Seismic data interpolation by greedy local Radon transform
Notice bibliographique
Résumé
Abstract We propose a greedy inversion method for a spatially localized, high-resolution Radon transform. The kernel of the method is based on a conventional iterative algorithm, conjugate gradient (CG), but is utilized adaptively in amplitude-prioritized local model spaces. The adaptive inversion introduces a coherence-oriented mechanism to enhance focusing of significant model parameters, and hence increases the model resolution and convergence rate. We adopt the idea in a time-space domain local linear Radon transform for data interpolation. We find that the local Radon transform involves iteratively applying spatially localized forward and adjoint Radon operators to fit the input data. Optimal local Radon panels can be found via a subspace algorithm which promotes sparsity in the model, and the missing data can be predicted using the resulting local Radon panels. The subspacing strategy greatly reduces the cost of computing local Radon coefficients, thereby reducing the total cost for inversion. The method can handle irregular and regular geometries and significant spatial aliasing. We compare the performance of our method using three simple synthetic data sets with a popular interpolation method known as minimum weighted norm Fourier interpolation, and show the advantage of the new algorithm in interpolating spatially aliased data. We also test the algorithm on the 2D synthetic data and a field data set. Both tests show that the algorithm is a robust antialiasing tool, although it cannot completely recover missing strongly curved events.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».