Projections des niveaux extrêmes de la mer à l’échelle mondiale et des inondations côtières épisodiques qui en résultent au cours du 21e siècle

Ensembles de données et traitement

Une description détaillée des ensembles de données utilisés dans cette étude est fournie dans la section “Méthodes”. Comme l’accent est mis ici à l’échelle mondiale, la TSL(t) sur la période (1979-2014) a été déterminée le long des côtes mondiales à un total de 9 866 points qui se rapprochent des segments côtiers précédemment définis dans la base de données Dynamique Interactive d’évaluation de la vulnérabilité (DIVA)12 (voir fig. S1), appelés ici ” points DIVA “. Les valeurs historiques des surtensions (\(S\)) ont été déterminées au cours de cette période à partir de l’ensemble de données GTSR (Global Tide and Surtensions Reanalysis)8. Les niveaux de marée (T) ont été déterminés à partir de l’ensemble de données du modèle de marée numérique FES2014 (Solution par éléments finis)13. Afin de déterminer la configuration des vagues, (WS), les conditions des vagues côtières (en eau profonde) (hauteur des vagues significative, \(H_{s0}\) et longueur d’onde, \(L_{0}\)) sont nécessaires. Comme il n’existe pas d’ensemble de données de modèle mondial de vagues littorales largement validées et acceptées, deux ensembles de données de modèles de vagues de réanalyse différents ont été testés à cette fin : ERA-Interim14 et GOW215, ce dernier ayant finalement été adopté (voir SM1, SM2, tableau S3). La configuration des vagues a été déterminée en fonction de la pente des vagues en eau profonde (\(H_{s0}/L_{0}\)) et de la pente du lit à l’aide de l’approche du Manuel de protection des côtes (MPS)16,17. Une formulation alternative de configuration d’ondes proposée par Stockdon et al.18 a également été testé et a donné des résultats similaires (voir SM1, SM2 et SM5). Après avoir testé une série de pentes de lit représentatives, une valeur de 1/30 a finalement été adoptée (voir SM1, SM2). Comme chacun des ensembles de données du modèle se trouve sur des grilles globales différentes et à une résolution temporelle différente, chaque point DIVA a reçu la valeur du point de grille le plus proche pour chaque modèle et les quantités respectives de T, S et WS ont été interpolées dans le temps jusqu’à une résolution de 10 minutes. L’approche ci-dessus n’inclut aucune contribution de la montée des vagues, conformément à la majorité des études publiées7,9,11, car la montée des vagues n’entraîne pas une élévation soutenue (de l’ordre des heures) de la TSL. Cela contraste avec l’étude récente de Melet et al.19,20.

La série chronologique historique de TSL sur la période (1979-2014) a été calculée en utilisant Eq. 1. Cette approche ne tient pas compte des interactions non linéaires entre ces processus8. Par exemple, la configuration des surtensions et des vagues sera influencée par la phase de la marée. La comparaison avec les données marégraphiques mesurées suggère que de telles interactions, du moins à cette échelle mondiale, ne semblent pas avoir d’impact significatif sur les résultats (voir SM1, SM2). Les données de validation sur la période historique ont été obtenues à partir de l’ensemble de données marégraphiques GESLA-221, qui comprend des données sur le niveau de la mer à 681 endroits dans le monde (voir Fig. S1).

Afin de déterminer l’étendue de l’inondation côtière, des données de topographie côtière ont été obtenues à partir de l’ensemble de données DEM sur le terrain amélioré (DEM MERIT) éliminées par plusieurs erreurs (DEM MERIT)22. Bien que la résolution native du MERIT DEM soit d’environ 90 m à l’Équateur, une version plus grossière de résolution de 1 km, conforme aux études précédentes8,23, 24 a été utilisée pour la présente application afin de réduire les frais de calcul et d’assurer une résolution comparable aux autres ensembles de données utilisés. MERIT est basé sur l’ensemble de données SRTM v4.1 dem25, mais avec une précision verticale améliorée (voir la section “Méthodes”).

Afin de déterminer les actifs exposés en raison des inondations, des bases de données maillées sur la population et le Produit intérieur brut (PIB) sont nécessaires. Les données démographiques ont été obtenues à partir du GPWv4 Rev. 1126 base de données et données sur le PIB de Kummu et al.27.

