Rapport. KlimaROS. Metodiske tilnærminger og eksempelstudier. Forfatter Jørn Vatn, Professor NTNU. SINTEF Teknologi og samfunn Sikkerhet 2011-03-11

SINTEF A17703 - Åpen Rapport KlimaROS Metodiske tilnærminger og eksempelstudier Forfatter Jørn Vatn, Professor NTNU SINTEF Teknologi og samfunn Sikkerhet 2011-03-11

SINTEF Teknologi og samfunn Sikkerhet 2011-03-11

Historikk VERSJON DATO VERSJONSBESKRIVELSE 1 2 3 4 2011-01-03 Utkast sendt til oppdragsgiver 2011-02-25 Justering etter kommentarer fra B.Z. Jacobsen 2011-03-04 Oppdatering etter QA 2011-03-11 Lagt til noen kommentarer etter diskusjon med Meteorologisk institutt PROSJEKTNR 60S02410 RAPPORTNR SINTEF A17703 VERSJON 3 2 av 62

Innholdsfortegnelse FORORD...5 SAMMENDRAG...7 BAKGRUNN...9 1 2 3 4 5 INNLEDNING...11 1.1 Hva er KlimaROS...11 1.2 Liste av begreper...12 KLIMAPROJEKSJONER OG USIKKERHETER...15 2.1 Usikkerhet i grunnstørrelsene...15 2.2 Avledede størrelser...16 2.3 NOU 2010: 10 - Tilpassing til eit klima i endring...20 RESPONSMODELLER...23 3.1 Avløpsmodell for et bolig/industriområde...23 3.2 Stabilitetsmodell for fjellskred...24 3.3 Stabilitetsmodell for leirskred...25 EKSEMPELKJØRING, JÅTTA...27 4.1 Introduksjon til testkjøringene...27 4.2 Tilnærming for risikoberegning...31 4.3 Vurdering av frekvens for hvert scenario...32 4.3.1 Scenario 1 - Tilstopping av avløpsnettet...33 4.3.2 Scenario 2 - Kraftig regn over en lang periode med et påfølgende dimensjonerende regn...33 4.3.3 Scenario 3 - Dimensjonerende regn...33 4.3.4 Scenario 4 20-årsregn med varighet på 30 minutter...33 4.3.5 Scenario 5 - Dimensjonerende regn med havnivå på kote +1,5...33 4.3.6 Scenario 6 - Dimensjonerende regn med havnivå på kote +3,0...34 4.4 Oppsummering av resultater...34 4.5 Diskusjon...35 4.6 Forslag til videre arbeid...36 KlimaROS - METODISK TILNÆRMING FRA A TIL Å...37 5.1 Oppstart...37 5.2 Grovanalyse (nåbetraktning for dagens klimasituasjon)...37 5.3 Endringsanalyse i forhold til klimaendringer...38 5.4 Detaljanalyse/modellering...40 5.4.1 Utvikling av responsmodell...40 3 av 62

5.4.2 Valg av påtrykksscenarioer...40 5.4.3 Risikofastsettelse...40 5.4.4 Synliggjøring av antagelser...40 5.4.5 Vurdering av tidsperspektiv i forhold til beslutninger...41 6 KONKLUSJON...43 REFERANSER...45 VEDLEGG A MODELL FOR FJELLSKRED...47 A1 - Prinsipper for beregning av sikkerhetsfaktor: deterministisk modell...47 A2 - Modellering av usikkerhet...49 A2.1 Usikkerhet i glideplanets dyp og hellingsvinkel...50 A2.2 Usikkerhet i vanntrykk...50 A2.3 Fremtidig modell...52 A2.4 Usikkerhet i jordskjelvbelastning...53 A2.5 Usikkerhet i ruhet, JRC...53 A2.6 Generell usikkerhet i fysisk modell...53 A3 - Forslag til videre arbeid med å utvikle en risikomodell...54 A3.1 Feltarbeid...54 A3.2 Videreutvikling av fysisk modell for bergstrukturen...54 A3.3 Etablering av vanntrykksmodell...55 A3.4 Håndtering av usikkerhet, probabilistisk modellering...55 A3.4 Er det mulig å fastsette risikoen?...55 A3.5 Kritiske merknader?...55 VEDLEGG B - LEIRSKRED...57 B1 - Typer av leirskred...57 B1.1. Kvikkleireskred...57 B1.2. Vanlig utglidning...58 B2 Foreløpige konklusjoner...59 VEDLEGG C - BESLUTNING UNDER USIKKERHET HVOR EPISTEMISK USIKKERHET KAN REDUSERES OVER TID...61 4 av 62

FORORD KlimaROS prosjektet har kommet i stand etter initiativ fra Stavanger kommune. Jeg retter derfor en stor takk til Torstein Nielsen og Hugo Kind som tok initiativ til prosjektet, og har fulgt opp på en meget god måte. Prosjektet har vært organisert som et fellesprosjekt mellom Stavanger kommune og Sandnes kommune. I tillegg til spennende faglige problemstilinger fikk jeg også anledning til å delta på et Svalbard-seminar, hvor det faglige opplegget ble kombinert med en fantastisk naturopplevelse. En hovedkasusstudie har vært klimautfordringer knyttet til foreslått utbygging på Jåttå utenfor Stavanger sentrum. Paal Kloster har bidratt med informasjon om planleggingen her, og en stor takk går i tillegg til Bjørn Zimmer Jacobsen som har kjørt modellene i Mika Urban CS. Disse kjøringene har vært avgjørende for å vise hele gangen i analysene. Takk rettes også til Odd Arne Vagle i Sandnes kommune som bidro til en interessant diskusjon om leirskred, og viktige trusselfaktorer i så måte. Miljødepartementet har støttet prosjektet økonomisk, og de fortjener også en takk. Trondheim, 2011-03-11 Jørn Vatn 5 av 62

