methods to estimate and analyze uncertainty of flood: a...
TRANSCRIPT
6
Methods to estimate and analyze uncertainty of flood: A systematic review from 1985 to 2016
Métodos de estimación y análisis de incertidumbre en inundaciones: Una revisión sistemática de la literatura publicada entre 1985 y 2016
Héctor Iván Barón R.1, Silvia Juliana Bedoya L.2, Guillermo Mejía3 [email protected], [email protected], [email protected]
Universidad Industrial de Santander Bucaramanga – Colombia
Artículo de investigación
Abstract
Historical data from 1985 to 2016 show the social and economic repercussions caused by the floods in Colombia, which have affected more than 16 million people and caused losses valued at approximately $ 3.900 billion Colombian pesos. Although Colombia has been recognized for its efforts to manage risks and disasters, there is still considerable damages in property and infrastructure when a natural event occurs with considerable impact. The present study undertook a systematic review of the literature published between 1985 and 2016 to identify both uncertainty factors and methods to analyze uncertainty in flood events. This study´s findings provide relevant information to design risk mitigation strategies. Based on a final sample of 208 methodologically selected articles, the study found that the five most frequently published uncertainty factors in relation to flooding are: climate change 16% (33/208), analysis models 12% (25/208), meteorology 8% (17/208), input data 8% (16/208) and topography 8% (16/208). The five most frequent models or methods of uncertainty analysis are: Monte Carlo 32.7% (68/208), Bayesian methods 14.5% (31/208), DEM system 13.9% (29 / 208), LIDAR system 10.6% (22/208) and GLUE method 9.6% (20/208). These results are expected to provide valuable information on order to make decisions more informed and prioritize investment to prevent flood damages.
Keywords: Flood, uncertainty, risk
Resumen Datos históricos señalan que entre 1985 y 2016 las repercusiones sociales y económicas originadas por las inundaciones en Colombia son considerables, afectando a más de 16 millones de personas y dejando pérdidas por un valor aproximado de $3.900 billones de pesos. Aunque a Colombia se le ha reconocido sus esfuerzos en el tratamiento integral de los riesgos y desastres, logrando disminuir el número de pérdidas de vidas humanas, aún se siguen presentando con una tendencia creciente, daños en la propiedad, la infraestructura y los medios de subsistencia, cuando un evento natural ocurre con considerable impacto. El presente estudio adelantó una revisión sistemática de literatura publicada entre 1985 y 2016 con el fin de identificar tanto los factores generadores de incertidumbre en eventos naturales de inundación, como también, los métodos de análisis y estimación de dicha incertidumbre, contribuyendo a brindar información relevante y complementaria para diseñar estrategias de mitigación de riesgos. Con base en una muestra final de 208 artículos seleccionados, el estudio encontró que los cinco factores de incertidumbre publicados con mayor frecuencia con relación a inundaciones son: cambio climático 16% (33/208), modelos de análisis 12% (25/208), meteorología 8% (17/208), datos de entrada 8% (16/208) y topografía 8% (16/208). Por su parte, los cinco modelos o métodos de análisis de incertidumbre más frecuentes son: Monte Carlo 32,7% (68/208), métodos Bayesianos 14,5% (31/208), sistema DEM 13,9% (29/208), sistema LIDAR 10,6% (22/208) y método GLUE 9,6% (20/208). Se espera que estos resultados proporcionen valiosa información para tomar decisiones y priorizar la inversión de las acciones preventivas ante inundaciones.
Palabras clave: Inundación, incertidumbre, riesgo.
© 2017. IAI All rights reserved
Actas de Ingeniería Volumen 3, pp. 6-16, 2017
http://fundacioniai.org/actas
7
1. Introducción
Los desastres naturales ocurren con cierta frecuencia a lo largo y ancho de nuestro planeta. Sus repercusiones económicas, sociales y ambientales se han incrementado año tras año, con mayor impacto en aquellos países en vías de desarrollo, que en aquellos desarrollados. El riesgo asociado a estos desastres naturales es debido, en gran parte, a errores y problemas generados por los mismos procesos de desarrollo [1].
La Universidad Católica de Lovaina y su Centro de Investigación sobre Epidemiología de los Desastres
(OFDA - CRED), citada por el Banco Iberoamericano de Desarrollo (BID) y la Comisión Económica para América Latina y el Caribe (CEPAL) en el documento “Valoración de daños y pérdidas de la ola invernal en Colombia 2010-2011” [2], ha registrado el efecto de cuatro de los fenómenos naturales con mayor fuerza en Colombia durante el período 1900-2011, en términos de frecuencia, número de pérdidas de vidas humanas y cantidad de población afectada (Tabla 1). Esta información muestra que las inundaciones ocurren con alta frecuencia en comparación con los otros tres fenómenos naturales y que su repercusión social es considerable en términos de población afectada.
Tabla 1. Resumen de desastres por eventos naturales más importantes 1900-2011 [2]
Fenómeno natural Frecuencia Pérdida de vidas Población afectada
Terremoto 23 3.593 1’409.068 Inundaciones generalizadas 35 1.685 6’940.970 Movimientos de masas: deslizamientos 37 2.848 31.981 Erupciones volcánicas 11 22.826 56.964
Adicionalmente, datos históricos reportados en Colombia señalan que entre 1985-2016 los impactos sociales y económicos originadas por las inundaciones
son considerablemente adversos, afectando a más de 16 millones de personas y dejando pérdidas por un valor aproximado de $3.900 billones de pesos [3] (Tabla 2).
Tabla 2. Resumen de desastres por eventos naturales 1985-2016 en Colombia [3]
Fenómeno natural Pérdida de vidas Afectados Damnificados Pérdidas ($Billones)
Sequía 0 3’102.979 2.000 0,523 Sismo 1.813 126.810 241.611 303.458,000 Actividad volcánica 24.472 5.879 229.258 0,037 Incendio 417 106.121 20.313 0,094 Inundación 1.003 15’835.844 1’768.942 3.902,000 Deslizamiento 3.657 1’891.766 52.474 0,038 Vendaval 81 1´702.255 165.394 0,006
El Banco Mundial reconoce el gran liderazgo de Colombia entre los países de América Latina con respecto al tratamiento integral de los riesgos y desastres, evidenciado en la disminución de pérdidas de vidas humanas originadas por catástrofes naturales. No obstante, continúan con una tendencia creciente los daños en la propiedad e infraestructura, y la alteración de los medios de subsistencia, ya que los eventos de desastres son fenómenos complejos que surgen de la interacción entre condiciones naturales inciertas y la adopción de modelos inadecuados de desarrollo [1].
