Projeksjoner av global skala ekstreme havnivåer Og resulterende episodisk kystflom over det 21.Århundre

Datasett og prosessering

en detaljert beskrivelse av datasettene som brukes i denne studien er gitt i “Metoder” – delen. SIDEN fokuset her er på global skala, BLE TSL(t) over perioden (1979-2014) bestemt langs globale kystlinjer på totalt 9.866 punkter som omtrentlige kystsegmentene tidligere definert i DYNAMIC Interactive Vulnerability Assessment database (DIVA)12 (Se Fig. S1), referert til her som “DIVA poeng”. Historiske verdier av surge (\(S\)) ble bestemt over denne perioden Fra Global Tide and Surge Reanalysis (GTSR) dataset8. Tidevannsnivåene (T) ble bestemt ut fra det numeriske tidevannsmodell datasettet FES2014 (Finite Element Solution)13. For å bestemme bølgeoppsettet, (WS), nearshore (dypt vann) bølgeforhold (signifikant bølgehøyde, \(H_{s0}\) og bølgelengde, \(L_{0}\)) kreves. Siden det ikke er allment validert og akseptert global nearshore bølge modell datasett, to forskjellige reanalysis bølge modell datasett ble testet for dette formålet: ERA-Interim14 OG GOW215, med sistnevnte til slutt blir vedtatt (SE SM1, SM2, Tabell S3). Bølgeoppsett ble bestemt som en funksjon av dypvannsbølge bratthet (\(h_{s0} / l_{0}\)) og sengehelling ved hjelp Av Shore Protection Manual (SPM) approach16,17. En alternativ bølge oppsett formulering foreslått Av Stockdon et al.18 ble også testet og funnet å gi tilsvarende resultater (SE SM1, SM2 OG SM5). Etter å ha testet en rekke representative sengeskråninger ble det endelig vedtatt en verdi på 1/30 (SE SM1, SM2). Da hvert av modelldatasettene er på forskjellige globale rutenett og ved forskjellig temporal oppløsning, ble HVERT DIVA-punkt tildelt verdien av det nærmeste rutenettpunktet for hver modell, og de respektive mengdene T, S og WS ble interpolert i tid til en 10-min oppløsning. Ovennevnte tilnærming inkluderer ikke noe bidrag av bølgeoppstart, i samsvar med flertallet av publiserte studier7,9,11, da oppstart ikke resulterer i en vedvarende (rekkefølge av timer) forhøyning AV TSL. Dette er i motsetning til den nylige studien Av Melet et al.19,20.

den historiske tidsserien FOR TSL i PERIODEN (1979-2014) ble beregnet Ved Bruk Av Ekv. 1. Denne tilnærmingen ignorerer ikke-lineære interaksjoner mellom disse prosessene8. For eksempel vil både bølge-og bølgeoppsett bli påvirket av tidevannets fase. Sammenligning med målte tidevannsmålerdata tyder på at slike interaksjoner, i hvert fall på denne globale skalaen, ikke ser ut til å ha noen signifikant innvirkning på resultatene (SE SM1, SM2). Valideringsdata over den historiske perioden ble hentet fra gesla-221 tidevannsmåler datasett, som omfatter havnivå data på 681 steder rundt om i verden (Se Fig. S1).

for å bestemme omfanget av kystflom, ble kysttopografidata hentet fra Datasettet For Forbedret Terreng Dem (MERIT DEM) Med Flere Feil Fjernet. 22. Selv om DEN opprinnelige oppløsningen TIL MERIT DEM er ~ 90 m Ved Ekvator, ble en grovere 1 km oppløsningsversjon,i samsvar med tidligere studier8,23, 24 brukt til den nåværende applikasjonen for å redusere beregningskostnader og sikre en oppløsning som er sammenlignbar med de andre datasettene som ble brukt. MERIT er basert PÅ SRTM v4. 1 DEM dataset25, men med forbedret vertikal nøyaktighet (se “Metoder” – delen).

for å bestemme eiendeler eksponert på grunn av flom er både gridded populasjon og Bruttonasjonalprodukt (BNP) databaser påkrevd. Populasjonsdata ble innhentet fra GPWv4 Rev. 1126 database OG BNP-data fra Kummu et al.27.

