DOI: https://doi.org/10.5194/nhess-24-847-2024
تاريخ النشر: 2024-03-11
المؤلف: Timo Schmid وآخرون
الموضوع الرئيسي: الظواهر الجوية والمحاكاة
نظرة عامة
تقدم هذه الدراسة نموذجًا جديدًا مفتوح المصدر لتقدير أضرار البَرَد على المباني والمركبات في سويسرا، باستخدام بيانات رادار ذات قطبية واحدة ومجموعة شاملة من 250,000 تقرير عن أضرار البَرَد موضوعة جغرافيًا من 2002 إلى 2021. تقيم الدراسة مقاييس مختلفة لشدة البَرَد المعتمدة على الرادار بدقة 1 كم، مع تحديد الحجم الأقصى المتوقع للبَرَد الشديد (MESHS) كأفضل مقياس، على الرغم من نسبة الإنذار الكاذب العالية. يتضمن النموذج وظائف تأثير أضرار البَرَد الخاصة بالأصول التي تم معايرتها بناءً على MESHS، مما يحقق تقديرات دقيقة لحجم الأضرار للمباني (91% دقة) والمركبات (74% دقة) عبر أكثر من 100 حدث بَرَد كبير.
تشير النتائج إلى أن العواصف البَرَدية الشديدة تسببت في أضرار تقدر بحوالي 1.39 مليار فرنك سويسري للمباني على مدى العقدين الماضيين، مع تركيز كبير للأضرار يحدث خلال أقوى أحداث البَرَد. تسلط الدراسة الضوء على قيود الكشف المعتمد على الرادار، خاصة في التمييز بين أحجام البَرَد المختلفة، مما يؤثر على الدقة المكانية لتوقعات الأضرار. بينما يوفر النموذج تقديرات قيمة للأضرار في الوقت الحقيقي، فإنه يبرز أيضًا الحاجة إلى تحسين مصادر البيانات، مثل التقارير المستندة إلى الحشود ومقاييس الرادار ذات القطبية المزدوجة، لتعزيز موثوقية تقييمات أضرار البَرَد. قد تشمل التطبيقات المستقبلية استخدام توقعات الطقس العددية لتوليد تقديرات احتمالية لتأثيرات البَرَد، مما يعزز من تقدير المخاطر في مناخ متغير.
مقدمة
تناقش مقدمة الورقة التأثير الكبير للعواصف البَرَدية الشديدة على البنية التحتية في سويسرا، مشيرة إلى حدث بارز في 28 يونيو 2021، والذي أسفر عن أضرار تقدر بـ 400 مليون فرنك سويسري. يبرز المؤلفون إمكانية زيادة شدة البَرَد بسبب تغير المناخ، مؤكدين على العلاقة بين حجم حبات البَرَد ومدى الأضرار التي تلحق بالمباني والمركبات. على وجه الخصوص، يمكن أن تسبب حبات البَرَد التي يزيد حجمها عن 2.5 سم أضرارًا هيكلية، بينما تلك التي تتجاوز 4-5 سم من المحتمل أن تؤدي إلى دمار شديد، مثل تحطيم النوافذ أو بلاط الأسطح.
يتم شرح تكوين حبات البَرَد كعملية تعتمد على الماء المفرط التبريد وديناميات الصعود داخل العواصف الحملية، حيث يتأثر حجم حبات البَرَد بسرعة الصعود وتوفر السائل المفرط التبريد. تناقش الورقة التحديات في قياس أحجام حبات البَرَد والطاقة الحركية مباشرة، وغالبًا ما تعتمد على قياسات الرادار لجمع البيانات. يتم تقديم مقاييس مختلفة لشدة البَرَد المعتمدة على الرادار، مثل احتمال البَرَد (POH) والحجم الأقصى المتوقع للبَرَد الشديد (MESHS)، إلى جانب تطويرها وتطبيقها في تقدير تأثيرات البَرَد. تمهد المقدمة الطريق للأقسام التالية، التي ستستكشف بيانات الرادار والأضرار، وتطوير النموذج، والتقييم في سياق تقييمات أضرار البَرَد في الوقت الحقيقي.
نقاش
في هذا القسم، يحدد المؤلفون المنهجية لتطوير نموذج أضرار البَرَد، والذي يعتمد على ثلاثة مجموعات بيانات حاسمة: بيانات المخاطر التي تشير إلى حدوث البَرَد وشدته، وبيانات التعرض التي تفصل مواقع الأصول وقيمها، وبيانات الأضرار التي تعكس تعرض الأصول للبَرَد. يتم اشتقاق بيانات المخاطر من خمسة رادارات من ميتو سويس، التي توفر منتجات رادارية متنوعة، بما في ذلك الحجم الأقصى المتوقع لحبات البَرَد (MESHS) والطاقة الحركية المعادلة (E kin). يتم حساب هذه المنتجات باستخدام خوارزميات مثبتة تربط بين عكسية الرادار وخصائص البَرَد، مما يسمح بتقدير حجم وشدة البَرَد. يؤكد المؤلفون على أهمية بيانات المخاطر الدقيقة، مشيرين إلى أن مقاييس الرادار يتم تقييمها من حيث مهاراتها التنبؤية في تحديد أحداث البَرَد الضارة.
