Analisi della suscettività da alluvione tramite ensemble of bagged decision trees : il caso della Regione Lombardia

Floods are the most frequent natural hazard and the third most damaging hazard after weather storms and earthquakes. In the current context of climate change in which the frequency of intense rainfall events is expected to increase, as well as watershed moisture and sea level, flood risk assessment and management becomes increasingly important (Wilby & Keenan, 2012). Lombardy has therefore decided to provide itself with a complementary tool to hydraulic hazard mapping in order to support civil protection activities: a flood susceptibility mapping. Its production was followed within this thesis work. Specifically, four mappings were created, one for each Homogeneous Territorial Unit (UTO) into which the Lombardy territory has been divided, namely "bassa pianura (plain)", "collina (hill)", "collina tabulare (tabular hill)" and "montagna (mountain)". The following predisposing factors to flooding were considered: elevation, slope, curvature, aspect, distance from river, Stream Power Index (SPI), Sediment Transport Index (STI), Topographic Wetness Index (TWI), land cover, lithology, Hydrologic Soil Group (HSG), Curve Number (CN), relative elevation, Geomorphic Flood Index (GFI) and geomorphons. These factors were calculated for each UTO at pixels having a resolution of 5 m. As following step, historically flooded areas (whose pixels were assigned a value equal to 1) and non-floodable areas (whose pixels were assigned a value equal to 0) were identified. Non-floodable areas were found by inverse masking of the maximum potentially floodable areas. The pixels of the remaining areas were assigned a value equal to -1. Once the values of predisposing factors at pixels "1" and "0" were extracted, the data-driven model was trained to recognize which factors were more informative with respect to the binary classification. Once the training phase is completed, the algorithm is able to predict for a generic pixel “-1” the probability that it belongs to the same susceptibility class as a pixel "1": a probability tending to 0 is representative of low susceptibility, a probability tending to 1 of high susceptibility, intermediate values closer to 0 of medium-low susceptibility, intermediate values closer to 1 of medium-high susceptibility. The Machine-Learning methodology used in this case study is known in the literature as ensemble bagged of decision trees. To reduce computational time while maintaining good data quality, the pixel resolution was reduced to 10 m. The results of this case study showed how the ensemble bagged of decision trees methodology, combined with an efficient choice of predisposing factors and accurate binary classification, allows the production of flood susceptibility mapping that is representative of the hydrogeomorphological characteristics of an area, but more importantly that minimizes the misclassification error. The flood susceptibility mapping of the entire Region, when compared with the hydraulic hazard maps, allows to increase the knowledgement in relation to flood risk, providing information on the intrinsic propensity to flood in areas not covered by the hazard mapping. The two tools can therefore be used complementarily to achieve a more comprehensive flood risk assessment and more efficient drafting and management of local emergency plans.

Le alluvioni sono il rischio naturale più frequente e il terzo più dannoso a livello globale dopo le tempeste meteorologiche e i terremoti. Nel contesto attuale di cambiamento climatico in cui si prevede una maggiore frequenza di precipitazioni intense, un aumento dell’umidità dei bacini idrografici e un innalzamento del livello del mare, la valutazione e gestione del rischio alluvionale acquisisce sempre più importanza (Wilby & Keenan, 2012). La Regione Lombardia si è pertanto attivata per fornirsi di uno strumento complementare alle mappature di pericolosità idraulica, che fosse di supporto alle attività di protezione civile: una mappatura di suscettività alluvionale. La sua produzione è stata seguita nell’ambito di questo lavoro di tesi. Nello specifico si sono create quattro mappature, una per ogni Unità Territoriale Omogenea (UTO) in cui è stato suddiviso il territorio lombardo, ovvero “bassa pianura”, “collina”, “collina tabulare” e “montagna”. Si sono considerati i seguenti fattori predisponenti l’alluvionamento: elevation, slope, curvature, aspect, distance from river, Stream Power Index (SPI), Sediment Transport Index (STI), Topographic Wetness Index (TWI), land cover, lithology, Hydrologic Soil Group (HSG), Curve Number (CN), relative elevation, Geomorphic Flood Index (GFI) e geomorphons. Tali fattori sono stati calcolati per ogni UTO in corrispondenza di pixel aventi una risoluzione pari a 5 m. Successivamente sono state individuate le aree storicamente alluvionate (ai cui pixel è stato assegnato valore pari a 1) e le aree non alluvionabili (ai cui pixel è stato assegnato valore pari a 0) per mascheramento inverso delle massime aree potenzialmente inondabili. Ai pixel delle rimanenti aree è stato assegnato valore pari a -1. Una volta estratti i valori dei fattori predisponenti in corrispondenza dei pixel “1” e “0”, il modello data-driven è stato addestrato in modo da riconoscere quali fossero i fattori più informativi rispetto alla classificazione binaria. Terminata la fase di training, l’algoritmo è quindi in grado di predire per un generico pixel “-1” la probabilità che esso appartenga alla medesima classe di suscettività di un pixel “1”: una probabilità tendente a 0 è rappresentativa di una suscettività bassa, una probabilità tendente a 1 di una suscettività alta, valori intermedi più vicino allo 0 di una suscettività medio-bassa, mentre valori intermedi più vicini a 1 di una suscettività medio-alta. La metodologia di Machine-Learning adoperata in questo caso studio è nota in letteratura come ensemble bagged of decision trees. Per ridurre i tempi di calcolo mantenendo una buona qualità dei dati, la risoluzione dei pixel è stata ridotta a 10 m. I risultati di questo caso studio hanno mostrato come la metodologia ensemble bagged of decision trees, unita ad una scelta efficiente dei fattori predisponenti e ad un’accurata classificazione binaria, consenta di produrre una mappatura di suscettività alluvionale rappresentativa delle caratteristiche idrogeomorfologiche di un territorio, ma soprattutto in cui l’errore di misclassificazione viene minimizzato. La mappatura di suscettività alluvionale dell’intera Regione, al confronto con le mappature di pericolosità idraulica, consente di ampliare il quadro conoscitivo in relazione al rischio da alluvione, fornendo informazioni sull’intrinseca propensione all’alluvionamento anche delle aree non coperte dalle mappature di pericolosità. I due strumenti possono essere pertanto utilizzati complementarmente per ottenere una valutazione più completa del rischio alluvionale e una redazione e gestione più efficienti dei piani di emergenza locale.