Decision support system for coastal area management in response to flooding and coastal erosion: a case study of Tumaco-Nariño

Abstract

(English) Flood and erosion risk management in coastal areas affected by these processes requires integrated and, when conditions allow, coupled approaches that combine physical, socioeconomic, and cultural factors. This thesis develops a methodology based on a decision support system (DSS), which operates in contexts with data scarcity and high uncertainty. This DSS integrates coupled numerical modeling (FLOW+SWAN), geospatial analysis, fuzzy logic (FL), machine learning (ML), and multi-criteria decision analysis (MCDA) with Monte Carlo simulations, offering a platform focused on risk characterization and the spatial prioritization of development pathways (DP) proposed in the Sixth Assessment Report (AR6) of the Intergovernmental Panel on Climate Change (IPCC). Its flexible design allows for the combination of indices that consider hazard, vulnerability, and exposure, and the evaluation of DP such as hard and soft engineering measures, built environment adaptation, planned retreat or advancement, and nature-based solutions (NBS), adapted to coastal archetypes. Flood and erosion hazards are estimated based on coastal water levels that exceed land elevation and coastal slopes, considering significant wave height (SWH) and tidal range obtained through numerical modeling, and integrating as additive factors the influence of peak wave period (PWP) and wave direction (WDI). The degree of influence of oceanic forcing on shoreline displacement (SLD), analyzed using 30 years of data from the Landsat 5, 7, 8, and 9 collections with CoastSat, is quantified using a random forest. Vulnerability is defined based on elevation, terrain slope, and the normalized difference vegetation index (NDVI), while exposure is based on land use and land cover (LULC) and human settlements (HS); all these variables are derived from Sentinel-2 imagery processed using a convolutional neural network (ResNet). These layers are normalized and combined using fuzzy membership functions along with Monte Carlo simulations, which allows the generation of probabilistic risk maps derived from hazard, vulnerability, and exposure. In parallel, the DP are prioritized through MCDA, using the Technique for Order Preference by Similarity to Ideal Solution (TOPSIS), enhanced with Monte Carlo simulations to incorporate the uncertainty associated with expert judgment. Finally, the optimal solutions are spatially assigned according to the risk distribution, sea level rise (SLR) scenarios (SSP1-2.6, SSP2-4.5, and SSP5-8.5) projected by NASA, and LULC and HS projections for the present, 2050, and 2100. The methodology developed constitutes the main result of this thesis. In its application to El Morro and Tumaco islands, in the Bay of Tumaco (Nariño – Colombia), the spatial allocation of DP shows a predominant combination of NBS, soft engineering, and built environment adaptation, distributed according to the level of risk, LULC, and HS. When comparing scenarios with and without numerical modeling, it is observed that the omission of modeling leads to a significant overestimation of risk areas, which implies managing approximately 284 more hectares than are necessary. Likewise, the inclusion of sea level rise (SLR) projected by the SSP scenarios allows the identification of 52 additional hectares requiring intervention in the long term. These differences demonstrate that the DSS is not only robust but also flexible, as it allows for the evaluation of scenarios with varying degrees of technical complexity and the adjustment of the risk threshold established in this case at the 95th percentile according to the decision maker’s level of risk tolerance.

(Català) La gestió del risc d’inundació i erosió en zones costaneres afectades per aquests processos requereix enfocaments integrats i, quan les condicions ho permeten, acoblats, que combinin factors físics, socioeconòmics i culturals. Aquesta tesi desenvolupa una metodologia basada en un sistema de suport a la presa de decisions (DSS), que opera en contextos amb escassetat de dades i alta incertesa. Aquest DSS integra modelització numèrica acoblada (FLOW+SWAN), anàlisi geoespacial, lògica difusa (FL), aprenentatge automàtic (ML) i anàlisi multicriteri (MCDA) amb simulacions Monte Carlo, oferint una plataforma orientada tant a la caracterització del risc com a la priorització espacial de trajectòries de desenvolupament (DP) proposades al sisè informe (AR6) del Panell Intergovernamental sobre Canvi Climàtic (IPCC). El seu disseny flexible permet combinar índexs que consideren l’amenaça, la vulnerabilitat i l’exposició, i avaluar les DP, com ara mesures d’enginyeria dura, blana, adaptació de l’entorn construït, retrocés o avanç planificat i solucions basades en la natura (NBS), adaptades a arquetips costaners. L’amenaça d’inundació i erosió s’estima a partir del nivell de l’aigua adjacent a la costa que supera l’elevació del terreny i els pendents costaners, considerant l’alçada significativa de l’onatge (SWH) i el rang mareal obtinguts mitjançant modelització numèrica, i integrant com a factors additius la influència del període de pic de l’onatge (PWP) i la seva direcció (WDI). El grau d’influència del forçament oceànic sobre el desplaçament de la línia de costa (SLD), analitzada amb 30 anys de dades de les col·leccions Landsat 5, 7, 8 i 9 mitjançant CoastSat, es quantifica amb un bosc aleatori. La vulnerabilitat es defineix a partir de l’elevació, el pendent del terreny i l’índex de vegetació normalitzada (NDVI), mentre que l’exposició es basa en l’ús i la cobertura del sòl (LULC) i en els assentaments humans (HS); totes aquestes variables es deriven d’imatges Sentinel-2 processades amb una arquitectura de xarxa neuronal convolucional (ResNet). Aquestes capes es normalitzen i combinen mitjançant funcions de pertinença difusa i simulacions Monte Carlo, generant mapes probabilístics de risc derivats de l’amenaça, vulnerabilitat i exposició. Paral·lelament, les DP es prioritzen mitjançant MCDA, utilitzant el mètode Technique for Order Preference by Similarity to Ideal Solution (TOPSIS), reforçat amb Monte Carlo per incorporar la incertesa associada al judici expert. Finalment, les solucions òptimes s’assignen espacialment segons la distribució del risc, els escenaris d’augment del nivell del mar (SSP1-2.6, SSP2-4.5 i SSP5-8.5) projectats per la NASA, i les projeccions de LULC i HS per al present, 2050 i 2100. La metodologia desenvolupada constitueix el principal resultat d’aquesta tesi. En la seva aplicació a les illes El Morro i Tumaco, a la badia de Tumaco (Nariño – Colòmbia), l’assignació espacial de les DP mostra una combinació predominant de NBS, enginyeria blana i adaptació de l’entorn construït, distribuïdes segons el nivell de risc, el LULC i els HS. En comparar escenaris amb i sense modelització numèrica, s’observa que l’omissió d’aquesta condueix a una sobreestimació significativa de les àrees en risc, fet que implica gestionar aproximadament 284 hectàrees més de les realment necessàries. Així mateix, la inclusió de l’augment del nivell del mar (SLR) projectat pels escenaris SSP permet identificar 52 hectàrees addicionals que requereixen intervenció a llarg termini. Aquestes diferències demostren que el DSS no només és robust, sinó també flexible, ja que permet avaluar escenaris amb diferents graus de complexitat tècnica i ajustar el llindar de risc —establert en aquest cas en el percentil 95% segons el nivell de tolerància del decisor.