Niveau global historique de la mer

La validation sur la période de prévision rétrospective est impérative pour avoir confiance dans les projections futures. La série chronologique du modèle TSL a été comparée aux données du marégraphe GESLA-2 sur la période 1979-2014. Les performances du modèle au cours de la période de prévision rétrospective ont été évaluées à chacun des 681 emplacements GESLA-2 en déterminant à la fois l’erreur quadratique moyenne (RMSE) et le biais du centile supérieur (\(bias^{p}\)), différence de valeurs de centiles plus élevées (95e à 99e) entre le modèle TSL et les données marégraphiques. La performance globale du modèle global a ensuite été évaluée en termes de RMSE moyenne (ARMSE) et de moyenne\(bias^{p}\) (\(abias^{p}\)) sur toutes les localisations GESLA-28. Les données du marégraphe GESLA-2 ont été comparées aux modèles T+S+ WS et T+S. De plus, les modèles de vagues GOW2 et ERA-Interim, une variété de pentes de lit et deux formules empiriques différentes16,17, 18 ont été utilisés pour calculer WS. Les résultats complets sont donnés dans les tableaux S1 et S1 et discutés dans SM1. Comme les différences entre les différentes valeurs d’ARMSE et de \(abias^{p}\) ne sont pas importantes pour les différentes combinaisons et parce que, comme on l’a montré par la suite, WS est une composante relativement faible de l’inondation épisodique totale, nous limitons notre discussion ici aux cas où WS est calculé avec le modèle GOW2, la formulation SPM16,17 et la pente de lit moyenne de 1/30. Comme il a été mentionné ci-dessus, l’analyse à l’échelle mondiale signifiait qu’une approche relativement simpliste était nécessairement utilisée pour déterminer WS16,17. Comme les résultats ont finalement montré que WS n’était pas une composante importante des inondations épisodiques (5%, voir SM3), il est peu probable que les erreurs causées par cette approche biaisent de manière significative les résultats finaux.

Pour T+S, l’ARMSE moyenne globale est de 0,197 m, ce qui est comparable à la valeur de 0,170 m obtenue par Muis et al.8, où un modèle de marée plus ancien (FES 2012) a été utilisé avec un ensemble de marégraphes nettement plus petit (472). L’inclusion de WS n’apporte aucun changement notable à ARMSE, l’augmentant en fait légèrement à 0,204 m (voir tableau S1). Ce manque d’impact sur WS n’est pas surprenant, car WS ne devrait représenter qu’une contribution appréciable lors des tempêtes, ce qui est mal capturé par ARMSE. La distribution globale des valeurs de RMSE pour T+ S+ WS est représentée à chaque emplacement GESLA-2 sur la Fig. S2. Bien qu’il y ait une valeur aberrante occasionnelle dans les données, la RMSE est inférieure à 0,2 m dans 75% des emplacements et inférieure à 0,5 m dans la grande majorité (93 %) des emplacements. La contribution du WS pendant les périodes de tempête (Fig. S8, S9) peut être évalué à partir des valeurs de \(abias^{p}\). Le tableau S2 montre que pour T + S, \(abias^{p}\) augmente de magnitude avec l’augmentation du niveau de centile. Avec l’ajout de WS, \(abias^{p}\) diminue, devenant approximativement constante dans tous les centiles. La réduction de \(abias^{p}\) est de 60 % au 99e percentile, ce qui indique que l’inclusion de WS permet une meilleure concordance entre le modèle et les marégraphes lors des tempêtes. L’amélioration de \(\left|{bias^{P}}\right|\), aux différents marégraphes, est illustrée à la Fig. S4.

La validation décrite ci-dessus indique que les estimations de TSL dérivées du modèle sont généralement en bon accord avec les données marégraphiques et que l’inclusion de WS améliore les performances, en particulier lors d’événements de tempête extrêmes. Comme indiqué dans SM1, il n’est pas clair combien de marégraphes de validation répondent aux WS en raison de leur emplacement. Ce qui est clair, cependant, c’est que sans l’inclusion de WS, il y a une sous-prédiction mondiale de TSL pendant les tempêtes. De plus, comme le montre la Fig. S4, l’amélioration de \(\left/{bias^{P}}\right|\) peut être observée dans la grande majorité des marégraphes. On ne sait pas si cela est réellement dû à WS ou à une prédiction systématique de S. Ce qui est clair, c’est que l’inclusion du WS, modélisé selon l’approche relativement simple adoptée, aboutit à un modèle qui fonctionne bien par rapport aux marégraphes de la plupart des endroits.