6 av 62

SAMMENDRAG Rapporten oppsummerer arbeidet med utvikling av metoder for å analysere effekt av klimaendringer med hensyn på risiko og sårbarhet av kritisk infrastruktur. Slike analyser betegnes her KlimaROS analyser. En KlimaROS analyse kan forstås som en utvidet standard ROS analyse. Basert på kasusstudier har vi skissert en mer generell metodisk tilnærming fra A til Å for KlimaROS analyser. Startfasen følger en vanlig ROS analyse med oppstart og grovanalyse. Det som her kjennetegner grovanalysen er at man starter med en nåbetraktning for dagens klimasituasjon. Med utgangspunkt i denne nåbetraktning foretas så en endringsanalyse i forhold til mulige klimaendringer. Formålet med en slik endringsanalyse er å identifisere forhold som krever en detaljanalyse. I regelen vil dette kreve modellering. Hovedelementene i en slik detaljanalyse er (i) Utvikling av responsmodell, f eks en hydraulisk modell som beregner vanntrykk og vannføring i et avløpssystem, (ii) Valg av påtrykksscenarioer, f eks en situasjon med en spesifisert nedbørsmengde over en timinuttsperiode, (iii) Risikofastsettelse, (iv) Synliggjøring av antagelser, og (v) Vurdering av tidsperspektiv i forhold til beslutninger. Bydelen Jåttå utenfor Stavanger sentrum er benyttet som hovedkasusstudie. Fokus her har vært på detaljmodelleringen som synes mest krevende. Utgangspunktet for detaljanalysen var imidlertid svært bra i og med at det allerede eksisterte en hydraulisk avrenningsmodell for området. Det er denne hydrauliske modellen som danner basisen for responsmodellen. Det ble så etablert 6 påtrykksscenarioer for analyse. Hvert scenario ble kjørt i modellen, og høydeprofiler i avløpsnettet ble beregnet for hvert scenario. Med utgangspunkt i disse høydeprofilene ble det gjort en grov vurdering av konsekvensene i form av oversvømmelser for hvert scenario. Usikkerheten i forekomst av scenarioene ble så anslått, slik at de ulike scenarioene kunne synliggjøres i en risikomatrise. Gjentaksintervall ble her benyttet som mål på usikkerhet. Som en del av arbeidet ble også risikomatrisen kalibrert ved at den ble delt inn i områder (rødt, gult og grønt), slik at resultatene kan danne et beslutningsgrunnlag mht risikohåndtering. Selv om det ikke er utført en komplett analyse, har kasusstudien for Jåttå demonstrert at det er fullt mulig å gjennomføre en detaljanalyse hvor utvalgte klimascenarier påtrykkes responsmodellen for å få ut et risikobilde. Det er også mange aspekter vi ikke har belyst i kasusstudien, men som er diskutert i rapporten. Innledningsvis diskuteres risiko og usikkerhet generelt. Risiko forstås som usikkerhet knyttet til forekomst og alvorlighet av uønskede hendelser. Tre aspekter av usikkerhet fremheves, (i) usikkerhet knyttet til hvilke alvorlige hendelser som kan inntreffe, (ii) usikkerhet knyttet til hvorvidt de uønskede hendelsene vil forekomme i løpet av analyseperioden, og (iii) usikkerhet knyttet til hvor alvorlig utfallet av de uønskede hendelsene vil bli dersom de skulle inntreffe. Sannsynligheter benyttes for å uttrykke usikkerhet på en skala mellom null og en. Rapporten diskuterer også svakheter i eksisterende klimaprojeksjoner. Den største utfordringen som er avdekket er at klimaprojeksjonene ikke kan etablere fremtidige såkalte IVF-kurver. Mht utfordringene i avløpsnettet er det de svært korte, men intense nedbørsperiodene som er av størst betydning. Dagens klimaprojeksjoner gir liten støtte til å justere eksisterende IVF kurver. I rapporten er det gjort noen antagelser for å foreta slik justering, men her kreves mer forskning og eventuelt uvikling av nye modeller. 7 av 62

Hovedkasusstudien har som sagt vært bydelen Jåttå hvor kapasiteten til avløpsnettet er vurdert i lys av mulig fremtidige klimaendringer. To andre kasusstudier er også gjennomført. En studie av leirskred, og en studie av fjellskred. Ulike aspekter er diskutert, men her har vi ikke vært stand til å gjennomføre detaljerte analyser. I denne rapporten har vi hatt hovedfokus på risikoanalytiske problemstillinger, dvs områder hvor det er behov for å uttrykke usikkerhet. Det betyr at vi ikke har adressert generelle utfordringer innen f eks vann- og avløpssektoren. I mange situasjoner er det ikke behov for å introdusere usikkerhet i analysene. Eksempler på områder hvor gode løsninger kan identifiseres og vurderes uten å benytte en risikobasert tilnærming er: Analyse av vannveier, og utforming av områder slik at vannveiene går der de gjør minst skade ved eventuelle oversvømmelser Bruk av dedikerte arealer til fordrøyning og flombegrensning Begrense bruken av tette flater (mer grøntområder og mindre asfalt) Se f eks Norsk Vann (http://www.norvar.no) for en rekke publikasjoner på dette området. Risikoanalysen kommer til anvendelse når gode tiltak medfører betydelige kostnader eller ulemper, og disse må holdes opp mot usikre konsekvenser som følge av f eks klimaendring. 8 av 62

BAKGRUNN Stavanger kommune deltar i prosjektene NORDADAPT og FREMTIDENS BYER, og har forsøkt å koble disse prosjektene sammen. SINTEF er blitt forespurt av Stavanger kommune ved beredskapssjef Torstein Nielsen om å bidra til at risiko- og sårbarhetsmodelleringene i disse prosjektene kan styrkes. Målet for prosjektet har vært å styrke risikomodelleringen knyttet til forskning på klimatruslene vi står ovenfor. Mens vi ser at det skjer store fremskritt mht å utvikle bedre klimamodeller, så er det mindre fokus på å modellere hva klimaendringene medfører mht uønskede hendelser som kan medføre tap av menneskeliv, tap av materielle verdier, og tap av ytelse på infrastruktur og andre samfunnskritiske funksjoner. Følgende delmål var identifisert ved prosjektoppstart 1. Begrepsavklaring. Her ser man særlig behov for å avklare begreper for å beskrive resultatene fra klimamodellene, f eks gjennomsnittsverdier, varians og standardavvik, ekstremverdier, konfidensintervaller, epistemisk og aleatorisk usikkerhet. 2. Beskrivelse av innhold i typiske responsmodeller, dvs hva er prinsipielt innhold i de fysiske modellene som oversetter klimapåtrykk til størrelser slik som oversvømmelser, ras, strømbrudd osv. 3. Beskrive hovedelementer i analysen fra A til Å, dvs fra klimamodeller, via responsmodeller til risiko. 4. Teste ut rammeverk for en slik analyse ved hjelp av en kasusstudie ( case ). I forbindelse med ny reguleringsplan for bydelen Jåttå i Stavanger synes det naturlig å teste ut rammeverket her. 9 av 62

