Flood Susceptibility Mapping Using a Random Forest Model Combined with Satellite Remote Sensing and Geomorphic Features
0 likes0 views
Talk given by Dr. Ruodan Zhuang at the 2nd National Conference on Information Geography.
![Dr Ruodan Zhuang – University of Naples Federico II 16
19/08/2025
Manfreda et al., Geomorphic Flood Index 2.0: Enhanced Tools for Delineating Flood-Prone Areas in Data-Scarce Regions, 2025.
Albertini et al., Assessing Multi-source Random Forest Classification and Robustness of Predictor Variables in Flooded Areas Mapping, Remote Sensing
Applications: Society and Environment, 2024. [pdf]
Albertini et al., Detection of Surface Water and Floods with Multispectral Satellites. Remote Sensing, 2022. [pdf]
Balestra et al., Flood Susceptibility Mapping Using a Deep Neural Network Model: The Case Study of Southern Italy. Environ. Sci. Proc., 2022. [pdf]
Albertini et al., Flood-prone areas delineation in coastal regions using the Geomorphic Flood Index, Journal of Flood Risk Management, 2021. [pdf]
Albano et al., Large Scale Flood Risk Mapping in Data Scarce Environments: An Application for Romania. Water, 2020. [pdf]
Tavares da Costa et al., Predictive modelling of envelope flood extents using geomorphic and climatic-hydrologic catchment characteristics, WRR, 2020. [pdf]
Tavares da Costa et al., A web application for hydrogeomorphic flood hazard mapping, Environmental Modelling and Software, 2019. [pdf]
Manfreda & Samela, A DEM-based method for a rapid estimation of flood inundation depth, Journal of Flood Risk Management, 2019. [pdf]
Manfreda et al., Advances in Large Scale Flood Monitoring and Detection, Hydrology, 2018. [pdf]
Samela et al., A GIS tool for cost-effective delineation of flood-prone areas, Computers, Environment and Urban Systems, 2018. [pdf]
Samela et al., Geomorphic classifiers for flood-prone areas delineation for data-scarce environments, Advances in Water Resources, 2017. [pdf]
Samela et al., 100-year geomorphic flood-prone areas for the continental U.S., Data in Brief, 2017. [pdf]
D’Addabbo et al., A Bayesian Network for Flood Detection Combining SAR Imagery and Ancillary Data, IEEE Transactions on Geoscience and Remote Sensing,
2016. [pdf]
Samela et al., DEM-based approaches for the delineation of flood prone areas in an ungauged basin in Africa, Journal of Hydrologic Engineering, 2016. [pdf]
Manfreda et al., Flood-Prone Areas Assessment Using Linear Binary Classifiers based on flood maps obtained from 1D and 2D hydraulic models, Natural Hazards,
2015. [pdf]
Manfreda et al., Investigation on the Use of Geomorphic Approaches for the Delineation of Flood Prone Areas, Journal of Hydrology, 2014. [pdf]
Manfreda & Sole, Closure to “Detection of Flood-Prone Areas Using Digital Elevation Models” by Salvatore Manfreda, Margherita Di Leo, and Aurelia Sole. Journal
of Hydrologic Engineering, 2013. [pdf]
Manfreda et al., Detection of Flood Prone Areas using Digital Elevation Models, Journal of Hydrologic Engineering, 2011. [pdf]](https://image.slidesharecdn.com/2-250819052553-f208ff9e/85/Flood-Susceptibility-Mapping-Using-a-Random-Forest-Model-Combined-with-Satellite-Remote-Sensing-and-Geomorphic-Features-16-320.jpg)
Flood Susceptibility Mapping Using a Random Forest Model Combined with Satellite Remote Sensing and Geomorphic Features
- 1. Dr Ruodan Zhuang – University of Naples Federico II 1 19/08/2025 第二届全国信息地理学大会 利用随机森林模型结合卫星遥感与 地貌特征绘制洪水易发性图 Salvatore Manfreda1, Jorge Saavedra1, 庄若丹1, Cinzia Albertini1, Daniele Pacia1, Caterina Samela2, Sadashiv Chaturvedi1 1) Department of Civil, Construction and Environmental Engineering (DICEA), University of Naples Federico II, Italy. 2) Institute of Methodologies for Environmental Analysis, National Research Council of Italy (IMAA-CNR), Italy.
