高大伟，吴利红，马浩，姚益平，方贺，朱占云，魏爽

(1.浙江省气候中心，杭州 310017；2.浙江省气象服务中心，杭州 310017；3.浙江省气象信息网络中心，杭州 310017)

引言

我国是暴雨洪涝灾害频发地区之一，每年汛期暴雨引发的洪涝及次生灾害给社会经济发展和人民生命财产安全造成严重损失和威胁(周月华等，2019)。针对各地严峻的洪涝形势，如何应用水文-水动力模型和卫星遥感等高新技术改进暴雨洪涝灾害风险评估方法、提高气象灾害风险评估的时效性和准确性、增强防灾减灾能力，已越来越受到我国各级政府和科研人员的关注(丁志雄，2004；李云等,2005；夏志宏等，2014；徐宗学等，2018；张前东等，2018；卢燕宇等，2020)。苏布达等(2015)最早从德国引进二维水文-水动力模型FloodArea，并针对湖北荆江分洪区模拟了不同分洪方案下的洪水受淹及影响。Roland等(2017)基于MikeFlood模型对澳大利亚墨尔本市某区域在不同城市发展水平和气候变化情景下进行了洪涝风险评估。Zischg 等(2018)基于二维水动力模型模拟瑞士4个地区的洪涝风险，并用保险理赔数据验证了其评估结果。谢五三等(2018)推算合肥市不同历时的排水能力，并结合FloodArea模型获得了合肥市不同重现期下的淹没水深图谱，建立起一套较完整的城市内涝评估与预警业务流程。黄国如等(2019)基于城市洪涝仿真模型，绘制出不同情景下广州东濠涌流域洪涝灾害风险区划图，为城市排涝决策提供参考依据。上述研究表明，基于水文-水动力模型开展洪水模拟及灾害评估是科学可行的。精细化的洪涝模拟离不开精准的降水资料，高质量、高分辨率的降水资料作为水文监测预报的基础，对气象及水文防灾减灾均起到重要作用(潘旸等，2015)。站点资料虽精度高，但空间代表性差，面雨量因可提供更客观的区域内降水量，在水文、气象和地理学等数值模拟中均能发挥重要作用(杨青等，2006)。网格化降水资料便于水文-水动力模式中面雨量的计算，更容易与GIS 相结合的计算机处理。近年来，随着卫星、雷达估测降水和数据融合技术的发展，多源融合降水资料逐渐被应用到面雨量的计算中(杨森等，2017)。潘旸等(2015)研制了逐时、5 km 的地面、卫星、雷达三源融合降水分析数据(CMPAS-5km，CMA Multisource Precipitation Analysis System)。已有数据质量评估结果表明：CMPAS-5km 总体精度高于任何单一来源降水产品，同时也优于二源融合降水产品，尤其是对强降水精度的把握更准确(李显风等，2017；潘旸等，2018a，2018b；俞剑蔚等，2019)。但未见CMPAS-5km资料用于台风暴雨洪水模拟和灾害风险评估等相关研究的报道，该资料在水文气象和灾害评估等方面的应用有待加强。

2019年09号超强台风“利奇马”于8月10日01时45分(北京时，下同)在浙江台州温岭登陆，为新中国建立以来登陆浙江省的第3 强台风。受其影响，浙江沿海出现大暴雨、局部特大暴雨、局地极端降水，其中“利奇马”台风强降水影响台州的主要时段为8 月8日08 时—11 日08 时；临海括苍山站过程降水量为830.9 mm，突破当地有气象记录以来单站台风过程降水量历史纪录。临海、温岭站9日08时—10日08时累积降水量分别达326.0 mm和379.5 mm，两站均破当地有气象记录以来24 h 累积降水量记录。台州各地普遍出现内涝，其中临海城区受到江水倒灌，台州府城景点被洪水所淹，城墙外积水最深处达10 m，城墙内积水最深2.5 m。本文以当年“利奇马”台风引发的浙江省台州临海市受淹为例，利用浙江全省水文站和气象站降水观测资料对国家级地面-卫星-雷达三源融合实况格点降水数据(CMPAS-5km)进行检验评估；然后，基于CMPAS-5km 计算的面雨量和降水分布权重栅格驱动FloodArea 二维水动力淹没模型，在“暴雨情景”下进行洪涝模拟，并借助哨兵1号合成孔径雷达卫星(Sentinel-1 SAR)资料和地面验证点开展模拟受淹验证，以期为面向实时气象防灾减灾的台风暴雨灾害风险评估服务提供参考方法。

