Development and Application of an Intelligent Grid Forecast-based Tree Fall Risk Warning Product for Shenzhen
-
摘要: 为提升强风天气下城市安全管理水平，本文基于灾害风险理论，构建了适用于深圳市的树木倒伏风险预警模型，并研发了相应的业务化产品。该模型综合了深圳市2018—2024年气象观测数据、台风期间树木倒伏实况数据及城市路网等多元信息，利用相关分析、多元回归与智能网格预报等方法，从致灾危险性（道路阵风指数、土壤含水量）、承灾体暴露度（树木数量）和脆弱性（树龄、树高、胸径）三个维度构建了树木倒伏风险指数（TR）。基于智能网格预报数据，模型可生成TR指数的实况监测及未来3天预报产品。历史台风个例（如“山竹”）的回代检验表明，模型识别出的高风险区域与树木倒伏高发区（倒伏率 > 10%）吻合度较高，验证了模型的有效性。该产品已在台风“韦帕”、“桦加沙”等天气过程中应用于城市管理部门，为应急响应、道路清障等决策提供了科学依据，有效提升了城市气象灾害风险防控能力。Abstract: To enhance urban safety management under high-wind conditions, this study developed a tree fall risk warning model and a corresponding operational product for Shenzhen, based on disaster risk theory. The model integrates multi-source data, including meteorological observations from 2018-2024, observed tree fall records during typhoon events, and the urban road network of Shenzhen. Through correlation analysis, multiple regression, and intelligent grid forecasts, a Tree Fall Risk Index (TR) was constructed along three dimensions: hazard-inducing factors (wind gust index, soil moisture content), exposure of disaster-bearing body (number of trees), and vulnerability (tree age, height, diameter at breast height). Based on intelligent grid forecast data, the model generates real-time monitoring and 3-day forecast products for the TR index. Hindcast validation against historical typhoon cases, such as Typhoon Mangkhut, demonstrates that the model-identified high-risk zones show a high degree of spatial agreement with areas of observed tree falls (fall rate > 10%), confirming the model's effectiveness. The product has been operationally deployed by municipal management authorities during recent typhoon events, including Typhoons Wipha and Ragasa, providing a scientific basis for decision-making in emergency response, road clearance dispatch, and urban tree management. This work effectively enhances the city's capacity for urban meteorological disaster risk prevention and control.
-
Key words:
- tree fall risk /
- hazard /
- intelligent grid forecast /
- disaster risk assessment /
- Shenzhen
-
图 2 台风“山竹”影响期间深圳最大阵风和树木倒伏率的空间分布
色标左侧是风力，单位：级；右侧是对应的风速大小，单位: m·s-1。树木倒伏率用实心圆点表示，单位%。区的边界线为粗实线，街道边界线为细实线。
图 3 台风“山竹”影响期间深圳各区大风综合指数
