Le alluvioni sono il rischio naturale più comune e più dannoso per molti Paesi del mondo. La comprensione del rischio di alluvione è di grande importanza per la gestione degli impatti socio-economici e ambientali.
Diversi ricercatori hanno prodotto soluzioni alternative a bassa complessità che si basano su metodi basati sui dati (Schumann et al., 2014a; Tang et al., 2018; Giovannettone et al., 2018; Caprario & Finotti, 2019; Zhao et al., 2019). Tra questi, i metodi idrogeomorfici sfruttano la causalità tra le inondazioni storiche e la geometria idraulica della pianura alluvionale (ad esempio, Bhowmik, 1984; McGlynn e Seibert, 2003; Dodov e Foufola-Georgiou, 2006) e fanno uso di modelli digitali di elevazione (DEM) (si veda ad esempio Tavares da Costa et al, 2019; Annis et al., 2019; Nardi et al., 2006, 2013, 2019; Clubb et al., 2017; Jafarzadegan e Merwade, 2017; De Risi et al., 2015; Degiorgis et al., 2012).
L’idea originale che le risposte idrologiche di un bacino idrografico possano essere indicizzate sulla base della topografia risale a Kirkby (1975). Egli propose l’uso dell’indice topografico TOPMODEL, che si è dimostrato un buon indicatore delle aree soggette a inondazioni (Manfreda et al., 2011; De Risi et al., 2013; Jalayer et al., 2014). La sua capacità di riprodurre le aree a rischio di inondazione è stata migliorata da Manfreda et al. (2011), che hanno confrontato questo “indice topografico modificato” (TIm) con le mappe di inondazione ottenute da simulazioni idrauliche e hanno osservato che la porzione di un bacino esposta all’inondazione può essere individuata applicando un valore soglia, τ, sulla mappa del TIm. Questo lavoro ha portato a una serie di applicazioni in cui gli indici geomorfici, come il TI e il TIm, sono adottati per la delineazione di aree soggette a inondazioni (ad esempio, Degiorgis et al., 2012; Suwandana et al., 2012; Knitter et al., 2012; Jalayer et al., 2014; Cooper, 2014; Papaioannou et al., 2015; De Risi et al., 2014; Pourali et al., 2016). In alcuni di questi studi, la procedura sviluppata da Manfreda et al. (2011) e il relativo strumento GRASS GIS (Di Leo et al., 2011) sono stati applicati nella loro forma originale. In altri studi, la procedura è stata modificata esplorando nuove strategie di calibrazione (ad esempio, Jalayer et al., 2014).
Oltre all’uso dell’indice topografico modificato, il potenziale uso delle caratteristiche geomorfologiche per la delineazione delle aree a rischio di alluvione è stato esplorato in diversi lavori. Partendo da semplici informazioni sulle caratteristiche del bacino, questi metodi sono stati notevolmente migliorati nel tempo, raggiungendo una buona precisione.
In particolare, Degiorgis et al. (2012) hanno proposto la delineazione di aree a rischio di alluvione da una posizione in cui esiste una mappa delle alluvioni a una in cui non esiste. Questa procedura di estrapolazione è stata ottenuta mediante una classificazione binaria a soglia o, in altre parole, identificando l’isolinea (soglia ottimale, TH) di un descrittore di alluvione scelto che meglio approssima l’estensione areale di una mappa di alluvione esistente. I descrittori di alluvione possono essere definiti come strati quantitativi estratti dai DEM che si correlano alla tendenza di un’area a inondarsi.
Manfreda et al. (2014, 2015) e Samela et al. (2016) hanno migliorato il metodo introdotto da Degiorgis et al. (2012) confrontando e valutando diversi descrittori in termini di idoneità a delineare le aree soggette a inondazioni. Nei loro studi, il Geomorphic Flood Index (GFI, Samela et al., 2017) è risultato essere il descrittore idrogeomorfico più performante e coerente tra quelli analizzati (Manfreda et al., 2015; Samela et al., 2016, 2017), tra cui l’Height Above the Nearest Drainage (HAND) (Rennó et al., 2008; Nobre et al., 2016). Su questa base, Samela et al. (2017) e Tavares da Costa et al. (2019a) hanno delineato con successo aree a rischio di alluvione a scala continentale riducendo drasticamente i tempi e i costi di calcolo, aprendo nuove possibilità per la valutazione e la gestione del rischio di alluvione su grandi scale. In Tavares da Costa et al. (2019a), è stato inoltre dimostrato che le soglie ottimali del GFI sono positivamente correlate alle estensioni delle inondazioni associate a specifici periodi di ritorno.
