Towards scalable flood impact mapping: methodology and application of a modular framework

Floods rank among the most destructive hazards, impacting lives, infrastructure and economies worldwide. Based on a comprehensive review of state-of-the-art methodologies, this thesis proposes a modular, reproducible Flood Impact Index (FII) framework that addresses key limitations in data integration, scalability, standardization, and operational timeliness. The framework defines three core indices: the Human-FII, which integrates high-resolution population density with socio-economic vulnerability; the Asset-FII, which assesses infrastructural impact through a detailed classification of weighted sub-indices for numerous specific asset categories derived from OpenStreetMap (residential, commercial, educational, civic, energy infrastructure etc), alongside a hierarchical model for transportation networks. This granular level of detail represents a key contribution of the framework and required the development of a custom workflow to overcome technical challenges; and the General-FII, which provides hydrologically-consistent flood depth estimates from satellite imagery and geomorphological models. Leveraging globally available open datasets (Copernicus Sentinel imagery, OpenStreetMap, high-resolution population maps) and k-means clustering on event-specific depth distributions to avoid arbitrary thresholds, the framework produces continuous impact rasters and categorical severity maps that support emergency response, damage estimation and resilience planning. Key advances include the detailed integration of multi-dimensional asset sub-indices overcoming geospatial data challenges; modular extensibility to incorporate depth-damage curves for asset-specific impact; and full automation via version-controlled workflows guaranteeing reproducibility and scalability. Although the current implementation is depth-centric, the architecture is designed to integrate human and asset components into a unified index in future developments. This work delivers a scalable, operational methodology for data-driven flood impact analysis.

Le alluvioni sono tra i fenomeni naturali più distruttivi, con impatti rilevanti su popolazione, infrastrutture ed economie. Questa tesi propone un framework modulare e riproducibile per un Flood Impact Index (FII), affrontando criticità legate a integrazione dei dati, scalabilità, standardizzazione e tempestività operativa. Il framework si articola in tre indici principali: l’Human-FII, che integra densità di popolazione ad alta risoluzione e vulnerabilità socio-economica; l’Asset-FII, che valuta l’impatto infrastrutturale tramite una classificazione dettagliata di sotto-indici pesati per categorie specifiche (residenziali, commerciali, educative, civili, energetiche etc) derivate da OpenStreetMap, includendo un modello gerarchico per le reti di trasporto; e il General-FII, che stima la profondità d’acqua, in seguito ad un allagamento, in modo coerente dal punto di vista idrologico, utilizzando immagini satellitari e modelli geomorfologici. Il metodo si basa su dataset open globali (Copernicus Sentinel, OpenStreetMap, mappe di popolazione ad alta risoluzione) e su clustering k-means applicato alla distribuzione della profondità evento-specifica, evitando soglie arbitrarie. Il framework produce raster continui di impatto e mappe categoriali di criticità, a supporto della risposta emergenziale, della stima dei danni e della pianificazione della resilienza. I principali contributi includono l’integrazione di sotto-indici infrastrutturali multi-dimensionali, l’estensibilità modulare verso curve di danno in funzione della profondità e l’automazione completa tramite workflow con controllo di versione, che garantiscono riproducibilità e scalabilità. Sebbene l’attuale implementazione sia centrata sulla componente idrologica, l’architettura è predisposta all’integrazione futura delle componenti umana e infrastrutturale in un indice unificato. Il lavoro propone dunque una metodologia operativa e scalabile per l’analisi dell’impatto alluvionale basata su dati aperti.