10 av 62

1 INNLEDNING 1.1 Hva er KlimaROS Med KlimaROS forstår vi i denne sammenhengen risiko- og sårbarhetsanalyser (ROS) med fokus på effekter av klimapåvirkninger. I Norge har begrepet ROS analyser blitt benyttet som en samlebetegnelse på grovanalyser hvor analyseformen i hovedsak er direkte fastsetting av trusler og farer, tilhørende uønskede hendelser, og usikkerheter ( sannsynlighet konsekvens ). Dette gjøres uten bruk av eksplisitt modellering i form av f eks feil- og hendelsestreanalyse. ROS analysene har både blitt anvendt i forvaltningssammenheng, og for små- og mellomstore bedrifter hvor man ikke har hatt ressurser til å gjennomføre mer omfattende risikoanalyser. Styrken til ROS analysen er at man ved forholdsvis små ressurser kan etablere et grovt risiko- og sårbarhetsbilde som grunnlag for ulike beslutninger. Analysen krever heller ikke omfattende metodekunnskap slik at virksomhetene i stor grad kan gjennomføre analysene selv. Begrensningene ligger i at det er vanskelig å analysere mer komplekse sammenhenger. Det finnes tilnærminger hvor ROS-metodikken er utvidet mht både til å gi mer strukturell støtte i selve analysefasen, men også ved å utvikle analysetilnærmingen både mht avhengigheter og situasjoner hvor flere barrierefunksjoner er avgjørende for utfallet av ulike scenarioer. Se f eks Line m.fl. (2009). Ved gjennomføringen av en KlimaROS-analyse må en ta stilling til om kun klimaaspekter skal fokuseres, eller om man ser på trussel og sårbarheter mer generelt. Ofte vil det finnes eksisterende ROS analyser, slik at en KlimaROS analyse i hovedsak vil bestå i å foreta mer spesifikke analyser knyttet til klima. I metodikken som foreslås tar vi ikke stilling til hvordan man eksplisitt kan koble KlimaROS analysen til andre analyser, men gir en forholdsvis generell beskrivelse. Hovedelementene i en KlimaROS analyse er 1 1. Oppstart a. Klargjøre mål: Hvem utføres analysen for, og hva er formålet? b. Bestemme avgrensning/systemdefinisjon c. Etablere forum/møteplass for aktørene 2. Grovanalyse (nåbetraktning for dagens klimasituasjon) a. Fastsette konsekvensdimensjoner b. Kalibrere risikomatrise; etablere kategorier for sannsynlighet og konsekvens c. Identifisere uønskede hendelser d. Klassifisere uønskede hendelser med støtte i forhåndsdefinert taksonomi e. Angi frekvens (1-5) f. Vurdere konsekvenser for de ulike konsekvensdimensjonene (1-5) g. Synliggjøre forholdene i en risikomatrise h. Identifisere risikoreduserende tiltak 3. Endringsanalyse i forhold til klimaendringer a. Hvilke klimaforhold forventes å endre seg mest (generell betraktning) b. Hvilke enkeltendringer, og kombinasjoner av klimaendringer påvirker hver enkelt hendelse i grovanalysen (fra trinn 2 ovenfor) 1 Trinnene for oppstart og grovanalyse følger i hovedsak DECRIS metoden, se Line m.fl. (2009). 11 av 62

c. Identifikasjon av eventuelle nye hendelser som ikke er identifisert under punkt 2 d. Foreta ny vurdering for 25, 50 og 100 år fram i tid for mest sannsynlig utvikling, og ekstremsituasjonen (mht klimaprojeksjonene) 4. Detaljanalyse/modellering 1. Identifisere hvilke responsmodeller (se kap. 3) som er relevante 2. Etablere responsmodellene i tilgjengelige verktøy 3. Kjøre responsmodellene med ulike klimapåvirkninger 4. Etablere tilhørende risikoprofil 1.2 Liste av begreper Nedenfor listes viktige begreper benyttet i forbindelse med risikoanalyser Risiko Risiko forstås som usikkerhet knyttet til forekomst og alvorlighet av uønskede hendelser. Tre aspekter av usikkerhet fremheves, (i) usikkerhet knyttet til hvilke alvorlige hendelser som kan inntreffe, (ii) usikkerhet knyttet til hvorvidt de uønskede hendelsene vil forekomme i løpet av analyseperioden, og (iii) usikkerhet knyttet til hvor alvorlig utfallet av de uønskede hendelsene vil bli dersom de skulle inntreffe. Sannsynligheter benyttes for å uttrykke usikkerhet på en skala mellom null og en. Stokastisk variabel En stokastisk variabel (tilfeldig størrelse) kan tenkes som en størrelse som ikke er fast. Stokastiske variable beskrives ved en sannsynlighetsfordeling (for eksempel normalfordelingen (Gausskurven)). Usikkerhet Usikkerhet er et uttrykk for at vi ikke vet med sikkerhet. Vi er primært opptatt av å uttrykke usikkerhet knyttet til observerbare størrelser og tilstander. På engelsk betegnes disse observables. En observerbar størrelse kan i prinsippet fastsettes nå eller en gang i fremtiden. På analysetidspunktet vil imidlertid mange observerbare størrelser ikke være kjent, og de observerbare størrelsene vil derfor være usikre. Vi benytter sannsynligheter og stokastiske variable for å uttrykke usikkerhet i observerbare størrelser og tilstander. Aleatorisk usikkerhet - Variabilitet Usikkerhet knyttet til noen observerbare størrelser kan uttrykkes ved en statistisk variasjon rundt en forventningsverdi 2. For eksempel middeltemperatur i juli varierer fra år til år. Basert på historiske data for eksempel i fra normalperioden 3 1961-1990 kan man ved ekstrapolasjon si noe om middeltemperaturene i juli for årene 2011, 2012, 2013 osv i form av f eks forventningsverdi og standardavvik. 2 Variasjon rundt en forventningsverdi er udødeliggjort av Leif Juster i revymonologen Mot normalt fra 1954, skrevet av Fridtjof Granli, hvor Juster harsellerte over værmeldingen og normalbegrepet. (kilde: http://no.wikipedia.org/wiki/leif_juster) 3 http://metlex.met.no/wiki/normalperioder 12 av 62

Epistemisk usikkerhet - Kunnskapsrelatert Epistemisk usikkerhet betyr at vi mangler kunnskap til å si noe sikkert om observerbare størrelser eller andre forhold av betydning for risikofastsettelsen. I forhold til eksemplet med gjennomsnittstemperaturer i juli så vil det være en epistemisk usikkerhet knyttet til hva denne vil være om f eks 50 år. Vi har mange modeller som kan si noe om endring over tid, men mange forhold er usikre, f eks hvor mye klimagasser som slippes ut. Epistemisk usikkerhet kan ofte reduseres ved mer forskning, mer innsamling av data, og ved analyser. Probabilistisk modell En probabilistisk modell forsøker å beskrive et stokastisk forhold knyttet til analyseobjektet. En enkel probabilistisk modell vil være å anta at svikttidene til kritiske infrastrukturkomponenter er eksponesialfordelte. Deterministisk modell En deterministisk modell beskriver en fast sammenheng mellom fysiske størrelser som inngår i analyseobjektet. F eks formelen for sikkerhetsfaktoren for en vegskjæring er en deterministisk modell. Modellparameter En modellparameter er en størrelse som inngår i en modell. For eksempel er feilraten i eksponensialfordelingen en slik modellparameter. Gjennomsnittsnedbør i juli måned kan være en modellparameter. Ofte benytter vi for enkelhetsskyld begrepet parameter. Konfidensintervall Et konfidensintervall knytter seg til usikre modellparametre hvor disse er fastsatt ved empiriske studier. Vi benytter begrepet konfidensintervall når vi tenker oss at det finnes en underliggende (sann) verdi for parameteren vi ønsker å fastsette ut fra statistisk analyse av data. Et (1- )100% konfidensintervall for en parameter er da et intervall som er konstruert slik at den sanne verdien av parameteren i (1- )100% av tilfellene vil være omsluttet av konfidensintervallet. Kredibilitetsintervall Et kredibilitetsintervall er på mange måter likt et konfidensintervall ved at vi ønsker å gi et område for en modellparameter. Utgangspunktet nå er imidlertid at vi ikke betrakter en sann underliggende parameter, men at vi betrakter parameteren selv som en ukjent størrelse (stokastisk variabel). Kredibilitetsintervallet er da et intervall som kombinerer evt a priori kunnskap om parameteren med den statistiske informasjonsmengden vi har om parameteren. Et (1- )100% kredibilitetsintervall er da et usikkerhetsintervall som sier at vi er (1- )100% sikker på at parameteren er omsluttet av intervallet, gitt a priori kunnskap og de statistiske dataene. Kredibilitetsintervaller benyttes innenfor Bayesiansk statistikk. Prediksjonsintervall Et prediksjonsintervall er et intervall for fremtidige observerbare størrelser. Prediksjonsintervallet fokuserer på de størrelser vi egentlig er opptatt av, f eks nedbørsmengde. Et (1- )100% prediksjonsintervall er konstruert slik at sannsynligheten for at en fremtidig observasjon ligger innenfor intervallet er (1- )100%. 13 av 62

