MétaCan
Menu
← Retour à la cohorte
Enregistrement W7156568404

Reconstruction de l'épaisseur de la glace de mer par inversion de forme d’onde d’icequakes et tomographie

2025· dissertation· en· W7156568404 sur OpenAlexaboutno aff
Hooshmand Zandi

Notice bibliographique

RevueHAL (Le Centre pour la Communication Scientifique Directe) · 2025
Typedissertation
Langueen
DomaineEarth and Planetary Sciences
ThématiqueArctic and Antarctic ice dynamics
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésInversion (geology)Sea iceSynthetic dataWaveformEarth structureSea ice concentrationSeismic inversionPassive seismic
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Sea ice plays a crucial role in the Earth's climate system, serving both as a driver of and a sensitive indicator for environmental change—particularly in polar and sub-polar regions. This study seeks to improve our understanding of sea ice structure and its temporal variability in response to environmental forces by reconstructing sea ice thickness through seismic waveform inversion and tomography, using both passive and active seismic datasets. The broader goal is to contribute to a better understanding of climate changes.We use forward modeling of seismic wave propagation in sea ice to generate synthetic waveforms, employing the Spectral Element Method (SEM). These synthetic waveforms are then used in an inversion framework that compares them to observed waveforms recorded by seismic receivers deployed on the ice. By minimizing the misfit between synthetic and observed data through a stochastic approach combined with grid search, we estimate ice thickness along source-receiver paths and determine icequake locations. This inversion strategy is applied to both passive and active seismic source data. Once ice thickness estimates are obtained, they are used as input for a second inversion step: seismic tomography. This process yields spatially resolved maps of sea ice thickness.The approach is validated through synthetic tests and applied to several real datasets. The primary dataset, acquired on Lake Vallunden, Svalbard (Norway) between 28 February and 26 March 2019, includes continuous passive recordings as well as two active-source experiments, from 247 sensors. Daily icequakes extracted from passive data using machine learning algorithms form the basis for our inversion. Additional datasets from small-scale active-source experiments conducted in Québec, Canada, in March 2024 and February 2025 provide further validation of our approach. In all cases, seismic tomography results are consistent with field observations, including in-situ measurements and temperature records.The daily ice thickness maps derived from the Svalbard data reveal a clear spatial pattern, with thinner ice at the center of the lake and thicker ice toward the edges. They also capture daily changes in ice growth and thinning over time, showing meaningful correlations with observations and temperature fluctuations. These results demonstrate the robustness and sensitivity of our method, which combines effective numerical modeling with advanced inversion strategies. By capturing the daily evolution of sea ice structure, this work offers valuable insights into the structure and evolution of sea ice thickness, and introduces a novel tool for observing and understanding climate-driven changes in cryospheric environments.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,014
Score d'incertitude au seuil0,027

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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.

Tête enseignante Opus0,006
Tête enseignante GPT0,211
Écart entre enseignants0,205 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueHAL (Le Centre pour la Communication Scientifique Directe)→Même sujetArctic and Antarctic ice dynamics→Travaux en français237 207→