论文 | 清华大学发布中国洪水灾害影响数据库:30 年 1716 场洪灾逐场记录
原创
空天感知
空天感知
空天感知
2026年11月16日 08:28
日本
去阅读
导读:中国是洪灾影响最重的国家之一,长期以来却缺一份事件尺度的公开账本:官方统计只有逐年汇总,国际数据库收录的中国事件又偏少偏粗。清华大学赵建世团队把 66 部官方文献逐页翻出来,用 OCR 与大语言模型抽取、再人工逐条核对,建成中国洪水灾害影响数据库 CFDID——1994 至 2023 年 1716 场洪灾逐场记录、八项影响指标齐全。它收录的损失占官方年总量的六至七成半,近六成事件在 EM-DAT 等国际数据库里找不到对应记录。
做洪水风险研究,绕不开一个基础问题:过去三十年,中国到底发生过多少场洪灾,每场造成了多大损失?官方统计给的是年度汇总数——某一年全国受灾人口多少、直接经济损失多少,适合看大势,却回答不了\"哪一场、发生在哪里、伤了多少人\"这类事件尺度的问题。保险公司有自己的灾害数据库,不对外开放;研究者常用的 EM-DAT 等国际数据库面向全球,中国部分收录门槛偏高,中小事件大量缺失,农业损失指标基本空白。
这篇数据论文补的正是这块。论文 2026 年 11 月 5 日发表在《地球系统科学数据》(ESSD),开放获取,由赵建世(清华大学)等 13 位研究者完成。做法不算复杂:把散落在年鉴和官方名单里的文字记录逐场抽出来,结构化、去重合并,做成一份可以下载、逐年更新的数据库。它与本号上一篇 SAR 洪水制图框架的论文正好互补——上一篇解决\"洪水范围怎么画准\",这篇记的是\"每场洪水造成了什么影响\"。
分享阅读笔记如下:
01 数据库里有什么:66 部文献汇出 1716 条逐场记录
记录的主体来自三类官方文献:《中国水利年鉴》(1994–2018 年)、《中国气象灾害年鉴》(2002–2023 年)和历年\"全国十大自然灾害\"名单(2005–2023 年),合计 66 部。水利年鉴在 2018 年后因机构职责调整停记事件尺度信息,气象灾害年鉴接了上来,两套年鉴加上重大事件名单,拼出三十年的覆盖。
记录保留了原始文献的报告结构,分三个层级:L1 母事件 1391 条,L2 子事件 300 条,L3 更细一层 25 条。举个例子,2011 年 9 月那场跨六省的洪灾是一条 L1,它在陕西的记录是 L2,再往下西安灞桥区的记录是 L3。灾种按触发机制分五类:暴雨洪水、台风、融雪洪水、凌汛洪水、溃坝洪水,堰塞湖溃决也归入溃坝一类。
每条记录 22 个字段,核心是八项影响指标:
• 死亡和失踪人数
• 受灾人口
• 农作物受灾面积
• 农作物成灾面积
• 农作物绝收面积
• 倒塌房屋
• 损坏房屋
• 直接经济损失
细节上有两个处理值得一提。直接经济损失同时给出按 CPI 折算的 2023 年不变价,三十年跨度的数字可以直接比较;每条记录都保留了出处,引用到字段一级可追溯。数据库连同处理代码放在 Zenodo 开放下载,团队表示会逐年更新。
02 账是怎么记出来的:机器抽取打底,人工核对兜底
纸质年鉴先扫描,用 MinerU 做 OCR 转成可编辑文本,再按段落、编号等标记切成 962 个文本块。随后由大语言模型从文本块里抽取字段生成结构化记录,团队实测字段级抽取准确率为 99.25%;抽完的 1912 条记录,人工拿着原文逐条核对、逐条改错。
真正的麻烦在去重合并。同一场洪灾在不同文献里会被重复记、交叉记、大套小地嵌套记。团队先用三条硬规则筛候选对——同一年、起始月份相差不超过一个月、至少重合一个省,再让大模型判定候选对之间是同一事件、不同事件还是嵌套关系(融合判定用的是 DeepSeek 的模型),判定结果由第一作者逐条复核。同一事件在不同文献里数值打架时,按来源优先级取值:十大自然灾害名单优先于气象灾害年鉴,气象灾害年鉴优先于水利年鉴。1912 条抽取记录经过这一轮融合,最终定版为 1716 条。
💡 这套流程本身可复制。灾害、地方志、行业年报这类散在中文文献里的数据,都可以照\"机器抽取+人工核对\"的路子结构化。只是人工复核省不得:99.25% 的字段准确率听着很高,摊到上万个字段,仍有上百处错误要靠人捞回来。
