Uncertainty quantification in electrical resistivity tomography inversion: hybridizing block-wise bootstrapping with geostatistics
Notice bibliographique
Résumé
SUMMARY Electrical resistivity tomography inversion often encounters uncertainty stemming from two primary sources: epistemic uncertainty, arising from imperfect underlying physics and improper initial approximation of model parameters, and aleatory variability in observations due to measurement errors. Despite the widespread application of electrical resistivity tomography in imaging, the resistivity distribution of subsurface structures for various hydro-geophysical and engineering purposes, the assessment of uncertainty is seldom addressed within the inverted resistivity tomograms. To explore the combined impact of epistemic and aleatory uncertainty on resistivity models, we initially perturb the observed data using non-parametric block-wise bootstrap resampling with an optimal choice of the block size, generating different realizations of the field data. Subsequently, a geostatistical method is applied to stochastically generate a set of initial models for each bootstrapped data set from the previous step. Finally, we employ a globally convergent homotopic continuation method on each bootstrapped data set and initial model realization to explore the posterior resistivity models. Uncertainty information about the inversion results is provided through posterior statistical analysis. Our algorithm’s simplicity enables easy integration with existing gradient-based inversion methods, requiring only minor modifications. We demonstrate the versatility of our approach through its application to various synthetic and real electrical resistivity tomography experiments. The results reveal that this approach for quantifying uncertainty is straightforward to implement and computationally efficient.
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 | 0,001 |
| 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 ».