三角洲复合洪水风险：海平面上升与地面沉降

　　近日，华东师范大学河口海岸全国重点实验室李秀珍研究员团队通过耦合多源数据和多模型方法，为理解三角洲地区复合洪水风险的动态演变提供了新的视角。理论上，它提出了一个可复制的综合评估框架，超越了单因子和静态评估的局限。现实意义上，研究结果为三个具有全球重要性的三角洲地区提供了具体的风险预估，揭示了不同区域风险驱动机制的差异。这些科学证据能够为决策者制定因地制宜的、具有前瞻性的适应策略提供支持，例如优化基础设施建设、实施基于自然的解决方案以及调整土地利用规划，从而增强沿海社区的气候韧性。相关成果以Compound flood exposure in global deltas: an integrated assessment of sea-level rise, subsidence, and socioeconomic dynamics为题发表在国际著名期刊Climate Risk Management。
 
提出科学问题
　　1、研究领域现状
　　三角洲地区是全球生态系统服务和经济活动的关键区域，但其低海拔的地理特征使其极易受到沿海洪水的影响。这一风险由两个主要驱动因素共同加剧：全球气候变化导致的海平面上升（Sea-Level Rise, SLR）和地表垂直形变，特别是地面升降（Vertical Land Motion, VLM）。
以往的研究在评估洪水风险时存在若干不足。首先，许多研究倾向于孤立地分析SLR或VLM的影响，未能充分揭示两者相互作用下产生的复合效应，这可能导致对未来风险的低估。其次，评估方法上，研究多依赖于简化的静态淹没模型（如“浴缸模型”），这类模型无法捕捉洪水传播的动态水文过程，从而影响了淹没范围预测的准确性。最后，在社会经济影响评估方面，现有研究常常忽略了未来人口和经济的动态变化，即未整合不同共享社会经济路径（Shared Socioeconomic Pathways, SSPs）下的发展情景，这限制了长期风险评估和适应性规划的科学性。
　　2、要解决的关键科学问题
　　针对上述研究空白，研究团队旨在构建一个整合了高精度地面沉降监测、动态水文模型和社会经济情景的综合评估框架，以系统性地解答以下问题：在全球三个典型三角洲（恒河-布拉马普特拉河-梅克纳河三角洲、密西西比河三角洲、长江三角洲），海平面上升（SLR）和地面沉降（VLM）的复合作用如何影响未来的洪水暴露程度？ 在不同的社会经济发展情景（SSPs）下，这种复合洪水暴露将对未来（2050年和2080年）的人口和经济资产产生多大程度的影响？在导致洪水风险增加的过程中，SLR和VLM的相对贡献度分别是多少，并且这种贡献度如何随时间和气候变化情景而演变？
　　3、研究的理论/现实意义
　　该研究通过耦合多源数据和多模型方法，为理解三角洲地区复合洪水风险的动态演变提供了新的视角。理论上，它提出了一个可复制的综合评估框架，超越了单因子和静态评估的局限。现实意义上，研究结果为三个具有全球重要性的三角洲地区提供了具体的风险预估，揭示了不同区域风险驱动机制的差异。这些科学证据能够为决策者制定因地制宜的、具有前瞻性的适应策略提供支持，例如优化基础设施建设、实施基于自然的解决方案以及调整土地利用规划，从而增强沿海社区的气候韧性。
 
研究结果
　　结论1: 三大三角洲的地面沉降（VLM）表现出显著的空间异质性，其中恒河-布拉马普特拉河-梅克纳河（GBM）三角洲的沉降速率最为严重（中位数-8.98 mm/year）。人类活动，特别是地下水开采、城市化和农业活动，是驱动地表形变的重要因素。
　　结论2: 未来洪水暴露（淹没面积、受影响人口和经济资产）将显著增加，尤其是在SLR和VLM的共同作用下。到2080年，长江三角洲面临的经济暴露最高，预计接近1万亿美元；而GBM三角洲的人口脆弱性最强，受影响人口可能超过2100万。
　　结论3: SLR是未来洪水风险增加的主导驱动力，其相对贡献度随时间推移和排放情景的增强而增加。尽管如此，VLM作为一个关键的放大因子，其贡献不容忽视，尤其是在GBM和密西西比河等沉降严重的地区，它显著加剧了洪水灾害的严重性。
 
 
分析过程和方法
　　该研究框架遵循一个清晰的三步流程：数据收集、模型模拟和淹没影响评估。这一框架系统地整合了地球观测、水动力学和社会经济学方法。
Figure 2. Methodological framework.
 
