Hoe groot is de kans op een tropische cycloon?

Nadia Bloemendaal (IVM, VU & LDEO, Columbia University), Karin van der Wiel (KNMI)

De vraag in de titel wordt vaak gesteld door beleidsmakers die precies willen weten met welke risico’s ze rekening moeten houden in tropische kustgebieden. Maar deze vraag is nog niet zo gemakkelijk te beantwoorden, omdat tropische cyclonen (lokaal bekend als orkanen of tyfonen) lokaal zeldzame fenomenen zijn en er overwegend geen (betrouwbare) historische informatie beschikbaar is over hun voorkomen in een bepaald kustgebied. Voeg daar nog de component klimaatverandering aan toe en de uitdaging lijkt wel haast onmogelijk. Synthetische modellen kunnen een uitkomst bieden in deze kloof tussen beleidsvragen en wetenschappelijke kennis.

Tropische cyclonen veroorzaken vaak grootschalige verwoesting wanneer ze aan land komen, en behoren hiermee tot de gevaarlijkste en duurste natuurrampen op aarde. In 2017 zorgden de orkanen Harvey, Irma en Maria gezamenlijk voor US$ 220 miljard aan schade, waarmee dat seizoen het duurste orkaanseizoen ooit werd. Om kustgebieden in de toekomst beter te beschermen tegen deze krachtige stormen, is het daarom cruciaal dat we gedegen risicoanalyses uitvoeren, zodat hiermee risicobeperkende maatregelen ontworpen kunnen worden.

Zulke risicoanalyses moeten een duidelijk beeld geven van alle mogelijke tropische cyclonen op een bepaalde locatie, in het bijzonder van de meest extreme stormen (dat wil zeggen: stormen met een lage kans van voorkomen, oftewel een hoge terugkeertijd). Het is soms echter lastig om een goede schatting te maken van al deze mogelijkheden wanneer men alleen naar historische gebeurtenissen kijkt. Historische data is hierin namelijk beperkt: er ontstaan wereldwijd ongeveer slechts 90 tropische stormen per jaar (± 10 stormen/jaar door natuurlijke variabiliteit), waarvan er gemiddeld zestien aan land komen met orkaankracht. Daarbij komt nog dat de tropische cyclonen die aan land komen, meestal in een relatief kleine kuststrook (< 500 km lengte) daadwerkelijk impact hebben. Bovendien zijn goede, wereldwijde, observaties van tropische cyclonen pas vanaf de start van het satelliettijdperk, in 1980, beschikbaar. Dit betekent dat er in de historische data kustgebieden zullen zijn waar geen tropische cyclonen aan land gekomen zijn, en waar dus ook geen informatie beschikbaar is over mogelijke kansverdelingen of impacts. En zelfs op plekken waar wel ‘landfalls’ geweest zijn, zal het totale aantal events te

Figuur 1 Kaart van het Caribisch gebied met de locatie van de zes eilanden. beperkt zijn om een goede risicoanalyse uit te voeren.

Synthetische modellen Voor veel regio’s bestaat dus geen informatie over alle mogelijke tropische cyclonen die dat gebied zouden kunnen raken, in het bijzonder voor de meest extreme stormen. Gelukkig zijn er verschillende manieren om deze data-schaarste op te lossen. De meest logische manier zou bijvoorbeeld zijn om meer cyclonendata over langere tijdschalen te krijgen. Voor historische data zouden we dan bijvoorbeeld sedimentatie-analyses uit kunnen voeren in kustgebieden, om zo meer te weten te komen over historische cyclonen die in dat gebied langs getrokken zijn. Het is echter onhaalbaar om zulke analyses langs de wereldwijde kustlijn uit te voeren, waarmee deze methode beperkt toepasbaar blijft. Een andere optie is om bijvoorbeeld mondiale klimaatmodellen te gebruiken, die ook informatie over tropische cyclonen kunnen genereren. Echter zitten er vaak behoorlijke biases in deze data. De voornaamste oorzaak hiervan is dat de horizontale resolutie te laag is om de belangrijkste aspecten van een tropische cycloon, zoals bijvoorbeeld het oog en de piekintensiteit, goed te modelleren. Dit oog is soms maar tientallen kilometers groot, en “verdwijnt” dus al snel in klimaatmodellen met een typische resolutie van 50x50 km of 100x100 km.

