Understanding imaging methods for potential field data
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
ABSTRACT Several noniterative, imaging methods for potential field data have been proposed that provide an estimate of the 3D magnetization/density distribution within the subsurface or that produce images of quantities related or proportional to such distributions. They have been derived in various ways, using generalized linear inversion, Wiener filtering, wavelet and depth from extreme points (DEXP) transformations, crosscorrelation, and migration. We demonstrated that the resulting images from each of these approaches are equivalent to an upward continuation of the data, weighted by a (possibly) depth-dependent function. Source distributions or related quantities imaged by all of these methods are smeared, diffuse versions of the true distributions; but owing to the stability of upward continuation, resolution may be substantially increased by coupling derivative and upward continuation operators. These imaging techniques appeared most effective in the case of isolated, compact, and depth-limited sources. Because all the approaches were noniterative, computationally fast, and in some cases, produced a fit to the data, they did provide a quick, but approximate picture of physical property distributions. We have found that inherent or explicit depth-weighting is necessary to image sources at their correct depths, and that the best scaling law or weighting function has to be physically based, for instance, using the theory of homogeneous fields. A major advantage of these techniques was their speed, efficiently providing a basis for further detailed, follow-up modelling.
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.
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 | 0,000 |
| 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 découle