Proyecciones de los niveles extremos del mar a escala mundial y las inundaciones costeras episódicas resultantes a lo largo del siglo XXI

Conjuntos de datos y procesamiento

En la sección “Métodos” se proporciona una descripción detallada de los conjuntos de datos utilizados en este estudio. Como el enfoque aquí es a escala global, el TSL(t) durante el período (1979-2014) se determinó a lo largo de las costas globales en un total de 9,866 puntos que se aproximan a los segmentos costeros definidos previamente en la base de datos de Evaluación de Vulnerabilidad Interactiva Dinámica (DIVA)12 (ver Fig. S1), a los que se hace referencia aquí como “puntos DIVA”. Los valores históricos de la oleada (\(S\)) se determinaron durante este período a partir del conjunto de datos del Análisis de Marea y Oleada Global (GTSR) 8. Los niveles de marea (T) se determinaron a partir del conjunto de datos del modelo numérico de marea FES2014 (Solución de Elementos finitos)13. Para determinar la configuración de las olas, (WS), se requieren las condiciones de las olas cercanas a la costa (aguas profundas) (altura de ola significativa, \(H_{s0}\) y longitud de onda, \(L_{0}\)). Como no hay un conjunto de datos de modelos de ondas cercanas a la costa ampliamente validado y aceptado, se probaron dos conjuntos de datos de modelos de ondas de reanálisis diferentes para este propósito: ERA-Interim14 y GOW215, y finalmente se adoptó este último (véase SM1, SM2, Tabla S3). La configuración de las olas se determinó en función de la pendiente de las olas en aguas profundas (\(H_{s0} /L_{0}\)) y la pendiente del lecho utilizando el enfoque Manual de Protección de Costas (SPM) 16,17. Una formulación alternativa de configuración de ondas propuesta por Stockdon et al.18 también se probó y se encontró que arrojaba resultados similares (ver SM1, SM2 y SM5). Después de probar una serie de pendientes de lecho representativas, finalmente se adoptó un valor de 1/30 (ver SM1, SM2). Como cada uno de los conjuntos de datos del modelo se encuentra en diferentes cuadrículas globales y con diferente resolución temporal, a cada punto DIVA se le asignó el valor del punto de cuadrícula más cercano para cada modelo y las cantidades respectivas de T, S y WS se interpolaron en el tiempo a una resolución de 10 minutos. El enfoque anterior no incluye ninguna contribución de la subida de onda, consistente con la mayoría de los estudios publicados7,9,11, ya que la subida no resulta en una elevación sostenida (orden de horas) de la TSL. Esto contrasta con el reciente estudio de Melet et al.19,20.

La serie temporal histórica de TSL durante el período (1979-2014) se calculó utilizando la Ec. 1. Este enfoque ignora las interacciones no lineales entre estos procesos8. Por ejemplo, tanto el oleaje como la configuración de las olas estarán influenciados por la fase de la marea. La comparación con los datos medidos del mareómetro sugiere que tales interacciones, al menos a esta escala global, no parecen tener un impacto significativo en los resultados (ver SM1, SM2). Los datos de validación durante el período histórico se obtuvieron del conjunto de datos del mareómetro GESLA-221, que comprende datos sobre el nivel del mar en 681 lugares de todo el mundo (ver Fig. S1).

Para determinar la extensión de las inundaciones costeras, se obtuvieron datos de topografía costera a partir del conjunto de datos DEM de Terreno Mejorado Eliminado de Errores múltiples (DEM POR MÉRITO) 22. Aunque la resolución nativa del MERIT DEM es de ~ 90 m en el Ecuador, se utilizó una versión de resolución más gruesa de 1 km,consistente con estudios anteriores8,23, 24 para la presente aplicación para reducir el gasto computacional y garantizar una resolución comparable a los otros conjuntos de datos utilizados. El MÉRITO se basa en el conjunto de datos SRTM v4.1 dem25, pero con una precisión vertical mejorada (consulte la sección “Métodos”).

Para determinar los activos expuestos a causa de inundaciones se requieren bases de datos de población cuadriculada y de Producto Interno Bruto (PIB). Los datos de población se obtuvieron a partir de la GPWv4 Apo. 1126 base de datos y datos del PIB de Kummu et al.27.