We moeten ons daarom toespitsen op het efficiënt gebruiken van de data die we wel hebben. Zo kunnen we bijvoorbeeld de historische data (op een plausibele manier) verstoren, om zo te kijken hoe verschillende realisaties van dezelfde tropische cycloon eruit zouden zien. Met behulp van deze verstoringen zouden we bijvoorbeeld kunnen analyseren wat de impact zou zijn als Orkaan Irma (2017) in plaats van aan land te komen in de Everglades, pal over Miami zou trekken. De mogelijkheden met deze methode zijn echter vrij beperkt. Zo kunnen we eigenlijk alleen naar verschillende variaties van historische data kijken, en kunnen we geen stormen analyseren die totaal onverwacht gedrag vertonen (zoals bijvoorbeeld een categorie-5 tropische cycloon over Bonaire). Een andere, veel toegepaste mogelijkheid binnen zowel de academische als de commerciële sector is het zogenoemde synthetisch modelleren. Dit type modellen gebruikt informatie uit historische observaties (of klimaatmodellen) om hieruit nieuwe, theoretisch mogelijke tropische cyclonen te simuleren. De synthetische dataset die hiermee gecreëerd wordt bevat voor vele duizenden jaren aan tropische cyclonen-activiteit onder dezelfde klimaatomstandigheden als de originele input dataset. Deze synthetische modellen zijn er in grofweg twee varianten: statistisch-dynamische

modellen en volledig statistische modellen. In statistisch-dynamische modellen wordt ofwel het pad, ofwel de intensiteit van de tropische cycloon via statistische relaties (regressieformules) berekend, en wordt het andere deel met dynamische simulaties gemodelleerd. Doordat ze veel informatie over de atmosfeer en oceaan bevatten, zijn deze modellen in staat om de natuurwetten te volgen en bevatten om die reden een goede fysische representatie van tropische cyclonen. Hiervoor hebben ze echter wel een substantiële hoeveelheid inputvariabelen nodig, waardoor het lastig kan zijn om zulke modellen toe te passen. Binnen de academische wereld bestaan er twee van zulke mondiale statistisch-dynamische modellen, namelijk het model van Emanuel et al. (2004) en het Columbia HAZard model (CHAZ; Lee et al., 2018). In de andere modelvariant, de volledig statistische modellen, worden zowel het pad als de intensiteit via regressieformules gemodelleerd. Deze modellen zijn daardoor doorgaans eenvoudiger en hebben minder inputvariabelen nodig, waardoor ze makkelijker toe- en aanpasbaar zijn. Hier staat wel tegenover dat complexe fysische processen vaak geparametriseerd of anderzijds versimpeld worden gemodelleerd. Hierdoor is het lastiger om een goede representatie van bijvoorbeeld de extratropische transitie van tropische cyclonen te krijgen. Er is op dit moment één academisch en mondiaal volledig statistisch model, het Synthetic Tropical cyclOne geneRation Model (STORM; Bloemendaal et al., 2020b). Synthetic Tropical cyclOne geneRation Model (STORM) STORM gebruikt informatie van tropische cyclonen als input en past vervolgens statistische methodes toe om zo een dataset van synthetische tropische cyclonen te maken, die equivalent is aan 10.000 jaar onder dezelfde klimaatcondities. Deze resulterende 1 STORM dataset bevat een volledig overzicht van alle (theoretisch) mogelijke tropische cyclonen, inclusief extreme tropische cyclonen met een terugkeertijd van meer dan 1.000 jaar, ofwel een jaarlijkse kans van voorkomen kleiner dan 0.1%. De STORM dataset is 3-uurlijks en bevat onder andere informatie over de locatie van het oog van de tropische cycloon en de piekinten-

