Change search
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf
Modelling Flood Risk of Transport Infrastructure based on Watershed Characteristics
KTH, School of Architecture and the Built Environment (ABE), Sustainable development, Environmental science and Engineering, Industrial Ecology.
2015 (English)Independent thesis Advanced level (degree of Master (Two Years)), 20 credits / 30 HE creditsStudent thesis
Abstract [en]

Climate change is predicted to increase both general precipitation levels as well as the frequency of intense short-term rainfall events in Sweden. Major transport infrastructure such as roads and railways, which are characterized by long lifetimes and high investment costs, are especially vulnerable for changes in climate. This research aims to identify climate-related vulnerabilities in the transport network in view of Trafikverket’s adaptation to climate change. Specifically, the aim of this research is to identify flood risk of road/rail-stream intersections, based on watershed characteristics. Flooding in Värmland and Västra Götaland in August 2014 serves as the basis on which the models are built. Three different statistical modelling approaches were taken: a partial least square regression, a binomial logistic regression, and artificial neural networks. All three methods perform well, and share of urban land use in the catchment as well as local channel slope at the road-stream intersection were identified as most important parameters in the catchments of the studied area for estimating the probability of flooding. Using the results of the different models together makes it possible to cross-validate their results. A flood thermometer, indicating the level of risk a certain point has for flooding, was introduced to visualize this. This leads to better insights into the results and furthermore allows to use the suggested methods as a complement to Trafikverket’s currently used Blue Spot analysis. It is however essential to improve data collection in order to increase the accuracy and generalizability of the models. A good framework for data collection is therefore essential. 

Abstract [sv]

Klimatförändringar förväntas att öka både generella nederbördsmängder samt frekvensen av intensiva kortsiktiga skyfall i Sverige. Transportinfrastruktur som väger och järnväger, som kännetecknas av långa livslängder och höga investeringskostnader, är särskilt utsatta för klimatförändringar. Dessutom är många trummor nu inte dimensionerade för de förväntade klimatförändringar. Denna forskning syftar därför till att identifiera klimatrelaterade sårbarheter i transportnätet med hänsyn till Trafikverkets klimatanpassningsstrategi.

Specifikt är syftet med denna forskning att att utveckla en metod för att förutsäga sannolikheten för översvämning vid korsningar mellan vägar och vattendrag samt järnvägar och vattendrag, baserad på fysiska deskriptorer för avrinningsområden (physical catchment descriptors, PCD). Översvämningar i Västra Götaland och Värmland i augusti 2014 ligger till grund för modellerna: genom att läsa tidningar samt trafikinformation samlades 5 översvämmade punkter och 10 ej-översvämmade punkter i Västra Götaland, samt 9 översvämmade och 15 ej-översvämmade punkter i Värmland. För alla dessa punkter identifierades deras motsvarande avrinningsområde. Baserad på gränser av avrinningsområden beräknades 17 fysiska deskriptorer (PCD) som återspeglar topografin, vägkarakteristik, jordarter samt markbruk.

Tre olika multivariata statistiska analyser användes: en partiell minsta kvadratregression (partial least square regression), en binomial logistisk regression (binomial logistic regression), och artificiella neurala nätverk (artificial neural networks). Alla tre metoderna har höga förutsägelsenoggrannheter, och andelen mark som används för stadsorter i avrinningsområdet samt den lokala lutningen av flödkanalen på väg-strömkorsningen identifierades som de viktigaste egenskaperna hos de olika avrinningsområdena i det studerade området för att uppskatta sannolikheten för översvämningar sett över hela avrinningsområden.

För att visualisera modellernas resultat och för att jämföra med Trafikverkets Blue Spot metod introducerades en översvämningstermometer. Översvämningstermometern sammanfattar resultaten från de olika utvecklade modellerna och indikerar graden av översvämningsrisk för varje punkt. På detta sätt kan man använda modellerna samt Blue Spot metod som komplement till varandra.

Det är dock viktigt att förbättra insamlingen av översvämningsuppgifter för att öka noggrannheten och generaliserbarheten i modellerna. En bra ram för datainsamling är därför mycket viktigt.

Rekommendationerna till Trafikverket baserade på denna studie är följande:

  • Börja samla in mer data för att förbättra noggrannheten i modellerna Denna studie visade att de föreslagna metoderna presterar bra för att förutsäga översvämningsrisk. Dock, för att kunna generalisera resultaten och garantera riktigheten, bör fler datapunkter insamlas, för vilket ett datainsamlingssystem behövs.

  • Använd modellerna som ett komplement till Blue Spot-metoden. Visualiseringen av de föreslagna modellerna med hjälp av översvämningstermometern gör det möjligt att jämföra modellernas resultat med resultatet från Blue Spot-metoden. Resultaten visade att sårbara punkter baserade på en teknik inte alltid bekräftades av en annan teknik. Därför

rekommenderas att använda båda metoderna som ett komplement till varandra för att få mer exakta förutsägelseresultat.

  • Testa metoderna på olika geografiska regioner I denna studie blev metoderna bara testade i två regioner: Västra Götaland och Värmland. De bör dock testas på olika regioner. När datapunkter för olika regioner har samlats in, är det lämpligt att först göra olika modeller för olika regioner, för att möjliggöra för regionala skillnader, och att sedan se hur de jämför med varandra. Olika geografiska regioner kan ha olika viktiga egenskaper för översvämningar. Att utveckla olika modeller gör det möjligt att dessa regionala skillnader blir tydliga. Om de olika regionala metoderna leder till samma viktiga faktorer, kan de kombineras till en mer generell modell.

  • Fokusera skyddsåtgärder mot förutsagda riskområde för att minska översvämningsskador De utvecklade modellerna kan användas för att prioritera väg-strömkorsningar baserat på deras förutsagda risknivå (vilket indikeras av översvämningstermometrar och Blue Spot-metoden). Detta gör det möjligt att rikta underhåll, såsom regelbunden rengöring av trummor, samt anpassning, till exempel genom att ersätta gamla trummor med trummor av större dimensioner, mot dessa punkter för att minska risken för översvämningsskador. 

Place, publisher, year, edition, pages
2015.
Series
TRITA-IM-EX 2015, 06
National Category
Energy Systems Environmental Management
Identifiers
URN: urn:nbn:se:kth:diva-171987OAI: oai:DiVA.org:kth-171987DiVA: diva2:845071
Supervisors
Examiners
Available from: 2015-08-10 Created: 2015-08-10 Last updated: 2015-08-10Bibliographically approved

Open Access in DiVA

fulltext(2437 kB)191 downloads
File information
File name FULLTEXT01.pdfFile size 2437 kBChecksum SHA-512
21ab781d37810722c434f6774b70e47db83ef75dbac7a0112f7969382aa0ae33c2de60104255daac8c988a54966729e8d2a1afd5e797f307b3a4b8a67e8ff7f6
Type fulltextMimetype application/pdf

By organisation
Industrial Ecology
Energy SystemsEnvironmental Management

Search outside of DiVA

GoogleGoogle Scholar
Total: 191 downloads
The number of downloads is the sum of all downloads of full texts. It may include eg previous versions that are now no longer available

urn-nbn

Altmetric score

urn-nbn
Total: 211 hits
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf