Joint inversion of gravity and gravity gradient data: A systematic evaluation
Notice bibliographique
Résumé
ABSTRACT Gravity and gravity gradiometry measurements are commonly used to map density variations in the subsurface. Gravity measurements can characterize gravitational anomalies at long and short wavelengths effectively, but the cost of collecting a sufficiently spatially dense survey to characterize the short wavelengths can be prohibitive. Gravity gradient data can be quickly collected with short-wavelength information at a low noise level, but they have decreasing sensitivity to longer wavelengths. We have described a method to jointly invert gravity and gravity gradient data that takes advantage of the differing frequency contents and noise levels of the two methods to create an improved image of the subsurface. Previous work treated the inversion as a multiple component gravity inversion; however, this can cause unintended errors in the recovered models because each data set is not guaranteed to be fit within its noise level. Our joint inversion methodology ensures that the gravity and gravity gradient data sets are fit within their individual noise levels by incorporating a relative weighting parameter, and we describe how to find that parameter. This method can also be used to create an improved broadband gravity anomaly map that has a reduced noise level at long wavelengths using a joint equivalent source reconstruction. We first build a synthetic model using a Minecraft world editor that has different wavelength anomalies, and find the improvement with joint inversion. These results are also confirmed using a real-world example at the R. J. Smith test range in Kauring, Australia.
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 | 0,001 | 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 ».