朔黄铁路水害特征及雨量警戒阈值研究
Research on water disasters characteristics and rainfall warning threshold on the Shuozhou-Huanghua Railway
通讯作者: 张中杰(1968—),男,高级工程师,主要从事公共气象服务技术研究. E-mail:13315996720@189.com。
责任编辑: 黄小燕
收稿日期: 2021-01-25 修回日期: 2021-06-1
基金资助: |
|
Received: 2021-01-25 Revised: 2021-06-1
作者简介 About authors
张娣(1987—),女,工程师,主要从事交通气象服务.E-mail:zdluckily@163.com。
利用2017—2019年朔黄铁路水害记录及其沿线40个气象观测站的逐5 min降水量资料,分析水害及降水分布特征,统计连续降水量、1 h最大降水量和24 h降水量3个降水因子,应用均值-标准差法和极大值法,制定平原和山区路段铁路水害的无警戒、出巡警戒、限速警戒、封锁警戒雨量阈值。结果表明:朔黄铁路水害主要发生在7—8月,水害发生时降水的持续时间多在48 h以内;引发铁路水害的降水类型主要为局地暴雨、短时强降水、连续性降水,平原路段铁路水害主要由局地暴雨引发,山区路段主要诱因是连续性降水;平原路段出巡警戒准确率达88.5%,空报率为11.5%,限速警戒准确率达100%,山区路段出巡警戒准确率达88.9%,空报率为11.1%,针对平原和山区铁路路段制定的雨量警戒阈值,可为铁路安全行车和高效调度提供参考依据。
关键词:
Based on the record data of water disasters and the 5-min precipitation of 40 meteorological observation stations along the Shuozhou-Huanghua Railway from 2017 to 2019, the characteristics of railway water disasters and precipitation distribution were analyzed, then the three precipitation factors including continuous precipitation, the hourly maximum precipitation and the 24-hour precipitation were counted, the rainfall warning thresholds of no warning, patrol warning, speed limit warning and blockade warning of railway sections in plains and mountainous areas were formulated by using the mean-standard deviation method and the maximum value method. The results show that the water disasters of the Shuozhou-Huanghua Railway mainly occurred in July and August, and the duration of precipitation was mostly within 48 hours. The precipitation types causing water disasters were mainly local rainstorm, short-time heavy precipitation and long-duration precipitation, the railway water disasters in plain sections were mainly caused by local rainstorm, but the main cause of mountainous sections was long-duration precipitation. For railway section in the plain, the accuracy rate of patrol warning was 88.5%, the false rate was 11.5%, the accuracy rate of speed limit warning was 100%, for the railway section in the mountainous, the accuracy of patrols warning was 88.9% and the false rate was 11.1%. The rainfall warning threshold for railway sections in plains and mountainous areas could provide reference for safe running and efficient operation of railway.
Keywords:
本文引用格式
张娣, 曲晓黎, 张中杰, 张金满, 王洁, 尤琦.
ZHANG Di, QU Xiaoli, ZHANG Zhongjie, ZHANG Jinman, WANG Jie, YOU Qi.