Historisk globalt totalt havnivå

Validering over hindcast-perioden er avgjørende for tillit til fremtidige prognoser. MODELLEN TSL tidsserier ble sammenlignet MED gesla-2 tidevannsmålerdataene i perioden 1979-2014. Modell ytelse over hindcast perioden ble evaluert på hver av 681 GESLA-2 steder ved å bestemme både roten middel kvadrat feil (RMSE) og øvre persentil skjevhet (\(bias^{p}\)), forskjell på høyere persentil verdier (95th til 99th) mellom modellen TSL og tidevannet måle data. Samlet global modell ytelse ble deretter vurdert i forhold til gjennomsnittlig RMSE(ARMSE) og gjennomsnittlig \(bias^{p}\) (\(abias^{p}\)) over ALLE GESLA-2 lokasjoner8. GESLA – 2-tidevannsmålerdataene ble sammenlignet med både modell T + S + WS og T + S. i tillegg ble BÅDE GOW2-og ERA-Midlertidige bølgemodeller, en rekke sengebakker og to forskjellige empiriske formuleringer16,17,18 brukt til å beregne WS. De fullstendige resultatene er gitt I Tabell S1 Og S1 og drøftet I SM1. Siden forskjellene MELLOM DE ulike verdiene AV ARMSE og \ (abias^{p}\) ikke er store for de forskjellige kombinasjonene, og FORDI, som senere vist, ER WS en relativt liten del av den totale episodiske flommen, begrenser vi vår diskusjon her til tilfeller DER WS beregnes MED GOW2-modellen,SPM16, 17-formuleringen og mid-range bed-skråningen på 1/30. Som nevnt ovenfor betydde analysens globale skala at en relativt forenklet tilnærming nødvendigvis ble brukt TIL å bestemme WS16,17. Da resultatene til slutt viste at WS ikke var en signifikant komponent av episodisk flom (5%, SE SM3), er det lite sannsynlig at feil forårsaket av denne tilnærmingen vil gi vesentlig skjevhet i sluttresultatet.

for T + S er den globalt gjennomsnittlige ARMSEN 0,197 m, som er sammenlignbar med verdien av 0,170 m oppnådd Av Muis et al.8, hvor en eldre tidevannsmodell (FES 2012) ble brukt sammen med et betydelig mindre sett med tidevannsmålere (472). Inkludering AV WS gjør ingen merkbar endring I ARMSE, faktisk øker den litt til 0.204 m (se Tabell S1). Denne mangelen på innvirkning PÅ WS er ikke overraskende, DA WS forventes bare å representere et merkbart bidrag under stormhendelser, som er dårlig fanget av ARMSE. DEN globale fordelingen av VERDIER AV RMSE for T + S + WS er vist på hvert GESLA – 2-sted I Fig. S2. SELV om DET er sporadisk avvik i dataene, ER RMSE mindre enn 0.2 m på 75% av stedene og mindre enn 0.5 m på det store flertallet (93%) av stedene. Bidraget FRA WS under stormperioder (Fig. S8, S9) kan vurderes fra verdier av \(abias^{p}\). Tabell S2, viser at for T + S, \(abias^{p}\) øker i størrelse med økende prosentilnivå. Med tillegg AV WS, \(abias^{p}\) reduseres, blir omtrent konstant over alle persentiler. Reduksjonen i \ (abias^{p}\) er 60% ved 99. persentil, noe som indikerer at inklusjonen av WS resulterer i bedre avtale mellom modell og tidevannsmålere under stormhendelser. Forbedringen i \(\left / {bias^{P} } \ right/\), ved individuelle tidevannsmåler steder er vist I Fig. S4.

valideringen beskrevet ovenfor indikerer at MODELLAVLEDEDE TSL-estimater generelt er i god avtale med tidevannsmålerdata, og at inkluderingen AV WS gjør en forbedring i ytelsen, spesielt under ekstreme stormhendelser. SOM nevnt I SM1, det er uklart hvor mange av validering tidevannsmålere svare PÅ WS på grunn av deres steder. Det som er klart, er imidlertid at uten inkludering AV WS, er det en global underprediksjon AV TSL under stormer. Også, som vist I Fig. S4, forbedringen i \(\venstre / {bias^{P} } \ høyre/\) kan ses på det store flertallet av tidevannsmålere. Om DETTE er FAKTISK PÅ GRUNN AV WS eller en systematisk under prediksjon Av S er ikke kjent. Det som er klart er at inkluderingen AV WS, modellert ved hjelp av den relativt enkle tilnærmingen som er vedtatt, resulterer i en modell som fungerer godt i forhold til tidevannsmålere på de fleste steder.

