基于社交媒体数据验证的城市雨洪模拟

Simulation of Urban Rainstorm and Waterlogging Disaster Validated by Observed Information from Social Media

摘要

针对暴雨导致的城市内涝问题，首先基于地理信息系统（Geographic Information System，GIS）的空间数据提取能力，对组成排水系统的排水管网、道路和河道水系等进行合理概化，并利用雨水管理模型（Storm Water Management Model，SWMM）对概化后的城市排水系统进行雨洪过程模拟；其次将从爬虫软件获取的社交媒体数据与模型模拟结果对比，以验证城市雨洪模型的模拟效果；最后利用该城市雨洪模型分别模拟了四个不同重现期的设计暴雨情形下内涝点的空间分布。结果表明：社交媒体数据可以为城市雨洪模型的模拟效果提供新的验证方法。随着降雨重现期的增加，内涝点数量和积水量逐渐增加。四个重现期的暴雨内涝点空间分布表明深圳市龙岗区坂田街道的内涝点主要分布在西北部和南部，并随降雨重现期的增加逐渐呈现均匀分布。

Abstract

Urban waterlogging induced by heavy rainstorms poses significant challenges for hydrologists and policymakers. Here, we generalize the urban drainage system and simulate rainstorms and waterlogging disasters based on the spatial data extraction capability of the Geographic Information System (GIS) and the Storm Water Management Model (SWMM). The simulation results are validated by comparing them with waterlogging observations extracted from social media platforms (e.g., Weibo) using web scraping techniques. Under different return periods, spatial patterns of urban waterlogging sites induced by rainstorms are simulated, indicating that waterlogging sites are mainly located in the north-west and south of Bantian Street. Spatial analysis of the four return periods shows that waterlogging in Bantian Street, Longgang District, Shenzhen, is primarily concentrated in the northwest and southern areas, and this distribution becomes more uniform as the return period increases. The GIS-SWMM model is thus a powerful tool for the prediction of urban rainstorms and waterlogging disasters and the evaluation of their spatial patterns.

Graphical abstract

关键词

雨水管理模型 / 城市内涝 / 社交媒体数据

Key words

SWMM(Storm Water Management Model) / urban waterlogging / social media

0　 引 言

近几十年来，中国快速的城市化发展导致城市地区土地利用的剧烈变化，进而对城市水文系统产生了重大影响，并引发一系列城市水文问题。其中，城市内涝是城市化发展中最重要的问题之一。在被调查的351个国内城市中，62%的城市在2008年至2010年遭受了不同程度的城市内涝灾害^[1]。2012年7月21日发生在北京的特大暴雨导致10 660间房屋倒塌，经济损失达18.3亿美元^[2]。由于城市化的加速和全球气候变化的持续，预计未来城市内涝将更频繁地发生。因此，对城市雨洪过程进行模拟和预测以降低城市内涝风险是城市水管理的一个重要课题。

许多研究利用水文和水动力模型对城市内涝进行模拟和预测。目前应用于城市内涝的模型主要有MIKE FIOOD模型、STORM模型和SWMM（Storm Water Management Model）等^[3，4]。MIKE FLOOD模型可以监测水深和水流的变化情况并预测内涝发生的地区^[5~7]；STORM模型主要用于单场降水的水质、水量模拟，但该模型需要大量的数据资料；SWMM能较好地模拟各种降雨条件下的下渗、蒸发、地表径流及排水管网一维水文水动力等过程，可用于模拟单次或连续降雨事件的降雨径流过程并计算排水管网的流量、雨水井节点深度等。在众多模型中，SWMM具有操作简单、源代码开放、计算效率高、模拟效果好、数据资料少等优点，因此得到广泛应用^[8~10]。

借助GIS构建的SWMM虽已得到广泛应用，但针对该模型准确性的验证方法尚不够成熟。此外，虽然已有较多学者利用网络爬虫获取社交媒体数据，并对其进行分析，用于研究内涝灾害的时空分布^[11~14]，但是现有的社交媒体数据分析主要集中在对数据本身的处理分析，未与物理模型结合来相互验证结论。本文通过利用网络爬虫获取微博中的内涝数据验证SWMM的模拟效果。

