城市建筑小区内涝风险快速识别与驱动因素分析
作者：王璇 张伟 刘方华 孔烨 孙慧超
摘要：城市内涝风险快速识别及致涝因素初步分析是开展城市内涝治理的首要工作，传统的城市排水模型模拟方法需要高精度的基础数据支持和较长的计算周期，难以满足城市内涝快速识别需求。基于泸州市中心城区建筑小区2015～2022年实际内涝灾害数据，通过核密度估计和空间相关性分析对中心城区建筑小区内涝风险空间分布进行了快速识别，并采用Spearman相关分析和地理探测器法对内涝驱动因素进行了分析。结果表明：泸州市中心城区建筑小区内涝风险呈现从中心向四周逐渐降低的趋势，高风险区域主要位于城北片区、中心半岛老城片区和龙马潭老城片区；土壤地质、土地利用、社会因素和降雨因素是内涝风险的主要驱动因素，并表现为多因素协同发生的复杂形式。研究成果可为泸州市内涝风险精细化模拟分析提供基础，也可为西南丘陵城市建筑小区内涝风险快速识别及致涝因素初步分析提供方法支撑。
关 键 词：建筑小区；城市内涝风险；快速识别；驱动因素；核密度估计；空间相关性分析；Spearman相关分析；地理探测器；丘陵城市
中图法分类号：TU992；TU998.4
文献标志码：A
DOI：10.16232/j.cnki.1001-4179.2024.05.004
0 引 言
全球气候变暖和城市快速发展的背景下，城市水文特征发生了显著变化［1］，短历时强降水和持续性降水事件频现［2］，导致城市内涝风险不断加剧，给居民生命财产安全和城市可持续发展造成严重威胁［3-4］。为全面提升城市应对内涝风险的能力，2021年国务院办公厅印发《关于加强城市内涝治理的实施意见》（国办发〔2021〕11号），明确要求各地统筹推进城市内涝治理工作时要编制内涝风险图，探索划定洪涝风险控制线和灾害风险区。其中，城市内涝风险区域的识别与评估是开展城市内涝治理工作的首要条件和基础工作。
目前国内外关于城市内涝风险评估的研究大多基于水文水动力模型模拟开展。Ma等［5］通过分析城市内涝点分布特征，动态调整SWMM模型径流参数，使得内涝点积水深度与实测数据更为接近，但该方法无法对内涝积水范围进行评估。尽管徐美等［6］利用一维二维耦合模型对不同降雨情境下的内涝积水深度、范围、持续时间等进行了精准识别，但识别信息为静态结果，无法体现内涝形成与演进的动态过程。He等［7］提出了一种基于深度学习的高分辨率水动力分析模型，模拟分析了山地和平原等复杂地形城市在多因素时空变化下的雨洪过程。这种方法虽然减少了一定的数据准备工作和模拟计算时间［7］，但对于较大尺度的城市区域而言，进行内涝过程的全面模拟仍然需要大量的数据支撑和较高的计算成本。
中国许多中小城市普遍存在基础数据缺失的情况，尽管近年来排水防涝设施普查和数据采集取得显著进展，但目前距离满足高精度内涝过程模拟需求尚存一定差距。与此同时，城市内涝分布通常具有空间差异性［8］，对内涝风险较低的区域无需进行过高精度的模拟，而内涝风险较高的区域则面临算力紧张的困境。因此，对内涝风险分布进行快速识别是有效平衡内涝模拟精度配置的关键。近年来，核密度分析法和空间相关性分析方法逐渐受到关注。张晨钰等［9］将核密度法与优化热点分析法进行对比，研究认为核密度法识别的内涝易发度结果更具代表性，且对致涝因素的分析更具解释力。Hinojos等［10］利用局部自相关分析方法探究了社会脆弱性和洪水暴露度指标在不同尺度下的空间关系，并根据聚类结果识别确定洪涝风险优先调控区。这类方法为城市内涝风险的快速识别提供了可行路径和有效方法借鉴。
城市内涝积水问题对城市居民影响较大的区域主要集中于城市道路和建筑小区，其中城市用地占比较高、人口密度较为集中的建筑小区更应该作为城市内涝风险重点关注对象。Park等［11］根据脆弱性和暴露程度指数分析不同用地类型的城市内涝风险特征，发现居民住宅区的内涝风险等级高于工业区和绿化区。Grahn等［12］通过对瑞典49次不同降雨事件引起的住宅建筑内涝事件进行统计分析，证实了城市不同区域住宅建筑的降雨情况和财产损失程度不同。因此，城市建筑小区内涝风险具有复杂性，采取有效方法快速识别建筑小区内涝风险对城市内涝治理工作的顺利开展具有重要意义。
