a1111111111
a1111111111
a1111111111
AKSES TERBUKA
Kutipan: Khaing ZM, Zhang K, Sawano H, Shrestha BB, Sayama T, Nakamura K (2019) Pemetaan dan
penilaian bahaya banjir di daerah Nyaungdon yang langka data, Myanmar. PLoS ONE 14 (11): e0224558.
https://doi.org/10.1371/journal. pone.0224558
Editor: Guy JP. Schumann, Universitas Bristol / Remote Sensing Solutions Inc., AMERIKA SERIKAT
Hak Cipta: © 2019 Khaing et al. Ini adalah artikel akses terbuka yang didistribusikan di bawah
persyaratan Lisensi Atribusi Creative Commons, yang mengizinkan penggunaan, distribusi, dan
reproduksi tidak terbatas dalam media apa pun, dengan mencantumkan nama penulis dan sumber
aslinya.
Pernyataan Ketersediaan Data: Semua data yang relevan ada di dalam kertas dan file informasi
pendukung. File informasi pendukung meliputi data aliran sungai yang diamati, permukaan sungai, dan
data curah hujan rata-rata wilayah sungai, data penampang sungai, shapefile untuk penelitian ini, dan
citra satelit ALOS-2 / PALSAR-2. Tautan unduhan untuk semua data lainnya telah disediakan dalam Tabel
1 manuskrip. Data tersebut merupakan data topografi 15 busur detik (https: //
hydrosheds.cr.usgs.gov/datadownload.php? reqdata = 15demg), peta tutupan lahan 2008 (https: //
github.com/globalmaps/gm_lc_v3), data jenis tanah
ARTIKEL PENELITIAN
Pemetaan dan penilaian bahaya banjir di daerah Nyaungdon yang langka, Myanmar
Zaw Myo Khaing1,2,3, Ke ZhangID1,2*, Hisaya Sawano4, Badri Bhakra Shrestha5, Takahiro Sayama5,
Kazuhiro Nakamura6
1 Laboratorium Utama Negara Hidrologi-Sumber Daya Air dan Teknik Hidraulik dan Sekolah Tinggi
Hidrologi dan Sumber Daya Air, Universitas Hohai, Nanjing, Provinsi Jiangsu, Cina, 2 Laboratorium
Bersama CMA-HHU untuk Studi HidroMeteorologi, Universitas Hohai, Nanjing, Provinsi Jiangsu, Cina, 3
Departemen Meteorologi dan Hidrologi, Kementerian Transportasi dan Komunikasi, Nay Pyi Taw,
Myanmar, 4 Pusat Internasional untuk Manajemen Bahaya dan Risiko Air, Tsukuba-shi, Ibaraki-Ken,
Jepang, 5 Institut Penelitian Pencegahan Bencana, Universitas Kyoto, Gokasho, Uji, Kyoto, Jepang, 6
Institut Teknik Konstruksi, Chuo-Ku, Tokyo, Jepang
* kzhang@hhu.edu.cn
Abstrak
Curah hujan yang deras dan berkepanjangan sering kali menyebabkan banjir berkepanjangan di daerah
dataran dan dataran rendah di Daerah Nyaungdon Myanmar yang langka data, menimbulkan ancaman
besar bagi masyarakat lokal dan mata pencaharian mereka. Karena pengamatan dan survei hidrologi
historis tentang dampak banjir sangat terbatas, penilaian dan pemetaan bahaya banjir masih kurang di
wilayah ini, sehingga sulit untuk merancang dan menerapkan langkah-langkah perlindungan banjir yang
efektif. Studi ini terutama berfokus pada evaluasi kapabilitas predikatif dari model 2D coupled
hydrology-inunda tion, yaitu model Rainfall-Runoff-Inundation (RRI), menggunakan observasi darat dan
penginderaan jauh satelit, serta menerapkan model RRI untuk menghasilkan peta rawan banjir. untuk
penilaian bahaya di Nyaungdon Area. Topografi, tutupan lahan, dan curah hujan digunakan untuk
menggerakkan model RRI untuk mensimulasikan tingkat spasial banjir. Citra satelit dari Mod erate
Resolution Imaging Spectroradiometer (MODIS) dan tipe Array Bertahap L-band Synthetic Aperture
Radar-2 onboard Advanced Land Observing Satellite-2 (ALOS-2 ALOS 2 / PALSAR-2) digunakan untuk
memvalidasi potensi genangan yang dimodelkan daerah. Validasi model melalui perbandingan dengan
pengamatan aliran sungai dan citra genangan satelit menunjukkan bahwa model RRI secara realistis
dapat menangkap proses aliran (R2 � 0,87; NSE � 0,60) dan daerah genangan terkait (indeks
keberhasilan � 0,66) dari peristiwa sejarah ekstrim. Peta bahaya banjir yang dihasilkan dengan jelas
menyoroti daerah-daerah dengan tingkat risiko tinggi dan menyediakan alat yang berharga untuk desain
dan implementasi pengendalian banjir dan tindakan mitigasi di masa depan.
Pendahuluan
Karena perkembangan sosioekonomi yang cepat dan aktivitas antropogenik yang semakin intensif
seiring dengan perubahan iklim, hilangnya nyawa manusia dan harta benda akibat banjir meningkat di
banyak negara Asia dalam beberapa dekade terakhir [1-4]. Hujan deras akibat
Pendanaan: Studi ini didukung oleh National Key Research and Development Program of China
(2018YFC1508101), National Science Foundation of China (51879067), Natural Science Foundation
Provinsi Jiangsu (BK20180022), Six Talent Peaks Project di Provinsi Jiangsu (NY-004 ), Dana Penelitian
Fundamental untuk Universitas Pusat China (2018B42914), dan Pengembangan Program Akademik
Prioritas Institusi Pendidikan Tinggi Jiangsu diberikan kepada KZ.