近年来，深圳市城市化进程迅猛，下垫面发生很大变化，不透水面积增加，增加了地表径流，加剧了洪水频率，城市内涝问题愈发严重^[15]。由夏季持续短时强降水引起的洪涝灾害是深圳市的主要自然灾害之一。例如，2013年8月30日和2014年5月11日的特大暴雨导致深圳市大面积受涝，交通中断，经济损失惨重。故本文以深圳市为例，基于GIS的空间数据提取能力，利用SWMM对城市雨洪过程进行模拟，构建深圳市龙岗区坂田街道的城市雨洪模型，用以预测内涝点位置，为城市雨洪管理和内涝灾害预警提供技术支撑。

1　 研究区和研究数据

深圳市龙岗区位于广东省深圳市东北部，属亚热带海洋性季风气候，年平均降雨量1 933 mm，年平均降雨140 d，降雨主要集中在4―9月，对流降雨（3―6月）和台风暴雨(7―10月)是该地区的两个主要降雨类型。深圳市龙岗区下辖平湖街道、坪地街道、葵涌街道、大鹏街道、南澳街道、南湾街道、坂田街道等14个街道。因龙岗区管网数据是分多个街道片区调查完成的，且管网数据量庞大，而坂田街道的数据比较全面，故本研究选择龙岗区西部的坂田街道作为研究区（如图1），其面积28.68 km²。研究区东南地势高，中部和西北部低平，年降水量充足，暴雨频发，加之近年来快速的城市化使得街道内排水面临严峻挑战。因此，利用雨洪模型对坂田街道的雨洪过程进行分析与研究以获取方法解决其排涝难题尤为重要。

本文所需的数据资料包括下垫面数据、管网数据和降雨观测数据，具体如下：

下垫面数据包括高程数据和土地利用类型数据。高程数据采用全球数字高程模型（Global Digital Elevation Model， GDEM）第2版的DEM栅格数据，空间分辨率为30 m。由于高分辨率的土地利用数据不易获取，所以利用ArcGIS软件中的影像分类工具对2021-04-03高分二号的3.2 m高分辨率卫星影像进行目视解译，将其分为水体、绿地、裸地和不透水区等土地类型，由此得到研究区的土地利用数据。管网数据（GIS数据库数据和CAD图）由排水管道、雨水井节点和排水口组成，来源于深圳市水务规划设计院。降雨观测数据采用深圳市水务规划设计院提供的逐小时降雨观测数据，用于SWMM的验证。

2　 研究方法

2.1　研究区管网概化和子汇水区划分

构建龙岗区坂田街道的城市雨洪模型，首先要对研究区内的管网数据进行合理概化。对于排水管道数据，GIS数据库包含雨水管、污水管、雨污合流管等类型的管道数据，因此首先需要从管网数据中挑选出其中的雨水管和对应的节点及排水口。因该管道存在交叉、逆坡、漏接、错接等问题，所以还需要对照管网CAD图中的管道分布和方向，对交叉、漏接和错接的管道逐个进行调整，删除不必要的短小管道，对逆坡的管道适当调整两侧节点高程。最后对管道数据进行几何拓扑校验和逻辑拓扑校验，校验规则如下：每段管道两端分别为上游节点和下游节点；管道方向为上游节点到下游节点；上游节点的底部高程必须高于下游节点；区域内某一节点或管道中的水最终只能流入一个排口排出而不能由多个排口排出。经概化后的坂田街道管网有排水管道3 538条，雨水井节点3 540个，排水口122个，其中每个子汇水区的降雨径流都会通过排水管道汇流到排水口，如图2（a）和图2（b）所示。

因为研究区内节点及管网众多，若只根据研究区内的高程和地表水流域进行子汇水区划分可能会出现精确性不高的问题，因此利用ArcGIS中的泰森多边形工具，基于雨水井建立泰森多边形，划分子汇水区。研究区内雨水井过于密集，对同一管道上的雨水井节点进行均匀筛选，并在此基础上建立泰森多边形。最终得到1 490个子汇水区，如图2（a）所示。

