Robust Bayesian Joint Inversion of Gravimetric and Muographic Data for the Density Imaging of the Puy de Dôme Volcano (France)
Notice bibliographique
Résumé
Imaging the internal structure of volcanoes helps highlighting magma pathways and monitoring potential structural weaknesses. We jointly invert gravimetric and muographic data to determine the most precise image of the 3D density structure of the Puy de Dôme volcano (Chaîne des Puys, France) ever obtained. With rock thickness of up to 1,600 m along the muon lines of sight, it is, to our knowledge, the largest volcano ever imaged by combining muography and gravimetry. The inversion of gravimetric data is an ill-posed problem with a non-unique solution and a sensitivity rapidly decreasing with depth. Muography has the potential to constrain the absolute density of the studied structures but the use of the method is limited by the possible number of acquisition view points, by the long acquisition duration and by the noise contained in the data. To take advantage of both types of data in a joint inversion scheme, we develop a robust method adapted to the specificities of both the gravimetric and muographic data. Our method is based on a Bayesian formalism. It includes a smoothing relying on two regularization parameters (an a priori density standard deviation and an isotropic correlation length) which are automatically determined using a leave one out criterion. This smoothing overcomes artifacts linked to the data acquisition geometry of each dataset. A possible constant density offset between both datasets is also determined by least-squares. The potential of the method is shown using the Puy de Dôme volcano as case study as high quality gravimetric and muographic data are both available. Our results show that the dome is dry and permeable. Thanks to the muographic data, we better delineate a trachytic dense core surrounded by a less dense talus.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».