projecties van extreme zeeniveaus op wereldschaal en resulterende episodische overstromingen aan de kust in de 21e eeuw

Datasets en verwerking

een gedetailleerde beschrijving van de in deze studie gebruikte datasets wordt gegeven in de sectie “methoden”. Aangezien de focus hier op wereldschaal ligt, werd TSL(t) over de periode (1979-2014) bepaald langs mondiale kusten op een totaal van 9.866 punten die de kustsegmenten benaderen die eerder waren gedefinieerd in de Dynamic Interactive Vulnerability Assessment database (DIVA)12 (zie Fig. S1), hier aangeduid als “DIVA punten”. Historische waarden van surge (\(s\)) werden gedurende deze periode bepaald uit de Global Tide and Surge Reanalysis (GTSR) dataset8. De getijde niveaus (T) werden bepaald aan de hand van de numerieke getijde model dataset FES2014 (eindige Elementenoplossing)13. Om de golfopstelling te bepalen, (WS), zijn de nearshore (diepwater) golfcondities (significante golfhoogte, \(H_{S0}\) en golflengte, \(L_{0}\)) vereist. Aangezien er geen algemeen gevalideerde en geaccepteerde dataset van het wereldwijde nearshore-golfmodel bestaat, zijn voor dit doel twee verschillende datasets van het golfmodel voor heranalyse getest: ERA-Interim14 en GOW215, waarbij de laatste uiteindelijk werd aangenomen (zie SM1, SM2, tabel S3). De golfopstelling werd bepaald als functie van de diepte-golfsteilheid (\(H_{S0} /L_{0}\)) en de bedhelling met behulp van de Shore Protection Manual (SPM) approach16,17. Een alternatieve Wave setup formulering voorgesteld door Stockdon et al.18 werden ook getest en bleken vergelijkbare resultaten op te leveren (zie SM1, SM2 en SM5). Na het testen van een reeks representatieve bodemhellingen werd uiteindelijk een waarde van 1/30 vastgesteld (zie SM1, SM2). Aangezien elk van de modelgegevenssets zich op verschillende globale rasters en met verschillende temporele resolutie bevinden, werd aan elk DIVA-punt de waarde van het dichtstbijzijnde rasterpunt voor elk model toegekend en werden de respectieve hoeveelheden T, S en W ‘ s in de tijd geïnterpoleerd tot een resolutie van 10 minuten. De bovenstaande benadering omvat geen bijdrage van golfaanloop, in overeenstemming met de meeste gepubliceerde studies7,9 en 11,aangezien aanloopfase niet resulteert in een aanhoudende (orde van uren) verhoging van de SLV. Dit in tegenstelling tot de recente studie van Melet et al.19,20.

de historische tijdreeks van SLV over de periode (1979-2014) werd berekend met behulp van Eq. 1. Deze benadering gaat voorbij aan niet-lineaire interacties tussen deze processen8. Bijvoorbeeld, zowel surge en wave setup zal worden beïnvloed door de fase van het getij. Uit een vergelijking met de getijdegegevens blijkt dat dergelijke interacties, althans op deze mondiale schaal, geen significante invloed lijken te hebben op de resultaten (zie SM1, SM2). Validatiegegevens over de historische periode werden verkregen uit de dataset GESLA-221 tide gauge, die zeespiegelgegevens bevat op 681 locaties over de hele wereld (zie Fig. S1).

om de omvang van overstromingen aan de kust te bepalen, werden kusttopografiegegevens verkregen uit de dataset van Improved-Terrain DEM (MERIT DEM) met meerdere Fouten22. Hoewel de native resolutie van de MERIT DEM ~ 90 m op de evenaar is,werd een grovere versie van 1 km resolutie,in overeenstemming met eerdere studies8,23,24 gebruikt voor de huidige toepassing om computationele kosten te verminderen en te zorgen voor een resolutie vergelijkbaar met de andere gebruikte datasets. MERIT is gebaseerd op de SRTM v4.1 DEM-dataset25, maar met verbeterde verticale nauwkeurigheid (zie de sectie “methoden”).

