Passive Seismology: Lightweight and Rapid Detection of Arctic Subsea and Sub‐Aquatic Permafrost
Notice bibliographique
Résumé
Abstract Low sea levels during the last Ice Age exposed millions of square kilometers of Arctic shelves which have been subsequently submerged, creating subsea permafrost. In onshore settings, permafrost can also exist beneath water bodies such as coastal lagoons, rivers, and thermokarst lakes. We explored passive seismology as a method for mapping unfrozen sediment thickness above subsea and sub‐aquatic permafrost. We present passive seismic data collected with the Mobile Ocean Bottom Seismic Instrument (MOBSI) from the Beaufort Sea near Tuktoyaktuk in Canada, Ivashkina Lagoon on the Bykovsky Peninsula, as well as a lake and river in the Lena Delta, Siberia, Russia. We use borehole data and frost probe measurements to identify permafrost‐related H/V measurement peaks and calibrate shear wave velocities for frequency‐to‐depth conversion. We employ the shortest path and maximum signal amplitude to connect peaks and generate geological profiles. The MOBSI detected the ice‐bonded permafrost table beneath the Beaufort Sea, as well as beneath a Siberian lake and lagoon. At Tuktoyaktuk, an ocean bottom seismometer revealed a 5% scatter about the peak frequency for three‐minute time windows and over 8 hr of recording time. With peak frequencies ranging from 4.9 ± 0.2 Hz to 27.6 ± 1.4 Hz, the depth to subsea permafrost ranged from 1.4 ± 0.1 m bsl at the shoreline to 14.0 ± 0.4 m bsl 240 m offshore. Given an accurate shear wave velocity, our findings highlight that MOBSI deployment times as short as 3 min are adequate for detecting Arctic subsea and sub‐aquatic permafrost.
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 | 0,001 | 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».