Direct Joint Probability Method for Estimating Extreme Sea Levels
Notice bibliographique
Résumé
A key design element in coastal structures is the crest elevation which protects against damages due to overflowing and overtopping. In order to avoid overflowing, the design crest elevation should be above the extreme flood level, which is usually composed of tides and storm surges but could also include tsunami, El Niño, and other climatologic and geologic effects. The extreme flood level may be determined with the annual maxima, simple addition, or joint probability methods (JPM). These methods have various limitations in terms of the amount of required data, the representation of factors contributing to sea level fluctuations, the ability to assess the joint probability of these factors, and the degree of data independence required. To minimize overtopping, the design crest elevation should be above the extreme sea level which is evaluated considering wave runup and the extreme flood level. Wave runup estimates are based on selected extreme flood levels and the extreme wave climate, data for which are often dependent. A modification of the JPM, the direct JPM (DJPM), is developed for estimating extreme flood and sea levels. This method may be applied to consider any number of dependent contributing factors. Data for the City of Richmond, B.C., Canada, are used to demonstrate the DJPM. The DJPM provides an estimate of the extreme flood level for Richmond that is within the same range as those obtained using traditional estimation methods. The results indicate a large difference between extreme flood and sea level estimates. The sea levels at Richmond are also increasing due to climate and tectonic effects. A hybrid direct joint probability-simple addition method is applied to consider these effects.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».