Model selection for profile structure in Bayesian geoacoustic inversion
Notice bibliographique
Résumé
This paper considers model selection in Bayesian geoacoustic inversion, specifically, the role of seabed parameterization in resolving geoacoustic profile structure. Bayesian inversion is formulated in terms of the posterior probability density (PPD) over the model parameters which are sampled numerically: Metropolis-Hastings sampling in principal-component space enhanced by parallel tempering is employed here. A key aspect of quantitative geoacoustic inversion is that of parameterizing the seabed model. Trans-dimensional (trans-D) inversion methods model the seabed as a sequence of discontinuous uniform layers and sample probabilistically over the number of layers. However, in some cases it may be expected for seabed properties to vary as smooth, continuous gradients which are not well represented by uniform layers. Most gradient-based inversions assume a representative functional form, such as a power law. A recent alternative is based on a linear combination of Bernstein-polynomial basis functions. This approach is more general and allows the form of the profile to be determined by the data, rather than by a subjective model choice. This paper compares trans-D, power-law, and Bernstein-polynomial inversions for the problem of estimating seabed shear-wave speed profiles from the dispersion of interface waves. Simulations and data from Oslofjorden and/or the North Sea will be considered.
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 | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».