基于精细化空间格局的城市承灾体脆弱性评估

徐宗学 唐清竹 陈浩 杨芳

摘要：针对目前流域内部跨行政区单元空间精细化模拟并用于评估城市洪涝灾害工作的空白，本文着重聚焦精细化经济指标空间分布并将多源数据融合，构建了基于精细化空间格局的城市承灾体脆弱性评估体系，量化了深圳河流域脆弱性等级。研究结果表明：单一数据不足以准确模拟流域GDP密度，结合多源数据是进行GDP空间精细化更加有效的办法;深圳河流域GDP密度与第二、三产业空间化结果显示出高度一致性，产值密度最高达617 214万元/km2;流域两岸脆弱性等级存在显著差异和区域特征，深圳侧脆弱性明显高于香港侧，高脆弱性地区约占流域面积的8.8%。研究结果有助于识别灾害危险性大小和损失程度，提高城市洪涝灾害评估的精确性。

关键词：城市洪涝;承灾体;脆弱性;空间;精细化;深圳河

中图分类号：TV122.1  文献标志码：A  文章编号：1001-6791（2024）01-0038-10

气候变化会导致洪涝灾害以更高频率、更大强度和更多不可预测性影响全世界越来越多的地区［1-4］，洪涝灾害风险的增加趋势也会导致更加惨重的社会经济损失和人员伤亡［5-6］，这些受洪涝灾害直接威胁和影响的对象被称为承灾体。政府间气候变化专门委员会（IPCC）第六次评估报告［7］预估未来气候变化风险主要取决于暴露度和脆弱性的变化，在国际社会日益关注防洪减灾的大背景下［8-10］，增进对承灾体脆弱性的了解对于准确识别洪涝灾害风险、提高区域防洪抗灾能力至关重要。

联合国国际减灾战略（UNISDR）将脆弱性定义为一种状态，这种状态由物理、社会、经济和环境过程决定，能够增加社会群体对气候变化影响的敏感程度［11］。目前，洪涝灾害承灾体脆弱性已在全球、国家、区域尺度［5，12-14］进行了广泛评估，评估方法主要倾向于从人口、社会经济和环境3个维度确定与洪涝灾害承灾体高度相关的指标并构建指标体系。其中，社会经济维度通常选择国内生产总值（GDP）密度作为评估指标，GDP是目前公认为衡量国家（或地区）经济状况的最佳指标［15］。传统的GDP统计数据通常来源于行政单元统计年鉴，数据规范权威，但缺乏空间信息，在实际分析应用时可能会存在明显不足，难以反映行政单元内部社会经济的空间特征，不便于空间运算和分析［16］。对GDP统计数据进行空间离散化是解决该问题的手段之一。目前中国应用最为广泛的免费GDP密度展布数据为中国科学院资源环境科学与数据中心的中国GDP空间分布公里网格数据集，空间分辨率为1 km，该数据集为中国许多领域研究中的空间统计分析带来了极大便利，但是该数据分辨率较大，在小尺度区域空间分析中难以详细反映该区域内部经济空间分布状况。

近年来，多源数据的广泛应用［17-18］为准确评估区域经济空间分布特征提供了可能，例如遥感数据和兴趣点（Point of Interesting，POI）数据等，这些数据与人类活动和区域经济状况高度相关，可用于获取可靠的社会经济空间信息，从而确保研究结果的准确性，已成为社会经济空间化的重要数据源。国内外学者针对上述问题开展了一系列基于多源数据的经济空间格局精细化模拟研究。Huang等［15］比较了社交媒体中具有代表性的腾讯用户密度数据和夜间灯光数据对中国不同尺度行政区域GDP评估的能力，研究结果表明腾讯用户数据与GDP存在很强的相关性，有助于支持中国的区域经济评估;Shi等［19］通过结合夜间灯光数据、数字高程模型、归一化植被指数和POI数据，以500 m的空间分辨率识别和评估中国重庆的贫困地区;王旭等［20］选择夜间灯光数据、全球人口密度和亚洲人口密度作为GDP空间分布代用数据，研究结果表明京津冀地区存在经济发达市辖区GDP值被低估、郊区县GDP被高估的误差“两极区”倾向;张爱华等［21］建立了GDP统计数据、兴趣点数据、夜间灯光数据以及土地利用数据多源耦合模型，实现了北京市100 m网格高分辨率GDP空间化。以上研究均对完整行政单元进行模拟，但目前鲜见针对流域内部跨行政区域经济单元空间化的模拟研究，使用精细化经济空间分布运用于城市洪涝灾害风险与承灾体脆弱性评估的研究较少。

