On the roles of magnetization and topography in the scaling behaviour of magnetic-anomaly fields
Notice bibliographique
Résumé
There is lack of agreement on the underlying cause of widely observed power-law scaling behaviour of magnetic-anomaly fields. Some workers ascribe this behaviour to intrinsic 3-D fractal distributions of magnetization in the crust of the Earth; others point to a power-law exponent β∼ 3, expected for a random ensemble of statistically independent magnetized prisms: the classic Spector & Grant model (SG model). We apply a perturbation approach to the Parker model to derive expressions for the power spectra of magnetic-anomaly fields in the presence of laterally varying magnetization and/or topography at the top of magnetic basement. Under appropriate assumptions, our modified Parker model reduces to either an SG model or a 2-D fractal model. In the case of fractal magnetization without topography, the power-law slope of the magnetic-anomaly field (after depth correction) is equal to the power-law slope for the magnetization distribution. In the case of fractal basement topography alone, the power-law slope is reduced by 2. Where both the magnetization and topography are fractal, the effects of magnetization tend to dominate the power-law behaviour of the associated magnetic-anomaly field. Two real-data examples from the Canadian Shield exhibit power-law exponents of 2.02 ± 0.02 and 1.42 ± 0.01, within a wavelength band of 2 to 100 km. These slopes are significantly different from previously cited values of ∼3, casting doubt on the general applicability of the β∼ 3 slope that is inherent to SG models at high wavenumber.
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 ».