城市系统耦合风险防控技术发展研究

黄丽达 ,  陈杨 ,  陈涛 ,  袁宏永 ,  范维澄

中国工程科学 ›› : 1 -14.

PDF (1981KB)
中国工程科学 ›› : 1 -14. DOI: 10.15302/J-SSCAE-2025.12.038

城市系统耦合风险防控技术发展研究

作者信息 +

Development of Urban System Coupling Risk Prevention and Control Technology

Author information +
文章历史 +
PDF (2028K)

摘要

在城镇化和气候变化的双重驱动下，城市安全面临更加突出的系统性风险。城市复杂系统的跨域、跨界、跨系统的风险问题，对传统分割式风险管理范式构成根本性挑战，亟需发展与之适应的系统性防控方法论与技术体系。本文在辨析城市灾害风险时空分布变化、系统复杂性认知不足、预警响应衔接不畅、数智技术应用浅层化等发展挑战的基础上，提出了“风险感知 ‒ 灾害演化 ‒ 预警响应”全链条防控框架，机理认知深化、预报技术突破、预警能力构建、防控体系形成等层面的发展目标；凝练了“极端灾害 ‒ 基础设施 ‒ 社会系统”耦合风险演化规律、极端灾害系统动态风险预测评估与临界点识别方法、极端灾害的系统性协同防控与风险治理方法等关键科学问题，阐述了极端灾害与基础设施、社会系统耦合演化机制，融合数字孪生系统与社会系统模型的极端灾害模拟器，极端灾害的精准风险防控与风险治理理论，极端灾害防控的智能人机协同平台与应用等技术攻关要点。以郑州市“7·20”特大暴雨为参考场景，在合肥市开展了高保真时空移植的灾害推演，显现了所提技术框架的综合推演能力与场景适用性。进一步前瞻了全链条精细化风险评估、全局系统性风险认知、事前预演型决策支持、智能协同型风险治理、交叉融合式研究方法等城市系统耦合风险防控技术发展方向，为构建城市安全韧性体系提供了理论支撑与实践指引。

Abstract

Driven by rapid urbanization and climate change, urban safety is increasingly confronted with systemic risks. These cross-domain, cross-boundary, and cross-system risks in complex urban systems fundamentally challenge traditional risk prevention and control paradigms based on fragmented management approaches, thereby necessitating the development of adaptive systematic prevention and control methodologies and technological systems. This study first identifies major challenges, including the varied spatiotemporal distribution of urban disaster risks, insufficient understanding of system complexity, inadequate linkage between early warning and emergency response, and the superficial application of digital and intelligent technologies. Based on this, it proposes a "risk perception‒disaster evolution‒early warning and response" entire-chain prevention and control framework, together with development objectives in terms of mechanism understanding, forecasting technologies, early warning capabilities, and integrated prevention and control systems. Furthermore, several key scientific issues are identified, including the coupled risk evolution mechanisms among extreme hazards, infrastructure systems, and social systems; methods for dynamic risk prediction, assessment, and critical threshold identification under extreme events; and systematic approaches for collaborative risk prevention and governance. The study further proposes key technological directions, including the coupled evolution mechanisms among extreme hazards, infrastructure systems, and social systems; an extreme disaster simulator integrating digital twin systems and social system models; theories for precise risk prevention and governance; and intelligent human‒machine collaborative platforms and applications for extreme disaster prevention and control. Using the extreme rainstorm event that occurred in Zhengzhou on July 20, 2021 as a reference scenario, we conduct a high-fidelity disaster simulation in Hefei, demonstrating the comprehensive simulation capability and scenario applicability of the proposed technical framework. Furthermore, the study looks ahead to future development directions in urban system coupled risk prevention and control, including entire-chain refined risk assessment, global systemic risk cognition, pre-event rehearsal-type decision support, intelligent collaborative risk governance, and cross-fusion research methods, thereby providing theoretical support and practical guidance for building urban safety and resilience systems.

Graphical abstract

关键词

城市极端灾害 / 耦合风险 / 复杂系统 / 城市韧性 / 数智赋能

Key words

urban extreme disasters / coupled risks / complex systems / urban resilience / data and intelligence empowerment

引用本文

引用格式 ▾
黄丽达,陈杨,陈涛,袁宏永,范维澄. 城市系统耦合风险防控技术发展研究[J]. 中国工程科学, , (): 1-14 DOI:10.15302/J-SSCAE-2025.12.038

登录浏览全文

4963

注册一个新账户 忘记密码

一、 前言

城市是人口、财富、关键基础设施高度聚集的复杂空间载体。在城镇化和气候变化双重因素的驱动下，城市安全面临系统性风险挑战[1-9]。近年来，城市极端灾害频发，灾害过程呈现多灾种耦合、级联传导、快速演化等新特征，暴露出城市系统面对极端冲击时的脆弱性[10-14]。联合国经济和社会事务部数据显示，2018年全球有近60%的城市面临台风、洪水、干旱、地震、山体滑坡、火山爆发等高风险自然灾害，涉及14亿城市人口，部分大城市面临多达5种灾害类型[15]。在我国，超过70%的城市、50%以上的人口分布于气象、地震、地质、海洋等灾害的高风险区[16]。极端灾害风险因气候变暖与城镇化进程而加剧，灾害的突发性和异常性持续显现，大灾和巨灾风险积聚，防控难度持续增大。灾害影响通常突破单一系统边界，通过“自然 ‒ 工程 ‒ 社会”的复杂耦合链式反应形成跨领域、跨区域的系统性风险，对城市治理能力构成直接挑战。

城市系统耦合风险极为复杂，本质上是自然现象、工程结构性能、社会组织行为深度交织和动态互馈的产物[17-18]；仅从气象学、土木工程学、社会学、信息科学等单一学科视角出发开展的研究与实践，难以全面理解和有效应对这类跨域、跨界、跨系统的复杂问题。例如，精准预测极端降雨的社会影响，需要气象预报、水文模拟、设施承载力评估、信息传播规律、群体应急行为、管理决策流程的综合分析[19-21]。这种跨越“自然 ‒ 工程 ‒ 社会”的复杂性，对传统上基于单一领域知识和分割式管理范式的风险防控模式构成根本性挑战，亟需发展与之适应的系统性方法论与技术体系。

以事后响应为主要特征的传统治理模式，在应对极端灾害下高度耦合、动态演化的系统性风险时面临重大挑战[22-23]。城市系统是由物理设施、信息网络、社会组织构成的复杂巨系统[24-25]，内部存在的高度耦联性致使极端灾害风险极易引发链式反应和叠加效应[26-29]。例如，极端降雨不仅直接引发城市内涝，更可能影响变电站并涌入地铁、管廊等地下空间，进而触发停电、交通瘫痪、通信中断等次生灾害，最终导致救援受阻、影响外溢。风险防控需从关注单一工程设施的结构安全转向提升整个城市系统的动态适应、快速恢复、持续演进能力（即城市韧性）[30-33]。国际上，日本提出“社会5.0”愿景，目标是构建确保国民安全和安心并可持续发展的强韧社会[34]；欧盟提出创建更具韧性的欧洲社会，为威胁和灾难做好准备并及时反应[35]。我国拥有集中力量办大事的社会管理优势，未来需探索顶层动员能力与社区微观治理相结合，构建适应国情并显现特色的韧性城市[36-37]。

当前以人工智能（AI）、数字孪生、物联网为代表的信息技术快速发展，为从多学科交叉维度破解上述挑战提供了新的工具。AI算法能够基于海量的历史灾害数据、丰富的实时监测信息，驱动风险精准预测与复杂决策优化[38-41]。大模型尤其是大语言模型在理解多模态数据、生成个性化预警指令、提升模型可解释性方面展现出极大潜力[42-43]。数字孪生以构建虚实映射动态模型的方式，为城市系统仿真与风险推演提供新范式[44-46]，如新加坡计划构建全域覆盖的动态数字孪生平台，为城市精细化管理与风险评估设立技术标杆[47]。“移动通信+边缘计算”“移动通信+无人装备”等促进物联网的技术应用，推动灾害治理从响应驱动向预测调控演进[48-50]，为构建“感知 ‒ 认知 ‒ 决策”一体化的智能韧性技术体系筑牢基础。