Forventningsverdi Vi benytter begrepet forventningsverdi for å si noe om forventet verdi av en stokastisk variabel. Dersom vi har aleatorisk usikkerhet knyttet til den stokastiske variabelen vil forventningsverdien kunne forstås som gjennomsnittsverdien for mange realisasjoner av størrelsen vi fokuserer på. Dersom vi har epistemisk usikkerhet kan vi ikke knytte forventningsverdien til gjennomsnitt, men må tenke på forventningsverdi som tyngdepunktet i sannsynlighetsfordelingen over den stokastiske variabelen. Varians Varians er kvadratet av standardavviket. For aleatorisk usikkerhet knyttet til en stokastisk variabel er standardavviket et mål for spredningen rundt gjennomsnittsverdien. Varians blir derfor også et mål for slik spredning, og er rett og slett et uttrykk for variabiliteten i den stokastiske variabelen. For epistemisk usikkerhet vil variansen være et uttrykk for treghetsmomentet rundt tyngdepunktet i sannsynlighetsfordelingen. Ekstremverdier Ekstremverdier er typiske høye eller lave verdier en stokastisk variabel kan anta. Vi benytter ofte såkalte persentiler i sannsynlighetsfordelingen til å si noe om ekstremverdiene. F eks 99% persentilen gir en verdi som er slik at 99% av sannsynlighetsfordelingen er lavere enn denne verdien, mens kun 1% av sannsynlighetsfordelingen er høyere enn verdien. Klimapåtrykk Med klimapåtrykk forstår vi i denne sammenhengen særlig meteorologiske forhold slik som nedbørsmengde, temperatur og vindstyrke. Vi benytter begrepet påtrykk for å indikere at klimaet påvirker systemene vi omgis av. F eks mye nedbør vil kunne true kapasiteten i avløpssystemet. Responsmodell En responsmodell er en deterministisk modell som forsøker å etablere en matematisk sammenheng mellom klimapåtrykket og effekten dette har på deler av systemet, f eks vannspeilhøyden i en kum. En stabilitetsmodell er også en responsmodell hvor man forsøker å si noe om forholdet mellom stabiliserende krefter (skjærkrefter) og drivende krefter ved ulike klimapåtrykk, f eks vannporetrykk. IVF-kurve En IVF kurve synliggjør kombinasjoner av intensitet (I ) og varighet (V ) av nedbør med ulike gjentaksintervaller (F = frekvens). IVF kurvene danner utgangspunkt for input til responsmodelleringen. 14 av 62

2 KLIMAPROJEKSJONER OG USIKKERHETER Med klimaprojeksjoner forstår vi utsagn om fremtidige verdier på meteorologiske forhold basert på klimamodeller. Vi skiller mellom grunnstørrelser og avledede størrelser. Grunnstørrelsene er de primære meteorologiske forhold slik som temperatur og nedbørsmengde som funksjon av tid. Avledede størrelser er gjennomsnittsverdier, endring i gjennomsnittsverdier osv. Tabell 1viser en liste av slike grunnstørrelser. I diskusjonen som følger vil vi benytte nedbørsmengde (P = Preciptitation) som eksempel for de ulike aspekter som skal belyses. Tabell 1 Eksempel på grunnstørrelser knyttet til meteorologiske forhold Symbol Forklaring Engelsk term T Lufttemperatur Temperature GT Bakketemperatur, dvs om det er frost eller ikke Ground Temperature SD Snødybde Snow Depth WF Vindforhold (særlig viktig mht snøsmelting) Wind Force WL Vannivå (hav, fjord) Water Level P Nedbørsmengde (intensitet) Precipitation 2.1 Usikkerhet i grunnstørrelsene Alle størrelsene betraktes prinsipielt som stokastiske prosesser. Dvs verdien for en gitt tid t betraktes som en stokastisk variabel (tilfeldig størrelse), og for nedbørsmengde indikeres dette ved P(t). Ofte skriver vi {P(t)} for å synliggjøre at det her dreier seg om ett tidsforløp, og ikke bare en enkelt tid. Fortolkningen er at hvor mye det regner ved tid t, betraktes som en stokastisk variabel (tilfeldig størrelse). For den videre diskusjonen innfører vi nå = (t) som en parametervektor som bestemmer sannsynlighetsfordelingen til P(t). Gitt verdien på (t) betrakter vi usikkerheten i P(t) som ren variabilitet (aleatorisk usikkerhet). En enkel måte å representere (t) på for eksemplet med nedbør er å si at (t) består av to størrelser, q(t) = sannsynligheten for at det regner (eller snør) ved tid t, og i(t) er intensiteten av nedbør gitt at det er nedbør. Vi kan for eksempel anta at intensiteten er eksponensialfordelt med parameter 1/i(t). En spesifikasjon av (t) kan da være q(t) = 0.05, og i(t) = 30 liter per sekund per hektar som betyr at det i 5% av tiden regner, og når det regner, regner det i snitt 30 liter per sekund per hektar. Det vil også være usikkerhet til tallverdiene q(t) = 0.05, og i(t) = 30. Generelt er det to forhold som gjør at vi er usikre på (t). Det ene forholdet er de forutsetningene som legges inn i klimamodellene. Med forutsetninger her tenker vi primært på CO 2 utslipp, og andre utslipp av klimagasser. Per i dag vet vi ikke hvor mye utslipp av klimagasser vi vil ha i årene som kommer. Utslippene er delvis påvirkbare i forhold til hva verdenssamfunnet kan enes om, og iverksette tiltak i forhold til, men også en rekke andre forhold. I klimaprojeksjonene er det derfor foretatt ulike modellkjøringer for ulike verdier av utslipp (scenarioer, ES = Emision Scenario). Det betyr at (t) da blir en funksjon av hvilke utslippsscenario som er lagt til grunn. Vi skriver (t) = (t ES) for å angi at parametervektoren avhenger av utslippsscenarioet som er lagt til grunn. Man kan tenke seg uendelig mange utslippsscenarioer, ES, men i praksis kjøres klimamodellene kun for et fåtalls slike scenarioer. For den prinsippielle diskusjonen er det kanskje tilstrekkelig å skille mellom et optimistisk, et mest sannsynlig, og et pessimistisk scenario som vi betegner hhv ES O, ES M, og ES P. I klimaprojeksjonene er det ikke foretatt noen sannsynlighetsvurdering av de ulike scenarioene. Det betyr at beslutningstaker selv må tillegge de ulike scenarioene vekt. Selv om man i prinsippet kan 15 av 62