Estimations des valeurs extrêmes du niveau total de la mer

Comme indiqué ci-dessus, le S et le WS sont épisodiques. Pour les inondations côtières épisodiques, ce sont ces contributions liées aux tempêtes aux niveaux extrêmes de la mer qui sont souvent critiques7,8, 28, 29. La prédiction stochastique de tels extrêmes implique l’ajustement d’une fonction de distribution de probabilité appropriée (pdf) à une série chronologique historique, puis l’extrapolation à la probabilité d’occurrence souhaitée (par exemple 0,01 pour une année quelconque ou l’événement de 100 ans). Dans le cas de TSL, l’approche la plus courante a été de considérer les Maxima annuels (AM) et d’adapter soit une distribution de Gumbel à deux paramètres (GUM) 8,30, soit une distribution de Valeurs Extrêmes généralisées à trois paramètres (GEVD) 7,30,31. Une limitation importante des approches AM est que les séries chronologiques de valeurs extrêmes qui en résultent ont peu de valeurs (1 par an). Cela conduit à des intervalles de confiance relativement importants lors de l’ajustement et de l’extrapolation du pdf. Une alternative consiste à utiliser tous les pics de tempête au—dessus d’un seuil spécifié – c’est-à-dire l’approche des pics au-dessus du seuil, PoT31, 32. Dans ce dernier cas, on peut montrer que les données suivent une Distribution de Pareto Généralisée (GPD) 32 ou sa variante à deux paramètres, la Distribution Exponentielle (EXP). Une alternative à l’approche utilisée ci-dessus de la reconstruction des séries chronologiques historiques à long terme consiste à utiliser une approche d’ensemble Monte-Carlo 9. Ceci est discuté dans SM4.

L’Analyse des valeurs extrêmes (EVA) adoptée peut avoir un impact majeur sur les estimations statistiques des extrêmes qui en résultent (dans ce cas, les niveaux extrêmes de la mer)31 (voir Fig. S10). Par conséquent, il est important de s’assurer que l’EVA choisie se rapproche de manière optimale à la fois des données du modèle et du marégraphe. Par conséquent, une gamme d’approches EVA ont été testées pour déterminer laquelle représente de manière optimale à la fois les données du modèle et des marégraphes (voir SM2). Les résultats indiquent que l’approche PoT équipée d’un GPD et d’un seuil du 98e centile (GPD98) correspond à la fois au marégraphe et aux données du modèle avec le moins d’erreurs. Cette combinaison donne le meilleur ajustement aux données du marégraphe dans 33% des endroits et le meilleur ajustement aux données du modèle (aux points DIVA) dans 34% des endroits (voir fig. S5). Ce résultat est conforme aux conclusions de Wahl et coll.31. L’analyse EVA complète est décrite dans SM2.

Une analyse plus approfondie de l’impact de l’approche EVA sélectionnée sur le niveau extrême projeté de la mer, ainsi que de la sensibilité de la méthode utilisée pour déterminer le WS est présentée dans le tableau S3. Ce tableau considère le biais moyen entre les résultats du marégraphe et du modèle pour une période de retour de 20 ans (\(ESL^{H20} – ESL_{Gauge}^{H20}\)) à travers les 355 (sur un total de 681) emplacements marégraphiques dont la durée est d’au moins 20 ans dans la période du modèle d’onde de tempête (1979-2014). Ces résultats indiquent un biais moyen de 17 mm avec l’inclusion de WS déterminé à partir du modèle GOW2, une pente de lit de 1/30 et une EVA GPD98 (voir Fig. S7). Cependant, un certain nombre d’autres combinaisons de calcul EVA et WS donnent des résultats similaires. Tous les cas incluant WS présentent un biais moyen relativement faible, ce qui indique que les résultats sont robustes, quel que soit le choix du modèle d’onde, de la pente du lit et de l’EVA. Ce qui est clair, cependant, c’est que si WS n’est pas inclus, il y a un biais négatif constant (le modèle sous-estime le niveau extrême de la mer). Pour le GPD98 avec une pente de lit de 1/30, le biais absolu moyen est réduit de 88%, ce qui indique une amélioration significative. Par conséquent, l’inclusion de la configuration des vagues semble produire des niveaux extrêmes de la mer modèles (\(ESL^{H20} \)) qui sont mieux en accord avec les données enregistrées.

