Preliminary Study on Fusion Scheme of Multi-dimensional and Multi-scale Potential Field Data
Notice bibliographique
Résumé
<p>Gravity and magnetic surveys are widely used in geology exploration because of its advantages, such as efficient and economy, green and environment-friendly, widely coverage and strong horizontal resolution. In order to well study in the geology exploration, it is required to comprehensively combine the different scales (different scales data) and different dimensions (satellite data, aeronautical data, ground data, ocean data, well data, etc.) of gravity and magnetic data that were observed in different periods, however, the comprehensive application of the multi-dimensional and multi-scale gravity and magnetic data still stays in the initial stage. In this paper, we do research on the key point of the fusion of potential field data (gravity and magnetic data): the way to fuse the different scales and different dimensions of potential field data into a benchmark and the same surface. Based on this research, we propose a scheme to fuse the multi-dimensional and multi-scale gravity and magnetic data. The synthetic models show that this fusion scheme is able to fuse the multi-dimensional and multi-scale gravity and magnetic data with great fusion results and small errors, in addition, the most important is that the fusion data conform to the characteristics of the potential field data and can meet the needs of data processing in the following steps. One of case studies in China has been accomplished to fuse aeronautical and ground gravity data that are different scales by using this fusion scheme. The fusion scheme we proposed in this study can be used in the fusion of the multi-dimensional (aeronautical, ground and ocean) and multi-scale gravity and magnetic data, which is good for interpretation and popularization.</p>
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) | 0,001 | 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 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 ».