prognozy dotyczące ekstremalnych poziomów mórz w skali globalnej i wynikających z nich epizodycznych powodzi przybrzeżnych w XXI wieku
zbiory danych i przetwarzanie
szczegółowy opis zbiorów danych zastosowanych w tym badaniu znajduje się w sekcji “Metody”. Ponieważ skupiamy się na skali globalnej, TSL (t) w okresie (1979-2014) określono wzdłuż globalnych linii brzegowych w sumie 9866 punktów, które przybliżają segmenty przybrzeżne wcześniej zdefiniowane w Dynamic Interactive Vulnerability Assessment database (DIVA)12 (patrz Rys. S1), określane tutaj jako “DIVA points”. Historyczne wartości przepięć (\(S\)) określono w tym okresie na podstawie zbioru danych Global Tide and Surge Reanalysis (Gtsr) 8. Poziomy przypływu (T) określono na podstawie numerycznego zestawu danych modelu przypływu FES2014 (rozwiązanie Elementów Skończonych)13. Aby określić konfigurację fali (WS), wymagane są warunki falowe (znaczna wysokość fali, \(H_{S0}\) i długość fali, \(l_{0}\)). Ponieważ nie ma powszechnie zatwierdzonego i akceptowanego globalnego zestawu danych z modelu fali przybrzeżnej, dwa różne zestawy danych z modelu fali reanalizy zostały przetestowane w tym celu: ERA-Interim14 i Gow215, przy czym ten ostatni ostatecznie został przyjęty (patrz SM1, SM2, tabela S3). Ustawienie fal zostało określone jako funkcja stromości fal głębinowych (\(H_{S0} / L_{0}\)) i nachylenia DNA za pomocą podejścia Shore Protection Manual (SPM) 16,17. Alternatywna formuła konfiguracji fal zaproponowana przez Stockdon et al.18 również testowano i stwierdzono, że daje podobne wyniki (patrz SM1, SM2 i SM5). Po przetestowaniu serii reprezentatywnych zboczy łoża ostatecznie przyjęto wartość 1/30 (patrz SM1, SM2). Ponieważ każdy z zestawów danych modelu znajduje się na różnych globalnych siatkach i w innej rozdzielczości czasowej, każdemu punktowi DIVA przypisano wartość najbliższego punktu siatki dla każdego modelu, a odpowiednie ilości T, S i WS zostały interpolowane w czasie do 10-minutowej rozdzielczości. Powyższe podejście nie obejmuje żadnego wkładu fali rozruchowej, zgodnego z większością opublikowanych badań7,9,11, ponieważ rozruch nie powoduje trwałego (rzędu godzin) podniesienia TSL. Jest to w przeciwieństwie do niedawnego badania Melet et al.19,20.
historyczny szereg czasowy TSL w okresie (1979-2014)obliczono za pomocą równania. 1. Podejście to ignoruje nieliniowe interakcje między tymi procesami8. Na przykład, zarówno konfiguracja przypływu, jak i fali będzie zależeć od fazy przypływu. Porównanie z danych pomiarowych tide gauge sugeruje takie interakcje, przynajmniej w tej skali globalnej, nie wydają się mieć znaczący wpływ na wyniki (patrz SM1, SM2). Dane walidacyjne w okresie historycznym uzyskano z zestawu danych GESLA-221 tide gauge, który obejmuje dane dotyczące poziomu morza w 681 miejscach na całym świecie (patrz Rys. S1).
w celu określenia zasięgu powodzi przybrzeżnych uzyskano dane dotyczące topografii wybrzeża na podstawie zbioru danych dem (MERIT DEM) usuniętych z wielu błędów 22. Chociaż natywna rozdzielczość MERIT DEM wynosi ~ 90 m na równiku , grubsza wersja rozdzielczości 1 km, zgodna z poprzednimi badaniami8, 23,24 została użyta do obecnej aplikacji w celu zmniejszenia kosztów obliczeniowych i zapewnienia rozdzielczości porównywalnej do innych używanych zestawów danych. MERIT jest oparty na zestawie danych DEM SRTM v4.125, ale z większą dokładnością pionową (patrz sekcja “Metody”).
w celu określenia aktywów narażonych na skutek powodzi wymagane są zarówno bazy danych o populacji objętej siatką, jak i o produkcie krajowym brutto (PKB). Dane dotyczące populacji uzyskano z GPWv4 Rev. 1126 baza danych i dane PKB z Kummu et al.27.