本文以深圳河流域为研究对象，着重聚焦精细化经济空间分布，选取土地利用、夜间灯光数据和POI数据对GDP密度进行空间精细化模擬，结合人口密度和建筑物密度，构建基于精细化经济指标空间分布的城市洪涝灾害承灾体脆弱性评估指标体系，识别研究区域承灾体脆弱性空间差异。研究结果可以支撑更加有针对性的洪水风险适应政策和防洪措施，为流域城市防汛减灾提供科学依据。

1 研究区概况与数据来源

1.1 研究区概况

深圳河流域位于广东省深圳市中南部，属低纬度滨海台风频繁影响地区。深圳河地处深圳市与香港特别行政区之间，是深圳与香港的界河，流域面积为312.5 km2，深圳侧流域面积为193.3 km2，约占流域面积的60%，流域北侧为深圳市福田区、罗湖区、龙岗区的西南部及盐田区的西部边缘，南侧为香港北区，如图1所示。流域上游地区为植被繁茂的丘陵山地，中下游为城市化程度较高的冲积平原。土地利用类型主要为建设用地，其他类型包括耕地、林地、草地和水域。2021年深圳市经济总量突破3万亿元，居亚洲城市第4位。香港2021年本地生产总值约为2.37万亿元，同比上升6.4%。流域多年平均降水量为1 935.8 mm，年平均降雨日数为134.2 d，受山地丘陵地貌及海洋气流影响，每年汛期灾害性台风雨和风暴潮事件频发，两地极易发生严重的洪（潮）涝灾害［22-23］。

1.2 数据来源与预处理

深圳河流域土地利用数据来源于欧洲航天局2021年WorldCover 10 m土地覆盖数据，该产品将深圳河流域划分为林地、灌木、草地、农田、建设用地、裸地/稀疏植被、水体、湿地和红树林共9个土地覆盖类别。夜间灯光数据来源于文献［24］，该数据通过整合DMSP-OLS和SNPP-VIIRS数据，得到改进后的2021年DMSP-OLS数据，空间分辨率为1 000 m。该数据中灯光灰度值（Digital Number，DN值）范围为0～63，0表示没有灯光，63是最大亮度值。通过调用高德地图API中的搜索POI接口来获取深圳和香港2021年POI数据，本研究选取该接口提供的休闲娱乐、餐饮美食、购物消费、酒店住宿、科教文化、旅游景点、商务住宅、运动健身和医疗保健共计9个POI大类数据，采用核密度分析对各类数据进行网格热力可视化。建筑物轮廓数据来源于BIGEMAP软件，采用核密度分析生成深圳河流域建筑物密度，空间分辨率为500 m。数据详细信息见表1。

2 GDP空间化模型构建

2.1 第一产业空间化

根据社会生产活动的历史发展顺序和中国的产业结构，将GDP分为第一产业、第二产业和第三产业。GDP第一产业增加值是直接取自自然界部门的增加值，它与土地利用类型密切相关［25］。根据刘红辉等［26］和钟凯文等［25］总结的GDP空间化方法，将第一产业中的农、林、牧、渔业分别与土地利用类型中的耕地、林地、草地、水域一一对应，构建的模型为

式中：GDP1，ij为第i个城市第j个栅格的第一产业产值;Gkij为第一产业中农、林、牧、渔业的产值，万元，k=1，2，3，4，分别为农、林、牧、渔业。其中，Gkij的计算公式为

式中：gil为第i个城市第l种土地利用类型单位面积产值，万元;Aijl为第i个城市第j个栅格中第l种土地利用类型的面积，km2。

2.2 第二、三产业空间化

GDP第二产业指对初级产品进行再加工部门的产业，主要包括工业和建筑业;第三产业指为生产和消费提供各种服务的产业，包括除第一、第二产业以外的其他各业［25］。前人的研究［27-28］中表明夜间灯光数据与GDP第二、三产业间有显著的相关关系，但也存在一定局限性，忽略了其他社会经济因素对GDP空间分布格局的影响。POI数据与人类生产活动密切相关，综合考虑夜间灯光数据和POI数据可以直观地反映出某一地区的社会经济发展水平和人类活动空间分布，所以本研究选取夜间灯光数据和9类POI数据共10个指标因素对深圳河流域第二、三产业GDP空间化进行评估。