voor het bepalen van activa die zijn blootgesteld als gevolg van overstroming, zijn databases van zowel gerasterde bevolking als bruto binnenlands Product (BBP) vereist. Populatiegegevens zijn verkregen uit de Gpwv4 Rev. 1126 database en BBP gegevens van Kummu et al.27.Historische wereldwijde totale zeeniveau

validatie gedurende de historische periode is noodzakelijk voor vertrouwen in toekomstige projecties. De model TSL tijdreeks werd vergeleken met de gegevens van de GESLA-2 tide gauge over de periode 1979-2014. Modelprestaties gedurende de historische periode werden geëvalueerd op elk van de 681 GESLA-2 locaties door het bepalen van zowel de root mean square error (RMSE) en de bovenste percentiel bias (\(bias^{p}\)), verschil van hogere percentielwaarden (95e tot 99e) tussen de model TSL en de tide gauge data. De algehele globale modelprestaties werden vervolgens beoordeeld in termen van de gemiddelde RMSE (ARMSE) en de gemiddelde \(bias^{p}\) (\(abias^{p}\)) over alle GESLA-2 locaties8. De gegevens van de GESLA-2 getijdenmeter werden vergeleken met zowel model T + S + WS als T + S. daarnaast werden zowel GOW2 als ERA-Interim wave modellen, een verscheidenheid aan bed hellingen en twee verschillende empirische formuleringen 16,17,18 gebruikt om WS te berekenen. De volledige resultaten worden gegeven in de tabellen S1 en S1 en besproken in SM1. Aangezien de verschillen tussen de verschillende waarden van ARMSE en \(abias^{p}\) niet groot zijn voor de verschillende combinaties en omdat, zoals later is aangetoond, WS een relatief klein onderdeel is van de totale episodische overstroming, beperken we onze discussie hier tot gevallen waarin WS wordt berekend met het GOW2-model, de spm16,17-formulering en de mid-range bedhelling van 1/30. Zoals hierboven vermeld,betekende de globale schaal van de analyse dat een relatief simplistische benadering noodzakelijk werd gebruikt om WS16,17 te bepalen. Aangezien uit de resultaten uiteindelijk bleek dat WS geen significant onderdeel was van episodische overstromingen (5%, Zie SM3), is het onwaarschijnlijk dat fouten die door deze aanpak worden veroorzaakt, de eindresultaten significant beïnvloeden.

voor T + S bedraagt het globaal gemiddelde ARMSE 0,197 m, wat vergelijkbaar is met de waarde van 0,170 m die wordt verkregen door Muis et al.8, waar een ouder getijdenmodel (FES 2012) werd gebruikt samen met een aanzienlijk kleinere set getijdewijzerlocaties (472). De opneming van WS brengt geen noemenswaardige wijziging met zich mee ten opzichte van ARMSE en verhoogt deze in feite licht tot 0,204 m (zie tabel S1). Dit gebrek aan impact op WS is niet verwonderlijk, aangezien WS naar verwachting alleen een aanzienlijke bijdrage vertegenwoordigt tijdens stormgebeurtenissen, die slecht door ARMSE wordt gevangen. De Globale verdeling van de waarden van RMSE voor T + S + WS wordt weergegeven op elke GESLA-2 locatie in Fig. S2. Hoewel er af en toe een uitschieter in de gegevens is, is RMSE minder dan 0,2 m op 75% van de locaties en minder dan 0,5 m op de overgrote meerderheid (93%) van de locaties. De bijdrage van WS tijdens stormperiodes (Fig. S8, S9) kan worden beoordeeld aan de hand van waarden van \(abias^{p}\). Tabel S2, laat zien dat Voor T + S \(abias^{p}\) toeneemt in grootte met toenemend percentielniveau. Met de toevoeging van WS neemt \(abias^{p}\) af en wordt ongeveer constant over alle percentielen. De vermindering van \(abias^{p}\) is 60% bij het 99e percentiel, wat erop wijst dat het opnemen van WS resulteert in een betere overeenkomst tussen model en getijde meters tijdens stormgebeurtenissen. De verbetering van \(\left / {bias^{P} } \ right/\), op individuele getijdewijzerlocaties wordt weergegeven in Fig. S4.

de hierboven geschetste validatie geeft aan dat de model afgeleide SLV-schattingen over het algemeen in goede overeenstemming zijn met de gegevens over de getijdenmeter en dat de opname van WS een verbetering van de prestaties oplevert, met name tijdens extreme stormgebeurtenissen. Zoals opgemerkt in SM1, is het onduidelijk hoeveel van de validatie getijde meters reageren op WS vanwege hun locaties. Wat echter duidelijk is, is dat zonder de opneming van WS, er een wereldwijde onderpredictie van SLV tijdens stormen is. Ook, zoals weergegeven in Fig. S4, de verbetering in \(\left| {bias^{P} } \right/\) is te zien op de overgrote meerderheid van de getijdewijzerlocaties. Of dit eigenlijk te wijten is aan WS of een systematische onder voorspelling van S is niet bekend. Wat duidelijk is, is dat de integratie van WS, gemodelleerd volgens de relatief eenvoudige aanpak, resulteert in een model dat goed presteert in vergelijking met getijdenmeters op de meeste locaties.