1 资料说明与研究方法

1.1 资料说明

1.1.1 降水及水文资料

本文使用的气象水文资料包括：(1)CMPAS-5km资料，来自CMACast业务下发的CMPAS实时数据(RT)，其格式为NetCDF，时间分辨率1 h，滞后时间40 min左右，本文将其用于面雨量源数据驱动FloodArea模拟受淹情况；(2)浙江省近3 000 个自动气象站以及2 600多个与本省水文部门交换的共享站点降水资料，均来源于浙江省气象信息网络中心数据库，数据入库前均已通过质量控制，该资料用于对CMPAS-5km 进行检验评估；(3)浙江省有关水库水位资料，来源于浙江省气象服务中心。上述资料起止时间为2019 年8月8日08时—8月11日08时，即超强台风“利奇马”影响浙江省期间。

1.1.2 哨兵1号SAR数据

台风过境后当地通常会被厚实云系覆盖，造成可见光遥感影像监测的洪水在实际服务中效果不理想，而星载合成孔径雷达(SAR)基于C波段微波成像，不受云、雨、雾等天气影响，具有全天候、全天时工作能力和宽覆盖的优势，尤其适合对洪涝淹没范围的监测。哨兵1号(Sentinel-1)作为SAR历史上首次向全球开放并免费下载的雷达卫星数据，是欧洲航天局(以下简称ESA)“哥白尼计划”地球观测卫星系列之一，其中A、B星先后于2014 年和2016 年成功发射升空，两颗星常规重复周期为6 d，空间分辨率达10 m。本文利用从ASF网站(https：//search.asf.alaska.edu/#/)下载的2019年8月10日17∶54(灾后)和7月29日17∶54(灾前)两个时次的哨兵-1B 干涉宽幅地距影像(GRD)L1 级数据，对“利奇马”台风影响前后台州临海市水体变化进行检测，并将其与由CMPAS-5km 驱动的FloodArea 受淹模拟结果进行对比。

1.2 研究方法

首先，对“利奇马”台风影响浙江时段全省气象站降水资料进行质量控制，剔除数据存在明显异常的站点，对2 921个有效气象站点降水进行空间插值后，再与CMPAS-5km 台风过程降水量进行空间分布对比。然后，利用2 620个水文站点和5 541个“水文站+气象站”对CMPAS-5km 开展降水评估检验，检验指标包括相关系数(R)、均方根误差(RMSE)和绝对误差(MAE)；再分别计算台州地区CMPAS-5km、水文站和“水文站+气象站”逐小时面雨量和过程面雨量，对上述3套资料进行逐小时对比。最后，选取与灾后哨兵雷达卫星SAR成像时间最为接近的FloodArea 模拟输出对应时间(2019 年8 月10 日18 时)的栅格数据进行洪涝受淹对比。由于哨兵1号SAR提取的新增水体栅格为10 m分辨率，本文将其重新采样至30 m，使之与FloodArea 模拟的分辨率统一，并通过ArcGIS中的栅格计算器对两者求差值进行空间受淹分布检验，继而利用公开报道的台州4个受淹验证点最大水深作模拟受淹水深对比。

1.2.1 CMPAS-5km实时数据的检验评估

利用水文站和“水文站+气象站”降水资料分别对CMPAS-5km进行检验评估，主要评估指标包括：(1)计算CMPAS-5km 与上述两套资料过程降水量的R、RMSE和MAE，统计全省“水文站+气象站”与对应所在CMPAS-5km格点上过程降水量相对误差百分比的空间分布；(2)计算的CMPAS-5km 面雨量为台州地区逐小时格点值的平均，计算的水文站、“水文站+气象站”面雨量为同地区逐小时所含站点降水量的算术平均值，分析3套资料在模拟地区的面雨量差异。

