内水位（如水位距管顶仅 500px，接近满管）、泵站实时抽排流量（如泵站当前抽排流量 3000m³/h，未达设计值）等。这些数据反映了管网的 “实际排水能力”—— 若理论排水能力 1.2m³/s，而实际运行流量仅 0.8m³/s，可能是管网淤积、堵塞导致排水能力下降，需在模型中修正。

例如，某城市通过智慧水务平台整合了全市 1200 公里排水管网的 GIS 数据，包括管径、设计重现期等静态参数，同时通过 156 台流量计、218 台液位计采集实时运行数据，实现了 “静态参数 + 动态状态” 的管网排水能力数据全覆盖。

（三）地形影响数据：高精度地形高程与坡度数据的数字化建模

地形是影响雨水汇流与积水分布的关键因素，低洼区域、平缓地形易积水，陡坡区域则汇流速度快、积水风险低，需通过高精度测绘构建数字化地形模型：

数字高程模型（DEM）：采用无人机航拍、三维激光扫描等技术，获取城市全域的高精度 DEM 数据，高程精度需达到 ±0.1m，重点区域（如易涝点）需达到 ±0.05m。DEM 数据可清晰反映地形的高程差异，例如某路段最低点高程 25.3m，周边区域高程 26.0m，该路段易形成积水；

地形坡度数据：基于 DEM 数据计算地形坡度，按 “＜3°（平缓）、3°-10°（缓坡）、＞10°（陡坡）” 划分坡度等级。平缓区域（＜3°）雨水汇流速度慢，易积水；陡坡区域（＞10°）汇流速度快，雨水快速排入管网或河道，积水风险低；

地表覆盖类型数据：采集城市地表的覆盖类型（如硬化路面、绿地、水体），不同覆盖类型的雨水渗透能力差异显著 —— 硬化路面（如沥青、水泥）渗透系数低（＜10⁻⁶m/s），雨水几乎全部形成地表径流；绿地渗透系数高（10⁻⁴-10⁻³m/s），部分雨水可渗透入地下，减少地表径流。模型需根据地表覆盖类型修正径流系数（如硬化路面径流系数 0.9，绿地 0.3）。

例如，某城市通过无人机航拍构建了全域 1:500 的 DEM 模型，高程精度 ±0.08m，同时通过卫星遥感数据获取了地表覆盖类型，将城市划分为硬化路面（占比 45%）、绿地（30%）、水体（5%）、其他（20%）四类，为模型计算地表径流提供了精准的地形参数。

（四）数据标准化整合：构建统一的数据中台

不同来源的数据（雨量站、管网传感器、DEM 模型）格式、单位、采集频率差异较大，需通过数据中台进行标准化处理：

格式统一：将降雨数据（CSV 格式）、管网数据（GIS 矢量格式）、地形数据（栅格格式）转换为模型可识别的统一格式（如 JSON 格式），确保数据能被模型直接调用；

单位统一：例如降雨量单位统一为 “mm”，流量单位统一为 “m³/s”，高程单位统一为 “m”，避免因单位混乱导致模型计算错误；

时间对齐：将不同采集频率的数据（如雨量数据每 5 分钟 1 次、管网流量每 10 分钟 1 次）统一插值为 “5 分钟 / 次” 的时间序列数据，确保模型在同一时间维度上进行运算；

数据清洗：剔除异常数据（如雨量站故障导致的 “0 值降雨” 或 “异常大值降雨”），通过相邻站点数据插值补全缺失数据，确保数据的完整性与准确性。

例如，某城市数据中台通过上述标准化处理，将 86 个雨量站、156 台流量计、DEM 模型等多源数据整合为统一的 “内涝预测数据库”，模型可实时调用该数据库的最新数据进行运算。

二、模型核心：“降雨 - 径流 - 积水” 的多过程耦合预测逻辑

内涝预测模型的核心是模拟 “降雨如何形成地表径流，径流如何通过管网 / 地表汇流，最终在低洼区域形成积水” 的全过程，通过耦合 “降雨径流模型”“管网水力模型”“地表积水模型” 三大子模型，实现从 “降雨输入” 到 “积水输出” 的精准预判。

（一）第一步：降雨径流模型 —— 计算地表产流量与汇流速度

降雨落到地面后，一部分下渗到地下，一部分形成地表径流（即 “产流”），径流沿地形向低洼区域汇集（即 “汇流”）。降雨径流模型的作用是计算每个区域的产流量与汇流速度，为后续积水计算提供 “径流输入”：