采用层次分析法（AHP）确定10类社会经济指标的权重（表2），构建的第二、三产业空间化模型如下：

式中：GDP23，ij为代用数据展布后第i个城市第j个栅格的第二、三产业产值，万元;G23，i为第i个城市的第二、三产业产值，万元;Wij为第i个城市第j个栅格的综合权重值，计算公式为

式中：wm为第m项指标的权重;pmj为第m项指标在第j个栅格的代表值。

3 结果与分析

3.1 第一产业空间化

基于土地利用数据将深圳河流域GDP第一产业进行空间可视化表达，空间分辨率为500 m，如图2所示。由图2中可以看出，深圳河流域第一产业主要集中于流域东北部和西北边缘地带，该区域为较大面积植被繁茂的林地和草地，适合发展第一产业。深圳侧第一产业GDP密度整体高于香港侧，产值密度最高地区为深圳河流域两岸湿地和农田密集区，这为农渔业发展提供了便利，GDP密度最高达7 935万元/km2。

3.2 第二、三产业空间化

深圳河流域夜间灯光强度灰度值见图3（a），流域大部分区域显示出最大亮度，东南部没有检测出夜间灯光。通过夜间灯光数据对深圳河流域GDP第二、三产业进行空间可视化表达，空间分辨率为500 m，如图3（b）所示。由图中可以看出，将夜间灯光强度原始数据进行第二、三产业空间化模拟后，香港北部的GDP產值反而明显高于深圳侧，这是由于计算过程中香港夜间灯光亮度总值远远小于深圳市，而2个行政区第二、三产业总产值相差不大，这就导致香港侧的模拟结果大于深圳侧。且深圳侧福田区、罗湖区与龙岗区的第二、三产业产值没有明显的空间分布差异，这表明夜间灯光数据在一定程度上较难体现出深圳河流域内部的经济产值差异，只考虑夜间灯光数据对GDP第二、三产业进行空间化可能会忽略研究区内部的经济多样性，导致模拟结果精度不高。GDP第二、三产业分布细节不能仅仅只通过夜间灯光亮度直接区分和表达，所以本研究加入能够揭示研究区域内部经济结构差异同时精细化程度更高的POI数据，对深圳河流域GDP第二、三产业进行更加准确地空间可视化表达，空间分辨率为500 m，如图4所示。由图4中可以看出，POI数据可以准确清晰地体现出深圳河流域各产业的经济聚集程度，产值密度高的地区主要集中在福田区、罗湖区的中心区域以及龙岗区南部。基于POI数据的GDP第二、三产业空间化可以更好地表达出流域内部的经济空间分布差异特征，体现出各区中心区域向外部经济产值密度逐渐减小的趋势，同时也反映出夜间灯光数据的缺失细节，弥补了夜间灯光数据分辨率过低的不足。

基于耦合的夜间灯光数据和POI数据对深圳河流域GDP第二、三产业进行空间可视化表达，空间分辨率为500 m，如图5所示。由图5中可以看出，流域第二、三产业产值密度呈现出明显的空间差异，在福田区、罗湖区的中心区域以及龙岗区南部形成小型的第二、三产业经济中心，产值密度最高达617 214万元/km2。这也表明耦合夜间灯光数据和POI数据的GDP第二、三产业空间化模拟结果更加符合实际。

3.3 深圳河流域GDP空间化

基于土地利用数据、夜间灯光数据和POI数据对深圳河流域GDP密度进行空间可视化表达，空间分辨率为500 m，如图6所示。由图6中可以看出，深圳河流域GDP密度存在明显的空间差异，并且与第二、三产业空间化结果显示出较高的一致性，福田区和罗湖区的中心区域、龙岗区南部以及香港北部经济高度发达，产值密度最高达617 214万元/km2。各区中心区域GDP主要来源于第二、三产业，第一产业的贡献较小，流域周边丘陵山地地区既有第二、三产业的发展，又有第一产业的贡献。这是由于深圳河流域两岸地区高度城市化，第二、三产业发展十分成熟，同时伴随着中国退耕还林还草等一系列生态文明建设，第一产业产值远远低于第二、三产业产值对流域内总GDP的影响。