historyczny globalny całkowity poziom morza
Walidacja w okresie hindcast jest niezbędna dla zaufania do przyszłych prognoz. Model TSL został porównany z danymi z okresu 1979-2014 z mierników pływów GESLA-2. Wydajność modelu w okresie hindcastu oceniano w każdym z 681 miejsc GESLA-2, określając zarówno średni błąd kwadratowy (rmse), jak i odchylenie górnego percentyla (\(odchylenie^{p}\)), różnicę wyższych wartości percentyla (95.do 99.) między modelem TSL a danymi z tide gauge. Ogólna wydajność modelu globalnego została następnie oceniona pod względem średniej RMSE(ARMSE) i średniej \(bias^{p}\) (\(abias^{p}\)) dla wszystkich lokalizacji GESLA-28. Dane dotyczące pływów GESLA-2 porównano zarówno z modelem T + S + WS, jak i T + S. Ponadto do obliczenia WS wykorzystano zarówno modele gow2, jak i ERA-Interim wave, różne nachylenia DNA i dwa różne wzory empiryczne 16,17,18. Pełne wyniki podano w tabelach S1 i S1 i omówiono w SM1. Ponieważ różnice między różnymi wartościami ARMSE ‘ a i \(abias^{p}\) nie są duże dla różnych kombinacji, a ponieważ, jak później pokazano, WS jest stosunkowo małym składnikiem całkowitej epizodycznej powodzi, ograniczamy naszą dyskusję tutaj do przypadków,w których WS jest obliczany za pomocą modelu GOW2, formulacji SPM16, 17 i średniego nachylenia łóżka 1/30. Jak wspomniano powyżej, globalna skala analizy oznaczała, że do określenia WS16, 17 konieczne było zastosowanie stosunkowo uproszczonego podejścia. Ponieważ wyniki ostatecznie wykazały, że WS nie był znaczącym składnikiem epizodycznych powodzi (5%, patrz SM3), błędy spowodowane tym podejściem są mało prawdopodobne, aby znacząco wpływały na ostateczne Wyniki.
dla T + S średnia globalnie wynosi 0,197 m, co jest porównywalne z wartością 0,170 m uzyskaną przez Muis et al.8, gdzie zastosowano starszy model przypływu (FES 2012) wraz ze znacznie mniejszym zestawem miejsc przypływu (472). Włączenie WS nie powoduje znaczącej zmiany ARMSE, w rzeczywistości zwiększając go nieznacznie do 0,204 m (patrz tabela S1). Ten brak wpływu na WS nie jest zaskakujący, ponieważ oczekuje się, że WS będzie stanowić tylko znaczący wkład podczas wydarzeń sztormowych, który jest słabo uchwycony przez ARMSE. Globalny rozkład wartości RMSE dla T + S + WS jest pokazany w każdej lokalizacji GESLA – 2 na Fig. S2. Chociaż dane okazjonalnie różnią się od siebie, RMSE wynosi mniej niż 0,2 m w 75% lokalizacji i mniej niż 0,5 m w zdecydowanej większości (93%) lokalizacji. Udział WS w okresach burz (Fig. S8, S9) można obliczyć na podstawie wartości \ (abias^{p}\). Tabela S2 pokazuje, że dla T + s, \(abias^{P}\) zwiększa się wraz ze wzrostem poziomu percentyla. Po dodaniu WS \(abias^{p}\) maleje, stając się w przybliżeniu stałą we wszystkich percentylach. Redukcja w \(abias^{P}\) wynosi 60% przy 99 percentylu, co wskazuje na włączenie ws skutkuje lepszą zgodnością między modelem a wskaźnikami pływów podczas wydarzeń sztormowych. Poprawa w \(\left| {bias^{p} } \right|\), w poszczególnych miejscach przypływu pokazano na Fig. S4.
Walidacja opisana powyżej wskazuje, że szacunki TSL pochodzące z modelu są ogólnie w dobrej zgodzie z danymi dotyczącymi pływów i że włączenie WS poprawia wydajność, szczególnie podczas ekstremalnych zdarzeń burzowych. Jak zauważono w SM1, nie jest jasne, ile wskaźników pływów walidacyjnych reaguje na WS ze względu na ich lokalizację. Jasne jest jednak, że bez włączenia WS, istnieje globalna niedokładność TSL podczas burz. Ponadto, jak pokazano na Fig. S4, poprawa w \(\left / {bias^{p}} \right|\) można zobaczyć w zdecydowanej większości lokalizacji tide gauge. Nie wiadomo, czy jest to spowodowane WS, czy też systematyczne przewidywanie S. Oczywiste jest, że włączenie WS, modelowane przy użyciu stosunkowo prostego podejścia przyjętego, wyniki w modelu, który działa dobrze w porównaniu do mierników pływów w większości miejsc.
