This contribution deals with the identification of flood hazards at the catchment scale. The aim is to distinguish flood-exposed areas from marginal risk ones, and to extend available information on flood hazards to cover the whole catchment. Threshold binary classifiers based on six selected quantitative morphological features, derived from data stored in digital elevation models (DEMs), are used to investigate the relationships between morphology and the flooding hazard, as described in flood hazard maps. Results show that threshold binary classifier techniques should be taken into account when one is interested in an initial low-cost detection of flood-exposed areas. This may be needed, for example, in applications related to the insurance market, in which one is interested in estimating the flood hazard of specific areas for which limited information is available, or whenever a first flood hazard delineation is required to further address detailed investigations for flood mapping purposes. The method described in the paper has been tested on the basin of the Tanaro River. Results present a high degree of accuracy: indeed, the best classifier correctly identifies about 91% of flood-exposed areas, whereas the percentage of the areas exposed to marginal risk that are incorrectly classified as flood-exposed areas is about 16%. Copyright © 2013 John Wiley & Sons, Ltd. RÉSUMÉ Cette contribution traite de l'identification du risque d'inondation à l'échelle du bassin versant. L'objectif est de distinguer les zones fortement exposées aux inondations de celles où les risques sont marginaux, et d'étendre les informations disponibles sur le risque d'inondation à l'ensemble du bassin versant. Des classificateurs binaires de seuil fondés sur un jeu de six caractéristiques morphologiques quantitatives, issus de données stockées dans les modèles numériques de terrain (DEM), sont utilisées pour étudier les relations entre la morphologie et le risque d'inondation, comme décrit dans les cartes des zones inondables. Les résultats montrent que les techniques de classificateur binaire de seuil doivent être pris en compte lorsque l'on s'intéresse à une première détection à faible coût de zones inondables. Cela peut être nécessaire, par exemple dans des applications liées au marché de l'assurance, où l'on s'intéresse à l'estimation du risque d'inondation de zones spécifiques ou peu d'informations sont disponibles, ou chaque fois qu'une première délimitation des risques d'inondation permet de mieux identifier les zones où des investigations détaillées sont nécessaires pour la cartographie des inondations. La méthode décrite dans le document a été testée sur le bassin de la rivière Tanaro. Les résultats présentent un degré élevé de précision: en effet, le meilleur classificateur identifie correctement environ 91% des zones fortement exposées, tandis que le pourcentage des zones exposées à un risque marginal est d'environ 16%, alors que ces dernières sont habituellement mal classées comme zones fortement exposées.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
customersupport@researchsolutions.com
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
This site is protected by reCAPTCHA and the Google Privacy Policy and Terms of Service apply.
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.