将社会脆弱性纳入高分辨率全球洪水风险绘图
贡献
将高分辨率流洪水模型的年平均超标概率估计值与网格化人口和贫困数据相结合，创建了 90 米分辨率的全球洪水脆弱性调整风险指数（VARI Flood）。该指数提供了国家内部或国家之间相对风险的估计值，并通过识别以高密度和高社会脆弱性为特征的 "热点地区"，改变了我们对风险地理的理解。这种方法强调人类福祉面临的风险，可作为传统的以人口或资产为中心的方法的补充
数据
GDP
目前很少有全球网格数据集可用于测量高空间分辨率下的相对贫困状况。Chi 等人提供了分辨率为 2.4 千米的全球网格化相对贫困和富裕估算值，这比现有的人口数据和洪水模型输出要粗糙得多。因此，为了获得尽可能高的分辨率和最大的覆盖范围，我们使用了两个替代来源。我们首选的数据来自 Chen 等人，他们提供了 1992-2019 年全球 175 个国家 1 千米分辨率的网格国内生产总值。通过将单元 GDP 除以 WorldPop（见下文）中的单元人口，将这些收入的areal估计值转换为人均估计值。
Global Gridded Relative Deprivation Index (GRDI), v1: Poverty Mapping | SEDAC (columbia.edu)
年超标概率 (AEP)
本研究采用了布里斯托尔大学/ Fathom 全球洪水模型 (GFM) 第 2 版的冲积洪水危害图。该版本使用了与 Sampson 等人所描述的相同的建模框架，但改进了来自 MERIT DEM 的高程数据、来自 MERIT-Hydro 的更精确的河网以及用于估算河流输送能力的最新方法。模型的边界条件（即河流中的水量）是通过全球区域化洪水频率分析来估算的。所有上游面积大于 50 千米的流域都进行了模拟。提供 10 个重现期（5、10、20、50、75、100、200、250、500 和 1000）的洪水深度，间距为 3 弧秒（赤道处约 90 米）。将洪水重现期转换为 AEP 值的方法是，首先绘制二元洪水图，洪水深度大于 10 厘米即为洪水，然后为洪水像素分配 AEP 值（即相关洪水重现期的倒数）。对于每个像素点，从洪水灾害概率堆栈中提取最大 AEP 值（即最频繁的洪水灾害概率），从而创建一个单一的洪水灾害概率图。
网格化人口数据
人口信息由WorldPop的建筑约束版本提供。此版本的 WorldPop 使用随机森林方法和各种空间协变量将人口普查信息分发到从卫星数据派生的建筑物位置。该数据提供了 2020 年以 3 弧秒网格间距计算的人口数量，并进行了调整以匹配联合国 （UN） 的人口估计值。需要注意的是，我们选择了“受约束”的人口数据集，而不是“无约束”版本（如WorldPop Unconstrained、LandScan或GPWv4）。无约束人口数据集的不同之处在于，它们不考虑建筑物覆盖区，因此将人口分布到所有可居住像素，而不是人们居住的地方。这在考虑洪水风险时具有重要意义，因为不受约束的人口数据集倾向于将人们分布在无人居住的土地上（例如经常被洪水淹没的洪泛区），而实际上人们（通常）生活在洪泛区的边缘，除了最极端的洪水之外，其他所有洪水都无法触及。其结果是，不受约束的人口数据集高估了洪水暴露。
方法
GDP、AEP和人口数据的空间匹配
AEP 和种群数据具有相似的空间分辨率，赤道处为 3 角秒，使用 WGS 1984 伪墨卡托投影系统约为 90 m。然而，GDP数据的空间分辨率在赤道处为30角秒，大约1公里。在将三个数据集组合在一起构建 VARI Flood 之前，三个数据集的空间分辨率必须保持一致，这一点很重要。因此，我们对每个国家的GDP数据进行了上采样，以使用“最近邻”技术在空间上匹配AEP和人口数据集的分辨率。
构建 VARI Flood
将网格化的 AEP、人口数据和人均 GDP 数据结合起来，为所有单元格化脆弱性调整后的风险评分生成，AEP >为 0。这分三个阶段完成。首先，将每个细胞的 AEP 乘以细胞群，以生成整个回报期范围内的预期种群暴露 （EPE） 度量。与使用固定和任意重现期阈值（例如100年一遇的洪水事件）的传统方法相比，我们的方法考虑了这样一个事实，即灾害事件存在于一系列概率上，而这些概率无法通过模拟洪水事件的单一概率（例如100年一遇的洪水事件）来捕获。小规模、相对频繁的洪水（<50 年一遇的洪水）可能导致严重的破坏和死亡，例如 2011 年泰国洪水。 最近在地方一级的研究发现，洪水风险不平等在频繁发生洪水概率的情况下尤为普遍。 另一方面，极端洪水事件的可能性（>1/100）正在上升。例如，2021 年 7 月德国洪水和 2017 年美国飓风哈维等近期重大事件的洪水风险将在使用 100 年一遇洪水的典型洪水风险评估中被遗漏。为了表示全范围的概率，我们模拟了10个不同的洪水重现期（5,10,20,50,75,100,200,250,500,1000）的河流洪水，分辨率为90米，集水区超过50公里的河流，并将其整合到AEP的度量中，这是重现期的倒数。这与网格化的人口数据相结合，产生了我们的 EPE 测量值。VARI 洪水评分系统可用于评估多个尺度的相对风险。对于全球应用，人口和贫困五分位数来自这些变量的全球分布;在国家一级，输入五分位数是从具体国家的分布中抽取的。在第二步中，使用这些值的全球分布（图1和图2）和特定国家/地区的分布（图3和图4），将所有单元的EPE和归一化人均GDP估计值划分为五分位数。我们使用人均五分位数GDP的倒数来反映社会脆弱性，因此第一个五分位数反映了最富有的20%，第五个五分位数反映了最贫穷的20%。第三，我们将 EPE 和脆弱性五分位数相乘，取平方根并向上或向下舍入到最接近的整数，得到最终的风险评分（方程 1）
种方法与过去的研究不同，它整合了贫困和暴露信息，以生成一个简单的风险评分系统。例如，如果单个重现期的人口暴露是评估某个地点风险的唯一因素（标准做法），则风险指数将与预测洪水泛滥地点的人口密度高度相关（即更多人=更多风险）。如果用GDP来代替，风险将与收入高度相关（即更多的收入=更多的风险）。VARI洪水评分系统通过考虑（a）洪水风险的全方位（高达1000年一遇的概率），（b）人口暴露和（c）贫困措施所代表的相对脆弱性，提供了更多的细微差别
其他
Data availability
The raw Fathom global flood model data are restricted for commercial reasons but are available for academic purposes (https://www.fathom.global/contact-us/). The WorldPop constrained high-resolution population counts are available to download (https://hub.worldpop.org/project/categories?id=3). Global gridded GDP are available for download (https://doi.org/10.6084/m9.figshare.17004523.v1). Multi-dimensional relative deprivation data are available for download (https://sedac.ciesin.columbia.edu/data/set/povmap-grdi-v1). Administrative boundary data are from Fieldmaps (https://fieldmaps.io/). Data of subnational flood hazard exposure and risk estimates for 175 countries, which are the output of our analysis, are available for download on Figshare (https://doi.org/10.6084/m9.figshare.25273429.v3).
Code availability
R was used to prepare annual exceedance probability rasters. Python 3.0 was used for all other analysis. QGIS was used to were used to prepare maps. Replication code for the main analysis is available here: https://doi.org/10.6084/m9.figshare.25285540.v1.