Reference
Albertini, C., D. Miglino, V. Iacobellis, F. De Paola, S. Manfreda, Flood-prone areas delineation in coastal regions using the Geomorphic Flood Index, Journal of Flood Risk Management, e12766, 2022. [pdf]
Albano, R., C. Samela, I. Crăciun, S. Manfreda, J. Adamowski, A. Sole, Å. Sivertun, A. Ozunu, Large Scale Flood Risk Mapping in Data Scarce Environments: An Application for Romania. Water, 12, 1834 (doi: 10.3390/w12061834), 2020. [pdf]
Tavares da Costa, R., S. Zanardo, S. Bagli, A. G. J. Hilberts, S. Manfreda, C. Samela, and A. Castellarin, Predictive modelling of envelope flood extents using geomorphic and climatic-hydrologic catchment characteristics, Water Resources Research, (doi: 10.1029/2019WR026453), 2020. [pdf]
Tavares da Costa, R., S. Manfreda, V. Luzzi, C. Samela, P. Mazzoli, A. Castellarin, S. Bagli, A web application for hydrogeomorphic flood hazard mapping, Environmental Modelling and Software, (doi: 10.1016/j.envsoft.2019.04.010) 2019. [pdf]
Manfreda, S., C. Samela, A DEM-based method for a rapid estimation of flood inundation depth, Journal of Flood Risk Management, 12 (Suppl. 1):e12541, (doi: 10.1111/jfr3.12541) 2019. [pdf]
Manfreda S., C. Samela, A. Refice, V. Tramutoli, F. Nardi, Advances in Large Scale Flood Monitoring and Detection, Hydrology, 5, 49, (doi: 10.3390/hydrology5030049) 2018. [pdf]
Samela, C., R. Albano, A. Sole, S. Manfreda, A GIS tool for cost-effective delineation of flood-prone areas, Computers, Environment and Urban Systems, 70, 43-52 (doi: 10.1016/j.compenvurbsys.2018.01.013), 2018. [pdf]
Samela, C., T.J. Troy, S. Manfreda, Geomorphic classifiers for flood-prone areas delineation for data-scarce environments, Advances in Water Resources, 102, 13-28, (doi: 10.1016/j.advwatres.2017.01.007), 2017. [pdf]
Samela C., S. Manfreda, T. J. Troy, 100-year geomorphic flood-prone areas for the continental U.S., Data in Brief, 12, 203-207, (doi: 10.1016/j.dib.2017.03.044), 2017. [pdf]
D’Addabbo, A., A. Refice, G. Pasquariello, F. Lovergine, D. Capolongo and S. Manfreda, A Bayesian Network for Flood Detection Combining SAR Imagery and Ancillary Data, IEEE Transactions on Geoscience and Remote Sensing, 54(6), 3612 -3625, (doi: 10.1109/TGRS.2016.2520487), 2016. [pdf]
Samela, C., S. Manfreda, F. De Paola, M. Giugni, A. Sole, M. Fiorentino, DEM-based approaches for the delineation of flood prone areas in an ungauged basin in Africa, Journal of Hydrologic Engineering, 21(2), (doi: 10.1061/(ASCE)HE.1943-5584.0001272), 2016. [pdf]
Manfreda, S., C. Samela, A. Gioia, G. Consoli, V. Iacobellis, L. Giuzio, A. Cantisani, A. Sole, Flood-Prone Areas Assessment Using Linear Binary Classifiers based on flood maps obtained from 1D and 2D hydraulic models, Natural Hazards, 79 (2), 735-754, (doi: 10.1007/s11069-015-1869-5), 2015. [pdf]
Manfreda, S., F. Nardi, C. Samela, S. Grimaldi, A. C. Taramasso, G. Roth and A. Sole, Investigation on the Use of Geomorphic Approaches for the Delineation of Flood Prone Areas, Journal of Hydrology, 517, 863-876, (doi: ), 2014. [pdf]
Manfreda, S. and Sole, A. Closure to “Detection of Flood-Prone Areas Using Digital Elevation Models” by Salvatore Manfreda, Margherita Di Leo, and Aurelia Sole. Journal of Hydrologic Engineering, 18(3), 362-365, (doi: 10.1061/(ASCE)HE.1943-5584.0000693), 2013. [pdf]
Manfreda, S., M. Di Leo, A. Sole, Detection of Flood Prone Areas using Digital Elevation Models, Journal of Hydrologic Engineering, 16(10), 781-790 (doi: 10.1061/(ASCE)HE.1943-5584.0000367), 2011. [pdf]