面向发展挑战与现实需求，本文采用“自然 ‒ 工程 ‒ 社会”系统耦合视角，全面探讨极端灾害下城市复杂系统风险的生成机理、演化规律、防控路径，系统构建“机理认知 ‒ 技术突破 ‒ 能力构建 ‒ 体系形成”的全链条技术框架，再从认知、技术、治理等维度展望未来韧性城市的发展方向，为构建具有系统适应力的城市安全新范式提供理论参照。

二、 城市安全发展面临的主要挑战

随着全球气候变化影响持续深化、我国城镇化进程进入中后期，我国城市安全发展的基础环境经历了根本性变化。城镇化率提高带来人口、产业、基础设施在有限空间内的高度集聚，形成人口高度密集、财富高度集中、国家安全要素高度聚集、城市运行系统高度耦联的“四高”特征[51-52]。同时，气候变化作为典型的全局性、系统性风险，导致高温、暴雨、干旱等极端自然灾害在频率、强度、空间分布上发生显著改变，呈现多灾并发、链式演化、快速演进的新常态[53-57]。两种趋势相互交织、彼此强化，使现代城市系统在极端灾害冲击下的脆弱性急剧放大。传统上以单灾种、单系统、经验判断为主的风险管理模式，难以适配当前复杂、动态、高度耦合的新型风险格局。我国城市安全发展面临灾害风险新常态、城市系统复杂性、预警系统效能、数智技术应用等方面的主要挑战。

（一） 灾害风险时空分布发生变化

全球气候变化正在重塑灾害风险特征，极端复合型灾害事件的频度与强度不断提高，成为城市发展必然面对的新常态。这种变化正在更新人类对灾害的传统认知边界。印度尼西亚、斯里兰卡、泰国、马来西亚等东南亚和南亚国家在传统雨季应已结束的时期（2025年11月底至12月初）连续遭遇“森亚尔”“迪特瓦”等热带气旋与季风叠加带来的极端降雨，罕见的洪灾导致道路和通信中断、救援工作严重受阻，造成上千人死亡、数百万人流离失所[58]。这类事件颠覆了赤道无风带极少产生气旋的经典气象学认知，凸显了地球气候系统正在发生的深刻异动[59-61]。在此背景下，灾害风险呈现新常态，即时间和空间上的分布规律发生根本性偏移，传统上相对稳定的灾害高风险区正在扩展，过往被视为安全区的地方也可能遭遇极端冲击。

我国位于全球气候变化的敏感区和影响显著区，城市安全承受着较大压力，约2/3的城市曾遭受暴雨洪涝侵袭[62]，超过70%的大中城市位于地震高烈度区[63]。更为严峻的是，近年来“百年一遇”“千年一遇”量级的极端灾害事件频繁发生[64-65]，明显超出历史统计规律和既有工程设防标准的预期。我国主要雨带呈现北移趋势，北方部分地区的降水强度及历史规律可能被改写[66-67]。台风路径更为多变，部分台风不仅二次登陆而且深入内陆，影响范围甚至波及四川盆地，对传统上受台风影响较小的地区构成新威胁[68]。此外，全球地震活动呈现活跃态势，强震何时何地发生具有高度的随机性，而灾害后果具有不可预测性[69-70]。这些因素的共同作用，使极端灾害对居民人身安全、城市正常运行、经济社会稳定的威胁趋于复杂和严峻。灾害风险在时空维度上的新常态变化，从根本上动摇了传统风险治理体系依赖的稳态假设，对城市安全的认知范式、评估方法、应对策略构成系统性挑战。

（二） 城市系统复杂性与耦合风险研究薄弱

现代城市并非建筑、道路交通、地下管网、能源和供电系统等物理设施与基层社区、管理机构、公众行为等社会系统的简单叠加，而是成为两方面深度交织、动态演化的复杂巨系统；城市内部各类要素高度互联并相互依赖[71-75]。这种复杂性使任一子系统受冲击都可能通过连接网络产生连锁效应，引发跨领域、跨空间、跨系统的链式反应，即耦合风险或灾害链[76]。例如，极端降雨作为自然致灾因子和初始扰动来驱动风险演化，随后风险传导至工程系统（降雨超出地表与管网承载能力引发内涝），进而向社会系统蔓延（如电力中断影响水泵站、通信基站、医院等关键设施运行），引发信息不畅、公众恐慌与非理性行为，最终导致社会秩序紊乱。这一过程呈现“自然致灾因子→工程系统失效→社会系统紊乱”的传导路径，各环节皆可能因系统脆弱性耦合而产生非线性放大效应[77-78]。正在发展中的数智治理模式可能在此链条中引入新的风险，将风险从物理基础设施转移并放大至数字系统，构成现代城市特有的系统性脆弱点，如电网或通信中断可导致依赖实时数据与中央算力的监测预警和决策系统失灵，形成“电力／通信中断→数字系统瘫痪→应急指挥失效→灾情扩大”的次生灾害链。可见，城市系统的复杂性使极端灾害风险展示出“自然 ‒ 工程 ‒ 社会”相互关联的复杂演化路径，显现风险的耦合性与传导性。

当前研究与实践对这类跨空间、跨领域的复杂耦合风险的生成机理、动态演化路径、可能导致系统崩溃的临界阈值等认知尚浅。研究方法多局限于单一灾种或单一系统内部分析，缺乏有效模拟“自然 ‒ 工程 ‒ 社会”三元空间交互作用的综合性模型与风险评估工具，导致现有的风险防控策略通常是分割和滞后的，难以从城市系统的整体角度进行前瞻性韧性规划与协同应对，也就成为城市安全治理体系中的关键薄弱环节。

（三） 风险预警与应急响应脱节

我国部分地区初步建立了覆盖多灾种的监测预警网络，在灾害信息快速获取与发布方面取得进展[79-81]。然而，预警信息末端转化（让信息接收者从“收到”到“看懂”再到“照做”）效率不高，仍是当前城市安全体系的重要短板[82-83]。现有预警信息多以“某时某地预计将出现某种强度的灾害”形式发布，典型形式为降雨量预测数据、地震波到达时刻、暴雨预警和地质灾害预警的级别，实质上是基于灾害本身物理参数的灾害端预警。但对于身处复杂城市环境中的应急指挥部门、一线救援力量、社会公众而言，迫切需要可直接指导行动的响应端指引，即明确“灾害将产生何种具体影响、相关部门和人员应当立即启动何种应急响应程序”。

理想的预警响应闭环应当是：当暴雨来临时，不仅预测并提示雨量强度，而且结合实时水文数据、城市地形模型、基础设施脆弱性图谱，自动生成并推送分级分类的响应指令。这种将预警信息与应急预案、响应行动紧密衔接的模式，成为提升应急响应效能的关键。例如，为应急指挥部门提供基于情景推演的决策支持（建议启动防汛Ⅱ级应急响应，重点关注某区域的地铁线路调整与人员转移方案），对地铁运营公司直接下达可操作指令（根据历史积水数据与地势分析，某线路或某出口周边区域发生雨水倒灌风险极高，应立即安装防水挡板并准备调整该区间的列车班次），对基层社区推送明确的任务清单（某小区地下车库入口防洪能力不足，住户中老年人比例高，应优先组织该区域车辆转移并协助老人做好应急准备），向普通车主的手机端直接发送个性化通知（您常停放车辆的某停车场在未来数小时内内涝风险极高，应立即驶离）。然而，跨部门、跨系统的数据壁垒难以打通，导致基于影响的预测模型在精度、时效性方面仍有不足，预警信息发布与应急响应行动预案衔接不顺畅，大量预警信息仍停留在风险提示层面，难以自动且高效地转化为不同主体可执行的防灾指令[84]。这种预警与行动之间的脱节，使防灾减灾的窗口期未能获得充分利用，严重制约城市整体应急响应的效能。

