ennusteet maailmanlaajuisesta äärimmäisestä merenpinnasta ja siitä johtuvista ajoittaisista rannikkotulvista 2000-luvulla

tietokokonaisuudet ja käsittely

yksityiskohtainen kuvaus Tässä tutkimuksessa käytetyistä tietokokonaisuuksista on kohdassa “menetelmät”. Koska painopiste tässä on globaalissa mittakaavassa, TSL (t) kaudella (1979-2014) määritettiin pitkin maailmanlaajuisia rannikkoja yhteensä 9866 pistettä, jotka likimäärin rannikon segmenttien aiemmin määritelty Dynamic Interactive Haavoittuvuusarviointi database (DIVA)12 (Katso kuva. S1), josta käytetään tässä nimitystä “DIVA points”. Surgen historialliset arvot (\(s\)) määritettiin tänä ajanjaksona Global Tide and Surge Reanalysis (Gtsr) – aineistosta 8. Vuorovesitasot (T)määritettiin numeerisesta vuorovesimalliaineistosta FES2014 (Finite Element Solution) 13. Aaltoasennuksen (WS) määrittämiseksi tarvitaan lähiympäristön (syväveden) aaltoehdot (merkitsevä aallonkorkeus, \(H_{S0}\) ja aallonpituus, \(L_{0}\)). Koska yleisesti validoitua ja hyväksyttyä maailmanlaajuista nearshore wave model-tietokokonaisuutta ei ole, tätä tarkoitusta varten testattiin kahta eri reanalyysi-aaltomallin tietokokonaisuutta: ERA-Interim14 ja GOW215, joista jälkimmäinen lopulta hyväksyttiin (KS.SM1, SM2, taulukko S3). Aaltoasetelma määritettiin syvänmeren aaltojen jyrkkyyden (\(H_{S0} /L_{0}\)) ja sängyn kaltevuuden funktiona käyttäen Shore Protection Manual (spm)-lähestymistapaa 16,17. Alternative wave setup formulation ehdottama Stockdon et al.Myös 18 testattiin, ja sen todettiin tuottavan samanlaisia tuloksia (KS. SM1, SM2 ja SM5). Kun testattiin useita edustavia sänkirinteitä, päädyttiin lopulta arvoon 1/30 (katso SM1, SM2). Koska jokainen mallidata on eri maailmanlaajuisilla ruudukoilla ja eri ajallisella resoluutiolla, jokaiselle DIVA-pisteelle annettiin kunkin mallin lähimmän ruudukon pisteen arvo ja vastaavat T -, S-ja WS-suureet interpoloitiin ajassa 10 minuutin tarkkuudella. Edellä esitetty lähestymistapa ei sisällä aaltojuoksun vaikutusta, mikä vastaa useimpia julkaistuja tutkimuksia7,9,11, koska ylitys ei johda TSL: n jatkuvaan (tuntimäärään) nousuun. Tämä on toisin kuin melet et al-tutkimus.19,20.

TSL: n historiallinen aikasarja ajalta (1979-2014) laskettiin ekv. 1. Tässä lähestymistavassa ei oteta huomioon näiden prosessien välisiä epälineaarisia vuorovaikutuksia8. Esimerkiksi sekä aalto-että Aalto-asetukset vaikuttavat vuoroveden vaiheeseen. Vertailu mitattuihin vuorovesimittaritietoihin viittaa siihen, että tällaisilla vuorovaikutuksilla ei ainakaan tässä globaalissa mittakaavassa näytä olevan merkittävää vaikutusta tuloksiin (KS.SM1, SM2). Validointitiedot historialliselta ajanjaksolta saatiin gesla-221 tide gauge datasetistä, joka sisältää merenpinnan korkeustiedot 681 paikassa eri puolilla maailmaa (KS.Kuva. S1).

rannikkotulvien laajuuden määrittämiseksi rannikon topografiatiedot saatiin Monivirhetyöttömän parannetun maaston DEM (MERIT DEM) – aineistosta22. Vaikka natiivi resoluutio MERIT DEM on ~ 90 m päiväntasaajalla, karkeampi 1 km resoluutio versio, Yhdenmukainen aiempien tutkimusten 8, 23, 24 käytettiin tässä sovelluksessa vähentää laskennallisia kustannuksia ja varmistaa resoluutio verrattavissa muihin aineistoja käytetään. MERIT perustuu SRTM v4.1 DEM-aineistoon25, mutta paremmalla vertikaalisella tarkkuudella (KS. “menetelmät” – osio).

