TY - JOUR A1 - Paprotny, Dominik A1 - Kreibich, Heidi A1 - Morales-Napoles, Oswaldo A1 - Wagenaar, Dennis A1 - Castellarin, Attilio A1 - Carisi, Francesca A1 - Bertin, Xavier A1 - Merz, Bruno A1 - Schröter, Kai T1 - A probabilistic approach to estimating residential losses from different flood types JF - Natural hazards : journal of the International Society for the Prevention and Mitigation of Natural Hazards N2 - Residential assets, comprising buildings and household contents, are a major source of direct flood losses. Existing damage models are mostly deterministic and limited to particular countries or flood types. Here, we compile building-level losses from Germany, Italy and the Netherlands covering a wide range of fluvial and pluvial flood events. Utilizing a Bayesian network (BN) for continuous variables, we find that relative losses (i.e. loss relative to exposure) to building structure and its contents could be estimated with five variables: water depth, flow velocity, event return period, building usable floor space area and regional disposable income per capita. The model's ability to predict flood losses is validated for the 11 flood events contained in the sample. Predictions for the German and Italian fluvial floods were better than for pluvial floods or the 1993 Meuse river flood. Further, a case study of a 2010 coastal flood in France is used to test the BN model's performance for a type of flood not included in the survey dataset. Overall, the BN model achieved better results than any of 10 alternative damage models for reproducing average losses for the 2010 flood. An additional case study of a 2013 fluvial flood has also shown good performance of the model. The study shows that data from many flood events can be combined to derive most important factors driving flood losses across regions and time, and that resulting damage models could be applied in an open data framework. KW - fluvial floods KW - coastal floods KW - pluvial floods KW - Bayesian networks KW - flood KW - damage surveys Y1 - 2020 U6 - https://doi.org/10.1007/s11069-020-04413-x SN - 0921-030X SN - 1573-0840 VL - 105 IS - 3 SP - 2569 EP - 2601 PB - Springer CY - New York ER - TY - THES A1 - Schröter, Kai T1 - Improved flood risk assessment BT - new data sources and methods for flood risk modelling N2 - Rivers have always flooded their floodplains. Over 2.5 billion people worldwide have been affected by flooding in recent decades. The economic damage is also considerable, averaging 100 billion US dollars per year. There is no doubt that damage and other negative effects of floods can be avoided. However, this has a price: financially and politically. Costs and benefits can be estimated through risk assessments. Questions about the location and frequency of floods, about the objects that could be affected and their vulnerability are of importance for flood risk managers, insurance companies and politicians. Thus, both variables and factors from the fields of hydrology and sociol-economics play a role with multi-layered connections. One example are dikes along a river, which on the one hand contain floods, but on the other hand, by narrowing the natural floodplains, accelerate the flood discharge and increase the danger of flooding for the residents downstream. Such larger connections must be included in the assessment of flood risk. However, in current procedures this is accompanied by simplifying assumptions. Risk assessments are therefore fuzzy and associated with uncertainties. This thesis investigates the benefits and possibilities of new data sources for improving flood risk assessment. New methods and models are developed, which take the mentioned interrelations better into account and also quantify the existing uncertainties of the model results, and thus enable statements about the reliability of risk estimates. For this purpose, data on flood events from various sources are collected and evaluated. This includes precipitation and flow records at measuring stations as well as for instance images from social media, which can help to delineate the flooded areas and estimate flood damage with location information. Machine learning methods have been successfully used to recognize and