（四） 数智技术应用浅层化与数据平台割裂

大数据、AI、数字孪生等数智技术在理论上为破解城市系统性风险提供了新的工具，但相关应用整体上处于碎片化、浅层化阶段，潜力未能转化为能力。这种应用困境首先体现在数据平台严重割裂，如不同管理部门、公用事业公司基于自身业务需求独立建设各自的监测系统和数据平台。以城市极端降雨事件应对为例，气象部门负责发布实时降雨数据并对未来降雨趋势进行预测[85]，住建部门拥有排水管网的实时流量监测数据[86-87]，交通部门掌握道路路况（包含路面拥堵、积水点）的监控信息[88]，电力公司监控变电站和电网的运行状态[89]，民政部门和社区层面负责统计脆弱人群信息；相关数据本应共同构成城市风险感知的“神经末梢”，但因各类平台的技术标准、数据格式、管理权限不一，形成互不联通的数据“孤岛”[90-91]。

数智技术为解决相关困境提供了新的路径。基于AI技术的数据智能处理能力有望突破现有数据壁垒。构建统一的数据语义理解层，应用AI技术开展多源异构数据的自动识别、语义对齐、关联分析，为跨部门数据融合提供技术能力。在智能分析平台上开展分散数据的深度挖掘，应用知识图谱、模式识别等技术发现传统方法难以识别的跨系统风险关联，为全域风险态势研判提供支撑。然而，AI技术的城市安全应用仍面临深层挑战。数字孪生、AI等技术应用多停留在局部场景的点状演示层面，如特定地铁站的洪水淹没模拟[92-93]、利用AI算法识别摄像头成像中的积水情况[94-95]，尚未形成覆盖“全域感知 ‒ 风险认知 ‒ 智能决策 ‒ 协同行动”全链条的深度赋能能力。核心瓶颈在于统一、开放、标准化的城市安全数据底座和智能分析平台缺失，难以支撑复杂耦合风险的跨系统、全要素实时模拟、推演和协同决策；技术逻辑、治理逻辑之间出现脱节，数智技术工具难以真正嵌入城市安全运行的具体过程，制约了风险防控的整体效能。

三、 城市系统耦合风险防控的基本构思

（一） 发展思路和目标

应对极端灾害条件下城市系统呈现的复杂耦合风险，需要改变传统上单一和被动的防灾模式，构建“风险感知 ‒ 灾害演化 ‒ 预警响应”全链条防控体系。立足多学科交叉融合，深化对城市极端灾害链演化规律的系统性认知，推动数智技术的融合应用与赋能升级。重点突破级联风险演化规律、复杂网络灾害传导机理、灾害预警与响应机理、智能人机协同等防控治理技术，建立精准感知、动态推演、智能决策、协同管控一体化的韧性防控能力，推动从灾后应对到事前预控、从局部防护到系统调控的战略转型，形成具有自适应、自演化能力的城市安全新范式。应围绕机理认知深化、预报技术突破、预警能力构建、防控体系形成4个维度，开展层次分明的系统性布局并进行分阶段推进，实现从被动应急向主动防控、从单点防护向系统韧性、从经验决策向智能预演的根本性转变，为构建安全、韧性的现代化城市提供全面支撑。

在机理认知深化层面，目标是突破现有研究局限，建立从物理设施到社会系统多元耦合的理论体系。重点揭示极端灾害下城市复杂系统的级联效应与非线性演化规律，解析灾害链的生成条件、传导路径与临界阈值，发展跨尺度、多过程的耦合动力学分析方法。构建复杂系统交互理论框架，支持从单一灾种分析向复合链式灾害认知的范式转变，为风险防控提供理论基础。

在预报技术突破层面，目标是研发前瞻性的城市极端灾害精准预报技术体系。重点突破复杂环境下多源数据同化、跨系统耦合建模、智能风险评估等关键技术，建立从灾象预报到影响预报的技术路径。攻关数字孪生与大语言模型在风险推演应用的瓶颈，发展物理机理与数据驱动融合的预报方法，提升极端灾害链的预见期和预报精度，为风险防控提供技术支撑。

在预警能力构建层面，目标是建立分级分类的精准预警能力。围绕“监测 ‒ 研判 ‒ 发布 ‒ 响应”全链条，突破基于影响的预警信息生成、多渠道精准发布、预警效能评估等关键技术，构建覆盖“市 ‒ 区 ‒ 社区”的多级预警体系。将预警信息从风险提示转化为行动指引，建立面向管理部门、企业、社会公众的差异化预警信息产品，提升预警信息的针对性、实用性和有效性。

在防控体系形成层面，目标是构建协同高效的现代化防控体系。实施体制机制创新、推动技术赋能，建设平时 ‒ 战时结合、“管理部门 ‒ 基层 ‒ 社会公众”协同的防控格局。形成基于数字孪生的情景推演与决策支持能力、基于大模型的应急指挥与资源调配能力、多元参与的协同响应能力，构建符合高质量发展要求的城市灾害防控新范式。

（二） 涉及的关键科学问题

1. “极端灾害 ‒ 基础设施 ‒ 社会系统”耦合风险演化规律

揭示极端灾害通过城市复杂系统引发连锁反应的动力学机制，突破单灾种孤立研究的局限，构建可阐释“自然 ‒ 工程 ‒ 社会”全链条交互作用的耦合理论框架。现代城市中各类基础设施与社会系统均高度互联，当一种设施或系统遭受冲击时，风险会沿着既有的连接路径传导、放大甚至引发预期之外的新风险。深入研究跨域（如地表至地下）、跨界（如交通至电力）、跨系统（如物理设施至社会秩序）的传导路径与放大效应，厘清系统失效的临界阈值。解析基础设施损毁、社会系统紊乱、数字化治理失序等多重情景下灾害影响与人员避险行为、组织决策等要素的互馈机制，为阻断风险传导提供理论依据。

2. 极端灾害系统动态风险预测评估与临界点识别方法

开展系统性风险的精准预测与早期预警，提出物理机理与数据驱动深度融合的新范式，推动风险评估从依赖历史统计的静态模式向动态追踪演化过程的预见性模式转变。传统风险评估方法通常基于静态和早期的历史数据，难以捕捉灾害风险新常态下城市复杂系统的动态演化过程。需要发展新的方法论，将反映物理规律的理论模型与擅长从海量数据中学习规律的AI技术融合应用，寻找系统从量变到质变的转折点或临界阈值（识别可能引发系统崩溃的转捩点）。构建动态风险评估模型，对风险演化轨迹的模拟推演和临界状态进行早期识别，为采取有效干预措施提供科学依据。

3. 极端灾害的系统性协同防控与风险治理方法

将风险认知转化为高效防控行动，探索建立人机协同的智能治理新方法，超越传统事后响应模式的局限性。鉴于城市系统的复杂性、社会构成的多元性，单一的防控措施通常仅能针对局部或单一环节风险，难以应对跨越自然、工程、社会维度的系统性风险，在灾害风险的新常态下更显能力不足。建立协调不同主体、优化资源配置的协同治理理论与方法，根据社会不同群体的脆弱性差异来实施精准化的保护措施，设计激励相容机制以促进管理部门、企业、社区等多方力量的有效协作，在极端压力情境下做出快速且科学的群体决策。探索系统性协同防控的机制与模式，成为城市整体韧性提升的最终依托。

四、 城市系统耦合风险防控技术攻关要点与应用验证

从关键技术攻关、应用验证两个层面深入阐述核心技术路径，以充分应对极端灾害下城市系统面临的复杂耦合风险。聚焦灾害耦合演化机理、智能模拟器构建、精准防控理论、协同平台设计等关键方面，提出全面的技术攻关框架。研发“科学 ‒ 工程 ‒ 风险”多引擎协同的模拟推演系统并在典型城市开展高保真的“时空移植”推演，在对技术体系的可行性与有效性进行实证检验的基础上，形成“理论攻关 ‒ 技术研发 ‒ 应用验证”的闭环。