城市内涝风险形成影响因素的探究是因地制宜制定內涝治理措施的重要前提，地理探测器法是开展致涝因素研究的新路径，并在北京［13］、兰州［14］、粤港澳大湾区［9］等地的内涝驱动力分析研究中得到应用。这类研究聚焦于平原城市，而城市内涝风险的成因与城市类型密不可分，与平原城市相比，山地丘陵城市的地形地貌更加复杂多变［15］，随着城市不断发展建设，大量山体和城市建筑相互交错［16］，使得此类城市的排水条件和内涝形成演进过程更加复杂，导致内涝风险程度更强、灾害潜在危害更大。从中国大陆地区整体地势地形分布上看，西南地区聚集更多山地丘陵城市，对此类区域内涝风险形成因素进行研究具有一定的普适性意义。
基于开展城市内涝风险快速识别的必要性和西南地区丘陵城市建筑小区本底条件的复杂性，本研究以长江流域西南丘陵城市四川省泸州市中心城区建筑小区为对象，根据泸州市2015～2022年内涝灾害资料，利用核密度估计法和空间相关性分析方法识别建筑小区内涝风险，并通过Spearman相关分析和地理探测器法分析内涝主要驱动因素，以期为西南丘陵城市建筑小区内涝风险快速识别和致涝因素初步分析提供技术支撑和方法借鉴。
1 材料与方法
1.1 研究区域
本文聚焦于长江流域典型西南丘陵城市四川省泸州市，将其中心城区的建筑小区作为研究区域（图1）。泸州市位于四川省东南部，长江和沱江交汇处，中心城区地形涵盖北部浅丘宽谷区、中部丘陵低山区和沿江河谷阶地区，整体地势北低南高。泸州市地处亚热带湿润气候区，季风气候分明，雨量充沛，中心城区年均降雨量为1 136.6 mm，集中于6～8月。中心城区内主要包含安富、安宁石洞、城北、城南、城西、高坝、龙马潭老城、沙茜、泰安黄舣、中心半岛老城等十大排水分区，各片区呈组团式分布。
泸州市中心城区的建筑小区在排水分区中的空间分布形式多样，主要包含建筑小区位于排水分区上游、建筑小区位于排水分区下游和建筑小区兼具排水分区上下游3种形式（图2）。建筑小区位于排水分区上游时，雨水管网不需要承担上游来水压力；位于排水分区下游时，雨水管网需要承担上游来水压力，更易形成内涝灾害；兼具排水分区上下游则同时包含上述两种情况的特性。由此可见，从城市尺度上看，泸州市中心城区建筑小区的区位条件和分布形式多样，内涝形成涉及的影响因素十分复杂。
1.2 数据来源与处理
本研究选取泸州市中心城区范围和建筑小区位置按照《泸州市国土空间总体规划（2020～2035年）》及相关资料确定。泸州市中心城区建筑小区实际历史内涝积水点位置由泸州市住房与城乡建设局提供，包含2015～2022年泸州市中心城区范围内共19处内涝点，利用ArcGIS软件对其矢量化处理，建立历史内涝点空间数据集（图3）。
将泸州市建筑小区产生内涝的影响因素分为降雨因素、地形因素、土壤地质、社会因素、土地利用、城市空间结构等6个类型，再将各类型细分为20项研究指标，具体指标选取及数据来源如表1所列。
1.3 核密度估计法
核密度估计法的原理是将内涝事件矢量化为具有空间特征的点，利用移动窗口估计点密度。因为考虑了数据点的空间位置，可以反映区域中数据点间的关系［20-21］，并可定量研究区域范围内的内涝积水点的空间分布和密集程度。内涝核密度在一定程度上能够体现内涝的影响程度和发生频率，并可进一步呈现出该区域的内涝发生风险。具体表达式为
式中：fn为内涝积水点核密度；n为研究区域中内涝积水点个数；x-xi为内涝积水点x到xi两点间距离；k为核函数；h为半径。
1.4 高低聚类分析
高低聚类分析（Getis-Ord General G）是开展局部自相关分析的前提。利用Getis-Ord General G分析可以评估出某种要素的空间相关性模式属于聚类模式、离散模式还是随机模式［22］，并可定量描述高值或低值的聚类程度，具体表达式为公式（2）。当整体结果呈现聚类模式时，才可对局部区域进行局部自相关分析。
式中：G值表示要素值与周围要素值的相关性系数，对其进行标准化所得Z（G）的正负分别表示高值聚类和低值聚类；xi、xj是要素i、j的属性值；Wij是要素i和j之间的空间权重；n为要素的总数目；?j≠i即为任意的i与j不能作为相同要素出现。
1.5 局部自相关分析
