使用数字高程和手部模型评估洪水风险

本文展示了巴西东北部农村和小城市地区快速洪水风险评估的Python和Jupyter笔记本工作流程。该方法利用数字高程模型（DEM）（DEM）和高度以上的高度（手）模型，提供了一种实时，低资源的解决方案，用于识别淹没可能性。

解决的关键问题：

• DEM数据获取用于洪水风险分析。
• 设置Python编程环境。
• DEM预处理以进行排水。
• 利用手模型对洪水风险水平进行分类（“非常高”，“高”，“中等”，“低”，“非常低”）。

目录：

• 介绍
• 环境设置
• 数据获取和准备
  • 数据获取
  • 数据预处理
• 流向和积累
  • 流动方向计算
  • 流动积累计算
  • 流网络提取
• 手模型应用
• 洪水风险分类
• 结果与讨论
• 结论
  • 参考
• 常问问题

环境设置：

此工作流利用了运行Python 3.12的Jupyter笔记本和以下库：Numpy，Whiteboxtools，Gdal，Richdem和Matplotlib。

数据获取和准备：

数据获取：

高程数据来自Fabdem（森林和建筑物已拆除的哥白尼DEM），可以通过布里斯托尔大学的网站自由访问[1]。 Fabdem提供了全球1-弧秒​​的分辨率DEM（赤道约30米），纠正了建筑物和树高偏见。这项研究重点是巴西东北部的1ºX1º面积（39ºW至5ºS38ºW，WGS84）。该区域如图1所示，在2024年经历了异常大雨。

数据预处理：

预处理涉及使用Whiteboxtools和Richdem填充DEM水槽（凹陷），以确保准确的水文建模。

流动方向和积累：

流动计算：

使用D8方法计算流动方向，分配每个像素一个值（1-128），代表最陡峭的下坡方向。 （见图2）。

流动积累计算：

流动积累通过计算上游贡献像素来识别收集水的区域。高积累值表示流和河流。 （见图3）。

流网络提取：

将阈值（本研究中的15个）应用于流动栅格，以描绘流网络。

手模型应用程序：

手模型计算最近排水点上方每个DEM像素的高度。较高的值表明较低的洪水风险。 （见图4）。

洪水风险分类：

基于手值，洪水风险分为五个级别（表1）。

表1：洪水风险分类

风险水平	阈值（M）	班级价值
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

结果和讨论：

分类的手栅格（图5）及其Geotiff导出（图6，在QGIS中可视化）突出显示了流网络附近的高风险（黄色）和非常高风险（红色）区域。

结论：

手模型为洪水风险评估提供了一种计算高效且快速的方法，在资源约束设置中尤其有价值。此工作流程适用于各个地区和情况。

Jupyter笔记本可在此处找到。

参考：（原始文本中提供的参考列表）

常见问题：（原始文本中提供的常见问题部分）

以上是使用数字高程和手部模型评估洪水风险的详细内容。更多信息请关注PHP中文网其他相关文章！