Real-time of what-if overstromingsrisico’s

Risico’s worden berekend door kansen te combineren met gevolgen. In de toolbox Continu Inzicht worden fragilitycurves gebruikt om de conditionele kans op falen van een sectie (per faalmechanisme) te bepalen. De gevolgen van een overstroming worden bepaald met behulp van overstromingsscenarioberekeningen, ook wel aangeduid met scenario’s. Uit een overstroomd gebied worden gevolgen afgeleid zoals economische schade, slachtoffers, en getroffenen.
Door conditionele kansen met gevolgen te combineren kunnen conditionele risico’s worden bepaald, bestaande uit de verwachte economische schade van een gebied, het verwachte aantal slachtoffers en/of getroffen in een gebied en/of de plaatsgebonden overstromingskans van een locatie.

Deze risico’s kunnen helpen om prioriteiten te stellen tijdens een hoogewatern, waarbij er niet alleen een kans of een afzonderlijk gevolg wordt beschouwd.

Om de scenarios te kunnen combineren moeten er een aantal stappen worden doorlopen: - Omrekenen van dijkvakkansen naar trajectdeelkansen (CalculateFloodScenarioProbability) - Belasting per deeltraject bepalen (LoadFromFloodScenarioProbabilit) - Met de belasting een bijpassende overstromingscenario selecteren (SelectFloodScenarioFromLoad) - Van het scenario en de curve een geagregeerd risico bepalen (CalculateFloodRisk)

# initialiseer de (toolbox continu inzicht) modules
from pathlib import Path

from toolbox_continu_inzicht.base.config import Config
from toolbox_continu_inzicht.base.data_adapter import DataAdapter

CalculateFloodScenarioProbability

Dit voorbeeld laat zien hoe met behulp van de CalculateFloodScenarioProbability scenariokansen berekend worden uit kansen per sectie en per faalmachanisme.
Eerst worden de kansen per sectie en faalmachanisme ingeladen, daarna worden deze gecombineerd naar een kans over alle secties (voorheen aangeduid als de ringkans) per faalmechanisme. Daarna worden de kansen over alle secties per faalmechanisme gecombineerd naar 1 kans over alle secties en over alle faalmechanismen.
Deze volgorde (eerst combineren over alle sectie en daarna over alle faalmechanismen) is bewust gekozen omdat per faalmechanisme verschillende met andere correlaties wordt gerekend. Voor het faalmechanisme GEKB wordt verondersteld dat alle secties volledig afhankelijk falen en voor de overige faalmechanismen wordt verondersteld dat de secties volledig onafhankelijk falsen. Door gekozen volgorde bij het combineren van faalkansen aan te houden, kan dit onderscheid geborgd worden. Tussen de verschillende faalmechanismen wordt volledige onafhankelijkheid verondersteld. N.B. in een volledige probabilistische berekening (waarbij niet met fragility curves wordt gerekend) kan de daadwerkelijke correlatie worden berekend en is het ook mogelijk om te rekenen met gedeeltelijke afhankelijkheid. Dat is in een werkwijze met fragilitycurves niet mogelijk.

GlobalVariables:
    rootdir: "data_sets/7.flood_scenarios"
    moments: [-24,0,24,36]

DataAdapter:
    default_options:
        csv:
            sep: ","
    input_failuremechanism:
        type: csv
        file: "rekentest_failuremechanism.csv"
    input_probabilities_failuremechanisme_sections:
        type: csv
        file: "rekentest_probabilities_failuremechanisme_sections.csv"
    input_sections_in_segment:
        type: csv
        file: "rekentest_sections_in_segment.csv"
    output_scenario_failure_prob_segments:
        type: csv
        index: false
        file: "hidden_rekentest_scenario_failure_prob_segments.csv"
    output_combined_failure_prob_all_sections:
        type: csv
        index: false
        file: "hidden_rekentest_combined_failure_prob_all_sections.csv"

Op dit momemt moet het voorbeeld nog worden uitgebreid met: - loop over momenten inbouwen - Mee nemen van een lengte-effect factor bij het bepalen van de faalkans per segment

# laadt de configuratie en initialiseer de data adapter
path = Path.cwd() / "data_sets" / "7.flood_scenarios"
config = Config(
    config_path=path / "rekentest_calculate_flood_scenario_probability.yaml"
)
config.lees_config()
data_adapter = DataAdapter(config=config)