synliggjøre ulike antagelser om utslipp, dvs angi (t) = (t ES) for ES {ES O, ES M, ES P }, så er det ikke enkelt å håndtere slike antagelser gjennom hele analyseprosessen. Det andre forholdet som gjør oss usikre på verdien av (t) er realismen i klimamodellene, og inngangsparametere som er benyttet for å kalibrere modellene. Denne usikkerheten er av epistemologisk natur og representerer mangel på kunnskap. I prinsippet kan denne type usikkerhet reduseres ved ytterligere forskning, og innsamling av empirisk materiale. Usikkerheten i klimamodellene og deres empiriske grunnlag kan uttrykkes ved at vi lar parametervektoren (t) betegnes som en stokastisk variabel, dvs (t). Klimaforskerne kan til en viss grad uttrykke slik usikkerhet. Vi vil her ikke gå nærmere inn på det teoretiske grunnlaget og fortolkningsrammen for å uttrykke slik usikkerhet. For å oppsummere så er det tre hovedtyper usikkerhet vi legger til grunn når vi skal si noe om hvor mye det regner ved et gitt tidspunkt, t: (i) Variabiliteten i nedbør gitt parametervektoren (t) fra klimaprojeksjonene, (ii) usikkerheten i relevansen av utslippsscenarioene lagt til grunn for modellkjøringene, dvs (t) = (t ES), og (iii) den epistemiske usikkerheten i selve klimamodellene som vi synliggjør ved å erstatte parametervektoren (t) med en stokastisk vektor (t). Den epistemiske usikkerheten (iii) i klimamodellene kan reduseres ved mer forskning, mens usikkerheten i utslippsscenarioene kan reduseres om vi for eksempel får mer tillitt til verdenssamfunnets evne til å enes å handle deretter, men usikkerheten kan også reduseres dersom vi mister denne tilliten, noe som svarer til å legge verste utslippsscenario til grunn. Variabiliteten (i) kan aldri elimineres. 2.2 Avledede størrelser I praksis vil resultatet fra klimaprojeksjonene ikke være gitt ved sannsynlighetsfordelinger over grunnstørrelsene gitt i Tabell 1. I stedet vil ulike avledninger presenteres f eks i tallmaterialet fra Cicero/Vestlandsforskning/Meterologisk Institutt (2009). Dataene fra de lokale nedskalerte modellene presenterer informasjon i et rutenett på 1 1 kvadrat kilometer. Eksempler på informasjon er: Kart som viser endring i middelnedbør pr sesong fra kontrollperioden 1981-2010 til scenarioperioden 2021-2050. Kart som viser middelverdi for nedbør pr sesong i perioden 1981-2010 (kontrollperiode). Kart som viser middelverdi for nedbørsum pr sesong i perioden 2021-2051 (scenarioperiode). Kurvediagram med nedbørsverdier pr sesong fra 1900 til 2100. Middelverdier for nedbørsum pr mnd for kontrollperiode og scenarioperiode. Kart som viser endring i middeltemperatur pr sesong fra kontrollperiode 1981-2010 til scenarioperiode 2021-2050. Vindscenarioer som viser endring i antall dager med vindstyrke over et gitt nivå fra perioden 1961-1990 til 2071-210. Figur 1 viser eksempel på relativ endring i nedbør for Stavangerregionen. Relativ endring er størst om vinteren (opp mot 20%). Om høsten, som representerer perioden med mest nedbør, er den relative endringen noe mindre. Her ser vi at resultatene er presentert for ett utslippsscenario (IS92a) uten at denne informasjonen nødvendigvis er særlig anvendbart direkte for beslutningstaker. 16 av 62

I denne rapporten viser vi kun noen få eksempler på tabeller og figurer som viser slike avledede størrelser. NOU 2010:10 Tilpassing til et klima i endring presenterer en del landsomfattende klimaprojeksjoner, men det er vanskelig å gi noen fullstendig oversikt. Meteorologisk institutt gir en oversikt over hvor man kan finne nyttig informasjon og statistikk: http://met.no/klima/nettsteder_om_klima/ Figur 1 Eksempel på data (Cicero/Vestlandsforskning/Meterologisk Institutt, 2009). I forbindelse med dimensjonering av avløpssystem er det vanlig å legge såkalte IVF kurver til grunn. En IVF kurve synliggjør kombinasjoner av intensitet, varighet og frekvens for nedbør, og viser konkret for et gitt gjentaksintervall (F) kombinasjoner av varigheter og intensiteter. Et eksempel fra Stavanger-regionen er <I=170 l/(s ha), V=10 minutt, og F = 1 per 20 år>, se illustrasjon i Figur 2. 17 av 62

Intensitet (l/(s x ha)) 170 F=1/20 F=1/100 5 10 20 30 Figur 2 Eksempel på IVF kurve (konstruert) Varighet, minutter Merk at fra klimaprojeksjonene (Cicero/Vestlandsforskning/Meterologisk Institutt, 2009) er det ikke mulig å få informasjon på IVF-kurvenivå. Dette utgjør en stor utfordring mht bruk av resultatene i KlimaROS sammenheng. Ofte vil det finnes historisk baserte IVF-kurver på lokalt nivå. For å finne fremtidige IVF-kurver kan man ta utgangspunkt i disse lokale historisk baserte kurvene, og så foreta noen pragmatiske betraktninger mht hvordan eksisterende klimaprojeksjoner kan benyttes til å justere de lokale IVF-kurvene. F eks kan man ta utgangspunkt i sesongvariasjonene gitt i Figur 3, og se på de måneder med mye nedbør, som presumptivt bidrar mest til de alvorligste IVF-kurvene. For perioden september januar er økningen i størrelsesorden 15 % i nedbør, se Figur 3. En enkel argumentasjon kan da være at intensiteten i nedbør for de alvorligste IVF-kurvene også øker i størrelsesorden 15%. Man kan f eks anta at vi holder V og F fast, mens vi øker I med 15%. Det er imidlertid ikke åpenbart at det her er naturlig å holde varigheten fast og øke intensiteten, alternativt kunne man tenke seg at intensiteten holdes fast og at varigheten øker. I modellene vi senere skal se på, er det varigheter av lengde 10 minutter som vurderes som mest kritisk. Det er derfor hensiktsmessig å holde varigheten fast, og forsøke oppskalere intensitet. En slik tilnærming har vi imidlertid ingen teoretisk/faglig støtte for. En annen tilnærming kan være å se på ekstremnedbør over kortere perioder. Figur 4 viser 99 persentilen for ekstremnedbør over hhv ett, tre, fem og ti døgn. I forhold til relevante IVF kurver så er det korttidsnedbøren over ett døgn som synes mest relevant. Fortolkningen av kurven for ett døgn er at det for 1% av dagene (dvs tre og en halv dag per år) regner det ca 30 millimeter. For disse ekstremdøgnene er det imidlertid en svært begrenset økning fra historisk nivå til den projiserte perioden (i størrelsesorden 5%). Dette skulle tilsi en noe mer begrenset effekt enn den vi la til grunn ved å studere Figur 3. I følge Hygen (2013) fra Meteorologisk institutt kan det kanskje være mer rimelig å ta utgangspunkt i gjennomsnittsverdiene per måned (Figur 3) enn å benytte ekstremnedbør per Figur 4. Hygen påpeker også at mekanismene mht intens nedbør kan være noe forskjellig for ulike deler av Norge. F eks på Østlandet vil de intense regnskyllene typisk komme på ettermiddagen en svært varm sommerdag i en finværsperiode med høytrykk, mens for Vestlandet er det typisk ved sterke lavtrykk og fuktighet fra havet som er årsak til den intense nedbøren. 18 av 62