تستمد مجموعات بيانات التعرض والأضرار من تأمينات المباني الكانتونية في سويسرا، مما يغطي جزءًا كبيرًا من السكان ويوفر تقارير شاملة عن أضرار المباني من 2002 إلى 2021. يوضح المؤلفون خطوات المعالجة المسبقة التي تم اتخاذها لضمان اتساق البيانات، بما في ذلك ترميز العناوين واستبعاد المطالبات غير المعقولة. تكشف التحليلات أن إجمالي حجم المطالبات على مدى فترة 20 عامًا كبير، مع جزء كبير يُنسب إلى عدد قليل من أحداث البَرَد الشديدة. يناقش المؤلفون أيضًا العلاقة بين قيمة المبنى والأضرار، مشيرين إلى وجود علاقة غير خطية حيث تتناقص الأضرار بالنسبة لقيمة المبنى كلما زادت قيمة المبنى.
أخيرًا، يقيم المؤلفون مقاييس شدة البَرَد المعتمدة على الرادار باستخدام بيانات أضرار المباني الموضوعة جغرافيًا، مع التركيز على حدوث البَرَد الضار بدلاً من شدته. يستخدمون مقاييس مهارة متنوعة لتقييم أداء متغيرات الرادار المختلفة، مستنتجين أن MESHS يظهر أكبر وعد في التنبؤ بدقة بأضرار البَرَد، على الرغم من قيوده. تختتم هذه القسم بمناقشة عملية معايرة النموذج، التي تتضمن تحويل شدة المخاطر إلى أضرار متوقعة من خلال العلاقات التجريبية، مما يوفر إطارًا قويًا لتقييم مخاطر أضرار البَرَد.
القيود
تتعلق قيود نموذج MESHS لتقدير أضرار البَرَد بشكل أساسي بتمثيله المكاني ودقة الملاحظات المعتمدة على الرادار. على الرغم من أن النموذج يلتقط 88% من مطالبات أضرار البَرَد الملاحظة، إلا أنه يميل إلى المبالغة في تقدير النطاق المكاني لأضرار البَرَد، مما يؤدي إلى أنماط أضرار أوسع وأقل شدة مقارنة بالأحداث الفعلية. على سبيل المثال، غالبًا ما تكون أضرار البَرَد الفعلية محصورة في خطوط أضيق من 3-10 كم، مما يؤدي إلى تناقضات حيث تظهر مناطق إشارة MESHS دون أضرار موثقة مقابلة. تكون هذه المبالغة في التقدير واضحة بشكل خاص في الأحداث الشديدة، حيث لا يتم تمثيل الأضرار الشديدة المحلية بشكل كافٍ، مما يقلل من مهارة النموذج على المقاييس الأصغر، مثل مستوى الكانتون.
لتحسين نمذجة الأضرار، يتم تسليط الضوء على إمكانيات البيانات المستندة إلى الحشود، حيث يمكن أن توفر بصمات مكانية أكثر دقة وتقديرات أضرار محلية. ومع ذلك، فإن التحديات مثل التقارير غير المتسقة وعدم الدقة خلال الليل تحد من فعالية البيانات المستندة إلى الحشود مقارنة بالتقديرات المعتمدة على الرادار. على الرغم من هذه العيوب، فإن دمج التقارير المستندة إلى الحشود، خاصة في المناطق ذات الكثافة السكانية العالية، يمثل طريقًا واعدًا لتحسين تقييمات أضرار البَرَد. علاوة على ذلك، فإن استخدام مطالبات التأمين كمعيار للتحقق يوفر طريقة متماسكة للتحقق من الكشف عن البَرَد المعتمد على الرادار، على الرغم من أن عدم الدقة الزمنية في التقارير يتطلب فحوصات جدوى دقيقة. بشكل عام، بينما يتمتع نموذج MESHS بفائدة كبيرة، فإن قيوده تبرز الحاجة إلى تحسين المنهجيات ودمج البيانات لتعزيز دقة توقعات أضرار البَرَد.
DOI: https://doi.org/10.5194/nhess-24-847-2024
Publication Date: 2024-03-11
Author(s): Timo Schmid et al.
Primary Topic: Meteorological Phenomena and Simulations
Overview
This research presents a novel open-source hail damage model for buildings and vehicles in Switzerland, utilizing single-polarization radar data and a comprehensive dataset of 250,000 geolocated hail damage reports from 2002 to 2021. The study evaluates various radar-based hail intensity measures at a 1 km resolution, identifying the maximum expected severe hail size (MESHS) as the most effective metric, despite its high false-alarm ratio. The model incorporates asset-specific hail damage impact functions calibrated on MESHS, achieving accurate estimations of damage magnitude for buildings (91% accuracy) and vehicles (74% accuracy) across over 100 significant hail events.
