Calibration, Conversion, and Quantitative Multi-Layer Inversion of Multi-Coil Rigid-Boom Electromagnetic Induction Data
Notice bibliographique
Résumé
Multi-coil electromagnetic induction (EMI) systems induce magnetic fields below and above the subsurface. The resulting magnetic field is measured at multiple coils increasingly separated from the transmitter in a rigid boom. This field relates to the subsurface apparent electrical conductivity (σa), and σa represents an average value for the depth range investigated with a specific coil separation and orientation. Multi-coil EMI data can be inverted to obtain layered bulk electrical conductivity models. However, above-ground stationary influences alter the signal and the inversion results can be unreliable. This study proposes an improved data processing chain, including EMI data calibration, conversion, and inversion. For the calibration of σa, three direct current resistivity techniques are compared: Electrical resistivity tomography with Dipole-Dipole and Schlumberger electrode arrays and vertical electrical soundings. All three methods obtained robust calibration results. The Dipole-Dipole-based calibration proved stable upon testing on different soil types. To further improve accuracy, we propose a non-linear exact EMI conversion to convert the magnetic field to σa. The complete processing workflow provides accurate and quantitative EMI data and the inversions reliable estimates of the intrinsic electrical conductivities. This improves the ability to combine EMI with, e.g., remote sensing, and the use of EMI for monitoring purposes.
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 ».