（一） 关键技术攻关要点

1. 极端灾害与基础设施、社会系统耦合演化机制

重点研究全球气候变化背景下我国极端灾害风险的时空演变特征，揭示极端灾害、基础设施、社会系统之间的动态耦合作用与灾害演化规律。解析灾害跨域、跨界、跨系统的传播路径与传导机理，厘清灾害链演化过程中的级联放大效应、系统性失效模式、系统相变等关键致灾机制，发展灾变临界点的识别与预警方法。面向城市基础设施遭受物理破坏与功能受损、社会系统运行异常、数字化治理失序等多重复杂情景，探讨灾害影响与人员避险行为、组织应急决策、社会群体互动等要素的互馈响应规律。构建“自然致灾因子 ‒ 工程防御系统 ‒ 社会响应行为”全链条耦合动力学模型，量化不同干预措施对灾害链演化的调控效果，为阻断风险传导提供直接支撑。

2. 融合数字孪生系统与社会系统模型的极端灾害模拟器

研发可再现长灾害链全过程的极端灾害耦合模拟器，适用于暴雨、台风、地震及其引发的城市内涝、生命线工程中断等复杂灾害场景。融合物理机理模型、数字孪生技术、复杂网络理论、智能体仿真工具，构建可刻画物理世界与社会系统交互作用的综合模拟环境。以“物”为中心，发展针对极端灾害物理过程的高保真数字孪生推演技术，集成高精度地理信息、基础设施拓扑结构、实时监测数据，开展灾害冲击演变过程（如洪水淹没演进、建筑结构损伤、城市生命线工程失效）的动态模拟，支撑对灾害物理影响的精准复现与预测。同时以“人”为中心，构建面向社会公众、社区、管理部门的AI智能体仿真方法，为不同主体赋予规则与学习能力，模拟信息传播、个体决策、行政管控等社会因素对灾害演变的反向影响，揭示“人”的行为对物理风险的放大或缓解作用。通过物理世界数字孪生推演、社会智能体仿真的耦合应用，构建覆盖多灾种、多情景的极端灾害情景库，为耦合风险定量评估、预警阈值设定、防控方案优化提供虚拟试验平台。

3. 极端灾害的精准风险防控与风险治理理论

发展面向精准预警、有效响应、系统韧性提升的风险防控与治理理论。突破传统模式局限，研究物理规律与AI结合的新型方法论，构建兼有时效性与精准性的风险预测模型及预警发布方法，支持与风险时空演化动态相适应的精细化、靶向化预警。研究AI智能体驱动的多主体协同决策模型，揭示公众风险感知、决策过程、响应行为的异质性规律，阐明管理部门、社区、社会公众等主体在应急响应中的角色定位与互动机制；破解信息壁垒、行动脱节难题，显著提升预警 ‒ 行动的转化率，确保预警信息高效转化为各方的具体避险行动。发展风险智能应对与动态调控、系统性韧性增强等方法，提出包含风险对冲、缓解与适应等策略的综合治理框架，形成从短期应急到长期韧性的全周期治理方案，为优化资源配置、提升城市系统恢复能力提供直接支持。

4. 极端灾害防控的智能人机协同平台与应用

研发支撑极端灾害全链条精准防控的智能人机协同平台，推动实际治理中的有效应用。研究部门协同、社区自治、公众参与相融合的社会治理模式，揭示跨层级、跨部门协同的关键瓶颈与突破路径。在技术层面，将极端灾害模拟器、数字孪生、复杂网络分析、多智能体仿真等技术嵌入智能治理框架，构建兼顾运行韧性、数据安全能力的决策平台。平台采用“云端 ‒ 边缘”协同架构，以应对极端情况下的网络或电力中断；建立分级数据治理体系并采用隐私计算等安全技术，确保敏感数据在合规前提下的安全协同应用。平台将从海量数据中自动识别风险征兆，利用仿真推演预判灾害演化，为不同层级决策者提供动态优化的协同响应方案，支持“机”的智能算力、“人”的决策智慧高效融合。基于上述平台与模式，提出覆盖灾前预防、灾中响应、灾后恢复全周期的一体化防控与协同治理方案，在典型城市（如位于地震带、暴雨多发区）开展应用示范，检验并优化平台功能与治理模式，形成可复制、可推广的现代化灾害防控解决方案。

（二） 典型应用场景下的模拟推演与验证

为了将理论框架转化为可操作的决策工具并验证技术路径的可行性，本团队研发了“科学 ‒ 工程 ‒ 风险”多引擎协同的城市极端灾害模拟推演系统（见图1）。该系统集成了高精度物理模型、基础设施状态计算与动态风险评估能力，构建了面向城市极端灾害的全链条模拟推演平台，实现“监测 ‒ 预报 ‒ 推演 ‒ 评估”的一体化分析。其中，科学引擎以设计降雨、短临预报、高精度数字高程模型（DEM）／数字表面模型（DSM）、管网数据等为基础，结合边界入流计算和参数率定方法，生成城市积涝水深数据，进一步支撑承灾体脆弱性建模和城市系统功能网络建模。工程引擎集成气象、水文、地理信息系统、实时传感器等多源数据，应用承灾体状态计算、复杂网络计算、外部灾害仿真、蒙特卡洛抽样、链式效应分析等方法，实现灾害情景下关键基础设施状态演化模拟并形成实时风险预警能力。风险引擎进一步融合电网、路网、通信、建筑等方面的数据，采用故障树分析、网络分析算法、故障模式与影响分析等方法，评估基础设施功能退化、服务中断范围及其级联影响，形成“致灾因子 ‒ 承灾体响应 ‒ 系统功能失效”的全链条风险模拟能力。

以郑州市“7·20”特大暴雨为参考场景，在合肥市开展了高保真时空移植推演。在推演过程中，应用大语言模型构建了检索增强生成、智能体、提示工程相融合的混合决策智能问答系统（见图2）。该系统集成灾害动力学模型、可视化风险态势推演、多源数据智能解析、自然语言指令交互、处置方案智能生成等模块，支撑“情景计算 ‒ 模拟推演 ‒ 风险问答 ‒ 分析决策”全链条任务的智能解析与交互式分析。推演设定了等效极端降雨情景（过程雨量为604.3 mm），动态模拟了从雨水径流、管网排水到地表淹没的全过程，为进一步对地铁网络等承灾体进行耦合风险分析提供了基础条件。基于系统的智能解析与交互式分析能力，不仅识别了不同时段、不同线路的站点积水风险分布情况，而且对不同重现期降雨条件下关键基础设施的脆弱性进行了精细化评估（如火车站、重点地铁站等节点在强降雨下存在较高的风险）。在此基础上，通过系统中叠加人口、交通、医疗资源等数据，进一步量化了关键生命线中断的潜在影响，基于图计算和智能体技术辅助生成了灾害预判预警与处置措施方案建议。这一技术应用流程表明，构建的智能问答系统及其支撑的灾害模拟推演方法与数智技术，实现从灾害复杂机理与演化过程到灾害可视化直观认知、从专业分析到决策支持的贯通，验证了多源信息融合、风险动态解析、防控策略智能生成方面的综合能力。

本研究开展的典型应用场景模拟推演，显现了所提“机理认知 ‒ 技术突破 ‒ 能力构建 ‒ 体系形成”全链条技术攻关框架的集成有效性与综合验证能力。相关应用不同于单点技术或单个模型的“点”状测试，而是构建了“科学 ‒ 工程 ‒ 风险”多引擎协同的模拟环境，在操作层面贯通了从致灾机理、工程失效到社会影响的完整耦合路径，进而系统性地验证了数字孪生、智能体建模、图计算等数智技术与复杂系统理论融合的可行性。更为关键的是，模拟推演将各类攻关要点置于统一且真实的城市灾害情景中进行联动检验，验证了各类攻关要点协同运作的有效性，构成了从理论方法到技术工具再到决策能力的闭环。推演过程中生成了精细的风险态势图谱，搭建了专业理论分析与实战处置决策之间的“桥梁”，将基于复杂模型的风险认知直接转化为面向预警发布、资源预置、协同调度的具体行动方案。典型场景模拟可视为对整个技术发展路径科学性、可靠性、可用性的实证，为城市风险治理从依赖历史经验和静态预案转向融合动态推演与智能仿真提供了支撑。

