Detecting subsea permafrost layers on marine seismic data: An appraisal from forward modelling
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle