Projeções de escala global extremos do nível do mar e que resulta em episódios de inundações costeiras ao longo do Século 21

Conjuntos de dados e de processamento

Uma detalhada descrição dos conjuntos de dados utilizados no presente estudo é fornecido na seção “Métodos” seção. Como o foco aqui está na escala global, TSL(t) ao longo do período (1979-2014) foi determinado ao longo das costas globais em um total de 9.866 pontos que se aproximam dos segmentos costeiros previamente definidos na Base de dados de avaliação interativa dinâmica de vulnerabilidade (DIVA)12 (ver Fig. S1), referido aqui como “DIVA points”. Os valores históricos de oscilação ($s$) foram determinados durante este período a partir do conjunto de dados de reanálise da maré Global (GTSR) 8. Os níveis das marés (T) foram determinados a partir do conjunto de dados do modelo numérico das marés FES2014 (solução de Elementos Finitos)13. A fim de determinar a configuração da onda, (WS), as condições de onda próximas (águas profundas) (altura significativa da onda, $H_{s0}$ e comprimento de onda, $L_{0}$) são necessárias. Como não existe um conjunto de dados amplamente validado e aceite do modelo global de onda próximo de terra, dois conjuntos de dados diferentes do modelo de onda de reanálise foram testados para este efeito: ERA-Interim14 e GOW215, sendo este último, em última análise, adoptado (ver SM1, SM2, quadro S3). A configuração da onda foi determinada em função da inclinação da onda de profundidade ($H_{s0} /L_{0}$) e do declive do leito,usando a aproximação do manual de proteção da Costa (SPM) 16, 17. A alternative wave setup formulation proposed by Stockdon et al.18 foi também testado e verificou-se que produzia resultados semelhantes (ver SM1, SM2 e SM5). Após o teste de uma série de encostas representativas, um valor de 1/30 foi finalmente adotado (ver SM1, SM2). Como cada um dos conjuntos de dados de modelos estão em diferentes grelhas globais e em diferentes resolução temporal, a cada ponto DIVA foi atribuído o valor do ponto de quadrícula mais próximo para cada modelo e as respectivas quantidades de T, S E WS foram interpoladas no tempo a uma resolução de 10 minutos. A abordagem acima não inclui qualquer contribuição do run-up de onda, consistente com a maioria dos estudos publicados 7,9,11, uma vez que o run-up não resulta em uma elevação sustentada (ordem de horas) da TSL. Isto está em contraste com o estudo recente de Melet et al.19,20.

a série cronológica histórica da TSL durante o período (1979-2014) foi calculada utilizando a NQA. 1. Esta abordagem ignora as interacções não lineares entre estes processos8. Por exemplo, tanto a onda como a configuração das ondas serão influenciadas pela fase da maré. A comparação com os dados medidos do gabari das marés sugere que tais interacções, pelo menos nesta escala global, não parecem ter um impacto significativo nos resultados (ver SM1, SM2). Os dados de validação durante o período histórico foram obtidos a partir do conjunto de dados GESLA-221 tide gauge, que inclui dados sobre o nível do mar em 681 locais ao redor do mundo (ver Fig. S1).

a fim de determinar a extensão das inundações costeiras, os dados topográficos costeiros foram obtidos a partir do conjunto de dados dem (Merit DEM) melhorado removido por erros múltiplos. Embora a resolução nativa do MÉRITO DEM ~ 90 m no Equador, um grau de moagem mais grosso 1 km de resolução versão, consistente com o anterior estudos8,23,24, foi utilizado para a presente aplicação para reduzir computacional de despesa e garantir uma resolução comparável a outros conjuntos de dados utilizados. O mérito é baseado no conjunto de dados SRTM V4.1 DEM25, mas com maior precisão vertical (ver secção “métodos”).