- 2. Dr Ruodan Zhuang – University of Naples Federico II 2 19/08/2025 背景介绍 随机森林 地貌特征 研究组 目录 1. 洪水研究的背景介绍 2. 基于随机森林模型的洪水易发性图绘制 3. 地貌特征方法：地貌洪水指数GFI 简介 4. HydroLab研究组简介
- 3. Dr Ruodan Zhuang – University of Naples Federico II 3 19/08/2025 背景介绍 随机森林 地貌特征 研究组 洪水灾害 https://www.geospatialworld.net/prime/special-features/satellite-imagery- massive-floods-northern-italy/ (provide by European Space Imaging) （Our World in Data） 灾害发生数量 • 洪水是世界上最广泛、最具破坏性 的自然灾害之一。 • 洪水灾害的发生数量和带来的经济 损失正在增加。 洪水风险评估对于应对洪水事件所带来 的严重社会经济和环境后果至关重要。 经济损失 背景介绍
- 4. Dr Ruodan Zhuang – University of Naples Federico II 4 19/08/2025 背景介绍 随机森林 地貌特征 研究组 洪水风险评估框架 灾害源 / 危险性 脆弱性 风险 暴露程度 Risk = f (Hazard, Exposure, Vulnerability) 在缺乏高质量水文、气象观测资 料的地区（如山区、发展中国 家），基于传统水力模型的 hazard/risk 分析可能难以开展， 而易发性分析可以基于相对容易 获取的地理数据（DEM、土地 利用、河网）完成，因而成为一 个低成本、普适的研究切入点。 洪水易发性susceptibility：相比 灾害源hazard（强调洪水发生的强 度与概率）和 风险risk（强调社会经济后果），易发性susceptibility 更偏向静态条件的“先天易淹特征”。这为完整理解洪水过程提供了 一个地基性的视角。 它剥离了气候/降雨驱动的不确定性，专注于“地形环境-洪水”的因 果关系。 背景介绍 机器学习方法 地貌特征方法 随机森林 地貌洪水指数GFI
- 5. Dr Ruodan Zhuang – University of Naples Federico II 5 19/08/2025 背景介绍 随机森林 地貌特征 研究组 利用随机森林模型预测易涝区域，需要以下输入 数据： • 一个丰富的洪水事件/数据库 • 洪水条件因子的组合 模型采用 70% 的输入数据对进行校准，其余 30% 用于验证。 基于随机森林模型的洪水易发性图绘制 由 Breiman(2001) 提 出 ， 随 机 森 林 (Random Forests, RF)是一种非参数统计方法，它结合了 Bootstrap Aggregating和Bagging的思想。 随机森林模型被广泛采用，因为它能够减弱过拟 合的影响并提升模型的泛化能力。 随机森林 洪水 事件 洪水 条件 因子 训练RF模型 验证 洪水易发区
- 6. Dr Ruodan Zhuang – University of Naples Federico II 6 19/08/2025 背景介绍 随机森林 地貌特征 研究组 1926 至 2023 年间的280 次洪水事件。 • 卫星观测：33 次事件来自 Copernicus Emergency Management Service (EMS) • 其他观测数据：流域管理机构记录的 24 次； 意大利航天局记录的 3 次；米兰理工基金会 记录的 106 次；来自多个地区地理信息门户 的 107 次；以及皮埃蒙特环境保护区域局记 录的 7 次。 此外，还考虑了 永久性水体区域。 Saavedra Navarro et al. (n.d) 输入数据：洪水事件库 随机森林
- 7. Dr Ruodan Zhuang – University of Naples Federico II 7 19/08/2025 背景介绍 随机森林 地貌特征 研究组 输入数据：洪水条件因子选择 预测因子的分析与选择 该过程旨在减少预测因子之间的冗余信息和多重共线 性问题。具体采用 皮尔逊相关系数（Pearson Correlation Coefficient） 和 方差膨胀因子 （Variance Inflation Factor, VIF） 进行评估与筛选。 因子重要性 采用了多种方法来衡量预测因子的相对重要性，并引入 了一种新的方法——平均信息优值（Average Merit of Information, AMI）。 基于 Jackknife 的检验与预测因子最优数量确定。 随机森林
- 8. Dr Ruodan Zhuang – University of Naples Federico II 8 19/08/2025 背景介绍 随机森林 地貌特征 研究组 最终，我们从25个因子中选定了9 个预测因子： • 地貌洪水指数（Geomorphic Flood Index, GFI） • 高程（Elevation） • 距最近河流距离（Distance to the Nearest River, DNR） • 平均最大日降水量（Mean Maximum Daily Precipitation, MMDP） • 岩性（Lithology） • 有机质含量（Organic Matter） • 土地覆盖类型（Land Cover） • 归一化植被指数（Normalized Difference Vegetation Index, NDVI） • 黏土含量（Clay） 输入数据：洪水条件因子 随机森林
