Seismic and Acoustic Monitoring of Submarine Landslides: Ongoing Challenges, Recent Successes and Future Opportunities
Notice bibliographique
Résumé
Submarine landslides pose a hazard to coastal communities due to the tsunamis they can generate, and can damage critical seafloor infrastructure, such as the network of cables that underpin global data transfer and communications. These mass movements can be orders of magnitude larger than their onshore equivalents and are found on all of the world’s continental margins; from coastal zones to hadal trenches. Despite their prevalence, and importance to society, offshore monitoring studies have been limited by the largely unpredictable occurrence of submarine landslide and the need to cover large regions of extensive continental margins. Recent subsea monitoring has provided new insights into the preconditioning and run-out of submarine landslides using active geophysical techniques, but these tools only measure a very small spatial footprint, and are power and memory intensive, thus limiting long duration monitoring campaigns. Most landslide events therefore remain entirely unrecorded. Here we first show how passive acoustic and seismologic techniques can record acoustic emissions and ground motions created by terrestrial landslides. We then show how this terrestrial-focused research has catalysed advances in the detection and characterisation of submarine landslides, using both onshore and offshore networks of broadband seismometers, hydrophones and geophones. We then discuss some of the new insights into submarine landslide preconditioning, timing, location, velocity and their down-slope evolution that is arising from these advances. We finally outline some of the outstanding challenges, in particular emphasising the need for calibration of seismic and acoustic signals generated by submarine landslides and their run-out. Once confidence can be enhanced in submarine landslide signal detection and interpretation, passive seismic and acoustic sensing has strong potential to enable more complete hazard catalogues to be built, and opens the door to emerging techniques (such as fibre-optic sensing), to fill key, but outstanding, knowledge gaps concerning these important underwater phenomena.
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) | 0,001 | 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) | 0,001 | 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 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 ».