Figuur 2 Grafieken met de terugkeertijden van verschillende tropische cyclonen intensiteiten (maximale windsnelheid) voor het huidig (donkere lijn) en toekomstig klimaat (gearceerd) binnen 250 km van de eilanden. De breedte van de gearceerde delen toont de spreiding tussen de verschillende klimaatmodellen die gebruikt zijn voor de toekomstig-klimaat-berekeningen. siteit van de storm (windsnelheid en luchtdruk). Deze puntdata hebben een ruimtelijke resolutie van 0.1° (ongeveer 10 km). In deze sectie worden kort wat aspecten van STORM besproken; voor details over en validatie van het model willen we de lezers graag verwijzen naar Bloemendaal et al. (2020a,b). Door de flexibele opzet van STORM is het mogelijk om voor verschillende periodes en/of onder verschillende klimaatscenario’s een synthetische dataset te genereren. Om bijvoorbeeld inzichten te krijgen in de risico’s in het huidig klimaat (hier gebruikten we de klimaatcondities over de periode 1980 – 2017), hebben we het STORM model gekoppeld met historische data (de zogenoemde IBTrACS dataset; zie Knapp et al., 2010). Daarnaast hebben we een methode ontwikkeld, gebaseerd op de delta approach, om toekomstig-klimaatsimulaties met STORM mogelijk te maken (Bloemendaal et al., 2022). Hiervoor hebben we tropische cyclonen-data uit vier mondiale

Categorie Periode Aruba Bonaire Curaçao St Eustatius St Maarten Saba 1980 - 2017 5 5 6 2 2 2 2015 - 2050 4 - 7 4 - 7 5 - 7 2 2 2 2 1980 - 2017 9 9 9 4 4 4 2015 - 2050 8 - 11 8 - 11 8 - 11 3 - 4 3 - 4 3 - 4 3 1980 - 2017 14 15 15 5 5 5 2015 - 2050 12 - 16 12 - 17 13 - 17 4 - 6 4 - 6 4 - 6 4 1980 - 2017 26 27 29 10 10 10 2015 - 2050 23 - 31 24 - 32 25 - 33 7 - 10 7 - 10 7 - 10 5 1980 - 2017 103 141 147 66 61 68 2015 - 2050 89 - 153 94 - 174 93 - 184 33 - 52 31 - 51 32 - 53 Tabel 1 Terugkeertijden (in jaren) van verschillende categorieën (op de schaal van Saffir-Simpson) van tropische cyclonen binnen 250 km van de eilanden. Dit is dezelfde data als in Figuur 2.

klimaatmodellen gebruikt: deze modellen hebben een resolutie van 25 km x 25 km tot 50 km x 50 km en zijn allemaal in staat om een redelijke stormen-klimatologie te genereren (de modellen bevatten genoeg tropische cyclonen verdeeld over de verschillende regio’s om statistieken van te herleiden). Als eerste wordt in deze methode het klimaatsignaal, gedefinieerd als het verschil tussen de huidig en toekomstig-klimaat data, voor de verschillende input-variabelen van het STORM model (zoals het aantal stormen, de plek van ontstaan en de minimale luchtdruk/ maximale windsnelheid) voor elk klimaatmodel herleid. Hierna wordt dit klimaatsignaal opgeteld bij de variabelen uit de historische data (IBTrACS), die gebruikt werden om de huidig-klimaat STORM dataset te genereren. Op deze manier wordt een toekomstig-klimaat versie van de historische input dataset gecreëerd, die vervolgens dient als input voor STORM om zo voor elk mondiaal klimaatmodel een toekomstige STORM dataset te creëren met 10.000 jaar synthetische tropische cyclonen.

