城市洪涝智慧控制与社会系统响应思考及探讨
摘要：随着城市化进程加快，城市洪涝灾害频繁发生，给经济社会发展和居民生活带来巨大压力和挑战。为有效应对城市洪涝问题，智慧控制技术与社会系统响应协同机制逐步成为研究的核心方向。综述了当前城市洪涝管理中三大关键领域，即城市洪涝数值模拟、城市洪涝调度控制与社会系统响应的研究进展。首先回顾了城市洪涝数值模拟方法的发展历程与关键技术，重点分析了基于水文-水动力耦合模型的模拟手段；其次探讨了城市洪涝调度控制技术的现状与面临的挑战，特别是在多源数据集成与实时决策支持系统中的应用；最后分析了社会系统在应对城市洪涝灾害中的响应机制，突出社会参与、应急管理与公众意识在灾后恢复中的关键作用。旨在通过多角度讨论，推动城市洪涝灾害智慧防控体系理论研究与实践发展。城市洪涝的模拟、控制与社会响应需要多学科的协同合作，并依赖于先进的技术手段和有效的政策措施，促进城市的可持续发展并提升其韧性。
关键词：城市洪涝；数值模拟；水文-水动力；强化学习；智慧控制；社会系统；多智能体
01、研究背景
在人类活动和气候变化双重作用下，城市水循环系统及其组成要素遭受了剧烈扰动，极端水文事件发生频率增多、强度增强。城市化进程的加快使得现有排水系统压力不断加大，城市洪涝问题日益严峻。城市建设的高密度、高强度特征使得城市地表硬化率显著上升、绿地率和植被覆盖率下降，进而导致下垫面径流系数提高，雨水滞留能力和渗透能力大大减弱。部分降水未能及时渗透到地下，而是迅速形成地表径流，通过城市管网汇入河道，增加了城市低洼地区防洪排涝压力。城市化进程通过陆气相互作用改变了极端降水的时空分布特征。当城市热岛效应较强时，大气边界层内对流活动增强，城市上空出现水汽辐合中心，城区降雨增加；在强气象影响下，城市冠层会增加地表粗糙度，水汽辐合在城市上空发生风向阻塞或分岔，导致城郊交界处或城市下风向降水增加。极端降水、基础设施（如管网系统超载或进水口堵塞）、地形（如坡度、高程）以及土地特征（如建筑物和不透水覆盖物）是洪涝风险中的驱动因素。这一系列变化使得传统排水设计在面对频繁的极端暴雨时往往难以应对，暴雨过后城市恢复能力也大打折扣，甚至引发一系列社会问题。近年来，极端暴雨事件频繁发生，严重影响了城市的正常运行和居民生活。海河“23·7”流域性特大洪水、郑州2021年“7·20”特大暴雨以及广州2020年“5·22”特大暴雨事件的发生，都显示出短时强降雨对城市排水系统的巨大冲击，不仅会加剧城市内涝，还会造成严重社会财产损失甚至人员伤亡。
在人工智能AI快速发展背景下，加强智慧控制技术应用、优化排水系统、引入生态化城市水管理方式以及提升社会系统的应急响应能力，将是未来城市洪涝灾害防控体系建设的关键方向。本文综述当前城市洪涝管理中洪涝数值模拟、洪涝智慧调度控制、社会系统响应三大关键领域的研究进展，深入探讨各个领域在应对城市洪涝灾害中的核心作用与挑战，旨在为提升城市洪涝防控能力提供支撑。下图为集成了城市尺度洪涝过程模拟（FLOod/Waterlogging Simulation system，FLOWS）、调度控制（C）与社会响应（S）的综合模拟系统FLOWS-CS。
▲FLOWS-CS模拟系统
02、城市洪涝数值模拟
1.机理模型与数值方法