　　第一步：多源数据整合与预处理
　　1、地面沉降（VLM）数据：核心数据源是Sentinel-1A卫星的合成孔径雷达（SAR）影像。通过这些长时间序列的影像，研究人员得以监测地表的微小垂直位移。
　　2、地形数据：采用Diluvium DEM。这是一种通过机器学习模型校正和增强的全球高程数据集，其精度高于传统的SRTM或FABDEM，对于低洼平坦的三角洲地区洪水模拟至关重要。
　　3、水文与气候数据：历史洪水事件的水位数据来自沿岸的验潮站记录。百年一遇的极端水位高程则基于CoDEC全球极端海平面数据集。未来的海平面上升（SLR）数据则直接来源于IPCC AR6的区域海平面预测工具，涵盖了低、中、高三种排放情景（SSP1-2.6, SSP2-4.5, SSP5-8.5）。
　　4、社会经济数据：人口和GDP数据采用了与SSPs情景一致的1公里分辨率格网数据。这确保了未来的洪水影响评估能够与气候和社会经济发展路径相匹配。
 
　　第二步：核心模型模拟
　　此步骤是研究的技术核心，通过两个关键模型将物理过程与未来情景相结合。
　　一、利用SBAS-InSAR技术监测VLM
　　1、 方法原理：小基线集干涉雷达技术（Small Baseline Subset InSAR, SBAS-InSAR）是一种先进的雷达遥感分析技术。它通过处理多期SAR影像，构建时空基线较小的干涉像对网络，从而精确反演出地表在毫米级的长时间序列形变。
　　2、为何使用：相较于传统的GNSS点位监测，SBAS-InSAR能够提供空间上连续、高分辨率的形变场，这对于理解三角洲内部沉降的空间差异性至关重要。
　　3、 实现细节与挑战：研究团队使用ENVI的SARscape模块进行处理。一个关键挑战是，在植被覆盖茂密或水体区域，雷达信号的相干性会降低，导致InSAR结果出现数据空缺。为解决此问题，研究采用了数据融合填补（gap-filling）策略：对GBM三角洲，使用了一个基于机器学习的全球VLM预测模型进行填补；对密西西比三角洲，则使用了一个融合了InSAR和GNSS的高分辨率VLM产品。这一步骤确保了输入洪水模型的地形数据是完整和可靠的。
Figure 4. Spatial Patterns of Vertical Land Motion (VLM) in Three Major Delta Regions: (a) GBM Delta, (b) Mississippi Delta, and (c) Yangtze Delta.
　　二、利用LISFLOOD-FP模型模拟洪水淹没
　　1、 模型简介：LISFLOOD-FP是一个二维水动力模型，它能够模拟水流在复杂地形上的运动过程。与静态“浴缸模型”不同，它考虑了水流的惯性等物理特性，因此模拟结果更接近真实情况。该模型支持GPU加速，计算效率高，适合大范围模拟。
　　2、 情景设定：为了评估不同驱动因子的影响，研究设计了多个模拟情景：
　　（1）基准情景：使用历史地形（Diluvium DEM）和历史百年一遇水位作为边界条件。
　　（2）未来情景：通过组合不同的地形和水位边界条件来构建。 
　　✷地形输入（整合VLM）：通过对SBAS-InSAR获取的年沉降速率进行线性外推，生成2050年和2080年的未来DEM。公式为：未来高程 = 当前高程 - (年沉降速率 × 年数)。这是将VLM影响纳入洪水模型的关键环节。
　　✷边界条件（整合SLR）：在历史百年一遇水位的基础上，直接叠加IPCC AR6预测的相应年份和SSP情景下的SLR值，作为未来的动态水位边界条件。
　　3、模型验证：将模拟的历史淹没范围与WRI Aqueduct Floods等独立洪水灾害数据集进行比较，计算其空间重叠度（IoU得分），结果显示模型具有良好的一致性。
Figure 5. (a-c) Baseline 100-year flood inundation extents for the GBM, Mississippi, and Yangtze Deltas. (d-f) Projected submerged areas under 100-year return period flood scenarios for 2050 and 2080, considering SLR-only, VLM-only, and combined SLR+VLM conditions across SSP1-2.6, SSP2-4.5, and SSP5-8.5 pathways. Bars show medians; error bars denote the AR6 likely range (17th-83rd percentiles) across the simulation ensemble.
 