Avec cette validation de modélisé \(ESL^{H20}\), les résultats ont été étendus à une période de retour de 1 en 100 ans (\(ESL^{H100}\)) et évalués à tous les points DIVA. La distribution globale de \(ESL^{H100}\) est illustrée à la Fig. 1 bis. Cette figure montre que des valeurs supérieures à 5 m se produisent le long des parties septentrionales des côtes Atlantique et Pacifique de l’Amérique du Nord, des côtes Atlantique et de la mer du Nord de l’Europe et de la Chine. Les résultats montrent une cohérence régionale avec \(ESL^{H100}\) variant progressivement le long des côtes. Notez que ces estimations \(ESL^{H100}\) sous-estiment les valeurs dans les régions de cyclones tropicaux en raison de la résolution du modèle8 et de la taille limitée de l’échantillon33,34.

Fig. S6 montre également l’impact de WS seul, calculé comme \(ESL_{T + S+ WS}^{H100} – ESL_{T +S}^{H100}\). Cette figure montre des valeurs WS extrêmes jusqu’à 0.5 m, la distribution suivant en grande partie les zones de grande hauteur d’onde significative extrème35. En particulier, les parties septentrionales des côtes Atlantique et Pacifique de l’Amérique du Nord, de la côte atlantique de l’Europe, de la pointe sud de la côte Pacifique de l’Amérique du Sud, de la côte sud de l’Australie et d’une grande partie de l’Asie présentent des contributions de la période de retour sur 100 ans de WS supérieures à 0,4 m. Par conséquent, bien que le WS n’ait qu’un impact très faible sur les valeurs globales du TSL d’ARMSE entre les données du modèle et du marégraphe, il devient une composante plus importante en ce qui concerne les niveaux extrêmes de la mer (en moyenne une augmentation de 17% de \ (ESL ^{H100}\) due au WS sur tous les points DIVA).

Projections futures des niveaux extrêmes de la mer et des inondations côtières

Les valeurs \(ESL^{H100}\) fournissent la base pour déterminer les inondations épisodiques pour le présent et pour le futur. Les valeurs de \(ESL^{H100}\) à chaque point de DIVA ont été associées à une région environnante (voir SM3) et à l’inondation calculées en utilisant l’approche de baignoire plane suivante8. La topographie a été définie par le jeu de données MERIT DEM, qui a une donnée verticale du géoïde EGM96 (Modèle gravitationnel de la Terre, 1996). Pour ramener les valeurs de \(ESL^{H100}\) à cette même donnée, des valeurs de Topographie océanique dynamique moyenne (MDOT) 25,36 ont été ajoutées aux estimations de valeurs extrêmes (\(ESL^{H100} + MDOT\))23. Le littoral a été défini à l’aide de la base de données GSHHG (Global Self-consistent Hierarchical High-resolution Geography)37. Une approche basée sur le SIG a ensuite été utilisée selon laquelle tout point de grille de MÉRITE est considéré comme inondé s’il a une altitude inférieure à \(ESL^{H100} \) et est relié au rivage par l’eau.

L’étendue des inondations côtières est fonction à la fois de \(ESL^{F100}\) et de la topographie côtière. La figure 2 montre une carte globale des régions ” hotspot ” d’inondation en 2100 pour RCP8.5. Pour arriver à ce résultat, la zone d’inondation par unité de longueur de côte a été déterminée pour chacun des points DIVA (inondation normalisée km2/km). La présente analyse suppose qu’il n’existe pas de défenses côtières (digues, murailles, etc.). Par conséquent, plutôt que de montrer des valeurs absolues d’inondation en 2100, la Fig. 2 montre le changement d’inondation du présent à 2100. Des zones avec une augmentation significative des inondations sont observées en Europe du nord-ouest, en Inde / baie du Bengale, en Asie du sud-est et de l’Est.

