Spatial and Temporal Variation in Wave Overtopping Across a Coastal Structure Based on One Year of Field Observations
Notice bibliographique
Résumé
Coastal managers worldwide must prepare for changes in annual wave overtopping events due to climate change and sea-level rise. Research often assesses overtopping discharges by extreme events at a sea wall crest, typically using data from physical models or empirical rules based on scaled experiments. Here, we analyse a unique 1-year field dataset of coastal wave overtopping, from SW England, to determine the number of individual waves, regardless of their size, overtopping two locations across a coastal structure. The coastal conditions causing the most frequent overtopping differ from those driving it landward, complicating hazard communications for multiuse infrastructure. These data are the first field observations covering a year of tide, wave and wind conditions that cause overtopping of a vertical sea wall. Storms have a minimal (<2%) contribution to the number of tides associated with overtopping and the prevailing wave direction was not that associated with most overtopping events. Overtopping histograms identify the variability in the most likely time of overtopping relative to high tide for different wave categories across the structure. Sea-level rise, beach lowering and climate change will influence the annual number of waves overtopping in future. Change will be a complex balance between overtopping by different wave categories due to their likelihood of coincidence with water levels that do not cause depth-limitation over the foreshore or (partial-)reflection off the structure. It is possible the number of waves overtopping will reduce at the crest of a sea wall, while more of those overtopping waves will travel further inland.
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 ».