デジタル標高とハンドモデルを使用した洪水リスク評価

この記事では、ブラジル北東部の農村部および小都市地域での迅速な洪水リスク評価のためのPythonおよびJupyterノートブックワークフローを示しています。デジタル標高モデル（DEM）と最も近い排水（手）モデルの上の高さを活用するこの方法は、浸水可能性を特定するためのリアルタイムの低リソースソリューションを提供します。

対処された重要な質問：

• 洪水リスク分析のためのDEMデータ収集。
• Pythonプログラミング環境のセットアップ。
• 排水抽出のためのDEM前処理。
• ハンドモデルを利用して洪水リスクレベルを分類します（「非常に高い」、「高」、「中程度」、「低」、「非常に低い」）。

目次：

• 導入
• 環境のセットアップ
• データ収集と準備
  • データ収集
  • データの前処理
• 流れ方向と蓄積
  • フロー方向計算
  • フロー蓄積計算
  • ストリームネットワーク抽出
• ハンドモデルアプリケーション
• 洪水リスク分類
• 結果と考察
• 結論
  • 参照
• よくある質問

環境のセットアップ：

このワークフローは、Python 3.12を実行しているJupyterノートブックと次のライブラリを使用しています：numpy、whiteboxtools、gdal、richdem、およびmatplotlib。

データの収集と準備：

データ収集：

標高データは、ブリストル大学のウェブサイト[1]を介して自由にアクセスできるFabdem（森林と建物が削除されたコペルニクスDem）から調達されています。 Fabdemは、グローバルな1-ARC秒の解像度DEM（赤道で約30メートル）を提供し、建物と木の高さのバイアスを修正します。この研究は、ブラジル北東部の1ºx1º面積に焦点を当てています（6ºS39ºW〜5ºS38ºW、WGS84）。図1に示すこの領域は、2024年に異常に豪雨を経験しました。

データの前処理：

前処理には、正確な水文モデリングを確保するために、WhiteBoxtoolsとRichdemを使用してDem Sink（dectressions）を埋めることが含まれます。

流れの方向と蓄積：

フロー方向計算：

フロー方向は、D8メソッドを使用して計算され、各ピクセルA値（1-128）を割り当て、最も急な下降路方向を表します。 （図2を参照）。

フロー蓄積の計算：

流れの蓄積は、上流の寄与ピクセルをカウントすることにより、水収集の領域を識別します。高い蓄積値は、小川と川を示しています。 （図3を参照）。

ストリームネットワーク抽出：

しきい値（この研究では15）が流れ蓄積ラスターに適用され、ストリームネットワークを描きます。

ハンドモデルアプリケーション：

ハンドモデルは、最も近い排水点の上の各デムピクセルの高さを計算します。値が高いほど、洪水リスクが低いことを示します。 （図4を参照）。

洪水リスク分類：

手の値に基づいて、洪水リスクは5つのレベルに分類されます（表1）。

表1：洪水リスク分類

リスクレベル	しきい値（m）	クラス値
非常に高い	0 - 1	5
高い	1 - 2	4
中くらい	2 - 6	3
低い	6 - 10	2
非常に低い	≥10	1

結果と考察：

分類されたハンドラスター（図5）とそのジオティフエクスポート（図6、QGIで視覚化）は、ストリームネットワーク近くのハイリスク（黄色）および非常にハイリスク（赤）領域を強調しています。

結論：

ハンドモデルは、洪水リスク評価のための計算効率的かつ迅速な方法を提供します。特に、リソースが制約した設定で価値があります。このワークフローは、さまざまな地域や状況に適応できます。

Jupyterノートブックはこちらから入手できます。

参照：（元のテキストで提供される参照のリスト）

よくある質問：（元のテキストで提供されているFAQセクション）

以上がデジタル標高とハンドモデルを使用した洪水リスク評価の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。