2.2　SWMM参数率定与模拟验证

2.2.1　SWMM的参数率定

将排水管网和划分好的子汇水区导入SWMM之前还需要设置SWMM的参数。模型参数分为物理参数和经验参数两大类，物理参数中管道的管径、管长、起终点编号及节点高程等可直接从CAD管网数据中提取，坡度、不透水率、特征宽度等由ArcGIS进行计算；不透水区曼宁系数（N.Imperv）、透水区曼宁系数（N.Perv）、不透水区洼蓄深度（Dstroe.Imperv）、透水区洼蓄深度（Dstroe.Perv）等经验参数则需要率定。

由于缺乏实测降雨和管网检测资料，无法直接对上述经验参数进行率定，因此参考周耀鑫等^[16]的研究，利用综合径流系数法间接率定模型参数。以研究区的综合径流系数为目标函数，根据SWMM用户手册确定经验参数的范围。将研究区分为不透水面、水体以及其他，其中不透水面系数为0.9、水体系数为1、其他系数为0.2，通过对各类用地面积进行加权平均，得出研究区域综合径流系数为0.642。然后通过SWMM软件（5.2版本）运行SWMM，多次调整经验参数，使得模型模拟结果的径流系数不断逼近0.642，最终得到不同参数率定值如表1所示。

2.2.2　SWMM准确性的模拟验证

本文从新浪微博中获取2020—2022年历史降雨事件的内涝点位置来验证SWMM的准确性。首先，利用爬虫软件从新浪微博中获取坂田街道的内涝信息，具体操作参考伍智超等^[17~19]方法。本文使用的关键词为“内涝”“积水”“降雨”“水淹”“水浸”，由于微博只显示50 页，需要对搜索时间进行分段处理以便获取更为完整全面的数据。如在获取2022年“内涝”关键词对应的数据时，按微博条数分98个时间段进行数据读入。分别对2020—2022年的内涝事件进行爬取，每年爬取的微博新闻数量如表2所示。

对爬取的微博数据进行清洗。调用高德地图API批量逆地理编码，将已知雨水井与排水口地理坐标转为详细地址，将微博数据表与地点表借助R语言进行模糊匹配，从而把微博数据表中研究区内的内涝点提取出来，提取结果如表2所示。

按照降雨等级分类标准中的暴雨标准：12 h内总降水量超过30 mm或24 h内总降水量超过50 mm的降水为暴雨，从雨量站记录的历史降雨事件中提取暴雨事件的时间序列。将提取出的历史暴雨事件导入SWMM，运行模型得到模拟的内涝点分布情况。在ArcGIS中对比模型与微博内涝点的空间分布情况以验证SWMM的模拟效果。

2.3　设计暴雨

将不同重现期设计暴雨的时间序列输入模型，一方面可以通过结果分析验证模型的可靠性，另一方面还能预测研究区在不同降雨情景下的排水状况。

深圳市气象局根据深圳国家基本气象站1961—2014年共54年的降水记录，生成了深圳市暴雨强度公式及计算图表，公式如下：

i=\frac{\mathrm{1}\mathrm{450.239}(\mathrm{1}+\mathrm{0.594}\mathrm{l}\mathrm{g}P)}{\mathrm{167}{\left(t+\mathrm{11.13}\right)}^{\mathrm{0.555}}}(1)

式中，i为设计暴雨强度，单位为mm/min；t为降雨历时，单位为min；P为重现期，单位为年。

基于公式(1)采用芝加哥雨型生成器，选取降雨历时180 min，设置雨峰系数r=0.40生成设计暴雨的强度过程线。其中，雨峰系数r是根据每场降雨不同历时雨峰时刻与整个历时的比值确定的。r一般取值范围为0.3~0.5，本文选取r=0.40，表示暴雨强度峰值出现在降雨开始后72 min。