- 9. Dr Ruodan Zhuang – University of Naples Federico II 9 19/08/2025 背景介绍 随机森林 地貌特征 研究组 • 经过验证数据的统计分析及与官方提供的 洪水灾害可能性参考图对比， 我们可以认 为模型表现良好。 • 地貌特征（如 GFI、DNR 和 MMDP）在 洪水易发性分析中始终表现为高度相关因 子。其中，地貌洪水指数GFI 在识别洪水 区方面表现最为突出，并展现出卓越的泛 化能力。 结果：洪水易发性图 随机森林
- 10. Dr Ruodan Zhuang – University of Naples Federico II 10 19/08/2025 背景介绍 随机森林 地貌特征 研究组 地貌洪水指数GFI：面向数据稀缺 区域的洪水易发区划定增强工具 Salvatore Manfreda1, Jorge Saavedra1, Cinzia Albertini1, Daniele Pacia1, Caterina Samela2, Ruodan Zhuang1, Sadashiv Chaturvedi1 1) Department of Civil, Construction and Environmental Engineering (DICEA), University of Naples Federico II, Italy. 2) Institute of Methodologies for Environmental Analysis, National Research Council of Italy (IMAA-CNR), Italy. 地貌特征
- 11. Dr Ruodan Zhuang – University of Naples Federico II 11 19/08/2025 背景介绍 随机森林 地貌特征 研究组 地貌特征：地貌洪水指数GFI Geomorphic Flood Index (A) hr ≈ aAr n H (B) 研究地点 水流路径上距离 最近的河网要素 水流路径 Ar (A) 流域示意图; (B) 河道与洪泛平原的剖面图. (Manfreda et al., 2015; Samela et al., 2017) 地貌特征 Ar, 上坡汇流区。 hr, 河流深度，利用水力学尺度关系计算。 H, 和最近径流的高度差。 基于地貌特征的指标， 利用数字高程模 型（DEM）提取的地形信息来表征洪水 发生的潜在空间分布 越接近河道、地势越低、汇流潜力越大 → 洪水易发性越高
- 12. Dr Ruodan Zhuang – University of Naples Federico II 12 19/08/2025 背景介绍 随机森林 地貌特征 研究组 GFI 应用：洪水易发区识别 地貌洪水指数（GFI）已被证明是洪水易涝区和洪水深度估算的有效描述 指标，并已在多个国家的大尺度研究中得到应用。 地貌洪水指数（GFI）的全球应用情况 地貌特征
- 13. Dr Ruodan Zhuang – University of Naples Federico II 13 19/08/2025 背景介绍 随机森林 地貌特征 研究组 GFI 应用：洪水水深估算 𝑊𝐷 = 𝑎 ∗ ℎ𝑟 − 𝐻 𝑎 = 1/exp(τ) 参数 a 的估计基于阈值 (τ, tau)， 该阈值来自于在 线性二元分类模 型 中对 GFI 参数的校准 (Manfreda & Samela, 2019 - https://doi.org/10.1111/jfr3.12541 ) 地貌特征
- 14. Dr Ruodan Zhuang – University of Naples Federico II 14 19/08/2025 背景介绍 随机森林 地貌特征 研究组 GFI 2.0: 汇流与回水效应的处理 汇流效应： 在汇流处，干流汇合产生的回水 效应与水量交换； 支流泛滥平原的淹没； 由回流现象导致的水位上升。 GFI 2.0 现已能够考虑干流水流对 支流泛滥平原动力学的影响。 GFI 1.0 GFI 2.0 GFI 1.0 GFI 2.0 Flood-prone areas WD (m) 研究地点 最近汇流点 地貌特征
- 15. Dr Ruodan Zhuang – University of Naples Federico II 15 19/08/2025 教授 Prof. Salvatore Manfreda salvatore.manfreda@unina.it 博士后 6 名 博士生 6 名 https://www.salvatoremanfreda.it/ 那不勒斯费德里科二世大学 水文观测 Hydrological Monitoring 水文模型 Hydrological Modelling 分布式 Distributed Modelling 极端水文 Hydrological Extremes 洪水 Flood Modelling 卫星 Satellite 无人机 UAS 固定相机 Stational camera 土壤水 Soil Moisture 流速 Velocimetry 浊度 Turbidity 塑料 Plastic Chl-a 自然解决方案 Nature Base Solution Flood Susceptibility Flood Risk Assessment 地貌 Geomorphology Flood Index 专业排名全球50 降水序列重建 Precipitation reconstruction
