Enhancing magnetic source edges using the tilt angle of the analytic‐signal amplitudes of the horizontal gradient
Notice bibliographique
Résumé
Abstract Enhancing magnetic data is often complicated due to the non‐vertical orientation of the geomagnetic field and the orientation of remanent source magnetization. The complication can be reduced by reducing the data to the pole (mathematically making the geomagnetic field vertical), but this reduction process is problematic. The analytic‐signal amplitude can be used to enhance the edges of two‐dimensional sources without a reduction to the pole. However, the shape of the analytic‐signal amplitude is weakly dependent on the magnetization direction for grid data. This study presents an improved technique, namely the tilt angle of the analytic‐signal amplitudes of the horizontal gradient of the vertical integral. This quantity is also only weakly dependent on the magnetization direction and outlines the edges as well or somewhat better than other methods. It also implicitly involves second derivatives of the magnetic field, and we use synthetic data to demonstrate that noise is not amplified as much as it is when using other edge enhancement techniques that implicitly use second derivatives. A dataset of the Apiaí Terrane, Brazil, shows good lateral continuity of features compared with other edge‐enhancement methods, and subtle features like faults are easier to identify in the images generated by our new method. Upward continuation of the field, which is normally required, was not necessary to reduce the impact of noise on this field example.
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 | 0,001 |
| 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 ».