第21章：灾害风险与应急响应

“如果今夜暴雨达到50年一遇强度，我们的避难所够用吗？老人和儿童能在黄金一小时内到达安全地带吗？”应急管理的现场问题从不抽象。本章以城市内涝为例，构建风险识别—分区评估—响应方案—演练优化的空间化闭环，强调时效、覆盖与可达性。

21.1 学习目标

• 构建灾害风险图（灾害因子×暴露×脆弱性）并进行分区评估。
• 进行避难所选址与容量评估，设计疏散路径与时窗调度。
• 搭建演练模拟与反馈机制，迭代优化应急预案。

21.2 先修要求

• 熟悉热点分析、叠加评估、最短路/最小时间路径（OSRM/ORS）与时空网络建模。
• 了解人口分布、设施点位、道路等级与拥堵模型的基本概念。

21.3 问题场景与方法框架

问题：未来24小时的强降雨可能导致城西三大汇水区内涝。我们的避难所覆盖是否充足？高风险人群的疏散时间是否可控？

框架拆解：

• 灾害因子（Hazard）：降雨强度、历次积水点、地势低洼、排水管网能力。
• 暴露（Exposure）：人口栅格、学校/养老院/医院、重要基础设施。
• 脆弱性（Vulnerability）：老龄化比例、行动不便人群、建筑抗灾能力、组织响应能力。
• 风险（Risk）：R = H × E × V，经归一与分级形成分区风险图。

21.4 数据准备与统一尺度

• 栅格层：降雨预报强度栅格（QPF）、地形坡度/高程（DEM）、历史积水热区。
• 矢量层：道路网络（含等级与限速）、避难所点位（容量与可用时段）、重要设施与脆弱人群点位。
• 时间尺度：以黄金一小时为核心时窗，同时评估2小时与4小时的疏散能力。

21.5 风险分区与热区提取

方法：将Hazard/Exposure/Vulnerability归一化至统一网格，叠加得到Risk栅格；再按阈值与连通性提取高风险分区。

代码片段（Python）：

import numpy as np
import rasterio
from rasterio.enums import Resampling

def normalize(arr, eps=1e-6):
    arr = arr.copy()
    arr[np.isnan(arr)] = np.nanmean(arr)
    return (arr - np.nanmin(arr)) / (np.nanmax(arr) - np.nanmin(arr) + eps)

with rasterio.open('data/disaster/qpf.tif') as r:
    prof = r.profile
    H = normalize(r.read(1))

E = normalize(rasterio.open('data/disaster/exposure_pop.tif').read(1))
V = normalize(rasterio.open('data/disaster/vulnerability_age.tif').read(1))
R = normalize(H * E * V)

risk_level = np.where(R > 0.7, 3, np.where(R > 0.5, 2, 1))

说明：

• 真实应用需把时空分辨率对齐，并考虑降雨与排水管网承载之间的动态关系；这里先形成静态风险图，支撑避难与路径评估。

21.6 避难所选址与容量评估

思路：

• 覆盖分析：避难所服务半径（步行/车辆）、服务时间窗与道路可达性；采用网络可达域（isochrone）评估覆盖人口。
• 容量校核：估算黄金一小时内可达人群与避难所容量；若不足，触发“临时避难点”与动态增援策略。

示例（等时线生成与覆盖统计伪代码）：

# 伪代码，调用ORS等时线API，统计覆盖人口
import requests, geopandas as gpd

def isochrone(center_lonlat, ranges=[600, 1200]):  # 单位秒
    # 调用 openrouteservice 等时线端点，省略 key 与参数细节
    return gpd.GeoDataFrame(...)

pop_grid = gpd.read_file('data/disaster/pop_grid.geojson')
 shelters = gpd.read_file('data/disaster/shelters.geojson')

coverage = []
for _, s in shelters.iterrows():
    iso = isochrone((s.lon, s.lat))
    covered = gpd.overlay(pop_grid, iso, how='intersection')
    coverage.append({'id': s.id, 'pop': covered['pop'].sum(), 'capacity': s.capacity})

21.7 疏散路径与时间窗调度

关键点：

• 多源—多目的地路径：按就近与容量分配发送人群，避免单一路径拥挤；
• 时窗调度：黄金一小时内优先疏散脆弱人群与密集社区；
• 道路约束：积水断路、限行、单行、拥堵参数在暴雨场景下动态调整。

路径规划建议：

• 采用OSRM/ORS本地服务，预载道路网络并支持临时约束更新；
• 对每个高风险网格，选择最近且未超容量的避难所，计算最短时间路径与备选路径（冗余）。

21.8 响应方案与演练优化

响应方案框架：

• 指挥：设定响应级别、任务分派、信息通报机制；
• 资源：救援车辆、移动泵站、临时避难点、医疗队；
• 通信：多渠道广播（短信、App、广播车）、交互式地图；
• 反馈：上报拥堵、断路与避难所容量使用率，动态调整疏散策略。

