De weersgerelateerde effecten van klimaatverandering zullen de volgende fase van het stadsleven beïnvloeden. We moeten alleen weten hoe en wanneer.

in 2017, rampzalig weer leek altijd aanwezig. Drie orkanen brachten recordregen, intense overstromingen en wijdverbreide schade aan Texas, Florida, Puerto Rico en de Amerikaanse Maagdeneilanden. Overstromingen in Californië leidden tot de Oroville Dam-crisis, waar de hoofd- en noodoverlaten zijn geërodeerd en hebben geleid tot uitgebreide evacuaties. Zware regenval leidde tot een dodelijke plotselinge overstroming die door een kloof bij Payson scheurde, Arizona, doden 10.

Extreem weer, inclusief hevige regenval, droogte en extreme hitte, bedreigt nu stedelijke centra op ongekende schaal. Daarom Giuseppe Mascaro, een assistent-professor civiele techniek aan de Arizona State University, getracht de dagelijkse regenval in het grootstedelijk gebied van Phoenix en in heel centraal Arizona te karakteriseren met behulp van statistische modellen. Zijn resultaten zijn gepubliceerd in de Tijdschrift voor Hydrologie .

"Waarom willen we extremen karakteriseren?" vroeg Mascaro, een faculteitslid in de School of Sustainable Engineering and the Built Environment-een van de zes scholen in de Ira A. Fulton Schools of Engineering. "Het recente optreden van natuurrampen veroorzaakt door hevige regenval en de perceptie dat dit vaker dan normaal is gebeurd, vereisen het uitvoeren van dit soort kwantitatieve analyse om de huidige situatie te begrijpen, vergelijk het met het verleden en probeer de toekomst te modelleren."

Statistische modellen van extreme regenval zijn cruciaal om water, engineering en klimaatstudies. Mascaro's modellen zullen bijdragen aan de voorspelling van overstromingen, waterbeheer en ontwerp van stedelijke infrastructuur. Aanvullend, De modellen van Mascaro evalueren het vermogen van de huidige klimaatmodellen om op betrouwbare wijze scenario's voor zware regenval te voorspellen.

Methodologie vermindert onzekerheid

Extremen zijn per definitie zeldzaam. Een 100-jarige storm komt theoretisch eens in de 100 jaar voor. Dit maakt het observeren van extreme weersomstandigheden een uitdaging, vooral in het zuidwesten van de Verenigde Staten, waar registraties van neerslagwaarnemingen schaarser en korter kunnen zijn in vergelijking met het oostelijke deel van het land.

Bijvoorbeeld, de National Oceanic and Atmospheric Administration creëerde Atlas 14, een neerslagatlas die de frequentie en intensiteit van regenval in het zuidwesten van de VS in Arizona kenmerkt, de atlas is gebaseerd op gegevens van een netwerk van slechts 270 regenmeters in de hele staat.

Civiel ingenieurs vertrouwen op statistische modellen om infrastructuur en regenwatersystemen voor stedelijke centra te ontwerpen, ervan uitgaande dat de in het verleden waargenomen klimaatvariabiliteit in de toekomst hetzelfde zal blijven. Echter, theoretische argumenten suggereren dat een warmer klimaat kan leiden tot een verhoogde frequentie en omvang van extreme weergerelateerde gebeurtenissen, wat inhoudt dat de bestaande infrastructuur de effecten van hevige regenval en overstromingen mogelijk niet kan opvangen.

"Het nadeel van schaarse en kortere records voor statistische analyses is dat de kansverdelingen niet robuust genoeg zijn, " zei Mascaro, die ook onderzoeksingenieur is bij ASU's Julie Ann Wrigley Global Institute of Sustainability en een assistent-professor in het Urban Climate Research Center. "Er is onzekerheid. Ik wil de onzekerheid in het inschatten van extremen verminderen, zodat we de toekomst beter kunnen plannen."

Om de dagelijkse extreme regenval in het grootstedelijk gebied van Phoenix en centraal Arizona te karakteriseren, Mascaro gebruikte een ongebruikte dataset van het Flood Control District van Maricopa County. Het netwerk bevat records van 310 regenmeters, waarvan 240 met meer dan 15 jaar aan gegevens.

Mascaro analyseerde deze "schat" aan gegevens met behulp van een alternatieve statistische benadering, de zogenaamde peak-over-threshold-analyse, die de hoeveelheid gegevens vergroot die wordt gebruikt om extreme gebeurtenissen te karakteriseren.

"Mensen in mijn vakgebied zeggen:'OKE, deze methode is niet nieuw, '" zei Mascaro. "Maar toen heb ik recente methodologische ontwikkelingen toegepast die zijn ontwikkeld met behulp van wereldwijde langetermijnregenrecords om fouten in de frequentieanalyse van kortere datasets te corrigeren. Dit verbetert de robuustheid en beperkt het effect van kleine steekproefomvang."

Empirische resultaten nuttig bij het voorspellen van de toekomst

Mascaro voerde analyses uit van zware regenval in het grootstedelijk gebied van Phoenix en centraal Arizona, per jaar en per seizoen. Voor de seizoensanalyse Mascaro was verantwoordelijk voor de zomermoesson van Arizona van juli tot september en het winterseizoen van november tot maart. Hij schatte de parameters van een statistische verdeling, de gegeneraliseerde Pareto-verdeling genoemd, om de frequentie van dagelijkse extreme regenval te reproduceren.

Door deze analyse, Mascaro ontdekte dat het statistische gedrag van extreme regenval in de zomer verschilt van dat in de winter. In de zomer, stormen zijn zeer plaatselijk en kort, terwijl ze over het algemeen langer en wijdverspreid zijn in de winter als gevolg van koude fronten uit de Stille Oceaan.

Mascaro ontdekte ook dat de intensiteit van de dagelijkse extreme regenval in de winter toeneemt met de hoogte. Echter, er zijn geen georganiseerde patronen van extreme regenval op basis van breedtegraad, lengtegraad of hoogte voor zomerse extremen. Dit soort informatie helpt bij het verfijnen van statistische modellen die de regenvalfrequentie in Phoenix en Centraal Arizona schatten.

De resultaten van Mascaro's werk op het gebied van dagelijkse extreme regenval vormen de basis voor het ontwerp van civiele infrastructuur en bieden hulpmiddelen om het vermogen van klimaatmodellen om extreme gebeurtenissen te voorspellen te evalueren. Deze methodieken zijn breed toepasbaar op andere regio's, inclusief stedelijke gebieden waar neerslagregistraties steeds meer beschikbaar komen als gevolg van groeiende netwerken van regenmeters.

De regenvoorspellingsmodellen van Mascaro zullen een essentieel onderdeel zijn om stedelijke veerkracht en waterduurzaamheid te bevorderen, aangezien stedelijke centra met ongekende weersgerelateerde uitdagingen worden geconfronteerd met een opwarmend klimaat.

Naast het informeren van de klimaatwetenschappen, De resultaten van Mascaro zullen verstrekkende gevolgen hebben voor onderzoeksnetwerken die momenteel actief zijn bij ASU, zoals het Urban Resilience to Extremes Sustainability Research Network en het Decision Center for a Desert City.

UREx SRN bevordert de transitie van hedendaagse stedelijke gebieden naar steden van de toekomst. Deze steden hebben flexibele, aanpasbaar, sociaal rechtvaardige en ecologisch verantwoorde infrastructuur die veerkrachtig blijft, zelfs bij een toenemend aantal extreme weersomstandigheden. De onderzoekers van UREx SRN analyseren extremen in stedelijke gebieden om erachter te komen hoe ontwerpnormen voor de infrastructuur van de toekomst kunnen worden bijgewerkt. Mascaro's onderzoek kan helpen bij het analyseren van de onzekerheid van de huidige statistische modellen die worden gebruikt om infrastructuur te ontwerpen en te exploiteren.

Een verandering in de neerslagpatronen, inclusief extremen, zal ook een impact hebben op de watervoorraden van de regio. Dus, DCDC kan Mascaro's regenmodellen gebruiken om kennis te vergroten over besluitvorming met onzekerheid in de context van waterduurzaamheid en stedelijke aanpassing aan de klimaatverandering.

"Als we vertrouwen op het vermogen van klimaatmodellen om grootschalige weerpatronen te reproduceren die extreme regenval veroorzaken, we kunnen kwantificeren hoe de frequentie van deze patronen zal veranderen in toekomstige scenario's voor de uitstoot van broeikasgassen, "Zei Mascaro. "We kunnen deze informatie combineren met de statistische analyses van extreme regenval die door de meters wordt waargenomen om een ​​meer realistische voorspelling te krijgen van de toekomstige regenvalverdeling op lokale schaal."