降雨场次划分对海绵城市降雨控制率的影响分析与工程实践

1. 项目概述：为什么降雨场次划分是海绵城市建设的“定盘星”？

在从事海绵城市设计与效果评估的这些年里，我处理过上百个项目的监测数据，也参与过不少技术标准的讨论。一个看似基础、却常常引发巨大分歧和困惑的问题，就是“降雨场次”的划分。你可能觉得，一场雨从开始下到结束，这不是明摆着的事吗？但在实际的数据分析和模型计算中，这个“明摆着”的边界，却直接决定了“降雨控制率”这个核心考核指标的数值。我见过同一个项目，用不同的划分方法，计算出的年径流总量控制率能相差5%甚至更多。这可不是小数目，它可能直接关系到项目是否达标、设计方案是否需要调整、甚至影响到后续的运维评价和费用结算。

“降雨场次划分方法对降雨控制率的影响分析”这个标题，直指的就是这个行业内的“暗礁”。它不是一个纯理论问题，而是一个贯穿于项目设计、模型模拟、监测评估全流程的实操性难题。简单来说，降雨控制率（通常指年径流总量控制率）的计算，依赖于对长期降雨监测数据的统计分析。你需要把连续多年的分钟级或小时级降雨数据，切割成一个个独立的“降雨事件”，然后统计每个事件的降雨量、历时、雨峰位置等特征，再基于这些事件去计算有多少比例的降雨量被设施“控制”住了（即未产生外排径流）。这里的关键就在于：如何定义和切割一个“降雨事件”？两次降雨间隔多久，才能算作两场独立的雨？

这个问题，新手容易忽略，老手也常常凭经验或沿用既有标准，但很少有人去深究不同划分方法带来的系统性偏差。本文将从一个一线工程师的视角，彻底拆解几种主流的降雨场次划分方法，通过实际数据演示它们如何一步步影响最终的控制率计算结果，并分享我们在项目中踩过的坑和总结出的实用策略。无论你是刚入行的海绵城市设计师、负责数据分析的环境工程师，还是参与项目评审的专家，理解这一点，都能让你手里的数据更“靠谱”，让结论更经得起推敲。

2. 核心原理：从雨滴到数据，理解降雨场次划分的逻辑链条

要分析影响，首先得回到起点，弄清楚降雨控制率这个指标是怎么算出来的，以及降雨场次在其中扮演了什么角色。

2.1 降雨控制率的计算逻辑与数据需求

目前，行业内普遍采用的年径流总量控制率，其本质是一个基于统计的容积法概念。它不是对每一场雨进行实时模拟，而是通过分析长期历史降雨数据，找出对应于设计控制率（如70%、80%）的那一场“设计降雨”。计算过程通常包含以下几步：

1. 数据准备：获取项目所在地连续多年（一般不少于30年）的分钟或小时降雨序列数据。
2. 场次划分：将漫长的连续降雨数据记录，按照一定的规则，切割成N个独立的降雨事件。这是所有后续分析的基石。
3. 事件排序：将这N个降雨事件，按照单场降雨量从大到小进行排序。
4. 统计计算：计算排序后每个降雨事件及其之前所有较小事件的累积降雨量，占统计期内总降雨量的百分比。这个百分比就是该场降雨所对应的“控制率”。
5. 曲线绘制与查值：以单场降雨量为横坐标，对应的控制率为纵坐标，绘制降雨量-控制率关系曲线。需要达到的设计控制率（如75%），就在这条曲线上找到对应的降雨量，这个雨量值就是“设计降雨量”。

可以看到，第二步“场次划分”直接决定了“N”的数值，以及每一个被识别出的事件的降雨量和历时。如果划分方法不同，那么：

• N会变多或变少。
• 某些大雨可能会被拆分成几场小雨，或者几场小雨被合并成一场大雨。
• 事件的降雨量、历时、雨型（峰值位置）都会发生变化。

最终，所有这些变化都会传递到第4步和第5步，导致绘制出的曲线发生偏移，从而使查得的设计降雨量发生变化。这就是划分方法影响控制率的内在逻辑链条。

2.2 主流降雨场次划分方法详解

实践中，主要有三种划分方法，其核心区别在于对“降雨间歇期”的定义。

2.2.1 最小间歇期法（MIT法）

这是最经典、应用最广泛的方法。其规则非常简单：当连续无降雨（或降雨强度低于一个微小阈值）的时间超过一个预设的“最小间歇期”时，就认为前一场降雨结束，后一场降雨开始。