产流计算：采用 “下渗曲线法” 或 “径流系数法” 计算产流量。例如，某区域降雨量 50mm，绿地面积占 30%（径流系数 0.3）、硬化路面占 70%（径流系数 0.9），则区域平均径流系数 = 0.3×30% + 0.9×70% = 0.72，产流量 = 50mm×0.72=36mm，即该区域每平方米产生 0.036m³ 的地表径流；

汇流计算：基于 DEM 模型与坡度数据，计算地表径流的汇流路径与汇流速度 —— 坡度越陡，汇流速度越快（如坡度 10° 时，汇流速度约 0.5m/s；坡度 3° 时，约 0.2m/s）。模型通过 “单元格汇流” 的方式，将城市划分为 10 米 ×10 米的网格单元，计算每个单元的径流流向相邻低洼单元，最终确定哪些单元会成为 “汇流中心”（即易积水区域）。

例如，某城市通过降雨径流模型计算得出：在 30mm/h 的降雨强度下，东部低洼区域（坡度 2°）的产流量为 42mm，汇流速度 0.18m/s，该区域将成为汇流中心，大量径流会在此汇集。

（二）第二步：管网水力模型 —— 模拟管网的排水过程与负荷状态

地表径流一部分会流入市政排水管网，管网水力模型的作用是模拟管网的水流运动过程，计算管网的实际排水能力能否承接地表径流，若无法承接，多余径流会溢出至地面形成积水：

管网水力计算：基于管网的静态设计参数（管径、管长、管底高程）与动态运行数据（实时流量、水位），采用 “圣维南方程组” 模拟管网内的水流状态，包括管内流速、水位、过流能力等。例如，某路段 DN800 管网的设计过流能力为 0.8m³/s，当前地表径流汇入量为 1.0m³/s，模型计算得出管网水位会快速上升至管顶，多余的 0.2m³/s 径流将溢出至地面；

泵站调度模拟：将泵站的实时抽排能力、调度规则（如水位达管顶 80% 时启动备用泵）纳入模型，模拟泵站对管网排水的提升作用。例如，某泵站设计抽排流量 5000m³/h，当前抽排 3000m³/h，当模型预测管网水位将超限时，会模拟启动备用泵（抽排提升至 5000m³/h），计算此时管网的排水能力能否满足需求。

例如，某城市管网水力模型模拟得出：在未来 2 小时 40mm 的降雨情景下，西部片区 DN1000 管网的过流能力为 1.2m³/s，而地表径流汇入量为 1.5m³/s，即使启动泵站备用泵（抽排能力提升 20%），仍有 0.1m³/s 的径流会溢出，该片区地面将出现积水。

（三）第三步：地表积水模型 —— 预判积水深度、范围与持续时间

当地表汇流产生的径流超过管网排水能力时，多余径流会在地面低洼区域形成积水，地表积水模型的作用是基于前两步的计算结果，精准预判积水的关键参数：

积水深度计算：通过 “水量平衡法” 计算积水深度 —— 积水深度 =（地表产流量 - 管网排水量）/ 积水区域面积。例如，某区域地表产流量 500m³/h，管网排水量 350m³/h，积水区域面积 10000㎡，则每小时积水深度增加 =（500-350）/10000=0.015m（37.5px），若降雨持续 2 小时，累计积水深度约 75px；若降雨强度增大，积水深度会相应增加；

积水范围确定：基于 DEM 模型的高程数据，确定积水的空间分布 —— 高程低于 “周边地形 + 积水深度” 的区域均会被淹没。例如，某区域最低点高程 25.0m，周边地形高程 25.5m，模型预测积水深度 0.3m，则高程≤25.3m 的区域会形成积水，通过 GIS 地图可直观展示积水范围；

积水持续时间预测：结合降雨停止时间、管网持续排水能力，计算积水消退时间 —— 积水持续时间 = 积水总量 /（管网排水量 + 地表下渗量）。例如，某区域积水总量 1200m³，降雨停止后管网排水量 300m³/h，地表下渗量 50m³/h，则积水持续时间 = 1200/（300+50）≈3.4 小时。

例如，某城市内涝预测模型在接收到 “未来 3 小时某区域将出现 50mm 降雨” 的预报数据后，通过三大子模型耦合计算得出：该区域低洼路段将出现最大积水深度 375px，积水范围约 2000㎡，积水持续时间约 4 小时，模型将这些预判结果实时推送至应急指挥中心。

三、模型优化与落地：从 “理论预判” 到 “实战应用”

构建内涝预测模型后，需通过 “历史数据校验 - 实时动态修正 - 多场景应用” 持续优化模型精度，确保预判结果能有效支撑实际的内涝防控工作，避免 “模型不准、落地无效”。

