A quantitative method for deriving salinity of subglacial water using ground-based transient electromagnetics
Notice bibliographique
Résumé
Abstract Liquid water can exist at temperatures well below freezing beneath glaciers and ice sheets, where subglacial water systems, fresh and saline, have been shown to host unique microbial ecosystems. Geophysical techniques sensitive to fluid-content contrasts, e.g. electromagnetics, can characterize subglacial water and its salinity. Here, we assess the ground-based transient electromagnetic (TEM) method for deriving the resistivity and salinity of subglacial water. We adapt an existing open-source Bayesian inversion algorithm, which uses independent depth constraints, to output posterior distributions of resistivity and pore fluid salinity with depth. A variety of synthetic models, including a thin (5 m), conductive (0.16 Ωm), hypersaline (147 psu) subglacial lake, are used to evaluate the TEM method for imaging under 800 m-thick ice. The study demonstrates that TEM methods can resolve conductive, saline bodies accurately using external depth constraints, for example, from radar or seismic data. The depth resolution of TEM can be limited beneath deep (>800 m), thick (>50 m) conductive, water bodies and additional constraints from passive electromagnetic (EM) methods could be used to reduce ambiguities in the TEM results. Subsequently, non-invasive active and passive EM methods could provide profound insights into remote aqueous systems under glaciers and ice sheets.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».