Por las anteriores razones, es importante realizar diversos estudios sobre desastres naturales para conocer de manera sistemática, detallada y exhaustiva dichos fenómenos. Esto permitirá mayor compresión de los fenómenos para diseñar apropiadas estrategias de prevención, mitigación y reacción ante eventos de tragedia. Las revisiones sistemáticas de publicaciones en revistas indexadas, es una de las maneras de avanzar en el conocimiento de estos fenómenos. Específicamente, una revisión sistemática permite identificar factores generadores de incertidumbre en eventos naturales de inundación, como también, métodos de análisis y estimación de dicha incertidumbre, aportando de esta manera información y evidencias, insumos importantes para tomar decisiones y priorizar la inversión de las acciones preventivas ante inundaciones.
2. Marco teórico
Para la Organización de las Naciones Unidas un desastre debe ser entendido como una seria interrupción
en el funcionamiento de una comunidad o sociedad que ocasiona una gran cantidad de muertes al igual que pérdidas e impactos materiales, económicos y ambientales que exceden la capacidad de la comunidad o la sociedad afectada para hacer frente a la situación mediante el uso de sus propios recursos [4]. Un desastre es el resultado de la combinación de tres condiciones principalmente: 1) la exposición de una comunidad a una amenaza; 2) las condiciones de vulnerabilidad presentes en este núcleo poblacional; y 3) una deficiente capacidad de respuesta ante la adversidad. Las consecuencias adversas se evidencian en pérdidas de vidas humanas, pérdidas materiales, económicas y ambientales que deriva en una disrupción del funcionamiento normal de la comunidad afectada [4].
Por su parte, a nivel nacional, el Artículo 2 de la Ley 46 de 1988 define desastre como una grave afectación de las condiciones normales de vida de una comunidad, asentada en un área geográfica determinada, la cual requiere una atención especial por parte del Estado y de entidades de carácter social-humanitario. Este daño es producto de la ocurrencia de fenómenos naturales, o en otros casos son efectos catastróficos originados de manera accidental por acciones [5]. Complementariamente, la Ley 1523 del 24 de abril de 2012 define desastre como el resultado que se desencadena de la manifestación de uno o varios eventos naturales o antropogénicos no intencionales que al encontrar condiciones propicias de vulnerabilidad en las personas, los bienes, la infraestructura, los medios de la prestación de servicios o los recursos ambientales, causa
8
daños o pérdidas humanas, materiales, económicas o ambientales, generando una alteración intensa, grave y extendida en las condiciones normales de funcionamiento de la sociedad, que exige del Estado y del sistema nacional ejecutar acciones de respuesta a la emergencia, rehabilitación y reconstrucción [6]. Dentro de los eventos que se catalogan como desastres naturales se encuentran las inundaciones, el cual hace parte del objeto de estudio de la presente revisión sistemática.
2.1 Inundaciones
La inundación es considerada como una amenaza
hidrometeorológica que puede ocasionar desastres [4]. Las Naciones Unidas para la Educación, la Ciencia y la Cultura (UNESCO) y la Organización Meteorológica Mundial (OMM) han definido en el glosario internacional de hidrología a la inundación bajo dos acepciones: a) como un desbordamiento del agua fuera del cauce normal de un rio o cualquier cuerpo de agua; y b) como toda acumulación de agua procedente de drenajes en lugares que bajo condiciones normales no experimenta anegamiento [7].
El Centro Nacional de Prevención de Desastres de México (CENAPRED) ha clasificado las inundaciones de acuerdo con la causa que la origina y al tiempo que tardan en presentarse [8]. Por causa de origen se tiene las siguientes inundaciones:
1. Originadas por lluvia: Producida por la acumulación de agua lluvia, durante varias horas o días, en un determinado lugar geográfico que presenta dificultades de drenaje por saturación del terreno, colmatación o fallas del sistema de alcantarillado.
2. Originadas por ríos: Es la consecuencia del exceso de lluvias que ocasiona un aumento brusco del volumen de agua de un río, el cual supera la capacidad de transporte del cauce durante la creciente y anega la superficie de terreno cercano a ellos. A diferencia de las originadas por lluvia, el aumento del volumen de agua se debe a precipitaciones en cualquier parte de la cuenca y no a las de la zona inundada.
3. Originadas por marejadas: Es la que se presenta en las zonas costeras por el ascenso del nivel del mar el cual penetra tierra adentro cubriendo grandes extensiones de terreno. Este aumento de nivel de agua se origina por efectos de la atracción lunar y/o vientos fuertes de origen hidrometeorológico. Los tsunamis, en donde se tienen inundaciones muy bruscas, son un caso especial de inundación costera.
4. Falla de estructura hidráulica o inundación por rompimiento de jarillones o presas: Ocurre cuando se presenta la falla de alguna de estas estructuras y el agua contenida por ellas pasa a ocupar sus zonas de influencia.
Adicionalmente, y de acuerdo con la rapidez con la que se producen los desbordamientos, se tiene:
1. Inundación súbita: Se refiere a crecientes que ocurren de manera repentina debido a la pendiente del río o quebrada y su cuenca. En
ocasiones se produce el arrastre de una gran cantidad de material como lodos, piedras y árboles. Dentro de este concepto se incluyen los “arroyos”, que se presentan típicamente en la ciudad de Barranquilla, y las “avalanchas”, que se presentan en el municipio de Utica.
2. Inundación lenta: Se produce cuando hay un aumento gradual del nivel del río hasta superar su capacidad máxima. El río se sale de su cauce, inundando las áreas planas cercanas al mismo. En este caso, el tiempo de anticipación que se ofrece normalmente es suficiente para que las entidades operativas coordinen las actividades de respuesta con el apoyo de la comunidad.
2.2 Incertidumbre
Algunos autores se han referido a la incertidumbre como una limitación o deficiencia del conocimiento o información que se tiene sobre un fenómeno dado [9, 10]. En este caso, se hace referencia a la información representada en los modelos de un fenómeno real, los cuales son considerados como instrumentos para comprender la incertidumbre. Existe una relación proporcional inversa respecto al conocimiento de un evento dado. A mayor conocimiento, menor incertidumbre, y viceversa. Por otro lado, desde la metrología, se define la incertidumbre como una característica técnica y empírica del nivel de precisión de una medición, que caracteriza la dispersión de los valores atribuidos a la magnitud del objeto que se desea medir, ocasionada por errores de medición o limitaciones del instrumento usado para la medición [11].
Desde estos dos enfoques se puede analizar la incertidumbre, ya sea como un fenómeno probabilístico o como un fenómeno estadístico. El enfoque probabilístico determina la ocurrencia del evento, o el nivel de conocimiento del fenómeno, con base en la información histórica que se tenga. Como un fenómeno estadístico se cuantifica la variabilidad de la medición de la magnitud de un fenómeno en observación, bajo condiciones estandarizadas.
