Notice bibliographique
Résumé
Abstract Skeletonization is a syntactic pattern-recognition method that is applied to gridded data to produce an automatic line drawing, with an associated event catalog. Previous implementations of skeletonization have been tailored for seismic data. Here, we modify that technique to render it more suitable for other types of gridded data, with particular emphasis on aeromagnetic maps. A modification from previous schemes is the use of a two-pass approach, to reduce the effects of an otherwise problematic directional bias that discriminates against events oriented parallel to columns of the grid. The method can be used effectively for filtering aeromagnetic data on the basis of strike direction, event linearity, event amplitude, and polarity. It is based on the delineation of peak-trough pairs (cycles), which are traced throughout the grid to form contiguous events. Cycles and events are characterized by attributes that include amplitude, polarity, and pulse width. Events are further characterized by length, average strike direction, and linearity. The event attributes are stored in a catalog, thus enabling one to perform attribute-based analysis and data filtering. We illustrate our algorithm using two regional aeromagnetic examples from different parts of the Canadian Shield. The first, from the Great Slave Lake shear zone, is dominated by linear anomaly trends produced by faults and mafic dikes. The second, from the Manicouagan region of northeastern Quebec, contains abundant subcircular and arcuate anomaly patterns caused by large intrusive complexes and a meteorite impact structure.
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 ».