Dip Filter and Random Noise Suppression for GPR B-Scan Data Based on a Hybrid Method in f - x Domain
Notice bibliographique
Résumé
Ground-penetrating radar (GPR) is a close-range remote-sensing tool applied in a great many near-surface projects for engineering or environmental purposes. In GPR B-scans, there may exist a variety of reflections and diffractions that corresponds to different structures and targets in the subsurface media, and the noise is always embedded. To assist in the interpretation, GPR B-scans can be generally divided into two parts according to the dip attribute of the reflections, where the sub-horizontal layers and dipping structures are properly separated. In this work, we extend the f - x empirical mode decomposition (f - x EMD) to form a semi-adaptive dip filter for GPR data. In f - x domain, each frequency slice is decomposed by EMD and reconstructed to form a dipping profile and a horizontal profile respectively, where the reflections at different dips are separated adaptively. Then the noises mixed in the dipping profile are further separated by rank-deduction methods in f - x domain. The above two-step scheme constitutes the hybrid scheme, which can separate the dipping structures, sub-horizontal layers, and most of the random noise in GPR B-scans. We briefly review the basics of the f - x EMD, and then introduce the derived hybrid scheme in f - x domain. The proposed method is tested by the synthetic data, the forward simulation data, and the field data, respectively.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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) | 0,001 | 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 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 ».