3　 研究结果

3.1　城市雨洪模拟效果验证

从雨量站记录的历史降雨事件中提取了2021—2022年四场典型暴雨事件的时间序列，如图3（a）至图3（d）所示。图3（a）和图3（d）所示的暴雨事件为单峰型暴雨，峰值降雨强度分别为49.4 mm/h与14.2 mm/h；图3（b）和图3（c）所示的暴雨事件为多峰型降雨，最大峰值降雨强度分别为19.3 mm/h与21.6 mm/h。

将上述暴雨事件的时间序列导入SWMM，并运行模型得到2020—2021年四场暴雨事件中易发生内涝的点共计363个，并在ArcGIS中绘制模拟内涝点的空间分布图，如图3（e）所示。基于新浪微博数据通过爬虫技术得到坂田街道2020—2022年的微博内涝点空间分布，如图3（e）所示。图3（e）表明微博中爬取的微博内涝点主要分布在坂田街道的西北部和南部。在ArcGIS中将微博内涝点与SWMM输出的内涝点的位置进行对比，在清洗出的131个微博内涝点中，有52个内涝点的位置与历史暴雨事件下模型的模拟内涝点完全重合，且经测量未完全重合的微博内涝点到模拟内涝点的距离几乎都小于300 m（图3（e）），说明可以利用社交媒体数据对SWMM模拟效果进行一定程度的验证。

3.2　不同暴雨重现期下的内涝点模拟

基于深圳的暴雨强度公式（式1），利用芝加哥雨型生成器分别生成重现期为5年、10年、20年、50年的暴雨强度过程线，如图4所示。这四场短历时设计暴雨均为单峰型降雨，峰值强度分别为193.6、218.1、242.5、274.8 mm/h。将这四场设计暴雨导入SWMM预测5年、10年、20年和50年一遇暴雨条件下城市排水状况，并对模拟结果中的易涝点位置、积水深度等进行统计分析，结果如表3所示，表3表明对于设计暴雨，随着降雨重现期的增加，内涝点数量和积水量逐渐增加。其中5年一遇降雨条件下内涝点数量最少，为684个；50年一遇降雨条件下内涝点数量最多，为988个。

分别提取四个重现期条件下暴雨中发生内涝的点，将其导入ArcGIS中得到预测内涝点空间分布图，如图5（a）至图5（d）所示。根据图5（a）统计内涝点的数量发现南部和西北部内涝点共计550个，占全部内涝点85%以上，说明重现期较小的降雨条件下内涝点主要分布在研究区的西北部和南部，这与模型验证结果的内涝点分布一致；根据图5（b）至图5（d）可以看出随降雨重现期的增加，内涝点在研究区内逐渐呈现出均匀分布。与深圳市应急管理局提出的2020年深圳市防汛预案中的内涝区域进行对比，防汛预案中提到的龙岗区坂田街道地面西北部高程较低属于观澜河流域防洪分区，其城区位于谷地平原易受洪水威胁，两者较为一致，且与唐清竹等^[20]展示的不同重现期下深圳河流域内涝风险的空间分布特征上具有较高的一致性，说明该预测结果可信。

4　 结 论

本文以深圳龙岗区坂田街道为研究区域，利用ArcGIS对组成排水系统的排水管网、道路和河道水系进行合理概化和子汇水区划分，构建SWMM，并利用网络爬虫获取微博中的内涝地点信息对SWMM模拟效果进行验证，最后利用该模型对不同重现期降雨情景下的内涝情况进行模拟，研究结论如下：

1） 基于ArcGIS的空间分析模块构建了深圳市龙岗区坂田街道的SWMM，利用微博中的内涝点信息对SWMM进行验证，在清洗出的131个微博内涝点中，有52个内涝点的位置与历史暴雨事件下模型的模拟结果吻合，说明可以利用社交媒体数据对SWMM模拟效果进行一定程度上的验证；

2） 对坂田街道进行暴雨内涝点预测，结果表明对于设计暴雨，随着降雨重现期的增加，内涝点数量和积水量逐渐增加。其中5年一遇降雨条件下内涝点数量最少为684个，50年一遇降雨条件下内涝点数量最多为988个，研究区内涝点数量较多表明在设计暴雨情形下当前管网的排水能力尚有不足；

