جداسازی بی‌هنجاری‌های باقیمانده، ناحیه‌ای و نوفه از میدان گرانی بوگه با استفاده از روش تجزیه مقادیر تکین

داده میدان پتانسیل، مجموع اثرچشمه های زیر زمینی می‌باشد. محاسبه بی‌هنجاری باقیمانده و ناحیه‌ای یکی از مراحل مهم از فرایند مدل‌سازی و وارون‌سازی در روش گرانی‌سنجی می‌باشد. وجود مقداری نوفه در داده‌های تصحیح شده گرانی نیز اجتناب‌ناپذیر است. در این مقاله، ما یک روش جدید جداسازی بر اساس تجزیه مقادیر تکین (منفرد) (svd) داده‌های گرانی ارائه می‌نماییم. با روش svd، یک ماتریس از داده‌های گرانی بوگه، به یک سری از تصاویر ویژه تجزیه می‌شود. تعداد تصاویر ویژه یا حدود آستانه مورد نیاز برای بازسازی نقشه‌های بی‌هنجاری‌های ناحیه‌ای و باقیمانده (محلی) و همچنین نقشه پراکندگی نوفه از روی بی‌هنجاری بوگه، بر اساس مقادیر منفرد به‌دست آمده از روش svd تعیین می‌شود. در فرایند بازسازی سری داده با تصاویر ویژه، ممکن است اطلاعات ناچیزی را از دست بدهیم که این میزان را برابر میانگین واریانس ماتریس‌های حاصل شده با تصاویر ویژه در نظر گرفته‌ایم. کارآیی روش تجزیه مقدار منفرد با یک مجموعه از داده‌های مصنوعی نوفه‌دار گرانی مربوط به مدلی ترکیبی که در آن یک کره به عنوان بی‌هنجاری محلی و صفحه‌ای شیب‌دار در عمق زیاد به عنوان بی‌هنجاری ناحیه‌ای در نظر گرفته شده بود، مورد آزمایش قرار گرفته است به‌طوری که نتایج جداسازی کاملا قابل قبول می ‍باشد. در نهایت، داده‌های مربوط به یک محدوده مطالعاتی در قم با استفاده از روش ارائه شده، مورد تحلیل قرار گرفت.

Regionalresidual anomalies and noise separation from gravity field using singular value decomposition method

Potential field data is the assembled of effects of all underground sources. Computing regionalresidual anomaly is a critical step in modeling and inversion in the gravity method. Existence quantitative noise in corrected gravity data is unavoidable. In this paper, we present a novel separation method based on a Singular Value Decomposition (SVD) analysis of gravity dataset. With the SVD, a matrix of bouguer gravity data can be decomposed to a series of eigenimages. The number of required eigenimages or threshold for the reconstruction of the regional and residual (local) anomalies maps and noise distribution map from bouguer anomaly is determined based on the derived singular values by SVD. To reconstruct the data set by eigenimages may lose negligible information. We have considered which this value is equivalent with the mean of the variance of the resulted matrixes by eigenimages. The efficiency of the Singular Value Decomposition method was tested with the noisy synthetic gravity data of a hybrid model of the sphere as a local anomaly and deepseated sloping plane as a regional anomaly. The separation results are satisfactory. The proposed method was applied on gravity field dataset of the Qom area, Iran.