Physical Modeling of Coastal Permafrost Erosion: A New Model for Predicting Niche Depth Evolution
Notice bibliographique
Résumé
Abstract Permafrost coastal systems are critical to Arctic environmental processes, and understanding their erosion dynamics is essential for addressing climate change impacts. These coastlines undergo unique thermomechanical erosion, where wave action, rising sea levels, and thermal degradation jointly drive a rapid coastline recession. This study demonstrates advancements in physically modeling coastal permafrost erosion using a laboratory setup that replicates natural Arctic coastal conditions. A wave flume with a representative nearshore slope and reproducible permafrost specimen preparation methodology allowed isolation of the hydrodynamic and thermodynamic effects. Distinct erosion patterns and rates were quantified under varying wave heights, periods, and thermal conditions. Results indicate that wave height is a dominant mechanical driver, with mean erosion rates increasing by over 100% from low to high wave conditions. Even low‐energy waves ( H = 0.02 m) enhanced erosion by more than 50% compared to still‐water conditions. Additionally, a higher ice content reduced niche deepening rates by 38%, which is attributed to latent heat delaying thawing. A new scalable thermomechanical model for erosional niche incision on an Arctic bluff is proposed based on a power‐law relationship that integrates the Froude, Iribarren, and Stefan numbers. This dimensionless approach captures the coupled influence of wave‐induced forces and permafrost thermal properties, exhibiting a strong predictive capability ( R 2 = 0.90) and outperforming existing analytical models. The experimental framework and new model offer new insights into Arctic coastal retreat mechanisms and provide a promising foundation for regional‐scale applications in coastal management under changing climatic conditions.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 ».