局部自相关分析（local indicators of spatial association，LISA）方法可以给定一组要素和一个分析字段，识别具有高值或低值的要素聚类，还可识别空间异常值［23］，其观测值的表达式如下：
式中：Ii是要素局部自相关性观测值，xi是要素i的属性值，x是对应属性的平均值，wij是要素i和j之间的空间权重，Si是样本标准差。
当计算所得观测值Ii值为正值，表示要素具有包含同样高或同样低的属性值的邻近要素，即该要素是聚类的一部分；当Ii值为负值，表示要素具有包含不同值的邻近要素，即该要素是异常值。
空间滞后值（spatial lag）表示某一观测值邻接要素的加权平均，其表达式如公式（5）所示：
式中：SLi是某一觀测值的空间滞后值，mi是该观测值邻接要素的个数，Ij是邻接要素的观测值，Wij是邻接权重。Wij值为1表示区域i和区域j相邻接，Wij值为0表示区域i和区域j不邻接。
根据观测值（Ii）和空间滞后值（SLi）的正负，可将所得结果分为4种局部自相关模式：① Ii及SLi都为正，表现为“高-高聚集”；② Ii及SLi都为负，表现为“低-低聚集”；③ Ii为正，SLi为负，表现为“高-低包围”（高值主要由低值围绕的异常值）；④ Ii为负，SLi为正，表现为“低-高包围”（低值主要由高值围绕的异常值）。
P值与Z值是判定假设检验结果的参数，可反映所得结果的显著性水平。P值表示观测所得空间模式是由零假设过程创建而成的概率，P值为0.1或0.05分别表示达到90%或95%的显著性水平。Z值表示标准正态分布下标准差Si=1的倍数，其表达式如公式（6）所示：
式中：u0表示样本长度均值;N（0，1）表示标准正态分布。
P值与Z值的组合呈现3种形式：① P值不显著，Z值无意义；② P值显著，Z值为正，拒绝零假设，结果呈聚集效应；③ P值显著，Z得分为负，拒绝零假设，结果呈离散效应。
1.6 Spearman相关分析
Spearman相关分析与变量的分布和样本容量无关［24］，其原理是将两个因子样本值正序排列，用排列位次代替实际数据进行计算，以衡量变量间的相关程度，如公式（7）所示：
式中：rs为相关系数；R（xi）和R（yi）分别为xi和yi的秩；n为样本个数。
1.7 地理探测器法
地理探测器（geographical detector）是一种解释空间分异性和内部驱动机制的统计学方法［25］，本研究中选择地理探测器法中的因子探测和交互探测模块对建筑小区内涝风险及相关驱动因素进行探测分析。以内涝点核密度作为因变量，以内涝影响因素指标作为自变量，采用自然间断点分级法对各变量进行重分类。因子探测是用解释力q值量化驱动因子对易涝点解释程度，如公式（8）所示。交互探测可探测双变量间的交互作用，对因素交互后的解释力与单一因素解释力进行比较，判断两因子间交互作用方向及方式，交互作用方式判断依据如表2所列。
式中：q为易涝点空间分布驱动因子解释力；h=1，2，…，L，为因变量或内涝驱动因素的分层；Nh和N分别为层h和研究区样本总数；σ2h和σ2分别为层h的方差、研究区样本总量的方差。
2 结果与分析
2.1 内涝风险分布快速识别
2.1.1 内涝核密度空间分布
根据泸州市2015～2022年建筑小区内涝积水点的实际坐标，计算建筑小区内涝点核密度，并绘制内涝点核密度分布图（图4）。从图4中可以看出，泸州市建筑小区内涝积水点分布呈现出明显的空间非均衡性，存在多个内涝高密度核心，主要分布在长江沱江交界处及两岸的老城区。此区域建设年代较早，管网排水标准低，不透水面积占比高，易形成内涝积水现象［26］。此外，这些区域临近长江和沱江，极端天气下可能面临洪水顶托管网、甚至倒灌等情况［27］，进一步加剧城市内涝。
2.1.2 内涝风险空间聚类分析
根据各建筑小区地块的内涝核密度计算结果，利用Getis-Ord General G分析得到Z值为23.87，P值小于0.01，通过显著性检验，表明泸州市中心城区建筑小区的内涝灾害分布具有显著的空间自相关性，并且其相关性模式没有呈现随机分布或离散分布，而是具有显著空间相似性的聚类分布，表现为高值聚类模式。通过LISA聚类分析可表征各建筑小区内涝核密度的局部自相关模式（图5）、Z值（图6）和P值（图7）的分布情况。