Risicoanalyses met STORM De huidig en toekomstig klimaat STORM datasets kunnen vervolgens voor verschillende soorten risicoanalyses gebruikt worden. Zo kunnen we bijvoorbeeld de synthetische stormen gebruiken om tropische cyclonen-activiteit

Kader 1 Naast het uitrekenen van terugkeertijden (zie Figuur 2) kunnen synthetische stormen ook gebruikt worden om uitspraken te doen over maatschappelijke risico’s (bijvoorbeeld financiële schade), en hoe deze veranderen onder klimaatverandering. Wiskundig gezien is het risico het product van de kans op het gevaar, de blootstelling, en de kwetsbaarheid. Het gevaar is hier de intensiteit van de tropische cycloon en met welke kans deze in een bepaald gebied voorkomt. Om dit te berekenen worden de synthetische stormen gekoppeld met een 2D-parametrisch windveld model, zodat de puntdata omgezet wordt in een 2D windveld. Door vervolgens van alle synthetische stormen deze windvelden te berekenen, kunnen we berekenen met welke kans een bepaalde windsnelheid voorkomt in een bepaalde gridcel. Voor de blootstelling kunnen we informatie verkrijgen uit datasets met de waarde van huizen en andere gebouwen. De “beste” datasets hiervoor zijn de datasets van grote (her)verzekeraars, maar deze zijn helaas niet publiekelijk toegankelijk. Een goed alternatief hiervoor zijn bijvoorbeeld OpenStreetMap en de openbare LitPop dataset (Eberenz et al., 2021), waarin, op basis van satellietdata en het GDP van een land, een schatting wordt gemaakt van de waarde van gebouwen in een bepaalde gridcel van 1 km x 1 km. Als laatste hebben we nog informatie nodig over de kwetsbaarheid van deze gebouwen (dat wil zeggen, welk percentage van het gebouw beschadigd raakt bij een bepaalde windsnelheid). Deze informatie kunnen we halen uit zogenoemde vulnerability curves (schadecurves), die de één-op-één relatie tussen windsnelheid en percentage schade weergeven. Wederom hebben (her)verzekeraars hiervoor doorgaans de beste informatie voorhanden, en wederom is deze data helaas niet publiekelijk toegankelijk. Academische voorbeelden van zulke schadecurves zijn Eberenz et al. (2021) en Emanuel (2011). in de buurt van kuststeden of eilanden te bekijken. Op deze manier kunnen we een uitspraak doen over wat de terugkeertijd (in jaren) is van bijvoorbeeld een zware tropische cycloon in de buurt van deze locatie, en hoe die terugkeertijd verandert onder klimaatverandering (hoog emissiescenario, SSP5-8.5, over de periode 2015-2050). We demonstreren hier zulke analyses voor de zes eilanden Bonaire, St. Eustatius en Saba (de BES-eilanden, bijzondere gemeentes van Nederland), en Aruba, Curaçao en Sint Maarten (landen in het Koninkrijk der Nederlanden) (zie Figuur 1). De resultaten zijn weergegeven in Figuur 2 en Tabel 1.

Uit Figuur 2 en Tabel 1 kunnen we afleiden dat de kans op een tropische cycloon van een bepaalde categorie ongeveer twee keer zo hoog (de terugkeertijd twee keer zo laag) is voor Saba, St. Eustatius en St. Maarten in vergelijking met de ABC-eilanden. Dit kan verklaard worden door de ligging van de eilanden ten opzichte van de typische beweegrichtingen van tropische cyclonen. In de Atlantische Oceaan beginnen tropische cyclonen, en dan vooral de zwaardere cyclonen, als lagedrukgebieden die vanaf de Afrikaanse kust de Atlantische Oceaan op bewegen. Vervolgens verplaatsen ze zich, onder invloed van de passaatwinden, in west-noordwestelijke richting in de richting van en over de Caribische Zee. De kans is daarom over het algemeen groter dat een tropische cycloon dichter in de buurt komt van Saba en St. Eustatius, die noordelijker liggen in de Caribische Zee, dan in de buurt van de ABC-eilanden.

