导读
说起洪水，人们往往会先想到孟加拉国、荷兰，或是中国长江流域。但你可能不知道，在大西洋沿岸的葡萄牙，一场“不起眼”的暴雨，也能在短短48小时内，让一座历史名城陷入瘫痪。
2019年底，风暴“艾尔莎”与“法比安”接连袭击伊比利亚半岛。在葡萄牙，科英布拉（Coimbra）这座古老的大学城，遭遇了罕见的洪涝灾害。这次事件并非孤例——它就像一个缩影，揭示了一个核心问题：一场洪水真正到来之前，风险早已藏在“地形”里.
过去几年，极端降水和河流洪水已成为保险公司和基础设施运营方需要重点关注的气候风险。对保险公司而言，真正有价值的洪水风险模型，不仅要能回答“哪些地区长期风险较高”，还要进一步解释：一次具体洪水事件是如何发生的，洪水可能在哪里扩散，哪些区域可能被淹没，以及模型结果能否与真实观测结果相互验证。
从风险地图到卫星观测，中间藏着多少关键环节？通过本文，您将了解有机数如何通过“风险地图识别—降水过程分析—地形汇流解释—模型淹没模拟—官方卫星观测验证”的完整链条，对洪水风险进行系统识别与验证。
一、从风险地图看葡萄牙洪水风险格局
来自有机数气候风险模型
葡萄牙西临大西洋，冬季易受到大西洋低压系统和风暴影响。持续降水或短时强降水进入主要河流流域后，容易在低洼平原、河谷城市和下游汇流区域形成河流洪水。
在本次案例中，有机数首先从两个维度展示葡萄牙整体洪水风险格局：
一是地形高程分布。地形决定了降水如何汇流，也决定了哪些区域更容易成为洪水聚集和河流泛滥区域。
二是百年一遇洪水淹没深度分布。该情景能够帮助识别在极端洪水条件下更容易出现较深淹没的区域，从而判断国家尺度上的重点洪水风险区。
基于地形高程与历史洪水淹没深度分析，我们识别出了葡萄牙地区三类主要河流洪水高风险区。随后，我们将通过具体灾害事件进一步验证模型对真实洪水过程的识别能力。
二、案例一：2026年2月塔霍河/特茹河流域洪灾
第一个案例是2026年2月发生在葡萄牙的洪水事件，重点涉及塔霍河/特茹河流域，并以萨尔瓦特拉-德马古什区域的淹没范围对比作为验证案例。
2026年1月底至2月，大西洋低压系统活跃，葡萄牙连续受到风暴Kristin、Leonardo、Marta和Nils影响。多轮风暴带来了持续性降水，南部萨多河、特茹河及中部塔霍河流域累计降水量超过100mm。
这一事件的降水特征可以概括为：历时长、强度中等。
来自有机数气候风险模型
与短时暴雨不同，这类洪水事件的风险主要来自连续降水的累积效应。降水持续时间较长，会导致土壤含水量增加、河流水位上升，并使下游地区承受更大的汇流压力。降雨经由密集支流迅速汇集到地势低平的特茹平原，造成塔霍河沿岸洪灾。也就是说，洪水并不是单纯由降水量决定，而是由持续降水、支流汇流和低平地形共同作用形成。
该案例说明，对于长时间、中等强度降水累计导致的河流洪水，模型需要同时识别降水过程、地形汇流和下游低洼区域，才能更准确地刻画洪水风险。
三、案例二：2019年12月科英布拉洪灾
来自国家灾害防救中心
2019年12月中下旬，葡萄牙科英布拉发生严重洪涝灾害。12月18日至22日期间，蒙德古河流域经历持续性强降雨，局部地区在48小时内的降水量超过往年整个12月的平均水平。
来自有机数气候风险模型
来自有机数气候风险模型
这一事件的降水特征可以概括为：历时短、强度高。
与2026年2月塔霍河/特茹河流域洪灾相比，科英布拉洪灾更强调短时强降水冲击。强降水集中发生在较短时间内，快速转化为径流，并向蒙德古河下游汇集，最终在科英布拉区域形成洪灾。
降水数据显示，2019年12月16日至12月22日期间，蒙德古河流域出现明显过程降水。有机数洪水模型结合累计降水和降水重现期，叠加地形特征参数，分析得出蒙德古河上游受埃什特雷拉山脉地形抬升影响，容易导致径流汇集；科英布拉区域地势低洼，因此成为洪灾高风险区。通过模拟淹没范围与卫星观测范围的对比，验证了有机数模型识别洪水事件中的主要受淹区域的能力。
四、两个案例的对比：不同降水过程下的洪水风险识别
2026年2月塔霍河/特茹河流域洪灾和2019年12月科英布拉洪灾，代表了两类不同的洪水触发机制，但采用了统一的分析框架：灾害描述、降水特征、地形特征、有机数模拟淹没、官方卫星观测淹没。通过同一套框架，可以对不同类型、不同区域的洪水事件进行系统复盘和模型验证。
这也说明，有机数洪水风险模型不仅能够识别国家尺度上的洪水高风险区域，也能够进一步进入具体灾害事件，解释洪水形成机制，并通过官方卫星观测数据检验模拟结果。
来自有机数气候风险模型
五、从洪水案例到风险管理应用
洪水风险模型的价值，不只是展示一张风险地图，而是帮助保险公司理解风险如何形成、如何扩散，以及最终可能如何转化为损失。
在区域风险筛查中，洪水风险地图可以帮助识别重点流域和高风险区域。保险公司可以据此判断哪些地区更容易受到河流洪水影响，哪些区域需要在承保、定价或组合管理中重点关注。
当具体洪水事件发生时，模型可以进一步分析过程降水、累计降水、降水重现期和地形汇流关系。这一过程有助于解释洪水为什么会发生、风险从哪里开始累积，以及哪些区域更可能形成淹没。
通过“风险地图识别—降水过程分析—地形汇流解释—模型淹没模拟—官方卫星观测验证”的完整链条，有机数不仅能够识别洪水风险的空间分布，也能够进一步解释具体事件的形成过程，并用观测结果检验模型输出的合理性。
对保险公司而言，这类分析可以进一步服务于承保区域识别、资产暴露管理、灾后损失评估、再保险压力测试和气候风险管理等场景。模型的意义不只是复盘一次洪水，而是把具体灾害事件沉淀为可复盘、可校验、可用于决策的风险认知，为保险承保、资产暴露管理、灾后评估和气候风险应对提供更扎实的量化基础。