fremskrivninger af ekstreme havniveauer i global skala og resulterende episodiske kystoversvømmelser i det 21. århundrede

datasæt og behandling

en detaljeret beskrivelse af de datasæt, der anvendes i denne undersøgelse, findes i afsnittet “metoder”. Da fokus her er på global skala, blev TSL (t) i perioden (1979-2014) bestemt langs globale kystlinjer på i alt 9.866 punkter, der tilnærmer sig de kystsegmenter, der tidligere er defineret i Dynamic Interactive Vulnerability Assessment database (DIVA)12 (Se Fig. S1), der her omtales som”DIVA points”. Historiske værdier af surge (\(S\)) blev bestemt i denne periode ud fra Global Tide and Surge reanalyse (GTSR) datasæt8. Tidevandsniveauerne (T)blev bestemt ud fra det numeriske tidevandsmodeldatasæt FES2014 (Finite Element Solution) 13. For at bestemme bølgeopsætningen, (vs), nearshore (dybt vand) bølgeforhold(signifikant bølgehøjde, \(H_{s0}\) og bølgelængde, \(L_{0}\)) er påkrævet. Da der ikke er noget bredt valideret og accepteret globalt nearshore-bølgemodeldatasæt, blev to forskellige reanalysebølgemodeldatasæt testet til dette formål: ERA-Interim14 og GO215, hvor sidstnævnte i sidste ende blev vedtaget (se SM1, SM2, tabel S3). Bølgeopsætning blev bestemt som en funktion af dybvandsbølge stejlhed (\(H_{s0} /L_{0}\)) og sengehældning ved hjælp af Shore Protection Manual (SPM) approach16,17. En alternativ bølgeopsætningsformulering foreslået af Stockdon et al.18 blev også testet og viste sig at give lignende resultater (se SM1, SM2 og SM5). Efter at have testet en række repræsentative sengehældninger blev en værdi på 1/30 endelig vedtaget (se SM1, SM2). Da hvert af modeldatasætene er på forskellige globale net og ved forskellig tidsmæssig opløsning, blev hvert DIVA-punkt tildelt værdien af det nærmeste gitterpunkt for hver model, og de respektive mængder T, S og VS blev interpoleret i tide til en 10-minutters opløsning. Ovenstående tilgang inkluderer ikke noget bidrag fra bølgeopkørsel i overensstemmelse med størstedelen af offentliggjorte undersøgelser7, 9,11,Da opkørsel ikke resulterer i en vedvarende (rækkefølge af timer) forhøjelse af TSL. Dette er i modsætning til den nylige undersøgelse af Melet et al.19,20.

den historiske tidsserie for TSL i perioden (1979-2014) blev beregnet ved hjælp af EKV. 1. Denne tilgang ignorerer ikke-lineære interaktioner mellem disse processer8. For eksempel vil både bølge-og bølgeopsætning blive påvirket af tidevandsfasen. Sammenligning med målte tidevandsmålerdata antyder, at sådanne interaktioner, i det mindste på denne globale skala, ikke ser ud til at have en signifikant indflydelse på resultaterne (se SM1, SM2). Valideringsdata i den historiske periode blev opnået fra gesla-221 tidevandsmåler datasæt, som omfatter havniveaudata på 681 steder rundt om i verden (Se Fig. S1).

for at bestemme omfanget af kystoversvømmelser blev kysttopografidata opnået fra multi-fejl-fjernet forbedret terræn dem (MERIT DEM) dataset22. Selvom den oprindelige opløsning af MERIT DEM er ~ 90 m ved ækvator, a grovere 1 km opløsningsversion, i overensstemmelse med tidligere undersøgelser8,23,24 blev brugt til den nuværende applikation for at reducere beregningsudgifter og sikre en opløsning, der kan sammenlignes med de andre anvendte datasæt. MERIT er baseret på SRTM v4.1 dem dataset25, men med forbedret lodret nøjagtighed (se afsnittet “metoder”).

for at bestemme aktiver eksponeret på grund af oversvømmelse kræves både gitterpopulation og bruttonationalprodukt (BNP) databaser. Befolkningsdata blev opnået fra Gpv4 Rev. 1126 database og BNP data fra Kummu et al.27.

