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
Z-Axis Tipper Electromagnetic Technique (ZTEM) data are airborne electromagnetic data which record the vertical magnetic field that results from natural sources. The data are transfer functions that relate the local vertical field to orthogonal horizontal fields measured at a reference station on the ground. The transfer functions depend on frequency and provide information about the 3-D conductivity structure of the Earth. The practical frequency range is 30–720 Hz and hence it is possible to see structures at depths of a kilometre or more if the earth is of moderate conductivity. This depth of penetration is significantly greater than that obtained with controlled source EM techniques and, when coupled with rapid spatial acquisition with an airborne system, means that ZTEM data can be used to map large-scale structures that are difficult to survey with ground based surveys. We present some fundamentals about understanding the signatures obtained with ZTEM transfer functions and then develop a Gauss–Newton algorithm to invert ZTEM data. The algorithm is applied to synthetic examples and to a field data set from the Bingham Canyon region in Utah. The field data set requires a workflow procedure to estimate appropriate noise levels in individual frequency components. These noise levels can then be used to invert multiple frequencies simultaneously. ZTEM data are insensitive to a 1-D conductivity structures and hence the background can be difficult to estimate. We provide two methods to determine appropriate background models. Interestingly, topography, which is usually a hinderance in field data interpretation, provides a first-order signal in the ZTEM data and helps with this calibration.
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 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 découle