Kepentingan yang bersaing: Penulis telah menyatakan bahwa tidak ada kepentingan yang bersaing.
monsun atau sistem tekanan rendah (depresi dan siklon) dan perubahan penggunaan lahan akibat
pembangunan perkotaan mendukung terjadinya banjir besar di Asia Selatan [5-7]. Myanmar merupakan
salah satu negara Asia Selatan yang sering mengalami bencana banjir yang parah. Menurut catatan
sejarah dan survei tanda banjir dari Departemen
Meteorologi dan Hidrologi (DMH), Myanmar, tahun-tahun banjir besar dalam beberapa dekade terakhir
meliputi 1974, 1991, 1997, 2006, 2010, 2011, 2015 dan 2016 [8]. Pada tahun 2015, Myanmar mengalami
banjir paling parah dalam beberapa dekade dengan curah hujan monsun yang sangat deras yang dimulai
pada pertengahan Juli dan berlanjut hingga Agustus [9, 10]. Komite Nasional Penanggulangan Bencana
Alam (NNDMC) melaporkan bahwa banjir tahun 2015 merenggut nyawa 120 orang, memaksa lebih dari
1.624.000 orang mengungsi, dan menggenangi lebih dari 500.000 ha lahan pertanian. Menurut Kajian
Dampak Banjir Pertanian dan Mata Pencaharian, banjir sangat mempengaruhi lahan pertanian di enam
wilayah, terutama di Wilayah Nyaungdon yang memiliki lebih dari 100.000 ha lahan tergenang.
Banjir di Area Nyaungdon, Myanmar merupakan akibat dari banjir di dataran banjir. Durasi banjir dan
tingkat geografis banjir di Wilayah Nyaungdon sebagian besar bergantung pada pengaruh Sungai
Ayeyarwady dan anak-anak sungainya seperti Sungai Panhlaing dan Sungai Bawle [8, 11]. Selain itu
perubahan iklim yang disebabkan cuaca ekstrim kemungkinan besar akan memberikan efek yang
signifikan pada hidrologi dan sumber daya air di daerah ini [12]. Di daerah ini, informasi banjir seperti
peringatan banjir dan buletin tidak tersedia karena kurangnya data hidrometeorologi. Karena peta
rawan banjir memberikan informasi banjir termasuk daerah yang terkena dampak banjir dan kedalaman
banjir, masyarakat yang tinggal di daerah yang rentan dapat menerapkan informasi ini untuk tindakan
perlindungan banjir yang tepat. Sayangnya, peta rawan banjir dan informasi lain seperti erosi tanah,
deformasi saluran sungai, dan perubahan penggunaan / tutupan lahan umumnya tidak ada di Wilayah
Nyaungdon, sehingga lebih sulit untuk merancang rencana mitigasi banjir di wilayah ini [13, 14].
Pemetaan genangan banjir telah memainkan peran penting untuk merancang rencana perkotaan yang
berkelanjutan, melindungi properti dan kehidupan manusia, dan mengurangi risiko bencana [15-17]. Ini
juga merupakan langkah kunci untuk mengembangkan peta bahaya banjir dan melakukan penilaian
banjir yang tepat [18, 19]. Pemetaan genangan banjir biasanya memerlukan pengamatan berulang dari
area banjir dan luas genangan melalui citra penginderaan jauh [20] atau observasi darat [21]. Untuk
wilayah dengan data terbatas, model hidrologi dan genangan juga memainkan peran penting dalam
simulasi banjir dan penilaian risiko [4, 22, 23].
Untuk mendapatkan peta genangan banjir dan bahaya di Nyaungdon Area, Myanmar, kami menerapkan
model hidrologi-genangan gabungan terdistribusi bernama model Rainfall-(RRI) untuk secara bersamaan
mensimulasikan proses limpasan curah hujan danbanjir
Runoff Inundationgenangandi Wilayah Nyaungdon dan selanjutnya mendapatkan peta bahaya banjir.
Penelitian ini bertujuan untuk mengisi kesenjangan pengetahuan dan teknis dalam pengembangan
langkah-langkah perlindungan banjir dan manajemen risiko banjir di daerah langka data Nyaungdon,
Myanmar. Tujuan dari penelitian ini ada dua: (1) untuk mengevaluasi kapasitas prediksi model RRI di
Wilayah Nyaung don, Myanmar, dengan perbandingan dengan pengamatan aliran sungai dan citra
genangan satelit, dan (2) untuk mendapatkan peta bahaya banjir di wilayah ini untuk merancang lebih
lanjut mitigasi banjir dan rencana pertahanan di wilayah ini. Kajian ini menyajikan metodologi
berdasarkan topografi, tutupan lahan, curah hujan untuk kalibrasi model RRI, simulasi luasan spasial
banjir, dan validasi potensi daerah genangan banjir menggunakan citra satelit. Dalam studi ini, kami
bertujuan untuk menjawab dua pertanyaan ilmiah: (1) bagaimana model RRI gabungan hidrologi-inun
dation dan metode statistik melakukan dan melaksanakan untuk mencapai penilaian banjir yang tepat di
daerah dengan data langka? dan (2) dapatkah pengkajian banjir berbasis model yang dikembangkan
mengisi pengetahuan dan kesenjangan teknis dalam pengembangan langkah-langkah perlindungan
banjir dan manajemen risiko banjir?
2/18Nyaungdon Township (NDT) adalah kotapraja di Distrik Maubin di Wilayah Ayeyarwady di
Myanmar Selatan (16˚54´ – 16˚59´N, 95˚30´ – 95˚45´E) dan memiliki luas total ~ 899 km2. Ara
batas NDT. Wilayah studi dan sekitarnya merupakan zona perataan dan dataran banjir
[8]. Menurut model elevasi digital (DEM) 15 arc-second (~ 450 m) dari United
di area studi berkisar dari 2 sampai 44 m. Karena kondisi cuaca Musim Barat Daya
mendukung curah hujan di Myanmar, daerah tersebut menerima curah hujan dalam jumlah besar setiap
tahun [9, 24].
masing-masing ~ 37.0˚C pada bulan April dan ~ 15.0˚C pada bulan Januari. Tiga sungai yaitu
Ayeyarwady,
Panhlaing, dan Bawle mengalir melalui Daerah Nyaungdon (Gambar 1). Biasanya, aliran Sungai Panh
(IWUMD), wilayah ini sering mengalami aliran sungai dan banjir yang meluas. Misalnya,
level air NDT di Panhlaing River mencapai di atas level bahayanya sebanyak 15 kali dari tahun 1985
hingga
2015 (Gambar 2). Hujan deras yang terkait dengan topan Komen di musim hujan 2015 menyebabkanair
laporan banjir NNDMC (Sep 2015), banjir mempengaruhi 19.076 hektar lahan pertanian di NDT.