大风综合指数是指根据全市近300个自动气象站监测数据，获取台风影响过程中的全市最大阵风、最大平均风、最大阵风8级以上站数，12级以上站数以及持续时间的一个综合指数，并进行无量纲处理，范围为0~100。
表 1 土壤含水量分指数
土壤含水量分指数SM 日雨量R/mm 20 cm土壤湿度/% 40 cm土壤湿度/% 1.0 R < 10 23 19 1.1 10≤R < 50 27 27 1.2 R≥50 30 29 
下载: 导出CSV
表 2 台风“山竹”影响期间深圳各区不同年龄树木倒伏比例对比
区名 30年及以上 20年及以上 10年及以上 5年及以上 5年以下 大鹏 2.78% 7.90% 12.57% 18.08% 52.62% 盐田 - - 26.73% 20.12% - 罗湖 10.53% 10.37% 20.11% 27.10% - 南山 - 15.64% 16.17% 14.15% - 福田 - 24.66% 6.40% 12.38% 13.36% 龙岗 - - 20.18% 41.64% - 坪山 - - - 32.71% 60.38% 龙华 - - - 37.03% 32.09%
下载: 导出CSV
表 3 倒伏比例与树龄、胸径和树高的多元线性回归系数与显著性检验
变量 系数 标准误差 t值 P值 显著性 截距(常数) 60.494 1 11.246 5.379 0.000 显著 ln(树龄/year) -13.557 2 4.132 -3.281 0.001 显著 ln(胸径/cm) -0.390 5 4.767 -0.082 0.935 不显著 ln(树高/m) -1.615 2 4.674 -0.346 0.730 不显著
下载: 导出CSV
表 5 台风山竹影响期间2018年9月16日20时深圳树木倒伏风险指数（TR）分级
行政区 道路名称 主要树种 年限/年 数量/株 倒伏/株 树高/m 倒伏率/% TR指数 阵风/(m·s-1)及站点 大鹏 中山路 桐树、小叶榕 5 380 68 8~10 17.9 极高0.634 24.0, 大鹏 福田 新洲路 仁面子 20 1 297 202 5~18 15.6 高0.525 23.2, 福田 龙岗 盐龙大道 盆架子、风铃木等 7 695 395 3~6 56.8 高0.572 25.6, 爱联 龙岗 布澜路 黄槿 10 220 72 4.5 32.7 高0.553 21.6, 上李朗 龙岗 龙岗大道(布吉) 羊蹄甲、樟树、桃心木 8 126 40 4.5 31.7 高0.528 18.6, 六联 龙岗 龙岗大道(龙城段) 桃花心木 20 50 20 12~15 40.0 高0.528 18.6, 六联 南山 学府路 大叶榕 15 97 41 18~25 42.3 高0.504 24.3, 南山 龙华 环观南路 仁面子 5 2 250 293 6 13.0 极高0.743 28.6, 樟坑径 盐田 北山道 木棉、秋枫、小叶榕 5 778 165 3 21.2 高0.576 25.7, 梧岗围 盐田 洪安路 秋枫、木棉 5 392 211 3 53.8 高0.543 21.2, 明珠 盐田 盐梅路 秋枫、凤凰木 5 651 129 3 19.8 极高0.76 29.6, 小梅沙
下载: 导出CSV
表 6 树木倒伏风险防御提示
风险级别 含义 防御提示 极高 风险指数TR≥0.6, 倒伏比例大, 可能出现大量树木倒伏、断枝。 建议组织人员对极高风险区域树木进行全面检查, 重点排查可能对交通、电力设施及居民安全构成威胁的树木。对行道树、小区、公园树木等进行支撑加固; 对树冠大、根系浅、腐朽或倾斜严重的树木进行修剪或移除。准备应急响应物资, 通知应急响应人员, 能够迅速清除倒伏树木, 恢复交通、电力等重要设施的正常运行。提醒市民尽量远离危险区域, 以减少伤亡风险。 高 风险指数0.6 > TR≥0.5, 倒伏比例较大, 出现明显树木倒伏、断枝。 建议启动树木倒伏安全评估, 对高风险区域树木进行全面检查和巡查。准备应急响应人员、设备和工具, 保证及时处理突发事件。提示居民外出时减少在高风险区域的停留。 中等 风险指数0.5 > TR≥0.4, 倒伏比例一般, 出现部分树木倒伏、断枝。 建议加强对树木状况的巡查, 特别是公园、街道、学校等人员密集场所。对于松动、倾斜、病弱树木应及时进行扶正、加固处理或修剪。提醒市民在外出时注意观察周围树木状况, 遇到倾斜或异常树木时及时避让。 低 风险指数TR < 0.4, 树木倒伏概率低。 建议开展定期的日常树木健康检查和维护, 修剪病弱、老化树木, 确保良好的生长形态, 以提高抗倒伏能力。关注市气象台的预警信息, 根据天气变化调整树木管理措施, 确保能够及时做出应对措施。
下载: 导出CSV
-
