projektioner av extrema havsnivåer i global skala och resulterande episodiska kustöversvämningar under det 21: a århundradet
dataset och bearbetning
en detaljerad beskrivning av de dataset som används i denna studie finns i avsnittet “metoder”. Eftersom fokus här ligger på global skala bestämdes TSL(t) under perioden (1979-2014) längs globala kustlinjer till totalt 9 866 punkter som approximerar de kustsegment som tidigare definierats i Dynamic Interactive Vulnerability Assessment database (DIVA)12 (Se Fig. S1), som här kallas “DIVA-poäng”. Historiska värden för surge (\(S\)) bestämdes under denna period från Global Tide and Surge Reanalysis (gtsr) dataset8. Tidvattennivåerna (T) bestämdes från den numeriska tidvattenmodellen dataset FES2014 (finita Elementlösning)13. För att bestämma våginställningen (WS) krävs nearshore (deep-water) vågförhållanden (signifikant våghöjd, \(H_{S0}\) och våglängd, \(L_{0}\)). Eftersom det inte finns någon allmänt validerad och accepterad global nearshore-vågmodelldataset testades två olika reanalysvågmodelldataset för detta ändamål: ERA-Interim14 och GOW215, där den senare slutligen antogs (se SM1, SM2, tabell S3). Våginställningen bestämdes som en funktion av djupvattenvågens branthet (\(H_{S0} /l_{0}\)) och sänglutning med hjälp av Shore Protection Manual (SPM) approach16,17. En alternativ våginställningsformulering föreslagen av Stockdon et al.18 testades också och visade sig ge liknande resultat (se SM1, SM2 och SM5). Efter att ha testat en serie representativa sängbackar antogs slutligen ett värde på 1/30 (se SM1, SM2). Eftersom var och en av modelldatamängderna finns på olika globala nät och vid olika temporära upplösningar tilldelades varje DIVA-punkt värdet på den närmaste rutnätpunkten för varje modell och respektive kvantiteter av T, S och WS interpolerades i tid till en 10-min upplösning. Ovanstående tillvägagångssätt inkluderar inte något bidrag från våguppgång, i överensstämmelse med majoriteten av publicerade studier7,9,11, Eftersom uppstart inte resulterar i en ihållande (ordning på timmar) höjning av TSL. Detta står i kontrast till den senaste studien av Melet et al.19,20.
den historiska tidsserien för TSL under perioden (1979-2014) beräknades med hjälp av Eq. 1. Detta tillvägagångssätt ignorerar icke-linjära interaktioner mellan dessa processer8. Till exempel kommer både surge och wave setup att påverkas av tidvattnets fas. Jämförelse med uppmätta tidvattenmätningsdata tyder på att sådana interaktioner, åtminstone i denna globala skala, inte verkar ha någon signifikant inverkan på resultaten (se SM1, SM2). Valideringsdata under den historiska perioden erhölls från gesla-221 tidvattenmätare dataset, som omfattar havsnivådata på 681 platser runt om i världen (se Fig. S1).
för att bestämma kustöverflödesutbredningen erhölls kusttopografidata från Multi-Error-Removed Improved-Terrain DEM (MERIT DEM) dataset22. Även om den ursprungliga upplösningen av MERIT DEM är ~ 90 m vid ekvatorn, användes en grovare 1 km upplösningsversion,i överensstämmelse med tidigare studier8,23, 24 för den nuvarande applikationen för att minska beräkningskostnaderna och säkerställa en upplösning som är jämförbar med de andra datamängderna som används. MERIT är baserad på SRTM v4.1 DEM dataset25, men med förbättrad vertikal noggrannhet (se avsnittet “metoder”).
för att bestämma tillgångar som exponeras på grund av översvämningar krävs både gridded population och bruttonationalprodukt (BNP) databaser. Befolkningsdata erhölls från GPWv4 Rev. 1126 databas-och BNP-data från Kummu et al.27.
