Xinyue Ye, Shoujia Li, Ge Gao, David Retchless, Zhenhang Cai, Galen Newman, Jiaxin Du and Nick Duffield
随着极端降雨事件的增加，全球沿海城市正在经历重大的人员和财产损失。城市暴雨洪水模拟模型作为防洪和救援的重要组成部分正成为应急管理和灾害应对的重要决策来源。然而，面对真实世界数据和三维计算的复杂性，如何精细可视化城市洪水对基础设施的影响成为该领域一项悬而未决的挑战。本研究以3D可视化的形式，模拟了飓风风暴潮洪水对德克萨斯州加尔维斯顿市住宅区建筑物和道路的影响。该研究使用目标检测技术精确定位房屋门位置，并以门的淹没情况作为衡量潜在洪水损失的指标。基于此，该研究模拟了不同风暴强度对居民住宅的损害范围，以实现三个核心目标：
1）估算不同风暴条件下房屋的洪水淹没水平；
2）将房屋遭受的损害通过评估房屋一楼的海拔高度而分为三个不同等级；
3）通过可视化展示拟建堤坝的防洪效果，以评估加尔维斯顿岛未来如何免受风暴潮和洪水事件的影响。
引用
Ye, X., Li, S., Gao, G. et al. 3D visualization of hurricane storm surge impact on urban infrastructure. Urban Info 3, 9 (2024).
https://doi.org/10.1007/s44212-024-00043-x
本研究探讨了城市洪水灾害，尤其是风暴潮和飓风所引发的灾害，如何对城市基础设施造成破坏、扰乱社会秩序，并加剧社会不平等现象。随着气候变化加剧，极端降雨事件愈发频繁，对城市居民的生命财产构成严重威胁。当前，城市洪水模拟作为防洪减灾的重要工具，已在智能城市的防洪和应急管理中发挥了关键作用。然而，随着数据量的增加和三维计算复杂度的提升，如何有效地可视化城市洪水对建筑物及基础设施的影响，成为了一项巨大的挑战。已有相关研究通过二维或基础三维建模开展了相关探索，但现有方法在具体分析不同建筑类型和基础设施的受灾情况方面仍存在不足，同时也难以兼顾高精度与大规模场景应用的需求。
为了填补当前在洪水风险评估中的空白，本研究选择德克萨斯州加尔维斯顿作为试点，采用三维可视化技术，模拟不同风暴条件下建筑物和道路的洪水淹没情况。加尔维斯顿作为研究地点的选择基于以下几个原因：首先，该地区面临着严重的风暴潮风险，且已有风暴潮屏障建设计划获得批准；其次，作为一个典型的沿海城市，加尔维斯顿的城市基础设施具有高度的复杂性，特别是房屋的一楼高度不统一。本研究的创新之处在于精确定位建筑物的入口，并通过模拟入口处的淹没情况来评估洪水对建筑物的具体损害程度。通过这一方法，研究能够在GIS框架下精确建模洪水的损害范围，并为城市规划者和应急管理人员提供更具针对性的洪水风险可视化工具。该工具不仅能帮助决策者更有效地预测洪水风险，还能在洪水预防和应急响应策略的制定中发挥重要作用，提高应急管理的针对性和时效性。
本研究通过三维可视化模拟加尔维斯顿市的风暴洪水，展示了不同情境下各建筑物的损害程度。研究评估了该市房屋在10年、100年、500年一遇的风暴以及类似艾克飓风等情境下的抵御能力，考虑了防洪堤坝的有无以及2.4英尺海平面上升（SLR）对洪水影响的作用。通过计算房屋一楼高度（FFE）并判断洪水深度是否超过此高度，来评估建筑物损害情况。具体计算步骤，参考图1。
图1. 可视化的步骤
1. 房屋的一楼高度：本研究以房屋的一楼高度为重要评估指标，通过Google街景图像来测量加尔维斯顿市房屋的一楼高度。数据处理过程中，利用计算机视觉技术替代传统的人工测量方法，提高了测量效率和精度。
1.1 数据收集：收集了加尔维斯顿市所有建筑物的地理位置，用于下载对应的街景图像（SVI）和深度图，并使用NOAA的LiDAR数据作为DEM数据源，确保测量的一致性。
图2. SVI 采集演示
1.2 目标检测：本研究在街景图像中应用YOLO-v5模型进行目标检测，以识别和定位每个建筑物的门位置。该模型采用了多层特征提取方法，并结合了数据增强技术，如马赛克数据增强和随机裁剪，以提高在不同场景下对建筑入口的检测精度。为了增强模型的适应性，研究还扩展了训练集，特别是增加了包含遮挡或模糊门的样本，从而提升了模型在复杂环境中的兼容性和鲁棒性。
图3. YOLO-v5模型的架构
图4. 旧模型的正确、错误和缺失检测
图5. 添加到新训练集中的特殊情况部分
图6. 部分测试用例的结果
1.3 计算房屋一楼高度：基于三角测量原理，结合DEM数据和深度图计算房屋的一楼高度。
图7. 三角测量和计算建筑物一楼高度的比较