# druk een overzicht van de faalmechanismen af
data_adapter.input("input_failuremechanism")

	failuremechanism_id	name	description
0	1	COMB	Combinatie faalmechanismen
1	2	GEKB	Overloop en overslag
2	3	STPH	Opbarsten en piping
3	4	STBI	Stabiliteit binnenwaarts dijken
4	5	HTKW	Overloop en overslag langsconstructies
5	6	STKWl	Stabiliteit langsconstructies
6	7	PKW	Piping langsconstructies

# druk een overzicht van de secties per segment af
data_adapter.input("input_sections_in_segment")

	section_id	segment_id
0	34002010	7
1	34002011	7
2	34002012	7
3	34003023	2
4	34003024	2
5	34003025	2

# druk een overzicht van de faalkansen per sectie en faalmechanisme af
data_adapter.input("input_probabilities_failuremechanisme_sections")

	section_id	failuremechanism_id	failure_probability
0	34003023	1	1.990687e-01
1	34003024	1	2.726964e-02
2	34003025	1	2.972052e-02
3	34002010	1	4.982228e-01
4	34002011	1	4.685261e-01
5	34002012	1	4.755186e-01
6	34003023	2	1.690000e-14
7	34003024	2	1.690000e-14
8	34003025	2	1.690000e-14
9	34002010	2	4.685261e-01
10	34002011	2	4.685261e-01
11	34002012	2	4.685261e-01
12	34003023	3	6.034349e-03
13	34003024	3	2.726964e-02
14	34003025	3	2.972052e-02
15	34002010	3	5.587615e-02
16	34002011	3	0.000000e+00
17	34002012	3	1.315684e-02
18	34003023	4	1.942062e-01
19	34003024	4	0.000000e+00
20	34003025	4	0.000000e+00
21	34002010	4	0.000000e+00
22	34002011	4	0.000000e+00
23	34002012	4	0.000000e+00

# importeer en initialiseer de module voor het berekenen van de scenariokansen per segment
from toolbox_continu_inzicht.flood_scenarios import CalculateFloodScenarioProbability

# maak een instantie van de klasse CalculateFloodScenarioProbability
calculate_flood_scenario_probability = CalculateFloodScenarioProbability(
    data_adapter=data_adapter
)

# voer de berekening van de scenariokansen uit
calculate_flood_scenario_probability.run(
    input=[
        "input_failuremechanism",
        "input_probabilities_failuremechanisme_sections",
        "input_sections_in_segment",
    ],
    output=[
        "output_scenario_failure_prob_segments",
        "output_combined_failure_prob_all_sections",
    ],
)

# druk een overzicht van de scenariokansen faalkansen per segment en over alle faalmechanismen af
calculate_flood_scenario_probability.df_out_scenario_failure_prob_segments

	segment_id	scenario_failure_probability
1	2	0.203910
0	7	0.421769

# druk een overzicht van de gecombineerde faalkansen over alle secties en over alle faalmechanismen af
calculate_flood_scenario_probability.df_out_combined_failure_prob_all_sections

	failuremechanism_id	combined_failure_probability
0	1	0.625679

LoadFromFloodScenarioProbability

Voor het bepalen van de risico van een overstroming is het nodig om een bijpassend overstromingsscenario te selecteren. Er zijn meerdere overstromingsscenario’s beschikbaar die verschillende hydraulische belastingen representeren.
Afhankelijk van de scenariokans van een deeltraject (segment) kan een bijpassend overstromingsscenario worden geselecteerd. Hiertoe is het nodig om de hydraulische belasting per deeltraject te bepalen. Dat kan met behulp van de fragilitycurves. Hiertoe is het noodzakelijk om 1 representatieve fragilitycurve per deeltraject te selecteren. Dat doen we door voor elk deeltraject (segment) 1 sectie te selecteren. De fragilitycurve van deze sectie wordt dan gebruikt om de scenariekans van het deeltraject (segement) om te zetten in een hydraulische belasting, die daarna gebruik kan worden om een bijpassend overstromingsscenario te selecteren voor het deeltraject (segment).

