Regularized 2D Savitzky–Golay derivative filter in estimating the second vertical derivative of potential field data
Notice bibliographique
Résumé
ABSTRACT A robust method of estimating the second vertical derivative of two‐dimensional (2D) potential field data is proposed. The proposed method uses a 2D variant of Savitzky–Golay derivative filtering. The design of the 2D Savitzky–Golay derivative filter, unlike its one‐dimensional (1D) counterpart, is a non‐trivial exercise. This is due to the inherent complexity associated with 2D polynomial regression, which increases with the increase in the degree of the polynomial and the dimension of the filter window. The measure of complexity increases manifold, as the polynomial order increases from cubic to quintic. A larger polynomial order demands a larger dimension of the filter window patch as a minimum requirement. The large window patch which, in turn, poses computational challenges, becomes an ill‐posed problem and is computationally inefficient. To alleviate such a problem, an appropriate set of filter parameters is proposed, which ensures computational efficiency while maintaining sufficient robustness. The computational issue arising from the ill‐posed condition of the system matrix is addressed via shrinkage ‐based regularization. A numerical experiment was conducted on a synthetically generated 2D dataset without and with a moderate amount of Gaussian random noise in order to check the applicability of the proposed method. The performance in terms of robustness was also compared with the other, usually considered as a benchmark, method. The proposed method is then successfully applied to determine the second vertical derivative of the high‐resolution Bouguer gravity anomaly data over an impact crater in Lake Wanapitaei, Canada. A qualitative interpretation of the second vertical derivative map over Lake Wanapitei is given.
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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».