1.2.2 淹没模拟方法及技术路线

FloodArea 为德国Geomer公司研发的二维非恒定流水动力学模型，模型能准确刻画洪水演进过程，可视化表达流向、流速和淹没水深、范围等水文要素的时空物理场，已在多个国家的洪水淹没相关的决策、科研和工程等部门得到应用。模型以模块形式与ArcGIS桌面软件无缝集成，实现了对GIS与气象-水文水动力学模型的数据融合(Geomer，2020)。本文模拟使用的FloodArea为10.1四核版本。

本文受淹模拟技术路线见图1。按FloodArea“暴雨模式”情景模拟所需，首先根据“利奇马”台风影响期间逐小时CMPAS-5km 资料，考虑到临海周边来水和下游退水，适当扩大范围，以台州地区为模拟对象，通过Python 编程计算得到逐小时台州市面雨量和台风过程降水量分布权重栅格文件。结合前期在台州地区开展的FloodArea 模型参数本地化试验及当地地下管网排水下渗等因素，参考谢五三等(2018)对合肥以及杨东等(2020)对西安等城市的研究结果，模拟时将研究区域管网排水量概化并设置为10 mm·h-1，在面雨量序列中予以扣除(面雨量≤10 mm 时对应全部排出，有效面雨量为0)；其次，利用地表覆盖分类栅格Glo⁃balLand30(陈军等，2014)，并根据孙桂华等(1992)、苏布达等(2015)的文献中给出的参考值转化为对应的地表粗糙率；最后，结合SRTM DEM进行受淹模拟。模拟的投影为Albers等面积投影，栅格分辨率30 m，模拟起始时间2019 年8 月8 日08 时，模拟时长72 h，步长间隔1 h，根据官方建议(Geomer，2020)并经本地化测试，模拟最大交换率设为5%，模拟输出结果为逐时淹没水深和范围栅格TIF 文件。参考张君枝等(2020)对水深的划分，将受淹水深≥0.05 m的栅格判断为受淹。

图1 2019年09号超强台风“利奇马”引发的浙江省台州临海市受淹模拟技术路线图Fig.1 Simulation technique roadmap for the flood inundation in Linhai,Taizhou,Zhejiang Province caused by the super severe typhoon(1909)Lekima.

1.2.3 哨兵1号SAR水体变化检测

参考孙亚勇等(2017)和范伟等(2018)的数据预处理方法，利用SNAP 软件对下载的SAR 数据依次进行轨道精校正、拼接、辐射定标、滤波、地形订正和裁剪等处理，获得影像的后项散射系数值(dB)。在此基础上，借鉴了ESA Sentinel 官网上SAR 洪水监测个例以及曾玲芳等(2015)的处理方法：主要基于SAR 水体变化检测原理，利用灾前和灾后影像并结合RGB三原色色彩原理，构造受淹区域增强显示的假彩色图(表1)，将经预处理转化得到的两景影像导入ArcGIS，根据水体在SAR影像的dB值通常较小的特征以及RGB波段组合中红、绿、蓝三通道值的特性，利用ArcGIS的波段合成工具对所需合成的RGB 栅格中的3 个波段分别指定不同时期的SAR影像，即红色波段R(灾后)、绿色波段G(灾后)、蓝色波段B(灾前)影像，通过对合成影像进行标准差拉伸显示，最终获得能够清晰区分受灾前后水体变化的RGB 假彩图，洪涝受淹区域(新增水体)在图中呈现为偏蓝色，浅黄色为泥浆淹没区。

表1 受淹区域(新增水体)的后项散射系数(dB)及其在RGB假彩色图中的颜色特征Table 1 Backscattering coefficient(dB)of flooded area(new water body)and its color characteristics in RGB false-color image.

