Influence of Climate Variability on Extreme Ocean Surface Wave Heights Assessed from ERA-Interim and ERA-20C
Notice bibliographique
Résumé
Abstract Extreme ocean surface wave heights significantly affect coastal structures and offshore activities and impact many vulnerable populations of low-lying islands. Therefore, better understanding of ocean wave height variability plays an important role in potentially reducing risk in such regions. In this study, global impacts of natural climate variability such as El Niño–Southern Oscillation (ENSO), North Atlantic Oscillation (NAO), and Pacific decadal oscillation (PDO) on extreme significant wave height (SWH) are analyzed using ERA-Interim (1980–2014) and ECMWF twentieth-century reanalysis (ERA-20C; 1952–2010) datasets for December–February (DJF). The nonstationary generalized extreme value (GEV) analysis is used to determine the influence of natural climate variability on DJF maxima of SWH (Hmax), wind speed (Wmax), and mean sea level pressure gradient amplitude (Gmax). The major ENSO influence on Hmax is found over the northeastern North Pacific (NP), with increases during El Niño and decreases during La Niña, and its counter responses are observed in coastal regions of the western NP, which are consistently observed in both Wmax and Gmax responses. The Hmax response to the PDO occurs over similar regions in the NP as those associated with ENSO but with much weaker amplitude. Composite analysis of different ENSO and PDO phase combinations reveals stronger (weaker) influences when both variability modes are of the same (opposite) phase. Furthermore, significant NAO influence on Hmax, Wmax, and Gmax is observed throughout Icelandic and Azores regions in relation to changes in atmospheric circulation patterns. Overall, the response of extreme SWH to natural climate variability modes is consistent with seasonal mean responses.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».