Assessing the Impacts of Rising Sea Level on Coastal Morpho-Dynamics with Automated High-Frequency Shoreline Mapping Using Multi-Sensor Optical Satellites
Notice bibliographique
Résumé
Rising sea level is generally assumed and widely reported to be the significant driver of coastal erosion of most low-lying sandy beaches globally. However, there is limited data-driven evidence of this relationship due to the challenges in quantifying shoreline dynamics at the same temporal scale as sea-level records. Using a Google Earth Engine (GEE)-enabled Python toolkit, this study conducted shoreline dynamic analysis using high-frequency data sampling to analyze the impact of sea-level rise on the Malaysian coastline between 1993 and 2019. Instantaneous shorelines were extracted from a test site on Teluk Nipah Island and 21 tide gauge sites from the combined Landsat 5–8 and Sentinel 2 images using an automated shoreline-detection method, which was based on supervised image classification and sub-pixel border segmentation. The results indicated that rising sea level is contributing to shoreline erosion in the study area, but is not the only driver of shoreline displacement. The impacts of high population density, anthropogenic activities, and longshore sediment transportation on shoreline displacement were observed in some of the beaches. The conclusions of this study highlight that the synergistic use of multi-sensor remote-sensing data improves temporal resolution of shoreline detection, removes short-term variability, and reduces uncertainties in satellite-derived shoreline analysis compared to the low-frequency sampling approach.
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 | 0,001 |
| 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 ».