五、 城市系统耦合风险防控技术发展方向

（一） 复合链式灾害风险动态评估从“单点静态”向“全链条精细化”跨越

传统的城市灾害风险评估多聚焦单一灾害类型对特定设施或区域的独立影响，也较多采用基于历史统计数据的静态概率模型[96-99]；将城市系统简化为孤立承灾体，难以刻画极端条件下多系统、多要素之间的非线性与动态耦合的灾害链演化过程。例如，在评估台风风险时，传统模型可以分别分析建筑抗风性能、排水管网能力，却忽视强风引发电网故障进而导致泵站停机、排水能力下降以及交通受阻影响抢修等连锁反应。这种单点静态模式无法揭示风险在基础设施网络与社会系统之间的传导路径及放大机制，导致风险认知存在盲区，不利于制定系统性防控策略。

未来发展中应以多源数据融合与智能算法赋能为基础，集成实时监测、高精度地理信息、基础设施拓扑及社会感知数据并运用复杂网络理论、物理机理模型与AI算法，对灾害链各环节的触发概率、耦合关系、影响程度进行精细化量化与动态模拟，构建可以再现“自然 ‒ 工程 ‒ 社会”全链条交互作用的动态风险评估体系，推动评估对象从单点向网络转变、评估内容从强度向影响深化、评估模式从静态向动态演进。以台风灾害风险评估为例，应用全链条精细化模型，在台风来临前预测风速与降雨量，动态推演变电站损毁风险及其影响的排水泵站分布，进而评估内涝对地铁运行、医疗救护与人员疏散的社会影响；风险评估的产出不限于灾害强度的时空分布，而是涵盖工程失效概率、社会功能中断范围、经济损失预估等维度的综合风险态势图谱。这一转变将从根本上提升对复合链式灾害的系统认知能力，为划定重点防控区域、优化应急资源预置、制定精准疏散预案提供科学依据，推动风险治理从被动承受向主动驾驭的范式转变。

（二） 系统论与数字孪生驱动风险认知从“局部有限”向“全局系统”演进

当前的城市风险认知多局限于局部子系统或特定灾害类型分析，而缺乏将城市视为有机整体的系统视角。数字孪生技术是破解这一难题的关键路径，正在从静态三维建模转向全要素、全流程、全生命周期的动态孪生[100-101]。在数字孪生平台上构建与物理城市高保真且实时同步的虚拟镜像，融合基础设施运行、环境监测、社会活动等方面的数据，将促进对城市复杂系统的全面感知与深度洞察。可着力在三方面进行突破以推动实际应用：优化数据质量、标准与更新机制，支持海量异构数据的高效接入与融合，保障物理城市与虚拟镜像的高保真和实时同步需求；在模型中纳入关键反馈机制，适应城市复杂系统特别是社会系统的行为精确建模需求；建设或调配大规模高精度仿真计算资源，保障应急场景下的实时推演需求。

结合系统论的整体观和复杂性科学方法论，风险认知有望实现从“局部有限”到“全局系统”的跨越。决策者可在虚拟空间中模拟各类极端灾害情景，动态推演风险在物理设施与社会系统之间的传导路径，识别出系统性脆弱环节与关键耦合节点。例如，针对地震灾害，在数字孪生平台上模拟建筑结构损伤后效，进一步推演通信中断对应急指挥效率的影响、社会恐慌情绪通过信息网络扩散并反作用于疏散秩序的连锁反应。这种全局性、系统性的风险认知将超越碎片化治理模式，从城市整体安全的高度出发规划韧性提升策略、优化基础设施互联关系，推动风险治理从被动应对局部事件向主动调控系统韧性演进。

（三） 大模型增强仿真推演推动决策支持从“事后复盘”向“事前预演”变革

传统的应急决策主要依赖历史案例的“事后复盘”与预设预案执行，在应对前所未见的极端灾害场景时面临适应性与有效性的严峻挑战。大模型具备强大的自然语言理解、多模态信息融合、复杂逻辑推理能力，可深度挖掘海量历史灾害报告、学术文献、应急预案中的隐性知识，构建蕴含丰富灾害应对经验的数字智库，从而提供决策支持模式的变革潜力。大语言模型与先进仿真推演技术融合应用后，使应急决策从主要依赖经验的“艺术”转向融合海量知识、实时数据与智能算法的“科学”，驱动决策支持从“事后复盘”向“事前预演”范式转变，极大增强应对极端不确定性时的决策科学性与前瞻性。

构建智能情景，基于灾害预报与实时态势自动生成多种可能的灾害演化情景，特别是小概率、高后果的“黑天鹅”事件场景。开展交互式推演与策略评估，支持决策者使用自然语言指令系统模拟发布暴雨红色预警后地铁部分线路停运、重点区域人员提前转移策略的效果，在数字孪生环境中快速推演并量化不同策略下的关键指标（如预计伤亡、经济损失、交通恢复时间）。提供可解释的决策建议，在推荐方案的基础上以可理解的方式解释优劣势与潜在风险，提升决策的透明度与可信度。

（四） AI智能体赋能风险治理从“流程驱动”向“智能协同”升级

当前，城市应急管理主要依托基于预设流程的指挥协调模式，在面对高度复杂且快速演化的极端灾害链式风险时信息传递效率、动态响应能力存在不足[102-104]。以多智能体强化学习、群体智能决策为代表的AI技术，为构建数据驱动、智能协同的新型治理模式提供关键支撑。极端灾害下数据本身可能缺失、中断或失真，需要缓解AI模型对高质量、实时、标准化数据的依赖程度。以深度强化学习模型为代表的AI模型存在“黑箱”问题，需要提高关键应急场景下决策逻辑与结果的可解释性及可信度。智能体的自主决策与协同机制仍处于实验室或小规模验证阶段，需验证大规模、高并发、高压力真实灾情下的鲁棒性与稳定性。在此背景下，为城市不同应急响应单元（如管理部门、关键基础设施运营方、现场救援力量、社区组织）嵌入具有自主感知、智能分析、协同决策能力的AI智能体，探索构建分布式的智能响应网络，有望实现风险应对模式的根本性优化。

风险治理将呈现态势感知精准化、决策响应敏捷化、资源调配精准化的新趋势。例如，当地铁系统的监测智能体感知到洪水倒灌风险时，可尝试自主启动防水措施，同时将风险信息及处置建议推送至交通管理智能体；交通管理智能体基于实时路况与客流数据，可动态优化公交接驳方案并将调度指令下发至相关车辆智能体。社区级智能体依据脆弱人群的分布信息，可自动生成疏散建议并推送至工作人员终端。这种基于智能体的协同机制，将传统上以流程和预案为中心的响应模式升级为以实时数据驱动、智能协同决策为特征的新型应急响应范式，支持形成“中心统筹 ‒ 节点自主”的混合治理结构；提升极端条件下多部门、多层级之间的协同效率，增强应急管理系统在面对不确定性时的适应能力与韧性，为构建现代化城市灾害防控体系提供具有可行性的技术路径。

（五） 交叉学科融合驱动研究方法从“学科分立”向“交叉融合”跃迁

城市系统面临的多维风险具有内在的复杂性与耦合性，单一学科的理论方法难以提供全面有效的解决方案，需要打破学科壁垒，在土木工程、信息科学、气象学等自然科学与工程技术的基础上，融入复杂系统科学、社会学、公共管理学、经济学、行为心理学、人文艺术等学科的知识体系与研究范式，推动研究方法从“学科分立”向“交叉融合”的实质性跃迁。例如，精准模拟灾害情景下的疏散行为，涉及交通工程的运筹模型、社会学对群体心理与决策规律的理解、行为心理学对个体在压力环境下认知偏差的洞察；集成工程学的成本效益分析、经济学的宏观模型、管理学的组织效能分析，开展韧性投资效益的科学评估。未来需要布局和建设跨学科研究平台、项目团队、人才培养体系，激励知识碰撞与方法论创新，催生可从根本上理解和应对城市复杂性的新理论、新模型、新解决方案，为城市安全韧性技术的创新发展筑牢学科基础。

