Teknisk beskrivelse af data i Klimaatlas

Her gives en mere teknisk beskrivelse af databehandlingen i Klimaatlas. For endnu større detaljegrad henvises til den fulde dokumentation i DMI Rapport 20-18 (på engelsk).

Biasjustering af data fra klimamodeller

Klimaatlas er baseret på nutidige observationer og klimamodeller, der er rettet ind, så de giver retvisende information om nutidige klimaforhold. Modelfremtiden rettes ligeledes ind, og grundprincippet i metoden er den antagelse, at de korrektioner, der foretages på basis af nutidsdata, også vil rette modellernes fremtids-projektioner ind.

Såkaldt biasjustering af modeldata kan foretages på flere måder. Vi har i arbejdet med Klimaatlas særskilt undersøgt, hvilke metoder der er bedst i forskellige anvendelser (se DMI rapport 20-18). Vi har således fundet, at der skal bruges to overordnede metoder:

  • Den første metode bruges for størrelser som middeltemperatur, middelnedbør og de ikke-ekstreme nedbørshændelser.
  • Den anden metode bruges til ekstreme hændelser for nedbør og stormfloder.

Grundlaget for begge metoderne er et observationsmateriale og et antal klimamodeller. Idet modellerne og observationerne foreligger på forskellige former skal en fælles repræsentation findes. Derfor bruges re-gridding og interpolation på enten model- eller observationsdata, afhængig af typen af data.

Modellerne angiver ikke i sig selv de ønskede indekser; modellerne giver blot tidsserier for f.eks. temperatur, nedbør eller havniveau. Ud fra de biasjusterede tidsserier skal de forskellige klimaindekser (for eksempel antal dage med mere end 10 mm nedbør eller højeste 5-døgns nedbørssum) beregnes. Endelig skal de fremkomne indekser for det store antal modeller præsenteres på Klimaatlas' grafiske flade, som kort og som opsummerende statistik om usikkerhed, i tre fremtidsperioder.

Hvilke modeller arbejdes der med?

Fra EURO-CORDEX-11 projektets database (https://euro-cordex.net/) har vi taget alle passende modeller til vores arbejde i Klimaatlas og yderligere indhentet CORDEX-modeller for 1-times nedbør direkte fra adskillige CORDEX-deltagere. Vi arbejder med modeller fra de to udslipsscenarier RCP4.5 og RCP8.5.

Antallet af modeller er ikke ens i RCP4.5 og RCP8.5: Der er pt. 20 modeller i RCP4.5, mens der er 57 i RCP8.5 (se DMI rapport 20-18 for lister over de anvendte modeller).

Hvilke observationsdata er der brugt?

Observationsmæssigt er Klimaatlas primært baseret på DMI's Klimagrid Danmark (KGDK, DMI Tekniske rapporter 99-12, 99-15 og 10-13). For ekstremnedbøren anvendes analyser af nedbørsdata fra Ingeniørforeningen i Danmark, IDAs Spildevandskomité (SVK Skrift 30). For nutidige 20- og 50-års stormfloder anvendes ekstremværdiparametrene fra Kystdirektoratets højvandsstatistikker (Kystdirektoratet 2019).

I nedbørsdata, som eksempelvis KGDK, vil såkaldt 'undercatch' typisk spille en rolle: Ved blæsevejr kan regnmålere registrere for lidt nedbør, og effekten kan være af størrelsesordenen 10-20 %. Under tiden udføres efterfølgende korrektion for dette, men for at bibeholde bedst mulig sammenlignelighed mellem DMI's officielle klimanormaler og Klimaatlas, har vi valgt ikke at benytte undercatch-korrektion på nedbørsdata. Således ligger Klimaatlas' landsgennemsnit for årsnedbør (741 mm) i referenceperioden 1981-2010 inden for 1 procent af den officielle DMI-normal (746 mm). På grund af metoden, der anvendes til modelkalibrering, samt den efterfølgende regridding og arealaggregering beskrevet i det følgende, kan denne afvigelse dog lokalt være større, og kommunetal kan afvige fra de officielle DMI-normaler. Her skal Klimaatlas' referenceværdi blot ses som det udgangspunkt, de fremtidige ændringer beregnes i forhold til. Af samme grund angives et usikkerhedsinterval for referenceværdierne, fordi de er baseret på værdier fra de biasjusterede modeller i perioden og ikke direkte på observationsdata. Denne fremgangsmåde skyldes, at det eksisterende observationsgrundlag ikke tidsmæssigt dækker hele den valgte referenceperiode.