引言
铁路水害是指由于高强度或持续性降水(包括因降水诱发的滑坡、泥石流、崩坍等地质灾害)造成铁路线路受损或运输中断的现象[4],受地形、地质条件影响,具有明显的地域性特征,还与铁路部门的抗洪标准密切相关[5-6]。降水是诱发铁路水害的主要因素之一[7],围绕降水开展的铁路水害阈值和预报模型研究是铁路灾害防御体系的重要环节[8-9]。近年来,国外学者研究了强降水引发水害的敏感性和预警模型等[10⇓-12],国内学者围绕水害也做了很多有意义的研究,分析降水特征及其对铁路水害的影响[13-14],研究铁路水害的前期有效雨量[15]及雨量阈值[16-17],并尝试建立铁路水害预警模型[18-19]和概率预报模型[20⇓-22]等,但针对华北地区货运铁路雨量警戒的研究鲜有报道,加之朔黄铁路现有的雨量警戒标准已制定多年,随着近年来设备的不断升级,桥梁、路基的稳固维修维护及对隐患路段的排查整治等,需对现有的雨量警戒制度进行调整,使其在能保证铁路运营的绝对安全和铁路运输的连续性前提下,缩短铁路调度和管理部门应急响应时间,及时排查水害隐患,又避免雨量警戒过于敏感。因此,本文在参考已有研究的基础上结合地质灾害降水分型[23-24]等方法,分析平原、山区路段铁路水害的分布特征及降水影响因子,研究针对朔黄铁路雨量警戒阈值指标,为铁路部门汛期高效调度和安全运营提供技术保障,为科学防洪、精准防洪提供决策依据,提升铁路应对气象灾害的应急处理和防御能力,最大限度减少损失,确保铁路运输安全畅通。
1 资料与方法
1.1 资 料
以朔黄铁路为研究区域,其中山区路段包括神池南—西柏坡13个车站,平原路段包括灵寿—黄骅港27个车站,统计2017—2019年铁路水害和降水数据资料。铁路水害资料是由朔黄铁路运输部提供的管内各工务段上报的水害记录,包括水害的发生时间、影响工务段、水害类型、是否影响安全行车等,其中水害类型包括路基下沉、边坡溜塌、路肩塌陷、水漫线路、泥石流淹埋线路、桥墩局部冲刷、轨道悬空等;降水资料来自朔黄铁路沿线车站的40个DZZ4型自动气象观测站逐5 min降水量数据。
1.2 降水因子的正态化处理
研究表明,对降水因子进行平方根或立方根转化后,其正态分布性会明显改善。由于各降水因子最大值和最小值之间全距较大,且相对比较分散,偏态分布特征明显,因此选择计算立方根的方式对降水因子进行正态化处理[25]:
式中:
1.3 均值(μ)-标准差(std)法
1.4 效果检验
参考2005年中国气象局《中短期天气预报质量检验办法(试行)》,采用准确率(RA)、空报率(RF)和漏报率(RM)对朔黄铁路雨量警戒情况进行效果检验[28]。计算公式如下:
式中:
2 结果分析
2.1 铁路水害分布特征
2017—2019年朔黄铁路沿线共发生不同类型水害237站次。图1为朔黄铁路水害发生站次与平均降水量的月际变化。可以看出,朔黄铁路水害主要出现在4—9月,其中7月水害发生站次最多,占水害发生总站次的51.7%,其次是8月,占比41.3%,10—11月铁路水害相对较少,1—3月和12月没有水害记录。水害发生站次与降水量分布是同步的,降水量最多月份与水害发生站次最多月份一致,华北地区降水主要集中在汛期(6—8月),7月持续性强降水过程发生次数最多,局地性较强,其次是8月[13-14]。统计2017—2019年朔黄铁路不同等级降水量时铁路水害发生站次(表1)情况,暴雨时出现水害站次最多(117站次),占水害发生总站次的49.4%,大雨时出现水害站次其次(82站次),占比34.6%,中雨及以下量级时出现水害站次较少,占比不足10%,2017—2019年无特大暴雨观测记录,因此没有统计。
图1
图1
2017—2019年朔黄铁路水害发生站次与平均降水量的月际变化
Fig.1
The monthly variation of occurrence times of water disasters and average precipitation on the Shuozhou-Huanghua Railway from 2017 to 2019
表1 2017—2019年朔黄铁路不同等级降水量时水害发生站次
Tab.1
降水量级 | 水害发生站次 | 占比/% |
---|---|---|
小雨 | 6 | 2.5 |
中雨 | 14 | 5.9 |
大雨 | 82 | 34.6 |
暴雨 | 117 | 49.4 |
大暴雨 | 18 | 7.6 |
特大暴雨 | — | — |
注:"—"表示无观测记录。
2.2 引发铁路水害的降水类型
