Pan‐Arctic Assessment of Coastal Settlements and Infrastructure Vulnerable to Coastal Erosion, Sea‐Level Rise, and Permafrost Thaw
Notice bibliographique
Résumé
Abstract This study assesses the vulnerability of Arctic coastal settlements and infrastructure to coastal erosion, Sea‐Level Rise (SLR) and permafrost warming. For the first time, we characterize coastline retreat consistently along permafrost coastal settlements at the regional scale for the Northern Hemisphere. We provide a new method to automatically derive long‐term coastline change rates for permafrost coasts. In addition, we identify the total number of coastal settlements and associated infrastructure that could be threatened by marine and terrestrial changes using remote sensing techniques. We extended the Arctic Coastal Infrastructure data set (SACHI) to include road types, airstrips, and artificial water reservoirs. The analysis of coastline, Ground Temperature (GT) and Active Layer Thickness (ALT) changes from 2000 to 2020, in addition with SLR projection, allowed to identify exposed settlements and infrastructure for 2030, 2050, and 2100. We validated the SACHI‐v2, GT and ALT data sets through comparisons with in‐situ data. 60% of the detected infrastructure is built on low‐lying coast (10 m a.s.l). The results show that in 2100, 45% of all coastal settlements will be affected by SLR and 21% by coastal erosion. On average, coastal permafrost GT is increasing by 0.8°C per decade, and ALT is increasing by 6 cm per decade. In 2100, GT will become positive at 77% of the built infrastructure area. Our results highlight the circumpolar and international amplitude of the problem and emphasize the need for immediate adaptation measures to current and future environmental changes to counteract a deterioration of living conditions and ensure infrastructure sustainability.
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) | 0,006 | 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 ».