Ligeledes optræder der forskelle mellem de værdier, Klimaatlas giver for 10- og 100-årshændelser for 24-timers nedbør, og dem, der gives i DMI's opgørelse af ekstreme døgnhændelser (DMI Tekniske rapport TR 14-15). Dette skyldes, at Klimaatlas' returværdier for såvel 1-times og 24-timers nedbør er kalibreret mod SVK's tal (Skrift 30). Opgørelsen af 24-timers nedbør i SVK og de ekstreme døgnhændelser i DMI's statistik er forskellige på en række områder, f.eks. længere opgørelsesperiode og bredere rumlig dækning i DMI's underliggende stationsnetværk, forskellig målerteknik og kvalitetssikring, samt måden 24-timers nedbørsekstremer bestemmes: I SVK's analyser (og dem foretaget i Klimaatlas) benyttes løbende 24-timers perioder, mens DMI's længere tidsserier er begrænset til faste døgnsummer (opgjort kl. 08-08 eller 00-24). For såvel 10- som 100-årshændelsen i 24-timers nedbør er SVK's og Klimaatlas' referenceværdier omtrent 10 mm højere end dem opgjort i DMI's tekniske rapport 14-15. Resampling af modeldata med henholdsvis rullende 24-timers og faste døgnsummer har vist, at de faste døgnsummer fører til lavere estimater af ekstremerne.

Biasjustering af temperatur og nedbør

Denne metode benyttes til biasjustering af middelværdier for temperatur og nedbør, samt 1-, 5- og 14-døgns maksimal nedbør. De sidste defineres som den maksimale nedbørssum beregnet i de nævnte tidsintervaller hen over året eller de fire årstider. Metoden bruges også til de to indekser, der giver antal dage per år med mere end 10 og 20 mm nedbør.

Observationsdata fra KGDK (10x10 km for nedbør og 20x20 km for temperatur) regriddes til CORDEX-modellernes fælles ca. 12x12 km grid med nearest neighbour interpolation. De regriddede KGDK-data bruges til Biasjustering af alle modellernes tidsserier for temperatur og nedbør.

Metoden består af en kvantil-kvantil (q-q) mapping baseret på lineær interpolation mellem percentilerne fra 1 til 99%, i 1% skridt. En nutidig kalibreringsperiode 1989-2018, bestemt af længden af KGDK, bruges til at bestemme kvantil-metodens udformning. Denne bruges siden på modeldata både i referenceperioden 1981-2010 og i de fremtidige perioder 2011-2040, 2041-2070 og 2071-2100. Modelværdier, der falder uden for enderne af q-q-relationen, biasjusteres med en ret linje, fitted robust til de 99 kvantil-par, lagt i forlængelse (før og efter) af sidste og første punkt.

Klimaindekserne beregnes nu på de biasjusterede model-tidsserier for alle modeller. Først beregnes absolutværdier for midlerne i de fire 30-årsperioder (1981-2010, 2011-2040, 2041-2070 og 2071-2100), og derefter ændringerne for disse i de tre fremtidsperioder ift. referenceperioden.

De beregnede indekser interpoleres til et 1x1 km grid under Det Danske Kvadratnet. Data fra referenceperioden glattes med et 25x25 km filter, mens data fra fremtidsperioderne glattes med et 75x75 km filter. Derved bevares den rumlige struktur fra observationsmaterialet, og de ikke-robuste findetaljer i modellernes fremtidsændringer glattes ud. 

Med data fra de mange modeller er der nu i hver 1x1 km gridcelle en fordeling af indekser beregnet fra biasjusterede modeldata for hvert indeks, hver tidsperiode, hver årstid og hvert RCP-scenarie. Dernæst bestemmes 10-, 50- og 90-percentilerne for disse fordelinger ved interpolation i fordelingen. Slutteligt aggregeres disse percentiler til kommuner og vandoplande.

Referenceværdier 1981-2010

Referenceværdierne i Klimaatlas er baseret på biasjusterede klimamodeldata. På grund af metoden, der anvendes til modelkalibrering, samt den efterfølgende regridding og arealaggregering, kan der lokalt være afvigelser fra de officielle DMI-normaler. Her skal Klimaatlas' referenceværdi blot ses som det udgangspunkt, de fremtidige ændringer beregnes i forhold til. Af samme grund angives et usikkerhedsinterval for referenceværdierne, fordi de er baseret på værdier fra de biasjusterede modeller i perioden og ikke direkte på observationsdata. Denne fremgangsmåde skyldes, at det eksisterende observationsgrundlag ikke tidsmæssigt dækker hele den valgte referenceperiode.