Ekstreme verdiestimater av totalt havnivå

som nevnt ovenfor er Både S og WS episodiske. For episodisk kystflom er det disse stormrelaterte bidragene til ekstreme havnivåer som ofte er kritiske7, 8, 28, 29. Den stokastiske prediksjonen av slike ekstremer innebærer montering av en passende sannsynlighetsfordelingsfunksjon (pdf) til en historisk tidsserie og deretter ekstrapolere til ønsket sannsynlighet for forekomst (f.eks. 0,01 i et hvilket som helst år eller 100-års hendelsen). I TILFELLE AV TSL har den vanligste tilnærmingen vært å vurdere Årlig Maksima (AM)og å passe enten en to-parameter Gumbel distribusjon (GUM)8,30 eller en Tre parameter Generalisert Ekstremverdifordeling (GEVD) 7,30,31. En betydelig begrensning AV am-tilnærminger er at de resulterende ekstreme verdiseriene har få verdier (1 per år). Dette fører til relativt store konfidensintervaller ved montering og ekstrapolering av pdf-filen. Et alternativ er å bruke alle stormtopper over en spesifisert terskel – Dvs. Toppene over Terskel tilnærming, PoT31, 32. I dette sistnevnte tilfellet kan dataene vises for å følge En Generalisert Paretodistribusjon (GPD)32 eller dens to-parametervariant, Eksponentiell Distribusjon (EXP). Et alternativ til tilnærmingen som brukes ovenfor for å rekonstruere den langsiktige historiske tidsserien, er å bruke et Ensemble Monte-Carlo approach9. Dette er omtalt I SM4.

EXTREME Value Analysis (EVA) vedtatt kan ha stor innvirkning på de resulterende statistiske estimatene for ekstremer (i dette tilfellet ekstreme havnivåer)31 (Se Fig. S10). DERFOR er det viktig å sikre at DEN VALGTE EVA optimalt tilnærmer både modell-og tidevannsmålerdataene. DERFOR ble EN REKKE EVA-tilnærminger testet for å bestemme hvilke som optimalt representerer både modell – og tidevannsmålerdata (SE SM2). Resultatene indikerer At Potten tilnærming utstyrt MED EN GPD og en 98 persentil terskel (GPD98) passer både tidevannsmåler og modelldata med minst feil. Denne kombinasjonen gir den beste passformen til tidevannsmålerdataene på 33% av stedene og den beste passformen til modelldataene (VED DIVA-poeng)på 34% av stedene (Se Fig. S5). Dette resultatet er i samsvar Med funnene Fra Wahl et al.31. DEN komplette EVA-analysen er beskrevet I SM2.

en videre analyse av virkningen av DEN valgte EVA-tilnærmingen på projisert ekstremt havnivå, samt følsomheten til metoden som brukes til å bestemme WS, er vist I Tabell S3. Denne tabellen vurderer gjennomsnittlig skjevhet mellom tidevannsmåler og modellresultater for en 20 – års Returperiode (\(ESL^{H20} – ESL_{Gauge}^{H20}\)) over 355 (av totalt 681) tidevannsmåler steder som har en varighet på minst 20 år innenfor stormflo modell tidsrom (1979-2014). Disse resultatene indikerer en gjennomsnittlig bias på 17 mm med inkludering AV WS bestemt FRA GOW2-modellen, en 1/30 sengehelling og EN GPD98 EVA (Se Fig. S7). Men en rekke andre kombinasjoner AV EVA og ws beregning gi lignende resultater. Alle tilfellene SOM INKLUDERER WS, har relativt liten gjennomsnittlig bias, noe som indikerer at resultatene er robuste, uavhengig av valg av bølgemodell, sengehelling og EVA. Det som er klart, er imidlertid at HVIS WS ikke er inkludert, er det en konsekvent negativ bias (modellen undervurderer det ekstreme havnivået). FOR GPD98 med en 1/30 sengehelling reduseres gjennomsnittlig absolutt skjevhet med 88%, noe som indikerer en signifikant forbedring. Derfor synes inkluderingen av bølgeoppsett å produsere modell ekstreme havnivåer (\(ESL^{H20}\)) som er bedre i samsvar med registrerte data.

med denne valideringen av modellerte \(ESL^{H20}\) ble resultatene utvidet til en returperiode på 1 på 100 år (\(ESL^{H100}\)) og evaluert ved ALLE DIVA-poeng. Den globale fordelingen av \(ESL^{H100}\) er vist I Fig. 1a. Denne figuren viser at verdier over 5 m forekommer langs nordlige deler av Både Atlanterhavet og Stillehavskysten I Nord-Amerika, Atlanterhavet og Nordsjøen i Europa og Kina. Resultatene viser regional konsistens med \(ESL^{H100}\) varierende gradvis langs kysten. Merk at disse \(ESL^{H100}\) estimatene undervurderer verdier i tropiske syklonregioner på grunn av modelloppløsning8 og den begrensede prøvestørrelsen 33, 34.

Fig. S6 viser også virkningen AV WS alene, beregnet som \(ESL_{T + S + WS}^{H100} – ESL_{T + S}^{H100}\). Denne figuren viser ekstreme ws-verdier opp til 0.5 m, med fordelingen i stor grad følgende områder med stor ekstrem signifikant bølgehøyde 35. Spesielt viser de nordlige delene av Både Atlanterhavet og Stillehavskysten I Nord-Amerika, Atlanterhavskysten I Europa, sørspissen Av Stillehavskysten I Sør-Amerika, Sørkysten Av Australia og Mye Av Asia 100-års returperiodebidrag fra WS større enn 0,4 m. Derfor, selv OM WS bare har en svært liten innvirkning på DE samlede verdiene AV ARMSE TSL mellom modell-og tidevannsmålerdata, blir DET en større komponent når det gjelder ekstreme verdier av havnivået (i gjennomsnitt en økning på 17% i \(ESL^{H100}\) på GRUNN av WS over ALLE DIVA-poeng).

Fremtidige prognoser for ekstreme havnivåer og kystflom

verdiene \(ESL^{H100}\) gir grunnlag for å bestemme episodisk flom for i dag og for fremtiden. Verdiene av \(ESL^{H100}\) ved HVERT DIVA-punkt var knyttet til en omliggende region (SE SM3) og flom beregnet ved hjelp av følgende plan badekar approach8. Topografien ble definert AV MERIT DEM datasettet, som har et vertikalt datum AV EGM96 geoid (Earth Gravitational Model 1996). For å bringe verdier av \(ESL^{H100}\) til samme datum, Ble Gjennomsnittlig Dynamisk Havtopografi (MDOT)25,36 verdier lagt til de ekstreme verdiestimatene (\(ESL^{H100} + MDOT\))23. Kystlinjen ble definert ved Hjelp Av Global Self-consistent Hierarchical High-resolution Geography (GSHHG) database37. EN GIS-basert tilnærming ble senere brukt der ET MERIT grid punkt anses oversvømt hvis den har en høyde mindre enn \(ESL^{H100}\) og er koblet til fjæra med vann.

omfanget av kystflom er en funksjon både av \ (ESL^{F100}\) og kysttopografien. Figur 2 viser et globalt kart over flom” hotspot ” regioner i 2100 FOR RCP8. 5. For å komme frem til dette resultatet ble flomområdet per lengde på kystlinjen bestemt for HVERT AV DIVA-punktene (normalisert oversvømmelse km2/km). Den foreliggende analysen antar at det ikke finnes kystforsvar (diker, sjøvegger etc.). Derfor, i stedet for å vise absolutte verdier av oversvømmelse i 2100, Fig. 2 viser endringen i oversvømmelse fra nåtid til 2100. Områder med betydelig økning i flom er sett i nordvest-Europa, India/Bengalbukta, sør-øst Og øst-Asia.

Global “hotspot” regioner av endringer i episodisk kyst flom i 2100 FOR RCP8. 5. Det vil si forskjellen mellom projisert episodisk flom i 2100 minus dagens episodiske flom. Fylte sirkler viser steder hvor endringen i normalisert oversvømmelse (dvs. endring i oversvømt område dividert med lengden på kysten) er større enn 1 km2 / km. Størrelsen på sirkelen er relatert til endringen i størrelsen på normalisert oversvømmelse. Fargen på sirkelen er relatert til det projiserte ekstreme havnivået i 2100 (\(ESL_{T + S + WS}^{F100}\)) (figur generert ved Hjelp Av ArcGIS v. 10.5.1.7333, www.esri.com). Merk: for å legge til klarhet, hvor poeng overlapper, vises ikke hvert punkt på figuren.

Figur 3 viser både \(ESL^{F100}\) og det resulterende flomområdet for et antall” hotspot ” – regioner vist I Fig. 2. Selv om flomutbredelsen ikke ser stor ut i slike tomter, er den globale flomutbredelsen FOR RCP8. 5 661.000–1.009.000 km2 (ca. 0,5-0,7% av Det globale landarealet, større Enn Landarealet I Frankrike). Merk at verdiområdet representerer konfidensintervallet 90. persentil (se avsnittet” Metoder”). Tabell 1 viser den globale flomutbredelsen for HVER RCP for både 2050 og 2100. Tilleggsdataene Google Earth-filen tillater undersøkelse av verdier av \(ESL^{H100}\) og \(ESL^{F100}\) på hvilken som helst utgangssted.

Videre analyse av de relative bidragene fra de ulike fysiske prosessene til projisert episodisk kystflom (vist I Tabell 1) ved slutten AV det tjueførste århundre (SE SM3) indikerer følgende bidrag FOR RCP8.5: T + S (63%), RSLR (32%), WS (5%). Dette resultatet viser at I løpet Av det neste århundre vil T + S forbli den dominerende prosessen for å bestemme omfanget av global flom. RSLR øker imidlertid hyppigheten av kystflom betydelig. For RCP8.5, flom forbundet med dagens 100-års returperiode hendelser vil i gjennomsnitt skje minst en gang hvert 10. år sør for 50°n breddegrad. DET skal bemerkes (SE SM2) at den nøyaktige endringen i frekvens av disse ekstreme flomhendelsene er følsom for EVA-analysen som brukes.

Befolknings-og aktivaeksponering

de globale estimatene for flom beskrevet ovenfor gir grunnlag for å estimere både befolkningen og eiendelene som er utsatt for episodisk kystflom. Aktivaeksponering ble estimert ved bruk av relasjonen5, 24 \(a = 2.8 \ times P \ times G\), hvor \(A\) er eiendelens verdi utsatt FOR flom (US$), \(P\) er befolkningen og \(G\) Er Bruttonasjonalproduktet per befolkningshode (US$/hode). Som nevnt ovenfor, befolkningen ble anslått Fra GPWv4 database26 OG BNP per innbygger Fra Kummu et al.27. Tabell 1 viser arealet oversvømt sammen med befolkningen og eiendelene eksponert for i dag, 2050 og 2100 under BÅDE RCP4. 5 og 8.5. Alle verdier er I 2011 US$ og antar 2015 befolkning og BNP, i samsvar med databasene som brukes. For å gjøre en direkte sammenligning mellom dagens og fremtidige perioder, er det ikke tatt med noe forsøk på å projisere endringer i BNP eller befolkning i de kommende årene. Resultatene viser at befolkningen potensielt utsatt for episodisk kystflom vil øke fra 128-171 millioner til 176-287 millioner i 2100 under RCP8.5, hvor spenningen representerer 90-prosentil konfidensintervall (se” Metoder ” –delen) (en økning fra ca.1,8–2,4% av verdens befolkning til 2,5-4,1%). De totale eiendelene som er eksponert forventes å øke FRA US$6,466–US$9,135 milliarder til US$8,813–US$14,178 milliarder som representerer en økning fra 9-13% til 12-20% av verdens BNP. Som nevnt ovenfor antar disse verdiene at ingen flomforsvar er på plass og dermed vil overvurdere de sanne verdiene. Resultatene indikerer imidlertid AT FOR RCP8. 5, innen 2100, anslås det at middelverdiene for areal oversvømt, befolkning berørt og eiendeler truet vil øke med henholdsvis 48%, 52% og 46%.