（1）位于城市中心区域的城北片区、龙马潭老城片区、中心半岛老城片区的建筑小区在内涝灾害分布上主要表现为高-高聚集。此类区域人口集中，建筑密度更大，受山地丘陵地貌影响，地形地势起伏大，同时存在较多地上地下交互空间，排水形式十分复杂。而早年间建设的较低标准的排水系统无法应对复杂的暴雨径流过程，使得内涝积水情况极易出现并在地势低洼处聚集，具有较高的内涝风险。
（2）沙茜片区、城西片区、龙马潭老城片区、中心半岛老城片区的部分建筑小区在空间位置上被多个内涝核心围绕，呈现低-高包围的局部自相关形式。随着极端气候事件和城市下垫面条件的不断改变，该地区可能在未来逐渐演变为内涝高风险区域。
（3）安富片區、城南片区、泰安黄舣片区和高坝片区的建筑小区远离城市主干水系，同时背靠南部、东部和西部的丘陵山地，具备较为有利的排水条件，因而内涝风险表现为低-低聚集。
2.1.3 内涝风险等级空间分布
结合内涝核密度分布和LISA聚类分析结果，利用自然间断点分级法将泸州市建筑小区按照内涝历史发生灾情风险划分为高风险、较高风险、中风险、较低风险和低风险5类区域，在ArcGIS中对5个分组结果进行聚类，形成建筑小区内涝风险等级分布情况（图8）。
泸州市建筑小区内涝风险呈现从中心向四周逐级递减的趋势，内涝高风险区域主要分布在城北片区、中心半岛老城片区和龙马潭老城片区，位于城市外围的安富、泰安黄舣、安宁石洞等片区内涝风险最低，二者之间的区域则是内涝风险的过渡地带。出现这种分布特点可能是由于城市外围区域没有进行全面的开发建设，保留了较多的雨水径流自然调蓄空间；同时，外围区域离城市主干水系较远，地形地势上具有较大坡度，周围密布支流水系，使得雨水径流可以较快行泄，并就近排入受纳水体。
2.2 内涝风险驱动因素分析
2.2.1 内涝影响因素相关性分析
（1）致涝因素与内涝风险的相关关系。用Spearman方法进行各影响因素与内涝风险的相关关系分析，结果如图9所示。在6大类影响因素中，土地利用类型对建筑小区内涝的影响最强，不透水面积占比（X16）与内涝风险呈显著正相关，而水体面积占比（X17）则与内涝风险呈显著负相关。其次是土壤地质因素，主要表现为土壤渗透系数（X12）和内涝的负相关关系，渗透系数越高，内涝发生的可能性相对越小。城市空间结构方面，建筑密度（X18）对内涝风险形成的影响最为显著，而建筑小区与受纳水体的距离（X20）同样不容忽视，这证实了城北片区、龙马潭老城片区和中心半岛老城片区建筑小区出现内涝原因的推测。社会因素中，人口密度（X14）与内涝风险呈现显著的正相关关系，而GDP（X15）虽然也与内涝风险呈正相关，但其相关系数（0.131）和显著性水平（0.05）均不及人口密度的影响，说明人口密度比GDP更能反映当地社会条件实际情况。
降雨因素对建筑小区内涝灾害产生的影响同样是显著的，在研究选取的4项降雨指标中，年均暴雨总量（X3）和年均暴雨日数（X4）与内涝风险呈现显著正相关关系，而最大单日降雨量（X2）和年均降雨量（X1）则呈现显著负相关关系，表明降雨总量与极值的降雨指标并未呈现与内涝风险的一致性关系，也从侧面体现致涝暴雨的随机性和复杂性特征，十分有必要针对致灾降雨特征与内涝形成演进耦合关系开展深入研究。地形因素中，地形起伏度（X11）和坡度（X6）对内涝的影响较大，尤其针对山地丘陵城市，坡度变化较大，陡坡处径流行泄速度快，对城市市政基础设施造成严重威胁，并对居民出行和避险造成一定困难［28］，而地形起伏较为复杂的区域也极易在低洼地带形成积水，是不能忽视的致涝因素之一。其次，地表粗糙度（X10）和坡向变率（X9）也与内涝风险呈现一定的相关关系，地表粗糙度较高的区域可能由于城市微地形等原因［29］，形成较为复杂的产汇流路径，从而形成一定的内涝风险，而坡向（X7）、高程（X5）等其他地形条件与建筑小区的内涝风险并未呈现显著的相关关系。
（2）致涝因素之间的相关关系。在内涝形成演进的过程中，因素与因素之间可能会相互影响。利用Spearman分析方法对影响因素之间的相关性进行计算，结果如图10所示。降雨因素中，年均降雨量和最大单日降雨量呈显著正相关，而又与年均暴雨总量呈现显著负相关，这与致涝因素和内涝风险的相关关系结果表现一致。地形因素中，坡度、坡向、坡度变率和坡向变率几个指标之间会相互影响，对其进行内涝驱动力分析时，这些指标的作用性质会存在一定共性。社会因素、土地利用类型和城市空间结构之间也存在一定的相互作用，但其相关关系并不显著。因此，在进行内涝驱动因素分析时，上述几类指标的作用需要分别剖析。
