Advanced Seismic Processing Supported by Deep Learning for Subsea Permafrost Characterization

«RÉSUMÉ: Une caractéristique distinctive de la région arctique est la présence étendue du pergélisol, défini comme un matériau terrestre sous-surface gelé depuis au moins deux ans. La dégradation du pergélisol due à l’augmentation des températures est préoccupante car elle peut libérer des réserves de carbone, augmentant ainsi la quantité de carbone dans l’atmosphère et contribuant au réchauffement climatique mondial. Il est donc crucial de surveiller la distribution et la dégradation du pergélisol pour prédire son impact sur le réchauffement climatique. Alors que les techniques géophysiques évaluent efficacement les conditions du pergélisol sur terre, leur capacité à caractériser avec précision les zones de pergélisol sous-marin reste limitée. Le traitement sismique permet de faire la distinction entre les sédiments sous-marins contenant de la glace et ceux sans glace en exploitant la vitesse sismique de la glace dans le pergélisol sous-marin. Cependant, le traitement conventionnel est confronté à des défis en raison de l’absence de refractions reconnaissables à la base de la couche de pergélisol et de l’interférence entre différents types d’arrivées sismiques. En particulier, les techniques conventionnelles ne sont pas assez précises pour déterminer la distribution verticale du pergélisol, ce qui entrave notre compréhension de la distribution du pergélisol à l’échelle régionale. En revanche, les approches d’apprentissage profond contournent la nécessité de séparer les différentes arrivées en utilisant les données enregistrées pour établir une corrélation entre les images sismiques et les structures sous-surface. L’apprentissage profond peut potentiellement exploiter des arrivées traitées de manière non conventionnelle pour mieux résoudre le sous-surface.»