Nivel del mar total global histórico

La validación durante el período de seguimiento es imprescindible para tener confianza en las proyecciones futuras. La serie temporal del modelo TSL se comparó con los datos del medidor de mareas GESLA-2 durante el período 1979-2014. Se evaluó el rendimiento del modelo durante el período posterior en cada una de las 681 ubicaciones GESLA-2 determinando tanto el error cuadrático medio de raíz (RMSE) como el sesgo del percentil superior (\(sesgo^{p}\)), diferencia de valores de percentil más altos (95 a 99) entre el TSL del modelo y los datos del medidor de marea. A continuación, se evaluó el rendimiento general del modelo global en términos de la RMSE media (ARMSE) y la media \(sesgo^{p}\) (\(abias^{p}\)) en todas las ubicaciones de GESLA-28. Los datos del mareómetro GESLA-2 se compararon con los modelos T + S + WS y T + S. Además, se utilizaron modelos de onda GOW2 y ERA-Interim, una variedad de pendientes de lecho y dos fórmulas empíricas16,17,18 para calcular el WS. Los resultados completos se presentan en las Tablas S1 y S1 y se analizan en SM1. Como las diferencias entre los diversos valores de ARMSE y \(abias^{p}\) no son grandes para las diferentes combinaciones y, como se muestra posteriormente, WS es un componente relativamente pequeño de la inundación episódica total, limitamos nuestra discusión aquí a los casos en los que WS se calcula con el modelo GOW2, la formulación SPM16,17 y la pendiente del lecho de rango medio de 1/30. Como se señaló anteriormente, la escala global del análisis significó que se utilizó necesariamente un enfoque relativamente simplista para determinar el WS16, 17. Como los resultados finalmente mostraron que el SW no era un componente significativo de la inundación episódica (5%, ver SM3), es poco probable que los errores causados por este enfoque sesguen significativamente los resultados finales.

Para T + S, el promedio global de ARMSE es de 0,197 m, que es comparable al valor de 0,170 m obtenido por Muis et al.8, donde se utilizó un modelo de marea más antiguo (FES 2012) junto con un conjunto significativamente menor de ubicaciones de medidores de marea (472). La inclusión de WS no produce cambios apreciables en el ARMSE, de hecho aumentándolo ligeramente a 0,204 m (véase la Tabla S1). Esta falta de impacto en WS no es sorprendente, ya que se espera que WS solo represente una contribución apreciable durante los eventos de tormenta, que es capturada pobremente por ARMSE. La distribución global de los valores de RMSE para T + S + WS se muestra en cada ubicación GESLA-2 en la Fig. S2. Aunque hay un valor atípico ocasional en los datos, la RMSE es inferior a 0,2 m en el 75% de los lugares y inferior a 0,5 m en la gran mayoría (93%) de los lugares. La contribución de WS durante períodos de tormenta (Figs. S8, S9) se puede evaluar a partir de valores de \(abias^{p}\). La tabla S2 muestra que para T + S, \(abias^{p}\) aumenta de magnitud con el aumento del nivel de percentil. Con la adición de WS,\ (abias^{p}\) disminuye, volviéndose aproximadamente constante en todos los percentiles. La reducción en \(abias^{p}\) es del 60% en el percentil 99, lo que indica que la inclusión de WS resulta en una mejor concordancia entre el modelo y los mareómetros durante los eventos de tormenta. La mejora en \(\left| {bias^{P}}\ right|\), en ubicaciones individuales de mareas se muestra en la Fig. S4.

La validación descrita anteriormente indica que las estimaciones de TSL derivadas del modelo generalmente coinciden con los datos del medidor de mareas y que la inclusión de WS mejora el rendimiento, particularmente durante eventos de tormentas extremas. Como se señaló en SM1, no está claro cuántos de los medidores de marea de validación responden al WS debido a sus ubicaciones. Lo que está claro, sin embargo, es que sin la inclusión de WS, hay una infravaloración global de TSL durante las tormentas. También, como se muestra en la Fig. S4, la mejora en \(\left| {bias^{P}}\ right|\) se puede ver en la gran mayoría de las ubicaciones de los medidores de marea. No se sabe si esto se debe realmente a WS o a una predicción sistemática de S. Lo que está claro es que la inclusión de WS, modelada utilizando el enfoque relativamente simple adoptado, resulta en un modelo que funciona bien en comparación con los medidores de marea en la mayoría de los lugares.