2.3 Revisión sistemática
La revisión sistemática da respuesta a problemas de
investigación por medio de la integración objetiva y metódica de los resultados de estudios realizados y publicados previamente. Las revisiones sistemáticas de la literatura evalúan críticamente lo que se ha publicado respecto a un tema específico y resumen dichas publicaciones de manera tal que se conviertan en evidencia para generar políticas públicas y mejorar la práctica en una determinada disciplina [12]. El fin último de una revisión sistemática es integrar los resultados de investigaciones previas para sacar conclusiones generales [13, 14].
Una revisión sistemática debe especificar su alcance. De esta manera, se puede definir el método de revisión a emplear, como también, estimar el número y la disponibilidad de las fuentes de información, estudios o artículos a consultar. La definición del alcance debe reflejar con precisión la intención de los investigadores y
9
el propósito del estudio mismo. Para dar respuesta al propósito del estudio utilizando la metodología de la revisión sistemática, se debe realizar una selección de las fuentes de información que obedezca a criterios de inclusión y exclusión imparciales; que, a su vez, faciliten relacionar los estudios relevantes. Estos criterios son ecuaciones booleanas de búsqueda, construidas con base en palabras claves que relacionan los temas de interés y operan en las bases de datos.
Una vez identificados y seleccionados las fuentes de información, se deben tabular y catalogar para evaluar sistemáticamente la calidad de cada estudio. Se deben extraer los detalles importantes de cada artículo, resumir la información de la metodología de investigación, de los resultados y de las conclusiones de cada uno. Con base en la información de los artículos evaluados, y con el uso de métodos cuantitativos y/o cualitativos, se hace la síntesis de la información. Esta síntesis consiste en organizar e interpretar la evidencia, de tal forma que anticipe y responda a las preguntas sobre el tema de los potenciales lectores. Adicionalmente, este resumen debe garantizar al lector la transparencia requerida para verificar las interpretaciones y sacar sus propias conclusiones.
Las revisiones sistemáticas no están desprovistas de limitaciones y no están exentas de garantizar validez y confiabilidad. Las limitaciones surgen por la calidad y cantidad de los estudios primarios que se puedan conseguir, o por la calidad de los procesos mismos de revisión sistemática. Cierta parcialidad o sesgo influencia la selección de los estudios primarios, como también, podría influenciar su interpretación. La calidad de una revisión sistemática se determina por su consistencia y transparencia en seleccionar y reportar los procedimientos en cada paso. La confiabilidad de la revisión se logra mediante procesos colaborativos de discusión de criterios de selección y clasificación, como de evaluación de la calidad.
3. Metodología
La metodología empleada para el presente estudio se
ciñe específicamente a la metodología de revisiones sistemáticas cuyo análisis de evidencias será de tipo cualitativo. Los pasos que seguir en el presente estudio se han adaptado de los indicados en [12-14]: formulación del problema; definición de los criterios de selección y búsqueda de los estudios; codificación de las características de los estudios que respondan a las preguntas del estudio; análisis e interpretación de evidencias y conclusión.
El primer paso consistió en formular los objetivos de la revisión sistemática, y así definir las variables y sus relaciones, sobre las cuales se recogieron las evidencias encontradas en los estudios. El propósito de la presente revisión consistió en identificar los factores de incertidumbre presentes en los fenómenos naturales de inundación y las metodologías existentes para cuantificar dicha incertidumbre.
El siguiente paso consistió en localizar los estudios que pudieran aportar evidencias para lograr el objetivo propuesto. La búsqueda de artículos académicos se realizó por medio de las bases de datos Scopus® y
SCIENCE-DIRECT®. Para garantizar condiciones de validez de los resultados encontrados, la metodología del estudio contempló criterios de exclusión e inclusión de artículos. Se determinó consultar solamente artículos publicados en revistas o conferencias que contarán con un proceso de revisión a ciegas; adicionalmente, que dichas publicaciones fueran en inglés, ya que se asume que los métodos más recientes de estimación de incertidumbre son publicados en primera instancia en revistas internacionales en idioma inglés. Las palabras clave que sirvieron para establecer las ecuaciones booleanas de búsqueda fueron: “flood”, “risk” and “uncertainty”. Las ecuaciones de búsqueda arrojaron un total de 2.859 publicaciones en primera instancia.
Figura 1. Diagrama de flujo de selección de publicaciones
De la base de datos SCOPUS® fueron seleccionados preliminarmente 1.582 artículos, cuya publicación anual muestra un incremento pronunciado a partir del año 2000 (Figura 1).
Figura 1. Publicaciones anuales según Scopus®
Por su parte, de la base de datos Science-Direct® se seleccionaron 1.277. Luego, la búsqueda se acotó al período comprendido entre 1985-2016 y se seleccionaron aquellas publicaciones que pudieran ser
10
descargados para su análisis posterior. El resultado obtenido después de aplicar este criterio fue de 574 publicaciones disponibles. Por último, se filtraron las publicaciones que relacionaran factores de incertidumbre en inundaciones y las metodologías de cuantificación de dicha incertidumbre. Un total de 208 artículos conformó la muestra final del estudio.
3.1 Descripción de la muestra
La muestra final de 208 artículos se tabuló y codificó en una tabla Excel®, organizada en dos secciones: una primera sección recogió información sobre la publicación del artículo y una segunda sección sobre la evidencia que interesa al estudio (Figura 3).
Figura 3. Tabulación y codificación de la muestra
El aporte final de artículos por cada base de datos fue de 84% (174/208) a través de SCOPUS® y 16% (34/208) a través de SCIENCE DIRECT®. La composición de la muestra de acuerdo con el tipo de documento se puede apreciar en la Figura 4, donde el 87% de ellos corresponde a artículos de revistas.
Figura 4. Tipo de documento consultado
4. Factores de incertidumbre en inundaciones
Para el análisis e interpretación cualitativa de la
evidencia, se realizó un mapeo de estudios que permitió organizar y describir las investigaciones que han sido realizadas y reportar ciertas características comunes. Para el mapeo se codificó la información sobre el tipo de inundación, los factores asociados a la incertidumbre y los métodos de análisis de la misma que han sido propuestos. El procedimiento fue crear categorías, en lo posible mutuamente excluyentes, y reportar las frecuencias. Complementariamente, se realizó un análisis de contenido para sintetizar el significado de los documentos escritos. La muestra se caracterizó de acuerdo con el tipo de inundación, y dentro de los tipos más comunes, se encontró que la originada por ríos (fluvial) tiene el mayor número de publicaciones 45,2% (94/208) (Tabla 2).
