MARC

 008260126s2025        us                              c    eng  d
■001000017358734
■00520260202104744
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798290650142
■035    ▼a(MiAaPQ)AAI32149735
■035    ▼a(MiAaPQ)Stanfordvh476mz1269
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a551.22
■1001  ▼aMongold,  Emily  Louise.
■24510▼aRegional  Models  for  Coastal  Climate  Risk  Assessment:  Subsurface,  Multi-Hazard,  and  Risk  Reduction  Perspectives
■260    ▼a[Sl]▼bStanford  University▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a292  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-01,  Section:  B.
■500    ▼aAdvisor:  Baker,  Jack.
■5021  ▼aThesis  (Ph.D.)--Stanford  University,  2025.
■520    ▼aClimate  change  is  increasing  the  rates  and  severity  of  natural  hazards  worldwide.  With  a  large  portion  of  the  global  population  living  along  coasts,  increases  in  hazards,  particularly  coastal  hazards,  pose  an  increasing  risk  to  communities.  Better  understanding  of  risk  and  the  uncertainty  of  that  risk  is  necessary  to  increase  the  resilience  of  our  societies  as  they  face  increasing  stresses.  To  this  end,  this  dissertation  contributes  to  the  following  objectives:  modeling  subsurface  conditions  including  their  uncertainty,  quantifying  climate  risk  from  a  multi-hazard  perspective,  and  considering  risk  reduction  techniques  and  the  social  outcomes  of  disasters.  Within  these  broad  objectives,  each  chapter  provides  specific  contributions.The  first  objective  to  model  subsurface  conditions  with  uncertainty  is  supported  by  Chapter  2  which  simulates  layers  of  hydraulic  conductivity  and  by  Chapter  3  which  quantifies  regional  liquefaction  hazard  and  risk.  Both  projects  utilize  detailed  soil  data  from  cone  penetration  tests  (U.S.  Geological  Survey,  2002)  to  simulate  soil  properties  across  the  subsurface,  considering  uncertainty  in  modeling  parameters.  Applied  to  a  case  study  of  Alameda,  CA,  the  proposed  approach  simulates  groundwater  levels  that  agree  better  with  empirical  data  than  previous  models,  giving  higher  confidence  to  simulations  under  sea  level  rise.  In  addition,  qualitative  and  quantitative  sensitivity  studies  show  the  importance  of  different  modeling  parameters  to  inform  future  application  to  probabilistic  simulations.  Chapter  3  expands  liquefaction  potential  index  from  single  point  locations  to  a  regional  context  through  a  3D  subsurface  soil  property  model.  This  methodology  calculates  probabilistic  liquefaction  risk  that  considers  uncertainty  in  spatial  subsurface  properties.  These  baseline  condition  and  hazard  models  contain  uncertainty  that  can  be  propagated  through  full  risk  analyses.The  second  objective  to  quantify  climate  risk  from  a  multi-hazard  perspective  is  addressed  by  Chapter  4.  This  project  defines  a  multi-hazard  framework  with  statistically  independent  hazard  pathways  that  are  summed  to  quantify  total  multi-hazard  risk.  Climate  risk  is  quantified  as  the  change  in  multi-hazard  risk  under  scenarios  of  future  climate.  For  a  case  study  of  Alameda,  sea  level  rise  risk  is  quantified  as  the  increase  in  loss  to  residential  housing  under  various  amounts  of  sea  level  rise.  This  risk  can  be  disaggregated  by  hazard  and  assessed  spatially  to  understand  which  assets  have  the  highest  climate  risk.  Community-level  risk  can  also  be  tracked  over  time  under  different  climate  scenarios  to  understand  how  the  increase  in  risk  compares  to  the  levels  of  climate  change.  For  the  Alameda  case  study,  while  earthquake  and  liquefaction  risk  is  dominating  at  present-day,  under  1  m  of  sea  level  rise,  coastal  flooding  risk  is  expected  to  exceed  the  annual  risk  of  losses  due  to  earthquake.  Climate  risk  is  somewhat  localized  to  neighborhoods  with  high  projections  of  coastal  flood  risk,  informing  areas  where  adaptation  strategies  should  be  prioritized.The  third  objective  to  consider  social  outcomes  of  disasters  and  enable  risk  reduction  is  met  by  Chapter  5,  which  presents  a  housing  recovery  model  that  includes  multiple  categories  of  housing  including  multi-family  and  rental  units,  and  by  Chapter  4,  which  quantifies  risk  reduction  achieved  by  different  adaptation  strategies.  The  housing  recovery  model  accounts  for  financing  programs  available  for  buildings  of  various  types  and  tenures,  and  a  case  study  for  a  Hayward  earthquake  event  in  Alameda,  CA,  reflect  that  despite  comparable  initial  damages,  multi-family  housing  takes  longer  to  recover  and  has  a  higher  rate  of  not  obtaining  the  necessary  financing  to  repair.
■590    ▼aSchool  code:  0212.
■650  4▼aEarthquakes
■650  4▼aDisaster  recovery
■650  4▼aSensitivity  analysis
■650  4▼aGroundwater
■650  4▼aFloods
■650  4▼aClimate  change
■650  4▼aResidential  buildings
■650  4▼aTsunamis
■690    ▼a0404
■71020▼aStanford  University.
■7730  ▼tDissertations  Abstracts  International▼g87-01B.
■790    ▼a0212
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17358734▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서