Biasjustering af ekstremer for nedbør

Metoden bruges til biasjustering af ekstremer inden for nedbør og stormfloder. For nedbør omfatter dette 2-, 5-, 10-, 20-, 50- og 100-årsreturværdier for time-nedbør og for 24-timers summer i løbende vinduer. Specialtilfældet for skybrud beskrives særskilt nedenfor.

Ekstreme hændelser er sjældne, og derfor kan der forekomme store usikkerheder, hvis fremtidsprojektioner baseres på de få ekstreme hændelser, der realiseres i modellerne. Derfor bruges den parametriske q-q-mapping-metode, hvor en statistisk model for fordelingen af ekstremer fittes til ekstreme data, hvorefter den fittede q-q-transformation bruges til at uddrage de ønskede statistikker.

Ekstremnedbør

For ekstremnedbøren foretages biasjusteringen med udgangspunkt i SVK's metoder (Skrift 30), hvorved SVK's tal for ekstremværdiparametrene i kalibreringsperioden benyttes uændret. Der bygges en statistisk relation mellem 1- og 24-timers nedbørsdata fra modeller og et sæt observerede ekstremværdi fordelings-parametre fastsat af SVK ved hjælp af 'peak over threshold' (POT) metoden.

Indledningsvis interpoleres alle modeldata til Klimagrid Danmarks 10x10 km grid med nearest neighbour-metoden. Dernæst fastlægges POT-metodens tærskel for observerede data og for hver model for hvert klimascenarie ved, at der skal være tre hændelser pr. år. Dernæst fittes en generaliseret Pareto-fordeling lokalt i hvert gridpunkt.

Nu biasjusteres modellernes returværdier ved hjælp af q-q-transformationen. Som ovenfor interpoleres til 1x1 km grid og glattes, der bestemmes 10-, 50- og 90-percentiler i hvert gridpunkt, og til sidst aggregeres til kommuner og vandoplande.

Skybrud

Skybrud defineres af DMI som mere end 15 mm nedbør på 30 min. Ved projektion af det forventede antal skybrud kan ovenstående metode ikke anvendes direkte, da der i samlingen af klimamodeller kun findes data for timenedbør. Vi har derfor benyttet modellernes 1-times nedbørssummer som repræsentant for skybrud og foretager en skalering til den observerede frekvens af skybrud i Danmark ved hjælp af den parametriserede ekstremværdifordelingsmetode.

Af DMI's observationsmateriale (DMI rapport 19-06)  fremgår det, at der i perioden 2011 til 2018 gennemsnitligt blev observeret 87 skybrud ved ca. 258 nedbørsstationer. Det vil sige, at der i gennemsnit går tre år mellem hvert skybrud ved en given målestation.

Vi anvender den ovenfor beskrevne ekstremværdifordeling for modellernes 1-times nedbørsum. Der bestemmes, i hvert gridpunkt og for hver model, den nedbørsintensitet i referenceperioden, der har returperiode 3 år. Denne nedbørsintensitet bruges nu som projektion for skybrud i fremtidsperioderne ved at se, hvor ofte denne intensitet forekommer i fremtiden ved hjælp af ekstremværdifordelingen for fremtidige modeldata.

Som ovenfor interpoleres til 1x1 km grid og glattes, der bestemmes 10-, 50- og 90-percentiler i hvert gridpunkt, og til sidst aggregeres til kommuner og vandoplande.

Beregning af fremtidens middelvandstand

Det globale havniveau stiger med meget stor sikkerhed i fremtiden (IPCC AR5 & SROCC) men ikke jævnt fordelt over verdenshavet. Globalt knytter stigningen sig primært til afsmeltning fra gletsjere, iskapper samt til havets optag af varme. Klimaatlas' data for de danske kyster tager udgangspunkt i AR5, men inkluderer et forhøjet fremtidigt bidrag til det globale havniveau fra Antarktis' gletsjere og iskapper som angivet i SROCC. Det øgede bidrag fra Antarktis medtages for danske kyster med en vægtning på 110%, i henhold til den globale omfordeling af masse, der også anvendes i AR5.

