Least-Squares Migration Imaging of Receiver Functions
Notice bibliographique
Résumé
The growth of seismic data recorded by dense arrays has stimulated the development of new array-based receiver function (RF) imaging techniques. This study examines the feasibility and performance of the least-squares migration (LSM) method, a state-of-the-art technique used in exploration seismology, to lithospheric imaging using teleseismic RFs. Taking advantage of a pair of forward (demigration) and adjoint (migration) operators, the LSM casts migration as a regularized least-squares optimization problem. We employ the split-step Fourier method to design the two operators and conduct wavefield propagation in heterogeneous media. Synthetic tests with a two-layered crustal model and varying ratio of missing traces demonstrate that LSM is capable of suppressing imaging artifacts and improving imaging resolution compared to conventional migration. Real data application is conducted using teleseismic data recorded by the Himalayan-Tibetan continental lithosphere during mountain building (Hi-CLIMB) array deployed on the Tibetan Plateau. Considering the irregular and noisy recordings from field acquisition, we adopt signal processing algorithms, including the Radon transform and singular spectrum analysis (SSA) filter, to regularize the wavefields and precondition the RFs. The proposed workflow resolves fine-scale crustal structures that are consistent with earlier studies. Overall, our study offers a new high-resolution RF imaging tool and inspires the future development of advanced array processing workflows.
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 | 0,000 |
| 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 ».