Figur 3 Middelverdier for nedbørsum pr måned for kontrollperiode 1980-2010 og scenario 2021-2050. Utslippsscenarioet som er brukt er IS92a. (Cicero/Vestlandsforskning/Meteorologisk Institutt, 2009). Figur 4 Ekstremnedbør (HIST 6190 = Perioden 1961-1990, HIST 8100 P Perioden 1981-2008, MPIP2 = kontrollperiode 1981-2010, og MIPS2 = Projisert periode 2020-2050, Cicero/- Vestlandsforskning/ Meteorologisk Institutt, 2009) Generelt kan vi si at datagrunnlaget fra klimaprojeksjonene er begrenset mht å dra konklusjoner mht fremtidige IVF kurver. Vi vil senere se at det er IVF kurvene som er grunnlaget for å se på oversvømmelser. Det kreves derfor videre arbeid for å skaffe mer innsikt i hvordan man kan benytte resultater fra klimaprojeksjoner til å si noe om IVF kurvene. Dette understrekes også i 19 av 62

NOU 2010:10 hvor det pekes på behovet for å auke, betre og koordinere innsamlinga av korttidsnedbørdata i urbane område. Noen tilnærminger som kan synes relevante er: Videre detaljanalyse av grunnlagsdata i klimaprojeksjonskjøringene. Dvs se på ytterligere oppløsning i forhold til varighet, ref Figur 4. Det synes imidlertid lite realistisk å kunne frembringe pålitelige data for så korte tidsperioder som vi her trenger (10 minutters varighet). Hygen (2011) påpeker at grunnlagsdataene i klimaprojeksjonene har en oppløsning på timebasis, men at man per i dag ikke har noen verifisering at resultater for denne tidsfaktoren er pålitelig. Det er imidlertid arbeid på gang mht å verifisere modellene også for slike tidsfaktorer. Resultater kan her forventes om et par tre år. Studere grunnlagsdata for eksisterende IVF kurver mer generelt, for å se om det er noe mønster i sammenheng mellom de intense periodene, og ekstremnedbør over tidsperioder på linje med de angitt i Figur 4. For eksempel om bidraget til IVF kurvene typisk finnes for perioder hvor det over et døgn regner mye, kan dette kanskje benyttes også til å ekstrapolere IVF kurvene ut fra klimaprojeksjonene. Selv om det er IVF kurvene for korte varigheter som betyr mest for de responsmodeller vi skal se på, er det også viktig å se på gjennomsnittsnedbør i perioden før det intense regnet kommer. Slik nedbør over tid kan redusere permeabiliteten, og er viktig for å etablere en realistisk responsmodell. Se kapittel 3.1. Merk også at vi for modellering av avløpsnett i en typisk bykommune vil fokusere på IVF kurvene for varigheter i størrelsesorden 10 minutter. Om vi studerer vassdrag mer generelt, så er imidlertid IVF kurvene for varigheter i størrelsesorden dager mer relevant, se for eksempel Milina og Selseth (2002). 2.3 NOU 2010: 10 - Tilpassing til eit klima i endring Den 15. november 2010 ble NOU 2010: 10 Tilpassing til eit klima i endring lagt fram. NOUen oppsummerer viktige resultater fra klimaprojeksjonene og effekter det vil ha for kritisk infrastruktur, næringsvirksomhet med mer. I og med at vi i denne rapporten har hovedfokus på avløpsproblematikk henter vi fram noen forhold NOUen peker på mht vann og avløpssektoren. Her fremheves det at økte mengder avløpsvann og overvann vil bli en stor utfordring fremover. Klimaendringene vil forsterke behovet for vedlikehold og utfordringene knyttet til etterslep i fornyelsesbehovet. Tilpassingskapasiteten til VA-sektoren er etter utvalget sin vurdering også lav siden levetiden på VA-ledningsnettet er svært lang (100 år). Det er derfor viktig å gjøre de riktige valgene som dekker et langt tidsperspektiv. Utvalget peker på viktigheten av å få etablert bedre estimat over dimensjonerende korttidsnedbør som skal gjelde for hele levetiden for ledningsnettet (>100 år). På overvannssiden i Norge er ansvarsforholdene uklare og det finnes ikke noe eget myndighetsorgan som har ansvar og som kommer med klare anbefalinger om dimensjoneringsgrunnlag hvor en også tar hensyn til klimaendringene. NOU 2010:10 Tilpassing til eit klima i endring kommer med følgende anbefalinger knyttet til vann og avløpssektoren: Øke, bedre og koordinere innsamlinga av korttidsnedbørdata i urbane område. Styrke forsking og teknologiutvikling som er nødvendig for at VA-sektoren skal kunne møte klimaendringane. Sette i gang FoU-aktiviteter som gir økt kunnskap om effekten av klimaendringer på ekstrem korttidsnedbør. 20 av 62

Sette i gang kartlegging av hvor robust VA-sektoren er i dag og evaluere praktiske og økonomiske konsekvenser av klimaendringene Styrke veiledning i hvordan kommunene kan handtere overvann i planlegging herunder utarbeide veiledning i hvordan alternative flomveier kan integreres i arealplaner. Bidra til å styrke utdanningstilbudet og rekrutteringen til VA-sektoren Avklare hvem som skal ha det nasjonale myndighetsansvaret knyttet til overvann Utarbeide statlige veiledere for å dimensjonere VA-systemet slik at det tar høyde for de forventede klimaendringene. Klargjøre det juridiske grunnlaget for VA-tjenestene slik at eier av VA-anlegg ikke kan fraskrive seg ansvaret for skade på abonnenten sin eiendom som følge av for liten dimensjonering og tilbakeslag. Avklare kommunene sin anledning til finansiering på VA-området, inkludert å vurdere lovendring som tydeliggjør at handtering av overvann i regulerte områder kan finansieres via VA-gebyrene. Avklare abonnentene sine rettigheter og plikter på VA-området. Vurdere endring av plan- og bygningsloven og byggteknisk forskrift slik at det blir anledning til å kreve tiltak for handtering av overvann for eksisterende bebyggelse. 21 av 62

