Proiezioni di livelli marini estremi su scala globale e conseguenti inondazioni costiere episodiche nel corso del 21 ° secolo
Set di dati ed elaborazione
Una descrizione dettagliata dei set di dati utilizzati in questo studio è fornita nella sezione “Metodi”. Poiché l’attenzione qui è su scala globale, TSL (t) nel periodo (1979-2014) è stato determinato lungo le coste globali in un totale di 9.866 punti che approssimano i segmenti costieri precedentemente definiti nel Dynamic Interactive Vulnerability Assessment database (DIVA)12 (vedi Fig. S1), indicato qui come “punti DIVA”. I valori storici di surge (\(S\)) sono stati determinati in questo periodo dai dati Global Tide and Surge Reanalysis (GTSR) set8. I livelli di marea (T) sono stati determinati dal dataset FES2014 del modello numerico di marea (Finite Element Solution)13. Per determinare la configurazione dell’onda, (WS), sono necessarie le condizioni dell’onda nearshore (acque profonde) (altezza d’onda significativa, \(H_{s0}\) e lunghezza d’onda, \(L_{0}\)). Poiché non esiste un dataset globale di modelli di onde nearshore ampiamente convalidato e accettato, due diversi dataset di modelli di onde di rianalisi sono stati testati a questo scopo: ERA-Interim14 e GOW215, con quest’ultimo in definitiva adottato (vedere SM1, SM2, Tabella S3). L’impostazione delle onde è stata determinata in funzione della pendenza delle onde profonde (\(H_{s0} /L_{0}\)) e della pendenza del letto utilizzando l’approccio Shore Protection Manual (SPM) 16,17. Una formulazione di configurazione onda alternativa proposta da Stockdon et al.18 è stato anche testato e trovato per produrre risultati simili (vedi SM1, SM2 e SM5). Dopo aver testato una serie di pendenze rappresentative del letto, è stato infine adottato un valore di 1/30 (vedi SM1, SM2). Poiché ciascuno dei set di dati del modello si trova su diverse griglie globali e a diversa risoluzione temporale, a ogni punto DIVA è stato assegnato il valore del punto della griglia più vicino per ciascun modello e le rispettive quantità di T, S e WS sono state interpolate nel tempo con una risoluzione di 10 minuti. L’approccio di cui sopra non include alcun contributo di wave run-up, coerentemente con la maggior parte degli studi pubblicati7,9,11, poiché il run-up non comporta un’elevazione sostenuta (ordine di ore) del TSL. Questo è in contrasto con il recente studio di Melet et al.19,20.
La serie storica di TSL nel periodo (1979-2014) è stata calcolata utilizzando Eq. 1. Questo approccio ignora le interazioni non lineari tra questi processi8. Ad esempio, sia l’impostazione dell’onda che dell’onda saranno influenzate dalla fase della marea. Il confronto con i dati misurati dell’indicatore di marea suggerisce che tali interazioni, almeno a questa scala globale, non sembrano avere un impatto significativo sui risultati (vedi SM1, SM2). I dati di convalida nel periodo storico sono stati ottenuti dal set di dati del mareometro GESLA-221, che comprende i dati sul livello del mare in 681 località in tutto il mondo (vedi Fig. S1).
Al fine di determinare l’estensione delle inondazioni costiere, i dati topografici costieri sono stati ottenuti dai dati DEM del terreno migliorato (MERIT DEM) Multi-Error-Removed (DEM di MERITO) 22. Sebbene la risoluzione nativa del DEM di MERITO sia ~ 90 m all’equatore, per la presente applicazione è stata utilizzata una versione di risoluzione più grossolana di 1 km,coerente con studi precedenti8,23, 24 per ridurre le spese computazionali e garantire una risoluzione paragonabile agli altri set di dati utilizzati. MERIT si basa sul dataset25 SRTM v4.1 DEM, ma con una maggiore precisione verticale (vedere la sezione “Metodi”).
Per determinare le attività esposte a causa delle inondazioni sono necessarie banche dati sia sulla popolazione a griglia che sul Prodotto interno lordo (PIL). I dati sulla popolazione sono stati ottenuti dal GPWv4 Rev. 1126 database e dati del PIL da Kummu et al.27.