tulvien vuoksi altistuneiden varojen määrittämiseksi tarvitaan sekä väestötietokantoja että bruttokansantuotetta (BKT) koskevia tietokantoja. Väestötiedot saatiin gpwv4 Rev. 1126 tietokanta ja BKT tiedot Kummu et al.27.

Historiallinen maailmanlaajuinen kokonaismeren korkeus

Jälkijakson validointi on välttämätöntä, jotta voidaan luottaa tuleviin ennusteisiin. TSL-aikasarjaa verrattiin gesla-2-vuorovesimittarin tietoihin vuosilta 1979-2014. Mallin suorituskyky jälkilaskennan aikana arvioitiin jokaisessa 681 gesla-2-paikassa määrittämällä sekä neliövirhe (rmse) että ylempi prosenttipistevirhe (\(bias^{p}\)), korkeampien prosenttiarvojen ero (95-99) mallin TSL ja vuorovesimittarin tietojen välillä. Tämän jälkeen kokonaismallin suorituskykyä arvioitiin keskimääräisellä RMSE: llä (ARMSE) ja keskimääräisellä \(bias^{p}\) (\(abias^{p}\)) kaikilla gesla-2-paikoilla8. Gesla-2-vuorovesimittarin tietoja verrattiin sekä malleihin T + s + WS että T + S. lisäksi WS: n laskemiseen käytettiin sekä GOW2-että ERA-Interim-aaltomalleja, erilaisia sänkirinteitä ja kahta erilaista empiiristä kaavaa 16, 17,18. Täydelliset tulokset esitetään taulukoissa S1 ja S1 ja niitä käsitellään SM1: ssä. Koska erot ARMSEN ja \(abias^{p}\) eri arvojen välillä eivät ole suuria eri yhdistelmille ja koska, kuten myöhemmin on osoitettu, WS on suhteellisen pieni osa episodisen tulvan kokonaismäärästä, rajoitamme keskustelumme tapauksiin, joissa WS lasketaan gow2-mallilla,SPM16, 17-muotoilulla ja keskialueen sängyn kaltevuudella 1/30. Kuten edellä todettiin, analyysin globaalin mittakaavan vuoksi ws16,17: n määrittämiseen käytettiin välttämättä suhteellisen yksinkertaista lähestymistapaa. Koska tulokset lopulta osoittivat, että WS ei ollut merkittävä osa episodista tulvimista (5%, ks.SM3), tämän lähestymistavan aiheuttamat virheet eivät todennäköisesti vaikuta merkittävästi lopullisiin tuloksiin.

T + S: n osalta KOKONAISKESKIARVO on 0,197 m, mikä on verrattavissa Muis et al: n saamaan 0,170 m: n arvoon.8, jossa käytettiin vanhempaa vuorovesimallia (FES 2012) yhdessä huomattavasti pienemmän joukon vuorovesimittaripaikkoja (472). WS: n sisällyttäminen ei tee ARMSEEN merkittävää muutosta, vaan nostaa sen hieman 0,204 metriin (KS.taulukko S1). Tämä ws: ään kohdistuvan vaikutuksen puute ei ole yllättävää, sillä WS: n odotetaan edustavan vain merkittävää osuutta MYRSKYTAPAHTUMISSA, jotka ARMSE on ottanut huonosti haltuun. Rmse: n arvojen maailmanlaajuinen jakautuminen t + s + WS: lle esitetään jokaisessa gesla-2-paikassa Kuvassa. S2. Vaikka aineistossa esiintyy satunnaista poikkeamaa, RMSE on alle 0,2 metriä 75%: ssa paikoista ja alle 0,5 m suurimmassa osassa (93%) paikoista. WS: n osuus myrskykausina (Figs. S8, S9) voidaan arvioida arvoista \(abias^{p}\). Taulukko S2, osoittaa, että T + S: lle \(abias^{p}\) suuruus kasvaa prosenttipistetason kasvaessa. Kun ws lisätään, \(abias^{p}\) pienenee, jolloin siitä tulee likimain vakio kaikilla prosenttipisteillä. Vähennys \(abias^{P}\) on 60% 99.prosenttipisteessä, mikä osoittaa WS: n sisällyttämisen johtavan parempaan yhteisymmärrykseen malli-ja vuorovesimittareiden välillä myrskytapahtumien aikana. Paraneminen \ (\left| {bias^{P} } \right/\), yksittäisissä vuorovesimittarin paikoissa näkyy kuvassa. S4.