Extreme waardeschattingen van de totale zeespiegel

zoals hierboven vermeld, zijn zowel S als WS episodisch. Voor episodische kustoverstromingen zijn het deze stormgerelateerde bijdragen aan extreme zeeniveaus die vaak kritiek zijn7, 8, 28, 29. De stochastische voorspelling van dergelijke extremen omvat de aanpassing van een geschikte kansverdelingsfunctie (pdf) aan een historische tijdreeks en vervolgens extrapolatie naar de gewenste waarschijnlijkheid van voorkomen (bijvoorbeeld 0,01 in een jaar of de 100-jarige gebeurtenis). In het geval van SLV was de meest gebruikelijke aanpak het overwegen van jaarlijkse Maxima (AM) en het passen van een twee-parameter Gumbel distributie (GUM)8,30 of een drie parameter gegeneraliseerde Extreme Value distribution (GEVD)7,30,31. Een belangrijke beperking van AM-benaderingen is dat de resulterende tijdreeksen met extreme waarden weinig waarden hebben (1 per jaar). Dit leidt tot relatief grote betrouwbaarheidsintervallen bij het monteren en extrapoleren van de pdf. Een alternatief is om alle stormpieken boven een bepaalde drempel te gebruiken-dat wil zeggen de pieken boven Drempelbenadering, PoT31, 32. In dit laatste geval kan worden aangetoond dat de gegevens een gegeneraliseerde Pareto-distributie (GPD)32 volgen of de twee-parametervariant, de exponentiële distributie (EXP). Een alternatief voor de hierboven gebruikte benadering van het reconstrueren van de historische tijdreeksen op lange termijn, is het gebruik van een Monte Carlo-ensemblebenadering.9 Dit wordt besproken in SM4.

de Extreme Value Analysis (EVA) kan een grote invloed hebben op de resulterende statistische schattingen van extremen (in dit geval extreme zeeniveaus)31 (zie Fig. S10). Daarom is het belangrijk om ervoor te zorgen dat de gekozen EVA optimaal benadert zowel het model en de getijdenmeter gegevens. Daarom werd een reeks EVA-benaderingen getest om te bepalen welke zowel model-als getijdegegevens optimaal weergeven (zie SM2). De resultaten geven aan dat de PoT-benadering die is uitgerust met een GPD en een 98e percentieldrempel (GPD98), met de minste fout past bij zowel de getijdemeter als de modelgegevens. Deze combinatie levert op 33% van de locaties de beste pasvorm op voor de tide-meetgegevens en op 34% van de locaties de beste pasvorm voor de modelgegevens (op DIVA-punten) (zie Fig. S5). Dit resultaat is in overeenstemming met de bevindingen van Wahl et al.31. De volledige EVA-analyse wordt beschreven in SM2.

een verdere analyse van de impact van de geselecteerde EVA-benadering op de geprojecteerde extreme zeeniveau, evenals de gevoeligheid van de methode die wordt gebruikt om WS te bepalen, is weergegeven in Tabel S3. In deze tabel wordt de gemiddelde bias tussen getijdenmeter en modelresultaten voor een retourperiode van 20 jaar (\(ESL^{H20}-ESL_{Gauge}^{H20}\)) over de 355 (van in totaal 681) getijdenmeter locaties die een duur hebben van ten minste 20 jaar binnen de periode van het stormvloedmodel (1979-2014). Deze resultaten wijzen op een gemiddelde bias van 17 mm met inbegrip van WS bepaald op basis van het GOW2 model, een 1/30 bed helling en een GPD98 EVA (zie Fig. S7). Echter, een aantal andere combinaties van EVA en WS berekening leveren vergelijkbare resultaten. Alle gevallen die WS omvatten, hebben een relatief kleine gemiddelde bias, wat aangeeft dat de resultaten robuust zijn, ongeacht de keuze van het golfmodel, de bedhelling en EVA. Wat wel duidelijk is, is dat als WS niet wordt opgenomen, er een consistente negatieve bias is (model onderschat de extreme zeeniveau). Voor GPD98 met een hellingshoek van 1/30 bedden wordt de gemiddelde absolute bias met 88% verminderd, wat wijst op een aanzienlijke verbetering. Daarom lijkt het opnemen van golfopstelling model extreme zeeniveaus (\(ESL^{H20}\)) te produceren die beter overeenkomen met geregistreerde gegevens.