Ada berbagai kumpulan data yang digunakan untuk menggerakkan, mengkalibrasi, dan memvalidasi
model RRI dalam
penelitian ini. Kumpulan data yang digunakan dalam penelitian ini disediakan atau diunduh dari sumber
yang relevan.
Gambar 1.
Lokasi wilayah studi dan stasiun pengamatan hidrologi dan meteorologi.
https://doi.org/10.1371/journal.pone.0224558.g001
3/18Gambar 2. Catatan ketinggian air tertinggi tahunan Sungai Panhlaing di stasiun Nyaungdon dari
1985 hingga 2016. https: //doi.org/10.1371/journal.pone.0224558.g002
yang dirangkum dalam Tabel 1. Data meteorologi dan hidrologi dikumpulkan dari kantor pemerintah
daerah. Gambar 3 menunjukkan hyetograf curah hujan total dari sepuluh stasiun curah hujan dan
hidrograf di stasiun Zalun yang terletak dekat dengan batas atas wilayah studi dari 1 April hingga 31
Agustus tahun 2011, 2015, dan 2016. Untuk membantu penilaian banjir dan bahaya banjir pemetaan,
shapefile (misalnya sungai, anak sungai, daerah terbangun, kolam, rawa, jalan, dll.) yang dibutuhkan
oleh peta rawan banjir didigitasi dari topografi Myanmar edisi 2008
Data topografi: DEM 15 detik (kurang lebih 450 m), akumulasi aliran, dan arah aliran
Curah hujan dan debit: April hingga Agustus 2011, 2015 dan 2016
Penampang sungai: Peta penampang Sungai Panhlaing berasal dari laporan pinted Departemen
Manajemen Irigasi dan Pemanfaatan Air,
Mynamar (https://www.moali.gov.mm/en/content/irrigation
and-water-usage -manajemen-departemen).ini
Peta tutupan lahan 2008 Global Land Cover Nation Map Organisasi
(https://github.com/globalmaps/gm_lc_v3)
Peta tanah FAO UNESCO mendigitalkan peta tanah dunia (http://www.fao.org/soils-portal/soil- survey /
soil-maps-and
(misalnya sungai, kolam perikanan, dll.) Peta survei topografi Myanmar (edisi 2008) (http: //
www .surveydepartment.gov.mm / eng /)
https://doi.org/10.1371/ journal.pone.0224558.t001
(http://en.alos-pasco.com/)
https://doi.org/10.1371/journal.pone.0224558.g003
peta dalam studi ini (lihat S3 Dataset). Dalam studi ini, kami mendapatkan dua setsatelit
citrauntuk memvalidasi perkiraan luas banjir dari kejadian banjir tahun 2015 dan 2016. Daerah
banjir yang diamati dari kejadian banjir 2015 memperoleh citra satelit yang dimodifikasi yang
diamati dengan Array Bertahap tipe L-band Synthetic Aperture Radar-2 (PALSAR-2) onboard
Advanced Land Observing Satellite-2 (ALOS-2) dari Japan Aerospace Exploration Agency
(JAXA) pada tanggal 30 Juli 2015. Citra satelit ALOS-2 / PALSAR-2 awalnya diproduksi oleh
JAXA (http://en.alos-pasco.com/). Daerah genangan yang diamati untuk kejadian banjir 2016 berasal
Deskripsi model
RRI adalah model hidrologi dan genangan dua dimensi yang digabungkan, yang mencakup tiga
komponen utama: model curah hujan-limpasan, model jalur sungai, dangenangan banjir
model. Model RRI dikembangkan oleh International Center for Water Hazard and Risk
Management di bawah naungan UNESCO (ICHARM). Ini secara bersamaan dapat mensimulasikan
proses limpasan curah hujan dan genangan [25]. Model Rainfall-Runoff melakukan simulasi
pembangkitan limpasan, konsentrasi limpasan, dan debit aliran sungai dengancurah hujan
input. Dalam model ini, River Routing Model (model aliran tidak stabil 1 dimensi) digunakan
untuk memodelkan perambatan gelombang banjir di sepanjang saluran terbuka. Geometri diasumsikan
sebagai
persegi panjang jika informasi penampang sungai tidak tersedia. Lebar dan kedalaman sungai
diestimasi dengan menggunakan persamaan berikut ini sesuai dengan daerah kontribusi hulu dalam
km2 [25]:
W ¼ CwASw ð1Þ
dan
mana W adalah lebar (m); D adalah kedalaman (m); A adalah luas (km2); Cw dan Sw adalah parameter
lebar; dan
Cd dan Sd adalah parameter kedalaman. Nilai parameter untuk perutean dirangkum dalam Set Data S2.
banjir Model genangan banjir, i.e., model aliran tidak stabil 2 dimensi, digunakan untuk simulasi
penyebaran air banjir di dataran banjir dengan debit aliran masuk [25].pengaturan untuk model aliran
tidak stabil 2 dimensi meliputi kesetimbangan massa (PersamaanPersamaan 3) dan persamaan momen
tum (Persamaan 4 dan 5):
@h
@xþ @qy
@t ¼ r; ð3Þ
@qx
@tþ @x
tx
rwð4Þ
dan
@tþ @uqx
@ xþ @vqx
@y ¼ gh @H
@x
@qx
@tþ @ux
@ xþ @vqx
@y ¼ gh @H
@x
ty
h adalah ketinggian air dari permukaan lokal; qx dan qy masing-masing adalah pelepasan lebar unit dalam
x dan y arah; u dan v adalah kecepatan aliran dalam arah x dan y, masing-masing; r adalah intensitas
curah hujan; H adalah ketinggian air dari datum; ρw adalah massa jenis air; g adalah percepatan gravitasi;
dan τx dan τy masing-masing adalah tegangan geser dalam arah x dan y .
Infiltrasi adalah proses hidrologi yang penting daripada yang mempengaruhi produksi limpasan.
Parameter infiltrasi dapat bervariasi dengan intensitas curah hujan yang berbeda, profil tanah, dan
topografi di seluruh wilayah studi. Model infiltrasi Green-Ampt dianggap sesuai untuk memodelkan
proses infiltrasi vertikal [26, 27] karena wilayah studi kami adalah daerah datar dan dataran rendah.