3） 坂田街道5年、10年、20年和50年一遇的内涝点空间分布，表明坂田街道的内涝点均主要分布在西北部和南部，但随降雨重现期的增加，内涝点在研究区内逐渐呈现出均匀分布，可为城市内涝灾害预警提供依据。

借助GIS构建SWMM虽已得到广泛应用^[21，22]，但针对该方法准确性的验证皆基于丰富的实测资料进行，本文提出了一种基于社交媒体的SWMM验证方法。本文方法无需获取实测资料即可进行模型验证，为无实测资料地区的模型检验提供了一定的参考。但本研究还存在以下可以改进的地方：1） 对于所爬取微博数据的清洗过程，仅借助R语言进行模糊匹配来提取地点信息，其准确性较差，如能引入文本语义分割方法，将更有效、更准确地从微博内容中获取地名地址及内涝严重程度信息；2） 由于研究区城市化进程发展迅速，引起下垫面和管网变化较大，故仅爬取2020—2022年的微博条目，大约10万条，而经过清洗后在研究区内的有效条目仅131条，数据量非常有限。尽管如此，随着爬虫技术手段的提升、清洗方法的改进、研究时期的延长，从社交媒体获取的城市内涝点的位置更加准确、数据量也会呈指数型增加，将极大可能改进城市雨洪过程的验证效果。

此外，虽然本文是以深圳市坂田街道为研究区进行雨洪模拟，但是本文所提出的模拟及模型验证方法对于整个深圳市依然适用。先利用ArcGIS对深圳市的排水系统进行合理概化和子汇水区划分，构建SWMM，再利用网络爬虫获取社交媒体中的内涝地点信息对SWMM模拟效果进行验证，最后利用该模型对深圳市不同降雨情景下的内涝情况进行模拟。值得一提的是，研究区为整个深圳市时，利用爬虫从社交媒体中获取的内涝点数据量会非常丰富，城市雨洪过程的验证效果会有进一步的提高。

参考文献

[1] ZHANG Y Y， XIA J， YU J J， et al. Simulation and assessment of urbanization impacts on runoff metrics： Insights from landuse changes［J］. Journal of Hydrology， 2018， 560： 247-258. DOI： 10.1016/j.jhydrol.2018.03.031 .

[2] MENG Z Y， YAO D. Damage survey， radar， and environment analyses on the first-ever documented tornado in Beijing during the heavy rainfall event of 21 July 2012［J］. Weather and Forecasting， 2014， 29（3）： 702-724. DOI： 10.1175/waf-d-13-00052.1 .

[3] KWAK D， KIM H， HAN M. Runoff control potential for design types of low impact development in small developing area using XPSWMM［J］. Procedia Engineering， 2016， 154： 1324-1332. DOI： 10.1016/j.proeng.2016.07.483 .

[4] 康得军， 孙健， 匡帅， 等. 暴雨洪水管理模型（SWMM）研究应用及发展趋势［J］. 净水技术， 2019， 38（3）： 45-50. DOI： 10.15890/j.cnki.jsjs.2019.03.009 .

[5] KANG D J， SUN J， KUANG S， et al. Development trend and application of storm water management model（SWMM）［J］. Water Purification Technology， 2019， 38（3）： 45-50. DOI： 10.15890/j.cnki.jsjs.2019.03.009（Ch ）.

[6] HÉNONIN J， MA H T， YANG Z Y， et al. Citywide multi-grid urban flood modelling： The July 2012 flood in Beijing［J］. Urban Water Journal， 2015， 12（1）： 52-66. DOI： 10.1080/1573062x.2013.851710 .

[7] THORNDAHL S， NIELSEN J E， JENSEN D G. Urban pluvial flood prediction： A case study evaluating radar rainfall nowcasts and numerical weather prediction models as model inputs［J］. Water Science and Technology， 2016， 74（11）： 2599-2610. DOI： 10.2166/wst.2016.474 .

