Using gravity data uncertainties in forward modeling to estimate uncertainties in model parameters: A case history in estimating the dip and the dip uncertainty of the Porcupine Destor Fault
Notice bibliographique
Résumé
ABSTRACT When using forward modeling to estimate model parameters, such as the dip, it also is important to estimate the corresponding uncertainty in the model parameters. For gravity data, these uncertainties are dependent on the uncertainty in the Bouguer-corrected data. The uncertainty in the gravity meter reading and the height used in the free-air and Bouguer corrections are among the most important factors influencing the uncertainty in the Bouguer-corrected data. We use two methods for estimating the uncertainty in the Bouguer-corrected data, which give similar answers (0.121 mGal and 0.109 mGal). The uncertainty in the model parameters can be estimated by perturbing the corrected data multiple times by amounts consistent with the estimated uncertainty in the corrected gravity. The standard deviation of the model parameters derived from each perturbed data set gives an estimate of their uncertainty. Using this procedure for Bouguer gravity profiles that cross the Porcupine Destor Fault (a fault that is prospective for gold in the Timmins camp of Ontario, Canada), we find that the uncertainty in the dip is 1° or 2°, assuming a planar or linear fault. If the uncertainty in the corrected data had been 1 mGal (a value typical of regional surveys, instead of 0.1 mGal for a local survey), then the uncertainty in the dip is 41° for the same model. Thus, knowing the uncertainties in the corrected data are very important for estimating the uncertainty in model parameters. Conversely, if a model parameter is known to be required to a specific precision, the survey can be planned so that the corrected gravity has an uncertainty appropriate to achieve that precision.
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 | 0,001 |
| 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 | 0,000 |
| 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 ».