Non-Euclidean Spatial Covariance for Bayesian Post-Stack Inversion and Ordinary Kriging with Hamiltonian Fast Marching
Notice bibliographique
Résumé
Summary We introduce a novel workflow that integrates non-Euclidean shortest path distances (SPD) using locally varying geometric anisotropy (LVA) to define spatial covariance matrices. The resulting covariance can be used in both geophysical and geostatistical algorithms where spatial continuity is utilized. The use of LVA in proposed methodology bypasses the limitation of constant geometric anisotropy traditionally assumed in geostatistical methods; it produces a more accurate covariance and generates more geologically realistic models. The Hamiltonian Fast Marching (HFM) algorithm is more precise than other approaches to evaluate SPD, such as the Dijkstra algorithm. While robust spatial covariance estimation needs redundant measurements in any direction, in petroleum exploration only the vertical direction is sampled sufficiently. Lateral direction data scarcity is mitigated by extracting the local dips and anisotropy ratios along the major and minor continuity directions from the seismic data itself. We demonstrate the HFM method on Bayesian post-stack inversion and LVA ordinary kriging (OK) for estimating acoustic impedance. The proposed workflow is also valid for other inversion algorithms, varieties of kriging, and sequential Gaussian simulation.
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) | 0,000 | 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 ».