GlobalVariables:
    rootdir: "data_sets/7.flood_scenarios"
    moments: [ -24, 0, 24, 36 ]
    LoadFromFloodScenarioProbability:
        failuremechanism_id_combined: 1

DataAdapter:
    default_options:
        csv:
            sep: ","
    input_scenario_failure_prob_segments:
        type: csv
        file: "hidden_rekentest_scenario_failure_prob_segments.csv"
    input_section_to_segment:
        type: csv
        file: "rekentest_section_to_segment.csv"
    input_section_fragility_curves:
        type: csv
        file: "rekentest_fragilitycurves.csv"
    output_scenario_loads:
        type: csv
        path: "hidden_rekentest_scenario_loads.csv"

Dit is specifiek voor een moment, over meerdere momenten loopen moet op een hoger viveau.

# laadt de configuratie en initialiseer de data adapter
path = Path.cwd() / "data_sets" / "7.flood_scenarios"
config = Config(
    config_path=path / "rekentest_load_from_flood_scenario_probability.yaml"
)
config.lees_config()
data_adapter = DataAdapter(config=config)

# druk een overzicht van de scenariokansen per segment af
data_adapter.input("input_scenario_failure_prob_segments")

	segment_id	scenario_failure_probability
0	2	0.203910
1	7	0.421769

# druk een overzicht van de mapping van sectie naar segment af
data_adapter.input("input_section_to_segment")

	segment_id	section_id	length	measure_id
0	2	34003024	3346.94	0
1	7	34002010	2610.69	0

# druk een overzicht van de fragiliteitscurves per faalmechanisme af
data_adapter.input("input_section_fragility_curves")

	section_id	failuremechanism_id	measure_id	hydraulicload	failure_probability
0	34003024	1	0	3.15	0.000216
1	34003024	1	0	3.20	0.000295
2	34003024	1	0	3.25	0.000461
3	34003024	1	0	3.30	0.000627
4	34003024	1	0	3.35	0.000959
...	...	...	...	...	...
2436	34002011	1	0	5.30	0.999367
2437	34002011	1	0	5.35	0.999550
2438	34002011	1	0	5.40	0.999676
2439	34002011	1	0	5.45	0.999764
2440	34002011	1	0	5.50	0.999827

2441 rows × 5 columns

# importeer en initialiseer de module voor het bepalen van de belastingen vanuit scenariokansen
from toolbox_continu_inzicht.flood_scenarios import LoadFromFloodScenarioProbability

# voer de bepaling van de hydraulische belastingen uit
load_from_flood_scenario_probability = LoadFromFloodScenarioProbability(
    data_adapter=data_adapter
)
load_from_flood_scenario_probability.run(
    input=[
        "input_scenario_failure_prob_segments",
        "input_section_to_segment",
        "input_section_fragility_curves",
    ],
    output="output_scenario_loads",
)

# druk een overzicht van de belastingen overeenkomstig de scenariokansen (per segment) af
load_from_flood_scenario_probability.df_out_scenario_loads

	hydraulicload
segment_id
2	4.063309
7	4.592589

SelectFloodScenarioFromLoad

Voor het bepalen van de risico van een overstroming is het nodig om een bijpassend overstromingsscenario te selecteren. Er zijn meerdere overstromingsscenario’s beschikbaar die verschillende hydraulische belastingen representeren. Per scenario is een hydraulische belasting (per deeltraject) bepaald. Met deze hydraulische belasting kan een bijpassend overstromingsscenario geselcteerd worden voor het deeltraject (segment).

GlobalVariables:
    rootdir: "data_sets/7.flood_scenarios"
    moments: [ -24, 0, 24, 36 ]

DataAdapter:
    default_options:
        csv:
            sep: ","
    input_scenarios_loads:
        type: csv
        path: "hidden_rekentest_scenario_loads.csv"
    input_consequences_loads:
        type: csv
        path: "rekentest_consequences_loads.csv"
    output_scenario_consequences_grids:
        type: csv
        path: "hidden_rekentest_scenario_consequences_grids.csv"

# laadt de configuratie en initialiseer de data adapter
path = Path.cwd() / "data_sets" / "7.flood_scenarios"
config = Config(config_path=path / "rekentest_select_flood_scenario_from_load.yaml")
config.lees_config()
data_adapter = DataAdapter(config=config)