Model infiltrasi Green-Ampt adalah model fisik yang disederhanakan dan didasarkan pada persamaan
Richard. Ini menghubungkan laju infiltrasi dengan sifat tanah yang dapat diukur seperti porositas,
konduktivitas hydrau lic, dan kandungan air tanah dari kolom tanah tertentu. Persamaan berikut
digunakan untuk menghitung kerugian infiltrasi [25, 26]:
� �
f ¼ kv 1 þ ð; yiÞSf F
; ð6Þ di
mana f adalah laju infiltrasi (mm / jam); kv adalah konduktivitas hidrolik (ms-1); F adalah total volume
infiltrasi (m); Sf adalah kepala isap tanah depan yang membasahi (m); dan (; - θi) adalahtanah
defisit kelembaban(m).
Dalam RRI, setiap sel grid komputasi di sungai tidak hanya memiliki model hidrologi permukaan
dan model analisis airtanah tetapi juga model saluran sungai. Model RRI menggambarkanlahan
bentukdengan DEM. Kedalaman lapisan permeabel merupakan salah satu parameter penting untukRRI
model. Sebelum mencapai kejenuhan pada lapisan tanah, model mensimulasikan pergerakan air
menggunakan
Hukum Darcy dimana air freatik mengalir ke arah lateral sesuai perbedaan head
airtanah saat curah hujan masuk ke dalam tanah. Setelah tanah jenuh, model mensimulasikan
pergerakan air menggunakan model gelombang difusi dan air hujan mulai mengalir ke
permukaan. Di daerah dataran rendah, curah hujan menembus ke arah vertikal. Dalam hal ini
aliran airtanah pada arah lateral dapat diabaikan karena muka airtanah hampir
sama [28].
Data curah hujan meteran tanah disiapkan sebagai data input simulasi RRI menggunakan
metode poligon Thiessen. Model RRI dilengkapi dengan alat penyesuaian DEM, yang
penting untuk menghindari kondisi yang tidak realistis dan dapat melakukan modifikasi yang diperlukan
pada
DEM berdasarkan arah aliran [29]. Model ini juga membutuhkan informasi tentang lokasi
saluran sungai dan geometri penampang. Kami menggunakan kumpulan data akumulasi aliran yang
termasuk dalam dataset HydroSHEDS. Sel grid dengan lebih dari dua puluh sel grid
dikonfirmasi memiliki saluran sungai berdasarkan pemeriksaan visual dengan Google Earth dalam
penelitian ini
[11, 27].
Persamaan rute sungai (lebar (m) = 5.0A0,35, kedalaman (m) = 0,95Aalur0,2) digunakan sebagaidefault
areadalam km2 (Persamaan 1 dan 2). Geometri saluran diasumsikan sebagai persegi panjang dalam
model di
mana lebar sungai, kedalaman, dan tinggi tanggul dipertimbangkan [27, 30]. Dalam studi ini,
asumsi lebar sungai didasarkan pada citra Google Earth [27, 31] dan kedalaman pada
Lebar sungai, kedalaman, dan tinggi tanggul Sungai Panhlaing, anak sungai Ayeyar
wady, didukung oleh Kantor IWUMD di stasiun Nyaungdon [8].curah hujan harian
Datadari sepuluh stasiun curah hujan digunakan sebagai data masukan untuk pembuatan model
(Gambar 1). Setelah parameterisasi
, model disiapkan untuk simulasi. Hasil keluaran dari model tersebut adalahbanjir
kedalaman genangan, debit sungai, dan ketinggian air pada setiap sel grid. Debit pengamatan
tidak tersedia di dalam wilayah studi karena kurangnya stasiun pengamatan. Namun, terdapat
stasiun pengukur aliran sungai hulu (i.E., Zalun) yang terletak tepat di batas atas wilayah
simulasi model, kalibrasi model, validasi model aliran sungai dan daerah genangan, serta
pemetaan dan penilaian bahaya banjir. Terakhir, kami memilih simulasitahun 2011, 2015,
kejadian banjirdan 2016 untuk menghasilkan peta rawan banjir untuk meningkatkan penilaian banjir
dan
pemetaan rawan.
2016. Meskipun wilayah studi telah mengalami banjir musiman hampir setiap tahun,
peta rawan banjir lokal dan penilaian banjir yang tepat masih kurang. . Hal ini menunjukkan besarnya
Survei lokal dan investigasi informasi hidrologi sangat sedikit di wilayah studi
, kecuali Sungai Panhlaing. Profil penampang Sungai Ayeyarwady dan Sungai Bawle
tidak cukup untuk mengatur data geometri seperti lebar dan kedalaman sungai. Mempertimbangkan
keterbatasan data [15, 27, 32, 33], kami memilih aliran sungai yang diamati dari peristiwa banjir 2011 di
stasiun Zalun hulu, yang merupakan stasiun pengukur debit (lihat Gambar 1) [11, 33], untuk
mengkalibrasi Model RRI untuk mencapai kinerja yang lebih baik. Aliran sungai yang diamati untuk
kejadian banjir tahun 2015 dan 2016 di stasiun Zalun kemudian digunakan untuk memvalidasi kinerja
Untuk mengevaluasi lebih lanjut kekuatan kalibrasi model, kami menerapkan kalibrasi silang
untuk menilai kinerja model. Dengan kata lain, kami terlebih dahulu mengkalibrasi model RRI di
stasiun Zalun menggunakan kejadian banjir tahun 2016 dan kemudian memvalidasi kinerja model
tersebut menggunakan
Untuk kinerja prediksi genangan dengan model RRI, kami memperoleh dua set
citra genangan penginderaan jauh satelit. Salah satunya adalah citra genangan ALOS-2 / PALSAR-2 yang
diamati pada tanggal 30 Juli 2015 yang disediakan oleh JAXA (lihat Tabel 1), yang digunakan untuk
mengevaluasimodel
hasiluntuk kejadian banjir 2015. Yang lainnya adalahpenanggulangan banjir MODIS komposit selama 14
hari
produk(26 Juli hingga 8 Agustus 2016) yang disediakan oleh NASA (lihat Tabel 1) [32, 34-36].