Omkring Danmark kompenseres stigningerne delvist af landhævning. Her bruger Klimaatlas tal fra DTU Space. Landhævningen er på ca. 0,2 meter på 100 år i det nordligste Jylland, faldende mod syd og vest til omtrent 0 meter i det sydligste Danmark. Der kan desuden være lokale forhold, der gør, at et område hæver eller sænker sig anderledes end det overordnede mønster. Disse bør indregnes, hvor informationen er tilgængelig, men dette er ikke en del af Klimaatlas.

Der kan være yderligere faktorer, som ændringer i vind, havstrømme, regionale temperatur- og saltforhold, der giver et regionalt signal for middelvandstanden. Dette er undersøgt for Danmark med DMI's havmodel HBM, påtrykt fremtidens klima. Der er ikke fundet signifikante regionale signaler for middelvandstanden, og dette er derfor ikke medtaget.

I Klimaatlas vises 10- og 90-percentiler, der angiver usikkerhedsintervallet. Disse er baseret på SROCC og AR5, og der er antaget en normalfordeling i oversættelsen fra rapporternes 'sandsynlige interval' (17- 83 percentiler) til 10- og 90-percentiler. For 10-percentilen er dette en god approksimation. For 90-percentilen kan dette give et tal i den lave ende, specielt for RCP8.5 klimascenariet, men metoden er valgt, fordi den er enkel og velbeskrevet.

Der er nemlig en lille, men ikke ubetydelig, risiko for store ændringer i havniveauet, altså en 'lang hale' i usikkerhedsfordelingens høje ende. Disse er kun kvalitativt beskrevet i AR5 og SROCC, men artiklen Bamber et al. (2019) samler en ekspertvurdering af, hvor store stigningerne bliver. Metoden med ekspertvurdering er valgt, fordi der ikke er realistiske modelsimuleringer af de processer, der forventes at kunne udløse store ændringer. I studiet angives, at for en 5 graders temperaturstigning i år 2100 er der en 5 % risiko for 2,4 meters global gennemsnitlig stigning i havniveau, i forhold til 2000-2010. Denne temperaturstigning ligger tæt op ad (men over) temperaturstigningen i det høje scenarie (RCP8.5). Det ville kræve en række antagelser at lave en vægtning til Klimaatlas' referenceperiode, specifikke klimascenarier, samt til regionale tal for Danmark. Da tallet allerede er en vurdering omgivet af en del usikkerhed, anbefales det at bruge tallet direkte og for alle kyststrækninger.

Området er altså ikke forskningsmæssigt velbelyst, og det må derfor indskærpes, at 95-percentilen vil blive opdateret, efterhånden som viden om risikoen for stor afsmeltning fra de store iskapper forbedres. Det skal dog bemærkes, at studiet af Bamber et al. (2019) ligger tæt op ad SROCC for det mest sandsynlige usikkerhedsinterval.

Således vurderes 95-percentilen for stigning i middelvandstand i det høje klimascenarie og slutningen af århundredet til 2,4 meter. Vi gør opmærksom på, at den store forskel på 90- og 95-percentilerne dels skyldes denne 'lange hale' i usikkerhedsfordelingen, hvor der er en lille risiko for store ændringer, og dels, at 90-percentilen er baseret på en lidt konservativ konsensus-vurdering, mens 95-percentilen er lavet til brug for usikkerhedsvurderinger.

Alle data i Klimaatlas er angivet relativt til DVR90, og det er antaget, at havniveauet i referenceperioden 1981-2010 er 0 meter, da referenceperioden næsten er centreret om referenceåret for DVR90.

Alle data angives for kyststrækninger. Inddelingen følger Kystdirektoratets inddeling i 36 strækninger, som dækker hele den danske kystlinje. Dog medtages kyststrækningerne Ringkøbing Fjord og Nissum Fjord ikke, da disse er reguleret af sluser. I Klimaatlas har vi valgt at lade hver kyststrækning repræsentere af den vandstandsmåler med bedst højvandsstatistik i området. De 34 kyststrækninger og tilhørende stationer er angivet i DMI rapport 20-18.

Ændringer i stormflodshøjder

Når vandstanden omkring Danmark stiger, vil fremtidens stormfloder også blive højere. Stormfloder vil desuden blive påvirket af ændringer i vinden. Til denne første version af Klimaatlas angives kun data for 20- og 50-års stormflodshændelser, dvs. de vandstande, der statistisk kan forventes hver 20. eller 50. år ved en given kyststrækning. Data for større hændelser kommer i senere udgaver af Klimaatlas.