edellä esitetty validointi osoittaa, että mallipohjaiset TSL-estimaatit ovat yleensä hyvin yhdenmukaisia vuorovesimittaustietojen kanssa ja että WS-estimaattien mukaan ottaminen parantaa suorituskykyä erityisesti äärimmäisten myrskytapahtumien aikana. Kuten SM1: ssä todettiin, on epäselvää, kuinka monet validointiveden mittarit reagoivat ws: ään sijaintinsa vuoksi. Mikä on selvää, kuitenkin, on, että ilman sisällyttämistä WS, on maailmanlaajuinen underprediction TSL myrskyjen aikana. Myös, kuten kuvassa. S4, paraneminen \ (\left| {bias^{P} } \right/\) voidaan nähdä valtaosassa vuorovesimittarin paikoista. Ei tiedetä, johtuuko tämä todella WS: stä vai systemaattisesta S: n ennustamisesta. On selvää, että WS: n sisällyttäminen järjestelmään, jossa käytetään suhteellisen yksinkertaista lähestymistapaa, johtaa malliin, joka toimii hyvin vuorovesimittareihin verrattuna useimmissa paikoissa.

äärimmäiset arviot kokonaismeren tasosta

kuten edellä todettiin, sekä S että WS ovat episodisia. Ajoittaisille rannikkotulville juuri nämä myrskyihin liittyvät vaikutukset äärimmäisiin merenpinnan tasoihin ovat usein kriittisiä 7, 8,28 ja 29. Tällaisten ääripäiden stokastiseen ennustamiseen kuuluu sopivan todennäköisyysjakaumafunktion (pdf) sovittaminen historialliseen aikasarjaan ja sen jälkeen ekstrapolointi haluttuun esiintymistodennäköisyyteen (esim.0,01 minä tahansa vuonna tai 100 vuoden tapahtuma). TSL: n tapauksessa yleisimpänä lähestymistapana on pidetty vuosittaista Maksimijakaumaa (AM) ja siihen on sovitettu joko kahden parametrin Gumbel-jakauma (GUM)8,30 tai kolmen parametrin yleinen Ääriarvojakauma (GEVD)7,30,31. Merkittävä AM-lähestymistapoja rajoittava tekijä on se, että tuloksena olevilla ääriarvo-aikasarjoilla on vain vähän arvoja (1 vuodessa). Tämä johtaa suhteellisen suuriin luottamusväleihin pdf-tiedostoa asennettaessa ja ekstrapoloitaessa. Vaihtoehtona on käyttää kaikkia tietyn kynnysarvon ylittäviä myrskyhuippuja eli kynnysarvon ylittäviä huippuja, PoT31,32. Jälkimmäisessä tapauksessa aineiston voidaan osoittaa noudattavan yleistettyä Pareto-jakaumaa (GPD)32 tai sen kahden parametrin muunnosta, eksponentiaalista jakaumaa (EXP). Vaihtoehtona edellä käytetylle pitkän aikavälin historiallisten aikasarjojen rekonstruoinnille on käyttää ensemble Monte-Carlo approach9-menetelmää. Tätä käsitellään SM4: ssä.

