DATA WEIGHTING SCHEMES FOR LARGE SCALE AEM INVERSION
Notice bibliographique
Résumé
Inverse methods attempt to reconstruct a geophysical model which satisfies a set of geophysical data while conforming to some geologic prejudice. Since measured data always contain some level of noise, one goal of any inversion algorithm is to fit the measured data to a level such that the geologic signal is fit, but the noise is not. There several different methods for obtaining the optimal fit such as generalized cross validation, L-curve analysis, and chi squared cutoff. All of these methods assume that one global measure not only applies to the entire survey domain, but generally to every part of the survey domain. However, this is often not the case with large scale surveys. The rate of convergence and number of iterations required to adequately fit observed data is largely dependent on the geologic complexity and how close the initial model is to the final model. In large scale surveys, there may be areas where the geology is well approximated by a homogenous half-space, others areas with variable overburden, and still other areas with strong contrasts and great geologic complexity. If one uses a simple global cutoff without regard for the varying geologic regimes, it will likely lead to regions of over-fit data and regions of under-fit data. Since this issue is largely one of data fit, we suggest an adaptive data weighting scheme which takes into account the data fit over regions at the end of each iteration, and then adjusting the data weights to ensure that each geologic regime or area is fit to approximately the same level. We demonstrate the technique with a RESOLVE data set acquired near Ft. Yukon, Alaska. We compare several different methods of adaptive data weighting with the conventional chi squared cutoff approach.
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 ».