PLOS ONE | https://doi.org/10.1371/journal.pone.0224558 26 November 2019
Gambar 4.
Diagram alir simulasi model yang digunakan dalam penelitian ini.
https://doi.org/10.1371/journal.pone.0224558.g004
Untuk mengevaluasi kinerja aliran sungai yang dimodelkan, kami membandingkan aliran sungai yang
dimodelkan untuk tiga kejadian banjir dengan aliran sungai yang diamati di stasiun Zalun hulu. Statis
vertikal metrik termasuk koefisien Pearson determinasi (R2)dan Nash-Sutcliffe koefisien efisiensi Model
(NSE) digunakan untuk mengevaluasi kinerja model:
P n
dan
P n
NSE ¼ 1
dimana Qobs(i) dan Qsim(i) adalah debit aliran sungai yang diamati dan disimulasikan pada waktu i,
masing-masing; Qobs dan Qsim adalah sarana aritmatika darialiran arus yang diamati dan disimulasikan
muatan, masing-masing;
Untuk mengevaluasi kinerja prediksi genangan dengan model RRI, kami mengikuti
termasuk indeks area banjir (FAI) [42], akurasi, skor bias, probabilitas deteksi (hit rate),
FAI ¼ M1D1
total ; ð10Þ
dan
1
Sukses indeks ¼ 2 ð hit
mana M1D1 adalah jumlah sel grid yang diprediksi dengan benar karena dibanjiri oleh model, i.e.,
jumlah hit; M1D0 adalah jumlah sel yang mengalami banjir dalam prediksi tetapi diamati kering dalam
pengamatan, i.e., jumlah alarm palsu; dan M0D1 adalah perkiraan daerah kering tetapi diamati
sebagai daerah basah, i.e., jumlah kesalahan; jumlah negatif benar adalah jumlah sel yangsel
Pemetaan bahaya
banjir Pemetaan bahaya banjir melibatkan tiga langkah: (1) mengidentifikasi masalah dan kondisi dasar,
(2)
mengumpulkan data yang diperlukan oleh simulasi banjir dan pemetaan genangan, dan (3) melakukan
simulasi dan pemetaan bahaya banjir. Keadaan kejadian banjir di masa lalu, potensi luasan
wilayah banjir dan kedalaman banjir di peta genangan banjir diidentifikasi oleh pemangku kepentingan
di
wilayah tersebut. Secara umum, bahaya banjir didefinisikan sebagai kemungkinanbanjir yang berpotensi
merusak
situasidi area tertentu dan dalam jangka waktu tertentu [43]. Peta bahaya banjir adalah peta yang
menunjukkan luas banjir, kedalaman air, landmark utama, dan informasi dasar lainnya untukbanjir
bahayadengan periode ulang tertentu [43]. Untuk menghasilkan peta rawan banjir, kami
mengumpulkan
data yang diperlukan seperti data hidrologi, kondisi genangan, kegiatan pencegahan bencana
dan informasi terkait lainnya dari pemerintah daerah NDT dan organisasi terkait lainnya
dalam studi ini. Karena keterbatasan data, tidak tersediacurah hujan danjangka panjang
catatan dataaliran sungaidi wilayah studi ini. Oleh karena itu, kami tidak dapat secara langsung
memperoleh atau merancang
bahaya banjir dengan periode ulang tertentu. Mengingat kejadian banjir tahun 2015 dan 2016
merupakan
dua kejadian banjir terbesar yang dilaporkan dalam 30 tahun terakhir [8]. Kami pertama kali
menerapkan model RRI untuk
mensimulasikan kedalaman banjir dan area genangan untuk dua kejadian banjir terbesar. Kami
kemudian
menghitung kedalaman banjir rata-rata dan luasan dari dua kejadian banjir untuk menghasilkanrawan
banjir
petayang mendekati peta banjir kejadian banjir dengan periode ulang sekitar 30 tahun.-
Kedalaman banjir ratarata diubah menjadi enam tingkat risiko banjir: sangat rendah
(kedalaman�0,2m), rendah
sangat tinggi (kedalaman>2.0m). Mengenai landmark dan informasi dasar lainnya, MIMU
menyediakan lokasi kota dan desa serta file bentuk batas seperti kotapraja,
kabupaten, wilayah, dan negara. File bentuk yang diperlukan (misalnya sungai, anak sungai, area
terbangun,
kolam, rawa, jalan, dll.) Telah didigitalisasi dari Peta Topografi Myanmar edisi 2008.