Ekstremalne szacunki całkowitego poziomu morza
jak wspomniano powyżej, zarówno S, jak i WS są epizodyczne. W przypadku epizodycznych powodzi przybrzeżnych to właśnie te związane z sztormami wkłady w ekstremalne poziomy mórz są często krytyczne7,8,28, 29. PREDYKCJA stochastyczna takich skrajności polega na dopasowaniu odpowiedniej funkcji rozkładu prawdopodobieństwa (pdf) do historycznego szeregu czasowego, a następnie ekstrapolacji do pożądanego prawdopodobieństwa wystąpienia (np. 0,01 w dowolnym roku lub 100-letnim zdarzeniu). W przypadku TSL najbardziej powszechnym podejściem było rozważenie rocznych maksimów (AM)i dopasowanie dwu-parametrowego rozkładu Gumbela (GUM)8,30 lub trzy-parametrowego uogólnionego rozkładu ekstremalnych wartości (GEVD) 7,30,31. Istotnym ograniczeniem metod AM jest to, że powstające ekstremalne szeregi czasowe mają kilka wartości (1 na rok). Prowadzi to do stosunkowo dużych przedziałów ufności podczas dopasowywania i ekstrapolacji pliku pdf. Alternatywą jest użycie wszystkich pików burzy powyżej określonego progu-tj. pików nad progiem, PoT31,32. W tym ostatnim przypadku dane mogą być pokazane zgodnie z uogólnionym rozkładem Pareto (GPD)32 lub jego wariantem dwuparametrowym, rozkładem wykładniczym (EXP). Alternatywą dla zastosowanego powyżej podejścia do rekonstrukcji długofalowych historycznych szeregów czasowych jest zastosowanie podejścia ensemble Monte-Carlo 9. Jest to omówione w SM4.
przyjęta Analiza wartości ekstremalnych (EVA)może mieć duży wpływ na uzyskane szacunki statystyczne ekstremów (w tym przypadku ekstremalnych poziomów mórz) 31 (patrz Rys. S10). Dlatego ważne jest, aby upewnić się, że wybrany EVA optymalnie przybliża zarówno model, jak i dane dotyczące pływów. W związku z tym przetestowano szereg podejść EVA w celu określenia, które optymalnie reprezentują zarówno dane modelu, jak i wskaźniki pływów (patrz SM2). Wyniki wskazują, że podejście PoT wyposażone w GPD i próg 98 percentyla (GPD98) pasuje zarówno do miernika przypływu, jak i danych modelu z najmniejszym błędem. Ta kombinacja daje najlepsze dopasowanie do danych z miernika pływów w 33% lokalizacji i najlepsze dopasowanie do danych modelu (w punktach DIVA) w 34% lokalizacji (patrz Rys. S5). Wynik ten jest zgodny z ustaleniami Wahl et al.31. Pełna analiza EVA jest opisana w SM2.
dalsza analiza wpływu wybranego podejścia EVA na przewidywany ekstremalny poziom morza, a także czułości metody stosowanej do określenia WS przedstawiono w tabeli S3. Ta tabela uwzględnia średnie odchylenie między wskaźnikiem przypływu a wynikami modelu dla 20-letniego okresu zwrotu (\(ESL^{H20} – ESL_{Gauge}^{H20}\)) w 355 (z łącznej liczby 681) lokalizacjach wskaźnika przypływu, które mają czas trwania co najmniej 20 lat w przedziale czasowym modelu przepięć sztormowych (1979-2014). Wyniki te wskazują na średnie odchylenie wynoszące 17 mm z uwzględnieniem WS oznaczonego z modelu GOW2, nachylenia łoża 1/30 i GPD98 EVA(patrz Rys. S7). Jednak wiele innych kombinacji obliczeń EVA i WS daje podobne wyniki. Wszystkie przypadki, które obejmują WS, mają stosunkowo małe średnie odchylenie, co wskazuje, że wyniki są solidne, niezależnie od wyboru modelu fali, nachylenia łóżka i EVA. Jasne jest jednak, że jeśli WS nie zostanie uwzględniony, występuje konsekwentne negatywne odchylenie (model nie docenia ekstremalnego poziomu morza). W przypadku GPD98 ze spadkiem 1/30 złoża średnie bezwzględne odchylenie zmniejsza się o 88%, co wskazuje na znaczną poprawę. Dlatego włączenie konfiguracji fal wydaje się produkować modelowe ekstremalne poziomy morza (\(ESL^{H20}\)), które są w lepszej zgodzie z zarejestrowanymi danymi.