Historisk global samlet havniveau

validering i hindcast-perioden er afgørende for tilliden til fremtidige fremskrivninger. Model TSL-tidsserien blev sammenlignet med gesla-2 tidevandsmålerdata i perioden 1979-2014. Modelydelse i løbet af hindcast-perioden blev evalueret på hver af 681 gesla-2 placeringer ved at bestemme både rod gennemsnitlig kvadratfejl (RMSE) og den øvre percentil bias (\(bias^{p}\)), forskel på højere percentilværdier (95.til 99.) mellem model TSL og tidevandsmålerdata. Den samlede globale modelydelse blev derefter vurderet med hensyn til gennemsnittet RMSE (ARMSE) og gennemsnittet \(bias^{p}\) (\(abias^{p}\)) over alle gesla-2 lokationer8. Gesla-2 tidevandsmålerdataene blev sammenlignet med både model T + S + vs. derudover blev både GOV2-og ERA-midlertidige bølgemodeller, en række sengehældninger og to forskellige empiriske formler16, 17,18 brugt til at beregne vs. De fuldstændige resultater er angivet i tabel S1 og S1 og diskuteret i SM1. Da forskellene mellem de forskellige værdier af ARMSE og \(abias^{p}\) ikke er store for de forskellige kombinationer, og fordi, som efterfølgende vist, VS er en relativt lille komponent i den samlede episodiske oversvømmelse, begrænser vi vores diskussion her til tilfælde,hvor vs beregnes med GOV2-modellen, SPM16, 17 formuleringen og mellemklassehældningen på 1/30. Som nævnt ovenfor betød analysens globale skala,at en relativt forenklet tilgang nødvendigvis blev brugt til at bestemme VS16, 17. Da resultaterne i sidste ende viste, at vs ikke var en væsentlig komponent i episodisk oversvømmelse (5%, se SM3), er det usandsynligt, at fejl forårsaget af denne tilgang vil påvirke de endelige resultater væsentligt.

for T + S er den globalt gennemsnitlige ARMSE 0,197 m, hvilket kan sammenlignes med værdien på 0,170 m opnået af Muis et al.8, hvor en ældre tidevandsmodel (FES 2012) blev brugt sammen med et betydeligt mindre sæt tidevandsmåler placeringer (472). Inkludering af vs gør ingen mærkbar ændring i ARMSE, faktisk øger den lidt til 0,204 m (Se tabel S1). Denne mangel på indflydelse på vs. er ikke overraskende, da vs. forventes kun at repræsentere et mærkbart bidrag under stormhændelser, som er dårligt fanget af ARMSE. Den globale fordeling af værdier af RMSE for T + S + vs er vist på hver gesla-2 Placering i Fig. S2. Selv om der er en lejlighedsvis outlier i dataene, er RMSE mindre end 0,2 m ved 75% af lokaliteterne og mindre end 0,5 m ved langt størstedelen (93%) af lokaliteterne. Vs ‘ bidrag i stormperioder (Fig. S8, S9) kan vurderes ud fra værdier af \(abias^{p}\). Tabel S2 viser, at for T + s øges \(abias^{p}\) i størrelse med stigende percentilniveau. Med tilføjelsen af vs falder \(abias^{p}\) og bliver omtrent konstant på tværs af alle percentiler. Reduktionen i \(abias^{p}\) er 60% ved den 99.percentil, hvilket indikerer, at inkluderingen af vs resulterer i bedre overensstemmelse mellem model-og tidevandsmålere under stormhændelser. Forbedringen i \(\left| {bias^{P} } \right/\) ved individuelle tidevandsmålersteder er vist i Fig. S4.

valideringen skitseret ovenfor indikerer, at de modelafledte TSL-estimater generelt er i god overensstemmelse med tidevandsmålerdata, og at inkluderingen af vs gør en forbedring af ydeevnen, især under ekstreme stormhændelser. Som bemærket i SM1, det er uklart, hvor mange af Validering tidevandsmålere reagerer på vs på grund af deres placering. Det, der imidlertid er klart, er, at uden inddragelse af VS er der en global underforudsigelse af TSL under storme. Også, som vist i Fig. S4, forbedringen i \(\left| {bias^{P}}\ right|\) kan ses på langt de fleste tidevandsmålersteder. Hvorvidt dette faktisk skyldes vs eller en systematisk under forudsigelse af S vides ikke. Det, der er klart, er, at inkluderingen af vs, modelleret ved hjælp af den relativt enkle tilgang, der er vedtaget, resulterer i en model, der fungerer godt sammenlignet med tidevandsmålere de fleste steder.