（一）历史数据校验：提升模型的准确性

利用历史内涝事件数据（如 2023 年台风导致的内涝）对模型进行校验，对比模型预判结果与实际内涝情况的差异，调整模型参数（如径流系数、管网过流能力修正系数），提升精度：

数据对比：例如 2023 年 8 月某台风期间，气象记录某区域降雨量 120mm，实际内涝数据显示该区域低洼路段积水深度 500px，积水持续 5 小时；将该降雨数据输入模型，若模型初始预判积水深度 375px、持续 4 小时，与实际存在差异，则需调整该区域的径流系数（如从 0.75 调整为 0.85）、管网过流能力修正系数（如从 0.9 调整为 0.8），重新运算直至预判结果与实际差异≤10%；

批量校验：选取过去 3-5 年的 10-20 次典型内涝事件，对模型进行批量校验，确保模型在不同降雨强度、不同区域的预判精度均能满足要求（如积水深度误差≤50px，积水范围误差≤10%）。

例如，某城市通过 23 次历史内涝事件对模型进行校验，调整了 12 个区域的径流系数、8 个泵站的抽排能力参数，模型的积水深度预判误差从初始的 15% 降至 8%，积水范围误差从 18% 降至 9%，精度显著提升。

（二）实时动态修正：应对降雨与管网的不确定性

实际降雨过程中，降雨强度、降雨分布可能与预报存在偏差，管网也可能出现突发故障（如堵塞、泵站停机），需通过实时数据对模型进行动态修正，确保预判结果的时效性与准确性：

降雨偏差修正：若实际降雨量比预报多 20%（如预报 50mm，实际 60mm），模型需实时接入最新降雨数据，重新计算产流量、汇流过程，修正积水预判结果 —— 例如原预判积水深度 250px，修正后升至 300px；

管网故障修正：若管网流量计监测到某路段流量突然下降 50%（判定为堵塞），模型需立即降低该路段的管网排水能力参数（如从 0.8m³/s 修正为 0.4m³/s），重新计算该区域的积水风险，若预判积水深度超 500px（警戒值），则立即触发更高等级的预警。

例如，某城市在一次降雨过程中，气象预报某区域降雨量 40mm，模型初始预判积水深度 200px；但降雨 1 小时后，实际降雨量已达 35mm（远超预报同期的 20mm），同时某泵站因故障抽排能力下降 50%，模型实时修正后预判积水深度升至 450px，达到警戒值，立即触发 “橙色预警”。

（三）多场景落地应用：支撑内涝防控的全流程决策

内涝预测模型的最终价值在于落地应用，需将预判结果转化为 “预警发布、应急调度、人员疏散” 的具体行动指令，覆盖内涝防控的全流程：

分级预警发布：根据模型预判的积水深度、影响范围与持续时间，建立 “蓝、黄、橙、红” 四级预警体系，并通过多渠道向公众与部门推送：

蓝色预警：预判积水深度＜125px，影响范围局限于人行道，无人员车辆通行风险，通过城市 APP、社区通知栏发布 “关注提醒”，建议市民留意降雨变化；

黄色预警：预判积水深度 5-375px，影响非机动车道与部分人行道，通过短信、交通广播发布 “警示提醒”，建议非机动车绕行，低洼区域居民提前收纳室外物品；

橙色预警：预判积水深度 15-750px，影响机动车道（小型轿车可能熄火），覆盖 1 个以上社区或 1 条主干道，通过应急广播、电视滚动字幕发布 “紧急预警”，启动低洼区域人员转移预案，封闭积水路段；

红色预警：预判积水深度＞750px，影响多条主干道、地下车库与地铁出入口，存在人员被困风险，通过全市应急预警系统、无人机广播发布 “最高级别预警”，启动全域应急响应，开放临时避难所，调度救援力量待命。

例如，某城市内涝预测模型预判东部片区将出现 625px 积水（橙色预警），系统自动向该片区 2.3 万市民发送预警短信，同时推送至交警、应急、社区等 12 个部门，30 分钟内完成积水路段封闭与社区转移通知。

应急调度支撑：模型预判结果可直接指导 “排水设施调度、应急资源调配”，提升防控效率：

排水设施联动：根据预判的积水区域，提前调度周边泵站满负荷运行（如将泵站抽排能力从 50% 提升至 100%），开启雨水调蓄池备用容积，甚至预腾空河道行洪库容，为降雨径流 “腾空间”。例如，某城市模型预判西部片区 3 小时后将出现大量径流，提前 2 小时指令该片区 4 座泵站启动备用泵，调蓄池预腾空 80% 容积，降雨后该片区实际积水深度比预判值降低 30%；