Als we kijken naar het effect van klimaatverandering (2015 – 2050) zien we eigenlijk nauwelijks veranderingen in deze terugkeertijden in de komende decennia. De reden hiervoor is dat de veranderingen in het totaal aantal cyclonen in de Caribische Zee relatief klein zijn vergeleken met het huidige klimaat. Enkel voor St. Eustatius, Saba en St. Maarten zien we een robuuste verandering (voor alle vier de synthetische datasets op basis van de klimaatmodellen), het gaat dan om een verhoging van de kans op de zwaarste Categorie 5 cyclonen, met windsnelheden groter dan 70 m/s (252 km/u).

Een tweede voorbeeld van een risico-analyse met behulp van de STORM datasets, is het berekenen van risico’s voor de Small Island Developing States (de minst ontwikkelde landen en kleine eilandstaten). Dit soort eilandnaties zijn bijzonder kwetsbaar voor de gevolgen van klimaatverandering, maar zijn vaak zo klein dat het lastig is om goede risicoberekeningen voor deze naties uit te voeren. Om te demonstreren hoe zulk soort risicoberekeningen voor deze eilandnaties uitgevoerd kunnen worden, hebben we een modelketen opgezet (zie Kader 1, Bloemendaal & Koks, 2022) voor Fiji, een eilandnatie in de Zuidelijke Stille Oceaan (Figuur 3). De terugkeertijden van de windsnelheden in Figuur 3a zijn voor windsnelheden in de hoofdstad Nadi; deze zijn herleid met de 2D-windvelden (zie Kader 1). Figuur 3a laat duidelijk zien dat de kans op hogere windsnelheden toeneemt onder klimaatverandering (gearceerde curves; over de periode 2015-2050 voor SSP5-8.5). Deze sterke toename in het gevaar werkt vervolgens door in de schadeberekeningen; in Figuren 3b en 3c zijn deze windvelden gekoppeld aan informatie over gebouwen en infrastructuur en de bijbehorende kwetsbaarheid, en is het wederom goed zichtbaar dat de kansen op (veel) schade substantieel toenemen

in de nabije toekomst. In Figuur 3d is ook de waarde van deze gebouwen en infrastructuur meegenomen om de terugkeertijden van financiele schades in Fiji te bepalen.

Als laatste stap kan de informatie uit Figuur 3d gebruikt worden om de gemiddelde jaarlijkse schade uit te rekenen (in het Engels wordt dit ook wel Average Annual Loss of Expected Annual Damage genoemd, en doorgaans uitgedrukt in US$). Dit is een belangrijke waarde voor o.a. verzekeraars, omdat veel premies op deze gemiddelde jaarlijkse schade gebaseerd zijn. De gemiddelde jaarlijkse schade wordt berekend door de oppervlakte onder de curve in Figuur 3d te berekenen. Voor Fiji betekent dit dat de gemiddelde jaarlijkse schade uitkomt op bijna US$ 4 miljoen in het huidige klimaat, en US$ 6.4 - 10 miljoen in het toekomstige klimaat. Graag verwijzen wij lezers naar Bloemendaal & Koks (2022) voor soortgelijke informatie en grafieken voor de andere Small Island Developing States.

De datasets die gebruikt worden voor zulk soort risicoanalyses hebben ook hun beperkingen. Ten eerste wordt het 2D-windveld uit STORM simplistisch weergegeven; er wordt bijvoorbeeld geen rekening gehouden met het terrein en het effect hiervan op het windveld, zoals bijvoorbeeld de aanwezigheid van bergen. Er bestaan modellen die hier wel rekening mee kunnen houden, maar deze modellen zijn vele malen complexer en kosten zoveel rekenkracht dat het opschalen naar 10.000 jaar aan mondiale data niet realistisch is op dit moment. Hiernaast is het ook zo dat tropische cyclonen ook substantiële schade kunnen aanrichten door overstromingen, veroor-