a fim de determinar os activos expostos devido a inundações, são necessárias bases de dados da população reticulada e do Produto Interno Bruto (PIB). Os dados sobre a população foram obtidos a partir do GPWv4 Rev. 1126 base de dados e dados do PIB de Kummu et al.27.

nível do mar Total Histórico Global

validação durante o período hindcast é imperativo para a confiança em futuras projeções. O modelo TSL time series foi comparado com os dados da GESLA-2 tide gauge no período 1979-2014. O desempenho do modelo durante o período hindcast foi avaliado em cada um dos 681 locais da GESLA-2, determinando tanto o erro quadrático médio (RMSE) quanto o viés do percentil superior ($viés^{p}$), diferença de valores de percentil mais elevados (95 a 99) entre o modelo TSL e os dados do indicador de maré. O desempenho global do modelo foi então avaliado em termos da média RMSE (ARMSE) e da média $viés^{p}$ ($abias^{p}$) em todas as localizações GESLA-2. Os dados da bitola GESLA-2 foram comparados com os modelos T + S + WS e T + S. Além disso, tanto os modelos GOW2 e ERA-Interim wave, uma variedade de encostas de cama e duas diferentes formulações empíricas16,17,18 foram usados para calcular WS. Os resultados completos são apresentados nos quadros S1 e S1 e discutidos no SM1. Como as diferenças entre os vários valores de ARMSE e $abias^{p}$ não são grandes para as diferentes combinações e porque, como demonstrado, WS, é relativamente pequeno componente do total de episódios de inundações, podemos limitar nossa discussão aqui para casos onde WS é calculado com o GOW2 modelo, o SPM16,17 de formulação e o mid-range cama inclinação de 1/30. Como referido acima,a escala global da análise significava que uma abordagem relativamente simplista era necessariamente usada para determinar WS16, 17. Como os resultados finalmente mostraram que WS não foi um componente significativo de enchentes episódicas (5%, ver SM3), os erros causados por esta abordagem não são susceptíveis de influenciar significativamente os resultados finais.

para T + S, A ARMSE média global é de 0,197 m, o que é comparável ao valor de 0,170 m obtido pela Muis et al.8, onde um modelo antigo de maré (FES 2012) foi usado juntamente com um conjunto significativamente menor de locais de medição de maré (472). A inclusão de WS não altera significativamente o ARMSE, de facto aumentando-o ligeiramente para 0,204 m (Ver quadro S1). Esta falta de impacto na WS não é surpreendente, pois espera-se que a WS represente apenas uma contribuição apreciável durante os eventos de tempestade, que é mal capturada por ARMSE. A distribuição global dos valores de RMSE para T + S + WS é mostrada em cada localização da GESLA-2 na Fig. S2. Apesar de haver um desvio ocasional nos dados, a RMSE é inferior a 0,2 m em 75% dos locais e inferior a 0,5 m na grande maioria (93%) dos locais. A contribuição de WS durante períodos de tempestade (figos. S8, S9) pode ser avaliada a partir de valores de $abias^{p}$. A tabela S2, mostra que para T + s, $abias^{p}$ aumenta de magnitude com o aumento do nível do percentil. Com a adição de WS, $abias^{p}$ diminui, tornando-se aproximadamente constante em todos os percentis. A redução do consumo é de 60% no percentil 99, o que indica que a inclusão do WS resulta num melhor acordo entre model e tide gauges durante as tempestades. A melhoria em $\esquerda| {viés^{p}}} \direita|$, em locais individuais de medição de marés é mostrada na Fig. S4.

