Adaptive wavelets for analyzing dispersive seismic waves
Notice bibliographique
Résumé
Abstract Our primary objective is to develop an efficient and accurate method for analyzing time series with a multiscale character. Our motivation stems from the studies of the physical properties of marine sediment (stiffness and density) derived from seismic acoustic records of surface/interface waves along the water-seabed boundary. These studies depend on the dispersive characteristics of water-sediment surface waves. To obtain a reliable retrieval of the shear-wave velocities, we need a very accurate time-frequency record of the surface waves. Such a time-frequency analysis is best carried out by a wavelet-transform of the seismic records. We have employed the wavelet crosscorrelation technique for estimating the shear-wave propagational parameters as a function of depth and horizontal distance. For achieving a greatly improved resolution in time-frequency space, we have developed a new set of adaptive wavelets, which are driven by the data. This approach is based on a Karhunen-Loeve (KL) decomposition of the seismograms. This KL decomposition allows us to obtain a set of wavelet functions that are naturally adapted to the scales of the surface-wave modes. We demonstrate the superiority of these adaptive wavelets over standard wavelets in their ability to simultaneously discriminate the different surface-wave modes. The results can also be useful for imaging and statistical data analysis in exploration geophysics and in other disciplines in the environmental sciences.
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 ».