# druk een overzicht van de belastingen overeenkomstig de scenariokansen (per segment) af
data_adapter.input("input_scenarios_loads")

	segment_id	hydraulicload
0	2	4.063309
1	7	4.592589

# druk een overzicht van de gevolgen voor verschillende hydraulische belastingniveau's af
data_adapter.input("input_consequences_loads")

	segment_id	section_id	hydraulicload_upperboundary	waterdepth_grid	casualties_grid	damage_grid	flooding_grid	affected_people_grid
0	2	34003024	3.300	NaN	NaN	NaN	NaN	NaN
1	2	34003024	3.497	2_waterdiepteTP-1D.asc	2_slachtoffersTP-1D.asc	2_schadeTP-1D.asc	2_nattevoetenTP-1D.asc	2_getroffenenTP-1D.asc
2	2	34003024	4.723	2_waterdiepteTP.asc	2_slachtoffersTP.asc	2_schadeTP.asc	2_nattevoetenTP.asc	2_getroffenenTP.asc
3	2	34003024	4.930	2_waterdiepteTP+1D.asc	2_slachtoffersTP+1D.asc	2_schadeTP+1D.asc	2_nattevoetenTP+1D.asc	2_getroffenenTP+1D.asc
4	7	34002010	3.400	NaN	NaN	NaN	NaN	NaN
5	7	34002010	3.603	7_waterdiepteTP-1D.asc	7_slachtoffersTP-1D.asc	7_schadeTP-1D.asc	7_nattevoetenTP-1D.asc	7_getroffenenTP-1D.asc
6	7	34002010	4.811	7_waterdiepteTP.asc	7_slachtoffersTP.asc	7_schadeTP.asc	7_nattevoetenTP.asc	7_getroffenenTP.asc
7	7	34002010	5.143	7_waterdiepteTP+1D.asc	7_slachtoffersTP+1D.asc	7_schadeTP+1D.asc	7_nattevoetenTP+1D.asc	7_getroffenenTP+1D.asc

# importeer en initialiseer de module voor het bepalen van de bijbehorende scenario's vanuit belastingen
from toolbox_continu_inzicht.flood_scenarios import SelectFloodScenarioFromLoad

# voer de bepaling van het bijbehorende gevolggrid uit
select_flood_scenario_from_load = SelectFloodScenarioFromLoad(data_adapter=data_adapter)
select_flood_scenario_from_load.run(
    input=[
        "input_scenarios_loads",
        "input_consequences_loads",
    ],
    output="output_scenario_consequences_grids",
)

# druk een overzicht van de bijbehorende gevolgen per scenario af
select_flood_scenario_from_load.df_out_scenario_consequences_grids

	segment_id	section_id	hydraulicload_upperboundary	waterdepth_grid	casualties_grid	damage_grid	flooding_grid	affected_people_grid
2	2	34003024	4.723	2_waterdiepteTP.asc	2_slachtoffersTP.asc	2_schadeTP.asc	2_nattevoetenTP.asc	2_getroffenenTP.asc
6	7	34002010	4.811	7_waterdiepteTP.asc	7_slachtoffersTP.asc	7_schadeTP.asc	7_nattevoetenTP.asc	7_getroffenenTP.asc

Alternatief: keuze uit twee scenarios

Standaard wordt er per scenariokans, één overstromingsscenario geselecteerd op basis van de hydraulische belasting. Met de parameter return_two_scenarios kan ervoor gekozen worden om twee overstromingsscenarios te selecteren. De gebruiker kan hiermee zelf bepalen welk scenario hij wil gebruiken voor de risico berekening. Of eventueel de gemiddelde schade van de twee scenario’s gebruiken, of beide tonen.

GlobalVariables:
    rootdir: "data_sets/7.flood_scenarios"
    moments: [ -24, 0, 24, 36 ]
    SelectFloodScenarioFromLoad:
        return_two_scenarios: True

DataAdapter:
    default_options:
        csv:
            sep: ","
    input_scenarios_loads:
        type: csv
        path: "hidden_rekentest_scenario_loads.csv"
    input_consequences_loads:
        type: csv
        path: "rekentest_consequences_loads.csv"
    output_scenario_consequences_grids:
        type: csv
        path: "hidden_rekentest_scenario_consequences_grids.csv"

# laadt de configuratie en initialiseer de data adapter
path = Path.cwd() / "data_sets" / "7.flood_scenarios"
config = Config(
    config_path=path / "rekentest_select_flood_scenario_from_load_two_scenarios.yaml"
)
config.lees_config()
data_adapter = DataAdapter(config=config)

