Seismic data interpolation by greedy local Radon transform
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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) | 0,001 | 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 découle