Analysing spatialized data: applications of geo-datasciences in geophysics and petroleum industry
Notice bibliographique
Résumé
For centuries, the classical theories of the earth-sciences were developed based on the observations and the hypotheses to justify them. Since 20th century, the digitized observations (data) as well as the progress of statistical methods and numerical capacities paved the road for the “geo-datasciences” (§ 1).This manuscript reviews the application of the data-sciences to divers’ domains within the earth-sciences. Most publications are about the petrophysical well-log interpretation to characterize petroleum reservoirs, using data fusion algorithms: estimation, classification, and cluster analysis (§ 2).However, the recent publications are mainly about the application of geostatistics in modelling spatialized data in mapping contaminated soil by caesium-137. Other presented case studies are related to a geostatistical-geotechnical study about soil liquefaction, as well as mapping total magnetic field while decreasing artefacts related to the trajectory (go-and-return) during the acquisition (§ 2).Three themes are presented as current research subjects which constitute the perspective too: (i) application of local anisotropy as a geostatistical solution, (ii) developing fuzzy pairing in variographical analysis, and (iii) developing deconvolution relations for geophysical measurements for the purpose of sampling design (§ 3 and § 4).Though chapters § 2 and § 3 address the experts in the geo-datasciences, chapters § 1 and § 4 are composed for a larger pubic, interested in the evolution of the earth-sciences, as well as some general views regarding researchers’ typology and research values shared in § 4.
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 | 0,003 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,005 | 0,014 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,049 | 0,015 |
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 ».