Role of Waves in Forecasting Extreme Coastal Flooding under a Warming Climate: Insights from Norfolk, Virginia
Notice bibliographique
Résumé
Coastal flooding occurs when the total water level (TWL) exceeds that of the natural or built coastal defense. Operational models used to forecast the TWL typically consider the combined effect of mean sea level (MSL), high tide, and storm surge. However, the extent to which storm waves run up the beach or structure has traditionally been neglected. Several studies argue that excluding wave run-up could lead to a significant underestimation of the resulting coastal flooding. Others, in direct opposition, argue that extreme wave run-up metrics artificially inflate the estimated TWL. Here, these contradictory findings are addressed by quantifying the contribution of wave runup to coastal flooding at Norfolk (VA, USA) during Hurricane Irene (2011) using the Delft3D FM and FUNWAVE numerical models. To assess the impact of a warming climate, the analysis considered a range of sea level rise values and hurricane intensities, including a combined scenario that represents a 3°C increase in sea surface temperature by the year 2100. Wave run-up contributed the most (48% on average) to the TWL at the coast relative to the existing MSL but accounted for <20% of the inundated area, with the remainder flooded by the tide, surge, and SLR. These findings confirm that while wave run-up might play an important role in the TWL and damage along the coast, its contribution to the overall flood extent will be secondary when measured against other factors like storm surge and SLR for low-lying areas with broad continental shelves, like Norfolk. In addition, this study demonstrates the utility of relating the characteristics of each driver of coastal flooding to a target warming level in providing a physical basis for the magnitudes considered when forecasting the compounding consequences of climate change.
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 ».