六、 结语

面对灾害风险时空分布变化、系统复杂性认知不足、预警与行动脱节、数智应用浅层化等核心挑战，本文探讨了极端灾害背景下城市系统耦合风险防控的技术发展路径，提出了以“机理认知深化、预报技术突破、预警能力构建、防控体系形成”为战略导向的韧性城市建设框架。可围绕灾害耦合演化机理、智能模拟器构建、精准防控理论、人机协同平台等展开技术攻关，基于数智技术推动风险评估从“单点静态”向“全链条精细化”跨越、决策支持从“事后复盘”向“事前预演”变革、治理模式从“流程驱动”向“智能协同”演进。通过跨学科融合与“技术 ‒ 管理 ‒ 制度”的深度协同，为构建具有系统性韧性、自适应能力、可持续演进特性的现代城市安全治理体系提供理论依据、辨明实践方向。

未来，推动学科交叉与典型城市的深度应用示范，凝练出可复制、可推广的理论模式与实践路径，为推进中国式现代化目标下的城市安全治理提供坚实的学理支撑。随着全球气候变化影响的持续深化与城市复杂性的加剧，需在以下层面开展深入研究。在基础理论方面，深化对“自然 ‒ 工程 ‒ 社会”系统之间非线性交互、临界转换、自适应演化内在机理的认识，发展准确描述多尺度、多过程耦合动力学的理论框架。在方法创新方面，着力突破多源异构数据的语义对齐和知识融合瓶颈，探索物理模型与数据驱动模型的双向嵌入机制，发展兼具可解释性与泛化能力的混合智能建模方法。在技术治理方面，重点探讨数智技术在极端灾害下的韧性保障机制，构建可应对基础设施失效的弹性系统架构，建立兼顾数据效能、隐私保护、国家安全的城市生命线数据治理范式。在范式融合方面，破解技术理性与治理逻辑的协同难题，构建可支撑“预测 ‒ 预警 ‒ 管控”全链条协同的学术体系。

参考文献

原文顺序 | 出版日期 | 本文引用
[1]

Hodson R. Growing cities face mounting challenges［J］. Nature，2025，648（8092）：1.
[2]

Gies E. Cities are embracing nature for flood defence［J］. Nature，2025，648（8092）：5-7.
[3]

Merz B，Blöschl G，Vorogushyn S，et al. Causes，impacts and patterns of disastrous river floods［J］. Nature Reviews Earth & Environment，2021，2（9）：592-609.
[4]

Westra S，Zscheischler J. Accounting for systemic complexity in the assessment of climate risk［J］. One Earth，2023，6（6）：645-655.
[5]

Wamsler C. Cities，disaster risk and adaptation［M］. London：Routledge，2014.
[6]

Lyu H M，Yin Z Y，Zhou A N，et al. MCDM-based flood risk assessment of metro systems in smart city development：A review［J］. Environmental Impact Assessment Review，2023，101：107154.
[7]

周利敏. 韧性城市：风险治理及指标建构——兼论国际案例［J］. 北京行政学院学报，2016 （2）：13-20.
[8]

Zhou L M. Resilient city：Risk management and its indicators［J］. Journal of Beijing Administration Institute，2016 （2）：13-20.
[9]

崔鹏，王岩，张国涛， 气候变化灾害风险防范：现状、挑战与科学问题［J］. 气候变化研究进展，2025，21（4）：449-460.
[10]

Cui P，Wang Y，Zhang G T，et al. Disaster risk prevention under climate change：Current status，challenges，and scientific issues［J］. Climate Change Research，2025，21（4）：449-460.
[11]

崔文惠，刘雪敏，岳清瑞， 基于城市安全“风险源 ‒ 承灾体 ‒ 减灾力”理论的城市新型风险分类研究［J］. 中国工程科学，2025，27（4）：71-81.
[12]

Cui W H，Liu X M，Yue Q R，et al. Classification of new urban risks based on “risk source‒risk exposure‒mitigation force” theoretical framework［J］. Strategic Study of CAE，2025，27（4）：71-81.
[13]

Zhu Y，Liu Y，Zhu L，et al. Natural or man-made disaster？ Lessons from the extreme rain and flood disaster in Zhengzhou，China on “2021.7.20”［J］. Sustainable Cities and Society，2025，118：105999.
[14]

Zhao D J，Xu H X，Li Y，et al. Locally opposite responses of the 2023 Beijing‒Tianjin‒Hebei extreme rainfall event to global anthropogenic warming［J］. npj Climate and Atmospheric Science，2024，7：38.
[15]

Wang C，Zhang X H，Wu J D. Disaster information mining from a social perception perspective：A case study of the “23·7” extreme rainfall event in the Beijing‒Tianjin‒Hebei region［J］. International Journal of Disaster Risk Reduction，2024，115：105056.
[16]

Shi Y，Li Y L，Zhang Z G. Estimation of economic loss by earthquakes in Taiwan［J］. npj Natural Hazards，2024，1：30.
[17]

Huang J，Zhang T T，Sun D C，et al. Urban human mobility changes based on functional areas during extreme rainstorm event：A case of Beijing “23·7” rainstorm event［J］. Cities，2025，163：106003.
[18]

The world’s cities in 2018：Data booklet［R］. New York：UN. Population Division，2018：29.
[19]

徐姚. 强化科技资源部署 提升自然灾害防范能力［N］. 中国应急管理报，2022-03-06（4）.
[20]

Xu Y. Strengthening the deployment of scientific and technological resources and improving the ability to prevent natural disasters［N］. China Emergency Management News，2022-03-06（4）.
[21]

Batty M. Urban modelling：Algorithms，calibrations，predictions［M］. Cambridge：Cambridge University Press，1976.
[22]

McPhearson T，Haase D，Kabisch N，et al. Advancing understanding of the complex nature of urban systems［J］. Ecological Indicators，2016，70：566-573.
[23]

Carleton T A，Hsiang S M. Social and economic impacts of climate［J］. Science，2016，353（6304）：9837.
[24]

Hemmati M，Kornhuber K，Kruczkiewicz A. Enhanced urban adaptation efforts needed to counter rising extreme rainfall risks［J］. npj Urban Sustainability，2022，2：16.
[25]

Kotz M，Levermann A，Wenz L. The effect of rainfall changes on economic production［J］. Nature，2022，601（7892）：223-227.
[26]

Lenjani A，Dyke S J，Bilionis I，et al. Towards fully automated post-event data collection and analysis：Pre-event and post-event information fusion［J］. Engineering Structures，2020，208：109884.
[27]

Deflem M. Disasters，hazards and law［M］. Bingley：Emerald Group Publishing Limited，2012：83-112.
[28]

Marull J，Font C，Boix R. Modelling urban networks at mega-regional scale：Are increasingly complex urban systems sustainable？［J］. Land Use Policy，2015，43：15-27.
[29]

Yang Y H，Liu Y X，Zhou M X，et al. Robustness assessment of urban rail transit based on complex network theory：A case study of the Beijing subway［J］. Safety Science，2015，79：149-162.
[30]

Menoni S. Chains of damages and failures in a metropolitan environment：Some observations on the Kobe earthquake in 1995［J］. Journal of Hazardous Materials，2001，86（1/2/3）：101-119.
[31]

Wang Y M，Ye Z J，Jia X R，et al. Flood disaster chain deduction based on cascading failures in urban critical infrastructure［J］. Reliability Engineering & System Safety，2025，261：111160.
[32]

AghaKouchak A，Huning L S，Chiang F，et al. How do natural hazards cascade to cause disasters？［J］. Nature，2018，561（7724）：458-460.
[33]

Mani P，Allen S，Evans S G，et al. Geomorphic process chains in high-mountain regions—A review and classification approach for natural hazards assessment［J］. Reviews of Geophysics，2023，61（4）：e2022RG000791.
[34]

Meerow S，Newell J P，Stults M. Defining urban resilience：A review［J］. Landscape and Urban Planning，2016，147：38-49.
[35]

Birkmann J，Welle T，Solecki W，et al. Boost resilience of small and mid-sized cities［J］. Nature，2016，537（7622）：605-608.
[36]