Tabla 2. Número de publicaciones por tipo de inundación
Tipo de inundación No artículos %
Costero 20 9,6 Fluvial 94 45,2 Pluvial 32 15,4 Falla estructura hidráulica 33 15,9 General 57 27,4
Posteriormente, como resultado de la revisión sistemática la muestra se categorizó de acuerdo a los factores generadores de incertidumbre en el proceso de análisis, predicción o cálculo de inundaciones. Como resultado se encontró que los cinco factores más referenciados, en su orden de frecuencia, son: Cambio climático 16% (33/208), modelo de análisis empleado 12% (25/208), meteorología 8% (17/208), datos de entrada de los modelos 8% (16/208), y topografía 8% (16/208). Tres de estos factores hacen referencia a la incertidumbre basada en la información, o nivel de conocimiento, sobre el contexto del fenómeno de inundación (cambio climático, meteorología y topografía) y dos hacen referencia a la incertidumbre basada en el sistema de análisis del fenómeno (el tipo de modelo de análisis y los datos de entrada del modelo). Desde comienzos del año 2002 se empezaron a reportar estudios sobre el cambio climático y la meteorología; últimamente, se han comenzado a estudiar sistemas de geo-referenciación para representar las condiciones topográficas donde ocurre el fenómeno de estudio. Con respecto a los modelos y los datos, han comenzado a ser reportados desde hace cinco años (Figura 5).
Figura 5. Línea de tiempo de publicaciones sobre factores de
incertidumbre en inundaciones
4.1 Cambio climático
La incertidumbre en fenómenos de inundación puede ser generada por el desconocimiento o desacuerdo sobre el estado futuro del sistema climático, reflejada en errores de datos, conceptos o términos ambiguos, o también en estimaciones inciertas de conductas humanas [15]. El cambio climático es definido como la variabilidad del estado medio del clima durante prolongados periodos de tiempo, generalmente períodos de diez años. Esta variabilidad puede ser producto de los cambios en la composición de la atmósfera o del uso de la tierra. Cuando se refiere cambio climático se indica una alteración de la composición atmosférica como consecuencia de las actividades humanas. Cuando se refiere variabilidad climática, se indica una alteración de la composición de la atmósfera, pero como consecuencia de causas naturales [15]. Integrar la información sobre el cambio climático a otras metodologías de análisis de inundaciones ha permitido conocer con mayor detalle los impactos en zonas urbanas para ser mitigados y evaluar el riesgo de una mejor manera [16].
4.2 Elección del modelo
En general, la incertidumbre surge en la medida de la capacidad de representación de la realidad del modelo matemático, estadístico o probabilístico, y de los datos utilizados para desarrollar o calibrar dichos modelos. Esta, debe caracterizarse y estudiarse desde el enfoque de análisis y gestión del riesgo, con el fin de permitir
11
tomar decisiones mejor informadas. Los modelos son ampliamente utilizados para simular eventos de inundación y determinar distribuciones de probabilidad de ciertas variables, que permitan evaluar daños, planificar acciones de mitigación y diseñar obras de ingeniería como resultado de acciones de prevención de ingeniería [17]. Aunque los métodos y modelos de simulación de la incertidumbre en eventos de inundación han sido ampliamente desarrollados y estudiados para el manejo y respuestas óptimas en prevención de riesgos, todavía no existe un marco metodológico general, estandarizado y práctico, aplicable a todos los sistemas y a todos los contextos. Esto se debe principalmente a diversas complejidades del modelo, tales como diferentes objetivos a resolver, diferentes criterios y parámetros a considerar, condiciones locales del sistema a modelar, variabilidad en los resultados, así como el nivel de incertidumbre inevitable en el sistema. Esto, dificulta en gran medida la elección de un modelo que favorezca el caso de estudio que se realiza.
El modelado de la probabilidad de inundación es un problema complejo que requiere la consideración de aspectos hidrológicos, físicos y de comportamiento del fenómeno. Los aspectos hidrológicos determinan la frecuencia de las inundaciones y las profundidades de inundación asociadas. Los aspectos físicos de la zona de influencia definen la vulnerabilidad de la zona en función de las condiciones estructurales de sus edificaciones, y se representa mediante una función que asocia la relación de pérdida condicional o la razón de daño con la inundación. Por último, los factores de comportamiento del fenómeno dependen de la frecuencia de las inundaciones históricas, la percepción del público y las actitudes individuales o la experiencia con respecto al riesgo de inundación [18].
4.3 Meteorología
La Meteorología es la ciencia que estudia la atmósfera,
sus propiedades y los fenómenos que en ella tienen lugar. El estudio de la atmósfera se ciñe al conocimiento del comportamiento en un marco espacial y temporal de variables meteorológicas como la temperatura, la presión atmosférica o la humedad [19]. La incertidumbre en este caso está asociada a la capacidad de predicción de los riesgos meteorológicos, que depende, además de aspectos técnicos como la capacidad computacional de los sistemas disponibles, del nivel de representación del comportamiento caótico de la atmósfera. La atmósfera es un sistema caótico, enmarcado en un contexto completamente aleatorio, donde nuestro actual conocimiento limita nuestra capacidad para establecer con absoluta precisión los diferentes estados que puede presentar. El principal reto de la predicción numérica no es predecir el tiempo cada vez con un mayor horizonte, sino ganar precisión en los pronósticos a muy corto, corto y medio plazo, donde queda aún un amplio margen de mejora [20].
4.4 Datos de entrada
Adicional a la elección del modelo como factor de
incertidumbre para estudiar un fenómeno, existe la incertidumbre generada por los datos que se utilizan el
dicho modelo. Existen dos tipos de incertidumbres asociadas a los datos: la relacionada con la generación de datos y la que hace referencia con el procesamiento de datos [21]. La incertidumbre relacionada con la generación de datos se debe a ruidos aleatorios, o información no pertinente, que aparece durante las mediciones. Esta incertidumbre se debe a errores de medición cometidos por el uso indebido de los instrumentos de medición y/o errores humanos. La incertidumbre relacionada con el procesamiento de datos proviene de las limitaciones inherentes de los modelos hidrológicos empleados, cuando se emplean parámetros o indicadores no apropiados [21].
4.5 Topografía
Otro de los factores de incertidumbre en los
fenómenos hidrológicos de inundaciones es la topografía. El factor más crítico que representar en un modelo hidráulico es la topografía de los cauces de los ríos y las llanuras inundables, que pueden influir tanto en el sistema hidráulico de las inundaciones como en la extensión superficial resultante de la inundación simulada [22]. El bajo relieve de las llanuras inundables de los ríos influye en la delimitación de la zona inundada, ya que los errores en los resultados hidráulicos pueden producir grandes diferencias en la delimitación de la zona [23]. Adicionalmente, la topografía utilizada en el modelado hidráulico está condicionada por la disponibilidad o economía de los datos [24, 25]. Por ello es importante contar con los avances de la tecnología y considerar el uso de modelos topográficos digitales (DTM).