a validação acima descrita indica que as estimativas TSL derivadas do modelo estão geralmente de acordo com os dados da bitola e que a inclusão de WS faz uma melhoria no desempenho, particularmente durante eventos de tempestade extrema. Como observado no SM1, não é claro quantos dos medidores de maré de validação respondem ao WS devido à sua localização. O que é claro, no entanto, é que sem a inclusão do WS, há uma underprediction global do TSL durante tempestades. Também, como mostrado na Fig. S4, a melhoria em $\left| {bias^{p} } \right|$ pode ser vista na grande maioria dos locais de medição de marés. Não se sabe se isso é realmente devido a WS ou a uma previsão sistemática de S. O que é claro é que a inclusão do WS, baseado na abordagem relativamente simples adotada, resulta em um modelo que tem um bom desempenho em comparação com os medidores de maré na maioria dos locais.Estimativas do valor extremo do nível total do mar

como acima referido, tanto S como WS são episódicas. Para inundações episódicas costeiras, são estas contribuições relacionadas com tempestades para níveis extremos do mar que são muitas vezes críticas 7, 8, 28, 29. A previsão estocástica de tais extremos envolve a adaptação de uma função de distribuição de probabilidade apropriada (pdf) a uma série cronológica histórica e, em seguida, extrapolar para a probabilidade desejada de ocorrência (por exemplo, 0,01 em qualquer ano ou o evento de 100 anos). No caso da TSL, a abordagem mais comum tem sido considerar o máximo anual (AM) e ajustar quer uma distribuição de Gumbel de dois parâmetros (goma)8,30 ou uma distribuição de valores extremos generalizados de três parâmetros (GEVD)7,30,31. Uma limitação significativa das abordagens AM é que as séries cronológicas de valor extremo resultantes têm poucos valores (1 por ano). Isto leva a intervalos de confiança relativamente grandes ao ajustar e extrapolar o pdf. Uma alternativa é utilizar todos os picos de tempestade acima de um limiar especificado—isto é, os picos acima do limiar,PoT31, 32. Neste último caso, os dados podem ser mostrados para seguir uma distribuição generalizada de Pareto (GPD)32 ou sua variante de dois parâmetros, a distribuição exponencial (EXP). Uma alternativa à abordagem usada acima para reconstruir a série cronológica histórica de longo prazo, é usar um conjunto de Monte-Carlo aproach9. Isto é discutido no SM4.

a análise de valores extremos (EVA) adoptada pode ter um impacto importante nas estimativas estatísticas de extremos resultantes (neste caso, níveis extremos do Mar)31 (ver Fig. S10). Por isso, é importante garantir que o EVA escolhido se aproxime tanto dos dados do modelo como dos da bitola. Assim, uma gama de aproximações EVA foram testadas para determinar quais representam otimicamente os dados do modelo e da bitola (ver SM2). Os resultados indicam que a abordagem PoT equipada com um GPD e um limiar de 98º percentil (GPD98) se encaixa tanto no gabarito como nos dados do modelo com menor erro. Esta combinação produz o melhor ajuste para os dados de medição de maré em 33% dos locais e o melhor ajuste para os dados do modelo (em pontos DIVA) em 34% dos locais (ver Fig. S5). Este resultado é consistente com as conclusões de Wahl et al.31. A análise completa do EVA é descrita no SM2.

a further analysis of the impact of the selected EVA approach on projected extreme sea level, as well as the sensitivity of the method used to determine WS is shown in Table S3. Esta tabela considera a média de viés entre o medidor de maré e os resultados do modelo para os 20 anos de Período de Retorno ($ESL^{H20} – ESL_{Medidor}^{H20}$) em toda a 355 (de um total de 681) medidor de maré locais que têm uma duração de, pelo menos, 20 anos dentro da tempestade modelo intervalo de tempo (1979-2014). Estes resultados indicam um viés médio de 17 mm com a inclusão de WS determinados a partir do modelo GOW2, um declive de 1/30 e um EVA GPD98 (ver Fig. S7). No entanto, uma série de outras combinações de cálculo EVA E WS produzem resultados semelhantes. Todos os casos que incluem WS, têm viés médio relativamente pequeno, indicando que os resultados são robustos, independentemente da escolha do modelo de onda, inclinação da cama e EVA. O que é claro, no entanto, é que se WS não está incluído, há um viés negativo consistente (modelo subestima o nível do mar extremo). Para GPD98 com um declive de 1/30, o viés absoluto médio é reduzido em 88%, indicando uma melhoria significativa. Por conseguinte, a inclusão da configuração das ondas parece produzir modelos de níveis extremos do mar ($ESL^{H20}$) que estão em melhor acordo com os dados registados.Com esta validação de modelos, os resultados foram alargados a um período de retorno de 1 em 100 anos ($ESL^{H100}$ e avaliados em todos os pontos DIVA. A distribuição global de $ESL^{H100}$ é apresentada na figura. 1a. Esta figura mostra que valores superiores a 5 m ocorrem ao longo de partes Setentrionais das costas atlânticas e pacíficas da América do Norte, das costas atlânticas e do mar do Norte da Europa e da China. Os resultados mostram uma coerência regional com $ESL^{H100}$ que varia gradualmente ao longo das costas. Note – se que estas estimativas subestimam os valores nas regiões de ciclones tropicais devido à resolução do Modelo 8 e ao tamanho limitado da amostra 33,34.

