Simulating flooding for tropical cyclones in Southern Africa with SWOT
Notice bibliographique
Résumé
Southern Africa has recently been impacted by flooding from a series of devastating tropical cyclones, including Idai in 2019 and Freddy in 2023. Estimating the risk of flooding from these extreme weather events has been hampered by a lack of observation data in the region, especially with respect to river flows and water levels. We present research from the REPRESA project, funded by the UK and Canadian governments under their climate adaptation and resilience (CLARE) program, which aims to improve the simulation of present-day and future tropical cyclone flooding in Southern Africa. Specifically, we present a flood inundation model driven by tropical cyclone simulations from kilometre-scale convection-permitting climate models, which has been calibrated to SWOT water height data. To set up the model, weather reanalysis from ERA5 and a hydrological model were used to simulate river discharge in the region. Given these discharges, river bathymetry was estimated from all available SWOT River SP node heights, providing a means to calibrate a large-scale LISFLOOD-FP flood inundation model. To facilitate the simulation of complex river systems with multi-threaded rivers, we link SWOT River SP node data to the recently released Global River Topology (GRIT) river network and Fathom DEM. Compound flooding along the coastline was simulated by linking to an ocean tide and surge model (ADCIRC). The resulting model was validated against flood extents observed by Sentinel 1 from Tropical Cyclone Idai.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».