IntroducciĆ³n
En el Ć”mbito del ODS 11: Alcanzar que las ciudades y los asentamientos humanos sean inclusivos, seguros, resilientes y sostenibles, la meta 11.5 dice: Dentro de 2030, reducir significativamente el nĆŗmero de muertes causadas por los desastres, incluidos los relacionados con el agua, y de personas afectadas por ellos, y reducir considerablemente las pĆ©rdidas econĆ³micas directas provocadas por los desastres en comparaciĆ³n del producto interno bruto mundial, haciendo especial Ć©nfasis en la protecciĆ³n de los pobres y las personas en situaciones de vulnerabilidad.
Siguiendo en el trabajo de bĆŗsqueda y evaluaciĆ³n de indicadores que midan los ODS a nivel municipal, como hemos visto en la nota tĆ©cnica 6, una de las problemĆ”ticas recurrentes en EspaƱa es la de las inundaciones provocadas por lluvias torrenciales. Por eso, estamos investigando datos que nos puedan permitir diseƱar una ratio para cuantificar de forma clara objetiva el posible perjuicio que el riesgo de inudaciĆ³n entraƱa.
Con dicha finalidad testaremos los datos estimados sobre zonas con riesgo de inundaciĆ³n del Servicio de GestiĆ³n de Emergencias Copernicus - CEMS-Floods y las del SIOSE - Sistema de InformaciĆ³n de OcupaciĆ³n del Territorio. Esto nos deberĆa permitir obtener una tasa de zona residencial inundable para cada municipio.
Los datos del Servicio de GestiĆ³n de Emergencias Copernicus - CEMS-Floods
CEMS-Floods dispone de un conjunto de datos globales y paneuropeos de resoluciĆ³n de 3 segundos de arco (90 m aprox) de inundaciones para diferentes escenarios de periodo de retorno (RP) (10, 20, 50, 75 , 100, 200, 500 aƱos). Estos datos se utilizan para producir la capa de mapas de inundaciones a partir de las previsiones.
ĀæQuĆ© es el perĆodo de retorno? Un evento de 10 aƱos de PR tiene una probabilidad 0,1, es decir del 10% de ser igualado o superado en un aƱo cualquiera (probabilidad de superaciĆ³n = 1/periodo de retorno = 1/10). Para un perĆodo de retorno de 100 aƱos, que es el que hemos seleccionado para este trabajo, la probabilidad serĆ” del 1%.
DescripciĆ³n del dataset
Los mapas globales de riesgo de inundaciones fluviales son un dataset en cuadrĆcula que representa las inundaciones a lo largo de la red fluvial, para siete perĆodos de retorno de inundaciones diferentes. Los datos de caudal fluvial de entrada para los nuevos mapas se generan mediante el modelo hidrolĆ³gico de cĆ³digo abierto LISFLOOD, mientras que las simulaciones de inundaciones se realizan con el modelo hidrodinĆ”mico LISFLOOD-FP.
LISFLOOD es un modelo que simula el ciclo completo del agua, desde la lluvia hasta llegar a rĆos, lagos y aguas subterrĆ”neas. Simula los efectos combinados de los cambios meteorolĆ³gicos y climĆ”ticos, el uso del suelo, los cambios socioeconĆ³micos en la demanda de agua, asĆ como las medidas polĆticas para el ahorro de agua o el control de inundaciones. El modelo se utiliza para estudios hĆdricos y climĆ”ticos, asĆ como para la previsiĆ³n de inundaciones y sequĆas.
LISFLOOD-FP es un modelo hidrodinĆ”mico bidimensional diseƱado especĆficamente para simular inundaciones en llanuras aluviales de una manera computacionalmente eficiente sobre una topografĆa compleja. Es capaz de simular cuadrĆculas de hasta 106 celdas para eventos de inundaciĆ³n dinĆ”micos y puede aprovechar nuevas fuentes de informaciĆ³n del terreno provenientes de tĆ©cnicas de teledetecciĆ³n como la altimetrĆa lĆ”ser aerotransportada y el radar interferomĆ©trico satelital. El modelo predice las profundidades del agua en cada celda de la cuadrĆcula en cada paso de tiempo y, por lo tanto, puede simular la propagaciĆ³n dinĆ”mica de las ondas de inundaciĆ³n sobre llanuras aluviales fluviales, costeras y estuarinas. Es un cĆ³digo de investigaciĆ³n no comercial desarrollado como parte de un esfuerzo por mejorar nuestra comprensiĆ³n fundamental de la hidrĆ”ulica de inundaciones, la predicciĆ³n de inundaciones y la evaluaciĆ³n del riesgo de inundaciones.
