Projektionen des globalen extremen Meeresspiegels und der daraus resultierenden episodischen Küstenfluten im 21.Jahrhundert

Datensätze und Verarbeitung

Eine detaillierte Beschreibung der in dieser Studie verwendeten Datensätze finden Sie im Abschnitt “Methoden”. Da der Fokus hier auf globaler Ebene liegt, wurde TSL (t) über den Zeitraum (1979-2014) entlang globaler Küstenlinien an insgesamt 9.866 Punkten bestimmt, die sich den zuvor in der Dynamic Interactive Vulnerability Assessment Database (DIVA)12 definierten Küstensegmenten annähern (siehe Abb. S1), hier als “DIVA points” bezeichnet. Historische Werte von Surge (\(S\)) wurden über diesen Zeitraum aus dem Global Tide and Surge Reanalysis (GTSR) Dataset8 bestimmt. Die Gezeitenstufen (T) wurden aus dem numerischen Gezeitenmodelldatensatz FES2014 (Finite-Elemente-Lösung)13 ermittelt. Um den Wellenaufbau (WS) zu bestimmen, sind die Nearshore- (Tiefsee-) Wellenbedingungen (signifikante Wellenhöhe, \(H_{s0}\) und Wellenlänge, \(L_{0}\)) erforderlich. Da es keinen allgemein validierten und akzeptierten globalen Nearshore-Wellenmodelldatensatz gibt, wurden zu diesem Zweck zwei verschiedene Reanalysewellenmodelldatensätze getestet: ERA-Interim14 und GOW215, wobei letzterer letztendlich übernommen wurde (siehe SM1, SM2, Tabelle S3). Der Wellenaufbau wurde als Funktion der Tiefwasserwellensteilheit (\(H_{s0} /L_{0}\)) und der Bettneigung unter Verwendung des Shore Protection Manual (SPM) -Ansatzes bestimmt16,17. Eine von Stockdon et al.18 wurde ebenfalls getestet und ergab ähnliche Ergebnisse (siehe SM1, SM2 und SM5). Nach dem Testen einer Reihe repräsentativer Bettneigungen wurde schließlich ein Wert von 1/30 angenommen (siehe SM1, SM2). Da sich jeder der Modelldatensätze auf unterschiedlichen globalen Gittern und mit unterschiedlicher zeitlicher Auflösung befindet, wurde jedem DIVA-Punkt der Wert des nächstgelegenen Gitterpunkts für jedes Modell zugewiesen und die jeweiligen Größen von T, S und WS wurden zeitlich auf eine 10-min-Auflösung interpoliert. Der obige Ansatz beinhaltet keinen Beitrag des Wellenanlaufs, der mit den meisten veröffentlichten Studien übereinstimmt7,9,11, da der Anlauf nicht zu einer anhaltenden Erhöhung der TSL (in der Größenordnung von Stunden) führt. Dies steht im Gegensatz zur aktuellen Studie von Melet et al.19,20.

Die historische Zeitreihe der TSL über den Zeitraum (1979-2014) wurde unter Verwendung von Gl. 1. Dieser Ansatz ignoriert nichtlineare Wechselwirkungen zwischen diesen Prozessen8. Zum Beispiel werden sowohl der Wellen- als auch der Wellenaufbau von der Phase der Flut beeinflusst. Der Vergleich mit gemessenen Gezeitenmessdaten legt nahe, dass solche Wechselwirkungen zumindest auf dieser globalen Skala keinen signifikanten Einfluss auf die Ergebnisse zu haben scheinen (siehe SM1, SM2). Validierungsdaten über den historischen Zeitraum wurden aus dem GESLA-221-Gezeitenmessdatensatz erhalten, der Meeresspiegeldaten an 681 Standorten auf der ganzen Welt enthält (siehe Abb. S1).

Um das Ausmaß der Küstenfluten zu bestimmen, wurden Küsten-Topographie-Daten aus dem Multi-Error-Removed Improved-Terrain DEM (MERIT DEM) Datenset22 erhalten. Obwohl die native Auflösung des MERIT DEM ~ 90 m am Äquator beträgt, wurde für die vorliegende Anwendung eine gröbere Version mit 1 km Auflösung verwendet, die mit früheren Studien8,23,24 übereinstimmt, um den Rechenaufwand zu reduzieren und eine Auflösung zu gewährleisten, die mit den anderen verwendeten Datensätzen vergleichbar ist. MERIT basiert auf dem SRTM v4.1 DEM dataset25, jedoch mit erhöhter vertikaler Genauigkeit (siehe Abschnitt “Methoden”).