华北地区的铁路水害由不同类型降水引起[12-13],统计2017—2019年朔黄铁路水害资料、降水量数据以及降水持续时间情况,发现引发铁路水害的降水类型主要有3种:局地暴雨、短时强降水、连续性降水(表2)。局地暴雨[29-30]或短时强降水[31-32]是铁路水害的激发因素,会引发局地土体冲刷、水冲线路、路基溜塌、崩塌落石等突发水害,连续降水[13,16]直接影响土壤含水量,造成水漫线路、堑坡坍塌、桥涵闷孔等水害。统计发现2017—2019年朔黄铁路237站次水害中有108站次由局地暴雨引发,占水害发生总站次的45.6%,77站次由连续性降水导致,占比32.5%,52站次由短时强降水天气造成,占比21.9%(表2)。值得注意的是有些铁路水害不仅由一种降水类型造成,而是由2种降水类型共同作用的结果,如2019年8月9日河北沧州市河间站出现的水害,降水持续时间2.0 h,1 h最大降水量51.1 mm,24 h降水量59.8 mm,由短时强降水和局地暴雨共同作用导致。平原路段和山区路段引发铁路水害的主要降水类型不同,平原路段水害主要由局地暴雨引发,而山区路段水害主要诱因是连续性降水。
表2 2017—2019年朔黄铁路不同路段水害发生站次及降水类型
Tab.2
降水类型 | 水害发生站次 | 雨情描述 | |
---|---|---|---|
平原路段 | 山区路段 | ||
短时强降水 | 41 | 11 | 1 h降水量超过20.0 mm,且持续时间小于6 h |
局地暴雨 | 88 | 20 | 24 h降水量超过50.0 mm |
连续性降水 | 40 | 37 | 24 h降水量小于50.0 mm,且连续降水量超过50.0 mm |
2.3 铁路水害与降水因子相关性
结合铁路水害发生时降水持续时间和降水类型,本文以连续降水量、1 h最大降水量和24 h降水量作为影响铁路水害的降水因子,分析2017—2019年朔黄铁路水害发生站次与降水因子的相关关系。其中,连续降水量是指一次降水过程开始时刻到水害出现时刻每5 min降水量的总和;1 h最大降水量是指一次降水过程开始时刻到水害出现时刻内每5 min滑动计算的前1 h降水量的最大值;24 h降水量是指水害出现时刻前24 h降水量的总和。分析发现铁路水害发生站次与连续降水量、1 h最大降水量、24 h降水量均呈较好的正相关关系,相关系数分别为0.561、0.533、0.502,且通过α=0.01的显著性检验,说明这3个因子作为铁路水害的降水因子可行。
图2为2017—2019年朔黄铁路水害发生时降水持续时间和降水量散点图。统计发现,降水持续时间在0~24 h的水害发生150站次,占水害发生总站次的63.3%;在24~48 h的水害发生74站次,占比31.2%,因此认为铁路水害主要是由48 h以内的短期降水导致。连续降水量多集中在30.0~120.0 mm时,是水害高发区,发生水害224站次,占比94.5%;30.0 mm以下降水量一般不足以激发水害;120.0 mm以上的降水发生频率较小,因此引发水害的概率相对较小。1 h最大降水量多在10.0~60.0 mm时,是水害高发区,发生水害199站次,占比84.0%;1 h最大降水量在10.0 mm以下时降水强度不大,破坏力相对较小,且该条件下发生水害时降水的持续时间多在12 h以上,水害主要由连续降水引发。
图2
图2
2017—2019年朔黄铁路水害发生时降水持续时间及降水量散点图
Fig.2
The scatter diagram between precipitation duration and precipitation amount during the water disasters on the Shuozhou-Huanghua Railway from 2017 to 2019
2.4 雨量警戒阈值指标
雨量警戒是铁路部门决定铁路警戒状态的降水指标,是判断降水影响铁路安全程度的基本依据[7-8],文中主要分为无警戒、出巡警戒、限速警戒、封锁警戒。由于降水因子全距较大,因此首先对其进行正态化处理,再计算不同降水因子对应的水害发生频率(图3)。对于平原和山区路段,连续降水因子、1 h最大降水因子和24 h降水因子对应的水害发生频率均呈明显单峰型分布。最后统计各降水因子的均值(μ)和标准差(std),根据均值-标准差法和极大值法分别对不同路段水害同期的连续降水因子、1 h最大降水因子、24 h降水因子进行分割,以μ
图3
图3
2017—2019年朔黄铁路平原路段(a、b、c)、山区路段(d、e、f)不同降水因子对应的水害发生频率直方图
(a、d)连续降水因子,(b、e)1 h最大降水因子,(c、f)24 h降水因子
Fig.3
The frequency histogram of water disasters corresponding to different precipitation factors in plain sections (a,b,c) and mountain sections (d,e,f) of the Shuozhou-Huanghua Railway from 2017 to 2019
