Notice bibliographique
Résumé
Abstract Wavefield extrapolation in depth, a vital component of wave-equation depth migration, is accomplished by repeatedly applying a mathematical operator that propagates the wavefield across a single depth step, thus creating a depth marching scheme. The phase-shift method of wavefield extrapolation is fast and stable; however, it can be cumbersome to adapt to lateral velocity variations. We address the extension of phase-shift extrapolation to lateral velocity variations by using a spatial Gabor transform instead of the normal Fourier transform. The Gabor transform, also known as the windowed Fourier transform, is applied to the lateral spatial coordinates as a windowed discrete Fourier transform where the entire set of windows is required to sum to unity. Within each window, a split-step Fourier phase shift is applied. The most novel element of our algorithm is an adaptive partitioning scheme that relates window width to lateral velocity gradient such that the estimated spatial positioning error is bounded below a threshold. The spatial positioning error is estimated by comparing the Gabor method to its mathematical limit, called the locally homogeneous approximation — a frequency-wavenumber-dependent phase shift that changes according to the local velocity at each position. The assumption of local homogeneity means this position-error estimate may not hold strictly for large scattering angles in strongly heterogeneous media. The performance of our algorithm is illustrated with imaging results from prestack depth migration of the Marmousi data set. With respect to a comparable space-frequency domain imaging method, the proposed method improves images while requiring roughly 50% more computing time.
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 ».