基于基本物理规律和数学模型进行建模是模拟现实情况、分析实际问题的基本思路。为量化描述城市实际的洪涝问题，一般将复杂物理过程解析为多个物理过程的组合，探究城市洪涝的形成机制。城市洪涝过程一般被解析为上游山区产汇流、河道汇流、管网排水、地表淹没及其之间的交互过程。在遭遇极端暴雨时，若降雨量超出城市排水网络容量，管网系统将超负荷运作，最终导致地表积水。洪涝模型总体上发展比较成熟，水文模型与水动力模型耦合已成为洪涝数值模拟的基本范式。常用的模拟分布式水文过程的SWMM模型凭借其开源、稳定等优点，在城区水文过程、管网排水过程以及一维水动力过程模拟中被广泛采用，并基于“管渠-节点”机制对节点水头计算进行改进，实现了城市管网有压流的高效模拟。目前有研究将有限体积法引入一维水动力模型求解，相较于传统有限差分法对一维模型的数值离散处理，有限体积法对控制体的边界进行积分，物理量的守恒性更好，且在控制数值发散时更具优势。二维水动力模型通过对浅水方程数值求解模拟地表动态淹没情况，相关研究工作逐步完善了对底坡项、摩阻项、干湿交替、复杂地形等难点的处理，基于近似黎曼解及空间重构方法实现了浅水方程的高分辨率模拟。对于一维与二维水动力过程的耦合，现有研究通过堰流公式和孔口流量公式实现垂向耦合，通过提供入流边界的方法实现正向耦合，采用堰流公式实现侧向耦合。
▲求解洪涝模型微分方程的常用数值方法
2.水文模型与水动力模型耦合
在模拟城市复杂洪涝系统过程中，仅依赖单一模型难以满足实际需求或达到所需精度，此时水文-水动力耦合模型发挥了重要作用，其过程耦合体现在以下方面：
①子汇水单元与管流交互。两者的交互基于检查井或雨箅子在垂向实现，且这一过程在雨洪的不同阶段具有不同的体现形式。在汇流时，子汇水单元出口流量作为管网的入流条件；在溢水时，检查井或雨箅子作为淹没或退水的载体。但目前已有研究常采用的建模方式往往简化了真实子汇水区中的水文-水动力耦合机制，特别是局部低洼区的蓄水机制。
②汇水单元与明渠流交互。明渠作为城镇行洪、排水主干道，与汇水区的耦合往往基于上游及旁侧入流外边界实现，一般将子流域出流作为明渠入流边界条件。
③二维淹没与水文子过程交互。外部降雨输入可以直接基于地形条件实现水动力的计算，但城镇密集区需要考虑管网排水以及非城镇化区域下渗等因素，通常在二维计算网格中融入下渗、蒸散发等水文子过程，以实现更为简化的耦合方式。
④城市下垫面具有复杂的局部微地形。鉴于实时计算需求的不断增加，一种常采用的计算方式是对计算域中隶属河道外围的洪泛区部分采用二维水动力模型求解，计算域中其他区域采用水文模型求解，即水文-水动力学联合模拟。
▲常用洪涝模型软件
此外，当前人工智能与各领域的结合愈加紧密，“数据驱动”的模拟范式被广泛提及。以往不少研究基于大量的站点观测数据或遥感数据，对解释变量与目标变量的复杂关系进行建模，这种依赖观测数据的方式在城市洪涝分析中具有一定局限性，数据缺乏与模型解释性不强等问题随之而来。事实上，“数据驱动”可以内嵌于机理驱动的计算框架中，这种做法结合了“数据驱动”与“机理驱动”的优势，既可以利用物理机制以保证模型的可解释性，又可以在局部大幅提高上层系统的计算效率。
03、城市洪涝智慧控制
1.多尺度暴雨洪水管控
海绵城市、低影响开发等为缓解城市洪涝提供了有效的源头管理控制策略。采用透水铺装、下沉式绿地、调蓄池和雨水花园等设施增加绿地面积，增强雨水就地蓄滞和下渗能力，增加调蓄洪涝的水域容量，通过生态沟渠连通河湖水系。然而受相关技术、投资与空间等开发条件与设施能力限制，海绵城市建设在实际运用中仍有一定局限。海绵城市监测技术和设备基础相对薄弱、监测方案不合理、在线监测不规范等问题也较常见。研究还表明在应对量级较大降雨时，海绵城市对洪涝的控制效果有一定局限，极端天气下“小雨不积水、大雨不内涝”往往难以实现。为提高城市在不同量级降雨时的防洪排涝韧性，一种行之有效的手段是实施对可控水工程（泵站、孔口、闸门、蓄水池等）的调度控制，优化洪涝期间的水量蓄存及输送，制定有效的水工程控制决策。事实上在海绵城市理念下，“绿色（传统的海绵设施）-灰色（管网、闸泵等）-蓝色（河湖、调蓄池等）”基础设施共同组成了城市雨水系统。
