Euler inversion: locating sources of potential-field data through inversion of Euler’s homogeneity equation
Notice bibliographique
Résumé
SUMMARY Locating the sources of observed disturbances in potential-field data is a challenging problem due to the non-unique nature of the inverse problem. The Euler deconvolution method was created to solve this issue, particularly for idealized sources (such as spheres and planar vertical dykes). Euler deconvolution has become widely used in potential-field methods due, in large part, to its low-computational cost and ease of implementation into software. However, it is widely known that Euler deconvolution suffers from some shortcomings: (1) non-uniqueness of the solution with respect to the depth of the source and the structural index (a parameter that represents the idealized shape of the source); (2) sensitivity to short-wavelength noise in the data derivatives which are used as inputs for the method. Here, we present a new method called Euler inversion which is a reformulation of the inverse problem of Euler’s homogeneity equation as an implicit mathematical model rather than a parametric one. Euler inversion is a constrained, nonlinear inverse problem capable of estimating both the model parameters (location of the source and constant base level) and the predicted data (potential field and its derivatives). We show that Euler inversion is less sensitive than Euler deconvolution to short-wavelength noise and to the presence of interfering sources in the data window. By also estimating the predicted data, Euler inversion is also able to estimate the best integer structural index to be used for inversion. Our results show that the estimated structural index minimizes the data misfit and coincides with those of the simulated sources. Furthermore, most matrices involved in the method are either sparse or diagonal, making Euler inversion computationally efficient. Tests on synthetic data and a real aeromagnetic data set from Rio de Janeiro, Brazil, demonstrate the effectiveness of Euler inversion to delineate sources with variable geometries and correctly estimate their depths.
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 | 0,001 |
| 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 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 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 ».