(Español) La gestión del riesgo de inundación y erosión en áreas costeras afectadas por procesos de inundación y erosión requiere enfoques integrados y, cuando las condiciones lo permiten, acoplados, que combinen factores físicos, socioeconómicos y culturales. Esta tesis desarrolla una metodología basada en un sistema de soporte de decisiones (DSS), que opera en contextos con escasez de datos y alta incertidumbre. Este DSS integra modelación numérica acoplada (FLOW+SWAN), análisis geoespacial, lógica difusa (FL), aprendizaje automático (ML) y análisis multicriterio (MCDA) con simulaciones Monte Carlo, ofreciendo una plataforma orientada a la caracterización del riesgo y a la priorización espacial de trayectorias de desarrollo (DP) propuestas en el sexto informe (AR6) del Panel Intergubernamental de Cambio Climático (IPCC). Su diseño flexible permite combinar índices que consideran amenaza, vulnerabilidad y exposición, y evaluar las DP, tales como medidas de ingeniería dura, blanda, adaptación del entorno construido, retroceso o avance planificado y soluciones basadas en la naturaleza (NBS), adaptadas a arquetipos costeros. La amenaza de inundación y erosión se estima a partir del nivel del agua adyacente a la costa que supera la elevación del terreno y las pendientes costeras, considerando la altura significativa del oleaje (SWH) y el rango mareal obtenidos mediante modelación numérica, e integrando como factores aditivos la influencia del período pico del oleaje (PWP) y la dirección del oleaje (WDI). El grado de influencia del forzamiento oceánico sobre el desplazamiento de la línea de costa (SLD) analizada a través de 30 años de datos de la colección Landsat 5,7,8 y 9 con CoastSat se cuantifica mediante un bosque aleatorio. La vulnerabilidad se define a partir de la elevación, pendiente del terreno y el índice de vegetación normalizado (NDVI), mientras que la exposición se basa en el uso y cobertura del suelo (LULC) y en los asentamientos humanos (HS); todas estas variables se derivan de imágenes Sentinel-2 procesadas mediante una arquitectura de red neuronal convolucional (ResNet). Estas capas se normalizan y combinan mediante funciones de membresía difusa junto con simulaciones Monte Carlo, lo que permite generar mapas probabilísticos de riesgo derivados de la amenaza, vulnerabilidad y exposición. Paralelamente, las DP se priorizan mediante MCDA, utilizando el método Technique for Order Preference by Similarity to Ideal Solution (TOPSIS), potenciado con Monte Carlo para incorporar la incertidumbre asociada al juicio experto. Finalmente, las soluciones óptimas se asignan espacialmente según la distribución del riesgo, los escenarios de aumento del nivel del mar (SSP1-2.6, SSP2-4.5 y SSP5-8.5) proyectados por la NASA, y las proyecciones de LULC y HS para el presente, 2050 y 2100. La metodología desarrollada constituye el principal resultado de esta tesis. En su aplicación a las islas El Morro y Tumaco, en la Bahía de Tumaco (Nariño - Colombia), la asignación espacial de DP evidencia una combinación predominante de NBS, ingeniería suave y adaptación del entorno construido, distribuidas en función del nivel de riesgo, el LULC y los HS. Al comparar escenarios con y sin modelación numérica, se observa que la omisión de esta conduce a una sobreestimación significativa de las áreas en riesgo, lo que implica gestionar aproximadamente 284 hectáreas más de las realmente necesarias. Asimismo, la inclusión del aumento del nivel del mar (SLR) proyectado por los escenarios SSP permite identificar 52 hectáreas adicionales que requieren intervención a largo plazo. Estas diferencias demuestran que el DSS no solo es robusto, sino también flexible, al permitir evaluar escenarios con distintos grados de complejidad técnica y ajustar el umbral de riesgo establecido en este caso en el percentil 95% según el nivel de tolerancia del tomador de decisiones.