2 结果与分析

2.1 “利奇马”影响期间CMPAS-5km的检验评估

从8 月8日08时—11日08时CMPAS-5km资料和由浙江全省气象站点空间插值得到的“利奇马”台风过程降水量空间分布对比看(图2)，虽在括苍山(830.9 mm)等个别站点出现的降水极值在CMPAS-5km中(图2b)被其周边值平滑变小，但两者在全省空间分布上呈现良好的一致性，CMPAS-5km刻画出的台州大部、宁波中南部以及杭州西北面等降水中心与气象站点空间分布(图2a)一致。由于融入了雷达和卫星资料，CMPAS-5km还涵盖了浙江省周边范围，从而使监测覆盖范围更广，也更适合于对台风、梅雨等系统性暴雨的监测评估。

图2 2019年8月8日08时—11日08时“利奇马”台风影响期间气象站点累积降水量(a)与CMPAS-5km实时累积降水量(b)的空间分布(单位:mm)Fig.2 Distribution of accumulated precipitation(unit:mm)from(a)the meteorological stations and(b)the CMA Multisource Precipitation Analysis System(CMPAS-5km)during the typhoon Lekima affecting Zhejiang from 08∶00 BT 8 to 08∶00 BT 11 August 2019.

对浙江省“利奇马”台风过程CMPAS-5km与水文站的降水量的独立评估检验表明，两者的一致性较好，大部分数据点都分布在散点图(图3a)中的1：1等值线附近，两套资料的降水相关系数R达0.89，同样将其与“气象站+水文站”降水量资料进行比较，其相关系数R也达0.89(图3b)。

图3 2019年8月8日08时—11日08时浙江省“利奇马”台风过程CMPAS-5km与水文站(a)、水文站+气象站(b)的累积降水量(单位:mm)散点图(R、RMSE、MAE、N分别表示相关系数、均方根误差、绝对误差和样本数，红色虚线为线性回归趋势线)Fig.3 Scatter diagram of accumulated precipitation(unit:mm)between CMPAS-5km and(a)the hydrological stations,and(b)hydrological stations plus meteorological stations during the typhoon Lekima affecting Zhejiang from 08∶00 BT 8 to 08∶00 BT 11 August 2019.R,RMSE,MAE,and N denote correlation coefficient,root mean square error,mean absolute error and sample number,respectively.Red dashed lines denote linear trend lines.

另外，从8月8日08时—11日08时台风“利奇马”暴雨过程浙江省逐小时CMPAS-5km实时面雨量及其与水文站平均降水量的相关系数和均方根误差变化对比看(图4)，CMPAS-5km 与水文站在72 个时次中两者的平均RMSE为1.7 mm·h-1(分布在0.1～4.4 mm·h-1之间)，平均R 达0.79，约90%的时段内两者的R 均达0.7以上，R小值主要出现在“利奇马”影响的初期和末期，该时段内降水偏弱，很多站点降水量不足1.0 mm；而水文站雨量记录的最小量值间隔为0.5 mm，这是导致图4中头尾R值不高的主要原因。

图4 2019年8月8日08时—11日08时“利奇马”台风暴雨过程浙江省逐小时CMPAS-5km实时面雨量(RA，单位:mm)及其与水文站平均降水量的相关系数(R)和均方根误差(RMSE)变化Fig.4 Hourly variation of area rainfall(RA,unit:mm)from CMPAS-5km and the correlation coefficient(R)and the root mean square error(RMSE)between it and the mean precipitation from the hydrological stations during the typhoon Lekima affecting Zhejiang from 08∶00 BT 8 to 08∶00 BT 11 August 2019.