Ozturk U，Bozzolan E，Holcombe E A，et al. How climate change and unplanned urban sprawl bring more landslides［J］. Nature，2022，608（7922）：262-265.
[37]

Bai X M. Build networked resilience across cities［J］. Science，2024，383（6687）：5304.
[38]

Deguchi A，Hirai C，Matsuoka H，et al. What is society 5.0？［M］. Singapore：Springer，2020：1-23.
[39]

Pursiainen C，Kytömaa E. From European critical infrastructure protection to the resilience of European critical entities：What does it mean？［J］. Sustainable and Resilient Infrastructure，2023，8（S1）：85-101.
[40]

方思伟. 全面推进韧性城市建设［N］. 经济日报，2025-04-27（6）.
[41]

Fang S W. Promote the construction of resilient cities comprehensively［N］. Economic Daily，2025-04-27（6）.
[42]

抓牢抓实城市工作七个方面重点任务［N］. 南方日报，2025-07-18（4）.
[43]

Grasp the seven key tasks of urban work［N］. Nanfang Daily，2025-07-18（4）.
[44]

Kourtit K，Marinescu P M M，Nijkamp P，et al. Safe cities in the new urban world：A comparative cluster dynamics analysis through machine learning［J］. Sustainable Cities and Society，2021，66：102665.
[45]

Kyrkou C，Kolios P，Theocharides T，et al. Machine learning for emergency management：A survey and future outlook［J］. Proceedings of the IEEE，2023，111（1）：19-41.
[46]

Lin S，Liang Z L，Guo H W，et al. Application of machine learning in early warning system of geotechnical disaster：A systematic and comprehensive review［J］. Artificial Intelligence Review，2025，58（6）：168.
[47]

Bi K F，Xie L X，Zhang H H，et al. Accurate medium-range global weather forecasting with 3D neural networks［J］. Nature，2023，619（7970）：533-538.
[48]

Wang C G，Engler D，Li X C，et al. Near-real-time earthquake-induced fatality estimation using crowdsourced data and large-language models［J］. International Journal of Disaster Risk Reduction，2024，111：104680.
[49]

Zhou Y，Liu P. Assessing multi-hazards related to tropical cyclones through large language models and geospatial approaches［J］. Environmental Research Letters，2024，19（12）：124069.
[50]

Farsi M，Daneshkhah A，Hosseinian-Far A，et al. Digital twin technologies and smart cities［M］. Berlin：Springer International Publishing，2020.
[51]

Lehtola V V，Koeva M，Elberink S O，et al. Digital twin of a city：Review of technology serving city needs［J］. International Journal of Applied Earth Observation and Geoinformation，2022，114：102915.
[52]

Ketzler B，Naserentin V，Latino F，et al. Digital twins for cities：A state of the art review［J］. Built Environment，2020，46（4）：547-573.
[53]

Gobeawan L，Lin E S，Tandon A，et al. Modeling trees for virtual Singapore：From data acquisition to citygml models［C］//The International Archives of the Photogrammetry，Remote Sensing and Spatial Information Sciences，2018：55‒62.
[54]

de França B R，Kovaleski J L，da Silva V L，et al. Internet of things in disaster management：Technologies and uses［J］. Environmental Hazards，2021，20（5）：493-513.
[55]

Xu X L，Zhang L，Sotiriadis S，et al. CLOTHO：A large-scale Internet of things-based crowd evacuation planning system for disaster management［J］. IEEE Internet of Things Journal，2018，5（5）：3559-3568.
[56]

Yang L，Yang S H，Plotnick L. How the Internet of things technology enhances emergency response operations［J］. Technological Forecasting and Social Change，2013，80（9）：1854-1867.
[57]

付瑞平. 做建筑和基础设施的“医生” 提升城市安全保障水平——访中国工程院院士、国家城市安全发展科技研究院院长、北京科技大学城镇化与城市安全研究院院长岳清瑞［J］. 中国应急管理，2023 （3）：26‒29.
[58]

Fu R P. Being a “doctor” of architecture and infrastructure to improve the level of urban security—An interview with Yue Qingrui，academician of China Academy of Engineering，president of National Institute of Urban Security Development Science and Technology，and president of Institute of Urbanization and Urban Security of University of Science and Technology Beijing［J］. China Emergency Management，2023 （3）：26‒29.
[59]

岳清瑞，陆新征，许镇， 城市安全“风险源 ‒ 承灾体 ‒ 减灾力”理论框架［J］. 工程力学，2025，42（7）：19-27.
[60]

Yue Q R，Lu X Z，Xu Z，et al. The “risk source‒risk exposure‒mitigation force” theoretical framework for urban safety［J］. Engineering Mechanics，2025，42（7）：19-27.
[61]

Schiermeier Q. Insurers’ disaster files suggest climate is culprit［J］. Nature，2006，441（7094）：674.
[62]

Schiermeier Q. Climate and weather：Extreme measures［J］. Nature，2011，477（7363）：148-149.
[63]

Cunningham C X，Abatzoglou J T，Kolden C A，et al. Climate-linked escalation of societally disastrous wildfires［J］. Science，2025，390（6768）：53-58.
[64]

Yuan X，Wang Y M，Ji P，et al. A global transition to flash droughts under climate change［J］. Science，2023，380（6641）：187-191.
[65]

Bhopal A，Rao S，Jouhaud R，et al. Climate change，migration，displacement，and health：Past，present，and future［J］. The Lancet，2026，407（10524）：114-115.
[66]

Rochmyaningsih D. The Indian Ocean disaster is a climate tragedy—And needs more attention［J］. Nature，2025，648（8093）：252.
[67]

Kemp L，Xu C，Depledge J，et al. Climate endgame：Exploring catastrophic climate change scenarios［J］. Proceedings of the National Academy of Sciences of the United States of America，2022，119（34）：e2108146119.
[68]

Leichenko R，O’Brien K. Climate and society：Transforming the future［M］. Cambridge：Polity Press，2024.
[69]

Forster P M，Smith C，Walsh T，et al. Indicators of global climate change 2023：Annual update of key indicators of the state of the climate system and human influence［J］. Earth System Science Data，2024，16（6）：2625-2658.
[70]

张慧. 从大数据看我国洪涝30年演变，揭秘哪里易受洪灾影响［J］. 生命与灾害，2022 （5）：22-23.
[71]

Zhang H. Looking at the evolution of floods in China in the past 30 years from big data，revealing where it is vulnerable to floods［J］. Life & Disaster，2022 （5）：22-23.
[72]

李利，邹亮，罗兴华. 抗震韧性城市的规划与建设策略［J］. 城市与减灾，2022 （5）：33-38.
[73]

Li L，Zou L，Luo X H. lanning and construction strategy of earthquake-resistant and resilient cities［J］. City and Disaster Reduction，2022 （5）：33-38.
[74]

Zhang W X，Clark R，Zhou T J，et al. 2023：Weather and climate extremes hitting the globe with emerging features［J］. Advances in Atmospheric Sciences，2024，41（6）：1001-1016.
[75]

张存杰，张思齐，宁惠芳. 近60a中国极端天气气候事件变化趋势及2023年特征分析［J］. 干旱气象，2024，42（4）：536-552.
[76]

Zhang C J，Zhang S Q，Ning H F. Trends of extreme weather and climate events in China in recent 60 years and their characteristics in 2023［J］. Journal of Arid Meteorology，2024，42（4）：536-552.
[77]

Wu R G，You T，Hu K M. What formed the North‒South contrasting pattern of summer rainfall changes over Eastern China？［J］. Current Climate Change Reports，2019，5（2）：47-62.
[78]

Zhao L，Wang J S，Xiao Z N，et al. Solar 11-year cycle-modulated North‒South contrasting patterns of summer precipitation in China［J］. Journal of Climate，2025，38（14）：3277-3294.
[79]

台风“杨柳”先后两次登陆我国 水利部门全力做好各项防御措施［J］. 中国防汛抗旱，2025，35（9）：5.
[80]