Fig. S6 também mostra o impacto de WS sozinho, calculado como $ESL_{T + S + WS}^{H100} – ESL_{T + S}^{H100}$. Esta figura mostra valores extremos de WS até 0.5 m, com a distribuição em grande parte seguindo áreas de grande onda significativa extrema height35. Em particular, as partes norte das costas atlânticas e do Pacífico da América do Norte, Costa Atlântica da Europa, ponta sul da Costa do Pacífico da América do Sul, Costa sul da Austrália e grande parte da Ásia mostram contribuições do período de retorno de 100 anos de WS superiores a 0,4 m. Por conseguinte, embora o WS tenha apenas um impacto muito reduzido nos valores globais da ARMSE TSL entre os dados do modelo e do gabarito das marés, torna-se uma componente mais importante no que se refere aos níveis extremos do mar (em média um aumento de 17% em $ESL^{H100}$ devido ao WS em todos os pontos DIVA).As projecções futuras dos níveis extremos do mar e das inundações costeiras

os valores de $ESL^{H100}$ fornecem a base para determinar as inundações episódicas para os dias de hoje e para o futuro. Os valores de $ESL^{H100}$ em cada ponto DIVA foram associados a uma região circundante (ver SM3) e a uma inundação calculada utilizando a seguinte aproximação plana de banheira 8. A topografia foi definida pelo conjunto de dados dem do mérito, que tem um dado vertical do geóide EGM96 (modelo gravitacional da Terra 1996). Para trazer valores de $ESL^{H100}$ para este mesmo dado, a topografia dinâmica média do Oceano (MDOT)adicionou 25,36 valores às estimativas de valores extremos ($ESL^{H100} + MDOT$ 23. A linha costeira foi definida utilizando a base de dados global de Geografia hierárquica hierárquica de alta resolução (GSHHG) 37. Foi posteriormente utilizada uma abordagem baseada no SIG, segundo a qual qualquer ponto da grelha de mérito é considerado inundado se tiver uma elevação inferior a $ESL^{H100}$ e estiver ligado à linha da costa por água.A extensão das inundações costeiras é função quer da topografia costeira, quer da superfície costeira. A figura 2 apresenta um mapa global das regiões “hotspot” em 2100 para RCP8.5. Para chegar a este resultado, a área de inundação por unidade de comprimento da linha de Costa foi determinada para cada um dos pontos DIVA (km2 de inundação normalizado/km). A presente análise parte do princípio de que não existem defesas costeiras (diques, paredes marítimas, etc.).). Portanto, em vez de mostrar valores absolutos de inundação em 2100, Fig. 2 mostra a mudança de inundação do presente para 2100. As áreas com aumentos significativos nas inundações são vistas no noroeste da Europa, Índia / Baía de Bengala, Sudeste e leste Da Ásia.