Spearman方法只能就各因素之间的数值关系进行分析，无法体现各因素的空间关系，然而建筑小区内涝影响因素具有非均衡的空间分布形态，并且一些因素的空间聚集模式与内涝风险分布特点呈现一定的共性。因此，各致涝因素的空间属性需要加以考虑和分析，才能更为准确地揭示内涝驱动因素的作用机制。
2.2.2 内涝驱动因素地理探测
（1）因子探测。对于每个影响因素，按照自然间断点分级法对其进行离散化和重分类，将得到的结果在地理探测器模型中进行因子探测，通过q值反映各因素对内涝风险的解释力，得到结果如图11所示。土壤地质因素中的岩体吸水率（X13）对内涝的解释力最高（0.237 8），这可能与山地丘陵城市的地质类型特点有关。其次，人口密度、年均暴雨日数和不透水面积占比也具有较高的解释力，q值分别为0.207 3，0.153 0和0.127 1，这表明了在城市内涝治理时需要重点考虑土壤地质、社会因素、降雨因素和土地利用因素。而水体面积占比、坡度变率、地表粗糙度、地形起伏度和坡度解释力较低，说明考虑空间属性的情况下，地形因素对泸州市中心城区建筑小区内涝影响并不明显。上述结果计算时均考虑了各要素的地理空间位置关系，与不含空间属性的传统相关性分析方法所得结果存在一定差异，表明了考虑地理空间属性的影响因素探测方法更能对内涝空间分布差异性的形成原因进行适宜解释。
（2）交互探测。各致涝因素之间的交互探测结果主要呈现非线性增强和双因子增强两种形式（图12），其中，非线性增强占比较高（89.47%），而双因子增强占比较低（10.53%）。在非线性增强的形式中，岩体吸水率和人口密度的协同作用对于内涝风险有最强的解释力度，q值为0.536 8，说明该情况可以解释53.68%的内涝风险分布原因；其次是年均暴雨总量和年均暴雨日数分别与岩体吸水率和人口密度协同。在双因子增强的形式中，岩体吸水率和不透水面积占比的协同、岩体吸水率和建筑形状系数（X19）的协同以及土壤渗透系数和人口密度的协同均有较强的解释力度（q值达0.3以上）。通过比较q值可以发现，各因素间协同作用对内涝风险的解释力均大于单一因素的解释力。说明内涝风险是多因素叠加的作用，即便单个因素解釋力不高，但与土壤地质、土地利用、社会因素和降雨因素等因素共同作用时会对内涝风险产生较大影响。
3 结 论
本研究利用核密度估计法和空间自相关法识别了泸州市中心城区建筑小区内涝风险，并通过Spearman相关分析和地理探测器法分析内涝主要驱动因素，得出以下结论：
（1）泸州市中心城区建筑小区的内涝灾害分布呈现出明显的空间非均衡性，具有显著的空间自相关性，且表现为高值聚集模式。利用核密度估计值进行局部相关性聚类分析，结合核密度空间分布和“高-高聚集”“低-低聚集”“高-低包围”“低-高包围”4种模式的聚类结果可快速识别出内涝风险区域。泸州市建筑小区内涝风险呈现从中心向四周逐级递减趋势，城北、中心半岛老城和龙马潭老城片区的建筑小区为内涝高风险区域。
（2）不考虑空间属性的情况下，土地利用类型对建筑小区内涝的影响最强，其次是土壤地质因素、城市空间结构和社会因素，降雨因素对建筑小区内涝灾害产生的影响显著高于地形因素。在考虑内涝空间分异性的情况下，土壤地质、土地利用、社会因素和降雨因素是内涝风险的主要驱动因素，并表现为多因素协同发生的复杂形式。
本文提出的内涝风险快速识别和致涝因素初步分析方法，更适合于规划阶段在城市或城区层面对内涝风险区域实现快速识别与初步判断，可为针对重点易涝区域在复杂降雨情境下开展精细化内涝风险形成、演进模拟分析评估提供目标导向，将有效提高城市内涝风险识别与评估工作效率。
参考文献：
［1］徐宗学，李鹏.城市化水文效应研究进展：机理、方法与应对措施［J］.水资源保护，2022，38（1）：7-17.
