Creating high-fidelity images – a convolution approach to gridding airborne data using a SINC kernel
Notice bibliographique
Résumé
Airborne geophysical data sampled at a constant time-interval along lines and with a nominal spatial-separation across lines are quasi-periodic and are therefore amenable to interpolation onto a regular grid by convolving the original line data with a 2D SINC kernel. This method has advantages over commonly used minimum curvature or bidirectional gridding algorithms because it better maintains the spatial fidelity of the original data as per the sampling theorem. Unlike splines, the SINC function does not suffer from over-interpolation, although ringing can be problematic. Lastly, the smooth SINC kernel places no lower bound on cell sizes, except computation time.The method first uses a 1D SINC interpolation to resample the along-line data. An SVD matrix inversion is then used to move each line from its true to its nominal location before interpolating the inter-line areas of the grid with the 2D kernel. Ringing and aliasing are mitigated by employing a window function to dampen the effects of the ideal RECT function in the wavenumber domain. Through judicious selection of the along- and across-line maximum wavenumbers, the SINC kernel can improve the continuity of lineaments trending obliquely to the flight lines.
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 | 0,001 | 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 | 0,001 |
| 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 ».