Estimaciones de valores extremos del nivel total del mar

Como se señaló anteriormente, tanto S como WS son episódicos. Para las inundaciones costeras episódicas, son estas contribuciones relacionadas con las tormentas a los niveles extremos del mar las que a menudo son críticas7,8,28,29. La predicción estocástica de tales extremos implica el ajuste de una función de distribución de probabilidad apropiada (pdf) a una serie de tiempo histórica y luego extrapolarla a la probabilidad de ocurrencia deseada (por ejemplo, 0.01 en cualquier año o el evento de 100 años). En el caso de TSL, el enfoque más común ha sido considerar Máximos Anuales (AM)y ajustar una distribución de Gumbel de dos parámetros (GUM)8,30 o una distribución de Valores Extremos Generalizados de tres parámetros (GEVD) 7,30,31. Una limitación significativa de los enfoques de AM es que las series temporales de valores extremos resultantes tienen pocos valores (1 por año). Esto conduce a intervalos de confianza relativamente grandes al ajustar y extrapolar el pdf. Una alternativa es utilizar todos los picos de tormenta por encima de un umbral especificado, es decir, el enfoque de picos por encima del umbral, PoT31, 32. En este último caso, se puede demostrar que los datos siguen una Distribución de Pareto Generalizada (GPD)32 o su variante de dos parámetros, la Distribución Exponencial (EXP). Una alternativa al enfoque utilizado anteriormente de reconstruir la serie de tiempo histórico a largo plazo, es utilizar un enfoque de Montecarlo ensemble 9. Esto se discute en SM4.

El Análisis de Valores Extremos (EVA) adoptado puede tener un impacto importante en las estimaciones estadísticas resultantes de los extremos (en este caso, los niveles extremos del mar)31 (véase la Fig. S10). Por lo tanto, es importante asegurarse de que el EVA elegido se aproxime de manera óptima tanto al modelo como a los datos del mareómetro. Por lo tanto, se probó una serie de enfoques de EVA para determinar cuál representa de manera óptima los datos del modelo y del mareómetro (véase SM2). Los resultados indican que el enfoque PoT equipado con un GPD y un umbral del percentil 98 (GPD98) se ajusta tanto al medidor de marea como a los datos del modelo con el menor error. Esta combinación produce el mejor ajuste a los datos del medidor de marea en el 33% de las ubicaciones y el mejor ajuste a los datos del modelo (en puntos DIVA) en el 34% de las ubicaciones (ver Fig. S5). Este resultado es consistente con los hallazgos de Wahl et al.31. El análisis completo de EVA se describe en SM2.

En la tabla S3 se muestra un análisis adicional del impacto del enfoque de EVA seleccionado en el nivel extremo proyectado del mar, así como la sensibilidad del método utilizado para determinar el SW. Esta tabla considera el sesgo medio entre el indicador de marea y los resultados del modelo para un Período de Retorno de 20 años (\(ESL^{H20}-ESL_{Gauge}^{H20}\)) en las 355 ubicaciones del indicador de marea (de un total de 681) que tienen una duración de al menos 20 años dentro del lapso de tiempo del modelo de marejada tormentosa (1979-2014). Estos resultados indican un sesgo medio de 17 mm con la inclusión de WS determinado a partir del modelo GOW2, una pendiente de lecho de 1/30 y un EVA GPD98 (ver Fig. S7). Sin embargo, otras combinaciones de cálculo de EVA y WS arrojan resultados similares. Todos los casos que incluyen WS, tienen un sesgo medio relativamente pequeño, lo que indica que los resultados son robustos, independientemente de la elección del modelo de onda, la pendiente del lecho y el EVA. Lo que está claro, sin embargo, es que si no se incluye WS, hay un sesgo negativo constante (el modelo subestima el nivel extremo del mar). Para GPD98 con una pendiente de 1/30 lecho, el sesgo absoluto medio se reduce en un 88%, lo que indica una mejora significativa. Por lo tanto, la inclusión de la configuración de las olas parece producir un modelo de niveles extremos del mar (\(ESL^{H20}\)) que concuerdan mejor con los datos registrados.