2.智慧型调度控制系统发展
优化控制模型是实现调度控制系统的又一关键。城市可控水工程的调度控制面临防洪、排涝及排水等多目标优化问题，且实际任务常需要水工程调度控制有一定的时效性、稳定性及准确性。截至目前，基于实现城市可控水工程高效利用的耦合优化控制模型与洪涝模型的相关研究大致经历了5个阶段。下表列出了这5个阶段主要调度控制方法、主要特性、方法优势以及与洪涝模型耦合特点的对比。
▲各研究阶段城市洪涝水工程调度控制方法对比
第1个阶段基于经验规则的控制（Rule Based Control，RBC），基于系统当前流量及水位状态，采用预先设置的逻辑规则使系统充分利用存储容量，并减少溢流量与淹没面积。RBC所使用的规则来自于日常经验，因此更多依赖于主观经验而难以提供更为客观、泛化的结论。
第2个阶段基于以比例-积分-微分（Proportional-Integral-Derivative，PID）控制和动态规划（Dynamic Programming，DP）为代表的经典算法。然而，由于城市水工程系统的高度非线性及环境的不确定性，DP及PID等算法较难适用于更复杂的动态系统。
第3个阶段基于启发式算法（遗传算法、粒子群优化等），将可控水工程的决策问题转化为一个多目标优化问题。将排水系统溢流量、内涝淹没面积等作为优化目标，将水量平衡、用电效率、闸泵启闭频次等作为限制条件，权衡不同目标以求得位于帕累托前沿的最优解集。或将多目标问题转化为单目标求解，直接将多个目标分解为主要目标和次要目标，并将限制条件作为惩罚项。然而完全基于启发式算法的处理方式未考虑环境的时变性及不确定性，使得优化方案只适用于特定驱动条件（降雨等），且调度方案在整个过程遵循一套规则。
第4个阶段基于模型预测控制（Model Prediction Control，MPC）。MPC考虑了系统的动态特性，在处理实时控制问题时更具优势。在系统演进时不断利用系统模型预测未来一段时间的状态，基于当前状态与未来一段时间状态构建多目标模型进行求解，并快速地调整控制策略以应对系统变化。MPC实际上是一个内嵌了启发式算法的系统，主要包括对系统未来状态预测、实时滚动优化、反馈校正三个部分。较之于前两个阶段，基于MPC的处理方式融入了对系统动态性的建模，然而在每次滚动优化时均需要求解一个多目标问题，这使得MPC对计算效率需求极高；同时MPC系统属于“在线”的处理模式，即实际应用中，MPC只能针对某一特定的降雨过程进行决策，难以将提供的策略泛化到其他不确定情形。
第5个阶段的调度控制方法基于以深度强化学习（Deep Reinforcement Learning，DRL）为代表的智慧性算法。DRL与其他机器学习方法不同，不需要基于预先准备的数据集进行学习。DRL通过试错的方式学习，智能体通过与环境交互采集得到大量经验，利用这些经验学习最优控制策略，而不依赖于大量的标记数据。DRL的更新过程仅发生在训练智能体的过程中，当智能体被训练完成后，经DRL提供的控制策略根据输入状态实时生成控制动作，极大解决了MPC方法中“在线”运行的局限性。近几年基于DRL解决洪涝系统控制的研究不断发展，价值学习算法DQN以及基于价值学习与策略学习结合的DDPG算法、PPO算法等相继被应用于城市排水及洪涝系统中。