dzięki tej walidacji modelu \ (ESL^{H20}\), wyniki zostały wydłużone do okresu zwrotu 1 na 100 lat (\(ESL^{H100}\)) i ocenione we wszystkich punktach DIVA. Globalny rozkład \(ESL^{H100}\) pokazano na Fig. 1a. Wykres ten pokazuje, że wartości przekraczające 5 m występują wzdłuż północnych części obu wybrzeży Atlantyku i Pacyfiku Ameryki Północnej, wybrzeży Atlantyku i Morza Północnego Europy i Chin. Wyniki pokazują spójność regionalną z \(ESL^{H100}\) zmieniającą się stopniowo wzdłuż linii brzegowych. Należy zauważyć, że te szacunki \(ESL^{H100}\) nie doceniają wartości w regionach cyklonów tropikalnych ze względu na rozdzielczość modelu 8 i ograniczoną wielkość próbki33, 34.
S6 pokazuje również wpływ samego WS, obliczony jako \(ESL_{T + S + WS}^{H100} – ESL_{T + S}^{H100}\). Ta liczba pokazuje ekstremalne wartości WS do 0.5 m, z rozkładem w dużej mierze po obszarach dużej ekstremalnie znaczącej wysokości fal35. W szczególności, północny część Atlantycki i pacyficzny Wybrzeże północny Ameryka, Atlantycki Wybrzeże Europa, południowy kraniec pacyficzny Wybrzeże Południowy Ameryka, Południowy Wybrzeże Australia i duży część Azja pokazuję 100-roczny zwrotny okres wkład WS większy 0,4 m. Stąd, chociaż WS ma tylko bardzo mały wpływ na ogólne wartości ARMSE TSL między modelem a danymi tide gauge, staje się większym składnikiem, gdy chodzi o ekstremalne wartości poziomu morza(średnio 17% wzrost w \(ESL^{H100}\) ze względu na WS nad wszystkimi punktami DIVA).
przyszłe prognozy ekstremalnych poziomów mórz i powodzi przybrzeżnych
wartości \(ESL^{H100}\) stanowią podstawę do określenia epizodycznych powodzi na dzień dzisiejszy i na przyszłość. Wartości \(ESL^{H100}\) w każdym punkcie DIVA były powiązane z otaczającym regionem (patrz SM3) i zalaniem obliczonym przy użyciu następującego podejścia planarnego. Topografia została zdefiniowana przez MERIT DEM dataset, który ma pionowy punkt odniesienia geoidy EGM96 (Earth Gravitational Model 1996). Aby wprowadzić wartości \(ESL^{H100}\) do tego samego punktu odniesienia, do wartości ekstremalnych (\(ESL^{H100} + MDOT\)) 23 dodano wartości średniej dynamicznej topografii Oceanu(MDOT)25,36. Linia brzegowa została zdefiniowana za pomocą globalnej bazy danych Gshhg (Global Self-consistent Hierarchical high-resolution Geography) 37. Następnie zastosowano podejście oparte na GIS, w którym każdy punkt siatki MERIT jest uważany za zalany, jeśli ma wzniesienie mniejsze niż \(ESL^{H100}\) i jest połączony z linią brzegową wodą.
zasięg powodzi przybrzeżnej jest funkcją zarówno \(ESL^{F100}\), jak i topografii wybrzeża. Rysunek 2 przedstawia globalną mapę regionów “hotspot” powodzi w 2100 r. dla RCP8. 5. Aby osiągnąć ten wynik, dla każdego z punktów DIVA wyznaczono obszar zalewowy na jednostkę długości linii brzegowej (znormalizowane zalewanie km2 / km). Niniejsza analiza zakłada brak obrony wybrzeża (wały, mury morskie itp.). Dlatego zamiast pokazywać bezwzględne wartości zalewania w 2100 r., rys. 2 pokazuje zmianę Zalewu z obecnego na rok 2100. Obszary o znacznym wzroście powodzi występują w północno-zachodniej Europie, Indiach / Zatoce Bengalskiej, Południowo-Wschodniej i Wschodniej Azji.
Globalne regiony “hotspot” zmian w epizodycznych powodziach przybrzeżnych w 2100 r.dla RCP8.5. Oznacza to różnicę między prognozowanymi epizodycznymi powodziami w 2100 r. minus dzisiejsze epizodyczne powodzie. Wypełnione okręgi pokazują miejsca, w których zmiana znormalizowanego Zalewu (tj. zmiana powierzchni Zalewu podzielona przez długość wybrzeża) jest większa niż 1 km2/km. Wielkość okręgu jest związana ze zmianą wielkości znormalizowanego Zalewu. Kolor okręgu jest związany z przewidywanym ekstremalnym poziomem morza w 2100 (\(ESL_{T + S + ws}^{F100}\)) (rysunek wygenerowany przy użyciu ArcGIS V. 10. 5. 1. 7333, www.esri.com). uwaga: aby dodać jasności, gdzie punkty nakładają się na siebie, nie każdy punkt jest pokazany na rysunku.