Zur Ermittlung von Vermögenswerten, die aufgrund von Überschwemmungen exponiert sind, sind sowohl Datenbanken zur gerasterten Bevölkerung als auch zum Bruttoinlandsprodukt (BIP) erforderlich. Populationsdaten wurden aus der GPWv4 Rev. 1126 Datenbank- und BIP-Daten von Kummu et al.27.

Historischer globaler Gesamtmeerspiegel

Die Validierung über den Hindcast-Zeitraum ist für das Vertrauen in zukünftige Projektionen unerlässlich. Die Modell-TSL-Zeitreihe wurde mit den GESLA-2-Gezeitenmessdaten über den Zeitraum 1979-2014 verglichen. Die Modellleistung über den Hindcast-Zeitraum wurde an jedem der 681 GESLA-2-Standorte bewertet, indem sowohl der quadratische Mittelwertfehler (Root Mean Square Error, RMSE) als auch der obere Perzentil-Bias (\(bias ^ {p}\)), die Differenz der höheren Perzentilwerte (95. bis 99.) zwischen den Modell-TSL- und den Gezeitenmessdaten, bestimmt wurden. Die Gesamtleistung des globalen Modells wurde dann anhand des durchschnittlichen RMSE (ARMSE) und des durchschnittlichen \(bias^{p}\) (\(abias^{p}\)) über alle GESLA-2-Standorte bewertet8. Die GESLA-2-Gezeitenmessdaten wurden sowohl mit dem Modell T + S + WS als auch mit T + S verglichen. Darüber hinaus wurden sowohl GOW2- als auch ERA-2-Wellenmodelle, eine Vielzahl von Bettneigungen und zwei verschiedene empirische Formeln verwendet16,17,18 wurden zur Berechnung von WS verwendet. Die vollständigen Ergebnisse sind in den Tabellen S1 und S1 angegeben und in SM1 diskutiert. Da die Unterschiede zwischen den verschiedenen Werten von ARMSE und \(abias ^ {p}\) für die verschiedenen Kombinationen nicht groß sind und weil, wie nachfolgend gezeigt, WS eine relativ kleine Komponente des gesamten episodischen Hochwassers ist, beschränken wir unsere Diskussion hier auf Fälle, in denen WS mit dem GOW2-Modell, der SPM16,17-Formulierung und der mittleren Bettneigung von 1/30 berechnet wird. Wie oben erwähnt, bedeutete der globale Maßstab der Analyse, dass zur Bestimmung von WS16,17 notwendigerweise ein relativ vereinfachter Ansatz verwendet wurde. Da die Ergebnisse letztendlich zeigten, dass WS keine signifikante Komponente des episodischen Floodings war (5%, siehe SM3), ist es unwahrscheinlich, dass Fehler, die durch diesen Ansatz verursacht werden, die Endergebnisse signifikant verzerren.

Für T + S beträgt die global gemittelte ARMSE 0,197 m, was vergleichbar ist mit dem von Muis et al.8, wo ein älteres Gezeitenmodell (FES 2012) zusammen mit einem deutlich kleineren Satz von Gezeitenmessstellen (472) verwendet wurde. Die Einbeziehung von WS führt nicht zu einer nennenswerten Änderung von ARMSE, sondern zu einer leichten Erhöhung auf 0,204 m (siehe Tabelle S1). Dieser Mangel an Auswirkungen auf WS ist nicht überraschend, da erwartet wird, dass WS nur bei Sturmereignissen einen nennenswerten Beitrag leistet, der von ARMSE schlecht erfasst wird. Die globale Verteilung der Werte von RMSE für T + S + WS ist an jedem GESLA-2-Standort in Abb. S2. Obwohl es gelegentlich Ausreißer in den Daten gibt, beträgt der RMSE an 75% der Standorte weniger als 0,2 m und an der überwiegenden Mehrheit (93%) der Standorte weniger als 0,5 m. Der Beitrag von WS während Sturmperioden (Abb. S8, S9) kann aus Werten von \(abias^{p}\) beurteilt werden. Tabelle S2 zeigt, dass für T + S \(abias ^ {p}\) mit zunehmendem Perzentilniveau an Größe zunimmt. Mit der Addition von WS nimmt \ (abias ^{p}\) ab und wird über alle Perzentile annähernd konstant. Die Reduktion von \ (abias ^ {p}\) beträgt 60% am 99. Perzentil, was darauf hindeutet, dass die Einbeziehung von WS zu einer besseren Übereinstimmung zwischen Modell und Gezeitenmessgeräten während Sturmereignissen führt. Die Verbesserung von \(\left/ {bias^{P} } \right/\) an einzelnen Gezeitenmessstellen ist in Abb. S4.

