Non-linearity in Bayesian 1-D magnetotelluric inversion
Notice bibliographique
Résumé
This paper applies a Bayesian approach to examine non-linearity for the 1-D magnetotelluric (MT) inverse problem.In a Bayesian formulation the posterior probability density (PPD), which combines data and prior information, is interpreted in terms of parameter estimates and uncertainties, which requires optimizing and integrating the PPD.Much work on 1-D MT inversion has been based on (approximate) linearized solutions, but more recently fully non-linear (numerical) approaches have been applied.This paper directly compares results of linearized and non-linear uncertainty estimation for 1-D MT inversion; to do so, advanced methods for both approaches are applied.In the non-linear formulation used here, numerical optimization is carried out using an adaptive-hybrid algorithm.Numerical integration applies Metropolis-Hastings sampling, rotated to a principal-component parameter space for efficient sampling of correlated parameters, and employing non-unity sampling temperatures to ensure global sampling.Since appropriate model parametrizations are generally not known a priori, both under-and overparametrized approaches are considered.For underparametrization, the Bayesian information criterion is applied to determine the number of layers consistent with the resolving power of the data.For overparametrization, prior information is included which favours simple structure in a manner similar to regularized inversion.The data variance and/or trade-off parameter regulating data and prior information are treated in several ways, including applying fixed optimal estimates (an empirical Bayesian approach) or including them as hyperparameters in the sampling (hierarchical Bayesian).The latter approach has the benefit of accounting for the uncertainty in the hyperparameters in estimating model parameter uncertainties.Non-linear and linearized inversion results are compared for synthetic test cases and for the measured COPROD1 MT data by considering marginal probability distributions and marginal profiles.In some cases, important differences are indicated, including poorer sensitivity to thin and/or low-conductivity layers for linearized inversion, and multimodal PPDs which cannot be addressed within a linearized approach.
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 | 0,004 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».