science >> Wetenschap >  >> Natuur

Overstromingsrisico beter voorspellen

In het laboratorium wordt zand gebruikt om een ​​hoogteprofiel te maken. Een scanner detecteert het automatisch en projecteert er kleurgecodeerde contourlijnen op. Met speciale handbewegingen kan virtuele regen over het zandlandschap worden getriggerd. Krediet:Damian Gorczany

Ingenieurs van de Ruhr-Universität Bochum hebben een nieuw statistisch model ontwikkeld dat voorspelt hoe waarschijnlijk extreme overstromingen in Duitsland zijn. In tegenstelling tot eerdere modellen, ze maken onderscheid tussen verschillende soorten overstromingen met verschillende oorzaken, zoals hevige regen, sneeuw of ruimtelijk uitgebreide regengebeurtenissen met een lange duur. Het model verbetert de beoordeling van overstromingsrisico's en het plannen van passende beschermende maatregelen. Het team onder leiding van professor Andreas Schumann van het Instituut voor Hydrologie, Water Resources Management and Environmental Engineering rapporteert over zijn werk in het wetenschapsmagazine Bochum Inwrijven .

In hun model de hydrologen onderscheiden drie hoofdtypen overstromingen, die verschillende oorzaken hebben:hevige regen, die een of twee dagen duurt; langdurige regen gedurende vier tot vijf dagen; en sneeuwgerelateerde overstromingen.

In het algemeen, jaarlijkse maximumwaarden worden statistisch geanalyseerd zonder onderscheid te maken tussen de verschillende soorten overstromingen. Echter, dit is precies wat nodig is om de overstromingskans in te schatten, rekening houdend met de regionale omstandigheden. Kort, gelokaliseerde zware regen kan, bijvoorbeeld, rivieren buiten hun oevers laten treden als hun stroomgebied klein is, maar voor grote stroomgebieden zijn evenementen met een lange duur relevanter, die resulteren in een overlay van hoogwatergolven van zijrivieren.

Weergegevens en waterstanden samenbrengen

De groep van Schumann heeft voor het nieuwe model verschillende overstromingstypen berekend. Als basis, zij ontvingen van de respectieve Staatsbureaus gegevens over de lozingen voor veel meters op Duitse rivieren en onderling gerelateerde overstromingen met meteorologische gegevens van de Deutscher Wetterdienst. Aangezien veel overstromingsgegevens uit het begin van de 20e eeuw stammen, meteorologische heranalyses werden geleverd door partners van de Goethe-Universiteit Frankfurt. Zo werd duidelijk welke weersomstandigheden welke effecten in de rivieren veroorzaken en hoe het overstromingsrisico voor de toekomst zou kunnen veranderen. Momenteel, het model is gebaseerd op gegevens uit het stroomgebied Mulde in Saksen en de oostelijke Harz. Een ruimtelijke uitbreiding op Nedersaksen, het herbergbekken, en andere regio's van Duitsland en Oostenrijk is onderweg. De ontwikkelde methodiek werkt voor alle regio's, hoewel het moet worden aangepast om rekening te houden met de specifieke regionale omstandigheden.

Vooral de randvoorwaarden moeten worden overwogen. Deze omvatten de ruimtelijke en temporele variabiliteit van bodemvocht, landgebruik, het reliëf van de regio, die, bijvoorbeeld, bepaalt de dichtheid van het riviernetwerk en de vorm van hoogwatergolven.

Overstromingen vinden plaats met onregelmatige tussenpozen

"We kunnen nu berekenen hoe groot de kans is dat een bepaald type overstroming optreedt, " zegt Andreas Schumann. Echter, deze gebeurtenissen zijn niet gelijkmatig over de tijd verdeeld. Samen met hun partners uit de meteorologie, de ingenieurs van Bochum zoeken momenteel een verklaring voor perioden met een klein of groot aantal overstromingen.

Wat wel duidelijk is:Duitsland bevindt zich sinds rond 1993 in een overstromingsgevoelige periode. “Natuurlijk is het vaak de vraag of dit het gevolg is van klimaatverandering, Andreas Schumann merkt op. "Maar de meetreeksen zijn tot nu toe niet lang genoeg om zo'n verband te bevestigen. Er waren overstromingsgevoelig periodes in het verleden, ook." Trends, anderzijds, zijn in opkomst:sneeuwoverstromingen zijn zeldzamer geworden, overstromingen door hevige regen komen vaker voor – al is dat op dit moment niet statistisch significant.