# druk een overzicht van de belastingen overeenkomstig de scenariokansen (per segment) af
data_adapter.input("input_scenarios_loads")

	segment_id	hydraulicload
0	2	4.063309
1	7	4.592589

# druk een overzicht van de gevolgen voor verschillende hydraulische belastingniveau's af
data_adapter.input("input_consequences_loads")

	segment_id	section_id	hydraulicload_upperboundary	waterdepth_grid	casualties_grid	damage_grid	flooding_grid	affected_people_grid
0	2	34003024	3.300	NaN	NaN	NaN	NaN	NaN
1	2	34003024	3.497	2_waterdiepteTP-1D.asc	2_slachtoffersTP-1D.asc	2_schadeTP-1D.asc	2_nattevoetenTP-1D.asc	2_getroffenenTP-1D.asc
2	2	34003024	4.723	2_waterdiepteTP.asc	2_slachtoffersTP.asc	2_schadeTP.asc	2_nattevoetenTP.asc	2_getroffenenTP.asc
3	2	34003024	4.930	2_waterdiepteTP+1D.asc	2_slachtoffersTP+1D.asc	2_schadeTP+1D.asc	2_nattevoetenTP+1D.asc	2_getroffenenTP+1D.asc
4	7	34002010	3.400	NaN	NaN	NaN	NaN	NaN
5	7	34002010	3.603	7_waterdiepteTP-1D.asc	7_slachtoffersTP-1D.asc	7_schadeTP-1D.asc	7_nattevoetenTP-1D.asc	7_getroffenenTP-1D.asc
6	7	34002010	4.811	7_waterdiepteTP.asc	7_slachtoffersTP.asc	7_schadeTP.asc	7_nattevoetenTP.asc	7_getroffenenTP.asc
7	7	34002010	5.143	7_waterdiepteTP+1D.asc	7_slachtoffersTP+1D.asc	7_schadeTP+1D.asc	7_nattevoetenTP+1D.asc	7_getroffenenTP+1D.asc

# importeer en initialiseer de module voor het bepalen van de bijbehorende scenario's vanuit belastingen
from toolbox_continu_inzicht.flood_scenarios import SelectFloodScenarioFromLoad

# voer de bepaling van het bijbehorende gevolggrid uit
select_flood_scenario_from_load = SelectFloodScenarioFromLoad(data_adapter=data_adapter)
select_flood_scenario_from_load.run(
    input=[
        "input_scenarios_loads",
        "input_consequences_loads",
    ],
    output="output_scenario_consequences_grids",
)

# druk een overzicht van de bijbehorende gevolgen per scenario af
# TODO verwijder de index kolom in de CSV output
select_flood_scenario_from_load.df_out_scenario_consequences_grids

	segment_id	section_id	hydraulicload_upperboundary	waterdepth_grid	casualties_grid	damage_grid	flooding_grid	affected_people_grid
1	2	34003024	3.497	2_waterdiepteTP-1D.asc	2_slachtoffersTP-1D.asc	2_schadeTP-1D.asc	2_nattevoetenTP-1D.asc	2_getroffenenTP-1D.asc
2	2	34003024	4.723	2_waterdiepteTP.asc	2_slachtoffersTP.asc	2_schadeTP.asc	2_nattevoetenTP.asc	2_getroffenenTP.asc
5	7	34002010	3.603	7_waterdiepteTP-1D.asc	7_slachtoffersTP-1D.asc	7_schadeTP-1D.asc	7_nattevoetenTP-1D.asc	7_getroffenenTP-1D.asc
6	7	34002010	4.811	7_waterdiepteTP.asc	7_slachtoffersTP.asc	7_schadeTP.asc	7_nattevoetenTP.asc	7_getroffenenTP.asc

CalculateFloodRisk

Het (conditionele) risico wordt bepaald door de (conditionele) kans te combineren met het gevolg. In dit geval worden de gevolgen van een overstroming gecombineerd met de scenariokans van een deeltraject (segment).
Met behulp van de CalculateFloodRisk module worden risico’s berekend voor 4 verschillende risicomate: (1) verwachte economische schade, (2) verwacht aantal slachtoffers, (3) verwacht aantal getroffenen, en (4) plaatsgebonden overstromingskans.
In eerste instantie wordt het risico berekend per gridcel. Daarna worden de risico’s geaggregeerd naar gebieden die gedefinieerd zijn in een shape-bestand.