1.4 地图结果到建筑足迹：研究首先获取了加尔维斯顿市20,317栋房屋的建筑轮廓，并基于这些轮廓下载了130,272张街景图像（GSV）和16,464个深度图。通过计算得到每栋房屋的一楼高度后，将这些结果重新映射到建筑轮廓上。最终，经过错误检测和数据筛选，保留了8,897条有效结果，并排除了旧图像数据，最终得到7,584栋房屋的一楼高度的模型，占总数据量的约40%。
2. 洪水深度：本研究将洪水深度作为评估建筑损害的关键参数，使用了来自莱斯大学 SSPEED中心的风暴潮淹没栅格数据来模拟洪水情境。
研究将风暴情境划分为10年、100年和500年一遇风暴事件，以及类似艾克飓风的极端情境。同时，考虑了拟建防洪堤坝的影响和2.4英尺海平面上升（SLR）的情境，以全面评估不同情况下的洪水深度。使用高级循环模型（ADCIRC）进行水深模拟，为每种情境提供详细的洪水深度数据。
表1. 洪水深度(英尺)
在ArcGIS Pro环境中，本研究进行了洪水损害的三维可视化，并结合数字高程模型数据展示了加尔维斯顿市的地形信息。首先，将建筑物的轮廓数据与一楼高度数据合并，形成了一个统一的场景图层。随后，创建了一个模拟不同洪水深度的图层。洪水深度图的覆盖区域与加尔维斯顿市相同，深度以绝对高度表示。通过逐步提高洪水的深度，能够观察到每栋房屋的损害情况。
房屋的损害状态根据洪水深度的不同分为三类：完全无损、受损和淹没。淹没状态指洪水深度达到或超过建筑物一楼高度。本研究使用了三种颜色来表示不同的损害状态：橙色代表完全无损，红色表示受损，黑色表示淹没（如图8所示）。此外，对每种类别下淹没房屋的数量和百分比进行了统计，并将结果导出为16种不同风暴情境下的地图，按照风暴的严重程度进行排列，最终制作成动画展示。
洪水可视化结果清晰显示了每种风暴情境下建筑物的损害数量和范围。如图8所示，完全无损的房屋表示地面上没有积水，显示为白色；受损房屋则表示地面上有积水，但未超过一楼高度（以不同深浅的红色表示），其中红色越深代表损害越严重；淹没房屋表示洪水深度超过一楼高度，显示为黑色房屋。为了展示更全面的信息，研究还提供了三种不同视角的地图（顶视图、北视图和南视图）。
图8. 加尔维斯顿洪水的可视化
研究结果表明，随着风暴严重程度增加，加尔维斯顿市的洪水风险显著上升。即使在拟建的防洪堤坝保护下，面对百年一遇风暴和更极端的情境，一些低洼区域的房屋仍面临严重损害。研究指出，堤坝在一定程度上能减少风暴潮的影响，但在极端风暴和海平面上升条件下，保护效果有限。此外，洪水主要从岛的西北部开始蔓延，使该区域的房屋面临更高的风险。本文的三维可视化工具对加尔维斯顿市的防灾减灾、应急响应和恢复计划具有重要参考价值，有助于更精确地识别高风险区域和易损房屋，为未来的防洪措施制定提供科学依据。
叶信岳，德克萨斯农工大学景观建筑与城市规划系教授、计算机科学与工程系附属教授，其研究领域涵盖地理空间人工智能、大数据科学、智慧城市与城市信息学。
https://www.arch.tamu.edu/staff/xinyue-ye/
Shoujia Li，德克萨斯农工大学景观建筑与城市规划系博士生，其研究方向涉及城市规划、景观设计等相关领域。
Ge Gao，德克萨斯农工大学地理空间科学、应用和技术中心学者。
David Retchless，德克萨斯农工大学加尔维斯顿校区海洋与沿海环境科学系副教授，专注于地理学、海洋科学及沿海环境科学相关领域的研究。
https://www.tamug.edu/mars/faculty-bios/DavidRetchless.html
Zhenhang Cai，德克萨斯农工大学景观建筑与城市规划系博士生, 目前参与加尔维斯顿数字孪生项目，主要研究方向为加尔维斯顿县的土地利用预测。
Galen Newman，德克萨斯农工大学景观建筑与城市规划系教授兼系主任。其研究领域涵盖城市再生、土地利用科学、空间分析、社区韧性和城市设计。
https://www.arch.tamu.edu/staff/galen-d-newman/
Jiaxin Du，伟谷州立大学计算科学学院助理教授，研究方向包括高性能GIS、大数据、分布式并行计算AI和网络科学。
https://www.gvsu.edu/computing/jiaxin-du-157.htm
Nick Duffield，德克萨斯农工大学电气与计算机工程系教授，数据科学研究院院长，Royce E. Wisenbaker讲席教授，计算机科学与工程系附属教授。
https://engineering.tamu.edu/electrical/profiles/duffield-nick.html
END
编辑/排版：范玲玉，肖之阳
审核：乔思
