Estimation of Temperature and Salinity from Marine Seismic Data—A Two-Step Approach
Notice bibliographique
Résumé
Ocean-water temperature and salinity are two vital properties that are required for weather-, climate-, and marine biology-related research. These properties are usually measured using disposable instruments at sparse locations, typically from tens to hundreds of kilometers apart. Laterally interpolating these sparse measurements provides smooth temperature and salinity distributions within the oceans, although they may not be very accurate. Marine seismic data, on the other hand, show visible reflections within the water-column which are primarily controlled by subtle sound-speed variations. Because these variations are functions of the temperature, salinity, and pressure, estimating sound-speed from marine seismic data and relating them to temperature and salinity have been attempted in the past. These seismically derived properties are of much higher lateral resolution (less than 25 m) than the sparse measurements and can be potentially used for climate and marine biology research. Estimating sound-speeds from seismic data, however, requires running iterative seismic inversions, which need a good initial model. Currently practiced ways to generate this initial model are computationally challenging, labor-intensive, and subject to human error and bias. In this research, we outline an automated method to generate the initial model which is neither computational and labor-intensive nor prone to human errors and biases. We also use a two-step process of, first, estimating the sound-speed from seismic inversion data and then estimating the salinity and temperature. Furthermore, by applying this method to real seismic data, we demonstrate the feasibility of our approach and discuss how the use of machine learning can further improve the computational efficiency of the method and make an impact on the future of climate modeling, weather prediction, and marine biology research.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| 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 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».