使用數字高程和手部模型評估洪水風險

本文展示了巴西東北部農村和小城市地區快速洪水風險評估的Python和Jupyter筆記本工作流程。該方法利用數字高程模型（DEM）（DEM）和高度以上的高度（手）模型，提供了一種實時，低資源的解決方案，用於識別淹沒可能性。

解決的關鍵問題：

• DEM數據獲取用於洪水風險分析。
• 設置Python編程環境。
• DEM預處理以進行排水。
• 利用手模型對洪水風險水平進行分類（“非常高”，“高”，“中等”，“低”，“非常低”）。

目錄：

• 介紹
• 環境設置
• 數據獲取和準備
  • 數據獲取
  • 數據預處理
• 流向和積累
  • 流動方向計算
  • 流動積累計算
  • 流網絡提取
• 手模型應用
• 洪水風險分類
• 結果與討論
• 結論
  • 參考
• 常問問題

環境設置：

此工作流利用了運行Python 3.12的Jupyter筆記本和以下庫：Numpy，Whiteboxtools，Gdal，Richdem和Matplotlib。

數據獲取和準備：

數據獲取：

高程數據來自Fabdem（森林和建築物已拆除的哥白尼DEM），可以通過布里斯托爾大學的網站自由訪問[1]。 Fabdem提供了全球1-弧秒​​的分辨率DEM（赤道約30米），糾正了建築物和樹高偏見。這項研究重點是巴西東北部的1ºX1º面積（39ºW至5ºS38ºW，WGS84）。該區域如圖1所示，在2024年經歷了異常大雨。

數據預處理：

預處理涉及使用Whiteboxtools和Richdem填充DEM水槽（凹陷），以確保准確的水文建模。

流動方向和積累：

流動計算：

使用D8方法計算流動方向，分配每個像素一個值（1-128），代表最陡峭的下坡方向。 （見圖2）。

流動積累計算：

流動積累通過計算上游貢獻像素來識別收集水的區域。高積累值表示流和河流。 （見圖3）。

流網絡提取：

將閾值（本研究中的15個）應用於流動柵格，以描繪流網絡。

手模型應用程序：

手模型計算最近排水點上方每個DEM像素的高度。較高的值表明較低的洪水風險。 （見圖4）。

洪水風險分類：

基於手值，洪水風險分為五個級別（表1）。

表1：洪水風險分類

風險水平	閾值（M）	班級價值
很高	0 - 1	5
高的	1 - 2	4
中等的	2 - 6	3
低的	6 - 10	2
非常低	≥10	1

結果和討論：

分類的手柵格（圖5）及其Geotiff導出（圖6，在QGIS中可視化）突出顯示了流網絡附近的高風險（黃色）和非常高風險（紅色）區域。

結論：

手模型為洪水風險評估提供了一種計算高效且快速的方法，在資源約束設置中尤其有價值。此工作流程適用於各個地區和情況。

Jupyter筆記本可在此處找到。

參考：（原始文本中提供的參考列表）

常見問題：（原始文本中提供的常見問題部分）

以上是使用數字高程和手部模型評估洪水風險的詳細內容。更多資訊請關注PHP中文網其他相關文章！