met deze validatie van gemodelleerd \(ESL^{H20}\), werden de resultaten verlengd tot een retourperiode van 1 in 100 jaar (\(ESL^{H100}\)) en geëvalueerd op alle DIVA-punten. De Globale verdeling van \(ESL^{H100}\) wordt weergegeven in Fig. 1 bis. Deze figuur laat zien dat waarden van meer dan 5 m voorkomen langs noordelijke delen van zowel de Atlantische en Pacifische kusten van Noord-Amerika, de Atlantische en Noordzee kusten van Europa en China. De resultaten tonen regionale consistentie met \(ESL^{H100}\) geleidelijk variërend langs kustlijnen. Merk op dat deze\ (ESL^{H100}\) schattingen de waarden in tropische cycloongebieden onderschatten als gevolg van model resolutie8 en de beperkte steekproefgrootte 33,34.

Fig. S6 toont ook de impact van WS alleen, berekend als \(ESL_{T + S + WS}^{H100} – ESL_{T + S}^{H100}\). Deze figuur toont extreme WS waarden tot 0.5 m, met de verdeling grotendeels volgende gebieden van grote extreme significante golfhoogte 35. In het bijzonder, de noordelijke delen van zowel de Atlantische en Pacifische kusten van Noord-Amerika, Atlantische kust van Europa, zuidelijke punt van de Pacifische kust van Zuid-Amerika, zuidelijke kust van Australië en een groot deel van Azië tonen 100-jaar terugkeer periode bijdragen van WS groter dan 0,4 m. Daarom, hoewel WS slechts een zeer kleine invloed heeft op de totale waarden van ARMSE TSL tussen model-en getijdegegevens, wordt het een grotere component waar het extreme waarde zeeniveaus betreft (gemiddeld een stijging van 17% in \(ESL^{H100}\) als gevolg van WS over alle DIVA-punten).

toekomstige projecties van extreme zeeniveaus en overstromingen aan de kust

de \(ESL^{H100}\) waarden vormen de basis voor het bepalen van episodische overstromingen voor vandaag en voor de toekomst. De waarden van \(ESL^{H100}\) op elk DIVA-punt werden geassocieerd met een omringend gebied (zie SM3) en overstroming berekend met behulp van de volgende vlakke badbenadering 8. De topografie werd gedefinieerd door de MERIT DEM dataset, die een verticaal gegeven heeft van de EGM96 geoid (Earth Gravitational Model 1996). Om waarden van \(ESL^{H100}\) tot ditzelfde gegeven te brengen, werden gemiddelde dynamische Oceaantopografie (MDOT)25,36 waarden toegevoegd aan de extreme waardeschattingen (\(ESL^{H100} + MDOT\))23. De kustlijn werd gedefinieerd met behulp van de Global self-consistente Hiërarchical High-resolution Geography (gshhg) database37. Een GIS-gebaseerde benadering werd vervolgens gebruikt waarbij elk MERIT rasterpunt als overstroomd wordt beschouwd als het een hoogte heeft die lager is dan \(ESL^{H100}\) en door water met de kustlijn is verbonden.

de omvang van overstromingen aan de kust is een functie van zowel \(ESL^{F100}\) als de kusttopografie. Figuur 2 toont een globale kaart van overstromingsgebieden in 2100 voor RCP8. 5. Om tot dit resultaat te komen, werd het overstromingsgebied per eenheid lengte van de kustlijn bepaald voor elk van de DIVA punten (genormaliseerde inundatie km2/km). In de huidige analyse wordt ervan uitgegaan dat er geen kustverdediging is (dijken, zeewanden enz.). Daarom, in plaats van het tonen van absolute waarden van inundatie in 2100, Fig. 2 toont de verandering in inundatie van het heden tot 2100. Gebieden met een aanzienlijke toename van overstromingen worden gezien in Noordwest-Europa, India/Baai van Bengalen, Zuidoost-en Oost-Azië.

wereldwijde “hotspot” regio ‘ s van veranderingen in episodische overstromingen aan de kust in 2100 voor RCP8.5. Dat wil zeggen, het verschil tussen de verwachte episodische overstromingen in 2100 minus de huidige episodische overstromingen. Gevulde cirkels geven locaties aan waar de verandering in de genormaliseerde inundatie (d.w.z. verandering in het overstroomde gebied gedeeld door de lengte van de kust) groter is dan 1 km2/km. De grootte van de cirkel is gerelateerd aan de verandering in grootte van de genormaliseerde inundatie. De kleur van de cirkel is gerelateerd aan het geprojecteerde Extreme zeeniveau in 2100 (\(ESL_{T + S + WS}^{F100}\)) (figuur gegenereerd met ArcGIS V.10.5.1. 7333, www.esri.com opmerking: om duidelijkheid toe te voegen, waar punten elkaar overlappen, wordt niet elk punt getoond op de figuur.