在训练阶段，这些算法一般将城市洪涝复杂系统中多个可控单元转换为单智能体系统进行决策，通过合适的奖励机制不断学习更优化的调度控制策略。由于将不同控制设施作为整体看待，系统中不同水工程单元之间的相互关系仍存在一定简化。而事实上，洪涝系统中可控水工程智能体之间还存在协同、互动、竞争、对抗等复杂关系。为此，对规模较大、需要分散决策的系统，目前研究提出采用多智能体决策系统实现多个水工程的协同调度。在多智能体系统中，不同智能体之间的行为是相互影响的，而单智能体系统则是独立决策的。多智能体系统通过模拟智能体之间更复杂的场景，更充分地挖掘了策略学习过程的潜力，提升了洪涝系统整体适应能力，并为城市洪涝智慧控制提供了新的思路。
04、城市社会系统响应
1.传统洪涝风险评估
长期以来，城市洪涝风险量化评估为科学决策提供了重要依据。以往研究往往遵循“危险性-暴露度-脆弱性”的评估框架，通过融合多种社会或自然数据计算洪涝风险。但这种计算方式得到的风险值一般只考虑区域整体上的风险分布，包括最大风险点的风险分布和动态过程的时刻风险图。在认识不断深化的过程中，对危险性、暴露度、脆弱性的量化方法不断扩充延展。如历史灾情调查与借助模型模拟的方法被用于计算危险性；空间分析与实地调研的方法被用于计算暴露度，已有研究通过建立不同因子之间的关系构建了表征相关性的经验公式；评价脆弱性还可以通过构建灾损曲线及建立洪涝特征与土地利用等的关系曲线等。传统的洪涝风险评估模式更注重评估城市全域在空间上的差异性，通过赋予不同区域风险等级量化不同地区的受灾程度。然而受洪涝灾害直接影响的人、车、房屋等承灾体却难以通过这种方式进行精细化描述。承灾体直接受洪涝灾害影响，具有明显的时空异质性，在微观上每个个体之间具有明显差异性，但是在宏观上受洪涝灾害影响的程度又能通过所有承灾体组成的整体来体现。
2.多智能体社会系统响应
基于复杂系统的多智能体建模（Agent-Based Modelling，ABM）为解决问题提供了新视角。ABM强调智能体之间无中心控制器的自主交互作用，这种个体间的交互作用产生“涌现”现象，即系统整体表现出的特性和能力超出其组成部分之和。通过智能体之间局部规则的交互作用，智能体群体能够协同完成复杂任务，表现出超越单个智能体能力的集体智慧。“涌现”现象是理解多智能体系统行为的关键，揭示了从简单个体行为到复杂集体动态的转变。
近年来，在洪涝与社会交互这一领域，面向不同对象的研究相继出现。有研究构建了城市尺度下雨洪紧急疏散模型，基于栅格的水力模型预测洪水淹没范围和深度，对洪涝灾害前后应急疏散情况进行了对比。有研究针对城市洪水期间的驾驶员行为分析了交通拥堵问题。有研究考虑了住户特征及其洪水应对行为，模拟洪水响应偏好以及各个家庭为减少洪水损失而采取的行动。然而，目前研究大多关注智能体应对规则的设置，对于洪涝驱动因素一般在简化后由水力模型提供，而社会系统对于洪涝这一驱动条件的响应机制却少有深入分析。此外，对于社会系统的分析多集中在应急疏散等方面，对洪涝及其控制策略下社会系统响应的全面解析仍待深入挖掘。尽管设计基于个体的模型面临制定智能体规则和处理其交互的挑战，但通过从底层规则建模至出现系统“涌现”现象的过程，ABM能够理解复杂现象的演化。这为分析社会系统对城市洪涝及其控制策略的响应机制提供了一个强大的框架，有助于洪涝事件中的洪水应急规划及资源分配。
05、思考与建议
1.加强顶层框架设计