再由“利奇马”台风暴雨过程浙江省CMPAS-5km实时产品与“水文站+气象站”累积降水量的相对误差空间分布(图5a)可见，全省70%的站点相对误差在±25%以内，近80%的相对误差在±30%以内；在台州模拟区域(图5a蓝色方框)，CMPAS-5km的相对误差较小。

另由台州洪水淹没模拟区气象站、水文站分布及基于CMPAS-5km资料计算得到的“利奇马”暴雨过程模拟降水量权重分布(图5b)看到，无论是水文站还是气象站，其分布均较稀疏，尤其是在受淹严重的临海市，很多站点间距远大于5 km，而CMPAS-5km融入了雷达及卫星资料，则可有效弥补站点监测上的缝隙，CMPAS-5km的降水空间分布权重和面雨量较站点空间插值更为精细。从“利奇马”台风影响期间台州地区逐小时CMPAS-5km 实时数据与水文站、气象站面雨量变化图上(图6)可见，CMPAS-5km(蓝线)与气象站(红线)面雨量变化趋势较其与水文站面雨量(橙色)变化趋势相对更为一致，这是因为CMPAS-5km融合的站点信息为气象站降水，而从“利奇马”过程累积面雨量变化看，CMPAS-5km(305.5 mm)又与水文站(304.1 mm)更接近，较气象站(283.7 mm)偏大，原因是CMPAS-5km是融合资料，其格点比现有气象站点分布更精密均匀。因此，CMPAS-5km 资料的优势不仅在于其面雨量能弥补气象站过程降水量较水文站监测降水量偏小的不足，且在FloodArea模拟所需的累积降水量空间分布权重表现上比任何单一来源站点通过地理空间插值刻画来得更精细客观。

图5 “利奇马”台风暴雨过程浙江省CMPAS-5km实时产品与水文站+气象站累积降水量的相对误差空间分布(a，方框为台州受淹模拟区)，以及台州地区FloodArea模拟降水权重与站点分布(b)Fig.5 (a)Spatial distribution of the relative bias of accumulated precipitation between CMPAS-5km and hydrological stations plus meteorological stations and(b)the accumulated precipitation-weights and the hydrological and meteorological stations in Taizhou simulated by FloodArea during the typhoon Lekima affecting Zhejiang.In(a)rectangle marks the flooded simulation of Taizhou.

图6 2019年8月8日08时—11日08时“利奇马”台风影响期间台州地区逐小时CMPAS-5km实时面雨量(红线)以及水文站面雨量(黑线)和气象站面雨量(蓝线)变化(单位:mm)Fig.6 Variation of hourly area precipitation(unit:mm)in Taizhou from CMPAS-5km(red line),hydrological stations(black line)and meteorological stations(blue line)during the typhoon Lekima affecting Zhejiang from 08∶00 BT 8 to 08∶00 BT 11 August 2019.

此外，CMPAS-5km资料下发时效滞后在40 min以内，相比由水利部门共享的站点降水资料，前者在数据传输的时效性上更具优势和更有保障；CMPAS-5km数据为格点资料，与站点空间插值相比，FloodArea模拟所需输入的过程降水量空间分布权重参数，前者在接口上更为简便，也为开展气象服务赢得了时间。

综上分析表明：CMPAS-5km在“利奇马”台风影响浙江省时段与站点资料的一致性较好，无论是从产品的精细度、稳定性还是时效性上看均较站点统计模拟更具优势，可满足精细化洪涝受淹模拟监测服务之所需。

2.2 受淹模拟结果及验证

图7给出“利奇马”台风影响浙江期间台州临海逐小时面雨量与模拟洪水淹没面积的变化。从中可见，随着降水强度增大，当地受淹面积在8 月9 日19 时后开始迅速增大，最大受淹面积的出现时间稍晚于最大小时雨量的出现时间；此后，随着雨强减弱，受淹面积随之逐渐减小。

图7 2019年8月8日08时—11日08时“利奇马”台风影响浙江期间台州临海逐小时面雨量(单位:mm)与模拟受淹面积(单位:km2)变化Fig.7 Variation of hourly area precipitation(unit:mm)from CMPAS-5km and simulated flooded area(unit:km2)in Linhai district of Taizhou city during the typhoon Lekima affecting Zhejiang from 08∶00 BT 8 to 08∶00 BT 11 August 2019.

