Landcover-based detection of rapid impacts of extreme storm on coastal landscape
Notice bibliographique
Résumé
On September 24, 2022, Post-Tropical Hurricane Fiona made landfall in Atlantic Canada and caused unprecedented damages to the coastal communities and ecosystems therein. The aftermath triggered local government and communities in Prince Edward Island (PEI), Canada to rethink current policies and practices for coastal protection in the context of climate change. This historic hazard represents the escalating frequency and intensity of extreme weather events that globally threaten coastal regions, accelerating coastal erosion and endangering communities. This study employs landcover-based detection to assess rapid storm impact of Fiona on coastline of PEI using Sentinel-2 satellite images, to gauge the efficacy of landcover-based detection and quantify storm-induced coastal environmental changes. Our results indicate that, following Fiona, over 51 km2 coastal land loss due to the erosion at beach foreshore and inundation tidal flat, and over 11 km2 sand dune loss mainly on the PEI north shore. This constitutes a 3.5 % loss of coastal land resources within the 1798 km2 PEI coastal zone. Fiona also caused over 194 km2 area in coastal buffer zone showed temporal fluid-mud from the eroded sediments of sand dunes, cliffs, and tidal flats, suggesting the significant sediment loss from vertical structures in addition to the direct retreat. The landcover-based method can be regarded as a valuable tool for the storm impacts on coastal environments. Based on the coastal change pattern, more sustainable coastal protection and adaptation measures should be developed, focusing on reducing hydrodynamic intensity and improving erosion capacity, with consideration of the increasing likelihood of more intense and frequent storm events in a warming climate.
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 | 0,001 |
| 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) | 0,001 | 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 ».