Livello del mare totale globale storico
La convalida nel periodo hindcast è imperativa per la fiducia nelle proiezioni future. La serie temporale del modello TSL è stata confrontata con i dati del misuratore di marea GESLA-2 nel periodo 1979-2014. Le prestazioni del modello nel periodo hindcast sono state valutate in ciascuna delle 681 posizioni GESLA-2 determinando sia l’errore quadrato medio radice (RMSE) che il bias percentile superiore (\(bias^{p}\)), differenza di valori percentili superiori (da 95 a 99) tra il modello TSL e i dati del misuratore di marea. Le prestazioni complessive del modello globale sono state quindi valutate in termini di RMSE medio (ARMSE) e media \(bias^{p}\) (\(abias^{p}\)) su tutte le posizioni GESLA-28. I dati del misuratore di marea GESLA-2 sono stati confrontati con entrambi i modelli T + S + WS e T + S. Inoltre, sia i modelli di onde GOW2 che ERA-Interim, una varietà di pendenze del letto e due diverse formule empiriche16,17,18 sono stati utilizzati per calcolare WS. I risultati completi sono riportati nelle tabelle S1 e S1 e discussi in SM1. Poiché le differenze tra i vari valori di ARMSE e \(abias^{p}\) non sono grandi per le diverse combinazioni e poiché, come successivamente mostrato, WS è una componente relativamente piccola del flooding episodico totale, limitiamo la nostra discussione qui ai casi in cui WS è calcolato con il modello GOW2, la formulazione SPM16,17 e la pendenza media del letto di 1/30. Come notato sopra, la scala globale dell’analisi significava che un approccio relativamente semplicistico era necessariamente usato per determinare WS16,17. Poiché i risultati hanno infine dimostrato che WS non era una componente significativa dell’inondazione episodica (5%, vedi SM3), è improbabile che gli errori causati da questo approccio influenzino significativamente i risultati finali.
Per T + S, l’ARMSE media globale è 0,197 m, che è paragonabile al valore di 0,170 m ottenuto da Muis et al.8, in cui è stato utilizzato un vecchio modello di marea (FES 2012) insieme a un insieme significativamente più piccolo di posizioni del misuratore di marea (472). L’inclusione di WS non apporta modifiche apprezzabili ad ARMSE, anzi lo aumenta leggermente a 0,204 m (vedi Tabella S1). Questa mancanza di impatto su WS non è sorprendente, poiché si prevede che WS rappresenti solo un contributo apprezzabile durante gli eventi di tempesta, che è scarsamente catturato da ARMSE. La distribuzione globale dei valori di RMSE per T + S + WS è mostrato in ogni posizione GESLA-2 in Fig. S2. Sebbene vi sia un outlier occasionale nei dati, RMSE è inferiore a 0,2 m nel 75% delle posizioni e meno di 0,5 m nella stragrande maggioranza (93%) delle posizioni. Il contributo di WS durante i periodi di tempesta (Fig. S8, S9) può essere valutato da valori di \(abias ^ {p}\). La tabella S2, mostra che per T + S,\ (abias^{p}\) aumenta di grandezza con l’aumentare del livello percentile. Con l’aggiunta di WS,\ (abias^{p}\) diminuisce, diventando approssimativamente costante su tutti i percentili. La riduzione di \(abias^{p}\) è del 60% al 99 ° percentile, indicando che l’inclusione di WS comporta un migliore accordo tra il modello e gli indicatori di marea durante gli eventi temporaleschi. Il miglioramento in \(\left /{bias ^ {P}} \ right/\), nelle singole posizioni del mareometro è mostrato in Fig. S4.
La convalida descritta sopra indica che le stime TSL derivate dal modello sono generalmente in buon accordo con i dati del mareometro e che l’inclusione di WS rende un miglioramento delle prestazioni, in particolare durante eventi di tempesta estremi. Come notato in SM1, non è chiaro quanti dei misuratori di marea di convalida rispondono a WS a causa delle loro posizioni. Ciò che è chiaro, tuttavia, è che senza l’inclusione di WS, c’è una sottopredizione globale del TSL durante le tempeste. Inoltre, come mostrato in Fig. S4, il miglioramento di \(\left /{bias ^ {P}} \ right/\) può essere visto nella stragrande maggioranza delle posizioni del misuratore di marea. Se ciò sia effettivamente dovuto a WS o a una previsione sistematica di S non è noto. Ciò che è chiaro è che l’inclusione di WS, modellato utilizzando l’approccio relativamente semplice adottato, si traduce in un modello che funziona bene rispetto ai misuratori di marea nella maggior parte dei luoghi.
