A nonparametric boundary detection technique applied to 3D inverted surveys of the Kevitsa Ni-Cu-PGE deposit
Notice bibliographique
Résumé
ABSTRACT Geophysical inversion can produce 3D models of the subsurface’s physical properties. The smoothness of property variations in these models makes it challenging to automatically find boundaries of homogeneous regions, where these boundaries may have implications for petrophysical transition and are significant for geologic interpretation. We have developed a new boundary detection technique that nonparametrically identifies and subtracts homogeneous regions from the 3D model, leaving exposed edges. The method is based on kernel density estimation of local property variations, in which the number of modes in the kernel density estimates (i.e., the local mode cardinality [MC]) is used to identify edge voxels within the model. Two edge detection operators were developed: one using local values exclusively and the other incorporating the spatial distribution of local values into the local MC, which is more sensitive to local variations. To assist in the geologic interpretation, continuous boundary surfaces are generated from the identified edge voxels using a gradient-based 3D image morphological operation. The technique was evaluated on synthetic rock property models and effectively identified the lithologic boundaries, even with non-Gaussian noise. The proposed operators were also applied to visualize edges in density, conductivity, magnetic susceptibility, and seismic tomography models of the Kevitsa Ni-Cu-PGE deposit (Lapland, Finland) generated by geophysical inversion. The boundaries detected via the proposed technique can be used for visualization and may be useful in further geostatistical computation due to their statistical foundation.
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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| 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 ».