Figuur 3 toont zowel het\ (ESL^{F100}\) als het resulterende overstromingsgebied voor een aantal van de in Fig. 2. Hoewel de overstromingsgraad op dergelijke percelen niet groot lijkt, bedraagt de overstromingsgraad voor RCP8.5 661.000–1.009.000 km2 (CA. 0,5-0,7% van het globale landoppervlak, groter dan het landoppervlak van Frankrijk). Merk op dat het bereik van de waarden het 90e percentiel betrouwbaarheidsinterval vertegenwoordigt (zie het gedeelte “methoden”). Tabel 1 toont de omvang van de wereldwijde overstromingen voor elke RCP voor zowel 2050 als 2100. Het Auxiliary Supplementary Data Google Earth-bestand maakt het mogelijk de waarden van \(ESL^{H100}\) en \(ESL^{F100}\) op elke uitvoerlocatie te onderzoeken.

verdere analyse van de relatieve bijdragen van de verschillende fysische processen aan de verwachte episodische overstromingen aan de kust (zie Tabel 1) tegen het einde van De eenentwintigste eeuw (zie SM3) geeft de volgende bijdragen voor RCP8.5 Aan: T + S (63%), RSLR (32%), WS (5%). Dit resultaat toont aan dat T + S in de komende eeuw het dominante proces zal blijven bij het bepalen van de omvang van wereldwijde overstromingen. RSLR verhoogt echter de frequentie van overstromingen aan de kust aanzienlijk. Voor RCP8.5, overstromingen in verband met de huidige 100-jaar terugkeer periode gebeurtenissen zullen, gemiddeld, ten minste eens in de 10 jaar ten zuiden van de 50°noorderbreedte. Opgemerkt moet worden (zie SM2) dat de exacte verandering in frequentie van deze extreme overstromingen gevoelig is voor de EVA-analyse.

blootstelling aan Bevolking en activa

de hierboven beschreven globale schattingen van overstromingen vormen de basis voor het schatten van zowel de bevolking als de activa die risico lopen op episodische overstromingen aan de kust. De blootstelling aan activa werd geschat aan de hand van de relatie 5,24 \(A = 2.8 \ times P \ times G\), waarbij \(A\) De aan overstromingen blootgestelde waarde is (US$), \(P\) de bevolking is en \(G\) het bruto binnenlands Product per hoofd van de bevolking (US$/hoofd). Zoals hierboven vermeld, werd de bevolking geschat op basis van de gpwv4 database26 en het BBP per hoofd van de bevolking van Kummu et al.27. Tabel 1 geeft het overstroomde gebied weer, samen met de bevolking en de activa die voor de huidige periode, 2050 en 2100 zijn blootgesteld in het kader van zowel RCP4.5 als 8.5. Alle waarden zijn in 2011 US$ en gaan uit van 2015 bevolking en BBP, in overeenstemming met de gebruikte databases. Om een directe vergelijking te maken tussen de huidige en toekomstige perioden, is hier geen poging opgenomen om veranderingen in het BBP of de bevolking in de komende jaren te voorspellen. Uit de resultaten blijkt dat de bevolking die mogelijk wordt blootgesteld aan episodische overstromingen aan de kust zal toenemen van 128-171 miljoen tot 176-287 miljoen in 2100 onder RCP8.5, waarbij de overspanning het 90e percentiel betrouwbaarheidsinterval vertegenwoordigt (zie het hoofdstuk “methoden”) (een toename van ongeveer 1,8–2,4% van de wereldbevolking tot 2,5–4,1%). De totale blootgestelde activa zullen naar verwachting stijgen van 6,466–9,135 miljard USD naar 8,813–14,178 miljard USD, wat neerkomt op een stijging van 9-13% naar 12-20% van het mondiale BBP. Zoals hierboven is opgemerkt, gaan deze waarden ervan uit dat er geen overstromingsbescherming aanwezig is en zullen ze dus de werkelijke waarden overschatten. Uit de resultaten blijkt echter dat Voor RKP8.5 tegen 2100 wordt verwacht dat de gemiddelde waarden van overstroomd gebied, getroffen bevolking en bedreigde activa met respectievelijk 48%, 52% en 46% zullen toenemen.