Transient electromagnetic data denoising based on cluster analysis and locally weighted linear regression
Notice bibliographique
Résumé
Abstract In transient electromagnetic surveys, the collected data inevitably contain noise originating from both natural and cultural sources. This noise has the potential to mask transient electromagnetic responses linked to geological features, thereby posing challenges in accurately interpreting subsurface structures. Hence, the implementation of effective noise reduction techniques is crucial in ensuring the accuracy and reliability of inversion outcomes in transient electromagnetic surveys. This study introduces a novel approach that merges k ‐means clustering with locally weighted linear regression to denoise transient electromagnetic data. The results from synthetic examples illustrate that the k ‐means locally weighted linear regression method can predict transient electromagnetic data closely resembling true values, similar to the long short‐term memory autoencoder. Occam's inversion results derived from denoised data using both the k ‐means locally weighted linear regression and long short‐term memory–autoencoder methods can well reflect the true model. Notably, a key advantage of the k ‐means locally weighted linear regression method is its independence from labelled data as the sample set. The k ‐means locally weighted linear regression method was applied to field data collected at the Narenbaolige coalfield in Inner Mongolia, China. Occam's inversion models generated from the denoised field data delineate the boundary between the basaltic body and sedimentary rocks, aligning with drilling data. The inversion models derived from the noisy field data also can capture this boundary, but deep section views reveal the presence of numerous intricate high‐resistivity anomalous bodies. These observations highlight the effectiveness of the k ‐means locally weighted linear regression method in denoising transient electromagnetic data.
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 | 0,002 |
| 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 ».