这个预设的时间，就是关键参数。常见的有6小时、12小时、24小时等。例如，采用6小时MIT法，意味着如果雨停了超过6小时又再下，就算作两场雨；如果只停了5小时59分，那就合并为一场雨。

优点：规则清晰，易于编程实现，计算结果可重复性强。缺点：对间歇期参数非常敏感。参数选择缺乏绝对的物理意义支撑，更多是基于经验或习惯。

2.2.2 雨量阈值法

这个方法不仅考虑时间，还考虑雨量。其规则是：在满足最小间歇期的基础上，还要求划分出的每一场降雨的总量必须大于某个“最小雨量阈值”。

例如，规则可以定义为“间歇期大于6小时，且单场雨量大于2毫米”。如果一场降雨的雨量小于2毫米，即使它前后满足了6小时的间歇期，也可能被忽略或与相邻降雨合并。

优点：可以过滤掉那些量级极小、几乎不产生径流的降雨事件，使分析更聚焦于有水文意义的降雨。这在干旱半干旱地区尤其有用。缺点：引入了第二个主观参数（雨量阈值），增加了复杂性。阈值的选择同样缺乏统一标准。

2.2.3 基于径流响应的划分法（物理意义法）

这是一种更高级、也更复杂的方法。其核心思想是：降雨场次的划分，应该以是否产生独立的径流过程为依据。理论上，如果两次降雨之间的间隔，足以让前一场雨产生的地表径流完全退去、下渗过程基本结束，那么它们就是两场独立的产流事件。

实际操作中，这需要结合流域的汇流时间、土壤下渗能力等水文参数来估算一个“流域响应时间”，并以此作为划分间歇期。有时甚至会利用同步的流量监测数据来辅助判断。

优点：具有最明确的物理水文意义，理论上最合理。缺点：实施难度大，需要额外的流域特性数据或监测数据，计算方法复杂，难以标准化推广。不同项目、不同地块的参数差异会导致划分结果无法横向比较。

注意：在实际工程和标准规范中，绝大多数情况下使用的是最小间歇期法（MIT法）。我们的讨论也将主要围绕这种方法及其参数（间歇期时长）的选择展开。因为这是矛盾最集中、影响最直接、也最容易被忽视的环节。

3. 影响机制深度拆解：一个参数如何撼动最终结果？

理解了方法，我们通过一个简化的思想实验和实际数据案例，来看看不同的划分方法具体是如何“作祟”的。

3.1 关键参数敏感性分析：以间歇期为例

假设我们有一段48小时的降雨数据，其序列如下表所示：

现在，我们分别用6小时MIT法和12小时MIT法来划分这场雨。

• 采用6小时MIT法：

  1. 0-6小时，降雨15mm。
  2. 查看6-12小时，无雨。间隔为6小时，等于最小间歇期（6小时）。因此，0-6小时的降雨事件结束。
  3. 12-18小时，无雨。
  4. 18-24小时，降雨10mm。由于上一次降雨（0-6小时）结束于第6小时，到第18小时开始下雨，间隔为12小时（>6小时），因此这被视为一场新的降雨。
  5. 24-30小时，无雨。间隔6小时（等于MIT），18-24小时的降雨事件结束。
  6. 30-36小时，降雨5mm。与上一场雨间隔6小时（等于MIT），视为第三场雨。
  7. 36-42小时，无雨。间隔6小时，第三场雨结束。
  8. 42-48小时，降雨8mm。与上一场雨间隔6小时，视为第四场雨。划分结果：得到4场独立的降雨事件，雨量分别为：15mm, 10mm, 5mm, 8mm。

