Development of a workflow for processing ground-penetrating radar data from multiconcurrent receivers
Notice bibliographique
Résumé
ABSTRACT Ground-penetrating radar (GPR) systems with multiconcurrent sampling receivers can rapidly acquire dense multioffset GPR data, which are not feasible using typical common-offset (CO) GPR systems with a single fixed offset transmitter-receiver pair. Multioffset GPR data from these new multiconcurrent receiver systems have the potential to be used to create detailed subsurface velocity models and enhanced reflection sections. These are important features that can improve qualitative and quantitative interpretation of GPR data. To realize these benefits and to deal with the large amount of multioffset data generated by these new systems, we have developed an automated and customized data processing workflow. There are three key algorithms that we have developed as part of our workflow, which is crucial for processing large volume, multioffset GPR data so as: first, to efficiently correct and manage time misalignments from multiconcurrent receivers; second, to carry out trace balancing of common-midpoint data for semblance analysis; and third, to automate the velocity analysis step. We showcase our processing workflow using two field data sets acquired using a multiconcurrent sampling receiver GPR system consisting of one transmitter and seven receivers. The field data were collected at two different locations: a site using a system with a 500 MHz center frequency and another site using a system with a 1000 MHz center frequency. We have determined, with both data sets, that our processing workflow could produce automated stacking velocity fields and enhanced zero-offset reflection cross sections. These benefits increase the information that can be used for interpretation (compared with conventional CO data) and can form the basis of further processing steps such as migration. As the cost of these multiconcurrent sampling receiver systems decreases over time, we anticipate their use, and the acquisition of dense multioffset GPR data, to become much more commonplace.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,004 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,009 |
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 source (Gemma direct ou Codex distillé), 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 ».