Con esta validación de \(ESL^{H20}\) modelados, los resultados se extendieron a un período de retorno de 1 en 100 años (\(ESL^{H100}\)) y se evaluaron en todos los puntos DIVA. La distribución global de \(ESL^{H100}\) se muestra en la Fig. 1 bis. Esta figura muestra que los valores superiores a 5 m se producen a lo largo de las partes septentrionales de las costas del Atlántico y el Pacífico de América del Norte, las costas del Atlántico y el Mar del Norte de Europa y China. Los resultados muestran consistencia regional con \(ESL^{H100}\) variando gradualmente a lo largo de las líneas costeras. Tenga en cuenta que estas estimaciones \(ESL^{H100}\) subestiman los valores en las regiones de ciclones tropicales debido a la resolución del modelo8 y al tamaño limitado de la muestra 33,34.

Fig. S6 también muestra el impacto de WS solo, calculado como \(ESL_{T + S + WS}^{H100} – ESL_{T + S}^{H100}\). Esta figura muestra valores extremos de WS de hasta 0.5 m, con la distribución en gran medida siguiendo áreas de gran altura de ola extrema significativa35. En particular, las partes septentrionales de las costas del Atlántico y el Pacífico de América del Norte, la costa atlántica de Europa, el extremo meridional de la costa del Pacífico de América del Sur, la costa meridional de Australia y gran parte de Asia muestran contribuciones del período de retorno de 100 años de WS superiores a 0,4 m. Por lo tanto, aunque WS solo tiene un impacto muy pequeño en los valores generales de ARMSE TSL entre los datos del modelo y el medidor de marea, se convierte en un componente más grande en lo que respecta a los niveles extremos del mar (en promedio, un aumento del 17% en \(ESL^{H100}\) debido a WS sobre todos los puntos DIVA).

Proyecciones futuras de niveles extremos del mar e inundaciones costeras

Los valores \(ESL^{H100}\) proporcionan la base para determinar las inundaciones episódicas para el presente y para el futuro. Los valores de \(ESL^{H100}\) en cada punto DIVA se asociaron con una región circundante (véase SM3) y se calculó la inundación utilizando el siguiente enfoque de bañera planar8. La topografía fue definida por el conjunto de datos MERIT DEM, que tiene un datum vertical del geoide EGM96 (Earth Gravitational Model 1996). Para llevar valores de \(ESL^{H100}\) a este mismo dato, se agregaron valores de Topografía Oceánica Dinámica Media (MDOT) 25,36 a las estimaciones de valores extremos (\(ESL^{H100} + MDOT\)) 23. La línea costera se definió utilizando la base de datos Geográfica Jerárquica de Alta resolución (GSHHG) Autoconsistente Global37. Posteriormente se utilizó un enfoque basado en el SIG en el que cualquier punto de cuadrícula de MÉRITO se considera inundado si tiene una elevación inferior a \(ESL^{H100}\) y está conectado a la costa por agua.

La extensión de las inundaciones costeras es una función tanto de \(ESL^{F100}\) como de la topografía costera. La Figura 2 muestra un mapa global de regiones “hotspot” de inundaciones en 2100 para RCP8.5. Para llegar a este resultado, se determinó el área de inundación por unidad de longitud de costa para cada uno de los puntos DIVA (inundación normalizada km2/km). El presente análisis supone que no existen defensas costeras (diques, diques, etc.).). Por lo tanto, en lugar de mostrar valores absolutos de inundación en 2100, Fig. 2 muestra el cambio en la inundación del presente a 2100. En Europa noroccidental, India/Bahía de Bengala, Asia sudoriental y oriental se observan zonas con un aumento significativo de las inundaciones.

