Multicomponent georadar data: Some important implications for data acquisition and processing
Notice bibliographique
Résumé
Abstract Many seismic reflection processing techniques are applied routinely to ground-penetrating radar (georadar or GPR) data. Although similarities exist between seismic (acoustic) and radar wave propagation there are some significant differences, some of the most important of which are associated with the dipole nature (1) of georadar sources and receivers and (2) of elemental sources used to represent scattering bodies. Neglecting the dipole character of electromagnetic surveys may result in incomplete or biased images of the subsurface. In an attempt to understand better the consequences of recording dipolar wavefields, we have simulated numerous multicomponent georadar data sets. These simulations are based on the weak scattering (Born) approximation, such that point heterogeneities in the subsurface can be represented by infinitesimal dipoles with moments parallel and proportional to the incident georadar wavefields. The effects of depolarization and dispersion are not included. Nevertheless, many subsurface structures can be modeled by suites of appropriately distributed infinitesimal dipoles. Georadar images of even the simplest subsurface structures are shown to depend strongly on the relative orientations and positions of the source and receiver antennas. A positive aspect of dipolar wavefields is that multicomponent georadar profiles contain information on the locations of both in-plane and out-of-plane structures. Furthermore, “pseudoscalar” wavefields can be simulated from coincident georadar data sets acquired with two pairs of parallel source-receiver antennas, one oriented perpendicular to the other. Pseudoscalar georadar data, which are characterized by low degrees of directionality, can be processed (including migration) confidently using standard seismic processing software (assuming that dispersion is not a major problem). To illustrate the advantages of multicomponent georadar data, two field examples are presented. One demonstrates the value of recording dual-component georadar data along isolated profiles; the other shows the benefits of combining 3-D georadar data sets acquired with dual component source-receiver antenna pairs to form pseudoscalar wavefield images.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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.
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 source (Gemma direct ou Codex distillé), 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 ».