[8] ABDULLAH A F， VOJINOVIC Z， PRICE R K， et al. A methodology for processing raw LiDAR data to support urban flood modelling framework［J］. Journal of Hydroinformatics， 2012， 14（1）： 75-92. DOI： 10.2166/hydro.2011.089 .

[9] ZHANG X Q， WANG K， WANG T. SWMM-based assessment of the improvement of hydrodynamic conditions of urban water system connectivity［J］. Water Resources Management， 2021， 35（13）： 4519-4534. DOI： 10.1007/s11269-021-02964-7 .

[10] 黄国如， 黄维， 张灵敏， 等. 基于GIS和SWMM模型的城市暴雨积水模拟［J］. 水资源与水工程学报， 2015， 26（4）： 1-6. DOI： 10.11705/j.issn.1672-643X.2015.04.01 .

[11] HUANG G R， HUANG W， ZHANG L M， et al. Simulation of rainstorm waterlogging in urban areas based on GIS and SWMM model［J］. Journal of Water Resources and Water Engineering， 2015， 26（4）： 1-6. DOI： 10.11705/j.issn.1672-643X.2015.04.01（Ch ）.

[12] 石赟赟， 万东辉， 陈黎， 等. 基于GIS和SWMM的城市暴雨内涝淹没模拟分析［J］. 水电能源科学， 2014， 32（6）： 57-60.

[13] SHI Y Y， WAN D H， CHEN L， et al. Simulation of rainstorm waterlogging and submergence in urban areas based on GIS and SWMM［J］. Water Resources and Power， 2014， 32（6）： 57-60 （Ch）.

[14] 李雪尘， 熊薪. 基于社交平台大数据的暴雨时空分析［J］. 科技创新导报， 2019， 16（5）： 119-121. DOI： 10.16660/j.cnki.1674-098X.2019.05.119 .

[15] LI X C， XIONG X. Spatio-temporal analysis of rainstorm based on social platform big data［J］. Science and Technology Innovation Herald， 2019， 16（5）： 119-121. DOI： 10.16660/j.cnki.1674-098X.2019.05.119（Ch ）.

[16] 王波， 甄峰， 孙鸿鹄. 基于社交媒体签到数据的城市居民暴雨洪涝响应时空分析［J］. 地理科学， 2020， 40（9）： 1543-1552. DOI： 10.13249/j.cnki.sgs.2020.09.016 .

[17] WANG B， ZHEN F， SUN H H. The spatio-temporal patterns of public responses towards rainstorms and associated floods based on social media check-in data［J］. Scientia Geographica Sinica， 2020， 40（9）： 1543-1552. DOI： 10.13249/j.cnki.sgs.2020.09.016（Ch ）.

[18] 朱晓寒， 李向阳， 刘昭阁. 大数据环境下城市内涝灾害的情景维度模型构建［J］. 武汉大学学报（信息科学版）， 2020， 45（11）： 1818-1828. DOI： 10.13203/j.whugis20190225 .

[19] ZHU X H， LI X Y， LIU Z G. Constructing scenario dimension model of city waterlogging under big data environment［J］. Geomatics and Information Science of Wuhan University， 2020， 45（11）： 1818-1828. DOI： 10.13203/j.whugis20190225（Ch ）.

[20] 张媛， 胡庆武. 社交网络时空大数据聚类挖掘有效选择分析［J］. 测绘地理信息， 2020， 45（2）： 45-50. DOI： 10.14188/j.2095-6045.2018032 .

[21] ZHANG Y， HU Q W. Effective selecting analysis about cluster mining for social media big data analysis［J］. Journal of Geomatics， 2020， 45（2）： 45-50. DOI： 10.14188/j.2095-6045.2018032（Ch ）.

[22] 黄国如， 张灵敏， 雒翠， 等. SWMM模型在深圳市民治河流域的应用［J］. 水电能源科学， 2015， 33（4）： 10-14.

[23] HUANG G R， ZHANG L M， LUO C， et al. Application of SWMM model in Minzhi River Basin of Shenzhen city［J］. Water Resources and Power， 2015， 33（4）： 10-14 （Ch）.

