Bruk av historiske data og nedskalerte klimamodeller i planlegging og drift av urbane vannsystemer for fremtiden

Transkript

1 Bruk av historiske data og nedskalerte klimamodeller i planlegging og drift av urbane vannsystemer for fremtiden Metoder og eksempler fra EU-prosjektet BINGO Erle Kristvik Stipendiat Institutt for vann- og miljøteknikk NTNU

2 Bringing INnovation to ongoing Water Management Funded by Horizon 2020 Coordinated by LNEC - Portugal WP1 Coordination Providing practical knowledge and tools to end users, water managers and decisionmakers to better cope with all climate projections, including droughts and floods. WP3 Analysis of the water cycle WP2 Climate predictions and downscaling WP4 Impacts of extreme weather events Germany Wupper River Basin The Netherlands The Veluwe Norway Bergen BINGO Research Sites WP5 Risk treatment and adaptation strategies WP7 Dissemination and exploitation WP6 Excellence and actionable research Portugal Tagus Spain Badalona Cyprus Troodos Mountains The BINGO project has received funding from the European Union's Horizon 2020 Research and Innovation programme, under the Grant Agreement number

3 3

4 Overvannshåndtering for fremtiden 20% 10% (Lindholm, 2012) 4

5 Dimensjonering av rør Hva gjør vi i dag: Norsk klimaservicesenter: 40% påslag nedbørshendelser < 3t NOU anbefaler gjentaksintervall på 5,10,20 eller 50 avhengig av konsekvenser (20 i vanlig sentrumsbebyggelse) Hva skal vi gjøre i fremtiden? Ingen fasit på det, dessverre, men noen eksempler som peker ut en prioritering Vi har mye data som vi kan lære mye av med bedre analyse 5

6 Data Analysis Risvollan Station Stationary vs. Non-stationary FFA

7 Is Anthropogenic climate change significant enough to abandon stationary models for non-stationary flood frequency analysis models?

8 DATA Analysis Minute Daily Monthly Annual Methods Applied Mann-Kendall Test F- Test T- Test Gurbbs Test Feb.01 Feb. 02 Feb.03 Feb.04 Feb. 05 Feb. 06 Feb. 07 Feb. 08 Feb. 09 Feb. 10 Feb. 11 Feb.12 Feb.13 Feb. 14 Feb. 15 Feb.16 Feb. 17 Feb. 18 Feb. 19 Feb. 20 Feb. 21 Feb. 22 Feb. 23 Feb. 24 Feb. 25 Feb. 26 Feb. 27 Feb.28 Feb. 29 8

9 Precp. Data Annual Data Year Findings Coefficient of Variation (COV) 0.17 Mann-Kendall Statistics (S) 0 Confidence Factor (CF) 49.2% Status of Trend Stable

10 Month COV S CF Status of Trend January % NSS February % Stable March % NSS April % NSS May % Presumably Decreasing June % NSS July % NSS August % NSS September % NSS October % Stable November % Stable December % NSS NSS = Not statistical significant

11 ,00 20,00 10,00 0,00 Maximum Precipitation for Different Durations 1 min 2 min 3 min 5 min 60,00 40,00 20,00 0,00 10 min 15 min 20 min 30 min 100,00 50,00 0,00 400,00 300,00 200,00 100,00 0,00 45 min 60 min 90 min 120 min 180 min 360 min 720 min 1440 min

12 Duration (min) COV S CF Status of Trend % NNS % NNS % Presumably Increasing % Presumably Increasing % Presumably Increasing % NNS % NNS % NNS % NNS % Presumably Increasing % Presumably Increasing % Presumably Increasing % Increasing % Increasing % Presumably Increasing % Increasing NSS = Not statistical significant

13 Data Analysis Risvollan Station Stationary vs. Non-stationary FFA

14 15

15 16

16

17 Reconstruction of the Alna River flows Data Discharge (stations) Alna ( ; Oslo VAV) Vestli ( ; NVE) Precipitation (stations) 12 stations (inside Alna catchment) Mostly new ( ) Vestli ( ; met.no) High spatial variability Annual precipitation ( ) 18