a Figura 3 mostra tanto a $ESL^{F100}$ como a área de inundação resultante para uma série de regiões “hotspot” indicadas na figura. 2. Embora a extensão da inundação não pareça grande em tais parcelas, a extensão global da inundação para RCP8, 5 é 661,000-1,009,000 km2 (aprox. 0.5-0.7% da área de terra global, maior do que a área de terra da França). Note – se que a gama de valores representa o intervalo de confiança do percentil 90 (ver secção “métodos”). O quadro 1 mostra a extensão global de inundações para cada RCP para 2050 e 2100. O ficheiro auxiliar suplementar Google Earth permite examinar os valores de $ESL^{H100}$ e $ESL^{F100}$ em qualquer local de saída.

Quadro 1 Valores da área de inundações costeiras episódicas globais (com e sem a contribuição para a instalação de ondas), população e ativos expostos a diferentes RCP em 2050 e 2100. Valores actuais apresentados para efeitos de comparação. Para cada caso, são apresentados os valores médio e inferior e superior do percentil 90. Os valores entre parênteses representam a variação percentual dos valores médios .

Mais uma análise das contribuições relativas de diferentes processos físicos projetada episódios de inundações costeiras (mostrado na Tabela 1) até o final do século xxi (ver SM3) indica as seguintes contribuições para RCP8.5: T + S (63%), RSLR (32%), WS (5%). Este resultado demonstra que, no próximo século, Os T + S continuarão a ser o processo dominante na determinação da extensão das inundações globais. No entanto, o RSLR aumenta significativamente a frequência das inundações costeiras. Para RCP8.5, inundações associadas com os actuais 100 anos de retorno eventos irão, em média, ocorrer pelo menos uma vez de 10 em 10 anos a sul da latitude 50°N. Note-se (ver SM2) que a alteração exacta da frequência destes eventos de inundação extrema é sensível à análise do EVA utilizada.

exposição da população e dos activos

as estimativas globais das inundações acima descritas fornecem a base para estimar tanto a população como os activos em risco de inundações episódicas costeiras. A exposição dos activos foi estimada utilizando a relação 5, 24 $a = 2.8 \vezes P \vezes G$, onde $A$ é o valor de ativos expostos a inundações (US$), $P$ é a população e $G$ é o Produto Interno Bruto por habitante (US$/cabeça). Tal como acima referido, a população foi estimada a partir da base de dados Gpwv426 e do PIB per capita de Kummu et al.27. O quadro 1 mostra a área inundada, juntamente com a população e os ativos expostos nos dias de hoje, 2050 e 2100 em ambos RCP4, 5 e 8.5. Todos os valores estão em 2011 US $ e assumir 2015 população e PIB, consistente com as bases de dados utilizadas. Para fazer uma comparação direta entre os dias atuais e os períodos futuros, nenhuma tentativa de projetar mudanças no PIB ou na população nos anos futuros foi incluída aqui. Os resultados projectam que a população potencialmente exposta a inundações costeiras episódicas irá aumentar de 128-171 milhões para 176-287 milhões em 2100 ao abrigo do RCP8.5, onde o período Representa o intervalo de confiança do percentil 90 (ver secção “Métodos”) (um aumento de aproximadamente 1,8–2,4% da população mundial para 2,5–4,1%). O total de ativos expostos deve aumentar de US $ 6,466-us$9,135 bilhões para US$8,813-us$14,178 bilhões, representando um aumento de 9-13% para 12-20% do PIB global. Como mencionado acima, estes valores assumem que não existem defesas contra inundações e, portanto, sobrestimarão os valores verdadeiros. No entanto, os resultados indicam que para o RCP8, 5, até 2100 é projetado que os valores médios da área inundada, população afetada e ativos ameaçados aumentarão em 48%, 52% e 46%, respectivamente.

Conjuntos de dados e de processamento

nível do mar Total Histórico Global

exposição da população e dos activos

Published by admin

Deixe uma resposta Cancelar resposta