3.4 研究区域承灾体脆弱性评估

由于人员和资产的高度暴露，城市地区的洪涝灾害承灾体脆弱性通常相对较高。本研究选取承灾体脆弱性评估中最具代表性的3个指标：GDP密度、人口密度和建筑物密度对深圳河流域城市洪涝灾害脆弱性进行准确评估，根据自然断点分级法将3个脆弱性指标进行等级划分，并分别赋值1、2、3、4来代表低、中、较高和高风险等级，具体数值见表3。根据表3可视化各指标的等级分布，见图7。由图7中可以看出，GDP密度、人口密度与建筑物密度较大的区域主要集中在福田区和罗湖区的中心区域、龙岗区南部以及香港北部的中心区域，与实际情况基本相符，同时体现出各区中心区域对周边地区明显的“虹吸”效应［29］。

在进行层次分析的过程中，人口和经济被认为同等重要（权重为0.429），且都比建筑物密度（权重为0.142）重要。根据权重对各指标层进行栅格计算分析，得到更加直观的深圳河流域城市洪涝脆弱性分布，见图8。总体而言，深圳河流域两岸脆弱性等级存在明显差异和区域特征，深圳侧洪涝灾害脆弱性明显高于香港侧，大部分区域处在低脆弱性环境中，包括流域东部、西北部边缘地带以及香港北部的大部分地区，这些低脆弱性地区约占流域总面积的66.9%。高脆弱性地区主要集中在人口稠密和经济高度发达地区，以福田区、罗湖区的中心区域和龙岗区南部最为突出，约占流域面积的8.8%，一旦发生洪涝灾害，损失将更加严重。

4 结  论

本研究基于土地利用数据、夜间灯光数据和POI数据对深圳河流域GDP进行空间精细化模拟，提出基于精细化GDP密度的城市洪涝灾害承灾体脆弱性评估方法，量化了深圳河流域承灾体脆弱性等级。主要结论如下：

（1） 深圳河流域第一产业产值密度最高的地区为流域沿岸，GDP密度最高达7 935万元/km2，深圳侧第一产业GDP密度整体高于香港侧。流域第二、三产业产值密度呈现出明显的空间差异，在福田区、罗湖区的中心区域以及龙岗区南部形成小的第二、三产业经济中心，产值密度最高达617 214万元/km2。

（2） 单一的夜间灯光数据不足以准确模拟流域GDP密度，结合多源数据是进行GDP空间精细化更加有效的办法。深圳河流域GDP密度存在明显的空间差异，并且与第二、三产业空间化结果显示出较高的一致性，产值密度最高达617 214万元/km2。各区中心区域GDP主要来源于第二、三产业，第一产业的贡献较小，流域周边丘陵山地地区既有第二、三产业的发展，又有第一产业的贡献。

（3） 深圳河流域两岸脆弱性等级存在明显差异和区域特征，深圳侧承灾体脆弱性明显高于香港侧，高脆弱性地区主要集中在人口稠密和经济高度发达地区，以福田区、罗湖区的中心区域和龙岗区南部最为突出，约占流域面积的8.8%。

参考文献：

［1］ABDRABO K I，KANTOUSH S A，ESMAIEL A，et al.An integrated indicator-based approach for constructing an urban flood vulnerability index as an urban decision-making tool using the PCA and AHP techniques：a case study of Alexandria，Egypt［J］.Urban Climate，2023，48：101426.

［2］程晓陶，刘昌军，李昌志，等.变化环境下洪涝风险演变特征与城市韧性提升策略［J］.水利學报，2022，53（7）：757-768，778.（CHENG X T，LIU C J，LI C Z，et al.Evolution characteristics of flood risk under changing environment and strategy of urban resilience improvement［J］.Journal of Hydraulic Engineering，2022，53（7）：757-768，778.（in Chinese））

［3］徐宗学，陈浩，任梅芳，等.中国城市洪涝致灾机理与风险评估研究进展［J］.水科学进展，2020，31（5）：713-724.（XU Z X，CHEN H，REN M F，et al.Progress on disaster mechanism and risk assessment of urban flood/waterlogging disasters in China［J］.Advances in Water Science，2020，31（5）：713-724.（in Chinese））

［4］JIANG F S，XIE Z Q，XU J R，et al.Spatial and component analysis of urban flood resiliency of Kunming City in China［J］.International Journal of Disaster Risk Reduction，2023，93：103759.

