微信链接：

https://mp.weixin.qq.com/s?__biz=MzI1MzEzNjgxMQ==&mid=2650010730&idx=2&sn=

94b39c762463319216f94f3d310f1d9a&chksm=f1de4eaec6a9c7b8d224af827a08d99c1

7fd98eb2f952c0dcd116b630f4e2408b8ba49517a00&token=129349509&lang=zh_CN#rd

近段时间河南多地因暴雨导致的严重积水、洪灾，台风“烟花”的过境，已严重危害到人们的生活以及城市的发展。为减少此类灾害造成的影响，通过科学技术手段，对重大灾害进行预测、监控和损害评估也一直是研究者十分关心的问题。本期荐读精选了近年发表在Remote Sensing、Hydrology、Land 期刊上关于治洪防洪的5篇相关文章，以帮助读者更好的了解近几年在暴雨洪灾领域的研究热点及现状。欢迎大家阅读。

01. Flood Risk Assessment of Subway Systems in Metropolitan Areas under Land Subsidence Scenario: A Case Study of Beijing

地面沉降情景下大都市区地铁系统洪水风险评估：以北京为例

Guangpeng Wang et al.

DOI：10.3390/rs13040637

基于层次分析法的北京地铁系统洪水风险等级空间分布。

洪水会严重破坏地面并淹没地下基础设施，特别是当发生地面沉降时，大都市区的地铁系统更易受到洪水的影响。然而，以往的研究主要从区域/流域尺度上进行洪水风险评估和平原地面沉降监测，忽略了地铁和地面沉降加剧地铁系统的洪水风险评估。为此，本文以北京为例，提出一种基于结合地理信息系统的模糊层次分析法，评估城市地铁系统在沉降条件下的洪水风险。结果表明，北京地铁的洪水风险呈环状分布——风险水平从中心城区向郊区递减。极高和高风险主要位于三、四环内，分别占总面积的63.58% (29.40平方公里) 和63.83% (81.19平方公里)。地面沉降加剧了北京地铁系统的洪水风险等级——中高风险增加了 46.88 平方公里 (16.33%)，表明地面沉降是影响地铁系统洪水风险等级的重要因素。

02. Multitemporal Water Extraction of Dongting Lake and Poyang Lake Based on an Automatic Water Extraction and Dynamic Monitoring Framework

基于自动取水和动态监测框架的洞庭湖和鄱阳湖多时相取水

Juanjuan Li et al.

DOI：10.3390/rs13050865

本研究中所使用的方法流程图。

本文提出一种水体自动提取和长期变化监测的框架。首先，本文通过采取基于双峰阈值分割方法生成多时相水样数据集。再通过将注意力机制和金字塔模块引入到编码-解码器的模型中来构建稳健的水提取网络。然后，利用GIS建模对取水结果进行自动处理。最后，对结果进行映射和统计分析。本文通过选取洞庭湖和鄱阳湖2017-2020年的Sentinel-1数据进行取水和动态监测分析，并选取相似时间段的Sentinel-2影像进行验证。结果表明，本研究所提出的框架可以实现高精度 (提取准确率高于95%)、高效的自动取水。多时相监测结果显示，2017年、2019年、2020年洞庭湖和鄱阳湖的4、7、11月波动最大，两湖变化趋势一致。

03. Assessment of the Catastrophic Asia Floods and Potentially Affected Population in Summer 2020 Using VIIRS Flood Products

使用可见光红外成像辐射仪洪水产品评估 2020 年夏季亚洲灾难性洪水和潜在的受影响人

Sanmei Li et al.

DOI：10.3390/rs12193176

VIIRS 7月28日-8月1日的5天综合洪水图 (上) 和2020年7月中国可能遭受洪水的估计人口 (下)。

自2020年6月2日以来，来自亚洲夏季风雨季的异常且持续的强降雨在许多亚洲国家造成大范围的灾难性洪水，主要包括人口最多的两个国家，中国和印度。为了检测和监测洪水并估计可能受影响的人口数量，本文使用了卫星传感数据，利用可见光红外成像辐射仪 (VIIRS) 在卫星上每天观察大空间区域的洪水两次。VIIRS获取的洪水地图表明，7月份期间中国的洪水主要发生在长江、惠河及其支流。结合地理信息系统的空间分析工具，将VIIRS所观测到的5天综合洪水图与人口密度数据集结合起来，估计可能受到洪水侵袭的人口数量。结果表明，江西省和安徽省是受灾最严重的地区，江西景德镇和上饶以及安徽省阜阳和滦市的人口超过1000万，中国约有5500万人可能受到洪水影响。除了中国，印度、孟加拉国和缅甸也受到了严重影响。在印度约有4000万人可能受到严重洪水的影响。

04. Flood Impacts on Critical Infrastructure in a Coastal Floodplain in Western Puerto Rico during Hurricane María

飓风“玛利亚”期间，洪水对波多黎各西部沿海泛滥平原的关键基础设施的影响

Said A. Mejia Manrique et al.

DOI：10.3390/hydrology8030104

(a) wrf模拟降水的48 h累积降水; (b) 西北地区雨量计站。

在极端天气事件中，洪水会破坏重要的基础设施。2017年9月20日，飓风María给波多黎各带来了严重的毁坏性影响。本篇文章描述了一个利用网格表面地下水文分析 (GSSHA) 的水文模型的发展，该模型能够模拟波多黎各西部Añasco海岸冲积平原的洪水深度和范围。这项研究的目的是开发一个数值模型来模拟极端天气事件造成的洪水泛滥，并评估其对关键基础设施和社区的影响。由于雷达在María飓风期间被破坏，本研究使用天气研究预报 (weather Research Forecast, WRF) 模型估计了降雨量。本文采用三种方法对María飓风期间沿海平原洪水泛滥进行了模拟。洪水结果与42个洪水深度值进行了比较，评估对关键基础设施 (水、电和公立学校) 的影响。本研究开发的模型可以足够准确地用于识别受未来洪水事件影响的基础设施。

05. Key Disaster-Causing Factors Chains on Urban Flood Risk Based on Bayesian Network

基于贝叶斯网络的城市洪水风险关键致灾因素链

Shanqing Huang et al.

DOI：10.3390/land10020210

用于城市洪水淹没风险评估的贝叶斯网络模型。

在过去的几十年里，城市防洪已成为一个全球性的挑战，影响到社会安全城市经济发展。随着城市化和土地利用的快速变化，未来由于气候变化和极端天气事件的发生，城市洪涝发生的频率和强度都会增加。本文研究通过结合贝叶斯网络和GIS提出了一种新的空间城市洪水淹没风险评估和关键致灾因素链探索框架。城市洪水淹没受多种因素的影响，因素之间的潜在关系，研究通过影响强度分析找出三个关键链：(1) 年降雨量→淹没；(2) 人口密度→单位GDP→管道密度→淹没；(3) 高程→坡度→河流密度→到河流的距离→淹没。作者通过对节点淹没进行敏感性分析，诊断影响因素的重要性，研究结果表明降雨对洪水灾害的影响最大，其次是地理因素，最后是脆弱性因素。