I Klimaatlas bruges den officielle højvandsstatistik udarbejdet af Kystdirektoratet. Statistikken for vandstandsmåler-stationerne, der repræsenterer kyststrækningerne som beskrevet ovenfor, bruges som reference for nutidens stormfloder. Usikkerheden for den nuværende statistik er til brug i Klimaatlas vurderet af DMI med POT-GPD-metoden, der også er anvendt for ekstremnedbør (se DMI rapport 20-18).

Stormfloder i Danmark er afhængige af hele vejrmønsteret op mod og under hændelsen, inklusiv stormens bevægelse og vindens styrke, varighed og retning. Disse vejrmønstre kan ændre sig i fremtiden. For at bestemme betydningen af ændringen i vinden for stormfloder, har vi foretaget klima-beregninger med DMI's stormflodsmodel, som også anvendes til operationel varsling af stormfloder. Simuleringerne er lavet med stor detaljeringsgrad især i de indre dansk farvande. Af tekniske årsager er Limfjorden dog ikke med i simuleringerne for denne første version af Klimaatlas. I arbejdet frem mod lancering af Klimaatlas er der beregnet 2 ensemble-medlemmer af stormflodssimuleringer, altså 2 serier af beregninger for havet påtrykt forskellige bud på den atmosfæriske udvikling for hvert klimascenarie. Der er tale om i alt 300 års simuleringer, der er afviklet på DMI's supercomputer. Det har vist sig, at 2 ensemble-medlemmer ikke er tilstrækkeligt til at give et sikkert billede af vindens betydning for stormfloder, og flere simuleringer er planlagt frem mod de næste opdateringer af Klimaatlas, men de kræver lang beregningstid.

I denne første udgave af Klimaatlas antages derfor som bedste bud, at stormfloderne ændrer sig lineært med middelvandstanden. Median-værdien for en fremtidig stormflod er således givet ved median-værdien for den nuværende stormflod (højvandsstatistikken) plus stigningen i middelvandstand for den enkelte kyststrækning.

10- og 90-percentilerne for stormflodshændelser (usikkerhedsintervallet) er igen baseret på den nuværende højvandsstatistik kombineret med den relevante usikkerhed i middelvandstanden, idet det er antaget, at de to er uafhængige. Hvis bedste bud for ændringen i højvandsstatistikken for de første 2 serier af klima-simuleringer ligger uden for usikkerhedsintervallet for den nutidige højvandsstatistik, er usikkerhedsintervallet for højvandsstatistikken dog udvidet til at omfatte disse, inden usikkerhederne for stormflod og middelvandstand kombineres. Dette kan ses som et første bud på indbygning af vind-bidraget i usikkerhedsintervallet, og når flere ensemble-medlemmer bliver tilgængelige, bliver estimatet af usikkerhedsintervallet mere robust.

Særligt for kyststrækningerne i Limfjorden er denne justering af usikkerhedsintervallet ikke foretaget, da de første serier af klima-simuleringer med stormflodsmodellen ikke dækker Limfjorden.

Usikkerhed

Klimaatlas viser usikkerheder estimeret ved at se på spredningen over biasjusterede modellers projektioner og udmøntes som den viste spredning mellem 10- og 90-percentilerne. Dog benyttes en anden metode til stormflodsstatistikken baseret bl.a. på error-propagation (se ovenfor). Der kan forekomme andre bidrag til usikkerheder, som ikke udtrykkes af disse percentiler eller den propagerede usikkerhed. Disse vises ikke eksplicit, men drøftes i DMI rapport 20-18 og vurderes ikke at overstige 10-90 percentil-intervallet.

Det relativt lave antal model, der er til rådighed for scenariet RCP4.5, medfører under tiden uhensigtsmæssigheder i beskrivelsen af usikkerhedsintervallernes størrelser. Typisk kommer dette til udtryk ved, at usikkerhederne for RCP4.5-resultater er mere svingende, end de er for RCP8.5, eller at usikkerhedsintervallet er mindre for en af fremtidsperioderne, hvilket er usandsynligt. Mere realistiske estimater af usikkerheden findes derfor ved, at RCP4.5-resultaternes usikkerhedsinterval skaleres baseret på usikkerhederne i de andre tidsperioder.

Ændringer og absolut-værdier

På grund af måden man udregner statistikken fra en samling af klimamodeller, et såkaldt ensemble, optræder der en pudsig forskel mellem de viste ændringer og absolut-værdier.