estimater af ekstrem værdi af den samlede havniveau

som nævnt ovenfor er både S og VS episodiske. For episodisk kystflod er det disse stormrelaterede Bidrag til ekstreme havniveauer,der ofte er kritiske7,8,28, 29. Den stokastiske forudsigelse af sådanne ekstremer involverer montering af en passende sandsynlighedsfordelingsfunktion (pdf) til en historisk tidsserie og derefter ekstrapolering til den ønskede Sandsynlighed for forekomst (f.eks. 0,01 i et hvilket som helst år eller den 100-årige begivenhed). I tilfælde af TSL har den mest almindelige tilgang været at overveje årlige Maksima (AM)og at passe enten en to-parameter Gumbel distribution (GUM)8,30 eller en tre parameter generaliseret ekstrem værdi distribution (GEVD) 7,30,31. En væsentlig begrænsning af AM-tilgange er, at den resulterende ekstreme værdi tidsserier har få værdier (1 pr. Dette fører til relativt store konfidensintervaller ved montering og ekstrapolering af pdf ‘ en. Et alternativ er at bruge alle stormtoppe over en specificeret tærskel-dvs. toppe over Tærskelmetoden,PoT31, 32. I sidstnævnte tilfælde kan dataene vises at følge en generaliseret Pareto-Distribution (GPD) 32 eller dens to-parametervariant, den eksponentielle fordeling (eksp). Et alternativ til den ovenfor anvendte tilgang til rekonstruktion af den langsigtede historiske tidsserie er at bruge et ensemble Monte-Carlo approach9. Dette diskuteres i SM4.

den ekstreme værdianalyse (EVA), der er vedtaget, kan have stor indflydelse på de resulterende statistiske estimater af ekstremer (i dette tilfælde ekstreme havniveauer)31 (Se Fig. S10). Derfor er det vigtigt at sikre, at den valgte EVA optimalt tilnærmer både model-og tidevandsmålerdata. Derfor blev en række EVA-tilgange testet for at bestemme, hvilke der optimalt repræsenterer både model-og tidevandsmålerdata (se SM2). Resultaterne indikerer, at PoT-tilgangen udstyret med en GPD og en 98.percentiltærskel (GPD98) passer til både tidevandsmåleren og modeldata med mindst fejl. Denne kombination giver den bedste pasform til tidevandsmålerdataene på 33% af lokaliteterne og den bedste pasform til modeldataene (ved DIVA-punkter) på 34% af lokaliteterne (se Fig. S5). Dette resultat er i overensstemmelse med resultaterne af et al.31. Den komplette EVA-analyse er beskrevet i SM2.

en yderligere analyse af virkningen af den valgte EVA-tilgang på forventet ekstrem havniveau samt følsomheden af den metode, der anvendes til bestemmelse af VS, er vist i tabel S3. Denne tabel betragter den gennemsnitlige bias mellem tidevandsmåler og modelresultater for en 20-årig returperiode (\(ESL^{H20} – ESL_{Gauge}^{H20}\)) på tværs af de 355 (af i alt 681) tidevandsmålersteder, der har en varighed på mindst 20 år inden for storm surge-modelens tidsperiode (1979-2014). Disse resultater indikerer en gennemsnitlig forspænding på 17 mm med inkludering af VV bestemt ud fra GOV2-modellen, en 1/30 sengehældning og en GPD98 EVA (se Fig. S7). Imidlertid giver en række andre kombinationer af EVA-og VS-beregning lignende resultater. Alle tilfælde, der inkluderer VS, har relativt lille gennemsnitlig bias, hvilket indikerer, at resultaterne er robuste, uanset valg af bølgemodel, sengehældning og EVA. Det, der imidlertid er klart, er, at hvis vs ikke er inkluderet, er der en konsekvent negativ bias (model undervurderer det ekstreme havniveau). For GPD98 med en hældning på 1/30 seng reduceres den gennemsnitlige absolutte bias med 88%, hvilket indikerer en signifikant forbedring. Derfor synes inkluderingen af bølgeopsætning at producere model ekstreme havniveauer (\(ESL^{H20}\)), der er i bedre overensstemmelse med registrerede data.