Historisk global Total havsnivå
validering under hindcast-perioden är avgörande för förtroendet för framtida prognoser. Modellens TSL-tidsserier jämfördes med gesla-2 tidvattenmätningsdata under perioden 1979-2014. Modellprestanda under hindcast-perioden utvärderades vid var och en av 681 gesla-2-platser genom att bestämma både root mean square error (RMSE) och upper percentile bias (\(bias^{p}\)), skillnad mellan högre percentilvärden (95: e till 99: E) mellan Modell TSL och tidvattenmätningsdata. Övergripande global modellprestanda bedömdes sedan i termer av genomsnittlig RMSE (ARMSE) och genomsnittlig \(bias^{p}\) (\(abias^{p}\)) över alla gesla-2-platser8. Gesla-2-tidvattenmätningsdata jämfördes med både Modell T + S + WS och T + S. dessutom användes både GOW2-och ERA-Interim-vågmodeller, en mängd bäddbackar och två olika empiriska formeler16, 17,18 för att beräkna WS. De fullständiga resultaten ges i tabellerna S1 och S1 och diskuteras i SM1. Eftersom skillnaderna mellan de olika värdena för ARMSE och \(abias^{p}\) inte är stora för de olika kombinationerna och eftersom WS, som senare visas, är en relativt liten del av den totala episodiska översvämningen, begränsar vi vår diskussion här till fall där WS beräknas med GOW2-modellen, spm16,17-formuleringen och mellanklassbäddens lutning på 1/30. Som nämnts ovan innebar analysens globala skala att ett relativt förenklat tillvägagångssätt nödvändigtvis användes för att bestämma WS16,17. Eftersom resultaten i slutändan visade att WS inte var en signifikant del av episodisk översvämning (5%, SE SM3), är det osannolikt att fel som orsakas av detta tillvägagångssätt kommer att påverka de slutliga resultaten avsevärt.
för T + S är den globalt genomsnittliga ARMSE 0,197 m, vilket är jämförbart med värdet 0,170 m erhållet av Muis et al.8, där en äldre tidvattenmodell (FES 2012) användes tillsammans med en betydligt mindre uppsättning tidvattenmätare (472). Inkludering av WS gör ingen märkbar förändring av ARMSE, i själva verket ökar den något till 0,204 m (se tabell S1). Denna brist på påverkan på WS är inte förvånande, eftersom WS bara förväntas representera ett märkbart bidrag under stormhändelser, vilket är dåligt fångat av ARMSE. Den globala fördelningen av värden för RMSE för T + S + WS visas vid varje GESLA – 2-plats i Fig. S2. Även om det finns en tillfällig outlier i data, är RMSE mindre än 0,2 m vid 75% av platserna och mindre än 0,5 m vid de allra flesta (93%) platser. Ws: s bidrag under stormperioder (Fig. S8, S9) kan bedömas utifrån värden på \(abias^{p}\). Tabell S2, visar att för T + S,\ (abias^{p}\) ökar i storlek med ökande percentilnivå. Med tillägget av WS minskar \(abias^{p}\) och blir ungefär konstant över alla percentiler. Minskningen i\ (abias^{P}\) är 60% vid den 99: e percentilen, vilket indikerar införandet av WS resulterar i bättre överenskommelse mellan modell-och tidvattenmätare under stormhändelser. Förbättringen i \(\left / {bias^{P} } \ right/\), vid enskilda tidvattenmätarplatser visas i Fig. S4.
valideringen som beskrivs ovan indikerar att de modellbaserade TSL-uppskattningarna i allmänhet överensstämmer med tidvattenmätningsdata och att införandet av WS gör en förbättring av prestanda, särskilt under extrema stormhändelser. Som nämnts i SM1 är det oklart hur många av valideringsvattenmätarna svarar på WS på grund av deras platser. Det som är klart är dock att utan att ws ingår, finns det en global underprediktion av TSL under stormar. Också, som visas i Fig. S4, förbättringen i \(\left| {bias^{P}}\ right|\) kan ses på de allra flesta tidvattenmätare. Huruvida detta faktiskt beror på WS eller en systematisk under förutsägelse av S är inte känd. Det som är uppenbart är att införandet av WS, modellerat med det relativt enkla tillvägagångssättet, resulterar i en modell som fungerar bra jämfört med tidvattenmätare på de flesta platser.
