貢獻
將高解析度流洪水模型的年平均超標機率估計值與網格化人口和貧困資料相結合，建立了 90 米解析度的全球洪水脆弱性調整風險指數（VARI Flood）。該指數提供了國家內部或國家之間相對風險的估計值，並透過識別以高密度和高社會脆弱性為特徵的 "熱點地區"，改變了我們對風險地理的理解。這種方法強調人類福祉面臨的風險，可作為傳統的以人口或資產為中心的方法的補充
資料
GDP
目前很少有全球網格資料集可用於測量高空間解析度下的相對貧困狀況。Chi 等人提供了解析度為 2.4 千米的全球網格化相對貧困和富裕估算值，這比現有的人口資料和洪水模型輸出要粗糙得多。因此，為了獲得儘可能高的解析度和最大的覆蓋範圍，我們使用了兩個替代來源。我們首選的資料來自 Chen 等人，他們提供了 1992-2019 年全球 175 個國家 1 千米解析度的網格國內生產總值。透過將單元 GDP 除以 WorldPop（見下文）中的單元人口，將這些收入的areal估計值轉換為人均估計值。
Global Gridded Relative Deprivation Index (GRDI), v1: Poverty Mapping | SEDAC (columbia.edu)
年超標機率 (AEP)
本研究採用了布里斯托爾大學/ Fathom 全球洪水模型 (GFM) 第 2 版的沖積洪水危害圖。該版本使用了與 Sampson 等人所描述的相同的建模框架，但改進了來自 MERIT DEM 的高程資料、來自 MERIT-Hydro 的更精確的河網以及用於估算河流輸送能力的最新方法。模型的邊界條件（即河流中的水量）是透過全球區域化洪水頻率分析來估算的。所有上游面積大於 50 千米的流域都進行了模擬。提供 10 個重現期（5、10、20、50、75、100、200、250、500 和 1000）的洪水深度，間距為 3 弧秒（赤道處約 90 米）。將洪水重現期轉換為 AEP 值的方法是，首先繪製二元洪水圖，洪水深度大於 10 釐米即為洪水，然後為洪水畫素分配 AEP 值（即相關洪水重現期的倒數）。對於每個畫素點，從洪水災害機率堆疊中提取最大 AEP 值（即最頻繁的洪水災害機率），從而建立一個單一的洪水災害機率圖。
網格化人口資料
人口資訊由WorldPop的建築約束版本提供。此版本的 WorldPop 使用隨機森林方法和各種空間協變數將人口普查資訊分發到從衛星資料派生的建築物位置。該資料提供了 2020 年以 3 弧秒網格間距計算的人口數量，並進行了調整以匹配聯合國 （UN） 的人口估計值。需要注意的是，我們選擇了“受約束”的人口資料集，而不是“無約束”版本（如WorldPop Unconstrained、LandScan或GPWv4）。無約束人口資料集的不同之處在於，它們不考慮建築物覆蓋區，因此將人口分佈到所有可居住畫素，而不是人們居住的地方。這在考慮洪水風險時具有重要意義，因為不受約束的人口資料集傾向於將人們分佈在無人居住的土地上（例如經常被洪水淹沒的洪泛區），而實際上人們（通常）生活在洪泛區的邊緣，除了最極端的洪水之外，其他所有洪水都無法觸及。其結果是，不受約束的人口資料集高估了洪水暴露。
方法
GDP、AEP和人口資料的空間匹配
AEP 和種群資料具有相似的空間解析度，赤道處為 3 角秒，使用 WGS 1984 偽墨卡託投影系統約為 90 m。然而，GDP資料的空間解析度在赤道處為30角秒，大約1公里。在將三個資料集組合在一起構建 VARI Flood 之前，三個資料集的空間解析度必須保持一致，這一點很重要。因此，我們對每個國家的GDP資料進行了上取樣，以使用“最近鄰”技術在空間上匹配AEP和人口資料集的解析度。
構建 VARI Flood
將網格化的 AEP、人口資料和人均 GDP 資料結合起來，為所有單元格化脆弱性調整後的風險評分生成，AEP >為 0。這分三個階段完成。首先，將每個細胞的 AEP 乘以細胞群，以生成整個回報期範圍內的預期種群暴露 （EPE） 度量。與使用固定和任意重現期閾值（例如100年一遇的洪水事件）的傳統方法相比，我們的方法考慮了這樣一個事實，即災害事件存在於一系列機率上，而這些機率無法透過模擬洪水事件的單一機率（例如100年一遇的洪水事件）來捕獲。小規模、相對頻繁的洪水（<50 年一遇的洪水）可能導致嚴重的破壞和死亡，例如 2011 年泰國洪水。 最近在地方一級的研究發現，洪水風險不平等在頻繁發生洪水機率的情況下尤為普遍。 另一方面，極端洪水事件的可能性（>1/100）正在上升。例如，2021 年 7 月德國洪水和 2017 年美國颶風哈維等近期重大事件的洪水風險將在使用 100 年一遇洪水的典型洪水風險評估中被遺漏。為了表示全範圍的機率，我們模擬了10個不同的洪水重現期（5,10,20,50,75,100,200,250,500,1000）的河流洪水，解析度為90米，集水區超過50公里的河流，並將其整合到AEP的度量中，這是重現期的倒數。這與網格化的人口資料相結合，產生了我們的 EPE 測量值。VARI 洪水評分系統可用於評估多個尺度的相對風險。對於全球應用，人口和貧困五分位數來自這些變數的全球分佈;在國家一級，輸入五分位數是從具體國家的分佈中抽取的。在第二步中，使用這些值的全球分佈（圖1和圖2）和特定國家/地區的分佈（圖3和圖4），將所有單元的EPE和歸一化人均GDP估計值劃分為五分位數。我們使用人均五分位數GDP的倒數來反映社會脆弱性，因此第一個五分位數反映了最富有的20%，第五個五分位數反映了最貧窮的20%。第三，我們將 EPE 和脆弱性五分位數相乘，取平方根並向上或向下舍入到最接近的整數，得到最終的風險評分（方程 1）
種方法與過去的研究不同，它整合了貧困和暴露資訊，以生成一個簡單的風險評分系統。例如，如果單個重現期的人口暴露是評估某個地點風險的唯一因素（標準做法），則風險指數將與預測洪水氾濫地點的人口密度高度相關（即更多人=更多風險）。如果用GDP來代替，風險將與收入高度相關（即更多的收入=更多的風險）。VARI洪水評分系統透過考慮（a）洪水風險的全方位（高達1000年一遇的機率），（b）人口暴露和（c）貧困措施所代表的相對脆弱性，提供了更多的細微差別
其他
Data availability
The raw Fathom global flood model data are restricted for commercial reasons but are available for academic purposes (https://www.fathom.global/contact-us/). The WorldPop constrained high-resolution population counts are available to download (https://hub.worldpop.org/project/categories?id=3). Global gridded GDP are available for download (https://doi.org/10.6084/m9.figshare.17004523.v1). Multi-dimensional relative deprivation data are available for download (https://sedac.ciesin.columbia.edu/data/set/povmap-grdi-v1). Administrative boundary data are from Fieldmaps (https://fieldmaps.io/). Data of subnational flood hazard exposure and risk estimates for 175 countries, which are the output of our analysis, are available for download on Figshare (https://doi.org/10.6084/m9.figshare.25273429.v3).
Code availability
R was used to prepare annual exceedance probability rasters. Python 3.0 was used for all other analysis. QGIS was used to were used to prepare maps. Replication code for the main analysis is available here: https://doi.org/10.6084/m9.figshare.25285540.v1.