käyttöön otetulla Ääriarvoanalyysillä (EVA)voi olla suuri vaikutus tuloksena oleviin tilastollisiin arvioihin ääriarvoista (tässä tapauksessa äärimmäiset merenpinnat) 31 (KS. S10). Siksi on tärkeää varmistaa, että valittu EVA vastaa optimaalisesti sekä mallin että vuorovesimittarin tietoja. Tämän vuoksi testattiin erilaisia EVA-lähestymistapoja sen määrittämiseksi, mikä edustaa optimaalisesti sekä Malli-että vuorovesimittarin tietoja (ks.SM2). Tulokset osoittavat, että PoT-lähestymistapa, jossa on GPD ja 98.prosenttipistekynnys (GPD98), sopii sekä vuorovesimittariin että mallitietoihin, joissa on vähiten virheitä. Tämä yhdistelmä antaa parhaan istuvuuden vuorovesimittarin tietoihin 33%: ssa paikoista ja parhaan istuvuuden mallitietoihin (Diva-pisteissä) 34%: ssa paikoista (KS.Kuva. S5). Tämä tulos on yhdenmukainen Wahl et al: n havaintojen kanssa.31. Koko EVA-analyysi on kuvattu SM2: ssa.

taulukossa S3 esitetään lisäanalyysi valitun EVA-menetelmän vaikutuksesta ennustettuun äärimmäiseen merenpintaan sekä vedenalaisen vedenkorkeuden määrittämiseen käytetyn menetelmän herkkyydestä. Tässä taulukossa tarkastellaan keskimääräistä vinoumaa vuorovesimittarin ja mallitulosten välillä 20 vuoden Palautusjaksolla (\(ESL^{H20}-ESL_{Gauge}^{H20}\)) 355: ssä (yhteensä 681: stä) vuorovesimittarin paikassa, joiden kesto on vähintään 20 vuotta myrskyaaltomallin aikajänteellä (1979-2014). Nämä tulokset osoittavat 17 mm: n keskimääräisen vinouman, kun mukaan lasketaan GOW2-mallista määritetty WS, 1/30 sängyn kaltevuus ja GPD98 EVA (KS.Kuva. S7). Useat muut EVA-ja WS-laskennan yhdistelmät tuottavat kuitenkin samansuuntaisia tuloksia. Kaikki tapaukset, jotka sisältävät WS, on suhteellisen pieni keskimääräinen bias, mikä osoittaa, että tulokset ovat kestäviä, riippumatta valinnasta aallon malli, sängyn kaltevuus ja EVA. On kuitenkin selvää, että jos WS: ää ei lasketa mukaan, on olemassa johdonmukainen negatiivinen harha (malli aliarvioi äärimmäistä merenpintaa). Gpd98: ssa, jonka kaltevuuskulma on 1/30, keskimääräinen absoluuttinen harha vähenee 88%, mikä osoittaa merkittävää parannusta. Siksi aaltoasetusten sisällyttäminen näyttää tuottavan mallin äärimmäiset merenpinnat (\(ESL^{H20}\)), jotka ovat paremmin sopusoinnussa tallennettujen tietojen kanssa.

tällä mallinnetun \(ESL^{H20}\) validoinnilla tulokset pidennettiin 1: n palautusajalle 100 vuodessa (\(ESL^{H100}\)) ja arvioitiin kaikissa DIVA-pisteissä. Kokonaisjakauma \(ESL^{H100}\) on esitetty kuvassa. 1 A. Tämä luku osoittaa, että yli 5 metrin arvoja esiintyy Pohjois-Amerikan Atlantin ja Tyynenmeren rannikoilla, Euroopan ja Kiinan Atlantin ja Pohjanmeren rannikoilla. Tulokset osoittavat alueellisen yhteneväisyyden \(ESL^{H100}\) kanssa vaihtelevan vähitellen rannikoilla. Huomaa,että nämä \(ESL^{H100}\) – estimaatit aliarvioivat arvot trooppisilla syklonialueilla mallin resolution8 ja rajoitetun otoskoon33, 34 vuoksi.