应急资源前置：根据预判的积水严重程度与位置，提前调配应急抽排设备、救援车辆、防汛物资至关键点位。例如，对预判为红色预警的区域，提前部署 20 台移动抽水泵、5 辆冲锋舟、300 个防汛沙袋至社区门口与道路交叉口，降雨后可立即开展抽排与救援，避免资源 “远水救近火”。

人员疏散指引：结合模型预判的积水范围与交通阻断情况，生成 “动态疏散路线图”，为市民与重点场所提供精准指引：

公众出行指引：通过导航 APP 实时更新积水路段信息，自动规划绕行路线（如避开预判积水的 “和平路”，推荐 “建设路” 替代路线），并标注避难点（如沿途的商场、社区服务中心）；

重点场所疏散：针对学校、医院、养老院等重点场所，根据预判的积水到达时间与影响范围，制定 “分批次疏散计划”。例如，某小学位于低洼区域，模型预判降雨后 1 小时将出现 375px 积水，学校根据指引提前 1.5 小时放学，安排校车绕行安全路线，确保 300 余名学生全部安全到家。

效果评估与模型迭代：每次内涝事件结束后，需对比模型预判结果与实际内涝数据（如积水深度、持续时间、影响范围），评估模型应用效果，并基于评估结果优化模型参数与应用流程：

应用效果评估：从 “预警及时性”（如预警发布与实际积水的时间差）、“调度有效性”（如泵站调度后积水深度的降低比例）、“疏散安全性”（如疏散区域是否出现人员被困）三个维度打分，若某次橙色预警的预警及时性得分 85 分（提前 40 分钟发布）、调度有效性得分 78 分（积水深度降低 25%）、疏散安全性得分 100 分（无人员被困），则整体应用效果良好；

流程优化迭代：若发现预警信息推送至社区的时间延迟超 15 分钟，需优化部门间数据传输链路；若应急资源前置后仍出现设备不足，需调整资源储备标准（如将红色预警区域的抽水泵部署数量从 20 台增至 30 台），通过持续迭代让模型应用更贴合实战需求。

四、案例实践：某省会城市内涝预测模型的应用成效

某南方省会城市年均降雨量 1200mm，夏季短时强降雨频发，内涝问题突出。2022 年，该市引入多维度数据融合的内涝预测模型，经过 1 年的优化与落地，取得显著成效：

数据采集体系：布设 120 个固定雨量站（含 45 个易涝点加密站），接入气象雷达 1 公里网格降雨数据；整合全市 1800 公里排水管网的 GIS 数据，通过 230 台流量计、310 台液位计采集管网实时数据；构建全域 1:500 高精度 DEM 模型，划分 10 米 ×10 米网格单元，实现多维度数据全覆盖；

模型精度提升：通过 32 次历史内涝事件校验，模型积水深度预判误差从 18% 降至 7%，积水范围误差从 20% 降至 8%，提前预判时间从 1 小时延长至 3 小时；

实战应用效果：2023 年台风期间，模型提前 3 小时预判主城区 5 处区域将出现橙色预警（积水 15-625px），通过分级预警、泵站预调度、人员疏散等措施，该区域实际积水深度平均降低 35%，无人员被困事件，交通恢复时间比往年缩短 40%，直接减少经济损失约 2000 万元。

五、总结与展望

城市积水内涝监测通过融合实时降雨量、管网排水能力、地形坡度等多维度数据，构建 “降雨 - 径流 - 积水” 耦合的预测模型，实现了从 “事后监测” 到 “提前预判” 的转型，为内涝防控提供了科学、精准的决策支撑。这一过程中，多维度数据的标准化整合是基础，三大子模型的耦合运算是核心，实战场景的落地应用是关键，三者共同构成了内涝预判的完整体系。

未来，随着技术的进一步发展，内涝预测模型还将向 “更智能、更协同、更前瞻” 方向升级：一是引入 AI 大模型，通过学习海量降雨、管网、地形数据，自主优化模型参数，提升复杂场景（如多区域同时降雨、管网多故障并发）的预判精度；二是实现跨城市协同预判，对于流域性降雨（如长江流域、珠江流域），建立城市群级内涝预测模型，联动上下游城市调度排水设施，避免 “上游排、下游涝” 的问题；三是结合气候变化数据（如未来 50 年降雨模式预测），构建 “长期适应性预判模型”，为城市规划（如管网升级、海绵城市建设）提供前瞻性依据，从源头提升城市抵御内涝的能力。最终，内涝预测模型将成为 “智慧城市” 建设的重要组成部分，助力城市实现 “小雨不积水、大雨不内涝、暴雨保安全” 的内涝防控目标。