extrema värdeuppskattningar av total havsnivå
som nämnts ovan är både S och WS episodiska. För episodisk kustflod är det dessa stormrelaterade bidrag till extrema havsnivåer som ofta är kritiska7,8,28,29. Den stokastiska förutsägelsen av sådana ytterligheter innebär att en lämplig sannolikhetsfördelningsfunktion (pdf) anpassas till en historisk tidsserie och sedan extrapoleras till önskad Sannolikhet för förekomst (t.ex. 0,01 i vilket år som helst eller 100-årshändelsen). När det gäller TSL har det vanligaste tillvägagångssättet varit att överväga årlig Maxima (AM) och att passa antingen en gumbelfördelning med två parametrar (Gumbel)8,30 eller en treparameter generaliserad Extrem värdefördelning (GEVD)7,30,31. En betydande begränsning av AM-tillvägagångssätt är att de resulterande extrema värdetidsserierna har få värden (1 per år). Detta leder till relativt stora konfidensintervall vid montering och extrapolering av pdf-filen. Ett alternativ är att använda alla stormtoppar över en specificerad tröskel – dvs Peaks over Threshold approach,PoT31, 32. I det senare fallet kan data visas följa en generaliserad Pareto-Distribution (GPD)32 eller dess tvåparametervariant, exponentiell Distribution (EXP). Ett alternativ till det tillvägagångssätt som används ovan för att rekonstruera den långsiktiga historiska tidsserien är att använda en ensemble Monte-Carlo-tillvägagångssätt9. Detta diskuteras i SM4.
den extrema Värdeanalysen (EVA)som antagits kan ha stor inverkan på de resulterande statistiska uppskattningarna av ytterligheter (i detta fall extrema havsnivåer) 31 (Se Fig. S10). Därför är det viktigt att se till att den valda EVA optimalt approximerar både modell-och tidvattenmätningsdata. Därför testades en rad EVA-tillvägagångssätt för att bestämma vilka som optimalt representerar både modell-och tidvattenmätningsdata (se SM2). Resultaten indikerar att PoT-metoden utrustad med en GPD och en 98: e percentiltröskel (GPD98) passar både tidvattenmätaren och modelldata med minst fel. Denna kombination ger den bästa passformen till tidvattenmätardata på 33% av platserna och den bästa passformen till modelldata (vid DIVA-punkter) på 34% av platserna (se Fig. S5). Detta resultat överensstämmer med resultaten från Wahl et al.31. Den fullständiga EVA-analysen beskrivs i SM2.
en ytterligare analys av effekten av den valda EVA-metoden på projicerad extrem havsnivå, liksom känsligheten hos metoden som används för att bestämma WS visas i tabell S3. Denna tabell tar hänsyn till den genomsnittliga förspänningen mellan tidvattenmätare och modellresultat för en 20-årig Returperiod (\(ESL^{H20} – esl_{Gauge}^{H20}\)) över 355 (av totalt 681) tidvattenmätare som har en varaktighet på minst 20 år inom stormflodmodellens tidsperiod (1979-2014). Dessa resultat indikerar en genomsnittlig förspänning på 17 mm med inkludering av WS bestämd från GOW2-modellen, en 1/30 sänglutning och en GPD98 EVA (se Fig. S7). Ett antal andra kombinationer av EVA-och WS-beräkning ger emellertid liknande resultat. Alla fall som inkluderar WS, har relativt liten Genomsnittlig bias, vilket indikerar att resultaten är robusta, oavsett val av vågmodell, sänglutning och EVA. Vad som är klart är dock att om WS inte ingår, finns det en konsekvent negativ bias (modellen underskattar den extrema havsnivån). För GPD98 med en 1/30 sänglutning reduceras den genomsnittliga absoluta förspänningen med 88% vilket indikerar en signifikant förbättring. Därför verkar införandet av våginställningar producera modell extrema havsnivåer (\(ESL^{H20}\)) som överensstämmer bättre med inspelade data.
