A new method for interpolating linear features in aeromagnetic data
Notice bibliographique
Résumé
ABSTRACT When aeromagnetic data are interpolated to make a gridded image, thin linear features can result in “boudinage” or “string of beads” artifacts if the anomalies are at acute angles to the traverse lines. These artifacts are due to the undersampling of these types of features across the flight lines, making it difficult for most interpolation methods to effectively maintain the linear nature of the features without user guidance. The magnetic responses of dikes and dike swarms are typical examples of the type of geologic feature that can cause these artifacts; thus, these features are often difficult to interpret. Many interpretation methods use various enhancements of the gridded data, such as horizontal or vertical derivatives, and these artifacts are often exacerbated by the processing. Therefore, interpolation methods that are free of these artifacts are necessary for advanced interpretation and analysis of thin, linear features. We have developed a new interpolation method that iteratively enhances linear trends across flight lines, ensuring that linear features are evident on the interpolated grid. Using a Taylor derivative expansion and structure tensors allows the method to continually analyze and interpolate data along anisotropic trends, while honoring the original flight line data. We applied this method to synthetic data and field data, which both show improvement over standard bidirectional gridding, minimum curvature, and kriging methods for interpolating thin, linear features at acute angles to the flight lines. These improved results are also apparent in the vertical derivative enhancement of field data. The source code for this method has been made publicly available.
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 ».