• 采用12小时MIT法：

  1. 0-6小时，降雨15mm。
  2. 查看6-12小时，无雨。间隔6小时，小于最小间歇期（12小时）。因此，降雨事件未结束，继续等待。
  3. 12-18小时，无雨。从第6小时到第18小时，累计无雨时间12小时，等于最小间歇期。因此，0-6小时的降雨事件在第18小时结束。但注意，这期间（6-18小时）没有降雨，所以这场雨的量还是15mm。
  4. 18-24小时，降雨10mm。这是一场新雨的开始。
  5. 查看24-30小时，无雨。间隔6小时，小于12小时，事件未结束。
  6. 30-36小时，降雨5mm。由于24-30小时无雨，但30-36小时有雨，且与18-24小时的降雨间隔（从24到30小时）仅为6小时，因此这5mm降雨被合并到18-24小时开始的这场雨中。现在这场雨从18小时持续到36小时（中间有6小时无雨），总雨量=10+5=15mm。
  7. 36-42小时，无雨。从第36小时到第42小时，间隔6小时，小于12小时，事件仍未结束。
  8. 42-48小时，降雨8mm。同样，这8mm也被合并进来。最终，这场雨从18小时持续到48小时，总雨量=10+5+8=23mm。划分结果：得到2场独立的降雨事件，雨量分别为：15mm, 23mm。

对比与影响：

这个简单的例子清晰地表明：延长最小间歇期，倾向于将多次短间隔降雨合并为更大的降雨事件，从而可能提高设计降雨量；缩短最小间歇期，则会将降雨切割得更碎，产生更多的小雨事件，可能使得设计降雨量计算结果偏小。

3.2 实际长期数据下的宏观影响趋势

将上述原理放到长达30年的日降雨数据中，其影响会被放大和复杂化。通过编程对同一套历史降雨数据进行不同MIT参数的划分计算，我们通常会发现以下规律：

1. 对事件总数的影响：MIT值越小，划分出的事件总数越多。例如，6小时MIT划分出的事件数可能比24小时MIT多出30%-50%。
2. 对雨量频率分布的影响：MIT值小，会“制造”出大量的小雨事件（如<5mm的事件显著增多）。MIT值大，则会“减少”小雨事件的数量，同时增加中大雨事件（如20-50mm）的雨量值（因为被合并了）。
3. 对设计降雨量的最终影响：这取决于当地降雨特征和设计控制率目标。
   • 在降雨频繁、小雨多的地区：采用较小的MIT，会产生大量易控制的小雨事件，使得在达到某一控制率（如75%）时，所需要控制的单场雨量（即设计降雨量）偏小。这可能会让设计者过于乐观，设计的设施容积偏小。
   • 在降雨集中、暴雨多的地区：采用较大的MIT，可能将几次暴雨过程合并，形成一场“超级暴雨”，使得设计降雨量显著偏大。这会导致设计过于保守，设施容积和成本激增。
   • 影响的不确定性：这种影响并非线性。在控制率-降雨量曲线上，不同区间的斜率不同，MIT变化导致的事件雨量分布在曲线上的移动，最终对设计值的影响方向和大小需要具体计算。

实操心得：永远不要默认使用某个软件或某个地区的习惯参数。拿到数据后，第一件事就是用3-4个不同的MIT值（如6h, 12h, 18h, 24h）跑一遍基础分析，看看设计降雨量的变化范围。这个敏感性测试，能让你立刻明白这个项目的数据对划分方法有多“敏感”，为后续的决策提供关键依据。

4. 项目实操：如何科学确定并应用降雨场次划分方法？

面对影响，我们不能束手无策。在实际项目中，我们需要一套可操作的工作流程来妥善处理这个问题。

4.1 数据预处理与清洗要点

在划分之前，数据的质量至关重要。原始降雨数据（尤其是自动气象站分钟数据）常存在以下问题：

• 数据缺失：仪器故障、传输中断导致的数据断点。
• 数据异常：明显的错误值（如负值、超出合理范围的极大值）。
• 时间序列不连续：时间戳不规整，存在重复或跳跃。

处理流程：

1. 格式标准化：确保所有数据的时间戳为连续的等间隔序列（如每分钟一个数据点）。缺失的时间点用NaN或特定编码填充。
2. 异常值处理：设定合理的物理阈值（如小时雨强<0或>300mm/h为异常），对于异常值，通常采用前后时刻数据插值或直接标记为缺失。
3. 缺失数据插补：对于短时间缺失（如几小时），可采用线性插值或临近值平均。对于长时间段缺失（如数天），则需要结合周边站点数据或历史气候数据进行插补，或者将包含长时段缺失数据的整个降雨事件谨慎剔除。这一点必须记录在案。
4. 强度序列生成：将累积降雨数据转换为降雨强度序列（mm/min或mm/h），这是后续划分的基础。