Kuva. S6 näyttää myös pelkän WS: n vaikutuksen laskettuna \(ESL_{T + S + WS}^{H100} – ESL_{T + S}^{H100}\). Tämä luku näyttää äärimmäiset WS-arvot 0: een asti.5 m, jakauma suurelta osin seuraavat alueet suuri äärimmäinen merkitsevä aallonkorkeus35. Erityisesti Pohjois-Amerikan Atlantin ja Tyynenmeren rannikoiden pohjoisosat, Euroopan Atlantin rannikko, Etelä-Amerikan Tyynenmeren rannikon eteläkärki, Australian etelärannikko ja suuri osa Aasiaa osoittavat 100 vuoden tuottoajan osuudet yli 0,4 m. Näin ollen, vaikka WS: llä on vain hyvin pieni vaikutus armse TSL: n kokonaisarvoihin mallin ja vuorovesimittarin tietojen välillä, siitä tulee suurempi komponentti äärimmäisten merenpinnan arvojen osalta (keskimäärin 17%: n nousu \(ESL^{H100}\) johtuen WS: stä kaikissa DIVA-pisteissä).

tulevaisuuden ennusteet meren ääritasoista ja rannikkotulvista

\(ESL^{H100}\) arvot muodostavat perustan episodisten tulvien määrittämiselle nykypäivää ja tulevaisuutta varten. \(ESL^{H100}\): n arvot kussakin DIVA-pisteessä liittyivät ympäröivään alueeseen (katso SM3) ja tulviin, jotka laskettiin käyttämällä seuraavaa planar-ammelähestymistapaa8. Topografian määritteli MERIT DEM dataset, jossa on EGM96-geoidin vertikaalinen datumi (Earth Gravitational Model 1996). Jotta \(ESL^{H100}\) – arvot saataisiin tähän samaan datumiin, ääriarvojen estimaatteihin (\(ESL^{H100} + mdot\)) lisättiin keskimääräiset dynaamiset valtamerten topografiat(Mdot)25,36-arvot (\(ESL ^ {H100} + mdot\)) 23. Rantaviiva määriteltiin Global Self-consistent Hierarchical High-resolution Geography (Gshhg) database37-tietokannan avulla. Tämän jälkeen on käytetty paikkatietojärjestelmään perustuvaa lähestymistapaa, jossa minkä tahansa MERIT-ruudukon pisteen katsotaan olevan tulvan alla, jos sen korkeus on pienempi kuin \(ESL^{H100}\) ja se on yhdistetty rantaviivaan vedellä.

rannikkotulvien laajuus on sekä \(ESL^{F100}\) että rannikon topografian funktio. Kuvassa 2 esitetään maailmanlaajuinen kartta tulvien “hotspot” – alueista vuonna 2100 rcp8.5: lle. Tämän tuloksen saavuttamiseksi tulva-alue rantaviivan pituusyksikköä kohti määritettiin kullekin DIVA-pisteelle (normalisoitu tulva-alue km2/km). Tässä analyysissä oletetaan, että rannikoilla ei ole puolustuskykyä (patoja, merenpohjia jne.). Siksi sen sijaan, että se osoittaisi inundationin absoluuttiset arvot vuonna 2100, Kuva. 2 osoittaa tulvan muutoksen nykyisestä vuoteen 2100. Alueita, joilla tulvat lisääntyvät merkittävästi, on Luoteis-Euroopassa, Intiassa/Bengalinlahdella, Kaakkois-ja Itä-Aasiassa.

vuoden 2100 ajoittaisten rannikkotulvien muutosten maailmanlaajuiset “hotspot” – alueet rcp8.5: n osalta. Toisin sanoen ero ennustettujen episodisten tulvien välillä vuonna 2100 miinus nykyiset episodiset tulvat. Täytetyt ympyrät osoittavat paikkoja, joissa normalisoidun tulva-alueen muutos (eli tulva-alueen muutos jaettuna rannikon pituudella) on suurempi kuin 1 km2/km. Ympyrän koko liittyy normalisoidun tulvan suuruuden muutokseen. Ympyrän väri on verrannollinen ennustettuun äärimmäiseen merenpinnan tasoon vuonna 2100 (\(ESL_{T + s + WS}^{F100}\)) (kuva luotu käyttämällä ArcGIS v. 10.5.1.7333, www.esri.com). Huomautus: lisätä selkeyttä, jos kohdat päällekkäisiä, ei jokainen piste on esitetty kuvassa.

