Compounded influence of extreme coastal water level and subsidence on coastal flooding from satellite showcased at Saint-Louis (Senegal, West Africa)
Notice bibliographique
Résumé
In the face of rising in sea level due to climate change, the occurrence of extreme events such as storms is increasingly affecting coastal areas, particularly low-lying coasts. Knowledge of these phenomena is an important factor in mitigating the risk of coastal flooding and protecting coastal communities. The main objective of this study is to contribute to the understanding of the joint effect of changes in coastal extreme events and topographic subsidence on coastal flooding in Saint-Louis. As part of this process, we have quantified total water levels at the coast by using the regional sea level variation, ocean tide, surge, wind sea and swell waves data over the 1996–2021 period. All these datasets have been analyzed by Mann-Kendall statistical trend, the synthetic aperture radar (InSAR) interferometry technique, and the ‘zero side rule’ bathtub model. The results reveal a monotonic trend in total water levels on the Langue de Barbarie with the order of 0.049 m/yr the topographic subsidence varies from −6.4 to −0.4 mm/year. The spatialization of the flood wave reveals that the three spatial entities of Saint-Louis are extremely vulnerable to coastal flooding, but the extension of the flood wave is unevenly distributed at spatial scale. A comparison between the trend in maximum subsidence (-6.4 m/yr) and that in extreme mean water levels (0.049 m/yr) shows that the maximum trend in subsidence represents 13.06 % of the maximum trend in extreme coastal water level. This study enabled us to understand the influence of subsidence on flooding in Saint-Louis.
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 | 0,001 |
| 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 ».