3.6.c Riesgo por encharcamientos y vendavales - EVA — Evaluación y análisis de riesgos de desastres

# Preparación del entorno. En Colab instala el paquete del proyecto desde GitHub (1–2 minutos);
# en una copia local usa el paquete ya instalado con `pip install -e .`.
import sys, subprocess
if "google.colab" in sys.modules:
    subprocess.run([sys.executable, "-m", "pip", "install", "-q", "leticia @ git+https://github.com/mromerot/leticia"], check=True)
from leticia.libro import preparar, intentar
preparar()

ThinkHazard califica como alta la amenaza por inundación urbana en Leticia GFDRR, 2024. En una ciudad plana y lluviosa, el agua de los aguaceros se acumula en las depresiones del terreno y en los fondos de las quebradas urbanas (San Antonio, Simón Bolívar, Yahuarcaca) cuando el drenaje es insuficiente o está obstruido.

import geopandas as gpd
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
from IPython.display import Markdown, display

from leticia import aoi, espacial, exposicion, fuentes, riesgo, viz

dem = fuentes.raster_estatico("cop-dem-glo-30", "data")
b = fuentes.bbox("bbox_urbano", 0.01)
dem_u = dem.sel(x=slice(b[0], b[2]), y=slice(b[3], b[1]))
prof = espacial.profundidad_depresiones(dem_u)
edif = exposicion.edificaciones_urbanas()
pts = edif.representative_point().to_crs(4326)
edif["prof_depresion_m"] = np.nan_to_num(prof.interp(x=("p", pts.x.values), y=("p", pts.y.values), method="nearest").values)

1. Depresiones topográficas en la ciudad¶

fig, ax = plt.subplots(figsize=(6.6, 7))
viz.fondo(ax)
v = prof.where(prof >= 0.5)
im = ax.imshow(v.values, extent=(float(prof.x.min()), float(prof.x.max()), float(prof.y.min()), float(prof.y.max())), cmap="Blues",
               vmin=0.5, vmax=5, zorder=2, alpha=0.9)
aoi.area_urbana().to_crs(4326).boundary.plot(ax=ax, color="yellow", lw=0.8, zorder=3)
fig.colorbar(im, ax=ax, shrink=0.6, label="profundidad de la depresión (m)")
viz.marco(ax, titulo="Depresiones topográficas (DEM con sumideros rellenos)")
tabla = pd.DataFrame({u: {"edificaciones": int((edif.prof_depresion_m >= u).sum()), "personas": edif.loc[edif.prof_depresion_m >= u, "poblacion"].sum()}
                      for u in (0.5, 1.0, 2.0)}).T
tabla.index = [f"en depresión ≥ {u} m" for u in tabla.index]
display(tabla.round(0))

2. Riesgo relativo por encharcamiento¶

malla = exposicion.malla_exposicion()
malla["prof_depresion_m"] = espacial.estadistica_zonal(prof.where(prof >= 0.5, 0), malla, "mean")
malla["frac_edif_depresion"] = edif.assign(d=edif.prof_depresion_m >= 0.5).groupby("id_celda")["d"].mean().reindex(malla.index)
amenaza = 0.5 * riesgo.normalizar(malla["prof_depresion_m"].fillna(0)) + 0.5 * riesgo.normalizar(malla["frac_edif_depresion"].fillna(0))
expo = 0.5 * riesgo.normalizar(malla["densidad_construida"]) + 0.5 * riesgo.normalizar(malla["poblacion"])
malla["riesgo_pluvial"] = riesgo.matriz_riesgo(riesgo.clasificar(amenaza), riesgo.clasificar(expo.where(malla.n_edif > 0)))
con = malla[malla.n_edif > 0]
fig, ax = plt.subplots(figsize=(6.4, 7))
viz.mapa_celdas(con, "riesgo_pluvial", ax=ax, categorias=riesgo.CLASES, colores=riesgo.COLORES_CLASES, etiqueta="riesgo relativo",
                titulo="Riesgo relativo por encharcamiento")
display(con.groupby("riesgo_pluvial", observed=False)[["n_edif", "poblacion"]].sum().round(0))
malla[["prof_depresion_m", "frac_edif_depresion", "riesgo_pluvial"]].to_csv(fuentes.ruta("riesgo_pluvial_celdas.csv"))

3. Vendavales: un riesgo de toda la ciudad¶

ung = fuentes.emergencias_ungrd()
di = fuentes.desinventar()
v = pd.concat([di[di.evento.str.contains("Vendaval", na=False)][["vivafec", "vivdest", "afectados"]].rename(columns={"vivafec": "averiadas", "vivdest": "destruidas"}),
               ung[ung.evento.str.contains("VENDAVAL", na=False)][["viviendas_averiadas", "viviendas_destruidas", "personas"]].rename(
                   columns={"viviendas_averiadas": "averiadas", "viviendas_destruidas": "destruidas", "personas": "afectados"})])
resumen = pd.Series({"eventos registrados": len(v), "viviendas averiadas (total)": v["averiadas"].sum(), "viviendas destruidas (total)": v["destruidas"].sum(),
                     "personas afectadas (total)": v["afectados"].sum(), "edificaciones en la ciudad": len(edif)})
display(resumen.round(0).astype(int).to_frame("valor"))

Lectura. Toda edificación de la ciudad está expuesta a un vendaval; la vulnerabilidad depende sobre todo de la cubierta (láminas de zinc o fibrocemento mal ancladas) y del arbolado cercano. El catastro de Leticia no registra el material de las cubiertas en datos abiertos, así que este libro no puede mapear esa vulnerabilidad. Programas de anclaje de techos, poda preventiva y sistemas de alerta por tormentas convectivas (IDEAM) son las medidas de menor costo y mayor efecto.

References¶

GFDRR. (2024). ThinkHazard! Leticia, Amazonas, Colombia. Global Facility for Disaster Reduction and Recovery, World Bank. https://thinkhazard.org/en/report/13336-colombia-amazonas-leticia