22 av 62

3 RESPONSMODELLER Med en responsmodell forstår vi i KlimaROS sammenheng en fysisk deterministisk modell som sier noe om hvordan et system responderer på klimapåtrykk i form av f eks nedbørsmengder for gitte temperaturer, snøforhold osv. Vann vil være den viktigste påtrykksvariabelen, og vi vil derfor fokusere på nedbør som klimapåvirkning. Andre klimarelaterte størrelser slik som temperatur og vind vil også ha betydning, men ikke utgjøre hovedfokus. I KlimaROS prosjektet er det tre responsmodeller som er belyst: Avløpsmodell for et bolig/industriområde Stabilitetsmodell for fjellskred Stabilitetsmodell for leirskred 3.1 Avløpsmodell for et bolig/industriområde Bydelen Jåttå utenfor Stavanger sentrum er benyttet som hovedkasusstudie for KlimaROS prosjektet. Nedenfor presenteres kort hovedelementene i en avløpsmodell, både slik vi ideelt sett kunne tenke oss modellen, og slik den i praksis er realisert. Hovedformålet med å etablere en avløpsmodell er å studere hvordan vannet beveger seg fra det treffer bakken til det renner ut i sjøen eller på annen måte forsvinner nedstrøms de kritiske objektene. Den hydrologiske delen av modellen studerer vannballansen mellom nedbørsområder, områder for avrenning/snøsmelting og områder for fordampning. Vind og temperaturforhold er avgjørende for hvor mye vann som fordamper, og hvor mye vann som evt frigjøres ved snøsmeltning 4. Type overflate samt hvorvidt bakken er frosset eller ikke, er avgjørende for hvor mye av overflatevannet som tas opp i bakken og hvor mye som resulterer i avrenning. Selv om det i Stavanger-regionen ikke synes svært relevant med streng kulde, vil frossen mark i andre deler av landet være en svært kritisk faktor da hele arealet vil bidra med avrenning. Ideelt sett ønsker vi å modellere vannballansen som funksjon av tid. Vi kan da over tid se hvordan f eks snøsmeltning øker ved et intenst regnvær, hvordan evt permeabiliteten i bakken avtar som funksjon av tid osv slik at overskuddsvann selv ved konstant nedbør etter en tid vil øke. Ulykken ved Hatlestad Terrasse i 2005 (http://no.wikipedia.org/wiki/hatlestad-raset) kjennetegnes ved at det i dagene før selve raset regnet svært mye slik at jordsmonnet var mettet av vann, og den reelle permeabiliteten ved rastidspunktet var således svært lav. I stedet for å modellere denne tidsdynamikken eksplisitt, kan man gjøre noen forenklinger. For eksempel kan man gjøre en grov vurdering av hvor mye permeabiliteten reduseres ved mye regn over lengre tid, jfr Figur 4. I selve modellen kan man da justere opp andelen for de såkalte tette flater. Modellen blir da mer statisk enn en full dynamisk modell, men kan ved gode vurderinger av effekt av nedbør på permeabiliteten fungere rimelig bra. I analysene i kapittel 4 er en slik tilnærming valgt. En mer realistisk tilnærming ville være å modellere lengre tidsserier hvor permeabiliteten reduseres som funksjon av langvarige nedbørsperioder. Dette vil imidlertid kreve at det er mulig å modellere permeabilitet dynamisk i responsmodellen som vil være betydelig mer arbeidskrevende, og kanskje ikke mulig i mange av de eksisterende verktøyene. 4 Som en tommelfingerregel kan man benytte at en temperatur på fem grader gjennom døgnet gir en smelteeffekt på nærmere 25 millimeter i døgnet på steder hvor det ligger mer enn 25 centimeter snø på bakken. 23 av 62

Overflatevann vil renne ut i bekker, kulverter og evt inn i avløpsnettet via kummer. Ulike hydrauliske modeller kan benyttes for å modellere vannføringen her. Stavanger kommune benytter verktøyet Mike Urban CS 5 for å spesifisere og kjøre den hydrauliske avløpsmodellen. Modellen har i hovedsak følgende funksjonalitet 1. For overflaten spesifiseres hvilke områder (flater i xy-planet) som har avrenning til hver kum (innløp til ledningsnettet). Det er denne delen av modellen som da tar i mot vannet, dvs klimapåtrykket. 2. Helling og avstander fra kummen spesifiseres slik at tidsforsinkelsen fra nedbøren treffer bakken til den når kummen kan beregnes. 3. For arealene angis hvor stor andel av nedbørsmengden som forventes absorbert i jordsmonn osv. 4. Snøsmelting kan ikke modelleres direkte. Men man kan for hver kum angi en konstant tilførsel av vann for å representere snøsmeltingen. Det må da gjøres en tilleggsvurdering i forhold til snømengde, nedbørsmengde, temperatur og vindforhold. I kasusstudien er dette ikke gjort. Figur 3 viser størst nedbørsmengder i perioden september til januar. Denne perioden er også delvis overlappende med perioden for når man kan påregne snøsmelting. Det er derfor en svakhet i analysen at snøsmelting ikke er tatt med i denne omgang. 5. Ledningsnett og kummer spesifiseres i modellen. Her angis dimensjon, ledningsruhet, lengde av ledninger, og fall. 6. Åpne bekker og kulverter kan legges inn i modellen. 7. Resultatet fra modellkjøringene (responsen) er i form av vannsøyleprofil i de ulike kummene eller for andre kritiske steder. Høy vannstand betyr i praksis tilbakeslag i kjellere, og er således et indirekte mål for konsekvens. Merk at Mike Urban CS modellen kun håndterer vannet som en del av avløpssystemet. Vann på overflaten som måtte berøre hus eller industriområder kan ikke modelleres eksplisitt ved denne tilnærmingen. Mike Flood har en terrengmodell som gjør det mulig også å modellere overflateavrenningen eksplisitt. Dette gjør det mulig å modellere f eks tilstopping av kummer, osv slik at overflateoversvømmelser kan beregnes. Stavanger kommune har per i dag ikke tatt i bruk Mike Flood. I KlimaROS prosjektet ble det vurdert å foreta en modellering med Mike Flood. Det ble imidlertid vurdert for kostbart (over 100 000 kroner) å få en slik modell operativ i denne sammenhengen. For kasusstudien for Jåttå Nord området fantes allerede en eksisterende Mike Urban CS modell over Hinna området. Denne modellen er benyttet for eksempelkjøringene som vises i kapittel 4. 3.2 Stabilitetsmodell for fjellskred Utgangspunktet for analyse av fjellskred som en del av KlimaROS prosjektet var en forespørsel fra Aurland kommune angående utvikling av risikomodell for fjellskred. Her har KlimaROS prosjektet lyktes i å få til synergieffekter med et annet prosjekt, selv om resultatene er fremkommet ved finansiering fra Aurland kommune i denne sammenhengen. Spesielt er man interessert i å studere Stampa-området som har vist bevegelser i fjellmassene særlig i år med mye nedbør. I Vedlegg A gjengis innholdet i et notat som ble skrevet for å skissere fremgangsmåten for å etablere en risikomodell. En stabilitetsmodell kan også oppfattes som en type responsmodell. Hovedinnholdet i en stabilitetsmodell er å belyse stabiliserende og drivende krefter for et fjellparti. Stabiliserende 5 Tidligere het verktøyet MOUSE. Mike Urban CS bygger på samme beregningsmotor som MOUSE, men verktøyet har altså fått nytt navn. 24 av 62

