a globális szintű szélsőséges tengerszint és az ebből eredő epizodikus part menti áradások előrejelzése a 21. században
adatkészletek és feldolgozás
a tanulmányban használt adatkészletek részletes leírása a “módszerek” részben található. Mivel a hangsúly itt globális szinten van, a TSL-t(t) az 1979-2014 közötti időszakban a globális partvonalak mentén határozták meg, összesen 9866 ponton, amelyek megközelítik a dinamikus interaktív sebezhetőségi értékelési adatbázisban (DIVA) korábban meghatározott part menti szegmenseket 12 (Lásd az ábrát. S1), amelyet itt “DIVA points”néven említünk. A túlfeszültség (\(S\)) történelmi értékeit ebben az időszakban a globális dagály-és túlfeszültség-reanalízis (GTSR) adatkészletből8 határoztuk meg. Az árapályszinteket (T) a fes2014 (végeselemes megoldás)13 numerikus árapálymodell adatkészletből határoztuk meg. A hullám beállításának meghatározásához (WS) a közeli (mélyvízi) hullámviszonyokra(jelentős hullámmagasság, \(H_{S0}\) és hullámhossz, \(l_{0}\)) van szükség. Mivel nincs széles körben validált és elfogadott globális nearshore hullámmodell adatkészlet, két különböző reanalízis hullámmodell adatkészletet teszteltek erre a célra: ERA-Interim14 és GOW215, végül az utóbbit fogadták el (lásd SM1, SM2, S3 táblázat). A hullámbeállítást a mélyvízi hullám meredeksége (\(H_{S0} /L_{0}\)) és az ágy lejtése függvényében határoztuk meg a partvédelmi kézikönyv (SPM) megközelítés16,17. Alternatív hullámbeállítási készítmény, amelyet Stockdon et al.18-at is teszteltek, és hasonló eredményeket hoztak (lásd SM1, SM2 és SM5). A reprezentatív ágylejtők sorozatának tesztelése után végül 1/30 értéket fogadtak el (lásd SM1, SM2). Mivel a modelladatkészletek különböző globális rácsokon és különböző időbeli felbontásban vannak, minden DIVA ponthoz minden modellhez a legközelebbi rácspont értékét rendelték, és a megfelelő T, S és WS mennyiségeket időben interpolálták egy 10 perces felbontásra. A fenti megközelítés nem tartalmazza a hullámfelvétel hozzájárulását, összhangban a közzétett tanulmányok többségével7,9,11, mivel a felfutás nem eredményezi a TSL tartós (órarendje) emelkedését. Ez ellentétben áll a melet et al.19,20.
a TSL történelmi idősorát az 1979-2014 közötti időszakban az Eq segítségével számítottuk ki. 1. Ez a megközelítés figyelmen kívül hagyja az ezen folyamatok közötti nemlineáris kölcsönhatásokat8. Például, mind a túlfeszültség, mind a hullám beállítását befolyásolja az árapály fázisa. A mért dagálymérő adatokkal való összehasonlítás azt sugallja, hogy az ilyen kölcsönhatások, legalábbis ezen a globális szinten, nem tűnnek jelentős hatással az eredményekre (lásd SM1, SM2). A történelmi időszak validációs adatait a gesla-221 dagálymérő adatkészletből nyertük, amely a világ 681 helyének tengerszint-adatait tartalmazza (lásd az ábrát. S1).
a part menti áradások mértékének meghatározása érdekében a part menti topográfiai adatokat a több hibával eltávolított javított terep dem (MERIT dem) adatkészletből22 nyerték. Bár a Merit dem natív felbontása ~ 90 m az egyenlítőn, a korábbi tanulmányoknak megfelelő durvább 1 km felbontású változatot használták8, 23,24 a jelen alkalmazáshoz a számítási költségek csökkentése és a többi felhasznált adatkészlethez hasonló felbontás biztosítása érdekében használták. A MERIT az SRTM v4.1 dem adatkészleten alapul25, de fokozott vertikális pontossággal (lásd a “módszerek” részt).
az árvíz miatt kitett eszközök meghatározásához mind a rácsos népesség, mind a bruttó hazai termék (GDP) adatbázisokra van szükség. A populációs adatokat a GPWv4 Rev. 1126 adatbázis és GDP adatok Kummu et al.27.