tentang sistem peringatan dini dan keadaan darurat sayangnya tidak tersedia untuk dimasukkan
dalamini
Setelah kalibrasi, debit aliran sungai yang dimodelkan di stasiun Zalun cocok dengan
pengamatan yang ditunjukkan oleh nilai R2 (0,90) dan NSE (0,85) yang tinggi (Gambar 5a). Model RRI
umumnya dapat menangkap variablitas temporal dari proses aliran sungai (Gambar 5a). Tentunya,
masih ada beberapa ketidakpastian dalam simulasi. Terlihat bahwa aliran yang disimulasikan memiliki
nilai yang lebih tinggi dari aliran yang diamati pada bagian naik pada kejadian banjir tahun 2011 (Gambar
5a). Dalam
hal puncak banjir, hasil simulasi melebih-lebihkan dua puncak pertama (Juli) dan
meremehkan puncak ketiga (Agustus) (Gambar 5a). Terlepas dari ketidakpastian, kalibrasi masih
Mengenai hasil validasi, model RRI juga menunjukkan kesesuaian yang baik secara umum
dengan pengamatan kejadian banjir tahun 2015 dan 2016 dalam hal metrik statistik
(R2 = 0,90 dan NSE = 0,88 untuk kejadian banjir 2015; dan R2 = 0,87 dan NSE = 0,60 untuk2016
kejadian banjir) (Gambar 5b dan 5c). Hasil simulasi umumnya dapat menangkap waktubanjir
5c). Selain itu, terlihat jelas bahwa model RRI memiliki kinerja yang lebih baik untukbanjir tahun 2015
kejadiandibandingkan dengan kejadian banjir tahun 2016. Performa diferensial ini mungkin disebabkan
oleh ketidaktepatan
dalam kondisi awal model dan / atau data penggerak. Dibandingkan dengan hasil kalibrasi
(Gambar 5a), hasil validasi memiliki tingkat performa yang sama (Gambar 5b dan 5c), yang
menunjukkan
bahwa model yang dikalibrasi mampu memberikan kapasitas predikatif yang konsisten, setidaknya
untuk periode
Kalibrasi silang menunjukkan hasil yang serupa dibandingkan dengan kalibrasi asli. Tidak
heran jika model simulasi kejadian banjir tahun 2016 dikalibrasi dengan2016
kejadian banjir tahun, i.e.,simulasi lintas dikalibrasi untuk 2016 acara(Gambar5f),menunjukkan sedikit
bertaruh
baiksegi R2 dan NSE. metrik Sebaliknya, simulasi kejadian banjir tahun 2011 yang
dikalibrasi dengan kejadian tahun 2011 (Gambar 5a) menunjukkan hasil yang sedikit lebih baik
daripadakalibrasi silang
simulasiuntuk kejadian tahun 2011 (Gambar 5d). Secara keseluruhan, kinerja model yang dikalibrasi
semula
sebanding dengan model yang dikalibrasi silang dalam hal R2 dan NSE metrik. R2
dan NSE nilaiuntuk rentang model kalibrasi asli antara 0,87 dan 0,90 dengan rata-rata
0,89 dan antara 0,60 dan 0,88 dengan rata-rata 0,78, masing-masing (Gambar 5a-5c). Begitu pula
dengan R2
and NSE values for the cross-calibrated model vary between 0.82 and 0.92 with a mean of 0.88
and between 0.82 and 0.92 with a mean of 0.85, respectively (Fig 5d–5f). The sligtly different
model performance resulted from different calibration procedures indicate that calibration or
uncertainty in the model parameters indeed can introduce certain uncertainty in the model
simulations. However, the model performance through the original calibration (i.e., calibration
using the 2011 flood event) is overall comparable to the performance resulted from the
cross-calibration (i.e., calibration using the 2016 flood event). These results suggest that the
Fig 5. Comparisons of the simulated and observed discharges for the (a, d) 2011, (b, e) 2015, and (c, f)
2016 flood events at the Zalun station; (a)- (c) show the model results calibrated against the 2011
flood event, while (d)-(f) are the model results calibrated against the 2016 flood event, i.e., the cross-
calibration results.
https://doi.org/10.1371/journal.pone.0224558.g005
https://doi.org/10.1371/journal.pone.0224558.g006
calibration using the 2011 flood event is robust and can achieve a similar level of performance
Furthermore, we also plotted the simulated inundated areas for the 2011 (Fig 6a), 2015 (Fig
6b) and 2016 (Fig 6c) flood events. The satellite-detected flood areas for the 2015 and 2016
flood events are also shown in Fig 7 as a means to evaluate the inundation model performance.
The 2015 flood event apparently inundates more areas than the 2011 and 2016 flood events
(Fig 6) because the 2015 flood event is a larger flood event. This is consistent with the recorded
discharge (Figs 3b and 5). Apparently, the two flood events have many overlapping inundated
areas, of which most are the flattened areas with low altitude and suffer frequent flood hazards
(Fig 6).
The simulated potential flood areas stratified by water depth for the two flood events are
summarized in Table 2. By comparing the potential flooded areas, the 2015 flood event has the
highest impact in terms of the inundation area. During the 2015 flood event, 76% of the town
ship is simulated to be flooded with a water depth of 1 m or above. In contrast, 63% and 38%
of the township are predicted to be flooded by the similar level of water depth for the 2011 and
2016 events, respectively (Table 2). As shown in Fig 6, floodwater depth can reach as high as 3
m or above near the riverbanks and ponds. The flooded areas with a depth of 2–3 m are mainly
fisheries and swamps, while these areas with a floodwater depth of 1 m or below are mainly
Fig 7. Comparison of flood extent areas: (a) model simulation and observed (MSI) for the 2015 flood
event and (b) model simulation and observed (MODIS) for the 2016 flood event.
https://doi.org/10.1371/journal.pone.0224558.g007
Table 2. Potential flood inundated area with different water depth in three flooded years.
%
2011 2015 2016
19.24 4 41.51 7 0
0–0.5 33
0.5–1.0 29
1.0–2.0 32
2.0–3.0 6
> 3.0 0
https://doi.org/10.1371/journal.pone.0224558.t002
For the 2015 flood event, the flooded area in the model simulation is 69% (619 km2) of the
township area (~899 km2), while the flooded area detected by the ALOS-2/PALSAR-2 is 54%
of the study area (488 km2) (Fig 7a). The overlapped areas between the model and ALOS-2/
PALSAR-2 inundation results are 432 km2, i.e., 89% of the satellite-observed flooded areas (Fig
7a). Overall, the modeled simulation result for the 2015 event agrees reasonably well with the
satellite observation indicated by a hit rate of 89% and an accuracy of 70% (Table 3). These
results indicate that the RRI model is able to realistically predict the flooded areas. It is worth
noting that the RRI tends to overestimate the inundated area indicated by a false alarm ratio of
30%, a false alarm rate of 57%, and a bias score of 1.27 (Table 3; Fig 7a). As a result, the model
Table 3. Summary of the modeled and satellite-observed inundation results and the model
performance metrics.
