Bayesian Geoacoustic Inversion With the Image Source Method
Notice bibliographique
Résumé
This paper develops a Bayesian approach to the image source method (ISM) for efficient inversion of seabed reflection data to estimate geoacoustic parameters and uncertainties. Based on the representation of layered seafloor-reflected signals by image sources, ISM is a very efficient method which provides the local sound-speed profile (SSP) of the sediment structure. It is a two-step method: first, the image sources are detected and localized from the recorded signals, and second, from these locations, the thickness and sound speed of each sediment layer are estimated from the Snell-Descartes law of refraction. This work focuses on the definition and construction of the image sources with a distinction between real and virtual image sources which has consequences on the uncertainties of ISM. The localization of the image sources is performed within a Bayesian formulation based on sampling the posterior probability density to estimate the median SSP and uncertainties. The algorithm is tested first on synthetic data, with results in excellent agreement with Bayesian travel-time inversion but a much lower computational cost. Finally, the Bayesian ISM is applied to at-sea data measured in the Scattering And ReverberAtion from the sea Bottom (SCARAB) experiment, which took place near Elba Island off the west coast of Italy in 1998, and the resultant sediment SSP agrees well with previous results of other geoacoustic inversion methods.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».