GlobalVariables:
    rootdir: "data_sets/7.flood_scenarios"
    moments: [ -24, 0, 24, 36 ]
    CalculateFloodRisk:
        aggregate_methods: # dit zijn de standaard aggregatie-methoden per risicomaat (kunnen worden overschreven in de config)
            casualties: sum
            damage: sum
            flooding: median
            affectedpeople: sum
            waterdepth: sum
        per_hectare: False
        
DataAdapter:
    default_options:
        csv:
            sep: ","
            Index: False
    input_scenario_failure_prob_segments:
        type: csv
        path: "hidden_rekentest_scenario_failure_prob_segments.csv"
    input_scenario_consequences_grids:
        type: csv
        path: "hidden_rekentest_scenario_consequences_grids.csv"
    input_areas_to_aggregate:
        type: shape
        path: "rekentest_areas_to_aggregate.geojson"
    flood_risk_local_file:
        type: flood_risk_local_file
        path: '' # gebruik de data_dir
        scenario_path: "flood_scenarios" # en een map dieper kijk in de floodscenarios dir
        #abs_path_user: "tests/src/flood_scenarios/data_sets/flood_scenarios" # dit kan ook gebruikt worden
    output_flood_risk_results:
        type: csv
        path: "hidden_rekentest_flood_risk_results.csv"

# laadt de configuratie en initialiseer de data adapter
path = Path.cwd() / "data_sets" / "7.flood_scenarios"
config = Config(config_path=path / "rekentest_calculate_flood_risk.yaml")
config.lees_config()
data_adapter = DataAdapter(config=config)

# druk een overzicht van de scenariokansen per segment af
data_adapter.input("input_scenario_failure_prob_segments")

	segment_id	scenario_failure_probability
0	2	0.203910
1	7	0.421769

# druk een overzicht van de bijbehorende gevolgen per scenario af
data_adapter.input("input_scenario_consequences_grids")

	Unnamed: 0	segment_id	section_id	hydraulicload_upperboundary	waterdepth_grid	casualties_grid	damage_grid	flooding_grid	affected_people_grid
0	1	2	34003024	3.497	2_waterdiepteTP-1D.asc	2_slachtoffersTP-1D.asc	2_schadeTP-1D.asc	2_nattevoetenTP-1D.asc	2_getroffenenTP-1D.asc
1	2	2	34003024	4.723	2_waterdiepteTP.asc	2_slachtoffersTP.asc	2_schadeTP.asc	2_nattevoetenTP.asc	2_getroffenenTP.asc
2	5	7	34002010	3.603	7_waterdiepteTP-1D.asc	7_slachtoffersTP-1D.asc	7_schadeTP-1D.asc	7_nattevoetenTP-1D.asc	7_getroffenenTP-1D.asc
3	6	7	34002010	4.811	7_waterdiepteTP.asc	7_slachtoffersTP.asc	7_schadeTP.asc	7_nattevoetenTP.asc	7_getroffenenTP.asc

# druk de gebieden af waarvoor het overstromingsrisico wordt geaggregeerd
data_adapter.input("input_areas_to_aggregate")

	area_id	name	zip	code	people	geometry
0	186	Halderberge: Verspreide huizen ten noorden van...	4731	BU16550308	305	MULTIPOLYGON (((95314.731 402999.933, 95331.09...
1	192	Halderberge: Verspreide huizen ten noorden van...	4741	BU16550409	340	MULTIPOLYGON (((98494.454 404932.353, 98495.21...
2	254	Moerdijk: Verspreide huizen Standdaarbuiten	4758	BU17090609	110	MULTIPOLYGON (((94404.609 405082.688, 94395.00...
3	265	Moerdijk: Verspreide huizen Willemstad	4797	BU17090909	360	MULTIPOLYGON (((86797.283 410996.469, 87302.21...
4	280	Drimmelen: Verspreide huizen Lage Zwaluwe	4926	BU17190409	175	MULTIPOLYGON (((104046.224 413901.621, 104096....

# importeer en initialiseer de module voor het berekenen van het overstromingsrisico in 4 verschillende formaten
from toolbox_continu_inzicht.flood_scenarios.calculate_flood_risk import (
    CalculateFloodRisk,
)

# voer de berekening van het risico op grid niveau uit
calculate_flood_risk = CalculateFloodRisk(data_adapter=data_adapter)
calculate_flood_risk.run(
    input=[
        "input_scenario_failure_prob_segments",
        "input_scenario_consequences_grids",
        "input_areas_to_aggregate",
        "flood_risk_local_file",
    ],
    output="output_flood_risk_results",
)

data_adapter.input("flood_risk_local_file")