构建多目标协同的标准化框架，制定城市洪涝“模拟-调度-响应”全链条数据交互标准（如水文模型输出格式统一、调度指令编码规范、社会响应分级指标设置），破除部门间数据壁垒。明确跨领域数据共享责任，建立气象、水务、交通、民政等部门联合演练机制，确保数值模拟结果直接驱动调度决策，并与社会应急预案动态耦合。加强模型研发、控制算法迭代与社会响应策略优化的统筹协调。建立模型服务化生态体系，推动水文-水动力模型的国产化云服务改造，构建B/S架构的在线计算平台，提供API接口供调度控制系统直接调用模拟结果。针对智慧调控模型，建设分布式训练平台，集成GPU集群与实时监测数据流，实现调度策略的在线学习与分钟级更新。探索“模型即服务”（MaaS）商业模式，对应急管理、保险公司等社会系统用户开放洪水风险模拟计算服务，通过区块链技术实现模型使用权的精准计量与溯源。
2.优化模型计算服务部署
优化模型计算服务部署，实施云端-边缘端-终端协同计算架构。对于云端，部署能满足需求精度的城市洪涝数值模拟，利用超算资源完成6h预报的全域或局部仿真。对于边缘端，在泵站、闸门等关键节点部署边缘服务器，运行轻量化深度强化学习模型，实现降雨过程中实时调度决策响应。对于终端，开发移动端社会响应App，集成简化版洪水演进模型（如常用的LSTM代理模型），向公众提供个性化避险路径规划，控制并不断降低离线模式误差率。强化计算资源动态调配能力，开发智能任务调度中间件，根据暴雨预警等级自动分配计算资源，比如在黄色预警时启动50核CPU集群进行常规模拟；红色预警时触发200核CPU+20块GPU的混合计算，同步执行10多种调度方案推演与应急疏散仿真。建立模型计算效能评估体系，对水文模型实施自适应网格优化，在保证精度的前提下压缩典型城区的计算耗时，采用联邦学习框架实现跨区域调度知识共享，提高训练效率。
3.加强多学科交叉和前沿科技融合
城市洪涝灾害的有效管理离不开智慧控制技术与社会系统响应的紧密协作。借助数值模拟技术，能够更精确地预测洪涝灾害的发生及其影响，为决策者提供科学依据。此外，城市洪涝调度控制技术在灾害发生时发挥着至关重要的作用，它可以及时调整城市运行系统，减少灾害带来的损失。与此同时，社会系统的有效响应尤其是公众的参与、应急管理的协调及社会意识的提高，也在灾后恢复中扮演着关键角色。为更好地应对洪涝灾害，建议联合水文水动力学、人工智能、社会学、系统科学和行为科学团队共同研究。在洪涝模型中嵌入基于手机信令数据的疏散行为模拟等人类活动子模块，构建“水文-工程-社会”三重耦合模型。这将有助于量化分析不同调度方案对商户停业、交通中断等经济社会损失的连锁效应，并为决策者提供更加全面的决策支持。这种多学科的协作不仅可以提升洪涝灾害的预测与应对能力，还能有效促进灾后恢复，确保城市恢复正常运营。
06、展望
未来应进一步加强多领域协同合作，推动技术与政策创新应用，构建更高效、更灵活的城市洪涝灾害管理体系。通过多学科融合合作与技术的不断进步，确保城市的可持续发展和灾后恢复能力，从而提升城市应对洪涝灾害的韧性与适应能力。面向未来城市洪涝治理，通过融合精细化模拟预测与智能控制技术构建新型防灾体系，基于多维度（整合气象、地形、管网及人口数据）建模与实时物联网监测，依托AI算法实现72h精准预警；构建“排水-交通-能源”联动的智慧控制系统，通过边缘计算实现基础设施毫秒级响应，并运用数字孪生技术优化应急疏散路径；在社会响应层面，建立“卫星+5G+社媒”多模态预警网络和区块链赋能的物资调度系统，培育社区防灾力量，最终形成“预报-预警-预演-预案”全链条管理。该体系预计使内涝预测准确率突破90%、应急响应缩短至15min，推动城市洪涝管理从被动救灾向主动防控的智慧化转型，显著提升城市韧性。