Values (km2) (2015+2016) M1D1 0.57 M1D0 0.71 M0D1 1.34 Hits 0.85 Misses 0.37 Correct negatives
0.40 False alarms 0.73 https://doi.org/10.1371/journal.pone.0224558.t003
prediction for the 2015 flood event ends up a success index of 66%. For a data-sparse region,
For the 2016 flood event, model prediction shows a slightly better performance than the
2015 flood event. The flooded area in the model simulation is 34% (302 km2) of the study area,
while the flooded area detected by the MODIS images is 22% (201 km2) (Fig 7b). The over
lapped areas between the model and MODIS inundation results are 152 km2, i.e., 76% of the
satellite-observed flooded areas (Fig 7b). Relative to the prediction results for the 2015 flood
event, the prediction results for the 2016 flood event have a higher accuracy (72%) and success
index (73%) and a lower false alarm rate (29%) but have a lower hit rate (76%) (Table 3). Simi
lar to the results for the 2015 flood event, these results for the 2016 flood event also tends to
When combining the 2015 and 2016 events together, the resultant performance metrics
are similar to those of the two individual events (Table 2). Overall, the results are encouraging
indicated by high hit rate, accuracy, and success index despite that the model tends to overesti
mate the inundation extent (Table 3). There are a couple of causes that can explain the overes
timation in the model results for the 2015 and 2016 flood event. Both ALOS-2/PALSAR-2 and
MODIS images have a revisit time longer than a few days, making them impossible to conti
nously observing a given region. The ALOS-2/PALSAR-2 uses a synthetic aperture radar
(SAR) to observe the ground and has a capability to penetrate the clouds. However, its revisit
time is about 14 days. The MODIS inundation images represent a 14-days composite that can
not observe our study area continuously. Therefore, it is reasonable to infer that the ALOS-2/
PALSAR-2 and MODIS products can underestimate the inundation extent of a large flood
event that lasts for more than a couple of days. Moreover, the MODIS images are based on
optical and near-infrared remote sensing and can be easily contaminated by clouds, which
can further reducing the chances to capture the inundated areas. However, unfortunately, the
study area is a data-scarce region. We could not find a better way based on the other modeling
approach or ground survey to discern flood areas and determine the flood inundation depth in
this study area. Nevertheless, the model calibration and validation suggest that the model sim
ulation results through this study give satisfactory information. Furthermore, the RRI model
and its predictive capability for flood and inundation is very valuable for achieving the stated
objectives and filling the knowledge and information gap in enhancing the flood risk mitiga
tion and management in Nyaungdon Area, Myanmar.
The flood hazard map is produced based on the composite results of the 2015 and 2016 flood
events to approximate a 30-year flood event and shown in Fig 8. In this hazard map, important
locations and facilities such as pagodas, monasteries, mosques, hospitals, schools and bench
marks are collected from the 2008 edition of Myanmar Topography Map (Fig 8). Generally,
most of the areas impacted by floods are these areas close to rivers, ponds, swamps, and fisher
ies (Fig 8). Clearly, the floods can also impact many of the dowelling communities. For exam
ple, about 31% of the 140 villages in this region are inundated to some extent according to the
inundation simulation (Fig 8). The major roads are also exposed to the flood hazards (Fig 8).
Many important locations and facilities are impacted or threatened by the flood, including six
schools, six monasteries, seven pagodas and one mosque (Fig 8).
On the positive side, the river embankment in Nyaungdon Area is able to prevent many
urban areas from flooding (Fig 8). For example, a large area surrounding the city located in
the west of the study area is clearly protected by the river embankments and has a low risk of
flooding. The flood hazard map also indicates that the protection of the embankments along
https://doi.org/10.1371/journal.pone.0224558.g008
the Panhlaing River located in the southeast of the study area is limited (Fig 8). This is mainly due to the
relatively low elevation in the floodplains along the Panhlaing River. In the future, implementing
enhanced flood control structures and measures to relieve waterlogging should be considered in these
areas for preventing inundation. The western part of the study area has a much lower risk of flooding
than the other parts. This region should be a safe place to house the future important facilities. In
summary, the derived flood hazard map has identified the
flood risks across Nyaungdon Area and is very valuable for future flood management and
Conclusions
In this study, the coupled hydrological and inundation model (RRI) was applied for flood
calibration and validation results of the streamflow generally show good agreement with the
ciency coefficient. The RRI model can realistically capture the observed hydrographs and the
timings of flood peaks. The modeled inundation areas for the 2015 and 2016 flood events can
capture 89% and 76% of the flooded areas observed by satellites, respectively. Considering the
data limitation in this data-scarce region, the distributed RRI coupled hydrological and inun
dation model plays an important tool for assessing flood risks and mapping the flood hazards.
This study not only provides a valuable evaluation of the RRI model but also demonstrates a
useful case study for applying the coupled hydrological and inundation model for flood hazard
mapping. In the future, additional river survey data, high-resolution satellite images, and aerial
photos should be used for calibrating the RRI model and improving the accuracy of flood haz
ard mapping. More hydrometeorological observation stations are advocated to be installed in
Supporting information
S1 Dataset. Observed streamflow data at the Zalun station, river stage data at the Nyaung
(XLSX)
S2 Dataset. Values of the RRI model parameters used in this study.
(DOCX)
(ZIP)
Acknowledgments
The authors gratefully acknowledge technical support from International Center for Water
Hazard and Risk Management (ICHARM), deeply thank Department of Meteorology and
Hydrology (DMH), Department of Irrigation and Water Utilization Management office, and
Myanmar Information Management Unit for providing valuable data and General Adminis
trative Office (GAD) of Nyaungdon Township for kindly facilitating field surveys.
Author Contributions
Conceptualization: Ke Zhang.
Methodology: Ke Zhang, Hisaya Sawano, Badri Bhakra Shrestha, Takahiro Sayama, Kazuhiro
Nakamura.
Supervision: Ke Zhang.
Writing – original draft: Zaw Myo Khaing, Ke Zhang. Writing – review & editing: Ke Zhang.
References
Flood hazard mapping and assessment
1. He BS, Huang XL, Ma MH, Chang QR, Tu Y, Li Q, et al. Analysis of flash flood disaster characteristics
01068.x
3. Hartnett M, Nash S. High-resolution flood modeling of urban areas using MSN_Flood. Water Science
4. Chao L, Zhang K, Li Z, Wang J, Yao C, Li Q. Applicability assessment of the CASCade Two Dimen
sional SEDiment (CASC2D-SED) distributed hydrological model for flood forecasting across four typical
medium and small watersheds in China. Journal of Flood Risk Management. 2019; 12. https://doi.org/
10.1111/jfr3.12518
5. Kale VS. Is flooding in South Asia getting worse and more frequent? Singapore Journal of Tropical
Grid-Xinanjiang model driven by WRF precipitation. Journal of Flood Risk Management. 2019; 12(S1):
e12544. https://doi.org/10.1111/jfr3.12544
7. Li J, Liu C. Improvement of LCM model and determination of model parameters at watershed scale
for
flood events in Hongde Basin of China. Water Science and Engineering. 2017; 10(1):36–42.