5. El cambio climático y los modelos
Adicionalmente a la identificación y descripción de los cinco factores de mayor frecuencia de publicación en los últimos 15 años, esta revisión adelantó un análisis sobre los modelos empleados para estudiar el cambio climático, siendo el factor de mayor frecuencia de publicaciones.
Las publicaciones que reportan investigación sobre el cambio climático fueron obtenidas en un 75,7% de Scopus® y en un 24,2% de Science-Direct®. El cambio climático ha sido estudiado de manera conjunta con los diferentes modelos de análisis de incertidumbre y/o predicción de inundaciones. Desde los años 2003 se encuentran publicaciones que tratan el tema climático de manera conjunta con los modelos climáticos globales (GCMs por sus siglas en inglés) y los de mantenimiento centrado en confiabilidad (RCM, por sus siglas en inglés), siendo estos los modelos donde se ha analizado la incertidumbre generada por cambio climático con mayor frecuencia.
Figura 6. Línea de tiempo metodologías de reducción de la
incertidumbre del cambio climático
12
En los últimos tres años han aparecido publicaciones que tratan de manera conjunta el cambio climático y los modelos Monte Carlo, para analizar la incertidumbre de la predicción generada este factor (Figura 6). Las propuestas de estos modelos sobre el tratamiento del cambio climático están sujetas a controversia, ya que algunos autores las aprueban [26, 27], mientras otros autores, las critican, aduciendo que el efecto de
incertidumbre se aumenta con estos, en vez de disminuir [28, 29,30, 31]. Por ejemplo, el método GCM es muy utilizado para reducir la incertidumbre del cambio climático, a pesar de que este método termina por agregar más incertidumbre a la ya existente. La Tabla 4 muestra los autores que han escrito sobre el cambio climático y los tres modelos enunciados.
Tabla 4. Publicaciones referentes al factor de cambio climático y métodos de predicción
Metodología aplicada No publicaciones Autores
Modelos climáticos globales (GCM) 8 [ 32, 33, 34, 31, 35, 30, 27, 36]
Mantenimiento centrado en confiabilidad (RCM) 7 [26, 27,36, 29, 31, 35, 30]
Monte Carlo 2 [37, 38]
6. Metodologías de análisis de incertidumbre en inundaciones
La muestra también se caracterizó de acuerdo con la
metodología de análisis y/o estimación de la incertidumbre y se encontró que los métodos de análisis publicados con mayor frecuencia son: Monte Carlo, método Bayesiano, método estimación de incertidumbre de verosimilitud generalizada (GLUE por sus siglas en inglés), LiDAR y modelos digitales de elevación topográfica (DEM por sus siglas en inglés). De las 208 publicaciones de la muestra, el 33% (68/208) han hecho referencia al método Monte Carlo, el 15% (31/208) a métodos Bayesianos, el 11% (22/208) al método LIDAR y el 9% (19/208) al método GLUE. Cabe resaltar que se contabilizaron aquellas publicaciones que hablaran de cada metodología de manera individual o de manera conjunta con otras metodologías. Según las bases de datos consultadas, Scopus® y Science-Direct®, se encontró que, desde hace más de diez años, desde el 2003, se viene publicando sobre los modelos Bayesianos; sobre los métodos GLUE y Monte Carlo se viene publicando desde el año 2004 hasta la fecha; y finalmente, sobre el método DEM desde los últimos cinco años, ya que ha sido uno de los métodos más recientes (Figura 7).
Figura 7. Línea temporal de publicación de métodos de
análisis de incertidumbre en inundaciones 6.1 Método Montecarlo
El método de Monte Carlo es un método numérico que
permite resolver problemas mediante la simulación de variables aleatorias, determinando la distribución de probabilidad de los resultados simulados. Este método reconstruye mediante un algoritmo una prueba aleatoria. Una vez realiza la prueba, el algoritmo se repite N veces, de modo que cada experimento o prueba sea independiente de los restantes, y se calcula la media de los resultados de todos los experimentos. El error es
proporcional al tamaño de la muestra simulada, estimada por D/N, donde D es una constante y N es el número de pruebas. Para obtener las variables aleatorias se utilizan número aleatorios, los cuales pueden ser obtenidos mediante tres posibles procedimientos: tablas de números aleatorios, generadores de número aleatorios y el método de números pseudo-aleatorios [39]. El método Monte Carlo analiza la incertidumbre desde el punto de vista del modelo y los datos utilizados.
6.2 Modelo Bayesiano
Los métodos bayesianos son métodos que se derivan
de los principios de la interferencia bayesiana. Estos se desarrollan en tres etapas: a) especificación preliminar de un modelo de probabilidad que incluya algún tipo de conocimiento previo sobre los parámetros requeridos; b) actualización del conocimiento sobre los parámetros desconocidos, condicionando este modelo de probabilidad a los datos observados; y c) evaluación y ajuste del modelo, complementando con un análisis de sensibilidad de las conclusiones, con base en las variaciones de los supuestos del modelo [40]. El método Bayesiano, al igual que el método Monte Carlo, analiza la incertidumbre desde el punto de vista del modelo y los datos empleados.
6.3 LIDAR El sistema LIDAR es un método de obtención de datos
que permite producir modelos digitales del terreno (DEM), logrando mayor precisión de lo observado, integrando tres tecnologías: a) Laser, b) sistemas de posicionamiento global (GPS por sus siglas en inglés) y c) sistema de navegación inercial (INS por sus siglas en inglés). Las limitaciones de exactitud que se pudieren referenciar al método LIDAR son debidas fundamentalmente al GPS y al INS. Este sistema puede ser utilizado para proporcionar datos topográficos y datos hidrográficos [41]. El método LIDAR analiza la incertidumbre desde el punto de vista de los datos o la información requerida por los modelos.
6.4 GLUE
El método GLUE es una técnica de modelado
estocástico para evaluar la distribución de probabilidad de ciertas variables, como por ejemplo la profundidad de la lámina de agua, o la tasa de inundación. GLUE estima la incertidumbre basado en el concepto de verosimilitud
13
generalizada; GLUE evalúa un modelo de acuerdo con el grado de verosimilitud de ciertos parámetros, usando los métodos Monte Carlo y Bayesianos [17]. Para aplicar la metodología GLUE se requiere inicialmente decidir cuáles parámetros del modelo serán fijos y cuáles variables; adicionalmente se requiere definir los rangos admisibles de error observacional, los criterios de verosimilitud, y los tratamientos del error en las condiciones de entrada y frontera. Estudios previos sugieren que esta elección conduce a claras diferencias en las probabilidades de inundación [42, 43]. Esta serie de decisiones sobre parámetros y criterios configuran cierta limitación, al igual que los procedimientos de computación, especialmente cuando se tiene gran cantidad de parámetros y condiciones, junto con estructuras de modelado múltiples. Esto puede ser evitado, adoptando modelos conceptuales simplificados y/o emulaciones del modelo [44-46]. El método GLUE trata la incertidumbre desde el punto de vista del modelo.
