Notice bibliographique
Résumé
ABSTRACT Correcting reflection seismic data for the effects of near-surface irregularities is a persistent problem usually addressed at least partly by static corrections applied to traces. However, there are areas where static corrections are ineffective because basic assumptions are violated. The assumptions which fail most often are surface consistency and stationarity, which are central to the concept of static corrections. To address this failure, I mapped raw seismic traces into the radial trace domain and gathered the radial traces by common surface angle. Then I imposed a more general constraint, raypath consistency, which simultaneously introduces nonstationarity. Conventional static correction also assumes implicitly that reflection events consist of single discrete arrivals. This is not true, however, in regions where near-surface multipathing and scattering complicate reflection event waveforms. Borrowing from recent work in seismic inferometry, I removed the single-arrival assumption by using trace crosscorrelations to estimate and deconvolve surface functions from traces, rather than applying time shifts. The entire crosscorrelation function is used in every case, so both timing and waveform variations are removed by the deconvolution. The operation is applied in the common-angle domain, so it is raypath consistent and nonstationary. The method, dubbed “raypath interferometry,” was applied successfully to a set of 2D Arctic field data with serious surface consistency and multipath problems, and to a set of 3C 2D land data with very large S-wave receiver statics. Although intended primarily for use on seismic data for which conventional statics corrections fail, raypath interferometry can be used on any seismic data; its assumptions include single-arrival events and surface consistency as special cases.
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 ».