med denne validering af modelleret \(ESL^{H20}\) blev resultaterne udvidet til en returperiode på 1 ud af 100 år (\(ESL^{H100}\)) og evalueret på alle DIVA-punkter. Den globale fordeling af \(ESL^{H100}\) er vist i Fig. 1a. Dette tal viser, at værdier på over 5 m forekommer langs de nordlige dele af både atlanterhavs-og Stillehavskysten i Nordamerika, Atlanterhavet og Nordsøen i Europa og Kina. Resultaterne viser regional sammenhæng med \(ESL^{H100}\), der gradvist varierer langs kystlinjer. Bemærk, at disse\ (ESL^{H100}\) estimater undervurderer værdier i tropiske cyklonregioner på grund af modelopløsning8 og den begrænsede prøvestørrelse33,34.

Fig. S6 viser også virkningen af vs alene, beregnet som \(ESL_{T + S + vs}^{H100} – ESL_{T + s}^{H100}\). Dette tal viser ekstreme vs-værdier op til 0.5 m, med fordelingen stort set følgende områder med stor ekstrem signifikant bølgehøjde35. Især viser de nordlige dele af både atlanterhavs-og Stillehavskysten i Nordamerika, Atlanterhavskysten i Europa, sydspidsen af Stillehavskysten i Sydamerika, Australiens sydlige kyst og meget af Asien 100-årige returperiodebidrag på vs større end 0,4 m. Derfor, selvom vs kun har en meget lille indvirkning på de samlede værdier af ARMSE TSL mellem model-og tidevandsmålerdata, bliver det en større komponent, når det drejer sig om ekstrem værdi havniveauer (i gennemsnit en stigning på 17% i \(ESL^{H100}\) på grund af vs over alle DIVA-punkter).

fremtidige fremskrivninger af ekstreme havniveauer og kystoversvømmelser

\(ESL^{H100}\) værdier danner grundlaget for at bestemme episodisk oversvømmelse for nutiden og for fremtiden. Værdierne af \(ESL^{H100}\) ved hvert DIVA-punkt var forbundet med en omgivende region (se SM3) og oversvømmelse beregnet ved hjælp af følgende plane badekartilgang8. Topografien blev defineret af MERIT dem datasæt, som har et lodret datum af EGM96 geoid (Earth gravitation Model 1996). For at bringe værdier af \(ESL^{H100}\) til det samme datum blev gennemsnitlig dynamisk Havtopografi (MDOT) 25,36 værdier tilføjet til de ekstreme værdiestimater (\(ESL^{H100} + MDOT\)) 23. Kystlinjen blev defineret ved hjælp af Global Self-consistent Hierarkic High-resolution Geography (GSHHG) database37. En GIS-baseret tilgang blev efterfølgende anvendt, hvorved ethvert MERITGITTERPUNKT betragtes som oversvømmet, hvis det har en højde mindre end \(ESL^{H100}\) og er forbundet med kystlinjen med vand.

omfanget af kystnære oversvømmelser er en funktion både af \(ESL^{F100}\) og kystnære topografi. Figur 2 viser et globalt kort over oversvømmelser “hotspot” regioner i 2100 for RCP8.5. For at nå frem til dette resultat blev oversvømmelsesområdet pr.længde af kystlinjen bestemt for hvert af DIVA-punkterne (normaliseret oversvømmelse km2/km). Den nuværende analyse antager, at der ikke er kystforsvar (diger, havmure osv.). Derfor, i stedet for at vise absolutte værdier for oversvømmelse i 2100, Fig. 2 viser ændringen i oversvømmelse fra nutiden til 2100. Områder med betydelige stigninger i oversvømmelser ses i Nordvesteuropa, Indien/Bengalbugten, Sydøstasien og Østasien.

globale” hotspot ” regioner med ændringer i episodisk kystflod i 2100 for RCP8.5. Det vil sige forskellen mellem forventet episodisk oversvømmelse i 2100 minus nutidens episodiske oversvømmelse. Fyldte cirkler viser steder, hvor ændringen i normaliseret oversvømmelse (dvs.ændring i oversvømmet område divideret med kystens længde) er større end 1 km2/km. Størrelsen af cirklen er relateret til ændringen i størrelsen af den normaliserede oversvømmelse. Cirkelens farve er relateret til den forventede ekstreme havniveau i 2100 (\(ESL_{T + S + vs}^{F100}\)) (figur genereret ved hjælp af ArcGIS v. 10.5.1.7333, www.esri.com). Bemærk: For at tilføje klarhed, hvor punkter overlapper hinanden, vises ikke hvert punkt på figuren.