8. Steijin RC, Barneveld HJ, Wijma E, Beckers J, Reuzenaar T, Koopmans R, et al. DRR-Team Mission
9. Htway O, Matsumoto J. Climatological onset dates of summer monsoon over Myanmar. International
10. Khaing ZM. Flood Inundation Mapping of Minbu District by using Rainfall-Runoff-Inundation (RRI)
model and ArcGIS tools. Proceedings of the Ninth Agricultural Research Conference; January, 2016;
Yezin Agricultural University, Myanmar. Nay Pyi Taw, Myanmar: Yezin Agricultural University; 2016.
p. 19–31.
11. Sayama T, Tatebe Y, Iwami Y, Tanaka S. Hydrologic sensitivity of flood runoff and inundation: 2011
12. Mujumdar PP, Ghosh S. CLIMATE CHANGE IMPACT ON HYDROLOGY AND WATER
09715010.2008.10514918
13. Zehra S, Afsar S. Flood Hazard Mapping of Lower Indus Basin Using Multi-Criteria Analysis. Journal of
44008
14. Zin W, Kawasaki A, Takeuchi W, San Z, Htun K, Hnin Aye T, et al. Flood Hazard Assessment of Bago
15. Zin WW, Kawasaki A, Win S. River flood inundation mapping in the Bago River Basin, Myanmar.
Hydro
16. Luo PP, Mu DR, Xue H, Ngo-Duc T, Dang-Dinh K, Takara K, et al. Flood inundation assessment for the
Hanoi Central Area, Vietnam under historical and extreme rainfall conditions. Laporan Ilmiah. 2018;
8.
17. Pinos J, Timbe L. Performance assessment of two-dimensional hydraulic models for generation of
flood
inundation maps in mountain river basins. Water Science and Engineering. 2019; 12 (1):11–8.
18. Vojtek M, Vojtekova´ J. Flood hazard and flood risk assessment at the local spatial scale: a case
study.
1166874
19. Zhang Dw, Quan J, Zhang Hb, Wang F, Wang H, He Xy. Flash flood hazard mapping: A pilot case
study in Xiapu River Basin, China. Water Science and Engineering. 2015; 8(3):195–204. https://doi.org/
10.1016/j.wse.2015.05.002
20. Alahacoon N, Matheswaran K, Pani P, Amarnath G. A Decadal Historical Satellite Data and Rainfall
Trend Analysis (2001–2016) for Flood Hazard Mapping in Sri Lanka. Remote Sens. 2018; 10 (3).
21. Cao C, Xu PH, Wang YH, Chen JP, Zheng LJ, Niu CC. Flash Flood Hazard Susceptibility Mapping
Using Frequency Ratio and Statistical Index Methods in Coalmine Subsidence Areas. Sustainability
22. Li ZJ, Zhang K. Comparison of three GIS-based hydrological models. Journal of Hydrologic Engineer
23. Yu YH, Zhang HB, Singh VP. Forward Prediction of Runoff Data in Data-Scarce Basins with an
Improved Ensemble Empirical Mode Decomposition (EEMD) Model. Water-Sui. 2018; 10(4).
24. Roy NS, Kaur S. Climatology of monsoon rains of Myanmar (Burma). International Journal of
Climatol
CO;2-U
26. Rawls W J., Brakensiek D L. Prediction of Soil Water Properties for Hydraulic Modeling 1985.
2010 Pakistan flood in the Kabul River basin. Hydrological Sciences Journal. 2012; 57(2):298–312.
https://doi.org/10.1080/02626667.2011.644245
Modeling—A Case Study in Mundeni Aru River Basin, Sri Lanka. Remote Sens. 2017; 9(10):998.
https://doi.org/10.3390/rs9100998
30. Devkota J, Fang X. Numerical simulation of flow dynamics in a tidal river under various upstream
hydro
02626667.2014.947989
31. Allen GH, Pavelsky TM. Patterns of river width and surface area revealed by the satellite-derived
North
American River Width data set. Geophys Res Lett. 2015; 42(2):395–402. https://doi.org/10.1002/
2014GL062764
32. Kwak Y, Arifuzzanman B, Iwami Y. Prompt Proxy Mapping of Flood Damaged Rice Fields Using
33. Komi K, Neal J, Trigg MA, Diekkru¨ger B. Modelling of flood hazard extent in data sparse areas: a
case
study of the Oti River basin, West Africa. Journal of Hydrology: Regional Studies. 2017; 10:122–32.
https://doi.org/10.1016/j.ejrh.2017.03.001
34. Brivio P, Colombo R, Maggi M, Tomasoni R. Integration of remote sensing data and GIS for accurate
35. Islam AS, Bala SK, Haque MA. Flood inundation map of Bangladesh using MODIS time-series images.
36. Lang M, Ramsbottom D, Frank E, Weisgerber A, Beros M, Klijn F, et al. Developing a national pro
gramme of flood risk management measures: Moldova. Web Konferensi E3S. 2016; 7:23003.
https://doi.org/10.1051/e3sconf/20160723003
37. Zhang K, Xue XW, Hong Y, Gourley JJ, Lu N, Wan ZM, et al. iCRESTRIGRS: a coupled modeling sys
tem for cascading flood-landslide disaster forecasting. Hydrol Earth Syst Sci. 2016; 20(12):5035–48.
38. Bennett ND, Croke BFW, Guariso G, Guillaume JHA, Hamilton SH, Jakeman AJ, et al. Characterising
performance of environmental models. Environmental Modelling & Software. 2013; 40:1–20. https: //
doi.
org/10.1016/j.envsoft.2012.09.011
39. Zischg AP, Mosimann M, Bernet DB, Ro¨thlisberger V. Validation of 2D flood models with insurance
40. Falter D, Schro¨ter K, Dung NV, Vorogushyn S, Kreibich H, Hundecha Y, et al. Spatially coherent flood
risk assessment based on long-term continuous simulation with a coupled model chain. J Hydrol. 2015;
524(182–193).
41. He XG, Hong Y, Vergara H, Zhang K, Kirstetter PE, Gourley JJ, et al. Development of a coupled hydro
42. Falter D, Vorogushyn S, Lhomme J, Apel H, Gouldby B, Merz B. Hydraulic model evaluation for large
43. Nones M. Flood hazard maps in the European context. Water International. 2017; 42(3):324–32.