Mass anomaly visualisation and depth estimation from full tensor gradient gravity data
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
Full Tensor Gradient (FTG) gravity data measures the derivatives of the Earth’s gravitational field. Such variations in the gravitational field may be due to the presence of bodies of higher or lower density relative to the surrounding rock.As the gravity tensor contains 5 independent components, effective visualisation of this high-dimensional dataset is advantageous for efficient processing of the FTG data. We present two aspects of visualising mass anomalies in FTG gravity datasets. First, we create a textured image where the orientations of the resulting texture reflect local lateral orientations encoded in the FTG data. It uses a colour map to highlight geologically significant structures such as linear features and radially symmetric points by identifying different geological features and using colour components to represent different feature types. This visualisation method is shown to be robust to significant levels of modelled noise, and we demonstrate its applicability to a field FTG survey.Second, we present an algorithm for estimating the depths of mass anomalies in FTG data. A voxel representation of the subsurface is created and voxels are voted for according to gravitational curvature properties encoded in the FTG tensor. A visualisation of the volume at successive depths highlights 3D locations of mass anomalies at local maxima of the volume. The algorithm is evaluated on a forward-modelled FTG dataset where the depths of mass anomalies are known. The depths of mass anomalies are shown to be accurately located in the presence of noise.
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 | 0,001 |
| 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 | 0,001 |
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 découle