zaakt door de stormvloed, golven, en neerslag. Hier komt ook nog zeespiegelstijging voor de toekomstige klimaatprojecties bovenop, inclusief de bijbehorende onzekerheden. Het STORM model houdt met deze componenten (nog) geen rekening. Voor de datasets voor blootstelling geldt dat ze vaak geen tot beperkte informatie bevatten over de toekomstige implementatie van adaptatiestrategieën, zoals het versterken van huizen of het aanleggen van dijken. Zulk soort aanpassingen zullen het risico doorgaans verlagen, maar het valt buiten het doel van deze studie om dit te analyseren. Andere toepassingen van synthetische modellen Behalve voor risicoberekeningen, zoals in de voorbeelden in dit artikel, kunnen synthetische modellen ook voor een scala aan andere doelen gebruikt worden. Zo kunnen synthetische stormen bijvoorbeeld gebruikt worden om karakteristieken en statistieken van cyclonen Figuur 3. Terugkeertijden voor (a) maximale windsnelheden in de hoofdstad Nadi (in m/s); (b) per- (die aan land komen) te bestudecentage schade aan gebouwen in Fiji; (c) percentage schade aan infrastructuur in Fiji; (d) schade in ren, en hoe deze veranderen onder Fiji (in US$). klimaatverandering. Daarnaast kunnen de synthetische stormen gekoppeld worden aan een hydrodynamisch model om stormvloed en golven te simuleren en de bijbehorende overstromingsrisico’s te bepalen. Ook is het mogelijk om de synthetische data te gebruiken als input voor een 2D-regenveld model om zo de kans op extreme neerslag te kunnen berekenen. Referenties Bloemendaal N, Haigh ID, de Moel H, Muis S, Haarsma RJ, Aerts JCJH. Generation of a global synthetic tropical cyclone hazard dataset using STORM. Scientific Data 2020b; 7: 40. Bloemendaal N, de Moel H, Muis S, Haigh ID, Aerts JCJH. Estimation of global tropical cyclone wind speed probabilities using the STORM dataset. Scientific Data 2020a; 7: 377. Bloemendaal N, de Moel H, Martinez AB, Muis S, Haigh ID, van der Wiel K, et al. A globally consistent local-scale assessment of future tropical cyclone risk. Science Advances 2022; 8: eabm8438. Bloemendaal, N. & Koks, E.E. (2022) Current and future tropical cyclone wind risk in the Small Island Developing States. In Hurricane Risk in a Changing Climate. In Vol 2. J.M. Collins and J. Done, Eds., Springer. Eberenz S, Lüthi S, Bresch DN. Regional tropical cyclone impact functions for globally consistent risk assessments. Nat. Hazards Earth Syst. Sci. 2021; 21: 393-415. Eberenz S, Stocker D, Röösli T, Bresch DN. Asset exposure data for global physical risk assessment. Earth Syst. Sci. Data 2020; 12: 817-833. Emanuel K, DesAutels C, Holloway C, Korty R. Environmental Control of Tropical Cyclone Intensity. Journal of the Atmospheric Sciences 2004; 61: 843-858. Emanuel K. Global Warming Effects on U.S. Hurricane Damage. Weather, Climate, and Society 2011; 3: 261-268. Holland GJ. An Analytic Model of the Wind and Pressure Profiles in Hurricanes. Mon Weather Rev 1980; 108: 1212-1218. Knapp KR, Kruk MC, Levinson DH, Diamond HJ, Neumann CJ. The International Best Track Archive for Climate Stewardship (IBTrACS) Unifying Tropical Cyclone Data. Bull. Am. Meteor. Soc. 2010; 91: 363-376. Lee C-Y, Tippett MK, Sobel AH, Camargo SJ. An Environmentally Forced Tropical Cyclone Hazard Model. JAMES 2018; 10: 223-241. Contact: nadia.bloemendaal@vu.nl