(a,d)continuous precipitation factor, (b,e)the hourly maximum precipitation factor,(c,f)the 24-h precipitation factor
表3 朔黄铁路平原路段和山区路段雨量警戒阈值
Tab.3
警戒类型 | 平原路段降水量 阈值/mm | 山区路段降水量 阈值/mm | ||||
---|---|---|---|---|---|---|
连续 降水 量 | 1 h最大降水量 | 24 h 降水 量 | 连续 降水 量 | 1 h最大降水量 | 24 h 降水 量 | |
无警戒 | 31.8 | 9.6 | 19.1 | 29.4 | 3.5 | 9.7 |
出巡警戒 | 68.2 | 30.7 | 58.7 | 56.9 | 19.4 | 39.7 |
限速警戒 | 135.9 | 70.6 | 132.4 | 97.6 | 57.5 | 103.2 |
封锁警戒 | 183.3 | 86.9 | 165.4 | 146.4 | 62.1 | 110.6 |
2.5 效果检验
根据上文得到的平原和山区铁路路段不同级别的雨量警戒阈值,对2020年汛期朔黄铁路雨量警戒情况进行效果检验,均无漏报情况发生。平原路段共发布出巡警戒信息26站次,限速警戒信息2站次,未发布封锁警戒信息(实际也没有出现封锁警戒情况)。实际实施出巡警戒措施记录23站次,出巡警戒准确率为88.5%,空报率为11.5%。实际实施限速警戒措施记录2站次,分别出现在河北羊三木站和黄骅南站,2020年7月5日羊三木站连续降水量77.6 mm,1 h最大降水量74.3 mm,降水持续时间1.3 h;2020年7月31日黄骅南站连续降水量83.9 mm,1 h最大降水量70.7 mm,降水持续时间7.4 h,均为1 h最大降水量达到限速警戒标准。山区铁路路段共发布出巡警戒信息18站次,实际实施出巡警戒措施记录16站次,出巡警戒准确率为88.9%,空报率为11.1%,未发布限速和封锁警戒信息,也没有实施限速和封锁警戒措施记录,因此没有进行检验。总体上,针对平原和山区铁路路段制定的雨量警戒阈值较为合理,相较于已有的警戒标准,减少了无效的人员出巡,可为铁路气象服务提供一定的技术支持,为铁路部门汛期高效调度和安全运营提供技术保障,为科学防洪、精准防洪提供一定的决策依据。
3 结 论
(1)2017—2019年朔黄铁路水害主要发生在 4—9月,7月发生站次最多,其次是8月,水害分布与降水量分布同步,降水量最多月份与水害最多月份一致,暴雨时水害发生站次最多。
(2)朔黄铁路水害的降水类型主要有3种:局地暴雨、短时强降水、连续性降水。局地暴雨引发铁路水害的次数最多,占水害发生总站次的45.6%,其次是连续性降水,短时强降水引发铁路水害频次最少。平原路段铁路水害主要由局地暴雨引发,而山区路段主要诱因是连续性降水。
(3)对于平原和山区路段,连续降水因子、1 h最大降水因子和24 h降水因子对应的水害发生频率均呈单峰型。由于降水因子全距较大,水害记录中未出现封锁停运情况,因此以μ
(4)对平原和山区路段雨量警戒阈值指标检验,均无漏报情况发生,平原路段出巡警戒准确率达88.5%,空报率为11.5%,限速警戒准确率达100%;山区路段出巡警戒准确率达88.9%,空报率为11.1%,因此制定的雨量警戒阈值较为合理。
参考文献
Estimating flood damage to railway infrastructure—the case study of the March River flood in 2006 at the Austrian Northern Railway
[J].
Susceptibility of existing and planned Chinese railway system subjected to rainfall-induced multi-hazards
[J].
Rain-triggered slope failure of the railway embankment at Malda, India
[J].
Evolutionary polynomial regression to alert rainfall-triggered landslide reactivation
[J].
Shallow landslides predisposing and triggering factors in developing a regional early warning system
[J].
Suggestion of a method for landslide early warning using the change in the volumetric water content gradient due to rainfall infiltration
[J].
/
〈 |
|
〉 |
