A Parsimonious Approach to Critical Point Detection in Steep Rivers

Abstract

Denne studien tar for seg de økende utfordringene knyttet til flom i Norge, som forsterkes både av klimaendringer og urbanisering. Selv om det allerede finnes presise metoder for flomkartlegging, evner ingen av dem å analysere bratte nedbørsfelt med tilstrekkelig presisjon, helt automatisk. Som en del av forskningsprosjektet Trygg elv, introduserer denne oppgaven en ny metode for å detektere kritiske punkt i bratte elver ved bruk av tverrsnittdata kombinert med verdier fra maskinlæring, ved navn Critical Point Detector. Dette verktøyet er skrevet i Python og bruker geoprosesseringsverktøyene i ArcGIS Pro som grunnlag for romlige analyser. Som del av denne studien, har forskjellige modellparametere blitt testet og sammenlignet til utvikling og optimalisering av den endelige modellen. Resultatene fra den optimaliserte modellen lyktes i å detektere kritiske punkter med tilfredsstillende presisjon, samtidig som den opprettholdt et akseptabelt nivå av kompleksitet.

This study addresses the escalating challenges posed by flash floods in Norway, which are intensified by both climate change and urbanization. While accurate flood inundation mapping methods already exist, none currently offer sufficient accuracy coupled with the capability to automatically analyze steep river catchments. As part of the Safe River research project, this thesis introduces a novel method for detecting critical points in steep river catchments using cross-sectional data combined with machine learning outputs, termed the Critical Point Detector. This tool is developed in Python and utilizes the geoprocessing capabilities of ArcGIS Pro for spatial operations. Throughout this research, various model parameters were tested and compared to refine and optimize the final model. The results from the optimized model successfully detected critical points with satisfactory precision, while maintaining a manageable level of complexity.