történelmi globális teljes tengerszint
a hindcast időszakban történő érvényesítés elengedhetetlen a jövőbeli előrejelzésekbe vetett bizalom szempontjából. A TSL idősort összehasonlítottuk a GESLA-2 dagálymérő adataival az 1979-2014 közötti időszakban. A modell teljesítményét a hindcast periódus alatt mind a 681 gesla-2 helyszínen értékeltük mind a gyökér átlag négyzethiba (RMSE), mind a felső percentilis torzítás (\(bias^{p}\)), a magasabb percentilis értékek (95-99) különbsége a modell TSL és az árapálymérő adatai között. A teljes globális modellteljesítményt ezután az átlagos RMSE (ARMSE) és az átlagos \(bias^{p}\) (\(abias^{p}\)) alapján értékelték az összes GESLA-2 helyen8. A gesla-2 árapálymérő adatait összehasonlítottuk mind a T + S + WS, mind a T + S modellel.ezenkívül mind a GOW2, mind az ERA-Interim hullámmodelleket,a különböző ágy lejtőket és két különböző empirikus képletet használtunk16,17, 18 a WS kiszámításához. A teljes eredményeket az S1.és S1. táblázat tartalmazza, és az SM1. táblázat tárgyalja. Mivel az ARMSE és a \(abias^{p}\) különböző értékei közötti különbségek nem nagyok a különböző kombinációk esetében, és mivel, amint azt később bemutattuk, a WS a teljes epizodikus áradás viszonylag kis összetevője, itt csak azokra az esetekre szorítkozunk,amikor a WS-t a GOW2 modellel, az SPM16, 17 formulációval és az 1/30 középkategóriás ágy lejtésével számítjuk ki. Amint azt fentebb megjegyeztük, az elemzés globális léptéke azt jelentette,hogy a WS16, 17 meghatározásához szükségszerűen viszonylag egyszerű megközelítést alkalmaztak. Mivel az eredmények végül azt mutatták, hogy a WS nem volt az epizodikus áradás jelentős összetevője (5%, lásd SM3), az e megközelítés által okozott hibák valószínűleg nem torzítják jelentősen a végeredményt.
T + S esetén a globálisan átlagolt ARMSE 0,197 m,ami összehasonlítható a Muis et al.8, ahol egy régebbi árapálymodellt (FES 2012) használtak egy lényegesen kisebb árapálymérő helyekkel együtt (472). A WS felvétele nem változtat jelentősen az ARMSE-n, valójában kissé 0,204 m-re növeli (lásd Az S1 táblázatot). A WS-re gyakorolt hatás hiánya nem meglepő, mivel a WS várhatóan csak jelentős hozzájárulást jelent a viharesemények során, amelyet ARMSE rosszul elfogott. Az RMSE értékeinek globális eloszlása a T + S + WS esetében az egyes gesla-2 helyeken látható. S2. Bár az adatok alkalmanként kiugróak, az RMSE a helyek 75% – ánál kevesebb, mint 0,2 m, a helyek túlnyomó többségénél (93%) pedig kevesebb, mint 0,5 m. A WS hozzájárulása vihar idején (ábra. S8, S9) \(abias^{p}\) értékekből értékelhető. Táblázat S2, azt mutatja, hogy a T + S, \(abias^{p}\) növekszik nagysága növekvő percentilis szinten. A WS hozzáadásával \(abias^{p}\) csökken, megközelítőleg állandóvá válik az összes percentilisben. A \(abias^{p}\) csökkenése 60% a 99. percentilisnél, ami azt jelzi, hogy a WS beépítése jobb egyezést eredményez a modell és az árapálymérők között a viharesemények során. A \(\left| {bias^{P} } \right|\), az egyes dagálymérő helyeken történő javulását az ábra mutatja. S4.
a fent vázolt érvényesítés azt jelzi, hogy a modellből származó TSL becslések általában jól egyeznek az árapálymérő adatokkal, és hogy a WS beépítése javítja a teljesítményt, különösen szélsőséges viharok esetén. Amint azt az SM1 megjegyzi, nem világos, hogy az érvényesítési árapálymérők közül hány reagál a WS-re helyük miatt. Nyilvánvaló azonban, hogy a WS bevonása nélkül a TSL viharok alatt globálisan alulbecsült. Továbbá, amint az ábrán látható. S4, a \(\bal| {torzítás^{P} } \jobb|\) javulása az árapálymérő helyek túlnyomó többségében látható. Hogy ez valójában a WS-nek vagy az S szisztematikus előrejelzésének köszönhető-e, nem ismert. Nyilvánvaló, hogy a WS felvétele, az alkalmazott viszonylag egyszerű megközelítés alkalmazásával modellezve, olyan modellt eredményez, amely a legtöbb helyen jól teljesít az árapálymérőkhöz képest.