[24] 周耀鑫， 王增武， 卢德全， 等. 基于SWMM模型的南充市顺庆区暴雨径流过程模拟［J］. 科技与创新， 2022（7）： 6-12. DOI： 10.15913/j.cnki.kjycx.2022.07.002 .

[25] ZHOU Y X， WANG Z W， LU D Q， et al. Simulation of storm runoff process in Shunqing District of Nanchong City based on SWMM model［J］. Science and Technology & Innovation， 2022（7）： 6-12. DOI： 10.15913/j.cnki.kjycx.2022.07.002（Ch ）.

[26] 伍智超， 王超， 李秉清， 等. 基于社交媒体数据的武汉内涝时空统计分析［J］. 测绘地理信息， 2022， 47（5）： 89-92. DOI： 10.14188/j.2095-6045.2020329 .

[27] WU Z C， WANG C， LI B Q， et al. Spatiotemporal statistical analysis of waterlogging in Wuhan based on social media data［J］. Journal of Geomatics， 2022， 47（5）： 89-92. DOI： 10.14188/j.2095-6045.2020329（Ch ）.

[28] 陈艺琳， 宫昌昊， 范泳雅， 等. 基于社交媒体数据的郑州内涝时空变化分析［J］. 水文， 2022， 42（3）： 48-52. DOI： 10.19797/j.cnki.1000-0852.20210463 .

[29] CHEN Y L， GONG C H， FAN Y Y， et al. Spatio-temporal variation assessment of urban waterlogging in Zhengzhou using social media data［J］. Journal of China Hydrology， 2022， 42（3）： 48-52. DOI： 10.19797/j.cnki.1000-0852.20210463（Ch ）.

[30] 胡茂川， 张龙海， 刘丙军， 等. 基于微博大数据的广州内涝时空分布特征分析［J］. 西北水电， 2022（5）： 47-51. DOI： 10.3969/j.issn.1006-2610.2022.05.008 .

[31] HU M C， ZHANG L H， LIU B J， et al. Spatio-temporal assessment of urban waterlogging in Guangzhou using microblog data［J］. Northwest Hydropower， 2022（5）： 47-51. DOI： 10.3969/j.issn.1006-2610.2022.05.008（Ch ）.

[32] 唐清竹， 徐宗学， 王京晶， 等. 深圳河流域城市洪涝风险分析［J］. 水力发电学报， 2023， 42（6）： 13-22. DOI： 10.11660/slfdxb.20230602 .

[33] TANG Q Z， XU Z X， WANG J J， et al. Urban flood risk assessment for Shenzhen River Basin［J］. Journal of Hydroelectric Engineering， 2023， 42（6）： 13-22. DOI： 10.11660/slfdxb.20230602（Ch ）.

[34] 宋耘， 李琼芳， 牛铭媛， 等. 基于SWMM模型的南京典型易涝区暴雨内涝模拟［J］. 水利水电科技进展， 2019， 39（6）： 56-61. DOI： 10.3880/j.issn.10067647.2019.06.009 .

[35] SONG Y， LI Q F， NIU M Y， et al. Rainstorm and waterlogging simulation in typical inundated districts of Nanjing based on SWMM［J］. Advances in Science and Technology of Water Resources， 2019， 39（6）： 56-61. DOI： 10.3880/j.issn.10067647.2019.06.009（Ch ）.

[36] 郭军， 杨涛， 陈宝玉， 等. 基于GIS预处理的市政雨水管网系统 SWMM快速构建方法［J］. 给水排水， 2019， 55（11）： 131-134. DOI： 10.13789/j.cnki.wwe1964.2019.11.028 .

[37] GUO J， YANG T， CHEN B Y， et al. Rapid construction of SWMM model for municipal storm sewer system based on GIS preprocessing［J］. Water & Wastewater Engineering， 2019， 55（11）： 131-134. DOI： 10.13789/j.cnki.wwe1964.2019.11.028（Ch ）.

基金资助

国家自然科学基金(U1911205)

国家自然科学基金(41901041)