(masked_array(
   data=[[--, --, --, ..., --, --, --],
         [--, --, --, ..., --, --, --],
         [--, --, --, ..., --, --, --],
         ...,
         [--, --, --, ..., --, --, --],
         [--, --, --, ..., --, --, --],
         [--, --, --, ..., --, --, --]],
   mask=[[ True,  True,  True, ...,  True,  True,  True],
         [ True,  True,  True, ...,  True,  True,  True],
         [ True,  True,  True, ...,  True,  True,  True],
         ...,
         [ True,  True,  True, ...,  True,  True,  True],
         [ True,  True,  True, ...,  True,  True,  True],
         [ True,  True,  True, ...,  True,  True,  True]],
   fill_value=np.float64(1e+20),
   dtype=float32),
 Affine(100.0, 0.0, 77000.0,
        0.0, -100.0, 424400.0))

calculate_flood_risk.df_out.head(5)

	area_id	waterdepth	casualties	damage	flooding	affected_people	name	code	zip	people	geometry
0	186	22.398926	28.155577	3.011630e+05	0.625679	56.311153	Halderberge: Verspreide huizen ten noorden van...	BU16550308	4731	305	MULTIPOLYGON (((95314.731 402999.933, 95331.09...
1	192	79.640625	100.108719	1.070802e+06	0.625679	200.217438	Halderberge: Verspreide huizen ten noorden van...	BU16550409	4741	340	MULTIPOLYGON (((98494.454 404932.353, 98495.21...
2	254	146.837402	184.575451	1.974291e+06	0.625679	369.150902	Moerdijk: Verspreide huizen Standdaarbuiten	BU17090609	4758	110	MULTIPOLYGON (((94404.609 405082.688, 94395.00...
3	265	78.301575	783.015747	5.220105e+05	0.203910	1044.020996	Moerdijk: Verspreide huizen Willemstad	BU17090909	4797	360	MULTIPOLYGON (((86797.283 410996.469, 87302.21...
4	280	80.979675	809.796692	1.619593e+06	0.421769	1349.661133	Drimmelen: Verspreide huizen Lage Zwaluwe	BU17190409	4926	175	MULTIPOLYGON (((104046.224 413901.621, 104096....

import matplotlib.pyplot as plt

gdf_results = calculate_flood_risk.df_out

columns = ["casualties", "damage", "flooding", "affected_people"]
rename = {
    "casualties": "Slachtoffers",
    "damage": "Schade",
    "flooding": "Plaatgebonden overstromingskans",
    "affected_people": "Getroffen mensen",
}
fig, axs = plt.subplots(2, 2, figsize=(7, 5))
ax = axs.flatten()
for index, column in enumerate(columns):
    gdf_results.plot(column=column, ax=ax[index])
    plt.colorbar(ax[index].collections[0], ax=ax[index], orientation="horizontal")
    ax[index].set_title(rename[column])
plt.tight_layout()

Herhaal per ha

GlobalVariables:
    ...
    CalculateFloodRisk:
        ...
        per_hectare: True
        columns_per_hectare:
            - casualties
            - damage
            - affectedpeople

config = Config(config_path=path / "rekentest_calculate_flood_risk_per_ha.yaml")
config.lees_config()
data_adapter = DataAdapter(config=config)
calculate_flood_risk = CalculateFloodRisk(data_adapter=data_adapter)
calculate_flood_risk.run(
    input=[
        "input_scenario_failure_prob_segments",
        "input_scenario_consequences_grids",
        "input_areas_to_aggregate",
        "flood_risk_local_file",
    ],
    output="output_flood_risk_results",
)

import matplotlib.pyplot as plt

gdf_results = calculate_flood_risk.df_out

columns = ["casualties_per_ha", "damage_per_ha", "flooding", "affected_people_per_ha"]
rename = {
    "casualties_per_ha": "Slachtoffers per hectare",
    "damage_per_ha": "Schade per hectare",
    "flooding": "Plaatgebonden overstromingskans",
    "affected_people_per_ha": "Getroffen mensen per hectare",
}
fig, axs = plt.subplots(2, 2, figsize=(7, 5))
ax = axs.flatten()
for index, column in enumerate(columns):
    gdf_results.plot(column=column, ax=ax[index])
    plt.colorbar(ax[index].collections[0], ax=ax[index], orientation="horizontal")
    ax[index].set_title(rename[column])
plt.tight_layout()