figur 3 viser både \(ESL^{F100}\) og det resulterende oversvømmelsesområde for et antal af “hotspot” – regionerne vist i Fig. 2. Selvom oversvømmelsesomfanget ikke forekommer stort i sådanne grunde, er det globale oversvømmelsesomfang for RCP8.5 661.000–1.009.000 km2 (ca. 0,5-0,7% af det globale landareal, større end Frankrigs landområde). Bemærk, at værdiområdet repræsenterer det 90.percentil konfidensinterval (se afsnittet “metoder”). Tabel 1 viser det globale oversvømmelsesomfang for hver RCP for både 2050 og 2100. Den supplerende supplerende data Google Earth-fil tillader undersøgelse af værdier af \(ESL^{H100}\) og \(ESL^{F100}\) på ethvert outputsted.

yderligere analyse af de relative bidrag fra de forskellige fysiske processer til forventet episodisk kystoversvømmelse (vist i tabel 1) ved udgangen af det enogtyvende århundrede (se SM3) angiver følgende bidrag til RCP8.5: T + S (63%), RSLR (32%), vs (5%). Dette resultat viser, at T + S i løbet af det næste århundrede vil forblive den dominerende proces til bestemmelse af omfanget af global oversvømmelse. Imidlertid øger RSLR signifikant hyppigheden af kystoversvømmelser. Til RCP8.5, oversvømmelser i forbindelse med nutidens 100-årige returperiode begivenheder vil i gennemsnit forekomme mindst en gang hvert 10.år syd for 50 liter n breddegrad. Det skal bemærkes (se SM2), at den nøjagtige ændring i hyppigheden af disse ekstreme oversvømmelseshændelser er følsom over for den anvendte EVA-analyse.

befolkning og aktiveksponering

de globale estimater af oversvømmelser, der er beskrevet ovenfor, danner grundlag for at estimere både befolkningen og de aktiver, der er i fare som følge af episodisk kystoversvømmelse. Aktiveksponeringen blev estimeret ved hjælp af relationen5, 24 \(a = 2.8 \ gange P \ gange G\), hvor \(A\) er aktivværdien udsat for oversvømmelse (US$), \(P\) er befolkningen og \(G\) er bruttonationalproduktet pr. Som nævnt ovenfor, befolkningen blev estimeret ud fra Databasen26 for BNP pr.indbygger fra Kummu et al.27. Tabel 1 viser det areal, der er oversvømmet sammen med befolkningen og de aktiver, der er eksponeret for i dag, 2050 og 2100 under både RCP4.5 og 8.5. Alle værdier er i 2011 US$ og antager 2015 befolkning og BNP, i overensstemmelse med de anvendte databaser. For at foretage en direkte sammenligning mellem nutid og fremtidige perioder er der ikke medtaget noget forsøg på at projicere ændringer i BNP eller befolkning i de kommende år. Resultaterne viser, at befolkningen, der potentielt udsættes for episodisk kystoversvømmelse, vil stige fra 128-171 millioner til 176-287 millioner i 2100 under RCP8.5, hvor spændvidden repræsenterer det 90.percentil konfidensinterval (se afsnittet “metoder”) (en stigning fra cirka 1,8–2,4% af verdens befolkning til 2,5–4,1%). De samlede eksponerede aktiver forventes at stige fra US$6.466–US$9.135 milliarder til US$8.813–US$14.178 milliarder, hvilket repræsenterer en stigning fra 9-13% til 12-20% af det globale BNP. Som nævnt ovenfor antager disse værdier, at der ikke er nogen oversvømmelsesforsvar på plads og vil derfor overvurdere de sande værdier. Resultaterne viser imidlertid, at for RCP8.5 forventes det i 2100, at gennemsnitsværdierne for oversvømmede arealer, berørte befolkninger og truede aktiver vil stige med henholdsvis 48%, 52% og 46%.