Effective methods to highlight and delineate anomalies from geophysical images
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
Geophysical data interpretation is largely an anomaly detection task which involves recognising and synthesising anomalous patterns within single or multiple datasets. The accuracy and efficiency of these interpretations heavily relies on the skills and practices of interpreters, thus the greatest challenge is to minimise personal biases to produce objective and consistent interpretation outcomes. We present an innovative data visualisation method which can empower interpreters to effectively delineate anomalies of varying frequency scales within aeromagentic data using a single image display. This is achieved by harnessing the power of image enhancement and visualisation techniques to assist interpretation.We adapted and extended the use of colour composite techniques to present different frequencies presented in potential field data. Aeromagnetic data from an area in Kirkland Lake, Ontario, Canada is used for our experiment. long wavelength and short wavelength anomalies are identified from the data using low pass- and high pass filters respectively. These two different frequency enhanced images and the original image are represented as separate colour channels which are then combined to generate a composite image. The luminance of the composite image is scaled to highlight high frequency signals as they hold the key for detailed structure interpretation. We use a technique called dynamic range compression, which preserves the integrity of the phase component of the signal while performing high pass filtering. The resulting display is compared to the geological map of the area to validate the effectiveness of the method. The proposed technique is widely adaptable for different types of datasets.
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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,002 |
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