6.5 DEM
El sistema DEM es un modelo digital del terreno o
superficie; es una herramienta computacional utilizada como representación visual de las formas del relieve y su altura relativa, que ha resultado muy útil para estudiar los aspectos relacionados con la topografía de un área geográfica. Los modelos DEM se están convirtiendo en herramientas fundamentales en la planificación del uso de la tierra, gestión de inundaciones y evaluación de riesgo [47]. El procesamiento de la información de los modelos DEM requiere de una interfaz o sistema geo-referenciado (SIG) para crear un TIN, una estructura de datos se compuesta de un conjunto de triángulos irregulares adosados y que suele identificarse por su denominación inglesa: triangulated irregular network, lo que facilita el desarrollo de los mapas de riesgo [48]. SIG y DEM se utilizan para la simulación hidráulica del área de estudio, la definición de los tramos del río, la caracterización dimensional y posicional de sus secciones transversales, y las ubicaciones de los bancos y zonas de inundación [49]. El método DEM analiza la incertidumbre desde el punto de vista de los datos o la información requerida por los modelos.
8. Evolución de la metodología Monte Carlo
Adicionalmente al mapeo de los métodos de análisis de incertidumbre, y a la descripción de los cinco métodos de mayor frecuencia de publicación en los últimos 15 años, se realizó una crítica entre los estudios que soportaban similitudes bajo la misma característica del método, donde se establecieron relaciones entre los detalles de los estudios encontrados.
En nuestro caso, se analizaron las publicaciones que hacían referencia a la metodología Monte Carlo y se encontraron 68 publicaciones. La presente revisión sistemática encontró que existen variaciones de este método. Las cadenas de Markov (MCMC) es una de las variaciones del método Monte Carlo con mayor frecuencia de publicaciones. De los 68 artículos, se encontraron 14 (21%), que trataban el método MCMC. Otras variaciones y adaptaciones de Monte Carlo se
encontraron con poca frecuencia de publicación, como los casos siguientes: Modelo Monte Carlo con optimización multi-objetivo (MCS-MOO, por sus siglas en inglés) [50]; Monte Carlo con rango del cuartil superior (MCS-UQR) [51]; Monte Carlo y cadenas de Markov con método adaptativo de metrópolis (AM-MCMC) [52]; técnica de ordenamiento de preferencia por similaridad en la solución ideal (TOPSIS) [53]; Dempsher- Shafer basado en Monte Carlo [54] ; Monte Carlo con simulación posibilista difusa (MC-FPS) [55]; análisis global de incertidumbre (GUA) [56]. La línea de tiempo de la Figura 8 nos muestra que las publicaciones relacionadas con la metodología Monte Carlo se iniciaron desde el año 2007, y que durante los últimos 5 años las publicaciones han comenzado a abordar el tema de las cadenas de Markov, según la información consultada en las bases de datos Scopus® y Science-Direct®.
Figura 8. Línea temporal de la evolución del método de Monte
Carlo El método MCMC es una técnica bayesiana que trabaja
generando valores y distribuciones de probabilidad y decide su aplicación de acuerdo con reglas de aceptación designada. Tres publicaciones relacionaron el método con la aplicación a modelos hidrológicos [57-59]. Otras tres publicaciones relacionaron el método con la incertidumbre en general [58-60]. Adicionalmente se encontró que cuatro publicaciones hicieron referencia a la descripción del método y las características de los datos de entrada [61-64] (Tabla 6).
Tabla 6. Publicaciones referentes al método Monte Carlo de Markov (MCMC)
Aplicación del método No. Autores
Modelos Hidrológicos 3 [57-58]
Incertidumbre en General 3 [58-60]
Datos de Entrada 2 [61, 62]
Descripción del método 2 [64, 63]
El método MCMC comparado con el método Monte
Carlo (MCS) presenta algunas similitudes y diferencias. Entre las similitudes, y lo que puede ser una desventaja para algunos autores, es que estos métodos requieren de una gran capacidad computacional para generar las simulaciones ya que requieren en el orden de las 10.000 simulaciones [65-68]. Entre las diferencias está en que el método Monte Carlo, a diferencia de las cadenas de Markov, la distribución de probabilidad no está ligada al evento anterior inmediato; en este caso la probabilidad sigue una distribución seleccionada por quien realice la simulación. Las cadenas de Márkov se pueden dividir en homogéneas y no homogéneas, siendo las primeras las que sus cambios no están ligados con el tiempo. El método de Monte Carlo, para los casos de predicción espacial de las lluvias extremas, demostró ser un método eficiente y confiable para estimar la distribución de probabilidad de los daños por inundación. Sin embargo, las incertidumbres espaciales no pueden ser manejadas
14
fácilmente a través de la tarea MCS, debido a la estructura de dependencia de las lluvias inundables en diferentes partes de las cuencas hidrográficas [69]. Por su parte, utilizando el método MCMC se demostró que es un método práctico para los análisis de frecuencia [57,58].
9. Conclusiones
Con base en las 208 publicaciones que trataron los
temas de riesgo, incertidumbre e inundaciones, donde el 87% fueron publicaciones académicas sometidas a un proceso de revisión a ciegas, se llegaron a varias conclusiones. Estas conclusiones ayudan a entender como son abordados la incertidumbre y el riesgo por las disciplinas que estudian el fenómeno de inundaciones. El 45% (94/208) de las publicaciones seleccionadas para la revisión sistemática, constituyó la fuente de información para el presente análisis.
Sobre los factores generadores de incertidumbre más referenciados en las publicaciones, se encontró que los cinco (5) factores organizados en orden descendente fueron: el cambio climático, el modelo de análisis de la inundación, la meteorología, los datos usados en los modelos, y la topografía. Se pudo evidenciar que tres de ellos son relacionados con el contexto del fenómeno (cambio climático, meteorología y topografía) y su vínculo con la incertidumbre asociada a las inundaciones, en la medida del nivel de información o conocimiento que se tiene de estos factores en la zona de inundación. Los otros dos factores (modelo y datos) tienen relación con el arquetipo utilizado para analizar y reproducir artificialmente el fenómeno en estudio, y su relación con la incertidumbre se determina por la capacidad de representar la totalidad de la realidad observada.
Sobre los métodos de estimación y análisis de incertidumbre, se encontró que los cinco (5) métodos organizados en orden descendente fueron: Monte Carlo, método Bayesiano, GLUE, LIDAR y DEM. Los métodos Monte Carlo y Bayesiano analizan y estiman la incertidumbre desde el punto de vista del modelo y los datos empleados. El método GLUE trata la incertidumbre desde el punto de vista del modelo. Finalmente, los métodos LIDAR y DEM analizan la incertidumbre desde la información requerida por los modelos.