a teljes tengerszint szélsőséges értékbecslései
mint fentebb megjegyeztük, mind az S, mind a WS epizodikus. Az epizodikus part menti áradások esetében ezek a viharokkal kapcsolatos hozzájárulások a szélsőséges tengerszintekhez gyakran kritikusak7, 8, 28, 29. Az ilyen szélsőségek sztochasztikus előrejelzése magában foglalja egy megfelelő illesztését valószínűségeloszlási függvény (pdf) egy történelmi idősorhoz, majd extrapolálja a kívánt előfordulási valószínűségre (például 0,01 bármely évben vagy a 100 éves esemény). A TSL esetében a leggyakoribb megközelítés az éves maximumok (AM) figyelembevétele volt, és vagy egy kétparaméteres Gumbel-Eloszlás (GUM)8,30, vagy egy háromparaméteres általánosított szélső értékel-Eloszlás (GEVD)7,30,31. Az AM megközelítések jelentős korlátozása, hogy a kapott extrém érték idősoroknak kevés értéke van (évente 1). Ez viszonylag nagy konfidencia intervallumokhoz vezet a pdf illesztésekor és extrapolálásakor. Alternatív megoldás az összes viharcsúcs használata egy meghatározott küszöb felett—azaz a küszöb feletti csúcsok megközelítése,PoT31, 32. Ez utóbbi esetben kimutatható, hogy az adatok egy általánosított Pareto-eloszlást (GPD)32 vagy annak kétparaméteres változatát, az exponenciális eloszlást (EXP) követik. A hosszú távú történelmi idősorok rekonstruálásának fenti megközelítésének alternatívája az együttes használata Monte-Carlo megközelítés9. Ezt az SM4 tárgyalja.
az elfogadott Extrém értékelemzés (EVA) jelentős hatással lehet a szélsőségek (ebben az esetben a szélsőséges tengerszint)statisztikai becsléseire 31 (Lásd az ábrát. S10). Ezért fontos biztosítani, hogy a választott EVA optimálisan közelítse mind a modell, mind az árapálymérő adatait. Ezért egy sor EVA megközelítést teszteltek annak meghatározására, hogy melyik optimálisan képviseli mind a modell, mind az árapálymérő adatait (lásd SM2). Az eredmények azt mutatják, hogy a GPD-vel és a 98.percentilis küszöbértékkel (GPD98) ellátott PoT-megközelítés a legkisebb hibával illeszkedik mind az árapálymérőhöz, mind a modelladatokhoz. Ez a kombináció a helyek 33% – ában, a modelladatokhoz (a DIVA pontoknál) pedig a helyek 34% – ában a legjobban illeszkedik az árapálymérő adataihoz (Lásd az ábrát. S5). Ez az eredmény összhangban van Wahl et al.31. A teljes EVA elemzést az SM2 ismerteti.
a kiválasztott EVA megközelítésnek a várható szélsőséges tengerszintre gyakorolt hatásának további elemzését, valamint a WS meghatározásához használt módszer érzékenységét az S3 táblázat mutatja. Ez a táblázat az árapálymérő és a modell eredményei közötti átlagos torzítást veszi figyelembe egy 20 éves visszatérési időszakban (\(ESL^{H20} – ESL_{Gauge}^{H20}\)) a 355 (összesen 681) árapálymérő helyszínen, amelyek időtartama legalább 20 év a viharhullám modell időtartamán belül (1979-2014). Ezek az eredmények 17 mm-es átlagos torzítást jeleznek a GOW2 modellből meghatározott WS-vel, 1/30 ágyas lejtéssel és GPD98 EVA-val (Lásd az ábrát. S7). Az EVA és a WS számítás számos más kombinációja azonban hasonló eredményeket hoz. Minden esetben, amely magában foglalja a WS-t, viszonylag kicsi az átlagos torzítás, ami azt jelzi, hogy az eredmények robusztusak, függetlenül a hullámmodell, az ágy lejtése és az EVA választásától. Nyilvánvaló azonban, hogy ha a WS nem szerepel, akkor következetes negatív elfogultság van (a modell alábecsüli a szélsőséges tengerszintet). Az 1/30 ágyas lejtésű GPD98 esetében az átlagos abszolút torzítás 88% – kal csökken, ami jelentős javulást jelez. Ezért úgy tűnik, hogy a hullámbeállítás beépítése olyan szélsőséges tengerszint (\(ESL^{H20}\) modellt eredményez, amelyek jobban megegyeznek a rögzített adatokkal.