med denna validering av modellerad \(ESL^{H20}\) förlängdes resultaten till en returperiod på 1 på 100 år (\(ESL^{H100}\)) och utvärderades vid alla DIVA-punkter. Den globala fördelningen av \(ESL^{H100}\) visas i Fig. 1a. Denna siffra visar att värden över 5 m förekommer längs norra delar av både Atlanten och Stillahavskusten i Nordamerika, Atlanten och Nordsjökusten i Europa och Kina. Resultaten visar regional överensstämmelse med \(ESL^{H100}\) varierar gradvis längs kusterna. Observera att dessa\ (ESL^{H100}\) uppskattningar underskattar värden i tropiska cyklonregioner på grund av modellresolution8 och den begränsade provstorleken33,34.
Fig. S6 visar också effekten av WS ensam, beräknad som \(ESL_{T + S + WS}^{H100} – ESL_{T + S}^{H100}\). Denna figur visar extrema ws-värden upp till 0.5 m, med fördelningen till stor del efter områden med stor extrem signifikant våghöjd35. I synnerhet visar de norra delarna av både Atlanten och Stillahavskusten i Nordamerika, Europas Atlantkust, södra spetsen av Stillahavskusten i Sydamerika, Australiens sydkust och mycket av Asien 100-års returperiod bidrag från WS större än 0,4 m. Därför, även om WS bara har en mycket liten inverkan på de övergripande värdena för ARMSE TSL mellan modell-och tidvattenmätningsdata, blir det en större komponent när det gäller extrema havsnivåer (i genomsnitt en ökning med 17% i \(ESL^{H100}\) på grund av WS över alla DIVA-punkter).
framtida prognoser för extrema havsnivåer och kustflod
värdena \(ESL^{H100}\) utgör grunden för att bestämma episodisk översvämning för idag och för framtiden. Värdena på \(ESL^{H100}\) vid varje DIVA-punkt var associerade med en omgivande region (se SM3) och översvämning beräknad med följande plana badkar approach8. Topografin definierades av MERIT DEM dataset, som har ett vertikalt datum för EGM96 geoid (Earth Gravitational Model 1996). För att få värden på \(ESL^{H100}\) till samma datum tillsattes Mean Dynamic Ocean Topography (MDOT)25,36-värden till de extrema värdeuppskattningarna (\(ESL^{H100} + MDOT\))23. Kustlinjen definierades med hjälp av Global Self-consistent Hierarchical High-resolution Geography (GSHHG) databas37. Ett GIS – baserat tillvägagångssätt användes därefter, varigenom någon MERITNÄTPUNKT anses översvämmas om den har en höjd mindre än \(ESL^{H100}\) och är ansluten till strandlinjen med vatten.
omfattningen av kustflod är en funktion både av \(ESL^{F100}\) och kusttopografin. Figur 2 visar en global karta över översvämningar “hotspot” regioner i 2100 för RCP8.5. För att komma fram till detta resultat bestämdes översvämningsområdet per kustenhetslängd för var och en av DIVA-punkterna (normaliserad översvämning km2/km). Den nuvarande analysen förutsätter att det inte finns några kustförsvar (vallar, havsmurar etc.). Därför, snarare än att visa absoluta värden för översvämning i 2100, Fig. 2 visar förändringen i översvämning från nutid till 2100. Områden med betydande ökningar av översvämningar ses i nordvästra Europa, Indien/Bengaliska viken, sydöstra och östra Asien.
globala” hotspot ” – regioner med förändringar i episodisk kustflod 2100 för RCP8. 5. Det vill säga skillnaden mellan projicerad episodisk översvämning 2100 minus dagens episodiska översvämning. Fyllda cirklar visar platser där förändringen i normaliserad översvämning (dvs. förändring i översvämmat område dividerat med kustlängd) är större än 1 km2/km. Storleken på cirkeln är relaterad till förändringen i storleken på den normaliserade översvämningen. Cirkelns färg är relaterad till den projicerade extrema havsnivån 2100 (\(ESL_{T + S + WS}^{F100}\)) (figur genererad med ArcGIS V. 10. 5. 1. 7333, www.esri.com). Obs: För att lägga klarhet, där punkter överlappar varandra, inte varje punkt visas på figuren.