注意：数据清洗的规则需要明确记录在技术报告或计算说明中。不同的插补方法也可能对结果产生细微影响，保持一致性比追求某种“最优”方法更重要。

4.2 划分算法的代码实现与参数调试

对于MIT法，其算法逻辑非常直接，可以用Python（Pandas库）轻松实现。以下是核心代码逻辑：

import pandas as pd def split_rainfall_events(rainfall_series, mit_hours, intensity_threshold=0): """ 使用最小间歇期法划分降雨事件。 参数: rainfall_series: pandas Series, 索引为时间戳，值为降雨强度(mm/h)。 mit_hours: 最小间歇期，单位小时。 intensity_threshold: 降雨强度阈值，低于此值视为无雨。通常设为0或一个极小值如0.1。 返回: events: 列表，每个元素是一个DataFrame，代表一场降雨事件的数据。 event_summary: DataFrame，包含每场事件的开始时间、结束时间、总雨量、历时等。 """ # 将降雨强度序列转换为布尔序列：是否在降雨 is_raining = rainfall_series > intensity_threshold # 找到所有降雨段的开始和结束索引 # 通过差分找到状态变化的点 diff = is_raining.astype(int).diff() event_starts = diff == 1 event_ends = diff == -1 # 处理序列开始和结束的情况 if is_raining.iloc[0]: event_starts.iloc[0] = True if is_raining.iloc[-1]: event_ends.iloc[-1] = True start_indices = rainfall_series[event_starts].index end_indices = rainfall_series[event_ends].index # 应用最小间歇期规则合并事件 events = [] current_event_start = start_indices[0] current_event_data = [] # 这里需要遍历时间序列，根据时间间隔判断是否合并 # 更稳健的方法是使用循环遍历每个时间点，判断无雨时长 # 以下为简化示意逻辑： dry_period = pd.Timedelta(hours=0) for i in range(1, len(rainfall_series)): if rainfall_series.iloc[i] <= intensity_threshold: dry_period += pd.Timedelta(hours=1/60) # 假设是分钟数据 else: if dry_period >= pd.Timedelta(hours=mit_hours): # 间歇期超过MIT，结束当前事件，开始新事件 if current_event_data: events.append(pd.DataFrame(current_event_data)) current_event_start = rainfall_series.index[i] current_event_data = [] dry_period = pd.Timedelta(hours=0) current_event_data.append({'time': rainfall_series.index[i], 'intensity': rainfall_series.iloc[i]}) # 添加最后一场事件 if current_event_data: events.append(pd.DataFrame(current_event_data)) # 生成事件摘要 summary_list = [] for evt in events: summary_list.append({ 'start_time': evt['time'].iloc[0], 'end_time': evt['time'].iloc[-1], 'total_depth': evt['intensity'].sum() / 60, # 假设强度是mm/h，求和后除以60得mm 'duration_hr': (evt['time'].iloc[-1] - evt['time'].iloc[0]).total_seconds() / 3600 + 1/60, 'max_intensity': evt['intensity'].max() }) event_summary = pd.DataFrame(summary_list) return events, event_summary # 调用示例 # df_rain 是一个包含'DateTime'和'Rainfall_mm_h'列的DataFrame rain_series = df_rain.set_index('DateTime')['Rainfall_mm_h'] events_6h, summary_6h = split_rainfall_events(rain_series, mit_hours=6) events_12h, summary_12h = split_rainfield_events(rain_series, mit_hours=12)

参数调试建议：

1. 运行多情景：务必用6, 12, 18, 24小时等几个典型MIT值分别运行代码。
2. 可视化检查：将划分结果（事件的开始、结束时间）在原始降雨过程线上标记出来，直观检查划分是否合理。比如，一场明显的、中间有短暂停顿的暴雨，是否被不合理地切开了？
3. 统计对比：生成不同MIT下的统计表，对比事件数量、平均雨量、最大雨量等指标。