Stime di valore estremo del livello totale del mare
Come notato sopra, sia S che W sono episodiche. Per le inondazioni costiere episodiche, sono questi contributi legati alla tempesta a livelli marini estremi che sono spesso critici7, 8, 28, 29. La previsione stocastica di tali estremi comporta l’adattamento di un’appropriata funzione di distribuzione di probabilità (pdf) a una serie temporale storica e quindi l’estrapolazione alla probabilità di occorrenza desiderata (ad esempio 0,01 in qualsiasi anno o nell’evento di 100 anni). Nel caso del TSL, l’approccio più comune è stato quello di considerare i massimi annuali (AM) e di adattare una distribuzione di Gumbel a due parametri (GUM)8,30 o una distribuzione di valori estremi generalizzati a tre parametri (GEVD)7,30,31. Una limitazione significativa degli approcci AM è che le serie temporali di valori estremi risultanti hanno pochi valori (1 all’anno). Ciò porta a intervalli di confidenza relativamente grandi durante il montaggio e l’estrapolazione del pdf. Un’alternativa consiste nell’utilizzare tutti i picchi di tempesta al di sopra di una soglia specificata, ovvero i picchi oltre la soglia di avvicinamento,PoT31, 32. In quest’ultimo caso, si può dimostrare che i dati seguono una distribuzione di Pareto generalizzata (GPD)32 o la sua variante a due parametri, la Distribuzione Esponenziale (EXP). Un’alternativa all’approccio sopra utilizzato per ricostruire le serie storiche storiche a lungo termine è quella di utilizzare un approccio Monte-Carlo ensemble9. Questo è discusso in SM4.
L’analisi del valore estremo (EVA) adottata può avere un impatto importante sulle stime statistiche risultanti degli estremi (in questo caso, livelli estremi del mare)31 (vedi Fig. S10). Pertanto, è importante assicurarsi che l’EVA scelto si approssimi in modo ottimale sia il modello che i dati del misuratore di marea. Quindi, una serie di approcci EVA sono stati testati per determinare quale rappresenta in modo ottimale sia il modello che i dati del misuratore di marea (vedi SM2). I risultati indicano che l’approccio PoT dotato di un GPD e di una soglia del 98 ° percentile (GPD98) si adatta sia al mareometro che ai dati del modello con il minor errore. Questa combinazione fornisce la migliore aderenza ai dati del misuratore di marea nel 33% delle posizioni e la migliore aderenza ai dati del modello (nei punti DIVA) nel 34% delle posizioni (vedi Fig. S5). Questo risultato è coerente con i risultati di Wahl et al.31. L’analisi EVA completa è descritta in SM2.
Un’ulteriore analisi dell’impatto dell’approccio EVA selezionato sul livello del mare estremo proiettato, nonché la sensibilità del metodo utilizzato per determinare WS è mostrata nella tabella S3. Questa tabella considera il bias medio tra maree gauge e risultati del modello per un periodo di ritorno di 20 anni (\(ESL^{H20} – ESL_{Gauge}^{H20}\)) tra le 355 (su un totale di 681) posizioni del maree gauge che hanno una durata di almeno 20 anni nell’arco temporale del modello di tempesta (1979-2014). Questi risultati indicano un bias medio di 17 mm con l’inclusione di WS determinato dal modello GOW2, una pendenza del letto di 1/30 e un EVA GPD98 (vedi Fig. S7). Tuttavia, una serie di altre combinazioni di calcolo EVA e WS producono risultati simili. Tutti i casi che includono WS, hanno un bias medio relativamente piccolo, indicando che i risultati sono robusti, indipendentemente dalla scelta del modello d’onda, della pendenza del letto e dell’EVA. Ciò che è chiaro, tuttavia, è che se WS non è incluso, c’è un pregiudizio negativo coerente (il modello sottovaluta l’estremo livello del mare). Per GPD98 con una pendenza di 1/30 letto, il bias assoluto medio è ridotto dell ‘ 88% indicando un miglioramento significativo. Pertanto, l’inclusione di wave setup sembra produrre livelli del mare estremi del modello (\(ESL^{H20}\)) che sono in migliore accordo con i dati registrati.
