Direct downward continuation from topography using explicit wavefield extrapolation
Notice bibliographique
Résumé
Abstract Downward-continuation migration algorithms are powerful tools for imaging complicated subsurface structures. However, they usually assume that extrapolation proceeds from a flat surface, whereas most land surveys are acquired over irregular surfaces. Our method downward continues data directly from topography using a recursive space-frequency explicit wavefield-extrapolation method. The algorithm typically handles strong lateral velocity variations by using the velocity value at each spatial position to build the wavefield extrapolator in which the depth step usually is kept fixed. To accommodate topographic variations, we build space-frequency wavefield extrapolators with laterally variable depth steps (LVDS). At each spatial location, the difference between topography and extrapolation depth is used to determine the depth step. We use the velocity and topographic values at each spatial lateral position to build extrapolators. The LVDS approach does not add more data nor does it require preprocessing prior to extrapolation. We implemented the LVDS method and applied it to a source profile prestack migration technique. We also implemented the previously developed zero-velocity layer approach to use for comparison. For both algorithms, we modeled the acoustic source as an approximate free-space Green's function, not as a simple extrapolated spatial impulse. Tests on a synthetic data set modeled from rough topography and comparisons with the zero-velocity layer approach confirm the method's effectiveness in imaging shallow and deep structures beneath rugged topography.
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 ».