Analysis of Urban Runoff Patterns Using the Spatially Distributed Travel Time Model in Swedish Catchments
2025 (English)Independent thesis Advanced level (degree of Master (Two Years)), 20 credits / 30 HE credits
Student thesisAlternative title
Analys av urbana avrinningsmönster med den spatialt fördelade rinntidsmodellen i svenska avrinningsområden (Swedish)
Abstract [en]
Urbanization and climate change have significantly intensified pluvial flood risks by altering natural hydrological processes and increasing the frequency of extreme rainfall events. This study applies the Spatially Distributed Travel Time (SDTT) model developed by Ekeroth (2022), Delavar (2024) and Pöldma (2024)to simulate runoff responses across 1879 urban watersheds in Sweden under multiple rainfall scenarios. By integrating high-resolution GIS data with machine learning techniques, the research investigates the influence of catchment characteristics, which include land use, morphology, and drainage patterns, to assess runoff behavior. The runoff outputs are analyzed using unsupervised clustering to identify and classify different hydrological response typologies, and Random Forest regression models are employed to evaluate the relative importance of watershed features. The results demonstrate that a combination of physical and urban parameters, such as impervious surface area, slope, and drainage density, strongly govern the intensity and timing of runoff within the SDTT model. This thesis serves as an initial step toward developing a scalable hydrological modeling methodology, providing a computationally efficient framework for flood risk assessment and urban hydrology analysis to support data-driven decision-making in resilient city planning.
Abstract [sv]
Urbanisering och klimatförändringar har avsevärt ökat riskerna för pluvialaöversvämningar genom att förändra naturliga hydrologiska processer och öka frekvensen av extrema regnhändelser. Denna studie tillämpar den rumsligt distribuerade restidsmodellen (SDTT), utvecklad av Ekeroth (2022), Delavar (2024) och Pöldma (2024), för att simulera avrinningssvar i 1879 urbana avrinningsområden i Sverige under flera regnscenarier. Genom att integrera högupplöst GIS-data med maskininlärningstekniker undersöker forskningen hur avrinningsområdets egenskaper, inklusive markanvändning, morfologi och dräneringsmönster, påverkar avrinningens beteende. Avrinningens resultat analyseras med oövervakad klustring för att identifiera typologier av hydrologiska svar, och Random Forest-regressionsmodeller används för att utvärdera den relativa betydelsen av avrinningsområdets egenskaper. Resultaten visar att en kombination av fysiska och urbana parametrar, såsom andelen hårdgjorda ytor, lutning och dräneringstäthet, starkt styr intensiteten och tidpunkten för avrinning inom SDTT-modellen. Denna avhandling fungerar som ett första steg mot att utveckla en skalbar och semidistribuerad hydrologisk modelleringsmetod, som tillhandahåller ett beräkningseffektivt ramverk för översvämningsriskbedömning och analys av urban hydrologi för att stödja datadrivet beslutsfattande i planeringen av resilienta städer.
Place, publisher, year, edition, pages
2025. , p. 119
Series
TRITA-ABE-MBT ; 25337
Keywords [en]
Urban Hydrology, Spatially Distributed Travel Time (SDTT), Machine Learning, Runoff Modeling, Random Forest, K-means Clustering, GIS, Flood Risk Assessment
Keywords [sv]
Urban hydrologi, Rumsligt distribuerad restidsmodell (SDTT), Maskininlärning, Avrinningsmodellering, Random Forest, K-means-klustring, GIS, Översvämningsriskbedömning
National Category
Engineering and Technology
Identifiers
URN: urn:nbn:se:kth:diva-369267OAI: oai:DiVA.org:kth-369267DiVA, id: diva2:1994200
Educational program
Degree of Master - Environmental Engineering and Sustainable Infrastructure
Supervisors
Examiners
2025-09-022025-09-022025-09-02Bibliographically approved