Hvis man sammenligner en fremtidig absolut median-værdi med det tal, man får, når man tager referenceværdien og lægger den viste median-ændring til, vil man ofte se, at de to tal ikke nødvendigvis er ens. Det samme gælder for 10- og 90-percentilerne.

Dette skyldes, at medianerne for absolut-værdierne og ændringerne bestemmes på den måde, der giver det bedste estimat af de to:

For absolut-værdierne bestemmes referenceperiodens median ved at sortere alle modellernes referenceværdier og udvælge den midterste. Fremtidsperiodens median findes ved at sortere alle modellernes fremtidsværdier og udvælge den midterste. På denne måde uddrages ensemblets bedste estimat af referenceværdien og fremtidsværdien. Bemærk, at den model, der er midterst i referenceperioden, ikke nødvendigvis er den samme som den, der er midterst i fremtidsperioden.

Median-ændringen udregnes ikke som forskellen mellem referenceperiodens median og fremtidsperiodens median. I stedet udregnes ændringerne fra referenceperioden til fremtidsperioden model for model. Disse ændringer sorteres så efter størrelse, og den midterste er median-ændringen. På denne måde uddrages ensemblets bedste estimat af ændringen. Bemærk, at denne ændring hører til én særlig model, og denne model behøver hverken være modellen, der var midterst i referenceperioden eller i fremtidsperioden.

Sagt på en anden måde, så er ændringen i medianerne ikke nødvendigvis lig med medianen af ændringerne.

Man skal altså på forhånd afgøre, om man har brug for at kende ændringen eller absolutværdierne. Har man brug for absolutværdierne i fremtiden, så fås det bedste estimat ved tage disse direkte fra Klimaatlas - ikke ved at beregne dem fra referenceværdierne og ændringerne.

Litteraturliste

”Ice sheet contributions to future sea-level rise from structured expert judgment”, af Jonathan L. Bamber, Michael Oppenheimer, Robert E. Kopp, Willy P. Aspinall, and Roger M. Cooke. PNAS June 4, 2019 116 (23) 11195-11200, 2019 

DMI rapport 20-18, ”Methods used in the Danish Climate Atlas”, af Peter Thejll, Fredrik Boberg, Torben Schmith, Bo Christiansen, Ole Bøssing Christensen, Marianne Sloth Madsen, Jian Su, Elin Andree, Steffen Olsen, Peter Lang Langen, Kristine Skovgaard Madsen og Rasmus A. Pedersen, 2020.

DMI Teknisk rapport 99-12: ”KLIMAGRID – DANMARK, Nedbør, lufttemperatur og potentiel fordampning 20*20 & 40*40 km”, af Mikael Scharling.

DMI Teknisk rapport 99-15: ”KLIMAGRID DANMARK, Nedbør 10*10 km (ver.2)”, af Mikael Scharling.

DMI Teknisk rapport 10-13: ”Klimagrid Danmark, Dokumentation og validering af Klimagrid Danmark i 1x1 km opløsning”, af  Peter Riddersholm Wang og Mikael Scharling

DMI Teknisk rapport 14-15: ”Ekstremnedbør i Danmark 1872-september 2014 og 1961-september 2014 - ekstremværdianalyse af døgnnedbør og femdøgnsum i Danmark, 1872-september 2014 (5 stationer) 1961-september 2014 (33 stationer)”, af  John Cappelen og Peter Grunnet Wang

DMI rapport 19-06: ”Ekstrem nedbør i Danmark - opgørelser og analyser til og med 2018”, af John Cappelen

IPCC AR5, 2013: Climate Change 2013: The Physical Science Basis. Contribution of Working Group I to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change [Stocker, T.F., D. Qin, G.-K. Plattner, M. Tignor, S.K. Allen, J. Boschung, A. Nauels, Y. Xia, V. Bex and P.M. Midgley (eds.)]. Cambridge University Press, Cambridge, United Kingdom and New York, NY, USA, 1535 pp

Kystdirektoratet, ”Højvandsstatistikker 2017”, af Charlotte Ditlevsen, et al, revideret februar 2019, samt bilag

Spildevandskommiteens ”Skrift Nr. 30. Opdaterede klimafaktorer og dimensionsgivende regnintensiteter, 2014”, af Ida Bülow Gregersen, DTU, Henrik Madsen, DHI, Jens Jørgen Linde, Krüger, og Karsten Arnbjerg-Nielsen, DTU

Få besked, når vi opdaterer data

Skriv din email i feltet. Så får du besked, når data opdateres.