Novel ways to process and model GEOTEM and MEGATEM data
Notice bibliographique
Résumé
The high‐frequency (i.e. near‐surface) information of GEOTEM and MEGATEM data is contained in the data recorded during the transmitter pulse, which can be difficult to model with conductivity‐depth algorithms. Data processing methods originally developed for the TEMPEST system allow GEOTEM and MEGATEM half‐sine data to be transformed to GEOTEM and MEGATEM square‐wave data, respectively. The advantages of the transformed square‐wave data are that they refer to a standardised waveform that does not vary through a survey, the high‐frequency information in the received signal can be readily utilised and the data can be easily corrected for variations in the transmitter height, pitch, roll and receiver offset. Modelling results from MEGATEM data acquired at the Reid Mahaffy test site indicate that the transformation works well for survey data. An alternate way to make use of the GEOTEM and MEGATEM on‐time data for conductivity‐depth modelling is their inclusion in the modelled transient response. Model resolution is further improved by the inversion of multicomponent data sets. In highly conductive terrain such as above seawater where system parameters such as the bird position are hard to derive reliably from the primary field estimate, the joint inversion of multicomponent data helps to correctly resolve layered‐ earth parameters. Jointly inverting the 3‐component on‐ and offtime data of a GEOTEM bathymetry survey in the Torres Strait showed that the data fit can be greatly improved by allowing the inversion to determine the receiver offset and attitude. This results in greater confidence in the derived conductivity‐depth values.
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 | 0,000 | 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 | 0,000 |
| 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 ».