Actualmente el método Monte Carlo y sus adaptaciones son los métodos más utilizados para el análisis de la incertidumbre representada en los modelos de inundación y prevención del riesgo. LIDAR es un modelo digital para representar el relieve natural, muy empleado para realizar mediciones topográficas, reduciendo la incertidumbre generada por las condiciones topográficas de la zona de análisis. LIDAR hace un escaneo consistente, sin dejar zona por representar o visualizar, generando mayor exactitud en el levantamiento del relieve, que los que permiten los levantamientos topográficos tradicionales. Finalmente, el método GLUE es un método de simulación exigente en términos de tecnología computacional, ya que requiere decenas de miles de simulaciones para obtener resultados fiables.
Se sabe que el análisis y la estimación de la incertidumbre son importantes en el estudio de los
riesgos. La variabilidad y la incertidumbre afectan a los datos y al modelo que los utiliza. La presente revisión nos permitió reconocer la importancia de la naturaleza de la variabilidad a través de la heterogeneidad de los datos, como también, la importancia de la verdadera incertidumbre debida a la falta de conocimiento preciso del fenómeno, entendida como error en especificación del modelo. Es decir, se debe aprender a diferenciar entre la verdadera incertidumbre del modelo y la variabilidad inherente a los datos.
Referencias [1] Campos, G. et al. (2012). Análisis de la gestión del riesgo
de desastres en Colombia: un aporte para la construcción de políticas públicas. Online [May 2017].
[2] BID-CEPAL (2012). Valoración de daños y pérdidas ola invernal en Colombia (2010-2011). Online [May 2017].
[3] Desinventar. Inventario histórico nacional de perdidas, base de datos. Online [May 2017].
[4] ONU (2009). Estrategia Internacional para la Reducción de Desastres de las Naciones Unidas (UNISDR). Online [May 2017].
[5] Congreso de Colombia (1988). Ley N° 46 de1988. [6] Congreso de Colombia (2012). Ley 1523. [7] UNESCO (2012). International glossary of hydrology. [8] CENAPRED (2014). Inundaciones. Online [Feb 2017]. [9] Beven, K. (2008). Environmental modelling: an uncertain
future? London: Routledge. [10] Harvey, H., Hall, J. & Peppé, R. (2012). Computational
decision analysis for flood risk management in an uncertain future. Journal of Hydroinformatics 14(3), pp. 537-561.
[11] Ministerio de Industria, Energía y Turismo (2012). Vocabulario Internacional de Metrología Conceptos fundamentales y generales, y términos asociados. España.
[12] Borrego, M., Foster, M. & Froyd, J. (2014). Systematic Literature Reviews in Engineering Education and Other Developing Interdisciplinary Fields. Journal of Engineering Education 103, pp. 45–76.
[13] Cooper, H. (2009). The handbook of research synthesis and meta-analysis: 2nd edition. New York: Sage.
[14] Sánchez, M. & Julio. (2010). Cómo realizar una revisión sistemática y un meta-análisis. Aula Abierta 38(2), pp. 53-64.
[15] Instituto de Patrimonio y Cultura de Cartagena de Indias (2001). Glosario de términos.
[16] Ghbn, N. (2016). Dynamic Modeling for Municipal Climate Change Adaptive Measures and Integrated Watershed Management. World Environmental And Water Resources Congress.
[17] Yu, J., Qin, X. & Larsen, O. (2015). Uncertainty analysis of flood modelling using GLUE with surrogate models in stochastic sampling. Hydrological Processes 29(6), pp. 1267–1279.
[18] Peiris, N., Gatey, D. & Hill, M. (2014). Development of a Framework to Model Flood Loss Uncertainty. Second International Conference on Vulnerability and Risk Analysis and Management.
[19] FECYT (2004). Meteorología y Climatología. España: Fecyt.
[20] Viñas, J. Origen y desarrollos actuales de la predicción. Encuentros multidisciplinares (pp. 14-21).
[21] Tang. Q. et al. (2016). Hydrological monitoring and seasonal forecasting Progress and perspectives. Journal of Geographical Sciences 26(7), pp. 904-920.
[22] Horritt, M. & Bates, P. (2001). Predicting floodplain inundation: raster-based modelling versus the finite element approach. Hydrological processes 15, pp. 825-842.
15
[23] Bates, P. & De Roo, A. (2000). A simple raster-based model for floodplain inundation. Journal of Hydrology 236(1-2), pp. 54-77.
[24] Cobby, D. & Mason, D. (1999). Image processing of airborne scanning laser altimetry for improved river flood modeling. Journal of Photogrammetry and Remote Sensing 52(2), pp. 121-138.
[25] Gomes, L. & Wicherson, R. (1999). Suitability of laser data for deriving geographical information: a case study in the context of management of fluvial zones. Journal of Photogram. and Remote Sensing 54(2-3), pp. 105-114.
[26] Thoeun, H. (2015). Observed and projected changes in temperature and rainfall in Cambodia. Weather and Climate Extremes 7, pp. 61-71.
[27] Rana, A. et al. (2014). Impact of climate Change on rainfall over Mumbai using Distribution- Based Scaling of Global Climate Model projections. International Journal of Climatology 1, pp. 107-128.
[28] Qin, X. & Lu, Y. (2014). Study of Climate Change impact on Flood frequencies: A Combined Weather Generator and Hydrological Modeling Approach. Journal of Hydrometeorology 15(3), pp. 1205-1219.
[29] Lee, M. & Bae, D. (2016). Uncertainty assessment of future high and low flow projections according to climate downscaling and hydrological models. Procedia Engineering 154, pp. 617-623.
[30] Prudhomme, C., Jakob, D. & Svensson, C. (2003). Uncertainty and climate change impact on flood regime of small UK catchments. Journal of Hydrology 277(1-2), pp. 1-23.
[31] Lung, T. et al. (2013). Assessing the influence of climate model uncertainty on EU-wide climate change impact indicator. Climatic Change 120(1-2), pp. 211-227.
[32] Sattar, A. & Raslan, Y. (2014). Predicting morphological changes DS New Naga- Hammadi Barrage for extreme Nile flood flows: A Monte Carlo Analysis. Journal of Advanced Research.
[33] Musau, J., Sang, J., Gathenya, J. & Luedeling. E. (2015). Hydrological responses to climate change in Mt. Elgon Watersheds. Journal of Hydrology: Regional Studies.
[34] Kollat, J., Kasprzyk, J., Wilbert, T., Miller, A. & Divoky, D. (2012). Estimating the impacts of Climate Change and Population Growth on Flood Discharges in the United States. Journal of Water Resources Planning and Management 5(1), pp. 97-107.
