Coherence attribute applications on seismic data in various guises — Part 1
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
The iconic coherence attribute is very useful for imaging geologic features such as faults, deltas, submarine canyons, karst collapse, mass-transport complexes, and more. In addition to its preconditioning, the interpretation of discrete stratigraphic features on seismic data is also limited by its bandwidth, where in general the data with higher bandwidth yield crisper features than data with lower bandwidth. Some form of spectral balancing applied to the seismic amplitude data can help in achieving such an objective so that coherence run on spectrally balanced seismic data yields a better definition of the geologic features of interest. The quality of the generated coherence attribute is also dependent in part on the algorithm used for its computation. In the eigenstructure decomposition procedure for coherence computation, spectral balancing equalizes each contribution to the covariance matrix, and thus it yields crisper features on coherence displays. There are other ways to modify the spectrum of the input data in addition to simple spectral balancing, including the amplitude-volume technique, taking the derivative of the input amplitude, spectral bluing, and thin-bed spectral inversion. We compare some of these techniques, and show their added value in seismic interpretation, which forms part of the more elaborate exercise that we had carried out. In other work, we discuss how different spectral components derived from the input seismic data allow interpretation of different scales of discontinuities, what additional information is provided by coherence computed from narrow band spectra, and the different ways to integrate them.
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 | 0,001 |
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 découle