a modellezett \(ESL^{H20}\) validálásával az eredményeket kiterjesztettük egy 1-es visszatérési időszakra 100 év alatt (\(ESL^{H100}\)), és minden DIVA ponton kiértékeltük. A globális eloszlása \(ESL^{H100}\) ábrán látható. 1a. Ez az ábra azt mutatja, hogy az 5 m-t meghaladó értékek Észak-Amerika Atlanti és csendes-óceáni partjainak északi részein, Európa és Kína Atlanti és északi-tengeri partjain fordulnak elő. Az eredmények regionális konzisztenciát mutatnak a partvonalak mentén fokozatosan változó \(ESL^{H100}\) értékkel. Vegye figyelembe, hogy ezek az \ (ESL^{H100}\) becslések alábecsülik az értékeket a trópusi ciklon régiókban a modellfelbontás8 és a korlátozott mintaméret33, 34 miatt.
ábra. Az S6 önmagában a WS hatását is mutatja, \(ESL_{T + S + WS}^{H100} – ESL_{T + S}^{H100}\). Ez az ábra a szélsőséges WS értékeket mutatja 0-ig.5 m, az eloszlás nagyrészt a nagy extrém jelentős hullámmagasságú területeket követi35. Különösen Észak-Amerika Atlanti és csendes-óceáni partjainak északi részei, Európa Atlanti partja, Dél-Amerika csendes-óceáni partjának déli csúcsa, Ausztrália déli partja és Ázsia nagy része 100 éves visszatérési időszak hozzájárulása nagyobb, mint 0,4 m. Ezért, bár a WS-nek csak nagyon kis hatása van az ARMSE TSL teljes értékére a modell és az árapálymérő adatai között, nagyobb összetevővé válik a szélsőséges tengerszintek esetében (átlagosan 17% – os növekedés \(ESL^{H100}\) a WS miatt az összes DIVA pont felett).
a szélsőséges tengerszint és a part menti áradások jövőbeli előrejelzései
az \(ESL^{H100}\) értékek alapul szolgálnak a mai és a jövőbeli epizodikus áradások meghatározásához. A \(ESL^{H100}\) értékeit az egyes DIVA pontokon egy környező régióhoz társítottuk (lásd SM3), és az áradást a következő sík kád megközelítéssel számítottuk KI8. A topográfiát A MERIT dem adatkészlet határozta meg, amelynek függőleges nullapontja az EGM96 geoid (Föld gravitációs modell 1996). Ahhoz, hogy a \(ESL^{H100}\) értékeket ugyanarra a nullapontra hozzuk, az átlagos dinamikus óceán topográfia (MDOT)25,36 értéket adtunk a szélsőséges értékbecslésekhez (\(ESL^{H100} + MDOT\))23. A partvonalat a globális Önkonzisztens hierarchikus nagyfelbontású földrajz (Gshhg) adatbázis37 segítségével határoztuk meg. Ezt követően egy térinformatikai alapú megközelítést alkalmaztak, amely szerint bármely MERIT grid pont akkor tekinthető elárasztottnak, ha magassága kisebb, mint \(ESL^{H100}\), és vízzel kapcsolódik a partvonalhoz.
a part menti áradások mértéke függ mind a \(ESL^{F100}\), mind a parti topográfia függvényétől. A 2. ábra az 2100 árvíz “hotspot” régióinak globális térképét mutatja az RCP8.5 számára. Ennek az eredménynek az eléréséhez a Diva pontok mindegyikére meghatározták a partvonal egységnyi hosszára eső áradási területet (normalizált áradás km2/km). A jelen elemzés feltételezi, hogy nincsenek parti védművek (gátak, tengeri falak stb.). Ezért ahelyett, hogy az áradás abszolút értékeit mutatná 2100-ban, ábra. A 2. ábra az áradás változását mutatja a jelenről 2100-ra. Északnyugat-Európában, Indiában/a Bengáli-öbölben, Délkelet-és Kelet-Ázsiában jelentős áradások vannak.
