An automatic network-extraction algorithm applied to magnetic survey data for the identification and extraction of geologic lineaments
Notice bibliographique
Résumé
Lineament analysis is commonly undertaken by interpreting a wide range of geoscientific data to delineate geologic structures. These structures include faults, fractures, dykes, and lithological contacts, which provide information for geologic mapping and mineral and energy exploration. We offer a simple automatic lineament analysis method that combines the principles of peak-identification algorithms typically used in geophysical data interpretation and a GIS drainage “network-extraction” algorithm commonly applied to a topographic surface. We apply this network-extraction process to a magnetic surface (grid) rather than a topographic one. The GIS approach calculates the curvature of a surface to determine whether a specific coordinate is at a minimum (trough). A simple quadratic surface is computed for a moving 3 × 3 window to determine if the local surface has the form of a dipping plane (or a trough). Continuity of troughs between adjacent kernels defines lineaments that typically correspond to streamflow pathways when analysis is carried out on a topographic surface. On a magnetic anomaly map surface, network extraction identifies magnetic lows that may represent faults that have undergone magnetite (depletion) alteration, or dykes with predominantly reversed polarity remanence. As network extraction is designed to locate troughs, it is possible to isolate normally magnetized dykes by inverting the values of a magnetic data set by to produce ridges. This modified ridge analysis method is successfully applied to three synthetic data sets, showing that network extraction offers the principal benefits of continuity in solutions to produce polylines (over isolated ridge solutions), automation for consistency and reliability, and optional amplitude thresholding.
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 | 0,002 | 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 ».