［2］HAMMOND M J，CHEN A S，DJORDJEVIC S，et al.Urban flood impact assessment：a state-of-the-art review［J］.Urban Water Journal，2015，12（1）：14-29.
［3］张鑫，刘康琦，王克树，等.2021年全球典型极端降雨灾害事件对比及综合防御［J］.人民长江，2022，53（8）：23-29，35.
［4］馬鑫，侯精明，李丙尧.城市极端暴雨涝情变化特征模拟分析：以宁夏固原市为例［J］.人民长江，2023，54（7）：1-7.
［5］MA B Y，WU Z N，HU C H，et al.Process-oriented SWMM real-time correction and urban flood dynamic simulation［J］.Journal of Hydrology，2022，605：127269.
［6］徐美，刘舒，孙杨，等.利用洪涝模型进行城市内涝风险快速识别与预警［J］.武汉大学学报（信息科学版），2020，45（8）：1185-1194.
［7］HE J，ZHANG L M，XIAO T，et al.Deep learning enables super-resolution hydrodynamic flooding process modeling under spatiotemporally varying rainstorms［J］.Water Research，2023，239：120057.
［8］WANG Y H，LI C L，LIU M，et al.Spatial characteristics and driving factors of urban flooding in Chinese megacities［J］.Journal of Hydrology，2022，613（B）：128464.
［9］张晨钰，王伟，黄莉，等.高度城镇化背景下粤港澳大湾区易涝点驱动力分析：以深圳市为例［J/OL］.水资源保护，2023：1-19［2023-10-11］.http：∥kns.cnki.net/kcms/detail/32.1356.TV.20230731.1817.003.html.
［10］HINOJOS S，MCPHILLIPS L，STEMPEL P，et al.Social and environmental vulnerability to flooding：Investigating cross-scale hypotheses［J］.Applied Geography，2023，157：103017.
［11］PARK K，WON J H.Analysis on distribution characteristics of building use with risk zone classification based on urban flood risk assessment［J］.International Journal of Disaster Risk Reduction，2019，38：101192.
［12］GRAHN T，NYBERG L.Assessment of pluvial flood exposure and vulnerability of residential areas［J］.International Journal of Disaster Risk Reduction，2017，21：367-375.
［13］胡文翰，张质明，赵鑫，等.基于VSD模型和地理探测器的北京城市内涝脆弱性评估及驱动机制分析［J］.水利水电技术（中英文），2022，53（10）：86-100.
［14］李秋萍，李雪梅，龚志远，等.兰州市中心城区内涝时空格局和成因分析［J］.遥感技术与应用，2023，38（4）：935-944.
［15］李德师，徐连军，陶涛，等.山地丘陵城市汇水区划分方法及内涝模拟分析［J］.中国给水排水，2021，37（1）：109-113.
［16］陈圆，毛绪昱，陈曦，等.山地城市内涝防治中问题及对策建议：以重庆市中心城区为例［J］.给水排水，2021，57（12）：35-39.