a 3.ábra mind a \(ESL^{F100}\), mind az ebből eredő elárasztási területet mutatja az ábrán látható számos “hotspot” régió esetében. 2. Bár az áradás mértéke nem tűnik nagynak az ilyen parcellákon, az rcp8.5 globális áradási mértéke 661 000-1 009 000 km2 (kb. A globális földterület 0,5-0,7% – a, nagyobb, mint Franciaország földterülete). Vegye figyelembe, hogy az értéktartomány a 90.percentilis konfidencia intervallumot képviseli (lásd a “módszerek” részt). Az 1. táblázat az egyes RCP-K globális elárasztási mértékét mutatja mind 2050-re, mind 2100-ra. A kiegészítő kiegészítő adatok Google Earth fájl lehetővé teszi a \(ESL^{H100}\) és \(ESL^{F100}\) értékek vizsgálatát bármely kimeneti helyen.
a különböző fizikai folyamatok relatív hozzájárulásának további elemzése a huszonegyedik század végére tervezett epizodikus part menti áradásokhoz (lásd az 1.táblázatban) (lásd SM3) a következő hozzájárulásokat jelzi az RCP8.5 esetében: T + S (63%), RSLR (32%), WS (5%). Ez az eredmény azt mutatja, hogy a következő évszázadban a T + S marad a domináns folyamat a globális áradások mértékének meghatározásában. Az RSLR azonban jelentősen növeli a part menti áradások gyakoriságát. Az RCP8 számára.5, a mai 100 éves visszatérési időszak eseményeihez kapcsolódó áradások átlagosan 10 évente legalább egyszer fordulnak elő az 50-től délre. Meg kell jegyezni (lásd SM2), hogy ezeknek a szélsőséges árvízeseményeknek a gyakoriságának pontos változása érzékeny az alkalmazott EVA elemzésre.
népesség-és eszközexpozíció
a fent leírt globális árvízbecslések biztosítják az alapot mind a népesség, mind az epizodikus part menti áradások által veszélyeztetett eszközök becsléséhez. Az eszköz kitettségét a relationship5,24 \(A = 2 segítségével becsülték meg.8 \ szor P \ szor G\), ahol \(a\) az áradásnak kitett eszközérték (US$), \(P\) a népesség, \(G\) pedig az egy főre jutó bruttó hazai termék (US$/fej). Amint azt fentebb megjegyeztük, a népességet a GPWv4 adatbázisból26, az egy főre jutó GDP-t pedig Kummu et al.27. Az 1.táblázat az elöntött területet, valamint a 2050-es és 2100-as időszakban a 4.5.és 8.5. RCP keretében kitett lakosságot és eszközöket mutatja be. Minden érték 2011 us$ – ban van, és feltételezi a 2015-ös népességet és GDP-t, összhangban a használt adatbázisokkal. A jelenlegi és a jövőbeli időszakok közvetlen összehasonlítása érdekében itt nem került sor a GDP vagy a népesség jövőbeli változásainak előrejelzésére. Az eredmények azt mutatják, hogy az epizodikus part menti áradásoknak potenciálisan kitett népesség 128-171 millióról 176-287 millióra nő 2100–ban az RCP8.5 alatt, ahol a span a 90.percentilis konfidencia intervallumot képviseli (lásd a “módszerek” részt) (a világ népességének körülbelül 1,8–2,4% – ról 2,5-4,1% – ra történő növekedés). Az előrejelzések szerint az összes kitett eszköz 6 466–9 135 milliárd dollárról 8 813–14 178 milliárd dollárra növekszik, ami a globális GDP 9-13% – ról 12-20% – ra növekszik. Mint fentebb megjegyeztük, ezek az értékek feltételezik, hogy nincs árvízvédelem, ezért túlbecsülik a valódi értékeket. Az eredmények azonban azt mutatják, hogy az RCP8.5 esetében 2100-ra az előrejelzések szerint az elárasztott terület, az érintett népesség és a veszélyeztetett eszközök átlagértéke 48% – kal, 52% – kal, illetve 46% – kal nő.