Die oben skizzierte Validierung zeigt, dass die vom Modell abgeleiteten TSL-Schätzungen im Allgemeinen gut mit den Gezeitenmessdaten übereinstimmen und dass die Einbeziehung von WS die Leistung insbesondere bei extremen Sturmereignissen verbessert. Wie in SM1 erwähnt, Es ist unklar, wie viele der verschiedenen Gezeitenmesser aufgrund ihrer Standorte auf WS reagieren. Klar ist jedoch, dass es ohne die Einbeziehung von WS eine globale Untervorhersage von TSL während Stürmen gibt. Auch, wie in Fig. S4, die Verbesserung der \(\ left / {bias ^ {P} } \right /\) kann an der überwiegenden Mehrheit der Gezeitenmessstellen gesehen werden. Ob dies tatsächlich auf WS oder eine systematische Untervorhersage von S zurückzuführen ist, ist nicht bekannt. Klar ist, dass die Einbeziehung von WS, modelliert mit dem relativ einfachen Ansatz, zu einem Modell führt, das im Vergleich zu Gezeitenmessgeräten an den meisten Standorten eine gute Leistung erbringt.

Extremwertschätzungen des gesamten Meeresspiegels

Wie oben erwähnt, sind sowohl S als auch WS episodisch. Für episodische Küstenfluten sind es diese sturmbedingten Beiträge zu extremen Meeresspiegeln, die oft kritisch sind7,8,28,29. Die stochastische Vorhersage solcher Extreme beinhaltet die Anpassung einer geeigneten Wahrscheinlichkeitsverteilungsfunktion (pdf) an eine historische Zeitreihe und die anschließende Extrapolation auf die gewünschte Eintrittswahrscheinlichkeit (z. B. 0,01 in einem beliebigen Jahr oder das 100-Jahres-Ereignis). Im Fall von TSL bestand der gebräuchlichste Ansatz darin, jährliche Maxima (AM) zu berücksichtigen und entweder eine Gumbel-Verteilung mit zwei Parametern (GUM) 8,30 oder eine generalisierte Extremwertverteilung mit drei Parametern (GEVD) 7,30,31 anzupassen. Eine wesentliche Einschränkung von AM-Ansätzen besteht darin, dass die resultierenden Extremwertzeitreihen nur wenige Werte aufweisen (1 pro Jahr). Dies führt zu relativ großen Konfidenzintervallen beim Anpassen und Extrapolieren des PDF. Eine Alternative besteht darin, alle Sturmspitzen oberhalb eines bestimmten Schwellenwerts zu verwenden – dh den Ansatz Peaks over Threshold, PoT31,32. In diesem letzteren Fall kann gezeigt werden, dass die Daten einer verallgemeinerten Paretoverteilung (GPD)32 oder ihrer Zwei-Parameter-Variante, der Exponentialverteilung (EXP), folgen. Eine Alternative zu dem oben verwendeten Ansatz zur Rekonstruktion der langfristigen historischen Zeitreihen ist die Verwendung eines Ensemble-Monte-Carlo-Ansatzes 9. Dies wird in SM4 diskutiert.