演练优化：

• 小范围演练校验路径可达与时间窗；
• 数据回填至模型参数（拥堵系数、响应延迟），更新预案；
• 形成“演练—评估—修订”的版本管理机制。

21.9 流程图与反馈闭环

21.10 报告与公众沟通

报告建议：

• 风险分区图与高风险社区清单；
• 避难所覆盖与容量匹配表；
• 路径规划图与时间窗策略说明；
• 重点人群（儿童、老人、病患）疏散优先队列与专线安排；
• 演练记录与参数更新表。

公众沟通：

• 简化版地图（可视化避难点与到达时间），明确“就近避难”与“备选路径”；
• 简短行动指南（雨前、雨中、雨后）、电话与App渠道；
• 透明的版本更新日志，增强信任与参与度。

21.11 产出与评估标准

• 产出：
  • 风险分区栅格与高风险区矢量；
  • 避难所覆盖统计与容量匹配报告；
  • 路径规划成果图与时窗策略；
  • 演练记录与预案修订文档。
• 评估：
  • 时效性：黄金一小时内覆盖与到达率；
  • 覆盖性：高风险人群覆盖比例与公平性；
  • 可达性：断路情况下的冗余路网与替代点；
  • 复现性：数据与脚本可复算，演练参数闭环更新。

21.12 常见错误与排障

• 模型过简：忽视拥堵与临时断路，建议接入实时/模拟拥堵参数；
• 路径不可达：道路单行与限行未纳入约束，需完善路网属性；
• 容量错配：避难所容量与服务时段未校核，导致现场拥挤；
• 数据时效：人口分布与设施变动未更新，需设立数据更新机制。

21.13 延伸实践与资源

• 内涝扩展：城市排水管网模型与积水模拟；
• 多灾种：地震烈度、台风登陆、山洪滑坡的风险评估框架；
• 资源调度：车辆路径问题（VRP）与分时调度；
• 开放服务：OSRM/ORS、Mapbox Isochrone、Leaflet前端可视化方案。

21.14 本章总结

灾害应急的本质是“时间与空间的赛跑”。通过风险识别与分区、避难所覆盖与容量校核、路径—时窗的调度与演练反馈，我们可以在有限时间内最大化安全与公平。工程上，关键在于数据时效、约束完整与版本化管理，让预案不仅能用，还能持续变好。

21.15 实战脚本：本地 OSRM 部署与动态约束

• 部署建议：
  • 使用osrm-extract与osrm-contract准备城市路网（*.osm.pbf）。
  • 启动osrm-routed本地服务，确保应急场景下内网可用。
• 动态约束更新思路：
  • 维护“临时不可达道路”清单（积水/塌陷），通过前端或指挥端接口更新；
  • 简化实现：在路径查询前过滤边（避免使用禁行边），或采用避让权重提高成本。
• 查询示例（Python 请求伪代码）：

import requests

def route(src, dst):
    url = f"http://localhost:5000/route/v1/driving/{src[0]},{src[1]};{dst[0]},{dst[1]}?overview=false&alternatives=true"
    return requests.get(url).json()

resp = route((116.3,39.9), (116.35,39.92))

21.16 前端可视化：Leaflet 双图对比与路径动画

• 双图对比：左图显示风险分区，右图显示避难所覆盖；用户可选择社区查看到达时间。
• 路径动画：使用leaflet-ant-path或polyline动态展示疏散路线与行进状态；
• 断路提示：在地图上高亮不可达边，并提供备用路径切换按钮。

示例（前端片段）：

<div id="map-left"></div>
<div id="map-right"></div>
<script>
  const left = L.map('map-left').setView([39.9,116.35], 12)
  const right = L.map('map-right').setView([39.9,116.35], 12)
  L.tileLayer('https://{s}.tile.openstreetmap.org/{z}/{x}/{y}.png').addTo(left)
  L.tileLayer('https://{s}.tile.openstreetmap.org/{z}/{x}/{y}.png').addTo(right)
  // 省略：加载GeoJSON风险图与覆盖图
</script>

21.17 公平性评估与敏感人群优先策略

• 指标建议：
  • 覆盖公平性（不同社区与人群到达时间差距）；
  • 资源分配公平性（车辆与救援队的社区分配均衡度）；
  • 风险暴露差距（高风险人群与普通人群的疏散先后差）。
• 策略：在黄金一小时内设定敏感人群优先队列，并预留资源配额（如车辆与志愿者）。
• 复核：演练后统计各类人群到达率与平均到达时间，调整预案与队列规则。

21.18 公众沟通话术模板（可选）

• 开场：说明本次暴雨预警等级、重点风险区与行动时间窗；
• 指示：告知就近避难点、到达路径与备用路径，强调“不要穿越积水与断路”。
• 关怀：优先照顾老人、儿童、孕妇与病患，社区志愿者将提供协助；
• 反馈：提供热线与App上报拥堵与断路信息，帮助指挥部快速调整。

21.19 附录：数据字典与更新频率（示例）

• 路网数据：OSM，季度更新；应急时临时约束实时更新。
• 人口栅格：年度或半年度更新，临时以手机信令或社区登记补充。
• 避难所清单：每季度核对容量与开放时段，暴雨预警时加速复核。
• 历史积水点：事件后复盘更新，汇总到年度评估数据库。