The findings indicate that severe hailstorms have caused approximately CHF 1.39 billion in damages to buildings over the past two decades, with a significant concentration of damage occurring during the strongest hail events. The study highlights the limitations of radar-based detection, particularly in distinguishing between varying hail sizes, which affects the spatial accuracy of damage predictions. While the model provides valuable real-time damage estimates, it also underscores the need for improved data sources, such as crowdsourced reports and dual-polarization radar metrics, to enhance the reliability of hail damage assessments. Future applications may include using numerical weather predictions to generate probabilistic hail impact estimates, thereby advancing risk quantification in a changing climate.
Introduction
The introduction of the paper addresses the significant impact of severe hailstorms on infrastructure in Switzerland, citing a notable event on June 28, 2021, which resulted in CHF 400 million in damages. The authors highlight the potential for increased hail severity due to climate change, emphasizing the correlation between hailstone size and the extent of damage to buildings and vehicles. Specifically, hailstones larger than 2.5 cm can cause structural damage, while those exceeding 4-5 cm are likely to result in severe destruction, such as broken windows or roof tiles.
The formation of hailstones is explained as a process reliant on supercooled water and updraft dynamics within convective storms, where the size of hailstones is influenced by the updraft speed and the availability of supercooled liquid. The paper discusses the challenges in measuring hailstone sizes and kinetic energy directly, often relying on radar measurements for data collection. Various radar-based hail intensity metrics, such as the Probability of Hail (POH) and Maximum Expected Severe Hail Size (MESHS), are introduced, along with their development and application in estimating hail impacts. The introduction sets the stage for the subsequent sections, which will explore radar and damage data, model development, and evaluation within the context of real-time hail damage assessments.
Discussion
In this section, the authors outline the methodology for developing a hail damage model, which relies on three critical datasets: hazard data indicating hail occurrence and intensity, exposure data detailing asset locations and values, and damage data reflecting asset vulnerability to hail. The hazard data is derived from five MeteoSwiss radars, which provide various radar products, including Maximum Expected Size of Hail Stones (MESHS) and Equivalent Kinetic Energy (E kin). These products are calculated using established algorithms that relate radar reflectivity to hail characteristics, allowing for the estimation of hail size and intensity. The authors emphasize the importance of accurate hazard data, noting that the radar metrics are evaluated for their predictive skill in identifying damaging hail events.
The exposure and damage datasets are sourced from cantonal building insurances in Switzerland, covering a significant portion of the population and providing comprehensive building-level damage reports from 2002 to 2021. The authors detail the preprocessing steps taken to ensure data consistency, including geocoding addresses and filtering out implausible damage claims. The analysis reveals that the total claim volume over the 20-year period is substantial, with a significant portion attributed to a few extreme hail events. The authors also discuss the relationship between building value and damage, indicating a non-linear correlation where damage relative to building value decreases as building value increases.
Finally, the authors evaluate the radar-based hail intensity measures using the geolocated building damage data, focusing on the occurrence of damaging hail rather than its intensity. They employ various skill metrics to assess the performance of different radar variables, concluding that MESHS demonstrates the most promise for accurately predicting hail damage, despite its limitations. The section culminates in a discussion of the model calibration process, which involves translating hazard intensity into expected damage through empirical relationships, thereby providing a robust framework for assessing hail damage risk.
Limitations
The limitations of the MESHS-based model for estimating hail damage are primarily related to its spatial representation and the accuracy of radar-based observations. Although the model captures 88% of observed hail damage claims, it tends to overpredict the spatial extent of hail damage, resulting in broader and less intense damage patterns compared to actual events. For instance, actual hail damage is often confined to narrower streaks of 3-10 km, leading to discrepancies where areas show a MESHS signal without corresponding reported damages. This overprediction is particularly evident in severe events, where localized extreme damages are not adequately represented, thus diminishing model skill at smaller scales, such as the canton level.
To enhance damage modeling, the potential of crowdsourced data is highlighted, as it can provide more accurate spatial footprints and localized damage estimates. However, challenges such as inconsistent reporting and inaccuracies during nighttime limit the effectiveness of crowdsourced data compared to radar-based estimates. Despite these drawbacks, the integration of crowdsourced reports, particularly in densely populated areas, presents a promising avenue for improving hail damage assessments. Furthermore, the use of insurance claims as a verification metric offers a coherent method for validating radar-based hail detection, although temporal inaccuracies in reporting necessitate careful plausibility checks. Overall, while the MESHS model has significant utility, its limitations underscore the need for improved methodologies and data integration to enhance the accuracy of hail damage predictions.