Con questa convalida del modello \(ESL^{H20}\), i risultati sono stati estesi a un periodo di ritorno di 1 in 100 anni (\(ESL^{H100}\)) e valutati in tutti i punti DIVA. La distribuzione globale di \ (ESL^{H100}\) è mostrata in Fig. 1 bis. Questa figura mostra che valori superiori a 5 m si verificano lungo le parti settentrionali delle coste atlantiche e del Pacifico del Nord America, le coste atlantiche e del Mare del Nord dell’Europa e della Cina. I risultati mostrano la coerenza regionale con\ (ESL^{H100}\) che varia gradualmente lungo le coste. Si noti che queste stime \(ESL^{H100}\) sottovalutano i valori nelle regioni dei cicloni tropicali a causa della risoluzione del modello8 e della dimensione limitata del campione33,34.
Fig. S6 mostra anche l’impatto di WS da solo, calcolato come \(ESL_{T + S + WS}^{H100} – ESL_{T + S}^{H100}\). Questa figura mostra valori WS estremi fino a 0.5 m, con la distribuzione in gran parte seguenti aree di grande altezza d’onda significativa estrema35. In particolare, le parti settentrionali delle coste atlantiche e del Pacifico del Nord America, la costa atlantica dell’Europa, la punta meridionale della costa pacifica del Sud America, la costa meridionale dell’Australia e gran parte dell’Asia mostrano contributi del periodo di ritorno di 100 anni di WS superiori a 0,4 m. Quindi, anche se WS ha solo un impatto molto piccolo sui valori complessivi di ARMSE TSL tra i dati del modello e del misuratore di marea, diventa una componente più grande per quanto riguarda i livelli del mare di valore estremo (in media un aumento del 17% in \(ESL^{H100}\) a causa di WS su tutti i punti DIVA).
Proiezioni future di livelli estremi del mare e inondazioni costiere
I valori \(ESL^{H100}\) forniscono la base per determinare inondazioni episodiche per il presente e per il futuro. I valori di \(ESL^{H100}\) in ciascun punto DIVA sono stati associati a una regione circostante (vedere SM3)e l’allagamento calcolato utilizzando il seguente approccio planare della vasca da bagno8. La topografia è stata definita dal dataset MERIT DEM, che ha un dato verticale del geoide EGM96 (Earth Gravitational Model 1996). Per portare i valori di \ (ESL^{H100}\) a questo stesso dato, Media Dynamic Ocean Topography (MDOT)25,36 valori sono stati aggiunti alle stime di valore estremo (\(ESL^{H100} + MDOT\))23. La linea costiera è stata definita utilizzando il database GSHHG (Global Self-Consistent Hierarchical High-Resolution Geography) 37. È stato successivamente utilizzato un approccio basato su GIS in cui qualsiasi punto della griglia di MERITO è considerato inondato se ha un’elevazione inferiore a \(ESL^{H100}\) ed è collegato alla costa dall’acqua.
L’estensione delle inondazioni costiere è una funzione sia di \(ESL^{F100}\) che della topografia costiera. La figura 2 mostra una mappa globale delle regioni “hotspot” alluvionali nel 2100 per RCP8. 5. Per arrivare a questo risultato, l’area di inondazione per unità di lunghezza della costa è stata determinata per ciascuno dei punti DIVA (inondazione normalizzata km2/km). La presente analisi presuppone che non ci siano difese costiere (dighe, pareti marine ecc.). Pertanto, piuttosto che mostrare valori assoluti di inondazione nel 2100, Fig. 2 mostra il cambiamento nell’inondazione dal presente al 2100. Aree con aumenti significativi delle inondazioni si osservano nell’Europa nord-occidentale, in India/Golfo del Bengala, nel sud-est e nell’Asia orientale.