Figur 3 visar både \(ESL^{F100}\) och det resulterande översvämningsområdet för ett antal “hotspot” – regioner som visas i Fig. 2. Även om översvämningsgraden inte verkar vara stor i sådana tomter är den globala översvämningsgraden för RCP8.5 661 000-1 009 000 km2 (ca. 0,5-0,7% av det globala landområdet, större än Frankrikes landområde). Observera att intervallet av värden representerar 90: e percentilen konfidensintervall (se avsnittet “metoder”). Tabell 1 visar den globala översvämningsgraden för varje RCP för både 2050 och 2100. Den extra tilläggsdata Google Earth-filen tillåter undersökning av värden på \(ESL^{H100}\) och \(ESL^{F100}\) på vilken utmatningsplats som helst.
ytterligare analys av de relativa bidragen från de olika fysiska processerna till projicerad episodisk kustflod (visas i Tabell 1) i slutet av det tjugoförsta århundradet (se SM3) indikerar följande bidrag för RCP8.5: T + S (63%), RSLR (32%), WS (5%). Detta resultat visar att under nästa århundrade kommer T + S att förbli den dominerande processen för att bestämma omfattningen av global översvämning. RSLR ökar dock frekvensen av kustöversvämningar avsevärt. För RCP8.5, översvämningar i samband med dagens 100-åriga returperiodens händelser kommer i genomsnitt att inträffa minst en gång var 10: e år söder om 50 kg N latitud. Det bör noteras (se SM2) att den exakta förändringen i frekvensen av dessa extrema översvämningshändelser är känslig för EVA-analysen som används.
Population och tillgångsexponering
de globala uppskattningarna av översvämningar som beskrivs ovan utgör grunden för att uppskatta både befolkningen och tillgångarna i riskzonen från episodisk kustflod. Tillgångsexponeringen uppskattades med hjälp av förhållandet5, 24 \(A = 2.8 \ gånger P \ gånger G\), där \(A\) är tillgångsvärdet utsatt för översvämning (US$), \(P\) är befolkningen och \(G\) är bruttonationalprodukten per invånare (US$/head). Som nämnts ovan uppskattades befolkningen från gpwv4-databasen26 och BNP per capita från Kummu et al.27. Tabell 1 visar det område som översvämmas tillsammans med befolkningen och tillgångarna exponerade för idag, 2050 och 2100 under både RCP4.5 och 8.5. Alla värden är i 2011 US$ och antar 2015 befolkning och BNP, i överensstämmelse med de databaser som används. För att göra en direkt jämförelse mellan dagens och framtida perioder har inget försök att projicera förändringar i BNP eller befolkning under kommande år inkluderats här. Resultaten projicerar att befolkningen som potentiellt utsätts för episodisk kustflod kommer att öka från 128-171 miljoner till 176-287 miljoner i 2100 under RCP8.5, där spännvidden representerar 90th percentil konfidensintervall (se avsnittet “metoder”) (en ökning från cirka 1.8–2.4% av världens befolkning till 2.5–4.1%). De totala exponerade tillgångarna beräknas öka från US$6,466–US$9,135 miljarder till US$8,813–US$14,178 miljarder vilket motsvarar en ökning från 9-13% till 12-20% av den globala BNP. Som nämnts ovan antar dessa värden att inga översvämningsskydd är på plats och kommer därför att överskatta de sanna värdena. Resultaten tyder dock på att för RCP8.5 beräknas det år 2100 att medelvärdena för översvämmade områden, befolkning som påverkas och hotade tillgångar kommer att öka med 48%, 52% respektive 46%.