［17］高以新，李锦.1∶400万中国土壤图（2000）［M］.北京：地图出版社，2000.
［18］石坤全.泸州市总体规划区基岩层物理力学性质指标统计分析［J］.四川建筑，2005（增1）：126-130，133.
［19］徐新良.中国GDP空间分布公里网格数据集［DS/OL］.［2023-10-31］.http：∥www.resdc.cn/DOI.北京：资源环境科学数据注册与出版系统，2017.
［20］李存华，孙志挥，陈耿，等.核密度估计及其在聚类算法构造中的应用［J］.计算机研究与发展，2004（10）：1712-1719.
［21］李彬烨，赵耀龙，付迎春.广州城市暴雨内涝时空演变及建设用地扩张的影响［J］.地球信息科学学报，2015，17（4）：445-450.
［22］张松林，张昆.空间自相关局部指标Moran指数和G系数研究［J］.大地测量与地球动力学，2007（3）：31-34.
［23］陈彦光.基于Moran统计量的空间自相关理论发展和方法改进［J］.地理研究，2009，28（6）：1449-1463.
［24］樊嵘，孟大志，徐大舜.统计相关性分析方法研究进展［J］.数学建模及其应用，2014，3（1）：1-12.
［25］王劲峰，徐成东.地理探测器：原理与展望［J］.地理学报，2017，72（1）：116-134.
［26］陈鹏，朱娱莹.基于日降雨量的城市内涝灾害风险评价：以长春市南关区为例［J］.人民长江，2022，53（4）：26-30.
［27］陳文龙，徐宗学，张印，等.高密度城市暴雨洪涝治理理论框架及其应用研究［J］.水利学报，2022，53（7）：769-778.
［28］冷红，陈天，翟国方，等.极端气候背景下的思考：城乡建设与治水［J］.南方建筑，2021（6）：1-9.
［29］梅超，刘家宏，王浩，等.城市下垫面空间特征对地表产汇流过程的影响研究综述［J］.水科学进展，2021，32（5）：791-800.
（编辑：谢玲娴）
Rapid identification and driving factor analysis of waterlogging risk in
urban building communities
WANG Xuan1，ZHANG Wei1，2，3，LIU Fanghua4，KONG Ye5，SUN Huichao1
（1.Beijing Engineering Research Center of Sustainable Urban Sewage System Construction and Risk Control，Beijing University of Civil Engineering and Architecture，Beijing 100044，China；2.Key Laboratory of Urban Stormwater System and Water Environment，Ministry of Education，Beijing University of Civil Engineering and Architecture，Beijing 100044，China；3.Beijing Energy Conservation & Sustainable Urban and Rural Development Provincial and Ministry Co-construction Collaboration Innovation Center，Beijing University of Civil Engineering and Architecture，Beijing 100044，China；4.Luzhou Housing and Urban-Rural Development Bureau，Luzhou 646000，China；5.CAUPD Beijing Planning ＆ Design Consultants Co.，Ltd.，Beijing 100044，China）
Abstract：Rapid identification and driving factor analysis of urban waterlogging risk have been the primary requirements to implement urban waterlogging management.However，the traditional urban drainage modelling method requires high-resolution basic data support and a large modeling cost，which is difficult to meet the demand of urban waterlogging rapid identification.Based on the actual urban waterlogging disaster data of building communities in Luzhou City from 2015 to 2022，the spatial distribution of waterlogging risk in building communities was rapidly identified using kernel density estimation and spatial correlation analysis.Spearman correlation analysis and geodetector approach were used to investigate the waterlogging risk driving factors.The results show that the waterlogging risk of building communities in Luzhou City tends to decrease gradually from the center to the perimeter，and the high-risk areas are mainly located in the Chengbei region，Zhongxinbandao region and Longmatan region.The primary driving factors of the waterlogging risk are soil texture，land use，social factors，and rainfall factors，and they exhibit complex forms of multifactorial synergies.The results can provide a basis for high-resolution modeling of the waterlogging risk in Luzhou City，and the methods can also provide methodological support for a rapid identification of the waterlogging risk and preliminary analysis on factors contributing to waterlogging in urban building communities in hilly cities of southwest China.
Key words：building community；urban waterlogging risk；rapid identification；driving factor；kernel density estimation；spatial correlation analysis；spearman correlation analysis；geodetector approach；hilly city