Anhang gmbh & co. kg Muster

Abb. 14 zeigt die berechneten r-wise Konfidenzintervalle für g(r) und L(r) –r Funktionen für den Stack Case. Die Abb. 14(a) und (b) unterstützen die Punktmuster für das flache Segment, um eine starke Clusterbildung über einen Bereich von r-Werten zu bevorzugen. Die in den Abb. 14(c) und d dargestellten Ergebnisse für den noieren, tieferen Teil deuten jedoch auf eine sehr schwache Clusterbildung hin. Sie haben die Möglichkeit, die Menüs von think-cell pro Datei oder pro Vorlage mit Think-Cell-Stildateien anzupassen, wie in unserem Benutzerhandbuch in Anhang C: Customizing think-cell beschrieben. Die Option Musterfüllung wird in Anhang D: Stildateiformat erläutert. Da der gegenwärtige Ansatz, der auf Punktprozesseigenschaften basiert, die flacheren und geschichteteren Segmente aus den tieferen Segmenten zu unterscheiden scheint, könnte man erwarten, dass ein Mosaik eines “einzelnen Attributs”, das das Punktprozessmerkmal für das gesamte binäre Bild der koherency-gefilterten, migrierten und koherency-gefilterten Daten des Fort Simpson Basin zusammenfasst, nützlich ist. Da die Summe der Differenz zwischen der geschätzten L-Funktion und dem CSR-Ergebnis (siehe Anhang B) für Hypothesentests verwendet wird, wäre sie ein geeignetes statistisches Maß.

Die Summe wird hier über einen ausgewählten Wertebereich von r durchgeführt. Wir haben eine Fensterprozedur verwendet, die den Schritt der Berechnung der einzelnen Kennzahl, des L-Funktionsattributs, für jedes Fenster räumlicher Punktmuster von vorbestimmter Größe durchläuft, und das Verfahren für überlappende Fenster wiederholt, um das gesamte binäre Bild abzudecken. Die so abgeleitete L-Funktionsattributkarte ist in Abb. 15 dargestellt. Diese Attributkarte zeigt die Unterschiede in der Stratigraphie in verschiedenen Teilen des Fort Simpson Basin. Die Ergebnisse der vorliegenden Studie befassen sich mit den genannten Zielen des Vergleichs von Daten mit verschiedenen Verarbeitungsschemata und des Vergleichs von Punktmustern aus verschiedenen Regionen: Ziel dieses Beitrags ist es, räumliche Punktmusteranalysen seismischer Reflexionsdaten zu präsentieren, um automatisierte Analysen solcher Bilder zu verbessern und Muster zu suchen, die bei visueller Inspektion oder konventionellen Mustererkennungstechniken nicht offensichtlich sind. Während es möglich sein sollte, diese Methoden auf jeden digitalen Datensatz anzuwenden (in diesem Fall seismisch), haben wir uns entschieden, einen Teil eines regionalen tiefen seismischen Reflexionsprofils zu verwenden, das vom kanadischen Lithoprobe-Programm aus den folgenden Gründen aufgezeichnet wurde.

Ce contenu a été publié dans Non classé par admin. Mettez-le en favori avec son permalien.