Nuestra elecciĆ³n
Hemos utilizado pues dichos datos para mapear el riesgo de inundaciones en CataluƱa con un perĆodo de retorno de 100 aƱos. Seguramente puede parecer exagerado medir efectos de eventos con ese bajo nivel de probabilidad; sin embargo creemos que puede ser importante por dos razones:
- Nos encontramos en un escenario nuevo: el cambio climĆ”tico pone en crisis las proyecciones sobre datos histĆ³ricos. Eventos que se consideraban muy improbables hasta hoy podrĆan no serlo tanto, en futuro.
- El tema en si estĆ” muy relacionados con la planificaciĆ³n urbana que debe (o deberĆa) tener un horizonte muy a largo plazo.
Los datos descargados
Los datasets se pueden descargar en formato
.tif en esta pĆ”gina, donde habrĆ” que elegir el perĆodo de
retorno (RP) y la banda long/lato (la nuestra serĆ” N50,
W0).
Para cada perĆodo de retorno y para cada ficha, estĆ”n disponibles dos mapas de riesgo: uno muestra la profundidad bruta del agua y el otro muestra la profundidad del agua categorizada.
Hay que tener en cuenta que las profundidades de agua muy elevadas pueden ser causadas por limitaciones en el modelo hidrĆ”ulico o por sumideros artificiales. Por parte de los proveedores de los datos, se recomienda precauciĆ³n al utilizar los valores de profundidad en estas Ć”reas. A nosotros este aspecto nos va a afectar poco, ya que el indicador se crearĆ” definiendo Ć”reas inundables, indipendientemente de la profundidad del agua prevista.
El segundo elemento del indicador
Es evidente que simplemente medir la superficie municipal afectada por eventuales inundaciones es insuficiente para construir el indicador. Como ya destacamos, hay que definir una magnitud cercana a las personas.
En nuestra nota anterior ensayamos la posibilidad de utilizar el Exposure Mapping del Servicio de GestiĆ³n de Emergencias de Copernicus para mapear poblaciĆ³n residente en las celdas del raster del riesgo hidrĆ”ulico. Sin embargo, descubrimos que, para construir nuestro indicador, ese dato es demasiado impreciso e inestable (en situaciones de ausencia de dato puede en cambio ser muy Ćŗtil).
SIOSE - Sistema de InformaciĆ³n de OcupaciĆ³n del Territorio
Finalmente, decidimos obviar dicha falta utilizando una magnitud que indirectamente nos mida la posibilidad de daƱos personales y nos permita realizar comparaciones: la extensiĆ³n del Ć”rea residencial afectada. Para ello, hemos utilizado los datos del SIOSE.
TambiĆ©n el Institut CartogrĆ fic i GeolĆ²gic de Catalunya - ICGC dispone de dichos datos, pero presenta algunas diferencias en la clasificaciĆ³n respecto al SIOSE, con lo cual, hemos utilizado esta fuente, para facilitar, ademĆ”s, la reproducibilidad de nuestra metodologĆa en otras Comunidades AutĆ³nomas.
Los datos se pueden descargar en esta pƔgina. En el marco de esta trabajo, utilizamos los datos SIOSE en lugar de los SIOSE AR, porque son mƔs Ɣgiles de descarga, aunque no tan definidos y actualizados.
Las coberturas que se han seleccionado son las estrictamente residenciales, esto es las clasificadas con los CODIIGE 111 - Casco, 112 - Ensanche y 113 - Discontinuo (urbanizaciones y similares), excluyendo todas las demƔs (Ɣrea verde urbana, industrial, servicio dotacional, aeropuerto, etc.), descritas en el manual de descarga (Anexo II).
Una primera visualizaciĆ³n de las capas de datos creadas
El siguiente visor es una representaciĆ³n seguramente interesante. Por eso hemos optado por la imagen satelitar para el mapa base, ya que permite observar muy en detalle las situaciones que necesitan mucho acercamiento, jugando con las tres diferentes capas: la capa de inundabilidad, la capa de zonas residenciales, la de los perĆmetros municipales y la ortofoto satelital.
Visor de zonas inundables con perĆodo de retorno de 100 aƱos en zonas residenciales de diferente tipo