　　第三步：影响评估与归因分析
　　研究将物理模型的输出转化为社会经济影响，并解析各驱动因子的作用。
　　一、社会经济暴露评估
　　1、实现方法：这是一个标准的地理信息系统（GIS）空间叠加分析。将LISFLOOD-FP模拟生成的不同情景下的洪水淹没范围图层，分别与对应年份和SSP情景的人口和GDP格网数据图层进行叠加。
　　2、 量化指标：通过统计落在淹没范围内的格网单元的人口总数和GDP总值，来量化不同情景下的暴露人口和经济资产。
Figure 3. Overlay Analysis of Population or GDP with Flood Inundation Areas.
　　二、SLR与VLM相对贡献度分析
　　1、 实现方法：为了分离SLR和VLM的独立影响，研究额外设计了两个“单因子”模拟情景：
　　（1）SLR-only情景：使用历史DEM，但加载未来的水位边界条件（已叠加SLR）。（2） VLM-only情景：使用未来的DEM（已考虑沉降），但加载历史的水位边界条件。
　　（2）定量归因：通过比较“SLR-only”、“VLM-only”和“复合情景”相对于“基准情景”的暴露度增量，利用文中的公式（Equations 1.1-1.4）计算出SLR和VLM各自对总风险增加的百分比贡献。这种方法清晰地揭示了在不同区域和不同时间点，哪个驱动因素占据主导地位。
Figure 7. Relative contributions of sea-level rise (SLR) and vertical land motion (VLM) to changes in flood exposure across three major deltas under future SSP scenarios, based on (a) exposed GDP and (b) exposed population.
 
研究的局限性
　　1、VLM预测的非平稳性：研究对未来地面沉降的预测采用了线性外推的方式，即假设当前的沉降速率在未来保持不变。然而，现实中VLM受政策（如地下水开采限制）、资源管理和工程活动影响，其速率可能是非平稳的。未来的研究需要将VLM模型与水资源利用等社会经济模型进行耦合。
　　2、洪水情景的理想化：研究中对三个三角洲应用了同步的、统一的百年一遇（1% AEP）极端海平面情景。这是一种理想化的“压力测试”，现实中的风暴潮影响范围和强度沿海岸线是变化的。更精细的风险评估应考虑风暴事件的空间异质性。
　　3、模型验证的局限性：由于缺乏覆盖研究区的高精度、大范围的实测洪水淹没数据，模型的定量校准受到限制。研究采用了与其他模型产品进行对比验证的方式，但无法实现基于观测数据的严格校准。
　　4、 暴露度与脆弱性的区别：本研究量化了洪水暴露度（即处于风险区域的人口和资产数量），但未能全面评估社会经济的脆弱性。真实的洪水影响还取决于当地的防灾能力、基础设施韧性、社会不平等等因素，这些是暴露度分析无法完全涵盖的。
 
 
文献信息
　　Shupu Wu, Can Lu, Johan Reyns, Xvdong Zhou, Wenzhen Zhao, Jaker Hossain, Xiuzhen Li, Jiayi Fang, Weiguo Zhang, Heqin Cheng, Qing He. Compound flood exposure in global deltas: an integrated assessment of sea-level rise, subsidence, and socioeconomic dynamics. Climate Risk Management, 2025, 100775.https://doi.org/10.1016/j.crm.2025.100775