3D parametric hybrid inversion of time-domain airborne electromagnetic data
Notice bibliographique
Résumé
ABSTRACT We have developed a method to invert time-domain airborne electromagnetic (AEM) data using a parametric level-set approach combined with a conventional voxel-based technique to form a parametric hybrid inversion. The approach was designed for situations in which a voxel-based inversion alone may struggle. Such an example is where a distinct anomaly is present with sharp boundaries, and there is a large contrast between a low-resistivity target and a high-resistivity background. The first step of the proposed hybrid method used our novel parametric inversion to recover a best-fitting skewed Gaussian ellipsoid that represented the target of interest. Subsequently, the parametric result was set as an initial and reference model for the second stage, where smooth features with smaller resistivity contrasts were introduced into the model through a conventional voxel-based approach. The approach was tested with synthetic and field data. In the synthetic case, we recovered the size and dip of a conductive, thin, dipping plate with better accuracy compared with a voxel-based inversion. In the field example, we inverted AEM data over the Caber volcanogenic massive sulfide deposit. Based on information from past drilling, our results improve upon previous parametric plate inversions of the deposit itself, while additionally imaging the conductive cover over the deposit. These findings showcased how our parametric hybrid method can improve the accuracy of time-domain AEM inversions for thin dipping targets with large resistivity contrasts compared with the background.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 ».