3-D joint inversion of airborne gravity gradiometry and magnetic data using a probabilistic method
Notice bibliographique
Résumé
SUMMARY A probabilistic approach is presented for jointly inverting gravity gradient and magnetic data for 3-D subsurface distributions of density and magnetic susceptibility. The coupling of the physical property models is incorporated in the inversion by using a cross-covariance matrix of density and magnetic susceptibility. This enables structural similarity such as the orientation and spatial extent of the sources and cross-variance between the two physical properties to be incorporated. A user-defined correlation coefficient can control the level of similarity between the two models. By applying a marginalizing algorithm in the joint inversion, the inversion domain is allowed to be partitioned into various zones, each of which can have its own covariance, cross-covariance matrix, as well as correlation coefficient, depending upon the feature and similarity of sources. Thus, sources with different shapes, sizes and relationships between the two physical properties can be simultaneously recovered. The validity of the method is verified using three synthetic examples, which demonstrate how incorrect parameters of the cross-covariance matrix affect the inverted results. Finally, the proposed method is successfully applied to full tensor gradiometry and magnetic data collected over the Budgell Harbour Stock (BHS) intrusion in north-central Newfoundland, Canada. Compared with models generated from independent inversions, better definition and localization of the main intrusion, as well as associated lamprophyre dykes at shallow depth, are achieved by using the joint inversion. The resolved physical properties for the intrusions show good agreement with field observations of lamprophyre dykes in proximity to the BHS.
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 | 0,001 |
| 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 ».