understand correlations between floods and impacts from a wide range of data and to develop improved models. Risk models help to develop and evaluate strategies to reduce flood risk. These tools also provide advanced insights into the interplay of various factors and on the expected consequences of flooding. This work shows progress in terms of an improved assessment of flood risks by using diverse data from different sources with innovative methods as well as by the further development of models. Flood risk is variable due to economic and climatic changes, and other drivers of risk. In order to keep the knowledge about flood risks up-to-date, robust, efficient and adaptable methods as proposed in this thesis are of increasing importance. N2 - Flüsse haben seit jeher ihre Auen überflutet. In den vergangenen Jahrzehnten waren weltweit über 2,5 Milliarden Menschen durch Hochwasser betroffen. Auch der ökonomische Schaden ist mit durchschnittlich 100 Milliarden US Dollar pro Jahr erheblich. Zweifelsohne können Schäden und andere negative Auswirkungen von Hochwasser vermieden werden. Allerdings hat dies einen Preis: finanziell und politisch. Kosten und Nutzen lassen sich durch Risikobewertungen abschätzen. Dabei werden in der Wasserwirtschaft, von Versicherungen und der Politik Fragen nach dem Ort und der Häufigkeit von Überflutungen, nach den Dingen, die betroffen sein könnten und deren Anfälligkeit untersucht. Somit spielen sowohl Größen und Faktoren aus den Bereichen der Hydrologie und Sozioökonmie mit vielschichtigen Zusammenhängen eine Rolle. Ein anschauliches Beispiel sind Deiche entlang eines Flusses, die einerseits in ihrem Abschnitt Überflutungen eindämmen, andererseits aber durch die Einengung der natürlichen Vorländer den Hochwasserabfluss beschleunigen und die Gefährdung für die Anlieger flussab verschärfen. Solche größeren Zusammenhänge müssen in der Bewertung des Hochwasserrisikos einbezogen werden. In derzeit gängigen Verfahren geht dies mit vereinfachenden Annahmen einher. Risikoabschätzungen sind daher unscharf und mit Unsicherheiten verbunden. Diese Arbeit untersucht den Nutzen und die Möglichkeiten neuer Datensätze für eine Verbesserung der Hochwasserrisikoabschätzung. Es werden neue Methoden und Modelle entwickelt, die die angesprochenen Zusammenhänge stärker berücksichtigen und auch die bestehenden Unsicherheiten der Modellergebnisse beziffern und somit die Verlässlichkeit der getroffenen Aussagen einordnen lassen. Dafür werden Daten zu Hochwasserereignissen aus verschiedenen Quellen erfasst und ausgewertet. Dazu zählen neben Niederschlags-und Durchflussaufzeichnungen an Messstationen beispielsweise auch Bilder aus sozialen Medien, die mit Ortsangaben und Bildinhalten helfen können, die Überflutungsflächen abzugrenzen und Hochwasserschäden zu schätzen. Verfahren des Maschinellen Lernens wurden erfolgreich eingesetzt, um aus vielfältigen Daten, Zusammenhänge zwischen Hochwasser und Auswirkungen zu erkennen, besser zu verstehen und verbesserte Modelle zu entwickeln. Solche Risikomodelle helfen bei der Entwicklung und Bewertung von Strategien zur Minderung des Hochwasserrisikos. Diese Werkzeuge ermöglichen darüber hinaus Einblicke in das Zusammenspiel verschiedener Faktoren sowie Aussagen zu den zu erwartenden Folgen auch von Hochwassern, die das bisher bekannte Ausmaß übersteigen. Diese Arbeit verzeichnet Fortschritte in Bezug auf eine verbesserte Bewertung von Hochwasserrisiken durch die Nutzung vielfältiger Daten aus unterschiedlichen Quellen mit innovativen Verfahren sowie der Weiterentwicklung von Modellen. Das Hochwasserrisiko unterliegt durch wirtschaftliche Entwicklungen und klimatische Veränderungen einem steten Wandel. Um das Wissen über Risiken aktuell zu halten sind robuste, leistungs- und anpassungsfähige Verfahren wie sie in dieser Arbeit vorgestellt werden von zunehmender Bedeutung. T2 - Verbesserte Hochwasserrisikobewertung: Neue Datenquellen und Methoden für die Risikomodellierung KW - flood KW - risk KW - vulnerability KW - machine learning KW - uncertainty KW - Hochwasser KW - Risiko KW - Vulnerabilität KW - Maschinelles Lernen KW - Unsicherheiten Y1 - 2020 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:kobv:517-opus4-480240 ER -