Intensiv nederbörd och hydrologisk risk: mot högupplösta flödesprognoser Jonas Olsson Forskning & Utveckling (hydrologi) Sveriges Meteorologiska och Hydrologiska Institut
Om projektet Titel: Högupplösta nederbördsprognoser för hydrologisk riskbedömning Projektperiod: 2012-2015 Medverkande: Finansiär: 2
Bakgrund Intensiv nederbörd och lokala översvämningar orsakar stora skador, och förväntas förvärras i takt med klimatförändringen, men SMHIs nederbördsvarningar är grovkorniga och av begränsad nytta för ccrelaterade risker, t.ex. slamströmmar 3
SMHIs nederbördsvarningar 4
Enkät/intervjustudie Syfte: Undersöka nyttan av SMHIs nederbördsvarningar i kommuner med hydrologisk risk kopplad till intensiv nederbörd (slamströmmar) samt förekomsten av rutiner och resurser att agera Utförande: Enkät och uppföljande intervju med representanter för 10 slamströmskänsliga kommuner (8 svarade) Resultat (preliminärt): Man känner till SMHIs varningar men de används sällan p.g.a. dess översiktliga karaktär Rutiner att agera finns, även om ibland omständliga, resurserna är knappa Varningar om risk för lokal, intensiv nederbörd vore önskvärt, helst ett dygn i förväg men även några timmar innan kan vara värdefullt 5
Bakgrund Intensiv nederbörd och lokala översvämningar orsakar stora skador, och förväntas förvärras i takt med klimatförändringen, men SMHIs nederbördsvarningar är grovkorniga och av begränsad nytta för ccrelaterade risker, t.ex. slamströmmar de ekonomiska konsekvenserna är ofullständigt kända och beskrivna 6
Ekonomiska konsekvenser Syfte: Utveckla metoder och mått för ekonomisk värdering av skador kopplade till intensiv nederbörd (skadefunktioner), samt analysera utvecklingen av skadefall under de senaste decennierna Material: Länsförsäkringars skadedatabas för översvämningar i Sverige 1987-2011 (uppdaterad) + nederbördsdata från SMHI Utförande: Fallstudier i Göteborg och Norrköping, analyser av nederbördsdata från stora skadefall, kopplingar mellan skadevariabler (antal rapporterade fall, utbetalda belopp) och förklarande variabler (objekt, tidpunkt, olika nederbördsvariabler, m.m.) Resultat (preliminärt): Vissa nederbördsvariabler kan kopplas till skadevariabler men sambanden svaga, väldigt hög detaljeringsgrad krävs 7
Ekonomiska konsekvenser 15 utbetalningar 900 utbetalningar 8
Bakgrund Intensiv nederbörd och lokala översvämningar orsakar stora skador, och förväntas förvärras i takt med klimatförändringen, men SMHIs nederbördsvarningar är grovkorniga och av begränsad nytta för ccrelaterade risker, t.ex. slamströmmar de ekonomiska konsekvenserna är ofullständigt kända och beskrivna nya typer av högupplösta nederbördsobservationer utnyttjas inte fullt ut ccför hydrologiska tillämpningar 9
Högupplösta observationer Stationer 138 automatstationer ger 15-min nederbörd (sedan ~1996) Hög noggrannhet m.a.p. intensitet men endast punktvärden Väderradar 12 radarer ger 5-min nederbörd i 2 2 km pixlar (sedan ~2000) Full rumslig täckning (nästan) men låg noggrannhet m.a.p. intensitet 10
Högupplösta historiska nederbördsdata Kombinera stationsdata och radardata till högupplösta fält med full rumslig täckning och rätt intensitet för hydrologisk modellering 11
