Notice bibliographique
Résumé
Abstract Using 155 distributed seismic stations spanning Alaska and western Canada, we document how environmental factors like storms and sea ice influence microseismic noise. We examine power spectral densities of continuous seismic data and focus on secondary microseisms (5–10 s) and short period secondary microseisms (1–2 s) from 2018 to 2021. We cross‐correlate the height of ocean waves across the region with the power spectral density time series. We find that the Gulf of Alaska is the dominant source of secondary microseisms in Alaska. The eastern Gulf, in particular, produces more energetic secondary microseisms despite, at times, lower overall wave amplitudes. We find that the short period secondary microseismic noise is produced in the coastal waters and attenuates quickly moving inland. We show that this band is heavily modulated by the influence of sea ice in the coastal ocean by comparing it with sea ice concentrations. We also document how these two microseismic bands vary seasonally and spatially as they respond to different environmental phenomena. We find that this seismic energy closely tracks the seasonal arrival and departure of sea ice in the coastal waters. We also compare the inter‐annual variability of short period secondary microseisms in the northern Arctic from 2009 to 2023 with shorefast ice data. The findings of this study are crucial for monitoring global climate change through seismology.
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 | 0,001 | 0,001 |
| 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 ».