18 19

19 Reconstruction of the Alna River flows Hydrologic modelling (method) Inductive data-based mechanistic models a) Rainfall Runoff Q c P P P e e A t t 1 t 1 p t p 1 t 1 q t q b) Runoff Runoff Q A c Q V Q V Q V eˆ eˆ e t t 1 t 1 p p 1 t 1 q t q t where: t - time, P - precipitation, & - coefficients, q & p - orders (autoregressive & moving average components), & e - error terms, Q A - flow (Alna), Q V - flow (Vestli), Catchments Area (km 2 ) Elevation (m) Alna Vestli

20 Reconstruction of the Alna River flows Hydrologic modelling (results) Overall evaluation a) Rainfall Runoff: 4182 models (Nash-Sutcliffe efficiency, NSE > 0.75) b) Runoff Runoff: Calibration (NSE > 0.832) Validation (NSE > 0.858) Flows of 2 nd Sept

21 22

22 Drivers in the system Hvordan kan en nedbørshendelse med mindre enn 20års gjentaksintervall resultere i en så stor flom? Ikke stasjonær tidsserie i flomserien Urbanisering! I slike tilfeller er flomveier viktige Exflood gresskledde swales, 23

23 Assessment of the capacity of the Culvert-Tunnel System The Kværnerbyen culvert-tunnel system Diverts Alna River from its natural course Length ~ 2331 m Steel lined tunnel (145 m) Buried culvert (446 m) Unlined blasted tunnel (1740 m) 24

24 B1 LT B2 C1 C2 C3 C4 C5 C6 C7 C8 C9 C10 C11 Assessment of the capacity of the Culvert-Tunnel System Modelling the culvert-tunnel system (results) Flow magnitudes that pressurize the culvert sections Culvert sections with limited capacity to carry the peak flow of 2 nd Sept Runoff (m3/s)

25 Drivere i systemet Hvordan kan en nedbørshendelse med mindre enn 20års gjentaksintervall resultere i en så stor flom? Ikke stasjonær tidsserie i flomserien Urbanisering! I slike tilfeller er trygge flomveier viktige 26

26 Ekstreme hendelser trygge flomveier Hvilken informasjon trenger vi får å planlegge trygge flomveier? Nedskalerte klimamodeller? 27

27 Usikkerhet Type 1 Type 2 Type 3 Forklaring Usikkerhet knyttet til fremtidige utslipp Usikkerhet knyttet til utslippenes påvirkning på klimasystemet Usikkerhet knyttet til naturlig variasjon i klima Årsak Menneskelig atferd og beslutninger Epistemisk Epistemisk Løsning Bruk av scenarioer Modell ensemble: ulike modeller med ulike parameterinnstillinger Eksperiment ensemble: Ulike startbetingelser for modellen Ekström et al. 2015: An apppraisal of downscaling methods used in climate change research 28

28 Usikkerhet Fra utslipp til konsekvens: Lokalt klima 29

29 Usikkerhet (Wilby and Dessai, 2010) 30

30 Usikkerhet Usikkerhet GCM Nedskalering Konsekvens Økt usikkerhet Maurun, D. (2015). Uncertainty [Power Point Presentation]. 31

31 Usikkerhet Usikkerhet Antakelser GCM Nedskalering Konsekvens Økt usikkerhet Redusert usikkerhet Maurun, D. (2015). Uncertainty [Power Point Presentation]. 32

32 Ekstreme hendelser trygge flomveier Følger av ekstreme nedbørshendelser: - Helse, miljø, sikkerhet, kontinuitet i VA-tjenester, omdømme, økonomi for kommune og privatpersoner (forsikringer) Arbeid med risiko og beredskap Risiko = sannsynlighet «X» konsekvens 33

33 34 Risk management process (IS0 3100:2009)

34 Hvordan bruke klimaprojeksjoner Predict then act Robust decions Climate informed decisions Select strategies based on climate change impact studies Fully dependent on senarios Top-down approach Select strategies based on vulnerability assessment A robust adaptation functions acceptably well under all future scenarios and risks Bottom-up approach Link bottom-up vulnerability analyses with climate projections Use climate information for risk prioritaztion, rather than risk identification 35

35 Oppsummering Dimensjonering av flomveier for ekstremhendelser Dimensjonere rør for den daglige driften Risikoanayse (sansynlighet og konsekvens) viktig i valg av dimensjoneringsgrunnlag Sammenhengende flomveier, ikke bare ut av egen tomt/prosjekt 36

36 Tusen takk for oppmerksomheten! Spørsmål / innspill? Ta gjerne kontakt erle.kristvik@ntnu.com