Typhoon Yangliu landed in China twice，and the water conservancy department made every effort to take various defensive measures［J］. China Flood & Drought Management，2025，35（9）：5.
[81]

Ahmad S A，Rachman M G，Mahoor M. Transition of earthquake hazards into disasters［M］. Singapore：Springer，2024：173‒190.
[82]

Cook K L，Rekapalli R，Dietze M，et al. Detection and potential early warning of catastrophic flow events with regional seismic networks［J］. Science，2021，374（6563）：87-92.
[83]

Batty M. The new science of cities［M］. Cambridge：The MIT Press，2013.
[84]

Shi Y J，Zhai G F，Xu L H，et al. Assessment methods of urban system resilience：From the perspective of complex adaptive system theory［J］. Cities，2021，112：103141.
[85]

Sassen S. The urban complex in a world economy［J］. International Social Science Journal，1994，46（139）：43-62.
[86]

Artime O，Grassia M，De Domenico M，et al. Robustness and resilience of complex networks［J］. Nature Reviews Physics，2024，6（2）：114-131.
[87]

Xu L，Feng K R，Lin N，et al. Resilience of renewable power systems under climate risks［J］. Nature Reviews Electrical Engineering，2024，1（1）：53-66.
[88]

Yanites B J，Clark M K，Roering J J，et al. Cascading land surface hazards as a nexus in the earth system［J］. Science，2025，388（6754）：eadp9559.
[89]

卢兴超，徐宗学，施奇妙， 城市暴雨洪涝灾害链演变特征及减灾途径［J］. 水科学进展，2025，36（1）：97-108.
[90]

Lu X C，Xu Z X，Shi Q M，et al. Evolution characteristics of urban flood disasters chain and approaches for disaster mitigation［J］. Advances in Water Science，2025，36（1）：97-108.
[91]

Guo H X，He X Y，Lv X B，et al. Risk analysis of rainstorm-urban lifeline system disaster chain based on the PageRank-risk matrix and complex network［J］. Natural Hazards，2024，120（12）：10583-10606.
[92]

Golnaraghi M. Institutional partnerships in multi-hazard early warning systems［M］. Berlin：Springer，2012：159‒179.
[93]

Zang Y W，Meng Y，Guan X J，et al. Study on urban flood early warning system considering flood loss［J］. International Journal of Disaster Risk Reduction，2022，77：103042.
[94]

Jiang W B. Implementing advanced techniques for urban mountain torrent surveillance and early warning using rainfall predictive analysis［J］. Urban Climate，2024，53：101782.
[95]

O’Connor F K，Oberai M，Xu Z W，et al. Promoting targeted heat early warning systems for at-risk populations［J］. Nature Climate Change，2025，15（8）：806-808.
[96]

Allen R M，Barski A，Berman M，et al. Global earthquake detection and warning using Android phones［J］. Science，2025，389（6757）：254-259.
[97]

Yang J X，Wang T，Wang Z. Research on urban safety monitoring and early warning strategy for coupling scenarios of natural disaster and accident disaster［C］//2023 China Automation Congress （CAC），2023：10450451.
[98]

Chen L S，Li Y，Cheng Z Q. An overview of research and forecasting on rainfall associated with landfalling tropical cyclones［J］. Advances in Atmospheric Sciences，2010，27（5）：967-976.
[99]

Xie Z Q，Du Q Y，Ren F，et al. Improving the forecast precision of river stage spatial and temporal distribution using drain pipeline knowledge coupled with BP artificial neural networks：A case study of Panlong River，Kunming，China［J］. Natural Hazards，2015，77（2）：1081-1102.
[100]

Liu Y，Zhao W G，Wei Y X，et al. Urban waterlogging control：A novel method to urban drainage pipes reconstruction，systematic and automated［J］. Journal of Cleaner Production，2023，418：137950.
[101]

Qiao J J，Wu X，He J Y，et al. SWNet：A deep learning based approach for splashed water detection on road［J］. IEEE Transactions on Intelligent Transportation Systems，2022，23（4）：3012-3025.
[102]

邹剑锋，蔡亚楠，孙献春， 考虑电力设施水淹故障的电网多时段优化调度方法［J］. 电力系统及其自动化学报，2025，37（3）：84-92.
[103]

Zou J F，Cai Y N，Sun X C，et al. Multi-time optimal scheduling method for power grid considering flooding faults of power facilities［J］. Proceedings of the CSU-EPSA，2025，37（3）：84-92.
[104]

Berendt B，Bringmann B，Fromont E，et al. Intelligent urban data monitoring for smart cities［M］. Cham：Springer Cham，2016. 77-192.
[105]

Barns S. Smart cities and urban data platforms：Designing interfaces for smart governance［J］. City，Culture and Society，2018，12：5-12.
[106]

Cao S C，Wang M M，Zeng G，et al. Simulation of crowd evacuation in subway stations under flood disasters［J］. IEEE Transactions on Intelligent Transportation Systems，2024，25（9）：11858-11867.
[107]

Li Y L，Xu D Y，Wang J H，et al. Simulation of subway flood evacuation based on modified social force model［J］. Tunnelling and Underground Space Technology，2025，156：106244.
[108]

Wang Z，Lyu H，Guo Y Q，et al. How to use general AI for task-specific applications：A case study of monitoring water level trends with river cameras［J］. Environmental Modelling & Software，2025，192：106550.
[109]

Zeng Y F，Chang M J，Lin G F. A novel AI-based model for real-time flooding image recognition using super-resolution generative adversarial network［J］. Journal of Hydrology，2024，638：131475.
[110]

Costa R，Bolte E，Sharp C，et al. Repeated and localized flooding is an underestimated challenge for urban disaster risk management［J］. Nature Cities，2024，1（9）：587-596.
[111]

Boughedir S. Case study：Disaster risk management and climate change adaptation in Greater Algiers：Overview on a study assessing urban vulnerabilities to disaster risk and proposing measures for adaptation［J］. Current Opinion in Environmental Sustainability，2015，13：103-108.
[112]

Stürmer J，Plietzsch A，Vogt T，et al. Increasing the resilience of the Texas power grid against extreme storms by hardening critical lines［J］. Nature Energy，2024，9（5）：526-535.
[113]

Malik A，Li M Y，Lenzen M，et al. Impacts of climate change and extreme weather on food supply chains cascade across sectors and regions in Australia［J］. Nature Food，2022，3（8）：631-643.
[114]

Tao F，Qi Q L. Make more digital twins［J］. Nature，2019，573（7775）：490-491.
[115]

Piccialli F，Amitrano S，Cerciello D，et al. A digital twin framework for urban parking management and mobility forecasting［J］. Nature Communications，2025，16：9400.
[116]

钟开斌，薛澜. 中国特色应急管理理论研究的基本图谱［J］. 中国社会科学，2025 （1）：47-67.
[117]

Zhong K B，Xue L. The roadmap of emergency management theory research with Chinese characteristics［J］. Social Sciences in China，2025 （1）：47-67.
[118]

刘泽照. 突发事件应急指挥的中国经验与能力跃升［J］. 西部经济管理论坛，2021，32（5）：80-87.
[119]

Liu Z Z. China’s experiences and ability enhancement of the emergency command system［J］. West Forum on Economy and Management，2021，32（5）：80-87.
[120]

闪淳昌，黄敏. 中国应急管理及运行模式［J］. 北京航空航天大学学报（社会科学版），2010，23（2）：22-26.
[121]

Shan C C，Huang M. Organization and operation of China’s emergency management［J］. Journal of Beijing University of Aeronautics and Astronautics （Social Sciences Edition），2010，23（2）：22-26.

基金资助

中国工程院咨询项目“新安全格局下公共安全发展战略研究”(2023-JB-08)

“中国工程科技未来20年发展战略研究”(2021-XBZD-13)

“城市安全大数据赋能极端灾害预警预报工程建设的发展战略研究”(2025-AHYJY-06)

“雄安新区智慧应急与区域协同韧性安全发展战略研究”(2025-XZ-44)

AI Summary AI Mindmap
PDF (1981KB)

0

访问

0

被引

详细
导航
相关文章

AI思维导图

/

〈 〉