Kuvassa 3 esitetään sekä \(ESL^{F100}\) että tuloksena oleva tulva-alue useille Kuvassa esitetyille “hotspot” – alueille. 2. Vaikka tulva-alue ei näyttäisikään tällaisilta tonteilta suurelta, rcp8.5: n maailmanlaajuinen tulva–alue on 661 000-1 009 000 km2 (n. 0,5-0,7% maailman maapinta-alasta, suurempi kuin Ranskan maapinta-ala). Huomaa, että arvoalue edustaa 90.prosenttipisteen luottamusväliä (KS. kohta “menetelmät”). Taulukossa 1 esitetään kunkin riskipääoman tulvien laajuus sekä vuonna 2050 että vuonna 2100. Lisätiedot Google Earth-tiedosto mahdollistaa arvojen \(ESL^{H100}\) ja \(ESL^{F100}\) tutkimisen missä tahansa tulostuspaikassa.

tarkempi analyysi eri fysikaalisten prosessien suhteellisesta vaikutuksesta ennustettuihin ajoittaisiin rannikkotulviin (KS.Taulukko 1) 2000-luvun loppuun mennessä (KS.SM3) osoittaa seuraavat vaikutukset RCP8. 5: T + S (63%), RSLR (32%), WS (5%). Tämä tulos osoittaa, että seuraavan vuosisadan aikana T + S pysyy hallitsevana prosessina maailmanlaajuisten tulvien laajuuden määrittämisessä. RSLR kuitenkin lisää merkittävästi rannikkotulvien tiheyttä. RCP8: n osalta.5, nykypäivään 100 vuoden paluujakson tapahtumiin liittyviä tulvia esiintyy keskimäärin vähintään kerran 10 vuodessa 50°N leveyspiirin eteläpuolella. On huomattava (KS. SM2), että näiden äärimmäisten tulvailmiöiden tarkka taajuusmuutos on herkkä käytetylle EVA-analyysille.

väestö ja varallisuus

edellä kuvatut maailmanlaajuiset tulva-arviot muodostavat perustan sekä satunnaisten rannikkotulvien riskialttiiden asukkaiden että varojen arvioinnille. Varallisuusriski estimoitiin käyttämällä suhdetta5, 24 \(a = 2.8 \kertaa p \kertaa G\), jossa \(A\) on tulville altistunut omaisuusarvo (US$), \(P\) on väestö ja \(G\) on bruttokansantuote asukasta kohti (US$/asukas). Kuten edellä todettiin, väkiluku arvioitiin GPWv4-tietokannasta26 ja BKT asukasta kohti Kummu et al.27. Taulukossa 1 esitetään tulva-alue sekä väestömäärä ja altistuneet varat nykyisiltä vuosilta 2050 ja 2100 sekä RCP4.5: n että 8.5: n osalta. Kaikki arvot ovat 2011 US$ ja oletetaan 2015 väestö ja BKT, Yhdenmukainen tietokantojen käytetään. Jotta nykyhetkeä ja tulevia ajanjaksoja voitaisiin verrata suoraan, tässä ei ole pyritty ennustamaan BKT: n tai asukasluvun muutoksia tulevina vuosina. Tulokset osoittavat, että satunnaisille rannikkotulville mahdollisesti altistuva väestö kasvaa 128-171 miljoonasta 176-287 miljoonaan vuonna 2100 RCP8.5–ohjelman mukaisesti, missä span edustaa 90.prosenttipisteen luottamusväliä (KS. “menetelmät”–jakso) (lisäys noin 1,8-2,4 prosentista maailman väestöstä 2,5-4,1 prosenttiin). Kokonaisvarat altistuvat ennustetaan kasvavan US$6,466-US$9,135 miljardista US$8,813-US$14,178 miljardia edustaa kasvua 9-13% 12-20% maailman BKT. Kuten edellä todettiin, nämä arvot olettavat, ettei tulvavaroja ole olemassa, ja näin ollen ne yliarvioivat todelliset arvot. Tulokset osoittavat kuitenkin, että RCP8.5: n osalta vuoteen 2100 mennessä tulva-alueen, väestön, johon tulva vaikuttaa, ja uhanalaisten varojen keskiarvojen arvioidaan kasvavan vastaavasti 48 prosenttia, 52 prosenttia ja 46 prosenttia.