Rysunek 3 pokazuje zarówno \(ESL^{F100}\), jak i wynikowy obszar zalewania dla wielu regionów “hotspot”pokazanych na Fig. 2. Chociaż zasięg powodzi nie wydaje się Duży na takich działkach, zasięg powodzi globalnej dla RCP8. 5 wynosi 661 000-1 009 000 km2 (ok. 0,5-0,7% światowej powierzchni lądowej, większej niż powierzchnia lądowa Francji). Zauważ, że zakres wartości reprezentuje 90. percentyl przedział ufności (patrz sekcja” Metody”). Tabela 1 przedstawia globalny zasięg powodzi dla każdego PZK zarówno w 2050 r., jak i w 2100 r. Pomocniczy plik danych dodatkowych Google Earth Umożliwia badanie wartości \(ESL^{H100}\) i \(ESL^{F100}\) w dowolnej lokalizacji wyjściowej.
dalsza analiza względnego wpływu różnych procesów fizycznych na przewidywane epizodyczne powodzie przybrzeżne (przedstawiona w tabeli 1) do końca XXI wieku (zob. SM3) wskazuje na następujące wkłady dla RCP8.5: T + S (63%), RSLR (32%), WS (5%). Wynik ten pokazuje, że w ciągu następnego stulecia T + S pozostanie dominującym procesem w określaniu skali globalnej powodzi. Jednak RSLR znacznie zwiększa częstotliwość powodzi przybrzeżnych. Dla RCP8.5, powodzie związane z obecnymi wydarzeniami 100-letniego okresu powrotu będą średnio występować co najmniej raz na 10 lat na południe od szerokości geograficznej 50°N. Należy zauważyć (zob. SM2), że dokładna zmiana częstotliwości tych ekstremalnych zdarzeń powodziowych jest wrażliwa na zastosowaną analizę EVA.
ekspozycja ludności i aktywów
globalne szacunki powodzi opisane powyżej stanowią podstawę do oszacowania zarówno populacji, jak i aktywów zagrożonych z powodu epizodycznych powodzi przybrzeżnych. Ekspozycję aktywów oszacowano na podstawie relacji 5, 24 \(a = 2.8 \ razy P\ razy G\), gdzie\ (A\) jest wartością aktywów narażonych na zalanie (US$),\ (P\) jest populacją, a\ (G\) jest produktem krajowym brutto na głowę populacji (US$ / głowę). Jak wspomniano powyżej, populację oszacowano na podstawie bazy danych Gpwv426, a PKB na mieszkańca na podstawie Kummu et al.27. Tabela 1 przedstawia obszar zalany wraz z populacją i aktywami narażonymi na dzień dzisiejszy, 2050 i 2100 W ramach RCP4. 5 i 8.5. Wszystkie wartości są w 2011 US$ i założyć 2015 populacja i PKB, zgodne z bazami danych używanych. Aby dokonać bezpośredniego porównania między teraźniejszością a przyszłymi okresami, nie uwzględniono tu żadnych prób przewidywania zmian PKB lub liczby ludności w przyszłych latach. Wyniki projektu zakładają, że populacja potencjalnie narażona na epizodyczne powodzie przybrzeżne wzrośnie ze 128-171 mln do 176-287 mln w 2100 r.w ramach RCP8.5, gdzie rozpiętość reprezentuje 90. percentyl przedział ufności (patrz sekcja “Metody”) (wzrost z około 1,8–2,4% światowej populacji do 2,5–4,1%). Przewiduje się, że całkowita ekspozycja aktywów wzrośnie z 6 466 USD–9 135 mld USD do 8 813 USD–14 178 mld USD, co oznacza wzrost z 9-13% do 12-20% światowego PKB. Jak wspomniano powyżej, wartości te zakładają, że nie istnieją zabezpieczenia przeciwpowodziowe, a zatem przecenią prawdziwe wartości. Wyniki wskazują jednak, że dla RCP8.5 przewiduje się, że do 2100 r.średnie wartości obszarów zalewanych, ludności dotkniętej i zagrożonych aktywów wzrosną odpowiednio o 48%, 52% i 46%.