krefter (skjærstyrken) er proporsjonal med cosinus til helningsvinkelen, p, til et mulig glideplan, mens drivende krefter er proporsjonal med sinus til helningsvinkelen. Figur 5 Eksempel på drivende og stabiliserende krefter i forhold til et mulig glideplan Sikkerhetsfaktoren er forholdet mellom stabiliserende og drivende krefter og må være høyere enn en for å holde massene i ro. Vannporetrykket i formasjonen vil redusere skjærstyrken. Det betyr at sikkerhetsfaktoren da kan uttrykkes som en funksjon av vannporetrykket. Stabilitetsmodellen kan derfor betraktes som en responsmodell, dvs en fysisk modell som responderer på vanntrykket. Vanntrykket er påtrykksvariabelen som igjen vil påvirkes av nedbørsmengder. Foreløpige analyser utført av NGI (Grimstad, 2008) viser at vanntrykket er avgjørende for hvorvidt sikkerhetsfaktoren er lavere enn en eller ikke. Per i dag er det svært mange usikkerhetsforhold knyttet til stabilitetsmodellen. I vedlegg A pekes på noen av disse. Her skisseres også hvordan klimaeffekter kan inkluderes i modellen. I ytterste konsekvens kan mer ekstremnedbør gi høyere vannporetrykk, som under uheldige betingelser lede til fjellskred med svært alvorlige konsekvenser. Det er et mål for videre arbeid å belyse dette, og arbeide mot en risikomodell som også tar inn over seg effekten av endring i klima. Grovt sett kan man si at risikomodellen består av (i) nedbørsmodeller/klimaprojeksjoner, (ii) modeller som oversetter nedbørsmengder til vannporetrykk, og (iii) stabilitetsmodeller hvor vannporetrykket er en viktig faktor. Selv om KlimaROS prosjektet ikke har hatt mulighet til å følge opp problemstillingen i Aurland, er det fortsatt gode muligheter for at dette arbeidet videreføres med annen finansiering. 3.3 Stabilitetsmodell for leirskred For en innføring i stabilitetsmodellering for leirskred vises til en forholdsvis lettfattelig beskrivelse på internett: http://www.ngu.no/upload/geofarer/skred/leirskred/om%20leirskred.pdf Også for leirskred er situasjonen som for fjellskred at man forsøker å etablere stabiliserende krefter (skjærkrefter) og drivende krefter, og forholdet dem i mellom for å kunne si noe om sikkerhetsfaktoren. I klimaros prosjektet har vi ikke eksplisitt sett på stabilitetsmodellene, men ulike aspekter er diskutert. Se vedlegg B. Et viktig aspekt ved vanlig leirskred, dvs der vi ikke har kvikkleire er vanntrykket. Dersom vannporetrykket i en skjæring øker, vil dette redusere de stabiliserende kreftene. Et viktig element er derfor å drenere ut vann fra kritiske skjæringer. Dette 25 av 62

kan man gjøre f eks ved å punktere skjæringen ved å grave ut en sylinder som fylles med pukk, og dreneres. Et kritisk punkt som utgjør risikoen kan da være hvorvidt denne dreneringen er operativ over tid. Dersom man mister kontroll på såkalt FDV-dokumentasjon vil dette utgjøre en alvorlig trussel, og en svikt i dreneringsfunksjonen kan medføre leirskred. Med mer ekstremnedbør kan man kvalitativt si at risikoen øker, mens for å uttrykke dette kvantitativt må det foretas mer eksplisitte vurderinger og analyser. 26 av 62

4 EKSEMPELKJØRING, JÅTTA I dette kapittelet presenteres resultatene for kjøring av hydraulisk modell for bydelen Jåttå som utgjør hovedkasusstudiet i KlimaROS prosjektet. Det er kun for denne kasusstudien at man eksplisitt har foretatt beregninger som viser et risikobilde. For de andre kasusstudiene er det kun skissert aspekter av metodikk. 4.1 Introduksjon til testkjøringene Vi vil her presentere resultater basert på kjøringer av hydraulisk modell 6, og utdypinger av metodisk tilnærming i SINTEF Notat #5 (Vatn, 2010). Følgende scenarioer er lagt til grunn for beregningen: 1. Tilstopping av avløpsnettet. En sentral ledning 7 i systemet strupes inn slik at dimensjonen reduseres til 33% av den opprinnelige. 2. Kraftig regn over en lang periode med et påfølgende dimensjonerende regn 3. Dimensjonerende regn 4. 20-årsregn med varighet på 30 minutter 5. Dimensjonerende regn med havnivå på kote +1,5 6. Dimensjonerende regn med havnivå på kote +3,0 For scenario 1-4 ble dagens havnivå lagt til grunn. Klimaprojeksjoner for fremtidig havstigning diskuteres i kapittel 4.3.5. Modellkjøringene er utført av B.Z. Jacobsen (2010) og hovedresultatene gjengis her på figurform. Gangen i analysen er som følger. Det tas utgangspunkt i en hydraulisk modell som er utviklet for Hinna-området, og hvor bydelen Jåttå er en del av denne modellen. Med en slik hydraulisk modell kan man foreta ulike sensitivitetsanalyser ved å endre betingelsene i modellen. For eksempel kan man redusere dimensjon på en sentral ledning i systemet, man kan legge inn ulike nedbørsprofiler, og man kan variere havnivå. De ulike scenarioene 1-6 representerer slike sensitivitetskjøringer. For hver kjøring kan man så få ut en profil på vannivå i ulike punkter i ledningsnettet. Det er her valgt å vise vannivå i ulike kummer i området. Figurene som følger viser tre nivåer, grønt nivå svarer til under 90 cm i forhold til normalt vannivå i kummen. Sanitærforskriften tilser at laveste byggehøyde skal være minst 90 cm over dette normalnivået 8. Dvs at vannivå opp til 90 cm ikke representer noe problem. Neste intervall som vises er 90 cm til 150 cm (orange), og det høgeste intervallet er over 150 cm (rødt). Et plott med mange røde punkter indikerer derfor en situasjon med stort potensial for oversvømmelse (tilbakeslag inn i kjellerrom). Vi vil senere se på hvordan denne informasjonen kan benyttes i forhold til risikomodellering. For ytterligere utdyping angående kjøring av hydraulisk modell henvises til grunnlagsdokumentet (Jacobsen, 2010). 6 Se Notat Klima ROS klimaendringer og effekt på avløpsnettet datert 13.10.2010 / Bjørn Z Jacobsen 7 Slike beregninger blir imidlertid svært tilfeldige. En tilstopping av denne typen kan få store konsekvenser eller det kan skje uten noen problemer, alt avhengig av hvor det skjer. For de områdene som har blitt testet ble konsekvensene forholdsvis små. Det bygde seg opp et vanntrykk i kummene oppstrøms ledningen med redusert tverrsnitt, men effektene ble begrenset. 8 Normalregelementes bestemmelser: Kjellergulv og/eller vannstand i laveste monterte vannlås må ligge minst 900 mm høyere enn innvendig topp hovedledning målt i stikkledningens forgreiningspunkt på hovedledning. Hvor hovedledning er forutsatt å fungere med overtrykk, regnes denne høyden fra beregnet trykklinje på hovedledning ved stikkledningens forgreining 27 av 62