Régions “hotspot” mondiales de changements dans les inondations côtières épisodiques en 2100 pour RCP8.5. C’est-à-dire la différence entre les inondations épisodiques projetées en 2100 moins les inondations épisodiques actuelles. Les cercles remplis indiquent les endroits où la variation de l’inondation normalisée (c.-à-d. la variation de la zone inondée divisée par la longueur de la côte) est supérieure à 1 km2/km. La taille du cercle est liée au changement d’ampleur de l’inondation normalisée. La couleur du cercle est liée au niveau extrême projeté de la mer en 2100 (\(ESL_{T+S+WS}^{F100}\)) (figure générée à l’aide d’ArcGIS v.10.5.1.7333, www.esri.com ). Remarque: pour plus de clarté, lorsque les points se chevauchent, tous les points ne sont pas représentés sur la figure.

La figure 3 montre à la fois le \(ESL^{F100}\) et la zone d’inondation résultante pour un certain nombre de régions “hotspot” représentées à la Fig. 2. Bien que l’étendue des inondations ne semble pas grande dans de telles parcelles, l’étendue globale des inondations pour RCP8.5 est de 661 000 à 1 009 000 km2 (env. 0,5-0,7– de la surface terrestre mondiale, plus grande que la surface terrestre de la France). Notez que la plage de valeurs représente l’intervalle de confiance du 90e centile (voir la section ” Méthodes “). Le tableau 1 montre l’étendue des inondations mondiales pour chaque PCR pour 2050 et 2100. Le fichier de données supplémentaires auxiliaires Google Earth permet d’examiner les valeurs de \(ESL^{H100}\) et \(ESL^{F100}\) à n’importe quel emplacement de sortie.

Une analyse plus poussée des contributions relatives des différents processus physiques aux inondations épisodiques prévues des côtes (présentées dans le tableau 1) d’ici la fin du XXIe siècle (voir SM3) indique les contributions suivantes pour RCP8.5: T + S (63%), RSLR (32%), WS (5%). Ce résultat démontre qu’au cours du prochain siècle, les T + S resteront le processus dominant pour déterminer l’étendue des inondations mondiales. Cependant, le RSLR augmente considérablement la fréquence des inondations côtières. Pour RCP8.5, les inondations associées aux événements actuels de la période de retour de 100 ans se produiront en moyenne au moins une fois tous les 10 ans au sud de la latitude 50 ° N. Il convient de noter (voir SM2) que le changement exact de la fréquence de ces inondations extrêmes est sensible à l’analyse EVA utilisée.

Exposition à la population et aux actifs

Les estimations globales des inondations décrites ci-dessus fournissent la base pour estimer à la fois la population et les actifs menacés par des inondations côtières épisodiques. L’exposition des actifs a été estimée à l’aide de la relation5,24\ (A = 2.8 \ fois P \ fois G \), où \(A \) est la valeur des actifs exposés aux inondations ($ US), \(P\) est la population et \ (G \) est le Produit intérieur brut par habitant ($ US / tête). Comme indiqué ci-dessus, la population a été estimée à partir de la base de données gpwv426 et le PIB par habitant de Kummu et al.27. Le tableau 1 montre la zone inondée ainsi que la population et les actifs exposés pour aujourd’hui, 2050 et 2100 sous les RCP4.5 et 8.5. Toutes les valeurs sont en dollars américains de 2011 et supposent la population et le PIB de 2015, conformément aux bases de données utilisées. Pour faire une comparaison directe entre les périodes actuelles et futures, aucune tentative de projeter les changements du PIB ou de la population dans les années futures n’a été incluse ici. Les résultats projettent que la population potentiellement exposée à des inondations côtières épisodiques passera de 128 à 171 millions à 176 à 287 millions en 2100 sous RCP8.5, où la durée représente l’intervalle de confiance du 90e centile (voir la section “Méthodes”) (une augmentation d’environ 1,8 à 2,4% de la population mondiale à 2,5 à 4,1%). Le total des actifs exposés devrait passer de 6 466 à 9 135 milliards de dollars à 8 813 à 14 178 milliards de dollars, ce qui représente une augmentation de 9 à 13 % à 12 à 20 % du PIB mondial. Comme indiqué ci-dessus, ces valeurs supposent qu’aucune protection contre les inondations n’est en place et surestiment donc les vraies valeurs. Cependant, les résultats indiquent que pour la PCR8.5, d’ici 2100, on prévoit que les valeurs moyennes de la zone inondée, de la population touchée et des actifs menacés augmenteront de 48 %, 52 % et 46 %, respectivement.