Regioni “hotspot” globali di cambiamenti nelle inondazioni costiere episodiche nel 2100 per RCP8. 5. Cioè, la differenza tra le inondazioni episodiche proiettate nel 2100 meno le inondazioni episodiche attuali. I cerchi pieni mostrano le posizioni in cui il cambiamento nell’inondazione normalizzata (cioè il cambiamento nell’area inondata divisa per la lunghezza della costa) è maggiore di 1 km2/km. La dimensione del cerchio è correlata al cambiamento di grandezza dell’inondazione normalizzata. Il colore del cerchio è correlato al livello del mare estremo proiettato nel 2100 (\(ESL_{T + S + WS}^{F100}\)) (figura generata utilizzando ArcGIS v. 10.5.1.7333, www.esri.com). Nota: per aggiungere chiarezza, dove i punti si sovrappongono, non tutti i punti sono mostrati in figura.
Figura 3 mostra sia il \ (ESL ^ {F100}\) e l’area di allagamento risultante per un certo numero di regioni” hotspot ” mostrato in Fig. 2. Sebbene l’estensione delle inondazioni non appaia grande in tali appezzamenti, l’estensione globale delle inondazioni per RCP8.5 è di 661.000–1.009.000 km2 (ca. 0,5-0,7% della superficie terrestre globale, più grande della superficie terrestre della Francia). Si noti che l’intervallo di valori rappresenta il 90 ° intervallo di confidenza percentile (vedere la sezione “Metodi”). La tabella 1 mostra l’estensione globale delle inondazioni per ciascun RCP sia per il 2050 che per il 2100. Il file di dati supplementari ausiliari Google Earth consente l’esame dei valori di \(ESL^{H100}\) e \(ESL^{F100}\) in qualsiasi posizione di output.
un’Ulteriore analisi dei contributi relativi dei diversi processi fisici proiettata episodica inondazioni costiere (mostrato nella Tabella 1) entro la fine del ventunesimo secolo (vedi SM3) indica i seguenti contributi per RCP8.5: T + S (63%), RSLR (32%), WS (5%). Questo risultato dimostra che nel prossimo secolo, T + S rimarrà il processo dominante nel determinare l’entità delle inondazioni globali. Tuttavia, RSLR aumenta significativamente la frequenza delle inondazioni costiere. Per RCP8.5, le inondazioni associate agli eventi del periodo di ritorno di 100 anni attuali, in media, si verificano almeno una volta ogni 10 anni a sud della latitudine 50°N. Va notato (vedi SM2) che l’esatta variazione di frequenza di questi eventi di inondazione estrema è sensibile all’analisi EVA utilizzata.
Popolazione e attività esposizione
Le stime globali delle inondazioni sopra descritte forniscono la base per stimare sia la popolazione che le attività a rischio di inondazioni costiere episodiche. L’esposizione delle attività è stata stimata utilizzando la relazione5, 24 \(A = 2.8 \ volte P\ volte G\), dove\ (A\) è il valore patrimoniale esposto alle inondazioni (US US),\ (P\) è la popolazione e\ (G\) è il Prodotto interno lordo pro capite (US US/capo). Come notato sopra, la popolazione è stata stimata dal database GPWV426 e il PIL pro capite da Kummu et al.27. La tabella 1 mostra l’area inondata insieme alla popolazione e alle attività esposte per i giorni attuali, 2050 e 2100 sotto RCP4.5 e 8.5. Tutti i valori sono in 2011 US US e assumere 2015 popolazione e PIL, coerente con i database utilizzati. Per fare un confronto diretto tra periodi attuali e futuri, nessun tentativo di proiettare cambiamenti nel PIL o nella popolazione negli anni futuri è stato incluso qui. I risultati indicano che la popolazione potenzialmente esposta a inondazioni costiere episodiche aumenterà da 128-171 milioni a 176-287 milioni nel 2100 sotto RCP8.5, dove l’intervallo rappresenta il 90 ° intervallo di confidenza percentile (vedi sezione “Metodi”) (un aumento da circa 1,8–2,4% della popolazione mondiale a 2,5–4,1%). Le attività totali esposte dovrebbero aumentare da US US 6,466-US billion 9,135 miliardi a US US 8,813-US billion 14,178 miliardi, con un aumento dal 9-13% al 12-20% del PIL globale. Come notato sopra, questi valori presuppongono che non ci siano difese contro le inondazioni e quindi sopravvaluteranno i veri valori. Tuttavia, i risultati indicano che per RCP8.5, entro il 2100 si prevede che i valori medi di superficie inondata, popolazione colpita e attività minacciate aumenteranno rispettivamente del 48%, 52% e 46%.
