Detecting subsea permafrost layers on marine seismic data: An appraisal from forward modelling
Notice bibliographique
Résumé
ABSTRACT Detecting the top and base subsea permafrost from 2D seismic reflection data in shallow marine settings is a non‐trivial task due to the occurrence of strong free surface multiples. The potential to accurately detect permafrost layers on conventional 2D seismic reflection data is assessed through viscoelastic modelling. Reflection imaging of permafrost layers is examined through the evaluation of specific characteristics of the subsurface, acquisition parameters and their impact. Results show that limitations are related to the principles of the method, the intrinsic nature of the permafrost layers, and the acquisition geometry. The biggest challenge is the occurrence of free surface multiples that overprint the base permafrost reflection, with the worst‐case scenario the case of a thin layer of ice‐bonded sand. Wedge models suggest that if the base permafrost is dipping, it would intersect internal and free surface multiples of the seafloor and the top permafrost and be detected. Also, the amplitude ratio of the base permafrost reflection and the multiples decreases with the increasing thickness of permafrost. Therefore, the crosscutting relationship between the reflection at base permafrost reflection and the multiples might not be enough to detect the base permafrost for thicker permafrost layers. Finally, the experiment results show that, for partially ice‐bonded layers, the attenuation combined with the low reflectivity of the basal interface limits the likelihood to resolve the base permafrost, especially for thick permafrost layers.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».