[35] Smith, I. & McAlpine, A. (2014). Estimating future Changes in flood risk: Case study of the Brisbane River, Australia. Climate Risk Management 6, pp. 6-17.
[36] Dastagir, M. (2015). Modeling recent climate change induced extreme events in Bangladesh: A Review. Weather and Climate Extremes 7, pp. 49-60.
[37] Rehan, B. & Hall, J. (2016). Uncertainty and sensitivity analysis of flood risk management decisions based on stationary and nostationary model choices. E3S Web of Conferences.
[38] Serinaldi, F. & Kilsby, C. (2015). Upper tail dependence in rainfall extremes: would we Know it if we saw it. Stochastic Environmental Research and Risk Assessment 29(4), pp. 1211-1233.
[39] Sobol, F. (1976) Método de Monte Carlo. Moscú: MIR. [40] Marín. J. Introducción a la Estadística Bayesiana. Online
[May 2017]. [41] Escuela de Agrimensura (2003) EL Sistema Lidar. Online
[Feb 2017]. [42] Blazkova, S. & Beven. (2009). Uncertainty in flood
estimation. Structure and Infrastructure Engineering: Maintenance, Management, Life- Cycle Design and Performance 5, pp. 325-332.
[43] Stephens, E. & Bates, P. (2015). Assessing the reliability of probabilistic flood inundation model predictions. Hydrol. Process 29(19), pp. 4264–4283.
[44] Keating, E. et al. (2010). Optimization and uncertainty assessment of strongly nonlinear groundwater models with high parameter dimensionality. Water Resour. 46(10), pp. 1-15.
[45] Doherty, J. & Christensen, S. (2011). Use of paired simple and complex models to reduce predictive bias and quantify uncertainty. Water Resour. 47(12), pp. 1-8.
[46] Asher, M., Croke, B., Jakeman, A. & Peeters, L. (2015). A review of surrogate models and their application to groundwater modelling. Water Resour.
[47] Camargo, E., Andrades, J. & Oswaldo, R. (2013). Evaluación de mde para la estimación de volúmenes por procesos de erosión aplicando análisis de autocorrelación espacial en una cuenca de los andes venezolanos caso de estudio: microcuenca torrencial la machiri. Colombia Forestal, 17(1), 40-59.
[48] Rifaat, A. et al. (2014). A GIS-supported fuzzy-set approach for flood risk assessment. Canadian Water Resources Journal 39(1), pp. 3-14.
[49] Salvatore, M. et al. (2014). Flood-Prone Areas Assessment Using Linear Binary Classifiers based on Morphological Indices. 2nd Intern. Conference on Vulnerability and Risk Analysis and Management.
[50] Duan, H., Li, F. & Tao, T. (2016). Multi- objective Optimal Design of Detention Thanks in the Urban Stormwater Drainage System: Uncertainty and Sensitivity Analysis. Water Resources Management 30(7), pp. 2213–2226.
[51] Yoon, S., Kim, J. & Moon, Y. (2016). Urban stream overflow propability in a changing climate: Case study of the Seoul Uicheon Basin, Korea. Journal of Hydro-Environment Research 13, pp. 52-65.
[52] Xing, Z. et al. (2011). Nash Model Parameter Uncertainty Analysis by AM- MCMC Based on BFS and Probabilistic Flood Forecasting. Chinese Geographical Science 21(1), pp. 74-83.
[53] Song, J. & Chung, E. (2016). Robustness, Uncertainty and Sensitivity Analyses of the TOPSIS Method for Quantitative Climate Change Vulnerability: A Case Study of Flood Damage. Water Resources Management 30(3), pp. 4751–4771.
[54] Pedroni, N. et al. (2013). Hierarchical propagation of probabilistic and non-probabilistic uncertainty in the parameters of a risk model. Computers and Structures 126, pp. 199-213.
[55] Yu, J., Qin, X. & Larsen, O. (2013). Joint Monte Carlo and possibilistic simulation for flood damage assessment. Stochastic Environmental Research and Risk Assessment 27(3), pp. 725-735.
[56] Delenne, C., Cappelaere, B. & Guinot, V. (2012). Uncertainty analysis of river flooding and dam failure using local sensitivity computations. Reliability Engineering and System Safety 107, pp. 171-183.
[57] Silva, T. et al. (2017). A Bayesian peaks-over- threshold analysis of floods in the Itajaí acu River under stationarity and nonstationarity. Stochastic Environmental Research and Risk Assessment 47(3), pp. 469-505.
[58] Liu, P., Lin, K. & Wei, X. (2014). A two- stage method of quantitative flood risk analysis for reservoir real-time operation using ensemble-based hydrologic forecasts. Stochastic Environmental Research and Risk Assessment 29, pp. 803-813.
[59] Chen, H. & Wang, S. (2013). Research on flood risk assessment model at regional scale. Proceedings 4th International Conference.
[60] Chen, H. & Wang, S. (2013). Progress in flood risk assessment at regional scale. Proceedings 4th International Conference.
[61] Yang, Q. et al. (2015). Predicting Multiple Functions of Sustainable Flood Retention Basins under uncertainty via Multi-Instance Multi-Label Learning. Water 7(4), pp. 1359-1377.
16
[62] Alipour, M. (2014). Risk- Informed Decision-making Framework for Operating a Multi- Purpose Hydropower Reservoir During Flooding and High Inflow Events, Case Study: Cheakamus River System. Water Resources Management 29(3), pp. 801-815.
[63] Leith, N. & Chandler, R. (2010). A Framework for interpreting climate model outputs. Journal of the Royal Statistical Society. Series C: Applied Statistics.
[64] Williams, D. & Stedinger, J. (2011). Practical Applications of Risk and Uncertainty Theory in Water Resources: Shortcut Taken and Their Possible Effects. World Environmental and Water Resources Congress.
[65] Behrouz, M. & Alimohammadi, S. (2016). Risk- Based Design of Flood Control Systems Considering Multiple Dependent Uncertainties. Water Resources Management
30(13), pp. 4529–4558. [66] Williams, D. & Stedinger, J. (2011). Practical Applications
of Risk and Uncertainty Theory in Water Resources: Shortcut Taken and Their Possible Effects. World Environmental and Water Resources Congress.
[67] Chimeh, T. et al. (2015). Uncertainty analysis for extreme floods events in a semi- arid region. Natural Hazards 78(3), pp. 1947–1960.
[68] Mirzaei, M. et al. (2015). Uncertainty analysis for extreme floods events in a semi- arid region. Natural Hazards 78(3), pp. 1947–1960.
[69] Yazdi, J., & Neyshabouri, S. (2014). Identifying low impact development strategies for flood mitigation using a fuzzy-probabilistic aprroach. Water Resources Management 60, pp. 31-44.