- 16. Dr Ruodan Zhuang – University of Naples Federico II 16 19/08/2025 Manfreda et al., Geomorphic Flood Index 2.0: Enhanced Tools for Delineating Flood-Prone Areas in Data-Scarce Regions, 2025. Albertini et al., Assessing Multi-source Random Forest Classification and Robustness of Predictor Variables in Flooded Areas Mapping, Remote Sensing Applications: Society and Environment, 2024. [pdf] Albertini et al., Detection of Surface Water and Floods with Multispectral Satellites. Remote Sensing, 2022. [pdf] Balestra et al., Flood Susceptibility Mapping Using a Deep Neural Network Model: The Case Study of Southern Italy. Environ. Sci. Proc., 2022. [pdf] Albertini et al., Flood-prone areas delineation in coastal regions using the Geomorphic Flood Index, Journal of Flood Risk Management, 2021. [pdf] Albano et al., Large Scale Flood Risk Mapping in Data Scarce Environments: An Application for Romania. Water, 2020. [pdf] Tavares da Costa et al., Predictive modelling of envelope flood extents using geomorphic and climatic-hydrologic catchment characteristics, WRR, 2020. [pdf] Tavares da Costa et al., A web application for hydrogeomorphic flood hazard mapping, Environmental Modelling and Software, 2019. [pdf] Manfreda & Samela, A DEM-based method for a rapid estimation of flood inundation depth, Journal of Flood Risk Management, 2019. [pdf] Manfreda et al., Advances in Large Scale Flood Monitoring and Detection, Hydrology, 2018. [pdf] Samela et al., A GIS tool for cost-effective delineation of flood-prone areas, Computers, Environment and Urban Systems, 2018. [pdf] Samela et al., Geomorphic classifiers for flood-prone areas delineation for data-scarce environments, Advances in Water Resources, 2017. [pdf] Samela et al., 100-year geomorphic flood-prone areas for the continental U.S., Data in Brief, 2017. [pdf] D’Addabbo et al., A Bayesian Network for Flood Detection Combining SAR Imagery and Ancillary Data, IEEE Transactions on Geoscience and Remote Sensing, 2016. [pdf] Samela et al., DEM-based approaches for the delineation of flood prone areas in an ungauged basin in Africa, Journal of Hydrologic Engineering, 2016. [pdf] Manfreda et al., Flood-Prone Areas Assessment Using Linear Binary Classifiers based on flood maps obtained from 1D and 2D hydraulic models, Natural Hazards, 2015. [pdf] Manfreda et al., Investigation on the Use of Geomorphic Approaches for the Delineation of Flood Prone Areas, Journal of Hydrology, 2014. [pdf] Manfreda & Sole, Closure to “Detection of Flood-Prone Areas Using Digital Elevation Models” by Salvatore Manfreda, Margherita Di Leo, and Aurelia Sole. Journal of Hydrologic Engineering, 2013. [pdf] Manfreda et al., Detection of Flood Prone Areas using Digital Elevation Models, Journal of Hydrologic Engineering, 2011. [pdf]