［5］DUAN Y，XIONG J N，CHENG W M，et al.Assessment and spatiotemporal analysis of global flood vulnerability in 2005—2020［J］.International Journal of Disaster Risk Reduction，2022，80：103201.

［6］刘家宏，梅超，刘宏伟，等.特大城市外洪内涝灾害链联防联控关键科学技术问题［J］.水科学进展，2023，34（2）：172-181.（LIU J H，MEI C，LIU H W，et al.Key scientific and technological issues of joint prevention and control of river flood and urban waterlogging disaster chain in megacities［J］.Advances in Water Science，2023，34（2）：172-181.（in Chinese））

［7］IPCC.Climate change 2022：mitigation of climate change［R］.Interlaken：IPCC，2022.

［8］WANG M，FU X P，ZHANG D Q，et al.Assessing urban flooding risk in response to climate change and urbanization based on shared socio-economic pathways［J］.The Science of the Total Environment，2023，880：163470.

［9］宋曉猛，张建云，贺瑞敏，等.北京城市洪涝问题与成因分析［J］.水科学进展，2019，30（2）：153-165.（SONG X M，ZHANG J Y，HE R M，et al.Urban flood and waterlogging and causes analysis in Beijing［J］.Advances in Water Science，2019，30（2）：153-165.（in Chinese））

［10］张建云，王银堂，贺瑞敏，等.中国城市洪涝问题及成因分析［J］.水科学进展，2016，27（4）：485-491.（ZHANG J Y，WANG Y T，HE R M，et al.Discussion on the urban flood and waterlogging and causes analysis in China［J］.Advances in Water Science，2016，27（4）：485-491.（in Chinese））

［11］NIELSEN A B，BONATI S，ANDERSEN N B.Discover the dynamics：an intersectional analysis of overt and hidden vulnerabilities to flood risk in urban Denmark［J］.Landscape and Urban Planning，2023，237：104799.

［12］LANGLOIS B K，MARSH E，STOTLAND T，et al.Usability of existing global and national data for flood related vulnerability assessment in Indonesia［J］.Science of the Total Environment，2023，873：162315.

［13］AZIZI E，NIKOO M R，MOSTAFAZADEH R，et al.Flood vulnerability analysis using different aggregation frameworks across watersheds of Ardabil Province，Northwestern Iran［J］.International Journal of Disaster Risk Reduction，2023，91：103680.

［14］van C T，TUAN N C，SON N T，et al.Flood vulnerability assessment and mapping：a case of Ben Hai-Thach Han River basin in Vietnam［J］.International Journal of Disaster Risk Reduction，2022，75：102969.

［15］HUANG Z W，LI S Y，GAO F，et al.Evaluating the performance of LBSM data to estimate the gross domestic product of China at multiple scales：a comparison with NPP-VIIRS nighttime light data［J］.Journal of Cleaner Production，2021，328：129558.

［16］DOLL C N H，MULLER J P，MORLEY J G.Mapping regional economic activity from night-time light satellite imagery［J］.Ecological Economics，2006，57（1）：75-92.

［17］LI J P，YUAN J X，SUO W L.National resilience assessment and improvement based on multi-source data：evidence from countries along the Belt and Road［J］.International Journal of Disaster Risk Reduction，2023，93：103784.

［18］ZHOU Y，YI P T，LI W W，et al.Assessment of city sustainability from the perspective of multi-source data-driven［J］.Sustainable Cities and Society，2021，70：102918.

［19］SHI K F，CHANG Z J，CHEN Z Q，et al.Identifying and evaluating poverty using multisource remote sensing and point of interest （POI） data：a case study of Chongqing，China［J］.Journal of Cleaner Production，2020，255：120245.