由于哨兵1号SAR在8月10日的过境轨道未能覆盖到临海西部的部分地区，为了对比台州临海区受淹前后的情景，图8a给出台州临海区受淹前的地形地貌图，该图为与SAR 灾后成像在台州重合区的地形图。从中可以看到，临海市区位于山区丘陵之间的狭长平坦地区，主要水系灵江自西向东穿城而过(黑色显示)，排水泄洪出口相对单一，其泄洪能力有限。“利奇马”超强台风引发的强降雨加上地势狭窄，尤其是临海主城区南北两侧山地丘陵区过程降水量普遍达到400 mm 以上，处于过程雨势集中区(图2b和图5b)，山上来水沿着山洪沟顺势汇集到地势平坦的灵江两侧，造成灵江洪水难以及时排出，从而导致当地严重的洪涝灾害。

图8 台州临海区受淹前地形地貌(a)与2019年8月10日18时FloodArea模拟得到的“利奇马”台风暴雨造成临海区受淹情景(b)以及哨兵1号水情遥感监测RGB假彩色合成图(c)Fig.8 (a)Topographic features of Linhai district of Taizhou city before flooded,and(b)the flooded scenario caused by the typhoon Lekima in Linhai district simulated by FloodArea and(c)the RGB false-color composite map of water regime from Sentinel-1 SAR monitoring at 18∶00 BT on 10 August 2019.

2.2.1 模拟受淹范围与雷达卫星监测影像的比较

图8b给出利用CMPAS-5km并在考虑地下管网排水因素后得到的2019年8月10日18时“利奇马”台风暴雨致使临海区FloodArea 受淹模拟分布，图8c 为利用哨兵1 号SAR 得到的当时洪水受淹假彩色图(图中蓝色区域为新增水体)。为了有别于新增水体的变化，图8b 中将受灾前后未变化的水体设置为黑色。对比模拟和卫星雷达监测实况受淹格点差值图(图9)可见，基于CMPAS-5km 的FloodArea 模拟结果较哨兵1 号SAR 监测到的洪涝面积更大，但结合图8b 和图8c 来看，在哨兵1 号SAR 图像中新增水体明显的区域，如A、B、D和F区，FloodArea模拟与实际受淹区均匹配较好(红色)，对应括苍镇、永丰镇、古城街道、江南街道、邵家渡街道、汛桥镇以及杜桥镇等地；此外，B 区中大洋、大田两个街道，图9显示虽为较偏大区域(浅蓝色)，但从图8c中看到上述两个街道呈淡黄色，说明雷达回波比正常时偏强，变亮(黄)说明地上电解质增加，在SAR 里代表泥浆淹没区，表明大洋、大田街道模拟受淹与实际受淹情况也较吻合；图9中C区和E区，主要对应小芝镇、涌泉镇和沿江镇等地，模拟受淹范围较SAR 监测偏大，究其原因，可能主要是上述区域地势相对平坦，DEM 精度不够导致FloodArea 模型在该区域无法刻画所致。

图9 2019年8月10日18时FloodArea受淹模拟与哨兵1号雷达卫星提取的受淹区对比检验(红色方框A、B、D、F为新增水体明显区)Fig.9 Comparative test of flooded areas in Linhai simulated by FloodArea and those from Sentinel-1 SAR at 18∶00 BT on 10 August 2019.Red rectangles A,B,D and F mark new obvious water areas.

2.2.2 受淹水深与灾情调查结果的比较

由“利奇马”台风影响期间临海牛头山水库逐小时水位及其附近受淹点长坦村模拟受淹水深的变化(图10)可知，牛头山水库水位自8 月9 日12 时开始逐渐上涨(该水库汛期正常水位为46.5 m)，8 月10 日03时水位超过汛期正常水位后继续上涨；而模拟的受淹点水深上涨开始时间要晚于水库水位上升开始时间，但其涨幅相比水库水位上涨快得多，淹没水深在8 月10日15时前后达到峰值后降幅也较快。

图10 2019年8月8日08时—11日08时“利奇马”台风影响期间牛头山水库逐小时水位(单位:m)与其附近受淹点长坦村模拟受淹水深(单位:m)变化Fig.10 Hourly variation of the water level(unit:m)of Niutoushan reservoir and the simulated flooded depth(unit:m)at Changtan village nearby during the typhoon Lekima affecting Zhejiang from 08∶00 BT 8 to 08∶00 BT 11 August 2019.