Bakgrund Intensiv nederbörd och lokala översvämningar orsakar stora skador, och förväntas förvärras i takt med klimatförändringen, men SMHIs nederbördsvarningar är grovkorniga och av begränsad nytta för ccrelaterade risker, t.ex. slamströmmar de ekonomiska konsekvenserna är ofullständigt kända och beskrivna nya typer av högupplösta nederbördsobservationer utnyttjas inte fullt ut ccför hydrologiska tillämpningar nya typer av högupplösta nederbördsprognoser utnyttjas inte fullt ut för cchydrologiska tillämpningar 12
Nya högupplösta nederbördsprognoser HARMONIE/PMP (högupplöst vädermodell) 2.5 2.5 km, 1-h steg, 7 prognoser/dygn och 52 h framåt med 1-h steg (~10 dygn framåt med längre tidssteg) KNEP (radar + vädermodell) 5 5 km, 1-h steg, varje timme och 36 h framåt GLAMEPS (ensembleprognos med 52 möjliga utvecklingar) 13 13 km, 3-h steg, varje timme och 42 h framåt 13
Jönköpings-fallet 2013 14
Jkpg-fallet i observationer och prognoser Station KNEP prognoser 12 Öster (35.2 mm) 10 8 mm 6 4 2 1 h före 0 6 6 6 6 6 6 6 6 6 6 6 6 7 7 7 7 7 7 7 7 7 7 7 7 8 8 8 8 8 8 8 8 8 8 8 8 Kl. Radar 3 h före 6 h före 15
Prognosutvärdering Kan ett kortvarigt 10-års regn förutsägas överhuvudtaget? Utvärdering av KNEP-prognoser för 48 st observerade regn av olika varaktighet mellan 1 och 24 h med c:a 10 års återkomsttid Resultat (i grova drag): 3 h i förväg: c:a 1/5 av alla regn väl prognoserade (rätt plats, rätt intensitet) 8 h i förväg: c:a 1/5 av 24-h regn väl prognoserade 24 h i förväg: inget regn väl prognoserat OBS: Ofta finns kraftigt prognoserat regn i närheten av stationen, eller strax före/efter inträffad tidpunkt. Resultatet förbättras därför om man tillåter viss felmarginal i tid och rum. 16
Bakgrund Intensiv nederbörd och lokala översvämningar orsakar stora skador, och förväntas förvärras i takt med klimatförändringen, men SMHIs nederbördsvarningar är grovkorniga och av begränsad nytta för ccrelaterade risker, t.ex. slamströmmar de ekonomiska konsekvenserna är ofullständigt kända och beskrivna nya typer av högupplösta nederbördsobservationer utnyttjas inte fullt ut ccför hydrologiska tillämpningar nya typer av högupplösta nederbördsprognoser utnyttjas inte fullt ut för cchydrologiska tillämpningar dagens tidssteg för flödesprognoser, 1 dygn, är långt och behöver ccminskas för att åstadkomma skarpare prognoser 17
S-HYPE Hydrologisk modell (d.v.s. vattenflöde) för Sverige uppdelat i ~40 000 delavrinningsområden, körs idag på tidssteget 1 dygn 18
Mot prognoser med kort tidssteg (1/3/6 h) Validera/modifiera HYPEs processbeskrivningar för kort tidssteg Insamla och granska/korrigera vattenflödesobservationer på kort tidssteg Kalibrera om modellen för kort tidssteg (indata: kombinerad produkt radar/station; måldata: vattenflödesobservationer på kort tidssteg) Förbättra beskrivningen av urbana områden i HYPE Fallstudier: simulera att vi hade högupplösta prognoser vid sommarens översvämningar (t.ex. Malmö och Halland), utvärdera potentiellt mervärde Utvärdera användbarhet för relaterade risker, t.ex. slamströmmar Operationell utvärdering och utveckling: vilket tidssteg kan användas operationellt?, hur kan nya produkter skapas i realtid?, m.m. 19
2015 Realtidstester av högupplösta prognoser under sommaren 2015 Slutförande och rapportering av ekonomisk konsekvensanalys och intevjustudie; slutrapportering av hela projektet Workshop(s) riktad(e) till slutanvändare TACK FÖR ATT NI LYSSNADE! 20