Curvilinear lineament extraction: Bayesian optimization of Principal Component Wavelet Analysis and Hysteresis Thresholding
Notice bibliographique
Résumé
Understanding deformation networks, visible as curvilinear lineaments in images, is crucial for geoscientific explorations. However, traditional manual extraction of lineaments is expertise-dependent, time-consuming, and labor-intensive. This study introduces an automated method to extract and identify geological faults from aeromagnetic images, integrating Bayesian Hyperparameter Optimization (BHO), Principal Component Wavelet Analysis (PCWA), and Hysteresis Thresholding Algorithm (HTA). The continuous wavelet transform (CWT), employed across various scales and orientations, enhances feature extraction quality, while Principal Component Analysis (PCA) within the CWT eliminates redundant information, focusing on relevant features. Using a Gaussian Process surrogate model, BHO autonomously fine-tunes hyperparameters for optimal curvilinear pattern recognition, resulting in a highly accurate and computationally efficient solution for curvilinear lineament mapping. Empirical validation using aeromagnetic images from a prominent fault zone in the James Bay region of Quebec, Canada, demonstrates significant accuracy improvements, with 23% improvement in F β Score over the unoptimized PCWA-HTA and a marked 300% improvement over traditional HTA methods, underscoring the added value of fusing BHO with PCWA in the curvilinear lineament extraction process. The iterative nature of BHO progressively refines hyperparameters, enhancing geological feature detection. Early BHO iterations broadly explore the hyperparameter space, identifying low-frequency curvilinear features representing deep lineaments. As BHO advances, hyperparameter fine-tuning increases sensitivity to high-frequency features indicative of shallow lineaments. This progressive refinement ensures that later iterations better detect detailed structures, demonstrating BHO's robustness in distinguishing various curvilinear features and improving the accuracy of curvilinear lineament extraction. For future work, we aim to expand the method's applicability by incorporating multiple geophysical image types, enhancing adaptability across diverse geological contexts. • Automated extraction of curvilinear geological faults from aeromagnetic images. • Integration of Bayesian optimization with principal component wavelet analysis. • PCA within the wavelet transform eliminates redundant features. • Iterative hyperparameter tuning for optimal curvilinear lineament extraction. • Dynamic adjustment of step filtering widths for the detection of high and low-frequency curvilinear features.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».