PlateCurie: Software for mapping Curie depth from a wavelet analysis of magnetic anomaly data
Notice bibliographique
Résumé
Crustal magnetic anomalies carry information on the source distribution of magnetization in the Earth's crust (Blakely, 1995). The Curie point corresponds to the depth at which crustal rocks loose their magnetization where they reach their Curie temperature, and is obtained by fitting the power spectral density (PSD) of magnetic anomaly data with a model where magnetic anomalies are confined within a layer (Bouligand et al., 2009; Audet and Gosselin, 2019; Mather and Fullea, 2019). Mapping the Curie point provides important information on geothermal gradients in the Earth; however, mapping Curie depth is a spatio-spectral localization problem because the PSD needs to be calculated within moving windows at wavelengths long enough to capture the greatest possible depth to the bottom of the magnetic layer. The wavelet transform is particularly well suited to overcome this problem because it avoids splitting the grids into small windows and can therefore produce PSD functions at each point of the input grid (Gaudreau et al., 2019). This package extends the package plateflex, which contains python modules to calculate the wavelet transform and scalogram of 2D gridded data, by providing a new class MagGrid that inherits from plateflex.classes.Grid with methods to estimate the properties of the magnetic layer (depth to top of layer (zt), thickness of layer (dz), and power-law exponent of fractal magnetization (β)) using Bayesian inference. Common computational workflows are covered in the Jupyter notebooks bundled with this package. The software contains methods to make beautiful and insightful plots using the seaborn package.
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) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,054 | 0,029 |
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 ».