03 三十年图景:暴雨和台风占 99%,损失大头在暴雨
先看构成。L1 事件里暴雨洪水 779 场,占 56.0%;台风 601 场,占 43.2%;融雪、凌汛、溃坝三类加起来不到 1%。影响份额上暴雨洪水更突出:占死亡失踪总数的 75.7%、倒塌房屋的 77.9%、受灾人口的 68.9%、直接经济损失的 68.9%。台风各项约占两到三成。
季节高度集中。5 至 10 月发生的事件占全部 L1 的 96.0%,其中 7 月 384 场、8 月 381 场最密,与东亚季风的雨季和西北太平洋台风季吻合。空间上,1391 条 L1 展开成 1820 条省级记录:广东 155 条最多,广西 135 条、四川 120 条、福建和湖南各 115 条、江西 113 条、浙江和湖北各 106 条,高值省份集中在珠江流域、长江流域和东南诸河。分灾种看,暴雨洪水四川 119 条居首,台风广东 100 条居首;融雪洪水 5 条全在新疆,凌汛记录沿黄河分布,溃坝记录主要在西藏。
💡 年度条数别急着当趋势读。记录最多的是 2008 年(106 场),2004–2013 年年均 76.3 场,明显高于前十年(年均 27.2 场)和近十年(年均 35.6 场)。作者明确提醒,这主要反映源文献在不同年代记录的详细程度不同,不能直接解读为洪水变多或变少。
04 和国际数据库对账:近六成事件是 EM-DAT 里没有的
先看全不全。以官方年度总量为标尺,CFDID 的 L1 记录覆盖了死亡失踪的 68.5%、受灾人口的 72.2%、农作物受灾面积的 60.7%、倒塌房屋的 65.7%、直接经济损失的 74.9%。个别年份的单项覆盖率会超过 100%,那是事件口径与年度汇总口径不完全一致造成的,论文里有说明。
再和 EM-DAT 正面比。同期 EM-DAT 收录的中国大陆洪灾相关记录是 433 条,CFDID 的 L1 有 1391 条。逐条匹配的结果:EM-DAT 的记录里 72.3% 能在 CFDID 中找到对应事件;反过来,CFDID 有 822 条、占 59.1%,在 EM-DAT 里没有对应记录。这部分\"国际库里查不到\"的事件合计占官方总量的死亡失踪 14.4%、受灾人口 20.0%、直接经济损失 16.6%,分量不轻。两家的年度序列走势大体一致,死亡失踪、受灾人口、直接经济损失三个指标的相关系数分别为 0.93、0.66 和 0.86。EM-DAT 只在死亡失踪一项的覆盖率上略高于 CFDID。
农业指标是 CFDID 的独门项。受灾、成灾、绝收三档农作物面积,国际数据库普遍不记,国内做农业洪灾影响模型的人以往只能自己攒数据。加上事件尺度、可追溯出处这两点,CFDID 对中国洪灾研究来说算是把地基补了一块。
💡 小结
这份数据库的用处很实在。洪水影响模型长期缺事件尺度的验证数据,CFDID 一次给了 1716 个带官方出处的样本;风险评估、影响变化归因、洪水保险定价,也都用得上。更难得的是它把构建流程完整公开,年鉴这类中文文献怎么变成结构化数据,后来者可以照着做。
局限也写在明处,用之前先看清三点:来源以国家级文献为主,地方性的小事件仍有漏记;空间只到省级,一场跨省洪灾的损失还拆不到各省;台风记录是风、雨、潮的合计损失,拆不出纯洪水的部分。和上一篇的 SAR 洪水制图框架放在一起看,一边把淹没范围画得更准,一边把影响账本记得更清,两边对上,洪水风险评估才算闭环。做洪水方向的读者,值得把这份数据收藏下来。
论文信息
CFDID: a China Flood Disaster Impact Database from 1994 to 2023(Shibo Cui、Ni Li 等 13 位作者,通讯作者 Jianshi Zhao;《地球系统科学数据》ESSD 第 18 卷,2026 年 11 月 5 日发表,开放获取)
论文:https://doi.org/10.5194/essd-18-8129-2026
数据与代码(Zenodo):https://doi.org/10.5281/zenodo.22918521
版权声明
本站仅做备份收录,仅供研究与教学参考之用。
读者将信息用于其他用途的,全部法律及连带责任由读者自行承担,本站不承担任何责任。









评论