[1] 张悦, 李珊珊, 陈灏, 等. 广东省台风灾害风险综合评估[J]. 热带气象学报, 2017, 33(2): 281-288. [2] 张京红, 黄海静, 王春乙, 等. 基于产量风险的海南荔枝寒害保险费率研究[J]. 热带气象学报, 2015, 31(6): 862-868. [3] 张蕾, 王明洁, 李辉, 等. 基于弹性脆弱指标的气象灾害风险辨识[J]. 热带气象学报, 2013, 29(1): 122-128. [4] 陈思宁, 赵艳霞, 宫婷, 等. 基于中国台风巨灾模型"风·眼"的台风定量损失评估[J]. 热带气象学报, 2025, 41(4): 468-475. [5] 贺芳芳, 杨雅薇, 郭林, 等. 上海夏季用电安全风险区划及推广应用[J]. 热带气象学报, 2012, 28(4): 577-584. [6] 肖毅强, 古亚宁, 林瀚坤, 等. 台风灾害下城市受损树木的空间分布特征——以广州为例[J]. 风景园林, 2020, 27(10): 112-117. [7] 陈峥, 黄颂谊. 台风对城市园林树木的影响及灾后景观修复对策初探——以厦门"莫兰蒂"台风为例[J]. 现代园艺, 2018, 41(17): 93-96. [8] 郭子燕, 柯雨沁, 李海燕, 等. 基于台风危害的厦门地区园林树木受损原因研究[J]. 中国园林, 2020, 36(1): 122-127. [9] 叶机械. 台风灾害对厦门市翔安区古树的影响分析及对策——以"莫兰蒂"台风为例[J]. 安徽农学通报, 2018, 24(11): 126-129. [10] 艾永成. 城市园林树木台风减灾策略探究[J]. 房地产世界, 2021(15): 116-118. [11] 张云生, 陆文妹. 台风对沿海城市树木的影响及对策[J]. 防护林科技, 2008(6): 57-58, 77. [12] 刘莹婷. 减轻台风对城市绿化破坏的相关思考[J]. 江西建材, 2017(11): 185, 188. [13] 刘瑞雪, 许晓雪. 强台风后城市园林树木的风灾损伤及其抗风能力研究——以深圳大学后海校区为例[J]. 中国园林, 2020, 36(9): 116-121. [14] 肖洁舒, 冯景环. 华南地区园林树木抗台风能力的研究[J]. 中国园林, 2014, 30(3): 115-119. [15] 陈信旺, 施恭明, 许雪玲, 等. 近65年来福建省登陆台风发生规律及对林业生产的影响[J]. 林业勘察设计, 2010, 30(1): 64-68. [16] 黄颂谊, 陈峥, 黄桂莲, 等. "山竹"台风对广州市滨江园林树木的影响——以临江大道及带状公园为例[J]. 中国园林, 2020, 36(11): 127-132. [17] 余光灿, 周光益, 郑芬. 台风"山竹"对广州火炉山森林公园树木的影响[J]. 中国园林, 2020, 36(10): 122-126. [18] 彭勇波, 艾晓秋, 承颖瑶. 风致树木倒伏研究进展[J]. 自然灾害学报, 2016, 25(5): 167-175. [19] 张平安, 唐崇袍, 黄天来. 树木倒伏研究现状与展望[J]. 林业科技通讯, 2020(1): 14-17. [20] 王庆, 邱智豪, 赵月溪, 等. 基于CFD模拟的台风"山竹"对深圳市园林树木影响研究[J]. 中国园林, 2021, 37(2): 118-123. [21] 汤剑雄, 徐礼来, 李彦旻, 等. 基于无人机遥感的台风对城市树木生态系统服务的损失评估[J]. 自然灾害学报, 2018, 27(3): 153-161. [22] Maronga B, Gryschka M, Heinze R, et al. The Parallelized Large-Eddy Simulation Model (PALM) version 4.0 for atmospheric and oceanic flows: model formulation, recent developments, and future perspectives[J]. Geoscientific Model Development, 2015, 8(8): 2515-2551. [23] Maronga B, Banzhaf S, Burmeister C, et al. Overview of the PALM model system 6.0[J]. Geoscientific Model Development, 2020, 13(3): 1335-1372. [24] Lin D Q, Khan B, Katurji M, et al. WRF4PALM v1.0: a mesoscale dynamical driver for the microscale PALM model system 6.0[J]. Geoscientific Model Development, 2021, 14(5): 2503-2524. [25] Lin D Q, Katurji M, Revell L E, et al. Investigating multiscale meteorological controls and impact of soil moisture heterogeneity on radiation fog in complex terrain using semi-idealised simulations[J]. Atmospheric Chemistry and Physics, 2023, 23(22): 14451-14479. -
点击查看大图
图(9) / 表(6)
计量
- 文章访问数: 0
- HTML全文浏览量: 0
- PDF下载量: 0
- 被引次数: 0
粤公网安备 4401069904700003号