Satellite and Statistical Approach for the Characterization of Coastal Storms Causing Damage on the Dakar Coast, Capital of Senegal (West Africa)
Notice bibliographique
Résumé
Today, coastal storms represent one of the most formidable environmental challenges, causing significant impacts on coastal communities. This situation underscores both the importance and urgency of studying storms and their characterization. This study proposes an innovative approach combining Principal Component Analysis (PCA) and machine learning (Classification and Regression Trees, CART) to characterize and distinguish damaging storms from non-damaging ones along the coast of Dakar, Senegal. The analysis revealed that among several hydrometeorological variables studied (wave height, period, direction, runup, wave energy, sea level anomaly, tide, etc.), the variables SLA and tide play a central role in the occurrence of damage, although they are weakly correlated with the others. By cross-analyzing these variables, critical thresholds were established, such as Tide > 0.53 m combined with SLA ≥ 0.061 m, Tide > 0.53 m and ECWL ≥ 1.3 m, as well as Runup ≤ 0.64 m associated with a high wave period (Tp), allowing accurate differentiation of potentially damaging storms. The CART method validated these results and identified three key combinations: (1) Tide–SLA, where no damage is observed if Tide < 0.53 m, and damage occurs beyond this threshold when SLA ≥ 0.061 m; (2) Tide–ECWL, where storms are damaging if Tide > 0.53 m and ECWL ≥ 1.3 m; (3) Runup–Tp, where storms are damaging if Runup ≤ 0.64 m or if Runup > 0.82 m with Tp ≥ 16 s. These results constitute the first application of machine learning for storm classification on the Senegalese coast, providing a novel quantitative foundation for better understanding the hydrodynamic conditions associated with damaging storms. The findings of this study could be valuable for risk management and the development of early warning systems
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 ».