Regiones “hotspot” globales de cambios en inundaciones costeras episódicas en 2100 para RCP8.5. Es decir, la diferencia entre las inundaciones episódicas proyectadas en 2100 menos las inundaciones episódicas actuales. Los círculos llenos muestran lugares donde el cambio en la inundación normalizada (es decir, el cambio en el área inundada dividida por la longitud de la costa) es mayor de 1 km2/km. El tamaño del círculo está relacionado con el cambio de magnitud de la inundación normalizada. El color del círculo está relacionado con el nivel extremo del mar proyectado en 2100 [\(ESL_{T + S + WS}^{F100}\)] (figura generada utilizando ArcGIS v.10.5.1. 7333, www.esri.com Nota: para agregar claridad, donde los puntos se superponen, no todos los puntos se muestran en la figura.

La Figura 3 muestra tanto el \(ESL^{F100}\) como el área de inundación resultante para varias de las regiones “hotspot” que se muestran en la Fig. 2. Aunque la extensión de inundación no parece grande en tales parcelas, la extensión de inundación global para RCP8. 5 es de 661,000–1,009,000 km2 (aprox. 0,5–0,7% de la superficie terrestre mundial, mayor que la superficie terrestre de Francia). Tenga en cuenta que el rango de valores representa el intervalo de confianza del percentil 90 (consulte la sección “Métodos”). La Tabla 1 muestra la extensión de las inundaciones globales de cada PCR para 2050 y 2100. El archivo auxiliar de Datos Complementarios de Google Earth permite examinar los valores de \(ESL^{H100}\) y \(ESL^{F100}\) en cualquier ubicación de salida.

Un análisis más detallado de las contribuciones relativas de los diferentes procesos físicos a las inundaciones costeras episódicas proyectadas (que se muestran en el Cuadro 1) para finales del siglo XXI (véase SM3) indica las siguientes contribuciones para RCP8.5: T + S (63%), RSLR (32%), WS (5%). Este resultado demuestra que durante el próximo siglo, T + S seguirá siendo el proceso dominante para determinar el alcance de las inundaciones globales. Sin embargo, la RSLR aumenta significativamente la frecuencia de las inundaciones costeras. Para RCP8.5, las inundaciones asociadas con eventos actuales del período de retorno de 100 años ocurrirán, en promedio, al menos una vez cada 10 años al sur de los 50°N de latitud. Cabe señalar (véase SM2) que el cambio exacto en la frecuencia de estos eventos extremos de inundación es sensible al análisis de EVA utilizado.

Exposición de la población y los activos

Las estimaciones globales de inundaciones descritas anteriormente proporcionan la base para estimar tanto la población como los activos en riesgo de inundaciones costeras episódicas. La exposición de los activos se estimó utilizando la relación5, 24 \(A = 2.8 \times P \times G\), donde \(A\) es el valor de los activos expuestos a inundaciones (US$), \(P\) es la población y \(G\) es el Producto Interno Bruto por habitante (US$/cabeza). Como se señaló anteriormente, la población se estimó a partir de la base de datos gpwv426 y el PIB per cápita de Kummu et al.27. La Tabla 1 muestra el área inundada junto con la población y los activos expuestos en la actualidad, 2050 y 2100, tanto en RCP4.5 como en 8.5. Todos los valores están en dólares estadounidenses de 2011 y asumen la población y el PIB de 2015, de acuerdo con las bases de datos utilizadas. Para hacer una comparación directa entre los períodos actuales y futuros, no se ha incluido aquí ningún intento de proyectar cambios en el PIB o la población en años futuros. Los resultados proyectan que la población potencialmente expuesta a inundaciones costeras episódicas aumentará de 128-171 millones a 176-287 millones en 2100 bajo RCP8.5, donde el intervalo representa el intervalo de confianza del percentil 90 (consulte la sección “Métodos”) (un aumento de aproximadamente 1.8–2.4% de la población mundial a 2.5–4.1%). Se proyecta que el total de activos expuestos aumentará de US 6 6,466-US 9 9,135 mil millones a US 8 8,813-US 1 14,178 mil millones, lo que representa un aumento del 9-13% al 12-20% del PIB mundial. Como se señaló anteriormente, estos valores asumen que no hay defensas contra inundaciones en su lugar y, por lo tanto, sobreestimarán los valores verdaderos. Sin embargo, los resultados indican que para RCP8.5, para el año 2100 se proyecta que los valores medios de área inundada, población afectada y activos amenazados aumentarán en un 48%, 52% y 46%, respectivamente.