［20］王旭，吴吉东，王海，等.基于夜间灯光和人口密度数据的京津冀GDP空间化对比［J］.地球信息科学学报，2016，18 （7）：969-976.（WANG X，WU J D，WANG H，et al.Comparison of GDP spatialization in Beijing-Tianjin-Hebei based on night light and population density data［J］.Journal of Geo-Information Science，2016，18（7）：969-976.（in Chinese））

［21］张爱华，潘耀忠，明艳芳，等.多源信息耦合的GDP空间化研究：以北京市为例［J］.遥感技术与应用，2021，36（2）：463-472.（ZHANG A H，PAN Y Z，MING Y F，et al.Research of GDP spatialization based on multi-source information coupling：a case study in Beijing［J］.Remote Sensing Technology and Application，2021，36（2）：463-472.（in Chinese））

［22］陳浩，徐宗学，向代峰，等.以深圳河流域为例分析粤港澳大湾区城市洪涝及其成因［J］.中国防汛抗旱，2021，31（11）：14-19.（CHEN H，XU Z X，XIANG D F，et al.Analysis of urban flood and the causes in Guangdong-Hong Kong-Macao Greater Bay Area by taking the Shenzhen River basin as an example［J］.China Flood & Drought Management，2021，31（11）：14-19.（in Chinese））

［23］黄亦轩，徐宗学，陈浩，等.深圳河流域内陆侧洪涝风险分析［J］.水资源保护，2023，39（1）：101-108.（HUANG Y X，XU Z X，CHEN H，et al.Analysis on flood/waterlogging risk at inland side of the Shenzhen River basin［J］.Water Resources Protection，2023，39（1）：101-108.（in Chinese））

［24］WU Y Z，SHI K F，CHEN Z Q，et al.Developing improved time-series DMSP-OLS-like data （1992—2019） in China by integrating DMSP-OLS and SNPP-VIIRS［J］.IEEE Transactions on Geoscience and Remote Sensing，2022，60：1-14.

［25］钟凯文，黎景良，张晓东.土地可持续利用评价中GDP数据空间化方法的研究［J］.测绘信息与工程，2007，32（3）：10-12.（ZHONG K W，LI J L，ZHANG X D.GDP spatialization in land sustainable use assessment［J］.Journal of Geomatics，2007，32（3）：10-12.（in Chinese））

［26］刘红辉，江东，杨小唤，等.基于遥感的全国GDP 1km格网的空间化表达［J］.地球信息科学，2005，7（2）：120-123.（LIU H H，JIANG D，YANG X H，et al.Spatialization approach to 1km grid GDP supported by remote sensing［J］.Geo-Information Science，2005，7（2）：120-123.（in Chinese））

［27］LI X，GE L L，CHEN X L.Detecting Zimbabwe′s decadal economic decline using nighttime light imagery［J］.Remote Sensing，2013，5（9）：4551-4570.

［28］SHI K F，YU B L，HUANG Y X，et al.Evaluating the ability of NPP-VIIRS nighttime light data to estimate the gross domestic product and the electric power consumption of China at multiple scales：a comparison with DMSP-OLS data［J］.Remote Sensing，2014，6（2）：1705-1724.

［29］程书波，岳颖，刘玉，等.黄河流域洪涝灾害社会脆弱性评价与分析［J］.人民黄河，2022，44（2）：45-50.（CHENG S B，YUE Y，LIU Y，et al.Evaluation and analysis of the social vulnerability of flood disasters in the Yellow River basin［J］.Yellow River，2022，44（2）：45-50.（in Chinese））

Assessment on the vulnerability of urban hazard bearing body based on refined spatial patterns

Abstract：This study addressed current deficiencies in spatially refined simulation of economic units across administrative regions in a river basin for assessment of the urban flood hazard.Focusing on the spatial distribution of refined economic indicators，and incorporating multiple data sources，an urban flood risk assessment system was constructed for the quantification of the level of flood risk vulnerabilityin the Shenzhen River basin （China）.Analysis based on the proposed system revealed the following.① A single datum was found insufficient for accurate simulation of the GDP density of the basin，and combining multisource data representsa more efficient approach for performing spatial refinement of GDP.② A high degree of consistency was evident in termsof the spatialization of GDP density and secondary and tertiary industries in the Shenzhen River basin，with the highest density of production values reaching 6 172.14 million yuan/km2.③ The level of vulnerability was found to vary oneither side of the Shenzhen River basin.The vulnerability to flooding/waterlogging on the Shenzhen side of the river is substantially higher than that on the Hong Kong side，and the area of high vulnerability comprises approximately 8.8% of the total basin area.The results of this study could help both identify the hazard intensity and degree of damage and improve accuracy in urban flooding/waterlogging risk assessment.

Key words：urban flooding/waterlogging;hazard bearing body;vulnerability;spatialization;refinement;Shenzhen River