Die angewandte Extremwertanalyse (EVA) kann einen großen Einfluss auf die daraus resultierenden statistischen Schätzungen von Extremen (in diesem Fall extremen Meeresspiegeln)31 haben (siehe Abb. S10). Deshalb, Es ist wichtig sicherzustellen, dass die gewählte EVA sowohl die Modell- als auch die Gezeitenmessdaten optimal annähert. Daher wurde eine Reihe von EVA-Ansätzen getestet, um zu bestimmen, welche sowohl Modell- als auch Gezeitenmessdaten optimal darstellen (siehe SM2). Die Ergebnisse zeigen, dass der mit einem GPD und einem 98. Perzentilschwellenwert (GPD98) ausgestattete PoT-Ansatz sowohl zum Gezeitenmesser als auch zu den Modelldaten mit dem geringsten Fehler passt. Diese Kombination ergibt die beste Anpassung an die Gezeitenmessdaten an 33% der Standorte und die beste Anpassung an die Modelldaten (an DIVA-Punkten) an 34% der Standorte (siehe Abb. S5). Dieses Ergebnis steht im Einklang mit den Ergebnissen von Wahl et al.31. Die vollständige EVA-Analyse ist in SM2 beschrieben.

Eine weitere Analyse der Auswirkungen des gewählten EVA-Ansatzes auf den projizierten extremen Meeresspiegel sowie die Sensitivität der Methode zur Bestimmung des WS ist in Tabelle S3 dargestellt. Diese Tabelle berücksichtigt die mittlere Verzerrung zwischen Gezeitenmesser- und Modellergebnissen für eine 20-jährige Rückkehrperiode (\(ESL ^ {H20} – ESL_{Gauge} ^{H20} \)) über die 355 (von insgesamt 681) Gezeitenmessstandorte, die eine Dauer von mindestens 20 Jahren innerhalb der Sturmflutmodellzeitspanne (1979-2014) haben. Diese Ergebnisse zeigen eine mittlere Vorspannung von 17 mm unter Einbeziehung von WS, bestimmt aus dem GOW2-Modell, einer 1/30-Bettneigung und einer GPD98-EVA (siehe Abb. S7). Eine Reihe anderer Kombinationen von EVA- und WS-Berechnungen liefern jedoch ähnliche Ergebnisse. Alle Fälle, die WS einschließen, weisen eine relativ geringe mittlere Verzerrung auf, was darauf hinweist, dass die Ergebnisse robust sind, unabhängig von der Wahl des Wellenmodells, der Bettneigung und der EVA. Klar ist jedoch, dass, wenn WS nicht enthalten ist, eine konsistente negative Verzerrung vorliegt (Modell unterschätzt den extremen Meeresspiegel). Für GPD98 mit einer Bettneigung von 1/30 wird die mittlere absolute Vorspannung um 88% reduziert, was auf eine signifikante Verbesserung hinweist. Daher scheint die Einbeziehung des Wellenaufbaus modellextreme Meeresspiegel (\(ESL ^ {H20} \)) zu erzeugen, die besser mit den aufgezeichneten Daten übereinstimmen.

Mit dieser Validierung modellierter \(ESL^{H20}\) wurden die Ergebnisse auf eine Rückkehrperiode von 1 in 100 Jahren (\(ESL^{H100}\)) ausgedehnt und an allen DIVA-Punkten ausgewertet. Die globale Verteilung von \(ESL^{H100}\) ist in Abb. 1a. Diese Zahl zeigt, dass Werte von mehr als 5 m entlang der nördlichen Teile der Atlantik- und Pazifikküste Nordamerikas, der Atlantik- und Nordseeküste Europas und Chinas auftreten. Die Ergebnisse zeigen regionale Konsistenz mit \(ESL ^ {H100}\), die entlang der Küsten allmählich variiert. Beachten Sie, dass diese \(ESL ^ {H100}\) Schätzungen Werte in tropischen Wirbelsturmregionen aufgrund der Modellauflösung8 und der begrenzten Stichprobengröße33,34 unterschätzen.