4.3 划分结果的合理性检验与决策

得到不同划分结果后，如何选择？不能只看数字，要结合水文常识和项目目标进行判断。

1. 参考地方标准或指南：首先查阅项目所在地是否有出台相关技术规范。例如，某些省市的海绵城市建设技术导则中会明确规定“最小降雨间歇期取12小时”。这是最直接的依据。
2. 分析本地降雨气候特征：如果地方没有规定，就需要自己分析。查看划分出的事件历时分布。如果采用6小时MIT，发现大量事件的历时都在3-5小时，且中间间隔恰好是6-8小时，这可能反映了当地午后雷阵雨多发、夜间无雨的气候特点，6小时划分可能是合理的。如果采用24小时MIT，发现很多事件历时长达几十小时，这显然不符合大多数降雨的物理实际。
3. 结合设计目标：考虑项目的安全余度和经济性。如果项目非常重要或下游敏感，倾向于采用偏保守的划分（稍大的MIT，使设计雨量偏大）。如果成本控制严格，且当地降雨以短历时高强度为主，可以采用偏严格的划分（稍小的MIT）。但必须在报告中明确说明所选参数及理由。
4. 与径流数据对照（如果有）：这是最理想的情况。如果有同步的流量监测数据，可以观察降雨事件与径流峰值的对应关系。如果两个被6小时MIT分开的降雨，产生了两个独立的径流峰，那么6小时划分就是合理的；如果它们只产生了一个宽胖的径流峰，那么更长的MIT可能更合适。

我们的项目经验：在南方多雨地区，我们曾对比发现，采用12小时MIT和24小时MIT计算出的设计雨量相差约15%。与业主、评审专家讨论后，我们最终采用了12小时MIT，理由是其划分出的事件历时分布更接近我们对当地“场次雨”的直观认知，且与省内其他项目的常用做法保持一致，保证了区域可比性。我们将6小时、18小时的结果作为敏感性分析附在报告附录中，供决策参考。

5. 常见问题、误区与进阶考量

在实际工作中，关于降雨场次划分的困惑远不止于选择哪个数字。下面是一些高频问题和更深层的思考。

5.1 典型问题排查清单

5.2 误区澄清与经验分享

误区一：存在一个“唯一正确”的MIT值。这是最大的误区。6小时、12小时或24小时，并没有绝对的谁对谁错。它们是基于不同假设和经验的不同“尺子”。关键是要认识到，你的尺子会影响你的测量结果。因此，一致性、透明性和合理性比追求一个“真值”更重要。在同一个区域或同一类项目中坚持使用同一种划分方法，能保证结果的可比性。

误区二：分钟数据一定比小时数据好。对于划分场次，分钟数据能更精确地捕捉降雨的起止时刻，尤其是对于短历时强对流降雨。然而，分钟数据的噪音也可能更大，对数据清洗要求更高。对于以长期统计为目的的控制率计算，使用质量良好的小时数据通常已经足够，且计算量更小。我们的经验是，在数据质量有保障的前提下，对于新建重要项目，推荐使用分钟数据；对于大数据量的区域评估或初步分析，小时数据是更务实的选择。

误区三：划分方法只影响设计雨量，不影响模型率定。如果你在用水文水动力模型（如SWMM）进行精细化模拟，降雨场次的划分同样重要。模型率定需要将模拟的径流过程线与实测过程线对比。如果你用来驱动模型的降雨输入事件划分，与产生实测径流的真实降雨事件不一致，那么率定效果会很差。此时，基于径流响应来辅助划分降雨事件就显得尤为必要。

进阶考量：面向不同目标的划分策略

• 用于年径流总量控制率计算：侧重于长期统计特性，建议采用固定MIT法（如12小时），并做敏感性分析，确保结果稳健。
• 用于水质控制评估：初期冲刷效应很重要。可能需要更细的划分（如6小时MIT），以分离出每次降雨初期的高污染径流。
• 用于洪峰流量计算：关注短历时高强度降雨。划分时应确保能识别出独立的暴雨核心，MIT不宜过长，避免将两次暴雨合并夸大峰值。
• 用于模型长期连续模拟：直接使用连续的降雨序列，无需划分事件。但计算控制率时，仍需从模拟结果中提取“无出流”的降雨量进行统计，其本质逻辑仍与事件划分相通。

最后，我的个人体会是，降雨场次划分是连接“物理降雨”与“管理指标”的一座桥梁，这座桥怎么建，没有标准图纸，但有工程规范和安全余量的考量。处理这个问题，最能体现一个工程师的严谨性和工程判断力。最稳妥的做法永远是：多试几种方法，看清楚影响的范围和方向，结合地方惯例和项目特性做出明确选择，并将整个过程和全部假设白纸黑字地记录下来。这样，无论面对怎样的质询，你都能清晰地解释这个数字从何而来，为何可信。