.png){kind=icon}
返回
A Magnetization Vector Inversion Method Based on Block Sparse Bayesian Learning
.png){kind=icon}
PRE
AI
DOI：10.1109/tgrs.2026.3707004.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在剩余磁化和感应磁化的联合作用下，磁化矢量反演（MVI）是解释磁异常数据的重要工具。然而，常规MVI在精度和计算效率方面面临挑战，这是由于精细网格离散化和解的非唯一性。非唯一性会导致虚假异常和误识别，而精细网格离散化导致未知数数量急剧增加，提高了计算成本。为解决这些问题，本文提出了一种基于块稀疏贝叶斯学习（BSBL）的MVI方法。将每个网格单元中的三个磁分量视为一个块，施加块稀疏先验以增强显著磁化单元并抑制非目标区域，从而提高反演精度。为提高计算效率并满足工程需求，所提方法在迭代过程中自动压缩并移除不显著单元以减小解的大小，并将主要计算集中在观测域的小规模解上，避免在高维模型域中进行大矩阵运算。同时，噪声水平和稀疏度被自适应学习以减少手动参数调整。此外，采用单元块先验以减少超参数数量和计算成本。模拟数据和实测数据的反演结果证明，所提方法在提高反演精度的同时显著降低了计算成本，从而为复杂地质条件下的高精度、高效率磁异常解释提供了可靠支持。
Keyword:
Block sparse Bayesian learning (BSBL)
computational efficiency
inversion accuracy
magnetization vector inversion (MVI)
remanent magnetization
期刊
IF:
8.6
论文数:
2.1W
被引数:
10.7W
机构
引用论文
.png){kind=icon}
分享收藏
A computationally efficient scheme for the inversion of large scale potential field data: Application to synthetic and real data大规模位场数据反演的计算有效方案: 在合成和真实数据中的应用
PREAI
分享收藏
查看更多内容