Abb. S6 zeigt auch die Auswirkung von WS allein, berechnet als \(ESL_{T + S + WS}^{H100} – ESL_{T + S}^{H100}\). Diese Abbildung zeigt extreme WS-Werte bis zu 0.5 m, wobei die Verteilung weitgehend Bereichen großer extremer signifikanter Wellenhöhe folgt35. Insbesondere die nördlichen Teile der Atlantik- und Pazifikküste Nordamerikas, die Atlantikküste Europas, die Südspitze der Pazifikküste Südamerikas, die Südküste Australiens und ein Großteil Asiens weisen 100-Jahres-Rückkehrbeiträge von WS auf größer als 0.4 m. Obwohl WS nur einen sehr geringen Einfluss auf die Gesamtwerte von ARMSE TSL zwischen Modell- und Gezeitenmessdaten hat, wird es daher zu einer größeren Komponente, wenn es um Extremwerte des Meeresspiegels geht (im Durchschnitt ein Anstieg von 17% in \ (ESL ^ {H100} \) aufgrund von WS über alle DIVA-Punkte).

Zukunftsprojektionen von extremen Meeresspiegeln und Küstenhochwasser

Die \(ESL^{H100}\) Werte liefern die Grundlage, um episodische Überschwemmungen für die Gegenwart und für die Zukunft zu bestimmen. Die Werte von \(ESL ^ {H100}\) an jedem DIVA-Punkt wurden einer umgebenden Region zugeordnet (siehe SM3) und wurden unter Verwendung des folgenden planaren Badewannenansatzes berechnet8. Die Topographie wurde durch den MERIT DEM-Datensatz definiert, der ein vertikales Datum des EGM96-Geoids aufweist (Earth Gravitational Model 1996). Um Werte von \(ESL ^ {H100}\) auf dasselbe Datum zu bringen, wurden die Mittelwerte der dynamischen Ozeantopographie (MDOT) 25,36 zu den Extremwertschätzungen (\(ESL ^{H100} + MDOT \)) 23 addiert. Die Küstenlinie wurde mit Hilfe der Global Self-consistent Hierarchical High-resolution Geography (GSHHG) Datenbank definiert37. Anschließend wurde ein GIS-basierter Ansatz verwendet, bei dem jeder beliebige Gitterpunkt als überflutet gilt, wenn er eine Höhe von weniger als \ (ESL ^ {H100} \) aufweist und durch Wasser mit der Küstenlinie verbunden ist.

Das Ausmaß der Küstenfluten ist eine Funktion sowohl von \(ESL^{F100}\) als auch der Küstentopographie. Abbildung 2 zeigt eine globale Karte der “Hotspot” -Regionen in 2100 für RCP8.5. Um zu diesem Ergebnis zu gelangen, wurde für jeden der DIVA-Punkte die Überschwemmungsfläche pro Küstenlängeneinheit bestimmt (normierte Überschwemmungskm2/km). Die vorliegende Analyse geht davon aus, dass es keine Küstenverteidigung (Deiche, Seemauern usw.) gibt.). Anstatt also absolute Werte der Überschwemmung in 2100 zu zeigen, zeigt Fig. 2 zeigt die Änderung der Überschwemmung von der Gegenwart bis 2100. Gebiete mit einem deutlichen Anstieg der Überschwemmungen sind in Nordwesteuropa, Indien / Golf von Bengalen, Südost- und Ostasien zu beobachten.

Globale “Hotspot” -Regionen für Veränderungen episodischer Küstenfluten im Jahr 2100 für RCP8.5. Das heißt, der Unterschied zwischen projizierten episodischen Überschwemmungen im Jahr 2100 minus heutigen episodischen Überschwemmungen. Gefüllte Kreise zeigen Orte an, an denen die Änderung der normalisierten Überschwemmung (d. H. Änderung der überfluteten Fläche geteilt durch die Länge der Küste) größer als 1 km2 / km ist. Die Größe des Kreises hängt mit der Größenänderung der normalisierten Überschwemmung zusammen. Die Farbe des Kreises bezieht sich auf den projizierten extremen Meeresspiegel im Jahr 2100 (\(ESL_{T + S + WS}^{F100}\)) (Abbildung generiert mit ArcGIS v.10.5.1.7333, www.esri.com ). Hinweis: Um die Übersichtlichkeit zu erhöhen, wird in der Abbildung nicht jeder Punkt angezeigt, an dem sich Punkte überlappen.