对上述洪水淹没空间分布，除与哨兵1 号SAR 进行对比验证外，本文在尽可能收集相关准确信息的情况下共选取4 个灾情验证点(调查其最大淹没水深)对FloodArea模拟结果进行检验。4个灾情验证点分别选在临海市古城街道望江路段附近(验证点1)、古城街道临海中医院大楼(验证点2)、大田街道东方大道山前村(验证点3)、大洋街道湖畔尚城(验证点4)。验证结果表明，除验证点1的模拟水深较实况偏大外，其余3个验证点模拟水深均较实况偏小，模拟的最大受淹水深与实际报道的最大受淹水深误差均在±22%以内，模拟结果与实况总体较为一致(表2)。分析误差原因，可能与DEM精度不高、水文站水位和地下管网排涝数据不够精细、淹没模型自身局限以及灾后政府应急措施不力等因素有关。由于上述因素错综复杂，至于每种因素的具体影响，还有待后续通过深入模拟作进一步探讨。

表2 “利奇马”台风造成临海多个受淹代表点的最大淹没水深模拟结果检验Table 2 Verification of the simulated maximum submergence depth(unit：m)at four representative flooded points over Linhai district caused by the typhoon Lekima.

3 结论与讨论

本文以2019 年“利奇马”台风引发浙江台州临海市受淹为例，利用浙江省水文站和气象站降水量观测资料对CMPAS-5km进行检验评估；基于CMPAS-5km计算的面雨量和降水分布权重栅格驱动FloodArea 二维水动力淹没模型进行洪涝模拟，借助哨兵1 号SAR资料和地面验证点对模拟受淹结果进行验证。主要结论如下：

(1) 利用浙江省2 620 个水文站降水量数据对CMPAS-5km 的检验评估表明，两者时空分布一致性较好，两套台风过程降水量资料的相关系数达0.89；两者逐小时平均相关系数和均方根误差分别为0.79 和1.7 mm·h-1；CMPAS-5km 与全省5 541 个“水文站+气象站”的“利奇马”台风过程降水的相关系数也达0.89，全省70%站点过程降水量相对误差在±25%以内。

(2) CMPAS-5km、水文站及气象站3 套资料在台州地区的过程面雨量分别为305.5 mm、304.1 mm 和283.7 mm，CMPAS-5km 面雨量与水文站的较为吻合，CMPAS-5km资料比任何单一来源站点通过地理空间插值刻画来得更为精细客观。此外，CMPAS-5km 比水文站点资料在传输时效性上更具优势；CMPAS-5km数据为格点资料，FloodArea模拟所需输入的过程降水量空间分布权重参数在接口上较站点资料更简便。

(3)受灾较为严重的临海地区，在SAR 图像中“利奇马”台风暴雨过程水体面积明显增加的区域，模拟受淹与之匹配较好，模拟水深与4 个验证点的实际水深误差均在±22%以内。

本文采用水文站及气象站降水资料对CMPAS-5km资料是否能应用于暴雨洪涝淹没模拟的可信度进行了验证，CMPAS-5km 资料在及时性、稳定性、精细化、准确性等方面均优于单站资料，认为其可用于暴雨洪涝灾害精细化评估，且能为面向实时气象防灾减灾的台风暴雨灾害风险评估服务提供参考方法。但仍有一些问题有待深入研究，如怎样进一步提高格点降水量空间分辨率和DEM精度，怎么才能获取更精确的实时水位和城市复杂地下管网排涝数据，如何通过编程结合Google Earth Engine (Noel et al.，2017)提高SAR 数据水体变化检测分析的自动流程化处理效率等，都是今后开展暴雨洪涝好模拟、监测和评估服务值得重点关注的问题。

致谢：本文数据处理得到了国家气象信息中心气象数据研究室韩帅、孙帅、谷军霞和潘旸等人指导；哨兵SAR 水体变化检测工作得到中国科学研究院空天信息创新研究院陈甫副研究员帮助。在此，一并致谢！