Abbildung 3 zeigt sowohl die \(ESL ^ {F100}\) als auch die resultierende Überschwemmungsfläche für eine Reihe der in Abb. 2. Obwohl die Überschwemmungsausdehnung in solchen Parzellen nicht groß erscheint, beträgt die globale Überschwemmungsausdehnung für RCP8.5 661.000–1.009.000 km2 (ca. 0,5-0,7% der globalen Landfläche, größer als die Landfläche Frankreichs). Beachten Sie, dass der Wertebereich das 90. Perzentil-Konfidenzintervall darstellt (siehe Abschnitt “Methoden”). Tabelle 1 zeigt das globale Überschwemmungsausmaß für jedes RCP für 2050 und 2100. Die Hilfs ergänzende Daten Google Earth-Datei ermöglicht die Prüfung von Werten von \ (ESL ^ {H100} \) und \ (ESL ^ {F100} \) an jedem Ausgabestandort.

Eine weitere Analyse der relativen Beiträge der verschiedenen physikalischen Prozesse zu den projizierten episodischen Küstenfluten (siehe Tabelle 1) bis zum Ende des einundzwanzigsten Jahrhunderts (siehe SM3) zeigt die folgenden Beiträge für RCP8.5: T + S (63%), RSLR (32%), WS (5%). Dieses Ergebnis zeigt, dass T + S im nächsten Jahrhundert der dominierende Prozess bei der Bestimmung des Ausmaßes globaler Überschwemmungen bleiben wird. RSLR erhöht jedoch die Häufigkeit von Küstenfluten erheblich. Für RCP8.5, Überschwemmungen im Zusammenhang mit heutigen 100-jährigen Rückkehrperiodenereignissen treten im Durchschnitt mindestens einmal alle 10 Jahre südlich des 50 ° N Breitengrades auf. Es ist zu beachten (siehe SM2), dass die genaue Änderung der Häufigkeit dieser extremen Hochwasserereignisse von der verwendeten EVA-Analyse abhängt.

Population and asset exposure

Die oben beschriebenen globalen Hochwasserschätzungen bilden die Grundlage für die Schätzung der Bevölkerung und der Vermögenswerte, die durch episodische Küstenfluten gefährdet sind. Das Asset Exposure wurde anhand der Relation geschätzt5,24 \(A = 2.8 \mal P \mal G\), wobei \(A\) der dem Hochwasser ausgesetzte Vermögenswert (US $), \(P\) die Bevölkerung und \(G\) das Bruttoinlandsprodukt pro Kopf der Bevölkerung (US $/Kopf) ist. Wie oben erwähnt, wurde die Bevölkerung aus der GPWv4-Datenbank geschätzt26 und das BIP pro Kopf aus Kummu et al.27. Tabelle 1 zeigt das überschwemmte Gebiet zusammen mit der Bevölkerung und den exponierten Vermögenswerten für den heutigen Tag, 2050 und 2100 unter RCP4.5 und 8.5. Alle Werte sind in 2011 US $ angegeben und gehen von 2015 Bevölkerung und BIP aus, konsistent mit den verwendeten Datenbanken. Um einen direkten Vergleich zwischen heutigen und zukünftigen Perioden anzustellen, wurde hier kein Versuch unternommen, Änderungen des BIP oder der Bevölkerung in zukünftigen Jahren zu projizieren. Die Ergebnisse gehen davon aus, dass die Bevölkerung, die möglicherweise episodischen Küstenfluten ausgesetzt ist, im Jahr 2100 unter RCP8.5 von 128-171 Millionen auf 176-287 Millionen ansteigen wird, wobei die Spanne das 90. Perzentil–Konfidenzintervall darstellt (siehe Abschnitt “Methoden”) (ein Anstieg von etwa 1,8–2,4% der Weltbevölkerung auf 2,5-4,1%). Die Bilanzsumme wird voraussichtlich von 6.466–9.135 Milliarden US–Dollar auf 8.813-14.178 Milliarden US-Dollar steigen, was einem Anstieg des globalen BIP von 9-13% auf 12-20% entspricht. Wie oben erwähnt, gehen diese Werte davon aus, dass kein Hochwasserschutz vorhanden ist, und überschätzen daher die wahren Werte. Die Ergebnisse zeigen jedoch, dass für RCP8.5 bis 2100 prognostiziert wird, dass die Mittelwerte der überschwemmten Fläche, der betroffenen Bevölkerung und der bedrohten Vermögenswerte um 48%, 52% bzw. 46% zunehmen werden.